Öğrenci Bilgi Seviyesinin Veri Madenciliği Yöntemleri ile Belirlenmesi ve Tahmin Edilmesi

Öğretmenler açısından öğrencilerin herhangi bir konuda bilgi düzeylerinin bilinmesi oldukça önemlidir. Bu doğrultuda öğrencilerin bilgi düzeylerinin ölçülmesi veya belirlenmesine yönelik olarak çalışmalar literatürde mevcuttur. Yapılan çalışmalara genel olarak bakıldığında öğrenci bilgi düzeyinin belirlenebilmesi için nicel veya nitel araştırma yöntemlerinin kullanıldığı görülmüştür. Bu makalede gerçekleştirilen çalışmada ise öğrenci bilgi seviyesinin veri madenciliği yöntemleri kullanılarak tespit edilebilmesi amaçlanmıştır. Bilgi seviyelerinin oluşturulması işlemi için bölümleyici yöntemler arasında en çok kullanılan k-ortalamalar yöntemi kullanılmıştır. Çalışmadaki veri seti için, bilgi seviyelerinin optimum olarak 4 gruba ayrılması gerektiği görülmektedir. Bilgi seviyesinin tahmini için ise regresyon analizi tercih edilmiştir. Bu çalışma için sınıflandırma temelli olan lojistik regresyon modeli, sınıflandırma ve regresyon ağaçları modeli ve son olarak destek vektör regresyon modelleri kullanılmıştır. Sonuç olarak lojistik regresyon modeli %87, sınıflandırma ve regresyon ağaçları modeli %84.38 ve son olarak destek vektör regresyon modeli %82.66 oranında başarılı bir şekilde tahmin gerçekleştirmiştir.

For teachers, knowing students' knowledge levels on any given subject is crucial. Studies on measuring or determining student knowledge levels exist in the literature. Generally, these studies utilize both quantitative and qualitative research methods to determine student knowledge levels. This article aims to determine student knowledge levels using data mining methods. The k-means method, the most commonly used method among segmentation methods, was employed to create knowledge levels. For the dataset used in this study, it was determined that knowledge levels should be optimally divided into four groups. Regression analysis was chosen for estimating knowledge levels. For this study, the classification-based logistic regression model, the classification and regression tree model, and finally, the support vector regression models were used. As a result, the logistic regression model achieved a 87% success rate in prediction, the classification and regression tree model 84.38%, and the support vector regression model 82.66%.