Öğretim yönetim sistemi üzerinde üniversite (lisans) düzeyindeki öğrenci hareketliliğinin veri madenciliği yöntemleriyle analizi
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bilgisayar teknolojisindeki gelişmeler veri depolama sistemlerinin yaygınlaşmasını sağlayarak büyük miktarlardaki verilerin manyetik ortamlarda saklanmasını kolay ve ucuz hale getirmiştir. Ancak depolanan bu veriler tek başlarına değersiz olup bir anlam ifade etmemektedir. Depolanan verilerin anlamlı hale getirilebilmesi için bilgisayar sistemleri kullanılarak belli bir amaca yönelik işlenerek bilgiye dönüştürülmesi gerekmektedir. Veriler arasındaki örüntülerin keşfedilerek anlamlı bilgi haline getirilmesi veri madenciliği yöntemleri ile sağlanabilmektedir. Bu çalışmada üniversite (lisans) düzeyindeki öğrencilerin Öğretim Yönetim Sistemi (ÖYS) üzerindeki hareketliliği ile akademik başarı düzeyleri arasındaki ilişki veri madenciliği yöntemleri kullanılarak incelenmiştir. Bu bağlamda bu çalışma, tarama modellerinden ilişkisel tarama modeline uygun olarak düzenlenmiş betimsel ve nicel bir çalışmadır. Çalışmanın örneklemini Başkent Üniversitesi Eğitim Bilimleri Enstitüsü Pedagojik Formasyon Sertifika Programı 2012-2013 eğitim öğretim yılı bahar dönemi Öğretim Teknolojileri ve Materyal Tasarımı dersini alan 40 öğrenci oluşturmaktadır. Çalışmada veri kaynağı olarak öğrencilerin ilgili eğitim öğretim yılına ait Moodle (Modular Object Oriented Dynamic Learning Environment) ÖYS üzerindeki hareketliliğini içeren log kayıtları ve yılsonu akademik başarı notları kullanılmıştır. Öğrencilerin ÖYS üzerindeki hareketliliği ile akademik başarı düzeyleri arasındaki ilişkinin belirlenmesinde disiplinler arası bir alan olan veri madenciliği teknikleri kullanılmıştır. İlk olarak veri madenciliği modellerinden tanımlayıcı model olan kümeleme modeli kullanılmış ve bu modelin oluşturulmasında K-Means algoritmasından yararlanılmıştır. Kümeleme modelinde veri kaynağı olarak 2012-2013 eğitim öğretim yılı bahar dönemi Öğretim Teknolojileri ve Materyal Tasarımı dersini alan öğrencilerin yılsonu akademik başarı notları kullanılmıştır. Kümeleme işleminin gerçekleştirilmesi sonucu öğrencilerin düşük, orta ve yüksek akademik başarı grubu olmak üzere 3 gruba ayrılmasına karar verilmiştir. K-Means algoritması tarafından akademik grupları için ortalama değerler hesaplanarak öğrenciler akademik başarı durumlarına göre bu akademik başarı gruplarına yerleştirilmiştir. Kümeleme işlemi sonucu oluşturulan akademik başarı gruplarının; öğrenci özellikleri hakkında bilgi sağlayabileceği, tahmin edici modeller içerisinde yer alan sınıflandırma modellerinden olan karar ağaçlarının oluşturulmasına ve elde edilen sonuçların daha kolay yorumlanabilmesine katkı sağlayacağı söylenebilir. Kümeleme işlemi gerçekleştirildikten sonra karar ağaçlarının oluşturulmasında veri kaynağı olarak öğrencilerin Moodle ÖYS üzerinde gerçekleştirdikleri eylemler kullanılmıştır. C5.0, CART (Classification And Regression Trees), CHAID (Chi-squared Automatic Interaction Detector), QUEST (Quick, Unbiased, Efficient Statistical Tree) algoritmaları kullanılarak oluşturulan karar ağaçlarının doğruluk oranları incelenmiş ve bu algoritmalar içerisinde en yüksek doğruluk oranını veren CART algoritmasının doğruluk oranı %85,0 olarak bulunmuştur. Karar ağaçları en yüksek doğruluk oranını veren CART algoritması kullanılarak oluşturulmuştur. Çalışma sonucunda elde edilen bulgulara bağlı olarak öğrencilerin ÖYS üzerindeki hareketliliği ve akademik başarı düzeyleri arasında anlamlı bir ilişkinin olduğu ortaya konulmuştur. ÖYS üzerinde yüksek düzeyde hareketlilik sergileyen öğrencilerin yüksek akademik başarı grubunda, orta düzeyde hareketlilik sergileyen öğrencilerin orta akademik başarı grubunda ve düşük düzeyde hareketlilik sergileyen öğrencilerin düşük akademik başarı grubunda yer aldıkları söylenebilir. The developments in computer technology render that a huge amount of data can conceal in magnetic mediums easily and cheaply by making data storage systems become widespread. However, the data being warehoused are worthless and mean nothing by themselves. In order to make the data being warehoused become meaningful, they ought to be transformed into knowledge purposefully. Discovering the pattern of data and making them meaningful, data mining methods are used. In this study, undergraduates are examined to discover the connection between their dynamism into Learning Management System (LMS) and their levels of achievement with using the data mining methods. In this regard, the study is descriptive and quantitative. Hence, it is appropriate for associative scanning from scanning models. The research includes 40 pupils who receive in Instructional Technologies and Material Design during spring semester and reside in Baskent University Institute of Education Sciences Pedagogical Formation Certification Program throughout 2012-2013 academic years. Students' academic achievement grades and log registrations placing in LMS which shows related year's access are used as data source. To determine the correlation between academic success level and access to the system, data mining techniques, which occur in interdisciplinary areas, are used. Clustering model which is one of the data mining models and is descriptive is used primarily. K-Means algorithm is parlayed to constitute the model. Pupils' academic grades which are marked according to the success in Instructional Technologies and Material Design lessons are used in clustering model as data source during 2012-2013 spring semesters. After clustering process has done, students are separated into three groups which are called `low academic achievement`, `medium academic vachievement`and `high academic achievement`. They are inserted into these groups according to their academic achivement level. Doing that, K-Means algorithm is used in order to be able to calculate average values. It can be said that the academic achievement groups which are formed with clustering process can contribute to get knowledge about pupils' feature, to create decision trees which place in predictive models and to interpret the results handily. After clustering process, Moodle (Modular Object Oriented Dynamic Learning Environment) LMS datas are aimed to create decision trees as data source. The decision trees which are constituted by using C5.0, CART (Classification And Regression Trees), CHAID (Chi-squared Automatic Interaction Detector), QUEST (Quick, Unbiased, Efficient Statistical Tree) algorithms are examined to see their accuracy rate. As a result of that, CART algorithm has the highest accuracy rate among all the algorithms above-referred and it is %85,0. Correspondingly, decision trees are created by using CART algorihtm. Depending upon the findings which acquired at the end of the study, there is a meaningful connection between the activities on LMS and the academic achievement levels of students. It is quite obvious that pupils who are active on LMS place in high academic achievement group, who are intermediate user of LMS are found in the medium academic achievement group, who are inactive on LMS locate low academic achievement group.
Collections