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:Öz 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:Anahtar Kelimeler Eğitsel Veri Madenciliği · Öğrenme Analitikleri
Özet
Öz 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.
GÜLDAL, H., ÇAKICI, Y. (2017). Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 21 - Sayı: 4, 1355–1367. https://ajindex.com/articles/27927
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
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
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.
Baldi, P., ve Brunak, S. (2001). Bioinformatics - The machine learning approach. Machine Learning. 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
Bhardwaj, B. K. (2011). Data Mining: A prediction for performance improvement using classification. (IJCSIS) International Journal of Computer Science and Information Security, 9(4). 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+an d+regression+trees#0 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
Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. ve Zanasi, A. (1998). Discovering data mining: from concept to implementation. Prentice Hall. 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
Del, A. (2016). Predicting academic performance in traditional environments at highereducation institutions using data mining: A review, (February 2017).
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
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 Kau