Dergiler / Türk Bilgisayar ve Matematik Eğitimi Dergisi / 2020 / Cilt: 11 - Sayı: 2

Üniversite Öğrencilerinin Ödev Gönderme Davranışları ile Ders Başarıları Arasındaki İlişkinin Süreç Madenciliği Analizi ile İncelenmesi

Analyzing the Relationship between Student’s Assignment Submission Behaviors and Course Achievement through Process Mining Analysis

Sayfa
386–401
Yayın Tarihi
2020-08-31
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)

Elde edilen bulgular, dersten başarısız olma ihtimali yüksek olan öğrencilerin erken haftalarda belirlenmesinde ve bu öğrencilere yönelik olası müdahalelerin tasarlanmasında yol gösterici olacaktır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada üniversite öğrencilerinin ödev gönderme davranışları ile ders başarıları arasındaki ilişkinin incelenmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Bu amaçla, bir devlet üniversitesinde İşletim Sistemleri ve Uygulamaları dersine kayıtlı 75 öğrencinin Moodle öğrenme yönetim sistemi üzerinden dersin dördüncü haftasında verilen bir ödevi gönderme davranışları analiz edilmiştir.
💡
Sonuç & Katkı:Elde edilen bulgular, dersten başarısız olma ihtimali yüksek olan öğrencilerin erken haftalarda belirlenmesinde ve bu öğrencilere yönelik olası müdahalelerin tasarlanmasında yol gösterici olacaktır.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Öğrenme analitikleri · ödev · eğitsel veri madenciliği

Özet

Bu çalışmada üniversite öğrencilerinin ödev gönderme davranışları ile ders başarıları arasındaki ilişkinin incelenmesi amaçlanmıştır. Bu amaçla, bir devlet üniversitesinde İşletim Sistemleri ve Uygulamaları dersine kayıtlı 75 öğrencinin Moodle öğrenme yönetim sistemi üzerinden dersin dördüncü haftasında verilen bir ödevi gönderme davranışları analiz edilmiştir. Aynı zamanda farklı ödev gönderme davranışı sergileyen öğrenciler dönem sonu notları açısından da analiz edilmiştir. Analiz aşamasında, öğrencilerin ödev gönderirken izledikleri adımlar sıralı olarak belirlenmiş ve kümeleme analizi yardımı ile benzer örüntü sergileyen öğrenciler gruplara ayrılmıştır. Aynı zamanda süreç madenciliği analizi kullanılarak farklı gruplardaki öğrencilerin ödev gönderme süreçleri detaylı olarak analiz edilmiştir. Yapılan analizler, öğrencilerin ödev gönderme davranışlarına göre üç farklı gruba ayrılabileceğini göstermiştir. Ders başarısı açısından bakıldığında ise ödevi gönderen öğrencilerin önemli bir bölümünün dersten başarılı olduğu gözlemlenirken, ödev gönderiminde bulunmayan öğrencilerin önemli bir bölümünün dersten başarısız olduğu görülmüştür. Elde edilen bulgular, dersten başarısız olma ihtimali yüksek olan öğrencilerin erken haftalarda belirlenmesinde ve bu öğrencilere yönelik olası müdahalelerin tasarlanmasında yol gösterici olacaktır.

Abstract

In this study, it is aimed to analyze the relationship between student’s assignment submission behaviors and course achievement. For this purpose, the behaviors of 75 students’ who enrolled in the Operating Systems and Applications course at a public university, submission an assignment through the Moodle learning management system given in the fourth week of the course is analyzed. Students who exhibit different assignment submission behaviors are also analyzed in terms of end-of-term grades. During analyzing, the steps followed by the students while submitting their assignments are determined respectively, and students who display a similar pattern are divided into groups by means of cluster analysis. Moreover, using process mining analysis assignment submission processes of students in different groups are analyzed in detail. The analysis shows that students can be divided into three different groups based on their assignment submission behaviors. In terms of course achievement, it is observed that a significant portion of the students who submitted the assignments are successful in the course, while a significant portion of the students who did not submit the assignment failed. The findings will be guideway in determining the students who are likely to fail the course in the early weeks and in designing possible interferences for these students.

🔖

Bu Makaleye Atıf Yap

AKÇAPINAR, G., KOKOÇ, M. (2020). Üniversite Öğrencilerinin Ödev Gönderme Davranışları ile Ders Başarıları Arasındaki İlişkinin Süreç Madenciliği Analizi ile İncelenmesi. Türk Bilgisayar ve Matematik Eğitimi Dergisi, Cilt: 11 - Sayı: 2, 386–401. https://ajindex.com/articles/241118

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Akçapınar, G., Altun, A., & Aşkar, P. (2019). Using learning analytics to develop early-warning system for at-risk students. International Journal of Educational Technology in Higher Education, 16(1), 40. Bayrak, F. (2018). Üniversite öğrencilerinin karma öğrenme ortamındaki akademik erteleme davranışları. Ege Eğitim Dergisi, 19(2), 470-487.
  2. Broadbent, J. (2017). Comparing online and blended learner's self-regulated learning strategies and academic performance. The Internet and Higher Education, 33, 24–32.
  3. Cerezo, R., Sánchez-Santillán, M., Paule-Ruiz, M. P., & Núñez, J. C. (2016). Students' LMS interaction patterns and their relationship with achievement: A case study in higher education. Computers & Education, 96, 42-54.
  4. Cerezo, R., Esteban, M., Sánchez-Santillán, M., & Núñez, J. C. (2017). Procrastinating behavior in computer-based learning environments to predict performance: A case study in Moodle. Frontiers in Psychology, 8, 1403. doi: 10.3389/fpsyg.2017.01403 Conijn, R., Snijders, C., Kleingeld, A., & Matzat, U. (2017). Predicting Student Performance from LMS Data: A Comparison of 17 Blended Courses Using Moodle LMS. IEEE Transactions on Learning Technologies, 10(1), 17–29. doi:10.1109/tlt.2016.2616312 Dabbagh, N., & Kitsantas, A. (2005). Using web-based pedagogical tools as scaffolds for self-regulated learning. Instructional Science, 33(5-6), 513-540.
  5. Gabadinho, A., Ritschard, G., Müller, N. S., & Studer, M. (2011). Analyzing and visualizing state sequences in R with TraMineR. Journal of Statistical Software, 40(4), 1-37.
  6. Graham, C. R. (2006). Blended learning systems: Definition, current trends, and future directions. In C. J. Bonk, & C. R. Graham (Eds.), The handbook of blended learning: Global perspectives, local designs (pp. 3e21). San Francisco: Pfeiffer. http://doi.org/10.2307/4022859.
  7. Huang, S., & Fang, N. (2013). Predicting student academic performance in an engineering dynamics course: A Comparison of four types of predictive mathematical models. Computers & Education, 61, 133-145.
  8. Jo, II-Hyun, Park, Y., Kim, J., & Song, J. (2014). Analysis of online behavior and prediction of learning performance in blended learning environments. Educational Technology International, 15(2), 71-88.
  9. Kokoç, M., & Altun, A. (2019). Building a learning experience: What do learners' online interaction data imply? In D. G. Sampson, D. Ifenthaler, J. M. Spector, P. Isaias, & S. Sergis (Eds.), Learning technologies for transforming teaching, learning and assessme