Çevrimiçi öğrenme ortamlarında öğrenme analitiği verileri ve makine öğrenmesi kullanarak akademik başarının değerlendirilmesi
Assessment of academic success in online learning environments using learning analytics data and machine learning
- Tez No: 719285
- Danışmanlar: DOÇ. DR. MUSTAFA SERT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Öğrenci başarısının sınıflandırılması, Evrişimsel Sinir Ağı, OHE temsili, Öğrenme analitiği, Öznitelik seçimi, Covid-19, COVID 19, Evrişimli sinir ağları, Öğrenci başarısı, Öğrenme analitikleri, Student performance classification, Convolutional Neural Network, One-hot encoding (OHE), Learning analytics, Feature selection, Covid-19, COVID 19, Convolutional neural networks, Attribute selection, Student achievement
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Covid - 19 salgını döneminde daha önce de kullanılan ancak yaygın olmayan çevrimiçi öğrenme ortamlarının sayısı artmıştır. Bu ortamlarda oluşan öğrenme analitiği verileri üzerinde makine öğrenmesi yöntemleri ile öğrenci başarısının tahmini ve sınıflandırma çalışmaları son yıllarda önem kazanmaktadır. Çevrimiçi öğrenme ortamından elde edilen öğrenme analitiği verileriyle öğrenci başarısı arasındaki ilintinin anlaşılması amacıyla; öğrenci başarısının tahmini ve sınıflandırması yapılmıştır. Veri kümesi üzerinde ilinti (korelasyon), özniteliğin önemi, fisher puanı, selectKbest ve bilgi kazancı öznitelik seçim yöntemleri kullanılarak öğrenci başarısı ile ilintili olan özniteliklerin tespiti yapılmıştır. Seçimi yapılan özniteliklerin normalizasyonu ve verilerin one hot encoding (OHE) yöntemi ile temsili sağlanmıştır. Öğrenci başarısının tahmini ve sınıflandırılmasında geleneksel makine öğrenmesi algoritmaları Rastgele orman (Random Forest-RF), Çok katmanlı algılayıcı (Multilayer Perceptron-MLP) ve k-en yakın komşu (k-Nearest Neighbours, k-NN) probleme uygulanmıştır. Bu çalışmada, öğrenci başarısının tahmini ve sınıflandırılması için verilerin OHE temsiline, öznitelik seçimine ve Evrişimsel Sinir Ağı (ESA)-(Convolutional Neural Network-CNN) mimarisine dayalı bir yöntem önerilmektedir. Belirtilen amaç doğrultusunda Başkent Üniversitesi'nin 2020-2021 akademik yılının çevrimiçi öğrenme ortamı olan Moodle verileri ile 2013-2014 yıllarına ait İngiltere'deki Open University çevrimiçi öğrenme veri kümesi kullanılmıştır. Başkent Üniversitesi veri kümesinde OHE temsili ve temsilsiz üçlü sınıflandırma çalışmasında önerilen ESA modeli %92 doğruluk başarım oranı ile geleneksel makine öğrenmesi yöntemlerinden yüksektir. Literatürde Open University veri kümesi üzerinde yapılan ikili, üçlü ve dörtlü sınıflandırma çalışma sonuçları ile önerilen ESA modeli sonuçları karşılaştırılmıştır. İkili sınıflandırmada %95,43 ile en yüksek başarım oranı bulunurken üçlü sınıflandırmada %88 ve dörtlü sınıflandırmada %73,32 değerleri diğer çalışmalara göre daha yüksek olarak bulunmuştur. Öğrenci başarısını tahmininde hata değerlendirme ölçütü olarak belirlenen kök ortalama kare hata (RMSE) ve ortalama mutlak hata (MAE) değerleri önerilen ESA modelinde %1'in altında kalarak diğer modellere göre düşük bir hata oranı vermiştir. Farklı veri kümeleri üzerinde ayrı ayrı kullanılan öznitelik seçimi, verilerin OHE temsili ve ESA mimarisine dayalı yöntem bu çalışmada birlikte kullanılarak literatüre katkı sunmaktadır.
Özet (Çeviri)
During the Covid-19 pandemic, the use of online learning environments is rapidly increasing. Estimation and classification studies of student success with machine learning methods on learning analytics data generated in these environments have gained importance in recent years. In order to understand the relationship between learning analytics data obtained from the online learning environment and student success; in this thesis, we deal with the estimation and classification of student success using the learning analytic data. With these aims, we propose a method based on One-Hot-Encoding (OHE) representation of data, feature selection, and Convolutional Neural Network (CNN) architecture for the estimation and classification of student success. We determine the features related to student success by using correlation, feature importance, fisher score, selectKbest, and knowledge gain feature selection methods on the data set. We also perform the normalization of the selected features and transform the representation of the data with OHE method. To demonstrate the efficacy of the proposed CNN-based architecture we also employ traditional machine learning algorithms such as Random Forest (RF), Multilayer Perceptron (MLP), and k-Nearest Neighbor, (k-NN) in the analyses. For the learning analytics data, we use the Moodle data, which is the online learning environment of Başkent University of the 2020-2021 academic year, and the Open University online learning dataset of years 2013-2014 in England. The results on the Başkent University dataset show that the proposed CNN model with- and without-OHE in three-class classification (fail, pass, distinction) score is higher than the traditional machine learning methods. We also compare the results of binary (fail, pass), three-class (withdrawn, fail, pass) and four-class (withdrawn, fail, pass, distinction) classification performance of our proposed CNN-based architecture on the Open University dataset. We achieved better results than the literature with the highest accuracy rates of 95.43% in two-class classification, 88% in three-class classification and 73.32% in four-class classification. For the estimation of student's grade, Root mean square error (RMSE) and mean absolute error (MAE) values remained below 1% in the proposed CNN-based model, giving a low error rate compared to other models. As a result, the proposed method achieves promising and better results in the evaluations.
Benzer Tezler
- Enhancing book recommendation systems using collaborative filtering and deep learning
İşbirlikçi filtreleme ve derin öğrenme ile kitap öneri sistemleri geliştirilmesi
HÜSEYİN TUNÇ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DOÇ. DR. ÖMER FARUK BEYCA
- Öğrenme analitiği göstergelerini raporlayan açık erişimli çevrimiçi bir öğrenme platformunun geliştirilmesi
Development an open-access online learning platform that reports learning analytics indicators
MERTCAN ÜNAL
Doktora
Türkçe
2022
Eğitim ve ÖğretimGazi ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. TOLGA GÜYER
- Akademik başarıyı tahmin etmek için makine öğrenimi algoritmalarının kullanımı: Bir öğrenme analitiği yaklaşımı
The use of machine learning algorithms to predict academic success: A learning analytics approach
YASEMİN BERTİZ
Doktora
Türkçe
2026
Yönetim Bilişim SistemleriKaramanoğlu Mehmetbey ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. SERKAN ADA
DR. ÖĞR. ÜYESİ MEHMET CABİR AKKOYUNLU
- Analyzing perceptions of artificial intelligence use among pre-service and in-service EFL teachers
Hizmet öncesi ve hizmet içi İngilizce öğretmenlerinin yapay zekâ kullanımı hakkındaki algılarının analizi
SEVDE AYYILDIZ
Yüksek Lisans
İngilizce
2026
Eğitim ve Öğretimİstanbul Medeniyet ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERDANE DENKCİ AKKAŞ
DR. ÖĞR. ÜYESİ HÜMEYRA GENÇ
- Residential energy consumption analysis through datadriven energy forecasting with environmental andbehavioural factors
Çevresel ve davranışsal faktörlerleveri odaklı enerji tahmini aracılığıylakonut enerji tüketiminin analizi
MİRAÇ DURHAN
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
DOÇ. DR. OĞUZHAN CEYLAN