İlk yıl öğrencilerinin akademik performansına etki eden faktörlerin araştırılması ve bu faktörlere bağlı olarak başarılarının tahminine yönelik bir karar destek sistemi tasarımı

Abstract

`Öğretici merkezli` eğitim anlayışından `Öğrenci merkezli` eğitim anlayışına geçişin yaşandığı yükseköğretim çevrelerinde öğrencilerin kayıtlı oldukları lisans programlarında göstermiş oldukları akademik performans önem kazanmaktadır. Bu bağlamda, öğrencilerin yeni akademik ve sosyal ortama `hassas` bir geçiş süreci yaşadığı ilk yıl (Milem&Berger,1997), yükseköğretim sürecinde gösterilecek akademik performansa temel teşkil etmesi bakımından pek çok teorik (Tinto,1975; Astin, 1984) ve uygulamaya dönük çalışmaya (Delen,2010 ; Mishra vd., 2014) konu olmuştur. Konu ile ilgili yapılan literatür taramasında, öğrencilerin ilk yıl akademik performanslarına etki eden faktörleri belirleyen ve bu faktörlere bağlı olarak yılsonu akademik başarılarını tahminleyen herhangi bir yerli `bütüncül` çalışmaya rastlanmamıştır. Bu bağlamda; çalışmada karmaşık `yükseköğretimde ilk yıl` sürecine yönelik bir teorik model ortaya konması ve bu modele paralel olarak veri madenciliği süreci yaklaşımı kullanılarak akademik performansı önceden tahmin etmek ve etki eden faktörleri belirlemek suretiyle yöneticilere karar desteği sağlayacak genel bir sistem tasarlanması amaçlanmaktadır.Mevcut çalışmada; 2014-2015 akademik yılında Sakarya Üniversitesi-İşletme Fakültesi lisans programlarında ilk yıllarını geçiren öğrencilere `Yeni Gelen Öğrenci` anketi uygulanmıştır. Bu şekilde tahminleme çalışmasında kullanılmak üzere geleneksel (yaş, cinsiyet, lise not ortalaması vs.) ve geleneksel olmayan (genel özyeterlik, akademik özyeterlik, kurumsal entegrasyon) değişkenler elde edilmiştir. Yöntem olarak; pek çok farklı alanda veri madenciliği uygulama süreçlerine yönelik standart bir metodoloji sunan (Wirth&Hipp, 2000) CRISP-DM benimsenmiştir. Bu kapsamda, veri hazırlama aşamasından (seçme, temizleme, türetme vs.) sonra tahminleme için makine öğrenme teknikleri (Çok Katmanlı Algılayıcılar ve Rassal Orman yöntemi) ve geleneksel istatistiksel sınıflandırıcı teknikleri (Çokterimli Lojistik Regresyon) ile farklı verisetleri (korelasyon katsayılarına göre seçilen bağımsız değişkenlerden oluşan veriseti ve tüm bağımsız değişkenlerin dahil edildiği orijinal veriseti) kullanılarak modeller oluşturulmuştur. Mevcut durum ve farklı senaryolarda denenen bu modeller göstermiş oldukları performanslara göre değerlendirilmiş ve genel bir tasarımı sunulan karar destek sistemlerinde kullanılacak uygun modeller belirlenmiştir.Araştırma sonucunda, Rassal Ormanlar yöntemini kullanan Model5 en iyi performansı sergilemiştir. Öğrencilerin yılsonu performansı üzerinde etkisi en fazla olan faktör `İlk dönem not ortalaması` olarak bulunmuşturAnahtar Kelimeler: Akademik Performans, Eğitimde Veri Madenciliği, Çok Katmanlı Algılayıcı, Rassal Ormanlar, Çokterimli Lojistik Regresyon

A transition has been existing in the approaches to education from `Tutorial-centered` to `Student-centered` in the higher education environment, so the concept of academic performance for undergraduate students is gaining importance. In this context, the first year in which students experience `sensitive` period of transtion to new academic and social environments (Milem&Berger, 1997), has been subject to many studies both practical (Delen, 2010; Mishra et al.., 2014) and theoretical (Tinto,1975; Astin, 1984) to be the basis of the academic performance shown in the higher education process. In the native literature research on the subject, there observed no `holistic` study determining the factors affecting the academic performance of the first year and predicts the year-end achievements based on these factors. In this context, it is intended to design a general system to provide decision support to managers in predicting the academic performance and determining factors by using a theoretical model demonstrated to the process of complex `the first year in the higher education` and data mining process parallel to this model.In the study, `Freshman Student` survey was conducted to the freshmens registered in 2014- 2015 academic year to undergraduate programs of the Business Faculty of Sakarya University. In this way, to be used in prediction study, traditional (age, gender,average point of high school grade, etc.) and non-traditional (general self-efficacy, academic self-efficacy, instutional integration) variables were obtained. As the method of the study, CRISP- DM, which offers a standardized methodology for data mining application process in many different fields (Wirth&Hipp, 2000), is adopted. As a part of the process; following data preparation (selection, cleaning, construct etc.) stage, machine learning techniques (Multilayer Perceptron, Random Forests) and a traditional statistical classifier(Multinomial Logistic Regression) were employed in different datasets (original dataset and the one created with correlation-based feature selection) to build predictive models. The appropriate models which were examined in both current situation and different scenarios were evaluated in accordance with their performance and the ones which will be used in a decision support systems, roughly presented in the current study, are determined.As a conclusion, using the Random Forest method Model5 showed the best performance. It is found that ` grade point average (GPA) of the first semester` factor is the most influential variable on the year-end performance.Keywords: Academic Performance, Educational Data Mining, Multilayer Perceptron,Random Forest, Multinomial Logistic Regression