Öğrenci akademik performansının kestirilmesine ilişkin bir model önerisi: Veri madenciliğine dayalı bir çalışma

Abstract

Bu araştırmada Akdeniz Üniversitesi Eğitim Fakültesinden 2012-2017 yılları arasında mezun olan 3773 öğrencinin akademik verisi kullanılarak uygulamalı bir veri madenciliği çalışması yapılmıştır. Akdeniz Üniversitesi Eğitim Fakültesinde bulunan 7 bölümden mezun öğrencilerin aldıkları derslere ilişkin sınav puanları, dönem sonu ders notları, dönemlik not ortalamaları, mezuniyet notlarına ilişkin veri, farklı tablolardan alınarak bir araya getirilmiş, her bölüm için ayrı veri setleri elde edilmiştir. Veri ön işleme aşamasından sonra akademik performans kestirim modelleri geliştirilmiş ve test edilmiştir. Veri madenciliği teknikleri ve algoritmalar kullanılarak öğrencilerin akademik başarı durumlarını kestirmeye yönelik iki ana model geliştirilmiştir. Birinci Model, Öğrenci Mezuniyet Notu Kestirim Modelidir. Bu modelin altında 1. sınıf 1. dönem ara sınav puanları kullanılarak mezuniyet notu kestirimi için 1S1DV Modeli, 1. sınıf 1. dönem sonu dörtlük ders notlarıyla mezuniyet notu kestirimi için 1S1D4N Modeli ve 1. sınıf 1. dönem ve 2. dönem ağırlıklı not ortalaması kullanılarak mezuniyet notu kestirimi için 1S12DANO Modeli olmak üzere 3 alt model geliştirilmiştir. Alt modellerin her biri için yapay sinir ağları ve çoklu doğrusal regresyon analizi ile farklı modeller geliştirilmiş ve performansları karşılaştırılmıştır. Geliştirilen modellerin öğrencilerin mezuniyet notunu 1. sınıf 1. dönemden itibaren %94-97 doğrulukla kestirdiği görülmüştür. Araştırmada geliştirilen ikinci model Öğrenci Akademik Erken Uyarı (DANO2) Modelidir. DANO2 Modeli öğrencinin 1. sınıf 1. dönem derslerine ait dönem sonu notlarına göre, gelecekte dönemlik ağırlıklı not ortalamasının 2'nin altına düşüp düşmeyeceğini kestiren bir modeldir. Bu model altında lojistik regresyon ve karar ağaçları kullanılarak geliştirilen alt modellerin doğruluğunun %72-87 olduğu görülmüştür.Yapılan araştırma sonucunda öğrenci akademik performansının kestirilerek, gelecekte oluşabilecek akademik başarısızlık durumlarını önlemeye yönelik bir model önerilmiştir. Geliştirilen model önerisi ile eğitim kurumlarının, öğrenci başarısını artırmada daha etkili ve verimli çalışabileceği düşünülmektedir.Anahtar Kelimeler: Akademik Performans Kestirimi, Akademik Uyarı Sistemi, Eğitsel Veri Madenciliği, Yapay Sinir Ağları, Karar Ağaçları, Regresyon Analizi, Lojistik Regresyon, Eğitim Fakültesi

In this study, an applied data mining study was conducted by using the academic data of 3773 students who graduated from Akdeniz University Faculty of Education between 2012-2017. Exam scores, semester grades of lessons, semester grade point averages and graduation grades data of the students from 7 departments of Akdeniz University Faculty of Education were gathered from different tables and separate data sets were obtained for each department. After the data pre-processing stage, academic performance prediction models were developed and tested. Two main aiming models to predict students' academic achievement were developed by using data mining techniques and algorithms. The first model was the Prediction Model of Student Graduation Grade. Under this model, three sub-models were developed as the 1S1DV Model for predicting the graduation grade by using midterm exam scores of the 1st semester, 1S1D4N Model for estimating the graduation grade through 1st-semester grade point averages and 1S12DANO Model for predicting graduation grades by using grade point averages of 1st and 2nd semesters. For each sub-model, different models were developed by using artificial neural networks and multiple linear regression analysis and their performances were compared. It was observed that the models, developed in this research, predicted the graduation grade of students with an accuracy of 94-97% since the first semester. The second model developed in this research was the Student Academic Early Warning (DANO2) Model. The DANO2 Model was a model that predicted whether the future grade point averages of the students would fall below 2 according to their 1st-semester grades. Under this model, the accuracy of the sub-models developed by using logistic regression and decision trees was 72-87%.As a result of this research, a model aiming to prevent future academic failures was proposed by predicting student academic performance. With this proposed model, it was thought that educational institutions could work more effectively and efficiently in increasing student success.Keywords: Prediction of Academic Performance, Academic Warning System, Educational Data Mining, Artificial Neural Networks, Decision Tree, Regression Analysis, Logistic Regression, Faculty of EducationAs a result of this research, a model aiming to prevent future academic failures was proposed by predicting student academic performance. With this proposed model, it was thought that educational institutions could work more effectively and efficiently in increasing student success.Keywords: Prediction of Academic Performance, Academic Warning System, Educational Data Mining, Artificial Neural Networks, Decision Tree, Regression Analysis, Logistic Regression, Faculty of Education