KaydedilenlerDerginizi ekleyin

Dergiler / Anadolu Üniversitesi Sosyal Bilimler Dergisi / 2023 / Cilt: 23 - Sayı: 1

Büyük Veriden Öğrencilerin Öğretim İçerik Tercihlerinin Başarıya Etkisinin Belirlenmesine Yönelik Veritabanlarından Bilgi Keşfi Yöntemi: OULAD Veri Seti Örneği

Can MEŞE
Sayfa
121–138
Yayın Tarihi
2023-03-28
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)

Araştırmanın bulgularına göre öğrencilerin öğretim materyalleri ile etkileşimlerinin başarının bir belirleyicisi olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sanal öğrenme ortamlarında öğrencilerin öğrenme içerikleri ile etkileşimlerinden dolayı çok sayıda veri ortaya çıkmaktadır.
📊
Temel Bulgular & Veri:Ancak öğrencilerin sanal öğrenme ortamında etkileşimde bulundukları öğretim materyallerinin başarı durumlarına etkisinin incelenmesine ihtiyaç duyulmaktadır.
💡
Sonuç & Katkı:Araştırmanın bulgularına göre öğrencilerin öğretim materyalleri ile etkileşimlerinin başarının bir belirleyicisi olduğu görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Veritabanlarından Bilgi Keşfi · Öğrenci-İçerik Etkileşimi · Öğretim Materyali

Özet

Sanal öğrenme ortamlarında öğrencilerin öğrenme içerikleri ile etkileşimlerinden dolayı çok sayıda veri ortaya çıkmaktadır. Bu veriler eğitsel veri madenciliği algoritmaları ile sanal öğrenme ortamlarının tasarımında yol gösterici nitelikte olmaktadır. Ancak öğrencilerin sanal öğrenme ortamında etkileşimde bulundukları öğretim materyallerinin başarı durumlarına etkisinin incelenmesine ihtiyaç duyulmaktadır. Bu tür ihtiyaçlara yönelik yapılan eğitsel veri madenciliği uygulamalarına yönelik izlenmesi gereken bilimsel süreçlerin de ortaya konulması gerekmektedir. Bu araştırmada öğrencilerin sanal öğrenme ortamında farklı öğrenme materyalleri ile etkileşimlerinin başarı durumuna etkisinin ortaya konulmasında veritabanından bilgi keşfi yönteminin kullanılması amaçlanmıştır. Araştırmada büyük veri olarak The Open University Öğrenme Analitiği Veri Seti kullanılmıştır. Bu veri seti ile veritabanından bilgi keşfi yöntemine göre süreç izlenmiş ve karar ağacı algoritmalarından CART algoritması ile araştırma sorularına yanıt aranmıştır. Araştırmanın bulgularına göre öğrencilerin öğretim materyalleri ile etkileşimlerinin başarının bir belirleyicisi olduğu görülmüştür. Bu doğrultuda öğretim tasarımcılarının uzaktan eğitim ortamlarında standartların oluşturulmasına ve etkili bir öğretim tasarımı için tercih edilecek öğretim materyallerinin belirlenmesine yönelik alacakları kararda araştırma bulgularının yol gösterici nitelikte olması öngörülmektedir.

🔖

Bu Makaleye Atıf Yap

MEŞE, C. (2023). Büyük Veriden Öğrencilerin Öğretim İçerik Tercihlerinin Başarıya Etkisinin Belirlenmesine Yönelik Veritabanlarından Bilgi Keşfi Yöntemi: OULAD Veri Seti Örneği. Anadolu Üniversitesi Sosyal Bilimler Dergisi, Cilt: 23 - Sayı: 1, 121–138. https://ajindex.com/articles/884831

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (3)

  1. Adak, M. F. ve Yurtay, N. (2013). Gini algoritmasını kullanarak karar ağacı oluşturmayı sağlayan bir yazılımın geliştirilmesi. Bilişim Teknolojileri Dergisi, 6(3), 1-6. Erişim adresi: https://dergipark.org.tr/tr/pub/gazibtd/issue/6629/87997 Agudo-Peregrina, Á. F., Iglesias-Pradas, S., Conde-González, M. Á. ve Hernández-García, Á. (2014). Can we predict success from log data in VLEs? Classification of interactions for learning analytics and their relation with performance in VLE-supported F2F and online learning. Computers in Human Behavior, 31, 542-550. doi: 10.1016/j.chb.2013.05.031 Akçapınar, G. ve Hasnine, M. N. (2022). Discovering the effects of learning analytics dashboard on students' behavioral patterns using differential sequence mining. Procedia Computer Science, 207, 3818-3825. doi: 10.1016/j.procs.2022.09.443 Aljohani, N. R., Fayoumi, A. ve Hassan, S.-U. (2019). Predicting at-risk students using clickstream data in the virtual learning environment. Sustainability, 11(24), 7238. doi: 10.3390/su11247238 Azevedo, A. ve Azevedo, J. M. (2021). Learning analytics: A bibliometric analysis of the literature over the last decade. International Journal of Educational Research Open, 2, 100084, 1-12. doi: 10.1016/j.ijedro.2021.100084 Azevedo, A. ve Santos, M. F. (2008).
  2. KDD, SEMMA and CRISP-DM: A parallel overview. IADIS European Conference Data Mining, 182–185, MCCSIS 2008. Erişim adresi: http://recipp.ipp.pt/handle/10400.22/136.
  3. Baradwaj, B. K. ve Pal, S. (2011). Mining educational data to analyze students' performance. International Journal of Advanced Computer Science and Applications, 2(6). doi: 10.14569/IJACSA.2011.020609 Calders, T. ve Pechenizkiy, M. (2012). Introduction to the special section on educational data mining. ACM SIGKDD Explorations Newsletter, 13(2), 3-6. doi: 10.1145/2207243.2207245 Costa, E. B., Fonseca, B., Santana, M. A., de Araújo, F. F. ve Rego, J. (2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming courses. Computers in Human Behavior, 73, 247-256. doi: 10.1016/j.chb.2017.01.047 Creswell, J. W. (2012). Educational research: Planning, conducting, and evaluating quantitative (4th Edition). NJ: Prentice Hall Upper Saddle River. Davies, R., Allen, G., Albrecht, C., Bakir, N. ve Ball, N. (2021). Using educational data mining to identify and analyze student learning strategies in an online flipped classroom. Education Sciences, 11(11),