Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightYapılan analizler, düşük akademik performansın okulu bırakma riskini artırdığını; bunun yanı sıra burs gibi destek mekanizmalarının öğrencileri eğitimlerini tamamlamaya teşvik ettiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Öğrenci terkleri, hem bireysel hem de toplumsal ilerleme açısından önemli bir sorun oluşturmaktadır. Yapay zekâ, olası terk durumlarını belirlemek ve bunların nedenlerini analiz etmek amacıyla yaygın biçimde kullanılmaktadır; ancak bu başarı büyük ölçüde veri kümelerinin iyi yapılandırılmasına bağlıdır. Dengesiz veri kümeleri, modellerin çoğunluk sınıfa uyum sağlayarak genelleme yeteneklerinin zayıflamasına yol açabilir. Bu çalışma, yapay zekâ modelleri kullanılarak öğrenci terkinin tahmin edilmesinde veri kümesi dengeleme tekniklerinin etkisini incelemekte ve model kararlarını açıklanabilir yapay zekâ yaklaşımlarıyla yorumlamaktadır. Analizler, kamuya açık Predict Students’ Dropout and Academic Success veri kümesi temelinde gerçekleştirilmiştir. Bu doğrultuda SMOTE, SMOTE-ENN ve SMOTE-Tomek dengeleme teknikleri kullanılarak dört farklı veri seti oluşturuldu ve makine öğrenme modelleri ile eğitildi. %98 doğruluk, kesinlik, duyarlılık, F1 skoru ve 1.00 AUC skoruna ulaşan SMOTE-ENN + CATBoost kombinasyonu en iyi performansı gösteren kombinasyon olarak seçildi ve model yorumlanabilirliği için LIME ve SHAP analizlerine tabi tutuldu. Yapılan analizler, düşük akademik performansın okulu bırakma riskini artırdığını; bunun yanı sıra burs gibi destek mekanizmalarının öğrencileri eğitimlerini tamamlamaya teşvik ettiğini göstermektedir. Bulgular benzer çalışmalara kıyasla hem sınıf dengeleme tekniklerini hem de model açıklanabilirliğini daha geniş bir kapsamla ele almakta ve öğrenci terkinin altında yatan nedenleri açıklanabilir yapay zekâ ile incelemektedir.
Abstract
Student dropout poses a significant challenge to both individual and societal progress. While artificial intelligence is widely used to identify potential dropouts and analyze their causes, its success relies heavily on well-structured datasets. Imbalanced datasets may limit models from achieving good generalization by adapting to the majority class. This study examines the impact of dataset balancing techniques on dropout prediction using artificial intelligence models and interprets model decisions through explainable artificial intelligence, based on the publicly available Predict Students’ Dropout and Academic Success datasets. Accordingly, four different datasets were created using the SMOTE, SMOTE-ENN, and SMOTE-Tomek balancing techniques and were trained with machine learning models. The SMOTE-ENN + CATBoost combination, which achieved 98% accuracy, precision, recall, F1 score, and an AUC score of 1.00, was selected as the best-performing combination and was subjected to LIME and SHAP analyses for model interpretability. The analyses showed that low academic performance increases the risk of dropping out; in addition, support mechanisms such as scholarships encourage students to complete their education. Compared to similar studies, the findings address both class balancing techniques and model explainability within a broader scope and examine the underlying causes of student dropout through explainable artificial intelligence.