Research Article
BibTex RIS Cite

Sınıf Öğretmenliği Öğrencilerinin Mezuniyet Notlarının Regresyon Analizi ve Yapay Sinir Ağları Yöntemleriyle Tahmini / Estimation of Graduation Grades of Primary Education Students by Using Regression Analysis and Artificial Neural Networks

Year 2019, Volume: 10 Issue: 3, 29 - 43, 31.12.2019
https://doi.org/10.19160/ijer.624839

Abstract



Bu araştırmada Akdeniz Üniversitesi Eğitim Fakültesi Sınıf Öğretmenliği
Bölümü’nden 2012-2017 yılları arasında mezun 578 öğrencinin cinsiyet, medeni durum,
kayıt yaşı ve 1. sınıf 1. dönem ara sınav puanları verisi kullanılarak
mezuniyet notlarını tahmin etmek için modeller oluşturulmuştur.
Anonimleştirilmiş öğrenci verisi üzerinde çoklu doğrusal regresyon analizi ve
yapay sinir ağları ile oluşturulan modellerin çapraz değerlendirme sonuçlarında
öğrenci başarısını kestirmede birbirine yakın sonuçlar verdiği görülmüştür.
Ortalama mutlak hata yüzdesi değerleri baz alınarak yapılan değerlendirmede
regresyon analizi modeli %94.30 başarı sağlarken yapay sinir ağları modeli %94.43
başarı sağlamıştır. Modeller öğrenci başarısına etki eden faktörlerin
ağırlıklarını belirlemek için bulgular sağlamıştır. Araştırma kapsamında
geliştirilen modellerin etkili olduğu eğitimde toplam kalite yönetimi
bağlamında sıfır hata hedefinde proaktif pozisyon alarak öğrenci başarısını
artırma gibi çalışmalarında kullanılabileceği söylenebilir.



Supporting Institution

Akdeniz Üniversitesi BAP Birimi

Project Number

SDK-2018-4077

References

  • Akçapınar, G. (2014). Çevrimiçi Öğrenme Ortamındaki Eğitim Verilerine Göre Öğrencilerin Akademik Performanslarını Veri Madenciliği Yaklaşımı ile Modellenmesi. Yayımlanmamış doktora tezi Ankara: Hacettepe Üniversitesi Bilgisayar ve Öğretim Teknolojileri ABD.
  • Akgöbek, Ö. ve Kaya, S. (2011). Veri madenciliği teknikleri ile veri kümlerinden bilgi keşfi:medikal veri madenciliği uygulaması. e-Journal of New World Sciences Academy, 6 (1), 237-245.
  • Alsuwaiket, M. (2018). Measuring academic performance of students in higher education using data mining techniques (Order No. 13872716). Available from Pro Quest Dissertations & Theses Global. (2204780401).
  • Argüden, Y. ve Erşahin, B. (2008). Veri madenciliği veriden bilgiye masraftan değere. ARGE danışmanlık.
  • Aydın, M. (2007). Çağdaş Eğitim Denetimi, 5. Baskı. Ankara: Hatiboğlu Yayınları..
  • Aydın, M. (2014). Eğitim Yönetimi. Kavramlar, Kuramlar, Süreçler, İlişkiler, 10. Baskı. Ankara: Gazi Kitabevi.
  • Aydın, S. (2015). Veri madenciliği ve Anadolu Üniversitesi açık öğretim sisteminde bir uygulama. Eğitim ve Öğretim Araştırmaları Dergisi Journal of Research in Education and Teaching, 4 (3), 36-44.
  • Ayesha, S., Mustafa, T., Sattar, A. R., ve Khan, M. I. (2010). Data mining model for higher education system. Europen Journal of Scientific Research, 43 (1), 24-29. Baradwaj, B. K. ve Pal, S. (2011). Mining educational data to analyze students' performance. International Journal of Advanced Computer Science and Applications, 2 (6), 63-69.
  • Benton, J. (2018). Predicting first-year academic success of african american and White students at predominately White institutions (Order No. 10791386). Available from Pro Quest Dissertations & Theses Global.
  • Bienkowski, M., Feng, M., ve Means, B. (2012). Enhancing Teaching And Learning Through Educational Data Mining And Learning Analytics: An İssue Brief. Washington Bingöl, D. (2010). İnsan Kaynakları Yönetimi. 7. Baskı. İstanbul: Beta Yayınları.
  • Bursalıoğlu, Z. (1991). Okul Yönetiminde Yeni Yapı ve Davranış.8. Baskı. Ankara: Pegem Yayınları.
  • Cunningham, J. A. (2017). Predicting student success in a self-paced mathematics MOOC (Order No. 10272808). Available from Pro Quest Dissertations & T heses Global. (1900990574).
  • Dunham, M. H. (2003). Data mining introductory and advanced topics. New Jersey: Prentice Hall
  • Fayyad, U., Piatetsky-Shapiro, G., ve Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-37.
  • García, E., Romero, C., Ventura, S., ve De Castro, C. (2011). A collaborative educational association rule mining tool. The Internet and Higher Education, 14(2), 77-88.
  • GG. (2019). Gartner Group Web Sayfası. 07 20, 2019 tarihinde https://www.gartner.com/it-glossary/data-mining adresinden alındı.
  • IDC. (2016). IDC Global Research. 12 25, 2016 tarihinde http://www.idc.com adresinden alındı.
  • IEDMS. (2019). International Educaton Data Mining Society. 07 20, 2019 tarihinde http://www.educationaldatamining.org/ adresinden alındı.
  • Kılınç, Ç. (2015). Üniversite öğrenci başarısı üzerine etki eden faktörlerin veri madenciliği yöntemleri ile incelenmesi (Yayımlanmamış yüksek lisans tezi Tez No. 415460). YÖK Başkanlığı Tez Merkezi https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=WY5CM7tPNE2z_YM6pBu0t51AOFfDtEC7P8BHiMbdbdZh0odTb6HLCYy8VAo6r2oS adresinden alındı.
  • Kıngır, S. (2013) Toplam Kalite Yönetimi 3. Baskı. Ankara: Nobel yayınları.
  • Lopez, M. I., Luna, J. M., Romero, C., ve Ventura, S. (2012). Classification via clustering for predicting final marksbased on studentparticipation in forums. 5th International Conference on Educational Data Mining.
  • MEB. (2019). 2023 Vizyonu. 12/09/2019 tarihinde http://2023vizyonu.meb.gov.tr/ adresinden alındı.
  • Mean Absolute Percentage Error (MAPE). (2006). in Encyclopedia of Productionand Manufacturing Management (pp. 462–462). Springer US. https://doi.org/10.1007/1-4020-0612-8_580
  • Özbay, Ö. (2015). Veri madenciliği kavramı ve eğitimde veri madenciliği uygulamaları. Uluslararası Eğitim Bilimleri Dergisi (5), 262-272.
  • Öztürk, A. (2009). Toplam Kalite Yönetimi ve Planlaması. Bursa: Ekin Basım Yayın Dağıtım.
  • Rapid Miner, (2019). Rapid Miner Documentation. 07 20, 2019 tarihinde https://docs.rapidminer.com/ adresinden alındı.
  • SAS. (2019). SAS. 07 20, 2019 tarihinde http://documentation.sas.com/ adresinden sorgulanarak alındı.
  • Şeker, Ş. E. (2008). Bilgisayar kavramları. 06 23, 2019 tarihinde http://bilgisayarkavramlari.sadievrenseker.com/2008/10/02/yapay-sinir-aglari-artificial-neural-networks/ adresinden alındı
  • Şeker, Ş. E. (2014). MIS Sözlük. 06 23, 2019 tarihinde http://mis.sadievrenseker.com/ adresinden alındı.
  • Toprakcı, E. (2017) Sınıf Yönetimi. Ankara: PegemA Yayınları
  • Tortop, N., Aykaç, B., Yayman, H. Ve Özer, M. A. (2007). İnsan Kaynakları Yönetimi. 2. Baskı, Ankara: Nobel Yayınları.
  • Tsai, C. F., Tsai, C. T., Hung, C. S. ve Hwang, P. S. (2011). Data mining techniques for identifying students at risk of failing a computer proficiency test required for graduation. Australasian Journal of Educational Technology, 27 (3), 481-498.
  • Uras, M. (2016). Eğitimin Sosyolojisi. E. Toprakçı (Eds.) Eğitbilim, Pedandragoji. S.217-270). Ankara: Ütopya yayınları.
  • Walter, A. A. (2000). Data MiningI ndustry, Emerging Trendsand New Opportunities, Yayınlanmamış YL Tezi. Massachusetts Institute of Technology.
  • Whitlock, J. L. (2018). Using data science and predictive analytics to understand 4-year university student churn (Order No. 10904502)
  • Witten, I. H., Frank, E. (2005). Data Mining: Practical Machine Learning Tools And Techniques. 2.Baskı, Morgan Kaufmann yayınları, Burlington.
  • YÖK. (2019). Yükseköğretim Kurulu Başkanlığı Tez Merkezi. https://tez.yok.gov.tr adresinden sorgulanmıştır.

Estimation of Graduation Grades of Primary Education Students by Using Regression Analysis and Artificial Neural Networks / Sınıf Öğretmenliği Öğrencilerinin Mezuniyet Notlarının Regresyon Analizi ve Yapay Sinir Ağları Yöntemleriyle Tahmini

Year 2019, Volume: 10 Issue: 3, 29 - 43, 31.12.2019
https://doi.org/10.19160/ijer.624839

Abstract



In this research,
models were developed to estimate the graduation grades of 578 students who
graduated from the Department of Primary Education, Faculty of Education,
Akdeniz University between 2012-2017 by using the data related to gender,
marital status, age of enrollment and midterm exam points of 1st semester of
1st grade. It has been seen that the models formed by regression and artificial
neural networks on anonymized student data give close results in predicting
student success as a result of cross-evaluation. In the evaluation based on
Mean absolute percentage error values, the regression model achieved 94.30%
success and the artificial neural networks model achieved 94.43% success. The
models provided findings to determine the weights of the factors affecting
student achievement. It can be said that the models developed with in the scope
of the research can be used in studies such as zero error in the context of
total quality management, taking proactive positions, increasing student
achievement and guiding.




Project Number

SDK-2018-4077

References

  • Akçapınar, G. (2014). Çevrimiçi Öğrenme Ortamındaki Eğitim Verilerine Göre Öğrencilerin Akademik Performanslarını Veri Madenciliği Yaklaşımı ile Modellenmesi. Yayımlanmamış doktora tezi Ankara: Hacettepe Üniversitesi Bilgisayar ve Öğretim Teknolojileri ABD.
  • Akgöbek, Ö. ve Kaya, S. (2011). Veri madenciliği teknikleri ile veri kümlerinden bilgi keşfi:medikal veri madenciliği uygulaması. e-Journal of New World Sciences Academy, 6 (1), 237-245.
  • Alsuwaiket, M. (2018). Measuring academic performance of students in higher education using data mining techniques (Order No. 13872716). Available from Pro Quest Dissertations & Theses Global. (2204780401).
  • Argüden, Y. ve Erşahin, B. (2008). Veri madenciliği veriden bilgiye masraftan değere. ARGE danışmanlık.
  • Aydın, M. (2007). Çağdaş Eğitim Denetimi, 5. Baskı. Ankara: Hatiboğlu Yayınları..
  • Aydın, M. (2014). Eğitim Yönetimi. Kavramlar, Kuramlar, Süreçler, İlişkiler, 10. Baskı. Ankara: Gazi Kitabevi.
  • Aydın, S. (2015). Veri madenciliği ve Anadolu Üniversitesi açık öğretim sisteminde bir uygulama. Eğitim ve Öğretim Araştırmaları Dergisi Journal of Research in Education and Teaching, 4 (3), 36-44.
  • Ayesha, S., Mustafa, T., Sattar, A. R., ve Khan, M. I. (2010). Data mining model for higher education system. Europen Journal of Scientific Research, 43 (1), 24-29. Baradwaj, B. K. ve Pal, S. (2011). Mining educational data to analyze students' performance. International Journal of Advanced Computer Science and Applications, 2 (6), 63-69.
  • Benton, J. (2018). Predicting first-year academic success of african american and White students at predominately White institutions (Order No. 10791386). Available from Pro Quest Dissertations & Theses Global.
  • Bienkowski, M., Feng, M., ve Means, B. (2012). Enhancing Teaching And Learning Through Educational Data Mining And Learning Analytics: An İssue Brief. Washington Bingöl, D. (2010). İnsan Kaynakları Yönetimi. 7. Baskı. İstanbul: Beta Yayınları.
  • Bursalıoğlu, Z. (1991). Okul Yönetiminde Yeni Yapı ve Davranış.8. Baskı. Ankara: Pegem Yayınları.
  • Cunningham, J. A. (2017). Predicting student success in a self-paced mathematics MOOC (Order No. 10272808). Available from Pro Quest Dissertations & T heses Global. (1900990574).
  • Dunham, M. H. (2003). Data mining introductory and advanced topics. New Jersey: Prentice Hall
  • Fayyad, U., Piatetsky-Shapiro, G., ve Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-37.
  • García, E., Romero, C., Ventura, S., ve De Castro, C. (2011). A collaborative educational association rule mining tool. The Internet and Higher Education, 14(2), 77-88.
  • GG. (2019). Gartner Group Web Sayfası. 07 20, 2019 tarihinde https://www.gartner.com/it-glossary/data-mining adresinden alındı.
  • IDC. (2016). IDC Global Research. 12 25, 2016 tarihinde http://www.idc.com adresinden alındı.
  • IEDMS. (2019). International Educaton Data Mining Society. 07 20, 2019 tarihinde http://www.educationaldatamining.org/ adresinden alındı.
  • Kılınç, Ç. (2015). Üniversite öğrenci başarısı üzerine etki eden faktörlerin veri madenciliği yöntemleri ile incelenmesi (Yayımlanmamış yüksek lisans tezi Tez No. 415460). YÖK Başkanlığı Tez Merkezi https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=WY5CM7tPNE2z_YM6pBu0t51AOFfDtEC7P8BHiMbdbdZh0odTb6HLCYy8VAo6r2oS adresinden alındı.
  • Kıngır, S. (2013) Toplam Kalite Yönetimi 3. Baskı. Ankara: Nobel yayınları.
  • Lopez, M. I., Luna, J. M., Romero, C., ve Ventura, S. (2012). Classification via clustering for predicting final marksbased on studentparticipation in forums. 5th International Conference on Educational Data Mining.
  • MEB. (2019). 2023 Vizyonu. 12/09/2019 tarihinde http://2023vizyonu.meb.gov.tr/ adresinden alındı.
  • Mean Absolute Percentage Error (MAPE). (2006). in Encyclopedia of Productionand Manufacturing Management (pp. 462–462). Springer US. https://doi.org/10.1007/1-4020-0612-8_580
  • Özbay, Ö. (2015). Veri madenciliği kavramı ve eğitimde veri madenciliği uygulamaları. Uluslararası Eğitim Bilimleri Dergisi (5), 262-272.
  • Öztürk, A. (2009). Toplam Kalite Yönetimi ve Planlaması. Bursa: Ekin Basım Yayın Dağıtım.
  • Rapid Miner, (2019). Rapid Miner Documentation. 07 20, 2019 tarihinde https://docs.rapidminer.com/ adresinden alındı.
  • SAS. (2019). SAS. 07 20, 2019 tarihinde http://documentation.sas.com/ adresinden sorgulanarak alındı.
  • Şeker, Ş. E. (2008). Bilgisayar kavramları. 06 23, 2019 tarihinde http://bilgisayarkavramlari.sadievrenseker.com/2008/10/02/yapay-sinir-aglari-artificial-neural-networks/ adresinden alındı
  • Şeker, Ş. E. (2014). MIS Sözlük. 06 23, 2019 tarihinde http://mis.sadievrenseker.com/ adresinden alındı.
  • Toprakcı, E. (2017) Sınıf Yönetimi. Ankara: PegemA Yayınları
  • Tortop, N., Aykaç, B., Yayman, H. Ve Özer, M. A. (2007). İnsan Kaynakları Yönetimi. 2. Baskı, Ankara: Nobel Yayınları.
  • Tsai, C. F., Tsai, C. T., Hung, C. S. ve Hwang, P. S. (2011). Data mining techniques for identifying students at risk of failing a computer proficiency test required for graduation. Australasian Journal of Educational Technology, 27 (3), 481-498.
  • Uras, M. (2016). Eğitimin Sosyolojisi. E. Toprakçı (Eds.) Eğitbilim, Pedandragoji. S.217-270). Ankara: Ütopya yayınları.
  • Walter, A. A. (2000). Data MiningI ndustry, Emerging Trendsand New Opportunities, Yayınlanmamış YL Tezi. Massachusetts Institute of Technology.
  • Whitlock, J. L. (2018). Using data science and predictive analytics to understand 4-year university student churn (Order No. 10904502)
  • Witten, I. H., Frank, E. (2005). Data Mining: Practical Machine Learning Tools And Techniques. 2.Baskı, Morgan Kaufmann yayınları, Burlington.
  • YÖK. (2019). Yükseköğretim Kurulu Başkanlığı Tez Merkezi. https://tez.yok.gov.tr adresinden sorgulanmıştır.
There are 37 citations in total.

Details

Primary Language Turkish
Subjects Studies on Education
Journal Section Educational Sciences and Sciences of Field Education
Authors

Murat Altun

Kemal Kayıkçı

Sezgin Irmak

Project Number SDK-2018-4077
Publication Date December 31, 2019
Published in Issue Year 2019Volume: 10 Issue: 3

Cite

APA Altun, M., Kayıkçı, K., & Irmak, S. (2019). Sınıf Öğretmenliği Öğrencilerinin Mezuniyet Notlarının Regresyon Analizi ve Yapay Sinir Ağları Yöntemleriyle Tahmini / Estimation of Graduation Grades of Primary Education Students by Using Regression Analysis and Artificial Neural Networks. E-Uluslararası Eğitim Araştırmaları Dergisi, 10(3), 29-43. https://doi.org/10.19160/ijer.624839

Creative Commons Lisansı
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)


[email protected]                http://www.e-ijer.com    Address: Ege University Faculty of Education İzmir/Türkiye