Journals / Veri Bilimi / 2020 / Cilt: 3 - Sayı: 1

Ortaokul Öğrencilerinin Akademik Başarılarının Eğitsel Veri Madenciliği Yöntemleri İle Tahmini

Pages
1–10
Publication Date
2020-07-13
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)

Sınıflandırıcı algoritmaların uygulanması sonucunda yıl sonu genel başarı ortalaması başarımında lojistik algoritması en iyi tahmini gerçekleştirmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Eğitsel Veri Madenciliği, eğitim ortamlarından gelen benzersiz veri türlerini araştırmak için yöntemler geliştirmek, öğrencileri ve öğrendikleri ortamları daha iyi anlamak için bu yöntemleri kullanmakla ilgilenen yeni bir disiplindir.
📊
Key Findings & Data:Bu çalışmanın amacı, öğrencilerin demografik özelliklerinin ve sosyoekonomik durumlarının öğrencilerin yıl sonu genel başarı ortalamalarına olan etkilerini eğitsel veri madenciliği yöntemleri ile analiz etmektir.
💡
Conclusion & Impact:Sınıflandırıcı algoritmaların uygulanması sonucunda yıl sonu genel başarı ortalaması başarımında lojistik algoritması en iyi tahmini gerçekleştirmiştir.
🔬Design:Modeling & Simulation
📍Scope:2018-2019 Verileri
⚙️Variables:Eğitsel Veri Madenciliği · Ders Başarı Ortalaması Tahmini · Sınıflandırma

Özet

Eğitsel Veri Madenciliği, eğitim ortamlarından gelen benzersiz veri türlerini araştırmak için yöntemler geliştirmek, öğrencileri ve öğrendikleri ortamları daha iyi anlamak için bu yöntemleri kullanmakla ilgilenen yeni bir disiplindir. Eğitsel veri madenciliği, bilgisayar bilimi, eğitim ve istatistik alanlarının birleşimi olarak düşünülebilir. Bu çalışmanın amacı, öğrencilerin demografik özelliklerinin ve sosyoekonomik durumlarının öğrencilerin yıl sonu genel başarı ortalamalarına olan etkilerini eğitsel veri madenciliği yöntemleri ile analiz etmektir. Bu amaçla, 2018-2019 eğitim-öğretim yılı, 2.Dönemi’nde, Yalova ilinde sosyodemografik açıdan farklı 4 resmi ortaokuldaki, 5.6.7.8. sınıf, 1395 ortaokul öğrencisinin, E-Okul Yönetim Bilgi Sisteminden sosyodemografik özelliklerine ilişkin verileri elde edilmiştir. Daha sonra elde edilen verilerden sınıflandırma teknikleri ve algoritmaları ile yıl sonu genel başarım ortalamaları tahmin edilmiştir. Sınıflandırıcı algoritmaların uygulanması sonucunda yıl sonu genel başarı ortalaması başarımında lojistik algoritması en iyi tahmini gerçekleştirmiştir.

🔖

Cite This Article

ABBASOĞLU, B. (2020). Ortaokul Öğrencilerinin Akademik Başarılarının Eğitsel Veri Madenciliği Yöntemleri İle Tahmini. Veri Bilimi, Cilt: 3 - Sayı: 1, 1–10. https://ajindex.com/articles/821865

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (18)

  1. Akgün ÖE, Büyüköztürk Ş, Çakmak EK, Demirel F, Karadeniz Ş. Bilimsel Araştırma Yöntemleri. 3.Bölüm. Örnekleme Yöntemleri
  2. Baskı. Ankara: Pegem Akademi, 2008
  3. Akhtar Z, Niazi K. “The relationship between socio-economic status and learning achievement of students at secondary level”. International Journal of Academic Research, 3(2), 956-961, 2011
  4. Altunkaynak B. Veri Madenciliği Yöntemleri ve R Uygulamaları Kavramlar-Modeller-Algoritmalar. 1.Baskı. Seçkin Yayıncılık, Ankara, 2017
  5. Baker RSJD, Yacef K. “The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining”, Article 1, Vol 1, No 1, Fall 2009
  6. Bourdieu P. “Culture reproduction and social reproduction,” in Knowledge, Education, and Cultural Change, Editor: Brown R. London, Tavistock, 1973
  7. Bourdieu P, Passeron JC. “Reproduction in Education, Society and Culture”, Vol. 4, Newbury Park, CA: Sage, 1990
  8. Bousbia N, Belamri I. Which Contribution Does EDM Provide to Computer-Based Learning Environments? Editor: Peña-Ayala A, Educational data mining (s.3-25). Volume, 524, Newyork, Springer, 2014
  9. Breiman L. “Random Forests”. Machine Learning, 45(1), 5-32, 2001
  10. Coleman, J. S. “Social capital in the creation of human capital”. Am.J. Sociol. 94, S95–S120.doi:10.1086/228943, 1988
  11. Gelbal S. “The effect of socio-economic status of eighth grade students on their achievement”. Turkish Education and Science, 33(150), 1-13, 2008
  12. Gök M. “Makine Öğrenmesi Yöntemleri İle Akademik Başarının Tahmin Edilmesi”. Gazi Üniversitesi Fen Bilimleri Dergisi, Part C, Tasarım Ve Teknoloji, GU J Sci, Part C, 5(3): 139-148, 2017
  13. Gürsoy T. Veri Madenciliğinde Güncel Yaklaşımlar. 1.Baskı, Çağlayan Yayıncılık, İstanbul, 2014
  14. Hämäläinen W, Vinni M. Classifiers for Educational Data Mining. Editors: Romero C, Ventura, S Pechenizkiy, M Baker, RSJD. Handbook of Educational Data Mining, 2011
  15. Hall MA. “Correlation-based Feature Selection for Machine Learning”. Doctoral dissertation, University of Waikato, Dept. of Computer Science, Hamilton, NewZaland, 1999
  16. Jolliffe I. Principal Component Analysis.Editor: Lovric M. International Encyclopedia of Statistical Science. Springer, Berlin, Heidelberg, 2014
  17. Kleinbaum DG, Klein M. Logistic Regression. A Self-Learning Text.Third Edition, Springer New York, 2010
  18. Peña-Ayala A. “Educational Data Mining: A survey and a data mining-based analysis of recent works”. Expert syst