AI Summary & Key Takeaways
AI InsightIn the last phase, clustering results are reported through MySQL database management system.
📌 3 Key Takeaways
Abstract
Higher education institutions benefit from various evaluation systems for the purpose of raising their teaching qualities. The sufficiency of academic service is investigated and arrangements for improving teaching quality are made using these systems. In this study, an approach is proposed to investigate and report student perception-based evaluations together with academic knowledgeactivities of instructors for teaching quality in Bartın University. This approach has three phases: i) Constituting teaching quality database, ii) Clustering study for this database, iii) Reporting the results using MySQL-based server. In the first phase, database is constituted from evaluations of instructors and their students in Bartın University. In the second, this database is classified using k-means algorithm and Silhouette index. Therewith, the database is separated into three clusters. Population means of these clusters are significantly different. By discriminant analysis, the clustering has 100.0% validity-rate. In the last phase, clustering results are reported through MySQL database management system.
Özet
Yükseköğretim kurumları mevcut öğretim kalitelerini yükseltecek hedefleri belirlemede çeşitli değerlendirme sistemlerinden yararlanmaktadır. Bu sistemlerle, akademik hizmetlerin yeterliliği araştırılmakta ve öğretim kalitesini artırıcı düzenlemeler yapılmaktadır. Bu çalışmada, Bartın Üniversitesi öğretim kalitesi için öğrenci algısına ve öğretim üyesi akademik deneyim-faaliyetlerine dayalı değerlendirmelerin birlikte incelendiği ve raporlandığı bir yaklaşım önerilmektedir. Önerilen yaklaşım üç aşamadan oluşmaktadır: i) Öğretim kalitesi veritabanını oluşturma, ii) Bu veritabanı ile kümeleme çalışması, iii) Sonuçların MySQL-tabanlı sunucu ile raporlanması. İlk aşamada, Bartın Üniversitesi öğretim üyeleri ve öğrencilerinden elde edilen değerlendirmeler ile veritabanı oluşturulmaktadır. İkincide ise, bu veritabanı k-ortalama algoritması ve Silhouette indeksi kullanılarak sınıflandırılmaktadır. Buna göre, öğretim kalitesi veritabanı üç kümeye ayrılmaktadır. Bu kümelere ilişkin kitle ortalamaları istatistiksel olarak farklıdır. Diskriminant analizine göre, bu kümelenme %100,0 geçerlilik-oranına sahiptir. Son aşamada, kümeleme sonuçları MySQL veritabanı yönetim sistemi ile raporlanmaktadır.