Predicting Students' Performance in Exams with Machine Learning Techniques

Abstract

Machine learning, a sub-branch of artificial intelligence, is a computer science branch that is rapidly gaining popularity in the field of education. The evaluation phase, which is the step of determining student development in education, the effect of educational programs, and the effectiveness of teaching methods, is of great importance. Machine learning, which enables the production of meaningful results from data stacks belonging to students, is guiding in the evaluation phase. In this study, the publicly shared “Students Performance in Exams” data set was used. Machine learning-based classifications were carried out to predict student success on the data set consisting of 8 attributes containing information about students. K-nearest neighbor (KNN), Decision tree (KA), Naive Bayes (NB), Random forest (RO), Support vector machine (DVM), Logistic regression (LR), Linear Discriminant Analysis (LDA) The highest accuracy was obtained with the DVM algorithm as a result of the classification processes made with the method and 5-fold cross-validation.

Keywords

• Machine learning
• Informatics
• Education
• Classification
• Estimation

Öğrencilerin Sınavlardaki Performansının Makine Öğrenmesi Teknikleriyle Tahminlenmesi

Öz

Yapay zekânın bir alt dalı olan makine öğrenmesi eğitim alanında hızla popülerlik kazanan bir bilgisayar bilimi dalıdır. Eğitimde öğrenci gelişiminin, eğitim programlarının etkisinin, öğretim yöntemlerinin etkililiğinin belirlenmesi adımı olan değerlendirme aşamasının önemi büyüktür. Öğrencilere ait veri yığınlarından anlamlı sonuçlar üretilmesini sağlayan makine öğrenmesi, değerlendirme aşamasında yön gösterici olmaktadır. Bu çalışmada kamuya açık olarak paylaşılan, “Students Performance in Exams” veri seti kullanılmıştır. Öğrencilere ait bilgilerin bulunduğu 8 öznitelikten oluşan veri seti üzerinde öğrenci başarısının tahminlenmesine yönelik makine öğrenmesi temelli sınıflandırmalar gerçekleştirilmiştir. K-en yakın komşu (KNN), Karar ağacı (KA), Naive Bayes (NB), Rastgele orman (RO), Destek vektör makinesi (DVM), Lojistik regresyon (LR), Lineer Diskriminant Analizi (LDA) ile toplamda yedi ayrı yöntemle ve 5 kat çapraz doğrulamayla yapılan sınıflandırma işlemleri sonucunda en yüksek doğruluk (accuracy) DVM algoritması ile elde edilmiştir.

Anahtar Kelimeler

• Makine öğrenmesi
• Bilişim
• Eğitim
• Sınıflandırma
• Tahminleme

Kaynakça

1. Alpaydin E. Introduction to machine learning, fourth edition. MIT Press. 2020.
2. Badal YT., Sungkur RK. Predictive modelling and analytics of students’ grades using machine learning algorithms. Educ Inf Technol 2023; 28, 3027–3057.
3. Canibey ST., Sevli O. Bireylerin gelir dağılım seviyelerinin makine öğrenmesi teknikleri ile belirlenmesi. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2022; 5(2): 753-766.
4. Chen Y., Zhai L. A comparative study on student performance prediction using machine learning. Educ Inf Technol 2023; 28, 12039–12057.
5. Çakıt E., Dağdeviren M. Predicting the percentage of student placement: A comparative study of machine learning algorithms. Education and Information Technologies 2022; 27(1): 997-1022.
6. Chung JY., Lee S. Dropout early warning systems for high school students using machine learning. Children and Youth Services Review 2019; 96, 346-353.