Yükseköğretimde öneri sistemlerine dayalı ders seçme modeli

Abstract

Günümüzde, internetin kişisel olarak hayatımıza girmesi ile birlikte ulaşılabilir olan bilgi hacmi günden güne katlanarak büyümektedir. Ancak, bir şahsın çok büyük miktarlardaki verileri tek başına kümeleyip bu verilerden yararlı bilgiler elde etmesi çok zor olabilir. İnsanların daha doğru ve ilgili bilgiye ulaşma için son dönemlerde `Bilgi Filtreleme Sistemleri` kavramı tartışılmaya başlamıştır. Bilgi Filtreleme Sistemlerinin amacı; kullanıcı için gereksiz ve istenmeyen verilerden saf bilgiyi otomatik olarak sunmaktır. Bu bağlamda da, `Öneri Sistemleri` ortaya çıkmıştır. Öneri sistemlerinde temel amaç, insanların beğenisini tahmin edip onlara bu beğenileri doğrultusunda önerilerde bulunmaktır. Bu tezde Anadolu Üniversitesi İİBF öğrencileri için gelecek dönemlerde alacakları zorunlu ve seçmeli derslerin başarı notlarını tahmin ederek ders seçiminde yardımcı olacak öneri sistemi modeli oluşturulmaya çalışılmıştır. Öneri modelinde öğrenci-öğrenci ve ders-ders benzerlikleri tekniklerinden yararlanılmıştır. Bu tekniklerde benzerlik ölçütü olarak yaygın olarak kullanılan pearson korelasyon değerinden yararlanılmıştır. Benzerlik ölçütü yardımıyla model ve memory (hafıza) tabanlı öneri algoritmaları kullanılmıştır. Hafıza tabanlı işbirlikçi filtrelemede ürün tabanlı öneri sistemi teknikleri, Model tabanlı işbirlikçi filtreleme tekniklerinde ise; k-Ortalama, K En yakın Komşu ve Tekil değer ayrışımı yaklaşımlarıyla öğrenci başarı puanı tahmini yapılmıştır. Uygulamada dört faklı algoritma sonucunda elde edilen sonuçlar karşılaştırılmıştır. Sonuç olarak ders seçiminde öneri sunmada yararlanılacak öğrenci başarı puanlarını gizil örüntüyü belirleyen, tekil değer ayrışımı tekniği ile tahmin edilmiştir. Uygulanan Öneri sistemleri algoritmaları için en iyi tahmin doğruluk ölçütü olan (MAE) mutlak ortalama hata değerine Tekil değer ayrışımı algoritması sonucunda ulaşılmıştır.Anahtar Kelimeler: Öneri Sistemleri, Öğrenme Analitiği, İşbirliğine dayalı filtreleme, Tekil değer ayrışımı, Kümeleme

Nowadays, the volume of the available information is increasing day by day with the inclusion of internet in to our personal lives. However, it may be very difficult for a person to cluster big data and obtain/interpret useful information out of them. In order to reach more accurate and relevant information, recently the discussion of `Information Filtering Systems` has been started. The purpose of Information Filtering Systems is to provide the user with pure information from unwanted and cluttered data automatically. In this respect, `The Recommendation Systems` have been emerged. The main purpose of the recommendation systems is to estimate the likes of people in order to make recommendations accordingly. In this thesis, a recommendation system model is purposed to help the students, of Anadolu University Faculty of Economics and Administrative Science, in the selection of the courses to be taken in the future by predicting the grades of future compulsory and elective courses offered in students' curriculum. In the recommendation system model, the student-student and course-course similarities are used. In order to reflect the similarity, the well-known Pearson's correlation coefficient is used. Model and memory-based recommendation algorithms are used via similarity measure. In memory based collaborative filtering, product-based recommendation systems are used; In model based collaborative filtering, k-means, k nearest neighbours, and singular value decomposition is used to predict the students' grade scores. In the application part of the study, the results of four different algorithms are studied in detail. As a result, the singular value decomposition, because of its ability to show the latent pattern, is used as the prediction method for students. Among the recommendation algorithms used in this study, the minimum mean absolute error indicator is achieved by the singular value decomposition.Keywords: Recommendation Systems, Learning Analytics, Collaborative Filtering, Singular value decomposition (SVD), Clustering