Öznitelik Seçme ve Makine Öğrenmesi Yöntemleriyle Eğitmen Performansının Tahmin Edilmesi

Predicting Instructor Performance by Feature Selection and Machine Learning Methods

Özet

Günümüzde hayatın her sektöründe işlenen veri miktarının artması, veri madenciliğingiderek daha popüler hale gelmesine yol açmış ve yüksek miktarda verinin artan bir karmaşıklıktaişlenmesi ihtiyacı doğmuştur. Finanstan, sağlığa, savunmadan eğitime onlarca sektörün sorunlarınıçözmek adına gün geçtikçe farklı yöntemler geliştirilmekte, sosyal, ekonomik, bilimsel birçokproblemin çözümü adına veri madenciliği yöntemlerine başvurulmaktadır. Eğitilen ve eğitensayısının gün geçtikçe arttığı eğitim sektöründe ise, sistemin başarısının geliştirilebilmesi için,gerek eğitilen gerekse eğitimcilerinin performanslarının takip edilmesi ve kıymetlendirilmesiihtiyacı, eğitimsel veri madenciliği kavramını doğurmuştur. Bu alanda yapılan çalışmalar genelolarak, öğrenci performansı konularına yoğunlaştığından, eğitmen performansı konusunda dahaçok çalışmaya ihtiyaç duyulmaktadır. Eğitimsel veri madenciliği alanında öznitelik seçme ilebirleştirilmiş makine öğrenmesi kullanan çalışmaların genel olarak öğrenci performansı üzerineyoğunlaştığı, ancak az sayıdaki çalışmanın eğitmen performansı üzerinde durduğu görülmüştür.Bu çalışmamızda, eğitmen performansının eğitimsel veri madenciliği yöntemleriyle nasıl tespitedilebileceği üzerinde durulmuştur. Çalışma kapsamında Gazi Üniversitesi öğrencilerinineğitmenleri hakkında doldurdukları bir Likert Ölçekli Anket veri seti üzerinde çalışılmış, çeşitliöznitelik indirgeme algoritmaları ve farklı makine öğrenme yöntemleriyle veri setikıymetlendirilmiş ve eğitmenlerin performansları tahmin edilmiştir. Elde edilen sonuçlara göregenetik algoritma ile öznitelik seçmenin, kullanılan veri seti için diğer yöntemlere kıyasla en iyisonucu verdiğini göstermiş ve 33 tane öznitelik yerine 19 öznitelik kullanılabileceği ortayaçıkarılmıştır. Genetik algoritma ile birlikte makine öğrenmesi yöntemi olarak derin öğrenmekullanımı ile birlikte %97,70 bir tahmin doğruluk performansına ulaşılmış ve bu değerin tümözniteliklerin kullanılması ile elde edilebilecek değerden yüksek olduğu görülmüştür. Bu çalışmayıdiğerlerinden farklı kılan özelliği ise, indirgenmiş öznitelik sayısı ve makine öğrenmesinibirleştirmesinin yanında, eğitmen performanslarının sıralanması işlemini de somut olarakyapmasıdır.

Abstract

Today, increasing amount of data in all sector of life, make data mining more popular, and high amount of data in increasing complexity demanded to acquit. Different methods developed day by day, for solving problems at many sectors like finance, health, defense, and education, applied to data mining for many social, economic, and scientific issues. In the education area, where both number of instructors and students always increase, for enhancing system performance, it is needed to observe and evaluate the performance of students and instructors and such situation causes to reveal a new concept Educational Data Mining. Research in this area generally focuses on student performance. Thus, there is a need for research in instructor performance. Research using machine learning combined with attribute selection in the field of educational data mining have focused on student performance in general, but few studies have focused on instructor performance. In this paper, it was discussed how the performance of the instructor can be determined by educational data mining methods. A Likert type questionnaire dataset on opinions of the Gazi University’s student regarding their instructor’s teaching performance is used in this research and different feature reduction, and machine learning algorithms are used for evaluating the data set and performances of instructors. According to the obtained results, it has been revealed that the feature selection with genetic algorithm gives the best result for the used data set compared to the other methods and 19 attributes can be used instead of 33 attributes. Utilizing genetic algorithm and deep learning as a machine learning method has achieved a predictive accuracy performance of 97.70 %, which is higher than the value that can be achieved by using all the attributes. This study differs from the others in that it combines the reduced number of attributes and machine learning, as well as the ordering of instructor performances in concrete terms.