Modeling Students' Academic Performance Based on Their Interactionsinan Online Learning Environment

Öğrencilerin Akademik Performanslarının Çevrimiçi Öğrenme Ortamındaki Etkileşim Verilerine Göre Modellenmesi

Özet

Bu çalışmanın amacı çevrimiçi öğrenme ortamındaki etkileşim verilerine göre öğrencilerin Bilgisayar Donanımı dersine ilişkin akademik performanslarının modellenmesidir. Çalışmada kullanılan veriseti öğrencilerin çevrimiçi öğrenme ortamındaki log verilerinden elde edilen 10 adet değişkenive sınıf(tahmin)değişkeni olarak da öğrencilerin akademik performanslarının yansıması olan dönem sonu notlarını içermektedir. Yapılan analizlerde 3 farklı veri madenciliği algoritmasının (NaïveBayes,Karar Ağacıve CN2) sınıflama performansı karşılaştırılmıştır. Elde edilen modellerin tahmin performanslarının karşılaştırılması için Doğru Sınıflama Oranı (DSO) ve ROC Altında Kalan Alan(EAKA)metrikleri kullanılmıştır. Tüm analizler Orange veri madenciliği yazılımı ile gerçekleştirilmiştir ve elde edilen modellerin genelleştirilmesi için 10k çapraz geçerlilik yöntemi kullanılmıştır. Analiz sonuçları çapraz tablo, karar ağacı ve eğer-ise kurallar dizisi şeklinde sunulmuştur.

Abstract

The aim of this study is to model students' academic performance based on their interactionsinan onlinelearningenvironment.Thedatasetincludes 10inputattributes extractedfromstudents'learning interaction data. As an output (class) variable, the final grades obtained from theirComputer Hardware course were used. The modeling performance of three different classification algorithms were tested (naïve Bayes classifier, classification tree and CN2 rules) on the dataset. All analyses were performed using the Orange data mining tool, and the models were evaluated using ten-fold cross-validation. The results of analysis were presented as a confusion matrix, a decision tree, and if-then rules. The predictive performance of the algorithms was also tested and compared using the classification accuracy (CA), and area under the ROC Curve (AUC) metrics. The experimental results indicate that the naïve Bayes algorithm outperforms other classification algorithms when compared using the CA and AUC metrics. The naïve Bayes algorithm correctly classified 75.4% of the students according to their grade for the course (Fail, Pass, and Good). The classification model also accurately predicted 81.5% of the students who failed, and 91.8% of the students who passed the course. On the other hand, the classification tree and the CN2 algorithms generated models which can be used with confidencein decision making processes by non-expert data mining users.