SavedAdd your journal

Journals / Necmettin Erbakan Üniversitesi Ereğli Eğitim Fakültesi Dergisi / 2023 / Cilt: 5 Sayı: 2

LGS Score Prediction and Modeling of Students with Artificial Intelligence Compatible Algorithms

Yapay Zeka Uyumlu Algoritmalarla Öğrencilerin LGS Puanı Tahmini ve Modellenmesi

Mehmet Bilal Er(HARRAN ÜNİVERSİTESİ)0000-0002-2074-1776
Hasan Celal Balıkçı(HARRAN ÜNİVERSİTESİ)0000-0002-1539-1863
Mustafa Alpsülün(HARRAN ÜNİVERSİTESİ)0000-0003-2928-218X
Zehra Bozdağ(HARRAN ÜNİVERSİTESİ)0000-0002-1119-5275
Ahmet Yıldız(HARRAN ÜNİVERSİTESİ)0000-0003-3992-2240
Ahat Tezcan(HARRAN ÜNİVERSİTESİ)0000-0001-8072-4495
Neslihan Tancı Yıldırım(HARRAN ÜNİVERSİTESİ)0000-0002-3477-4384
Pages
377–402
Publication Date
2023-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

At the same time, the effect of sibling ranking on exam performance was observed and targets for further studies were determined.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The high school entrance exam (LGS) determines the high schools that 8th grade students will attend based on their scores.
📊
Key Findings & Data:Factors affecting students' exam performance were highlighted.
💡
Conclusion & Impact:At the same time, the effect of sibling ranking on exam performance was observed and targets for further studies were determined.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:LGS Puan Tahmini · Makine Öğrenmesi · Eğitimde Yapay Zeka

Abstract

The high school entrance exam (LGS) determines the high schools that 8th grade students will attend based on their scores. With this exam, students' education and training skills are tested. The exam success of students is influenced by factors such as social-economic status, family environment, parental education status, gender and educational data from previous years. It is very important to investigate the effects of these factors on exam success, to predict the current situation and to improve student success in future periods. For this purpose, secondary school student information was analyzed using current machine learning methods. Factors affecting students' exam performance were highlighted. At the same time, the student's exam performance was predicted. The results of our study support the results of previous research in the field. Using various optimization methods, common factors affecting exam performance were identified. These are the average school score of the secondary school student by years, family income status, number and ranking of siblings, and the number of unexcused absences. Subsequently, multiple machine learning methods were used to predict student exam performance. In the experiments, the effective factors were selected with the optimization algorithm Cuckoo's Nest Search Algorithms (CGSA) and a score of 0.866 (R2 accuracy) was obtained with Support Vector Regression analysis. At the same time, the effect of sibling ranking on exam performance was observed and targets for further studies were determined.

Özet

Liselere Giriş Sınavı (LGS) ortaokul 8. sınıf öğrencilerinin girdikleri ve aldıkları puanlara göre okuyacakları liseleri belirlemektedir. Bu sınav ile öğrencinin eğitim öğretim becerileri sınanmaktadır. Öğrencilerin sınav başarısını, öğrencinin sosyal-ekonomik durumu, aile ortamı, ebeveyn eğitim durumu, cinsiyeti ve önceki yıllara ait eğitim verilerinde gibi faktörler etkilemektedir. Bu faktörlerin sınav başarısındaki etkilerinin araştırılması, mevcut durumun tahmin edilebilmesi, gelecek dönemlerdeki öğrenci başarısını iyileştirmede çok önemlidir. Bu amaçla ortaokul öğrenci bilgileri güncel makine ögrenme yöntemleri kullanılarak analiz edilmiştir. Öğrencilerin sınav performansını etkileyen faktörler ön plana çıkarılmıştır. Aynı zamanda öğrencinin sınav performans tahmini yapılmıştır. Çalışmamızın sonuçları alanda daha önce yapılan araştırma sonuçlarını desteklemektedir. Çeşitli optimizasyon yöntemleri kullanarak sınav performansını etkileyen ortak faktörler tespit edilmiştir. Bunlar; ortaokul öğrencisinin yıllara göre okul puan ortalaması, aile gelir durumu, kardeş sayısı ve sıralaması ve özürsüz devamsızlık sayısıdır. Devamında birden fazla makine ögrenme yöntemi kullanılarak öğrenci sınav performans tahmini yapılmıştır. Yapılan deneylerde optimizasyon algoritması olan Guguk Kuşu Arama Algoritmaları (GKAA) ile seçilen etkin faktörler, Destek Vektör Regresyonu analizi ile 0.866 (R2 doğruluk) sınav başarı tahminin skoru elde edilmiştir. Aynı zamanda sınav performansında kardeş sıralamasının etkisi gözlenmiş, ileri çalışmalar için hedefler belirlenmiştir.

🔖

Cite This Article

Er, M. B., Balıkçı, H. C., Alpsülün, M., Bozdağ, Z., Yıldız, A., Tezcan, A., Yıldırım, N. T. (2023). LGS Score Prediction and Modeling of Students with Artificial Intelligence Compatible Algorithms. Necmettin Erbakan Üniversitesi Ereğli Eğitim Fakültesi Dergisi, Cilt: 5 Sayı: 2, 377–402. https://ajindex.com/articles/1532132

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (30)

  1. Adnan, M., & Boz-Yaman, B. (2017). Mühendislik öğrencilerinin e-öğrenmeye dair hazır bulunuşluk ve memnuniyet düzeyleri. Turkish Journal of Computer and Mathematics Education (Turcomat), 2(8), 218-218. https://doi.org/10.16949/turkbilmat.280165
  2. Aşkar, P. (2021). Determinants of academic achievement in Turkey. JECS. https://doi.org/10.26650/jecs2021-934211
  3. Bahar, M. (2013). Impact of studying foreign language preparation class on academic achievement in Turkish Public and Private Selective Schools. Journal of Language Teaching and Research, 6(4). https://doi.org/10.4304/jltr.4.6.1200-1207
  4. Cascio, E., & Schanzenbach, D. (2016). First in the class? Age and the education production function. Education Finance and Policy, 3(11), 225-250. https://doi.org/10.1162/edfp_a_00191
  5. Christian, D., Stuckey, A., Boykin, A., & Adams, J. (2020). Predicting college enrollment of graduating high school seniors: How accurate is self-report?. Professional School Counseling, 1_part_3(23), 2156759X2090351. https://doi.org/10.1177/2156759x20903512
  6. Çakmak, Z., & Yiğen, V. (2023). Liselere giriş sınavına sosyal bilgiler öğretmenlerinin görüşleri doğrultusunda bakış: T.C. İnkılâp Tarihi ve Atatürkçülük dersi örneği. Journal of Innovative Research in Social Studies, 1(6), 19-36. https://doi.org/10.47503/jirss.1298418
  7. Çavuşlu, M. A., Karakuzu, C. & Şahin, S. (2010). Parçacık sürü optimizasyonu algoritması ile yapay sinir ağı eğitiminin FPGA üzerinde donanımsal gerçeklenmesi. Politeknik Dergisi, 13(2), 83-92. Dayıoğlu, M., & Türüt-Aşık, S. (2007). Gender differences in academic performance in a large public university in Turkey. High Educ, 2(53), 255-277. https://doi.org/10.1007/s10734-005-2464-6
  8. Dilekçi, A., Karatay, H., & Koçyiğit, S. (2023). High school entrance exam Turkish questions and opinions of Turkish teachers about the exam. Uludağ Üniversitesi Eğitim Fakültesi Dergisi. https://doi.org/10.19171/uefad.1264535
  9. Filiz, B., & Kaya, D. (2021). Spor bi̇li̇mleri̇ fakültesi̇ öğrenci̇leri̇ni̇n uyku kali̇tesi̇ ve internet bağımlılıklarının akademi̇k başarılarına etki̇si̇. Ankara Üniversitesi Beden Eğitimi ve Spor Yüksekokulu Spormetre Beden Eğitimi ve Spor Bilimleri Dergisi, 51-60. https://doi.org/10.33689/spormetre.730516
  10. Gibbs, B. G., Workman, J., & Downey, D. B. (2016). The (conditional) resource dilution model: State- and community-level modifications. Demography, 3(53), 723-748. https://doi.org/10.1007/s13524-016-0471-0
  11. Gottfried, M. A. (2010). Evaluating the relationship between student attendance and achievement in urban elementary and middle schools. American Educational Research Journal, 2(47), 434-465. https://doi.org/10.3102/0002831209350494
  12. Gökcan, M., & Aktan, D. (2018). Investigation of the variables related to Teog english achievement using language acquisition theory of krashen. Pegegog, 3(8), 531-566. https://doi.org/10.14527/pegegog.2018.021
  13. Isik, E. (2022). Thermoluminescence characteristics of calcite with a Gaussian process regression model of machine learning. Luminescence, 37(8), 1321-1327. https://doi.org/10.1002/bio.4298
  14. Işık, İ., Işık, E. And Toktamış, H. "Dose and fading time estimation of glass ceramic by using artificial neural network method", Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol. 12, no. 1, pp. 47-52, Jan. 2021, https://doi:10.24012/dumf.703171
  15. Koğar, H. (2015). Examination of factors affecting pisa 2012 mathematical literacy through mediation model. EB, 179(40). https://doi.org/10.15390/eb.2015.4445
  16. Kruzicevic, S., Barisic, K., Banozic, A., Esteban, C., Sapunar, D., & Puljak, L. (2012). Predictors of attrition and academic success of medical students: A 30-year retrospective study. Plos One, 6(7), e39144. https://doi.org/10.1371/journal.pone.0039144
  17. MEB. (2018). Millî Eğitim Bakanlığı ortaöğretime geçiş yönergesi. https://www.meb.gov.tr/meb_iys_dosyalar/2018_03/26191912_yonerge.pdf
  18. Özsağlam, M. Y. & Çunkaş, M. (2008). Optimizasyon problemlerinin çözümü için parçaçık sürü optimizasyonu algoritması. Politeknik Dergisi, 11(4), 299-305. Pettersson, E., Larsson, H., D’Onofrio, B., Bölte, S., & Lichtenstein, P. (2020). The general factor of psychopathology: A comparison with the general factor of intelligence with respect to magnitude and predictive validity. World Psychiatry, 2(19), 206-213. https://doi.org/10.1002/wps.20763
  19. Polat, M., & Bilen, E. (2022). Evaluation of cognitive process dimension of Teog and Lgs central exam science questions with revised bloom taxonomy. Türkiye Kimya Derneği Dergisi Kısım C Kimya Egitimi, 1(7), 45-72. https://doi.org/10.37995/jotcsc.1041329
  20. Pontes, T., Silva, B., Sousa, J., Almeida, P., Davis, J., & Polatajko, H. (2016). Measuring children activity repertoire: Is the paediatric activity card sort a good tool for Brazilian therapists?. Cad. Ter. Ocup. UFSCar, 3(24), 435-445. https://doi.org/10.4322/0104-4931.ctoao0754
  21. Rothstein, R.,. Class and schools: Using social, economic, and educational reform to close the black–white achievement Gap, Economic Policy Institute (Bulgaria). Retrieved Jul 18, 2023, from https://policycommons.net/artifacts/1412001/class-and-schools/2026264/ on. CID: 20.500.12592/dg3d6c.
  22. Rohling, M., Langhinrichsen-Rohling, J., & Axelrod, B. (2017). Mild traumatic brain injury. In APA handbook of forensic neuropsychology. (pp. 147–200). American Psychological Association. https://doi.org/10.1037/0000032-007
  23. Sarıoğlan, A., Dolu, G., & Sevim, N. (2021). Analysis of science questions in eighth grade central exams according to cognitive fields of timss-2019. E-Kafkas Eğitim Araştırmaları Dergisi, 3(8), 514-533. https://doi.org/10.30900/kafkasegt.973021
  24. Steelman, L. C., Powell, B. A., Werum, R. E., & Carter, S. L. (2002). Reconsidering the effects of sibling configuration: Recent advances and challenges. Annu. Rev. Sociol., 1(28), 243-269. https://doi.org/10.1146/annurev.soc.28.111301.093304
  25. Whitney, H., Li, H., Drukker, K., Reeve, M., & Giger, M. (2023). Investigation of demographic implicit discrimination and disparate impact in chest radiography image-based Al for Covid-19 severity prediction. Proc.SPIE12467, Medical Imaging 2023: Image Perception, Observer Performance, and Technology Assessment. https://doi.org/10.1117/12.2654076
  26. Yavuz, S., Odabaş, M., & Özdemir, A. (2016). Öğrencilerin sosyoekonomik düzeylerinin Teog matematik başarısına etkisi. EPOD, 1(7). https://doi.org/10.21031/epod.86531
  27. Yildiz, H., & Yoncalik, O. (2019). Ritmik yetenek ile akademik başarı arasındaki ilişki. Opus Uluslararası Toplum Araştırmaları Dergisi. https://doi.org/10.26466/opus.626271
  28. Yüzüak, A. V., & Arslan, T. (2021). Science teachers views about high school entrance exam. Abant İzzet Baysal Üniversitesi Eğitim Fakültesi Dergisi, 3(21),805-819.https://doi.org/10.17240/aibuefd.2021.21.64908-847653
  29. Çavuşlu, M. A., Karakuzu, C. & Şahin, S. (2010). Parçacık sürü optimizasyonu algoritması ile yapay sinir ağı eğitiminin FPGA üzerinde donanımsal gerçeklenmesi. Politeknik Dergisi, 13(2), 83-92.
  30. Özsağlam, M. Y. & Çunkaş, M. (2008). Optimizasyon problemlerinin çözümü için parçaçık sürü optimizasyonu algoritması. Politeknik Dergisi, 11(4), 299-305.