Makine Öğrenmesi Kullanarak Öğrencilerin Özelliklerine Göre Matematik Dersindeki Başarı Durumunun Tahmin Edilmesi
Abstract views: 15
/ 
PDF downloads: 42
Keywords:
Makine Öğrenmesi, Yapay Zekâ, Matematik, Öğrenci Başarı Durumu, Başarı Durumu TahminiAbstract
Bu çalışmanın amacı öğrencilerin özelliklerine, tercihlerine ve ebeveyn eğitim durumlarına bakarak
matematik dersindeki başarı durumunu tahmin etmektir. İlgili çalışmada 1000 öğrencinin cinsiyet, etnik
grup, ebeveyn eğitim durumu, öğle yemeği tercihi, sınava hazırlık durumu, okuma skoru, yazma skoru ve
matematik skoru öznitelikleri kullanılmıştır. Verilerin %70’i eğitim, %30’u ise test için ayrılmıştır.
Matematik skoru için 60 ve üstü ‘Başarılı’, altı ise ‘Başarısız’ olarak kabul edilmiştir. Tahmin sürecinde
KNN, Logistic Regression, Naive Bayes ve Decision Tree algoritmaları kullanılmıştır. Her bir algoritma
için ayrı ayrı Confusion Matrix’ler oluşturulmuş ve Accuracy, Precision ve F1 skorları hesaplanmıştır.
Eğitilen verilerden alınan sonuçlara göre (300 veri) KNN algoritması için True Positive (TP) değeri 61,
True Negative değeri (TN) 187, False Positive (FP) değeri 15 ve False Negative değeri (FP) 37 olarak;
Naive Bayes algoritması için TP değeri 76, TN değeri 175, FP değeri 15 ve FN değeri 22 olarak; Logistic
Regression algoritması için TP değeri 78, TN değeri 187, FP değeri 15 ve FN değeri 20 olarak; Decision
Tree algoritması için ise TP değeri 86, TN değeri 182, FP değeri 20 ve FN değeri 12 olarak bulunmuştur.
Ayrıca elde edilen F1 skorlarına bakıldığında KNN için 0.8201, Naive Bayes için 0.8376, Logistic
Regression için 0.8825 ve Decision Tree için ise 0.8943 değerleri bulunmuştur. Bu sonuçlar ışığında
eğitilen algoritmalar arasında en iyi sonuçları veren algoritmalar sıralaması Decision Tree > Logistic
Regression > Naive Bayes > KNN şeklindedir.
Downloads
References
D. H. Kamens and C. L. McNeely, “Globalization and the growth of international educational testing and national assessment,” Comparative Education Review, vol. 54, pp. 5–25, feb 2010.
Y. KARALI, G. COŞANAY, and H. AYDEMİR“ İlkokul 4. sınıf düzeyi öğrencilerin timss 2019 sonuçlarına göre fen başarı puanlarının okul iklimi değişkeni açısından incelenmesi investigation of science achievement scores of primary school 4th grade students according to timss 2019 results in terms of school climate variable,”
S. Çelenk, “Okul başarısının Ön koşulu: Okul aile dayanısması” İlköğretim Online, vol. 2, no. 2, pp. –, 2003.
E. Şama and K. Tarim, “Öğretmenlerin başarisız olarak algıladıkları öğrencilere yönelik tutum ve davranışları” Journal of Turkish Educational Sciences, vol. 5, no. 1, 2007.
H. S. Savaşçı, “Sosyoekonomik değişkenlerin ve okulun eğitim kaynaklarının ilköğretim 7. sınıf öğrencilerinin akademik başarı düzeyleri ile ilişki durumu” Master’s thesis, Sosyal Bilimler Enstitüsü, 2010.
M. Atılgan, “Üniversite öğrencilerinin ders çalışma alışkanlıkları ile akademik başarılarının karşılaştırılması,” Gaziantep Üniversitesi, Sosyal Bilimler Enstitüsü, Gaziantep, 1998.
G. Eymur and Ö. Geban, “Kimya öğretmeni adaylarının motivasyon ve akademik başarıları arasındaki ilişkinin incelenmesi” Eğitim ve Bilim, vol. 36, no. 161, 2011.
C. Engin-Demir, “Factors influencing the academic achievement of the turkish urban poor,” International Journal of Educational Development, vol. 29, no. 1, pp. 17–29, 2009.
T. Kurt and T. Çalık, “Okul iklimi ölçeğinin (oiö) geliştirilmesi” Eğitim ve Bilim, vol. 35, no. 157, 2010.
S. O. Bütüner and M. Güler, “Gerçeklerle yüzleşme: Türkiye’nin timss matematik başarısı Üzerine bir Çalışma,” 2017.
K. Bozdoğan and M. Yıldırım, “Türk Öğrencilerin uluslararası sınavlardaki fen başarıları ile ilgili Öğretmen görüşlerinin İncelenmesi” Uluslararası Be ̧seri Bilimler ve E ̆gitim Dergisi, vol. 6, no. 14, pp. 491– 515, 2020.
Y. Özkan and V. M. Yöntemleri, “Papatya yayıncılık eğitim” İstanbul, Mayıs-2008, 2013.
M. Aydoğan and A. Karcı, “Meslek yüksekokulu öğrencilerinin başarı performanslarının makine öğrenmesi yöntemleri ile analizi” in International Symposium on Multidisciplinary Studies and Innovative Technologies, 2018.
I. H. M. Paris, L. S. Affendey, and N. Mustapha, “Improving academic performance prediction using voting technique in data mining,” International Journal of Computer and Information Engineering, vol. 4, no. 2, pp. 306–309, 2010.
S. R. Safavian and D. Landgrebe, “A survey of decision tree classifier methodology” IEEE transactions on systems, man, and cybernetics, vol. 21, no. 3, pp. 660–674, 1991.
