KaydedilenlerDerginizi ekleyin

Dergiler / Current Perspectives in Social Sciences / 2017 / Volume: 21 Issue: 4

Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi

Hakan Güldal0000-0003-4520-4421
Yılmaz Çakıcı0000-0003-4520-4421
Sayfa
—
Yayın Tarihi
2017-12-20
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Araştırma sonucunda elde edilen bulgulara göre, sınıflandırma algoritmalarının doğruluk değerlerinin %55.7 ile %64.3 arasında olduğu ve DYS yazılımındaki ödevlerden elde edilen öğrenci etkileşimlerinin en yüksek bilgi kazancını sağladığı ortaya çıkmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu araştırmanın amacı, Ders Yönetim Sistemi Yazılımı (DYS) kullanan öğrencilerin sistemle olan etkileşimlerine dayalı olarak veri madenciliği sınıflandırma algoritmaları ile öğrencilerin akademik başarılarının ne ölçüde tahmin edilebileceğini ve onların akademik başarılarının tahmin edilmesinde algoritmalara hangi etkileşimlerin bilgi kazancı sağladığını belirlemektir.
📊
Temel Bulgular & Veri:Araştırma verileri, Trakya Üniversitesi Eğitim Fakültesinde 2015-2016 eğitim öğretim yılında öğrenim görmekte olan 70 öğrencinin Bulutders DYS yazılımını kullanma sürecindeki etkileşimlerinden elde edilmiştir.
💡
Sonuç & Katkı:Araştırma sonucunda elde edilen bulgulara göre, sınıflandırma algoritmalarının doğruluk değerlerinin %55.7 ile %64.3 arasında olduğu ve DYS yazılımındaki ödevlerden elde edilen öğrenci etkileşimlerinin en yüksek bilgi kazancını sağladığı ortaya çıkmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2015-2016 Verileri
⚙️Değişkenler:Eğitsel Veri Madenciliği · Öğrenme Analitikleri

Özet

Bu araştırmanın amacı, Ders Yönetim Sistemi Yazılımı (DYS) kullanan öğrencilerin sistemle olan etkileşimlerine dayalı olarak veri madenciliği sınıflandırma algoritmaları ile öğrencilerin akademik başarılarının ne ölçüde tahmin edilebileceğini ve onların akademik başarılarının tahmin edilmesinde algoritmalara hangi etkileşimlerin bilgi kazancı sağladığını belirlemektir. Araştırma verileri, Trakya Üniversitesi Eğitim Fakültesinde 2015-2016 eğitim öğretim yılında öğrenim görmekte olan 70 öğrencinin Bulutders DYS yazılımını kullanma sürecindeki etkileşimlerinden elde edilmiştir. Veri madenciliği sınıflandırma algoritmaları olarak Naive Bayes, Karar Ağacı (C4.5) ve En Yakın k-Komşu algoritmaları kullanılmıştır. Araştırma sonucunda elde edilen bulgulara göre, sınıflandırma algoritmalarının doğruluk değerlerinin %55.7 ile %64.3 arasında olduğu ve DYS yazılımındaki ödevlerden elde edilen öğrenci etkileşimlerinin en yüksek bilgi kazancını sağladığı ortaya çıkmıştır.

🔖

Bu Makaleye Atıf Yap

Güldal, H., Çakıcı, Y. (2017). Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. Current Perspectives in Social Sciences, Volume: 21 Issue: 4. https://ajindex.com/articles/1342575

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (25)

  1. Ahmad, F., Ismail, N. H. ve Aziz, A. A. (2015). The prediction of students’ academic performance using classification data mining techniques. Applied Mathematical Sciences, 9(129). https://doi.org/10.12988/ams.2015.53289
  2. Akçapınar, G., Altun, A. ve Aşkar, P. (2015). Modeling Students’ Academic Performance Based on Their Interactions with the Online Learning Environment. İlköğretim Online, 14(2), 815–824. https://doi.org/10.17051/io.2015.03160
  3. Akçapınar, G., Coşgun, E. ve Altun, A. (2013). Mining Wiki Usage Data for Predicting Final Grades of Students. Prague 2013 (IAC-ETeL 2013), 1–6.
  4. Baldi, P., ve Brunak, S. (2001). Bioinformatics - The machine learning approach. Machine Learning.
  5. Baradwaj, B. ve Pal, S. (2012). Mining educational data to analyze student’s performance. Internation Journal Od Advamced Computer Science and Applications, 2(6), 63–69. https://doi.org/vol.2,No.6
  6. Bhardwaj, B. K. (2011). Data Mining: A prediction for performance improvement using classification. (IJCSIS) International Journal of Computer Science and Information Security, 9(4).
  7. Breiman, L., Friedman, J. H., Olshen, R. A., ve Stone, C. J. (1984). Classification and Regression Trees. Wadsworth International Group. Retrieved from http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Classification+and+regression+trees#0
  8. Buniyamin, N., Mat, U. Bin ve Arshad, P. M. (2016). Educational data mining for prediction and classification of engineering students achievement. In IEEE 7th International Conference on Engineering Education, ICEED 2015. https://doi.org/10.1109/ICEED.2015.7451491
  9. Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. ve Zanasi, A. (1998). Discovering data mining: from concept to implementation. Prentice Hall.
  10. Christian, T. M. ve Ayub, M. (2014). Exploration of classification using NBTree for predicting students’ performance. In Proceedings of 2014 International Conference on Data and Software Engineering, ICODSE 2014. https://doi.org/10.1109/ICODSE.2014.7062654
  11. Del, A. (2016). Predicting academic performance in traditional environments at higher-education institutions using data mining: A review, (February 2017).
  12. Fayyad, U. M., Weir, N. ve Djorgovski, S. G. (1993). Automated Cataloging And Analysis Of Sky Survey Image Databases: The Skicat System. Cikm, 527–536. https://doi.org/10.1145/170088.170414
  13. Frank, E., Hall, M. A. ve Witten, I. H. (2016). The WEKA Workbench. Online Appendix for "Data Mining: Practical Machine Learning Tools and Techniques" Morgan Kaufmann, Fourth Edition.
  14. Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S. ve Brilliant, L. (2009). Detecting influenza epidemics using search engine query data. Nature, 457(7232), 1012–4. https://doi.org/10.1038/nature07634
  15. Güldal, H. (2015). Servis Olarak Bir Ders Yönetim Sistemi Yazılımı: Bulutders.com. In 5th International Conference on Research in Education – ICRE. Edirne.
  16. Márquez-Vera, C., Cano, A., Romero, C. ve Ventura, S. (2013). Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied Intelligence, 38(3), 315–330. https://doi.org/10.1007/s10489-012-0374-8
  17. Martins, L. L. ve Kellermanns, F. W. (2004). A Model of Business School Students’ Acceptance of a Web-Based Course Management System. Academy of Management Learning & Education, 3(1), 7–26. https://doi.org/10.5465/AMLE.2004.12436815
  18. Mishra, T., Kumar, D. ve Gupta, S. (2014). Mining students’ data for prediction performance. International Conference on Advanced Computing and Communication Technologies, ACCT, 255–262. https://doi.org/10.1109/ACCT.2014.105 Osmanbegović, E. ve Suljić, M. (2012). Data mining approach for predicting student performance. Journal of Economics and Business, X(1), 3–12.
  19. Quinlan, J. R. (1986). Induction of Decision Trees. Machine Learning, 1(1), 81–106. https://doi.org/10.1023/A:1022643204877
  20. Quinlan, J. R. (1992). C4.5: Programs for Machine Learning. Morgan Kaufmann San Mateo California (Vol. 1). https://doi.org/10.1016/S0019-9958(62)90649-6
  21. Shahiri, A. M., Husain, W. ve Rashid, N. A. (2015). A Review on Predicting Student’s Performance Using Data Mining Techniques. Procedia Computer Science, 72, 414–422. https://doi.org/10.1016/j.procs.2015.12.157
  22. Tüzüntürk, S. (2010). Veri̇ Madenci̇li̇ği̇ ve İstati̇sti̇k, (2001), 65–90.
  23. Bhardwaj, B. K. (2011). Data Mining: A prediction for performance improvement using classification. (IJCSIS) International Journal of Computer Science and Information Security, 9(4).
  24. Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. ve Zanasi, A. (1998). Discovering data mining: from concept to implementation. Prentice Hall.
  25. Del, A. (2016). Predicting academic performance in traditional environments at higher-education institutions using data mining: A review, (February 2017).