Predicting student academic performance using machine learning techniques
Makine öğrenme tekniklerini kullanarak öğrencinin akademik performansinin tahmin edilmesi
- Tez No: 847178
- Danışmanlar: Assoc. Prof. Dr. CANSU ÇİĞDEM EKİN
- Tez Türü: Yüksek Lisans
- Konular: Eğitim ve Öğretim, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Education and Training, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son dönemde eğitim sektörü, dünya genelinde insanların en fazla ilgisini çeken sektörlerden biri haline gelmiş ve bu, bu sektöre yatırım yapmak ve gelir elde etmek isteyenler için daha değerli hale gelmiştir. Bu nedenle, bu alanı daha istikrarlı hale getirmek için büyük çaba harcanmaktadır. Öğrenciler, bu alandaki en büyük paydaşlardır ve bu nedenle eğitimde daha fazla dikkat gerektirirler. Tüm üniversiteler, öğrencilerinin memnuniyetini sağlamak ve eğitim kalitesini artırmak için çaba sarf etmektedir. Çünkü eğitim kalitesi, öğrencilerin başarı oranı ve kurumun öğrencilerini elinde tutma yeteneğine bağlıdır. Öğrenci performansını tahmin etmek, başarısızlık riski taşıyan öğrencileri tanımlamanın bir yolu olduğu için yönetim, öğrenci performansını artırmak için kararlar alabilir. Bu analizler, Eğitim Veri Madenciliği (EDM) olarak adlandırılan, sonuçlar üretmek için çok büyük veri kümelerini keşfedebilen Makine Öğrenimi (ML) alt kümesi aracılığıyla gerçekleştirilebilir. Bu çalışmanın ana amacı, en uygun veri madenciliği algoritmalarını kullanarak öğrenci akademik performansını tahmin etmek ve lisans düzeyinde bilgisayar mühendisliği öğrencilerinin performansını etkileyen faktörleri belirlemektir. Öğrenci akademik performansı, Final Notu, Çalışma Süresi ve Bir Sonraki Dönem Ders Notu olmak üzere üç farklı açıdan analiz edilmiştir. Sonuçlarımız, Destek Vektör Makinesi (SVM) ve Karar Ağacı (DT) gibi iki en iyi ML algoritmasının olduğunu göstermektedir ve ayrıca sadece Final Notunun tahminde en değerli faktör olduğunu göstermiştir.
Özet (Çeviri)
Recently education sectors have the most attraction from people all around the world and this make it more valuable for whom wants to invest in this sector and make income. Therefore, there are too much efforts to make this domain more stable. Students are the largest stakeholders in this area, in this reason they need more attention in educational settings. All universities are trying to make their better quality for achieving their students' satisfaction. Because the quality of education is depended on success rate of students and capability of the institute for retaining its students, predicting student's performance is a way to identify the students who are at risk of failure, so management can make decision for improving students' performance. These analyzes can be done EDM (Educational Data Mining) a subset of ML (Machine Learning) that is able to discover very large datasets for producing valuable results. The main purpose of this study is to predict students' academic performance using most accurate data mining algorithms and determine the factors which influence the performance of computer engineering students in undergraduate level. The student academic performances were analyzed in three different aspects as Final Grades, Study Duration, and Next Term Course Grade. Our results shows that SVM (Support Vector Machine) and DT (Decision Tree) are the two best ML algorithms and also, we determined that only Final Course grades are the most valuable factors in prediction.
Benzer Tezler
- Dijital eğitimde süreç madenciliği ve makine öğrenmesi: LMS verileri ile öğrenci davranış modelleri ve akademik performans tahmini
Process mining and machine learning in digital education: Modeling student behavior and predicting academic performance using LMS data
FETTAH KURTULUŞ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. MURAT TAHA BİLİŞİK
- Moodle sistemindeki veriler ile makine öğrenmesi algoritmaları kullanılarak öğrencilerin dönem sonu akademik performanslarının tahmin edilmesi
Predicting students academic performance at the end of the semester by using machine learning algorithms with the data in moodle system
BUKET DÖNMEZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Beykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EGE KİPMAN
- Öğrencinin akademik performansını tahmin etmede açıklanabilir yapay zekâ ve makine öğrenimi kullanımı
Using explainable artificial intelligence and machine learning to predict student academic performance
MÜJDE DİLEK SOBUTAY
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriBartın ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. ÜMMÜHAN AVCI
- 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
- Makine öğrenme yöntemleriyle öğrencilerin akademik performanslarının farklı öznitelik seçim teknikleri uygulanarak sınıflandırılması
Classification of students' academic performance by different feature selection techniques by machine learning methods
SEMA KAYALI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERKAN SAVAŞ