Dergiler / Bilişim Teknolojileri Dergisi / 2013 / Cilt: 6 - Sayı: 3

Öğrencilerin Mezuniyet Notlarının Veri Madenciliği Metotları İle Tahmini

Sayfa
7–16
Yayın Tarihi
2014-01-18
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)

Gerçekleştirilen benzetim çalışmalarında YSA'nın, KA'ya oranla daha iyi tahmin başarımı sağladığı görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kaliteli bir eğitim için Yükseköğretim kurumları yönetimsel ve eğitimsel anlamda doğru kararlar verebilmelidir.
📊
Temel Bulgular & Veri:Bahsedilen problemler hakkında yüksek oranlardaki doğruluklarla tahminler yapılabilmekte ve anlamlı sonuçlar, veri madenciliği yöntemleri ile ortaya çıkarılabilmektedir.
💡
Sonuç & Katkı:Gerçekleştirilen benzetim çalışmalarında YSA'nın, KA'ya oranla daha iyi tahmin başarımı sağladığı görülmüştür.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:– educational data mining · prediction of student’s academic achievements · artificial neural networks

Özet

Kaliteli bir eğitim için Yükseköğretim kurumları yönetimsel ve eğitimsel anlamda doğru kararlar verebilmelidir. Yanlış veya eksik yapılan akademik planlama, başarısız olabilecek öğrenciler, mezun öğrencilerin yol haritaları, okuldan ayrılabilecek öğrenciler gibi konular Yükseköğretim kurumlarının problemlerindendir. Bu problemlerin çözülmesi ve tedbirlerin alınması eğitimin kalitesi için son derece önemlidir. Yükseköğretim kurumlarında eğitime ait giderek artan veriler bulunmaktadır. Giderek artan bu verilerin yönetime, eğitimcilere veya eğitime hiçbir yararı yoktur. Bahsedilen problemler hakkında yüksek oranlardaki doğruluklarla tahminler yapılabilmekte ve anlamlı sonuçlar, veri madenciliği yöntemleri ile ortaya çıkarılabilmektedir. Veri madenciliği yöntemleri akademik müdahaleler için güçlü bir araçtır. Bu çalışmada, veri madenciliği yöntemlerinden olan Yapay Sinir Ağları (YSA) ve Karar Ağaçları (KA) kullanılarak Fırat Üniversitesi, Eğitim Fakültesi, Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümü (BÖTE) öğrencilerinin mezuniyet notlarının tahmin edilmesi gerçekleştirilmiştir. Gerçekleştirilen benzetim çalışmalarında YSA'nın, KA'ya oranla daha iyi tahmin başarımı sağladığı görülmüştür.

Abstract

Kaliteli bir eğitim için Yükseköğretim kurumları yönetimsel ve eğitimsel anlamda doğru kararlar verebilmelidir. Yanlış veya eksik yapılan akademik planlama, başarısız olabilecek öğrenciler, mezun öğrencilerin yol haritaları, okuldan ayrılabilecek öğrenciler gibi konular Yükseköğretim kurumlarının problemlerindendir. Bu problemlerin çözülmesi ve tedbirlerin alınması eğitimin kalitesi için son derece önemlidir. Yükseköğretim kurumlarında eğitime ait giderek artan veriler bulunmaktadır. Giderek artan bu verilerin yönetime, eğitimcilere veya eğitime hiçbir yararı yoktur. Bahsedilen problemler hakkında yüksek oranlardaki doğruluklarla tahminler yapılabilmekte ve anlamlı sonuçlar, veri madenciliği yöntemleri ile ortaya çıkarılabilmektedir. Veri madenciliği yöntemleri akademik müdahaleler için güçlü bir araçtır. Bu çalışmada, veri madenciliği yöntemlerinden olan Yapay Sinir Ağları (YSA) ve Karar Ağaçları (KA) kullanılarak Fırat Üniversitesi, Eğitim Fakültesi, Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümü (BÖTE) öğrencilerinin mezuniyet notlarının tahmin edilmesi gerçekleştirilmiştir. Gerçekleştirilen benzetim çalışmalarında YSA'nın, KA'ya oranla daha iyi tahmin başarımı sağladığı görülmüştür.

🔖

Bu Makaleye Atıf Yap

ŞENGÜR, D., TEKİN, A. (2014). Öğrencilerin Mezuniyet Notlarının Veri Madenciliği Metotları İle Tahmini. Bilişim Teknolojileri Dergisi, Cilt: 6 - Sayı: 3, 7–16. https://ajindex.com/articles/251878

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. J. Luan, “Data Mining, Knowledge Management in Higher Education, Potential Applications”, 42nd Associate of Institutional Research International Conference, Toronto, Canada, 2002
  2. J. Ranjan, S. Khalil,”Conceptual Framework of Data Mining Process in Management Education in India: An Institutional Perspective”, Information Technology Journal. Asian Network for Scientific Computing, 1(7), 16-23, 2008
  3. M. Beikzadeh and N. Delavari,”A New Analysis Model for Data Mining Processes in Higher Educational Systems”, On the proceedings of the 6th Information Technology Based Higher Educationand Training, 7-9, 2005
  4. S. Sembiring, M. Zarlis, D. Hartama, S. Ramliana, E. Wani, Prediction Of Student Academic Performance By An Application Of Data Mining Techniques”, International Conference on Management and ArtificialIntelligence, IPEDR, vol.6, IACSIT Press, Bali, Indonesia, 2011
  5. P. Bresfelean, M. Bresfelean, N. Ghisoiu, “Determining Students’ Academic Failure Profile Founded on Data Mining Methods”, Proceedings of the ITI 2008 30th International Conference on Information Technology Interfaces, 23-26, 2008
  6. J. Mamcenko, I. Sileikiene, J. Lieponiene, Kulvietiene, R., “Analysis of E-Exam Data Using Data Mining Techniques”, In: Proc of 17th International Conference on Information and Software Technologies (IT 2011), Kaunas, Lithuania, 215–219, 2011
  7. Y. Zhang, S. Oussena, T. Clark and H. Kim, “Use data mining to improve student retention in higher education - a case study”. In ICEIS 2010: Proceedings of the 12th International Conference on Enterprise Information Systems, Volume 1: Databases and Information Systems Integration, pages 190-197. INSTICC, Funchal, Portugal, 2010
  8. M. Ramaswami and Bhaskaran R., “A CHAID based performance prediction model in educational data mining”, IJCSI International Journal of Computer Science Issues, 7(1),156-168, 2010
  9. A.S. Bozkir, S.G. Mazman, E.A. Sezer, “Identification of User Patterns in Social Networks by Data MiningTechniques: Facebook Case”, IMCW 2010, Number 96 in CCIS (Communications in computer and information science), 145-153, 2010
  10. S. Mardikyan, B. Badur, “Analyzing Teaching Performance of Instructors Using Data Mining Techniques”, Informatics in Education, 10(2), 245–257, 2011
  11. L. Gaafar and M. Khamis, ”Applications of Data Mining for Educational Decision Support”, Proceedings of the 2009 Industrial Engineering Research Conference, 228-233, 2009
  12. N. Delavari, S. Phon-amnuaisuk and M. Beikzad