PREDICTING ACADEMIC ACHIEVEMENT USING DATA MINING METHODS

Mustafa Yağcı

Makale detayları

PREDICTING ACADEMIC ACHIEVEMENT USING DATA MINING METHODS

Yazarlar:

Mustafa Yağcı

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Bilgi Sistemleri (Diğer)

Dergi:

Mühendislik Bilimleri ve Tasarım Dergisi Vol.12 Issue 2, pp.443-454

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001321513

pISSN:

1308-6693

Anahtar kelimeler:

Özet:

 This study proposes a new model to analyze the grade point averages GPAs in the previous semester using data mining algorithms and to predict the final GPAs that students may receive in the following semesters in three gradually expanding categories department, faculty, and university. The performances of the Random Forest, Linear Regression, Support Vector Machines, and k-Nearest Neighbors algorithms, which are among the data mining algorithms, were calculated and compared to estimate the GPAs of the students at the end of the semester. All algorithms applied correctly classified the samples at rates varying between 92 and 94. The proposed model correctly estimated students grade point averages at the end of the semester with an average deviation of 0.28 points over a 4 with a single variable. Students with a high risk of failure can be determined in advance by estimating their final grade point averages.

 This study proposes a new model to analyze the grade point averages GPAs in the previous semester using data mining algorithms and to predict the final GPAs that students may receive in the following semesters in three gradually expanding categories department, faculty, and university. The performances of the Random Forest, Linear Regression, Support Vector Machines, and k-Nearest Neighbors algorithms, which are among the data mining algorithms, were calculated and compared to estimate the GPAs of the students at the end of the semester. All algorithms applied correctly classified the samples at rates varying between 92 and 94. The proposed model correctly estimated students grade point averages at the end of the semester with an average deviation of 0.28 points over a 4 with a single variable. Students with a high risk of failure can be determined in advance by estimating their final grade point averages.

 This study proposes a new model to analyze the grade point averages GPAs in the previous semester using data mining algorithms and to predict the final GPAs that students may receive in the following semesters in three gradually expanding categories department, faculty, and university. The performances of the Random Forest, Linear Regression, Support Vector Machines, and k-Nearest Neighbors algorithms, which are among the data mining algorithms, were calculated and compared to estimate the GPAs of the students at the end of the semester. All algorithms applied correctly classified the samples at rates varying between 92 and 94. The proposed model correctly estimated students grade point averages at the end of the semester with an average deviation of 0.28 points over a 4 with a single variable. Students with a high risk of failure can be determined in advance by estimating their final grade point averages.

 Bu çalışmada, öğrencilerin bir önceki döneme ait dönem sonu not ortalamalarını veri madenciliği yöntemleri ile analiz ederek sonraki dönemlerde alabileceği dönem sonu not ortalamalarını giderek genişleyen 3 kategoride Bölüm, Fakülte, Üniversite bazında tahmin edecek yeni bir model önerilmiştir. Veri seti, Türkiyede bir Devlet Üniversitesindeki tüm öğrenci kayıtlarının tutulduğu Öğrenci Bilgi Sisteminden ÖBS alınmıştır. Veriler, Sınıf öğretmenliği bölümünden 426, Eğitim fakültesinden 2.379 ve Üniversite genelinde eğitim gören 5.149 öğrencinin 2017-2018 Güz ve Bahar Yarıyılı dönem sonu not ortalamalarını içermektedir. Öğrencilerin dönem sonundaki genel not ortalamalarını tahmin etmek için veri madenciliği algoritmalarından rastgele orman, lineer regresyon, destek vektör makineleri ve k-en yakın komşular algoritmalarının başarımı hesaplanmış ve karşılaştırılmıştır. Uygulanan tüm algoritmalar örnekleri 92 ile 94 arasında değişen oranlarda doğru bir şekilde sınıflandırmıştır. Önerilen model, öğrencilerin dönem sonu not ortalamalarını tek bir değişken ile 4 üzerinden 0,28 puanlık ortalama sapma ile doğru tahmin etmiştir. Dönem sonu not ortalamalarının tahmin edilmesi sayesinde başarısız olma riski yüksek olan öğrenciler önceden belirlenebilir.

Makale detayları

PREDICTING ACADEMIC ACHIEVEMENT USING DATA MINING METHODS

Yazarlar:

Mustafa Yağcı

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Bilgi Sistemleri (Diğer)

Dergi:

Mühendislik Bilimleri ve Tasarım Dergisi Vol.12 Issue 2, pp.443-454

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001321513

pISSN:

1308-6693

Data Mining

Machine Learning

Predict Of Academic Performance

Educational Data Mining

Early Warning SystemsVeri madenciliği

Makine öğrenmesi

Eğitsel Veri Madenciliği

Akademik performansın tahmin edilmesi

Erken Uyarı Sistemleri

Sayı

Makale detayları

Yazarlar: Mustafa Yağcı

Yayıncı: Süleyman Demirel University

Ana Başlıklar: Bilgi Sistemleri (Diğer)

Dergi: Mühendislik Bilimleri ve Tasarım Dergisi Vol.12 Issue 2, pp.443-454

Belge Tipi: Makale

Yayın Tarihi: 6/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001321513

pISSN: 1308-6693

Sayı

Yazarlar:

Mustafa Yağcı

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Bilgi Sistemleri (Diğer)

Dergi:

Mühendislik Bilimleri ve Tasarım Dergisi Vol.12 Issue 2, pp.443-454

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001321513

pISSN:

1308-6693