Predicting student academic performance using machine learning: a case study on educational data from bangladesh
Makine öğrenimi kullanarak öğrenci akademik performans tahmini: bangladeş eğitim verileri üzerine bir örnek çalışma
- Tez No: 1002613
- Danışmanlar: DOÇ. DR. İZZET PARUĞ DURU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Gedik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde eğitim sektöründe karşılaşılan sorun, makine öğrenmesi (ML) potansiyellerinin eğitim verilerinde sınırlı kullanımı ya da tamamen yokluğudur. Araştırmamız, ML'nin akademik başarıyı tahmin etmedeki etkinliğini kanıtlayarak bu sorunu çözmeyi amaçlamaktadır. Bu ana hedeften iki temel amaç türetilmiştir: ilki dört ML modelini karşılaştırmak, ikincisi ise akademik başarıyı etkileyen en önemli faktörleri belirlemektir. Belirtilen hedeflere ulaşmak için çalışma, Bangladeş'teki 8.000'den fazla ortaöğretim öğrencisinin verilerini kullanmıştır. Verilen veri setine dayanarak öğrencilerin akademik performansı, beş ortak dersin not ortalamasıyla temsil edilmiş ve önceki notların varlığına dayanmadan tahmin edilmeye çalışılmıştır. Çalışma, veri setinde mevcut olan bağlamsal, davranışsal ve ilişkili değişkenlere dayanmaktadır. Kullanılan modellerden üçü yüzeysel (MLR, DT ve RF), biri ise derin (Feedforward DNN) modeldir. Tüm süreç R ortamında uygulanmış ve sonuçlar bazı dikkat çekici noktaları ortaya koymuştur. Yüzeysel RF modeli, küçük bir farkla derin modele göre daha doğru sonuç vermiştir (R² = 93.3 karşı R² = 93.0). Öğrenci başarısını etkileyen en önemli faktör, modellerin öngörü gücüne hâkim olan öğrenci grubu (sanat, ticaret veya fen) olmuştur. Çalışma süresi ve devam durumu da göz ardı edilemeyecek derecede önemli faktörlerdir. Sonuçların sunulmasına ek olarak, araştırmamız iki Erken Uyarı Sistemi (EWS) geliştirmiştir: hızlı grup taraması için basitleştirilmiş bir sistem ve bireysel tahminler için tam kapsamlı bir EWS. Bu çalışmanın sonuçları ve katkıları, özellikle sanat alanındaki en riskli alt grupları belirlemeye ve değiştirilebilir davranışlar veya diğer faktörlere dayalı proaktif destek sağlamaya yardımcı olacaktır. Sonuç olarak, bu araştırma eğitimde eşitliği ve verimliliği artırmak için ölçeklenebilir bir çerçeve sunmakta ve Sürdürülebilir Kalkınma Hedefi 4: Nitelikli Eğitim ile uyumludur.
Özet (Çeviri)
The problem we face nowadays in the educational sector is represented by the limited use or even the absence of ML applications in educational data. Our research aims to solve this issue by proving the effectiveness of using ML to predict academic performance. Two main objectives were generated from the main goal: the first one is to compare four ML models, while the second is to determine the most important factors affecting academic performance. To achieve the previous goals, the study used data from more than 8,000 secondary school students from Bangladesh. Based on the given dataset, students' academic performance was represented by the average grades of five common courses, where the study tried to predict it without relying on the existence of previous grades. The study depends on the contextual, behavioral, and related variables available in that dataset. Three of the models used were shallow: MLR, DT, and RF, while one was deep: Feedforward DNN. The whole process was implemented in the R environment, and the results revealed some interesting points. The shallow RF model was more accurate than the deep one with a small margin (R² = 93.3 vs. R² = 93.0). The most important factor affecting student performance is student group (arts, commerce, or science), which dominated the predictive power of the models. Study time and attendance also cannot be ignored as important factors. In addition to presenting results, our study contributed to the development of two Early Warning Systems (EWS): a simplified system for quick group screening and a full EWS for individual predictions. The results and the contributions of this study will help to find the most at-risk subgroups—particularly in the arts track—and provide proactive support based on modifiable behaviors or other factors. Ultimately, this research provides a scalable framework to enhance equity and efficiency in education. It is aligned with SDG4: Quality Education.
Benzer Tezler
- Makine öğrenmesi teknikleri kullanılarak Türkiye'deki yabancı öğrencilerin okul terkinin tahmin edilmesi: yemenli öğrenciler üzerine bir örnek çalışma
Predicting school dropout of foreign students in turkey using machine learning techniques: A case study on yemeni students
ANAS AHMED ALI ALHARDI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELAHATTİN ALAN
- Ortaöğretim onuncu sınıf öğrencilerinin başarı durumlarının sınıflama ve faktör analizi ile incelenmesi: Samsun örneği
Analysis of tenth grade secondary school student's academic achievement through classification and factor analysis: The case of Samsun
ARZU GÜNDOĞDU
Yüksek Lisans
Türkçe
2025
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. YÜKSEL ÖNER
- Ortaöğretim özel eğitim kurumlarında, ücretli ve burslu öğrencilerin temel derslerdeki akademik başarı seviyesinin, yapay zeka algoritmalarıyla tahmini: Erzincan ili örneği
Prediction of academic achievement levels in core subjects of scholarship and tuition-paying students in secondary private education institutions using artificial intelligence algorithms: The case of Erzincan province
ESRA TÜRK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYTAÇ UĞUR YERDEN
- Eğitimsel veri madenciliği ve bir uygulaması
Educational data mining and an application
YASEMİN YAKUPOĞLU
Yüksek Lisans
Türkçe
2018
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAŞAR ÖZTAYŞİ
- Yükseköğretim planlama ve karar destek sistemi: Teknoloji fakültesi örneği
Higher education planning and decision support system: A case of technology faculty
ESRA YILMAZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ
PROF. DR. HASAN ERDAL