{
    "article_id": 1459,
    "public_id": "7908a7a5-fe7a-4807-afeb-99015a209583",
    "internal_identifier": null,
    "source_identifier": "90:8",
    "status": "published",
    "type": "research_article",
    "title": "Öğrenci Bilgi Seviyesinin Veri Madenciliği Yöntemleri ile Belirlenmesi ve Tahmin Edilmesi",
    "title_secondary": null,
    "abstract": "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.",
    "language": "tr",
    "english_title": "Determining and Predicting Student Knowledge Levels Using Data Mining Methods",
    "english_abstract": "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%.",
    "doi": "10.36287/setsci.6.1.016",
    "doi_url": "https://doi.org/10.36287/setsci.6.1.016",
    "resource_url": "https://www.set-science.com/a/7908a7a5-fe7a-4807-afeb-99015a209583",
    "pdf_url": "https://www.set-science.com/a/7908a7a5-fe7a-4807-afeb-99015a209583/pdf",
    "og_image": "https://www.set-science.com/assets/img/og-card-v2.png",
    "authors": [
        {
            "public_id": "c93bcb99-0dad-4fdf-945f-4174e3178db9",
            "given": "Sezer",
            "family": "Seven",
            "full": "Sezer Seven",
            "literal": null,
            "orcid": null,
            "orcid_url": null,
            "email": "sezerseven@atauni.edu.tr",
            "corresponding": true,
            "sequence": "first",
            "affiliations": [
                {
                    "name": "Atatürk Üniversitesi",
                    "department": null,
                    "country": null,
                    "country_code": null,
                    "ror": null,
                    "ror_url": null
                }
            ]
        },
        {
            "public_id": "00348531-7d39-4c57-9c20-44bd9a0d39d3",
            "given": "Tolga",
            "family": "Aydın",
            "full": "Tolga Aydın",
            "literal": null,
            "orcid": null,
            "orcid_url": null,
            "email": "atolga@atauni.edu.tr",
            "corresponding": false,
            "sequence": "additional",
            "affiliations": [
                {
                    "name": "Atatürk Üniversitesi",
                    "department": null,
                    "country": null,
                    "country_code": null,
                    "ror": null,
                    "ror_url": null
                }
            ]
        },
        {
            "public_id": "3ea9d386-a3ec-4642-aca9-62ee434bc7c5",
            "given": "Güler",
            "family": "Karaman",
            "full": "Güler Karaman",
            "literal": null,
            "orcid": null,
            "orcid_url": null,
            "email": "karaman.guler@hbv.edu.tr",
            "corresponding": false,
            "sequence": "additional",
            "affiliations": [
                {
                    "name": "Ankara Hacı Bayram Veli Üniversitesi ",
                    "department": null,
                    "country": null,
                    "country_code": null,
                    "ror": null,
                    "ror_url": null
                }
            ]
        }
    ],
    "keywords": [
        "Bilgi Seviyesi",
        "Regresyon Modeli",
        "Veri Madenciliği",
        "K-Ortalamalar",
        "Sınıflandırma"
    ],
    "translations": [
        {
            "language": "en",
            "title": "Determining and Predicting Student Knowledge Levels Using Data Mining Methods",
            "abstract": "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%.",
            "keywords": [
                "Knowledge Level",
                "Regression Model",
                "Data Mining",
                "K-Means",
                "Classification"
            ]
        }
    ],
    "subjects": [],
    "subject_names": [],
    "published_date": "2023-12-29",
    "published_year": "2023",
    "received_date": null,
    "accepted_date": null,
    "volume": "15",
    "issue": null,
    "page_first": "36",
    "page_last": "39",
    "article_number": null,
    "conference": {
        "short_name": "BMYZ2023",
        "full_title": "Cognitive Models and Artificial Intelligence Conference",
        "name": "Cognitive Models and Artificial Intelligence Conference",
        "acronym": "BMYZ2023",
        "location": "Ankara, Türkiye",
        "start_date": "2023-10-26",
        "end_date": null,
        "public_id": "dc3a47c3-f4b3-4059-b610-f99aca33d7a0"
    },
    "proceedings": {
        "title": "Cognitive Models and Artificial Intelligence Conference",
        "series_title": "SETSCI Conference Proceedings",
        "publisher": "SET Technology",
        "isbn": "978-605-69925-7-5",
        "eisbn": null,
        "issn": null,
        "eissn": "2687-5527",
        "doi": null,
        "doi_prefix": "10.36287",
        "slug": "setsci-volume-15-2023-legacy-90",
        "public_id": "33fc699d-0ab3-4057-b2e0-644dc89f900d",
        "url": "https://www.set-science.com/p/setsci-volume-15-2023-legacy-90"
    },
    "license": {
        "name": "CC BY 4.0",
        "url": "https://creativecommons.org/licenses/by/4.0/",
        "code": "CC-BY-4.0",
        "open_access": true
    },
    "copyright": {
        "holder": "SET Technology",
        "year": "2023"
    },
    "funding_statement": null,
    "funders": [],
    "references": [
        {
            "order": 1,
            "raw": "Çokluk, Ö. (2010). Lojistik regresyon analizi: Kavram ve uygulama. Kuram ve uygulamada eğitim bilimleri, 10(3), 1357-1407.\r\n\r\nTimofeev, R. (2004). Classification and regression trees (CART) theory and applications. Humboldt University, Berlin, 54.\r\n\r\nGökdere, M., & Ayvacı, H. Ş. (2004). Sınıf öğretmenlerinin üstün yetenekli çocuklar ve özellikleri ile ilgili bilgi seviyelerinin belirlenmesi. Ondokuz Mayıs Üniversitesi Eğitim Fakültesi Dergisi, (18), 17-26.\r\n\r\nKaramustafaoğlu, S., & Yalnız, S. (2016). 8. Sınıf öğrencilerinin genel kültür seviyelerinin belirlenmesi.\r\n\r\nİncekara, S., & Tuna, F.(2010). Ortaöğretim Öğrencilerinin Çevresel Konularla İlgili Bilgi Düzeylerinin Ölçülmesi: Çankırı İli Örneği. Marmara Coğrafya Dergisi, (22), 168-182.\r\n\r\nTimofeev, R. (2004). Classification and regression trees (CART) theory and applications. Humboldt University, Berlin, 54.\r\n\r\nÖzkan, Y. (2020). Veri madenciliği yöntemleri. Papatya Yayıncılık Eğitim.\r\n\r\nGirginer, N., & Cankuş, B. (2008). Tramvay yolcu memnuniyetinin lojistik regresyon analiziyle ölçülmesi: Estram örneği. Yönetim ve Ekonomi Dergisi, 15(1), 181-193.\r\n\r\nIşığıçok, E. (2003). Bebeklerin doğum ağırlıklarını ve boylarını etkileyen faktörlerin lojistik regresyon analizi ile araştırılması. IV. Ulusal Ekonometri ve İstatistik Sempozyumu, 3.\r\n\r\nAwad, M., & Khanna, R. (2015). Support vector regression. In Efficient learning machines (pp. 67-80). Apress, Berkeley, CA.\r\n\r\nCebeci, Z., Yıldız, F., & Kayaalp, G. T. (2015). K-ortalamalar kümelemesinde optimum K değeri seçilmesi. 2. Ulusal Yönetim Bilişim Sistemleri Kongresi. Erzurum, 8-10.\r\n\r\nPınar, M., Okumuş, O., Turgut, U. O., Kalıpsız, O., & Aktaş, M. S. (2017). Büyük veri içeren öneri sistemleri için hiperparametre optimizasyonu. Ulusal Yazılım Mühendisliği Sempozyumu, 22-272.\r\n\r\nYıldırım, A., & Simsek, H. (1999). Sosyal Bilimlerde Nitel Araştırma Yöntemleri (12. baskı: 1999-2021).\r\n\r\nNacar, A. (2019). Öğretmenlerin Eğitime İnanma Düzeyleri ile İşe Bağımlılık Düzeyleri Arasındaki İlişki: Kahramanmaraş İli Örneği. (Yüksek Lisans Tezi). Kahramanmaraş: Sütçü İmam Üniversitesi Sosyal Bilimler Enstitüsü.\r\n\r\nKarasar, N. (2014). Bilimsel Araştırma Yöntemi: Kavramlar, İlkeler, Teknikler. 26. bs. Ankara: Nobel Yayın Dağıtım",
            "doi": null,
            "title": null,
            "authors": null,
            "source": null,
            "year": null,
            "volume": null,
            "pages": null
        }
    ],
    "statements": {
        "acknowledgements": null,
        "conflict_of_interest": null,
        "data_availability": null,
        "ai_disclosure": null
    },
    "credit": [],
    "history": {
        "published": "2023-12-29"
    }
}