Forecasting of The Course Learning Notes by Data Mining Methods

Year 2019, Issue: 15, 70 - 76, 31.03.2019

Emrah Aydemir

https://doi.org/10.31590/ejosat.518899

Cited By: 9

Abstract

With the development of technology, the dimensions of the databases are progressively proportional. It is inevitable to investigate the secret links between these analyzes with various analyzes. In this study, the passing grades of the students in Foreign Language-II course were estimated by data mining methods. In the study at a university in Turkey Foreign Language-II 3794 students taking the course data are used. In this study, the estimation models developed by Artificial Neural Networks, M5P, DecisionStump, M5Rules, DecisionTable and Bagging methods were formed and compared with each other. 10-fold cross-validation method was used for training and testing. In the models, the type of the course, faculty, department, program, program type, teaching staff and title, the type of entry to the program, entry point and entry rank and the average grade of the previous semester were taken into consideration. Among the models, it was seen that the model established with Bagging method produced the best results with 1.21 mean absolute error and 0.81 correlation coefficient. As a result of the study, it is thought that the students will learn the course grade and take precautions in advance.

Keywords

Data Mining, Academic Success, Forecasting

Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi

Abstract

Teknolojinin gelişimi ile
veritabanlarının boyutları doğru orantılı olarak ilerlemektedir. Bu kadar çok
verinin tutulması sonucu çeşitli analizler ile bu veriler arasındaki gizli
bağlantıların araştırılması kaçınılmaz olmuştur. Buradaki çalışmada öğrencilerin
Yabancı Dil-II dersindeki geçme notları veri madenciliği yöntemleriyle tahmin
edilmiştir. Araştırmada Türkiye’deki bir üniversitede Yabancı Dil-II dersini
alan 3794 öğrenci verileri kullanılmıştır. Çalışmada 12’si girdi ve biri çıktı
olmak üzere toplam 13 adet değişkenin yer aldığı Yapay Sinir Ağları, M5P,
DecisionStump, M5Rules, DecisionTable, Bagging yöntemleri ile geliştirilen
tahmin modelleri oluşturulmuş ve birbirleriyle karşılaştırılmıştır. Verilerin
eğitim ve test olarak ayrıştırılmasında 10-katlı çapraz doğrulama yöntemi
kullanılmıştır. Modellerde öğrencinin ders geçme notunu etkileyecek öğrenim
tipi, fakülte, bölüm, program, program tipi, öğretim elemanı ve unvanı, öğrenci
programa giriş türü, giriş puanı ve giriş sıralaması ile bir önceki dönemin not
ortalaması dikkate alınmıştır. Modeller arasında Bagging yöntemi ile kurulan
modelin en iyi sonuç olan 1.22 ortalama mutlak hata ve 0.80 korelasyon
katsayısı ile tahminler ürettiği görülmüştür. Çalışma sonucunda öğrencilerin
ders geçme notunu önceden öğrenip önlemler alacağı düşünülmektedir.

Keywords

Veri Madenciliği, Akademik Başarı, Tahmin

References

• Akçapınar, G., Altun, A. & Aşkar, P. (2015). Modeling Students’ Academic Performance Based on Their Interactions in an Online Learning Environment, İlköğretim Online, 14(3), 815-824.
• Akpınar, H. (2000). Veri tabanlarında bilgi keşfi ve veri madenciliği, İ.Ü. İşletme Fakültesi Dergisi, 29 (1), 1-22.
• ALAN, M. A. (2012). Veri Madenciliği ve Lisansüstü Öğrenci Verileri Üzerine Bir Uygulama. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 33(1), 165-174.
• Altınışık, U. (2006). Öğrenci bilgi sisteminde veri madenciliğinin uygulanması, Kocaeli Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
• Aydemir, B. (2017). Veri Madenciliği Yöntemleri Kullanarak Meslek Yüksekokulu Öğrencilerinin Akademik Başarı Tahmini, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü.
• Aydemir, E. (2018). Weka ile Yapay Zekâ, Seçkin Yayınevi, Ankara.
• Aydoğan, İ. & Zırhlıoğlu, G. (2018). Öğrenci Başarılarının Yapay Sinir Ağları ile Kestirilmesi, Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 15(1), 577-610.
• Baykal, A. (2006). Veri Madenciliği Uygulama Alanları, DÜ Ziya Gökalp Eğitim Fakültesi Dergisi, 7 (1), 95-107.
• Demir, M. (2015). Predicting Pre-Service Classroom Teachers' Civil Servant Recruitment Examination's Educational Sciences Test Scores Using Artificial Neural Networks. Educational Sciences: Theory and Practice, 15(5), 1169-1177.
• Doğan, A. (2002). Yapay Zekâ. İstanbul: Kariyer Yayıncılık.
• Erdoğan, Ş. Z. (2004). Veri Madenciliği ve Veri Madenciliğinde Kullanılan K-Means Algortimasının Öğrenci Veri Tabanında Uygulanması, İstanbul Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
• Esen, H., İnalli, M., Şengür, A. & Esen, M. (2008). Forecasting of a ground-coupled heat pump performance using neural networks with statistical data weighting pre-processing. International Journal of Thermal Sciences, 47(4), 431-441.
• Jaiwei, H. & Kamber, M. (2006). Data mining: concepts and techniques. ed: Morgan Kaufmann San Francisco.
• İnan, O. (2003). Öğrenci İşleri Veri Tabanı Üzerinde Veri Madenciliği Uygulamaları, Konya Selçuk Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
• Karip, E. (2012). Ölçme ve Değerlendirme. Ankara: Pegem Akademi Yayıncılık.
• Kılınç, Ç. (2015). Üniversite Öğrenci Başarısı Üzerine Etki Eden Faktörlerin Veri Madenciliği Yöntemleri İle İncelenmesi, Yüksek Lisans Tezi, Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü.
• Luan, J. (2002). Data Mining and Knowledge Management in Higher Education-Potential Applications. 42nd Associate of Institutional Research International Conference, Toronto, Canada.
• Oğuzlar, A. (2004). Veri Madenciliğinde Birliktelik Kuralları, Öneri, 6 (22), 315-321.
• Sembiring, S., Zarlis, M., Hartama, D., Ramliana, S. & Wani, E. (2011). Prediction of student academic performance by an application of data mining techniques. In International Conference on Management and Artificial Intelligence IPEDR, 6 (1), 110-114.
• Shovon, M. H. I. & Haque, M. (2012). Prediction of student academic performance by an application of k-means clustering algorithm. International Journal of Advanced Research in Computer Science and Software Engineering, 2(7), 353-355.
• Siemens, G. & D Baker, R.S.J. (2012). Learning Analytics and Educational Data Mining: Towards Communication and Collaboration. 2nd international conference on learning analytics and knowledge, Vancouver, Canada.
• Şengür, D. & Tekin, A. (2013). Öğrencilerin mezuniyet notlarının veri madenciliği metotları ile tahmini. Bilişim Teknolojileri Dergisi, 6(3), 7-16.
• Turgut, M.F. & Baykul, Y. (2013). Eğitimde Ölçme ve Değerlendirme. Ankara: Pegem Akademi.
• Yurtoğlu, H. (2005). Yapay Sinir Ağları Modellemesi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, DPT, Ankara.