Geri Dön

Makine öğrenmesi ile küresel eğitim analizi: PISA verileri üzerinden başarı tahmini

Global education analysis with machine learning: Success prediction based on PISA data

PDF İndir

  1. Tez No: 940995
  2. Yazar: RÜVEYDA NUR ÜNAL
  3. Danışmanlar: PROF. DR. FİKRİ GÖKPINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Akademik başarının tahmin edilmesi, risk altındaki öğrencilerin erken dönemde belirlenmesi, eğitim politikalarının etkinleştirilmesi ve kişiselleştirilmiş öğrenme stratejilerinin geliştirilmesi açısından büyük önem taşımaktadır. Bu bağlamda, bu çalışmanın amacı, PISA 2022 veri setini kullanarak her bir ekonomi için matematik, fen bilimleri ve okuma alanlarında öğrenci performansını tahmin etmek ve eğitim değerlendirmesinde veri temelli bir yaklaşım sunmaktır. Çalışmada, PISA 2022 veri setinde yer alan her bir ekonomi için konu başına on olası değer içeren öğrencilerin performans değerleri tahmin edilmiştir. 80 ekonomi için ayrı veri kümeleri oluşturulmuş ve titiz bir ön işleme hattı uygulanmıştır. Modelleme aşamasında KNN, XGBoost, AdaBoost, gradyan artırma ve rastgele orman olmak üzere beş regresyon tekniği uygulanmış; hiperparametre optimizasyonu ile R2 , RMSE, MAE ve MAPE ölçütleri üzerinden performans değerlendirmesi yapılmıştır. Deneysel sonuçlar, XGBoost ve gradyan artırma yöntemlerinin tutarlı şekilde daha yüksek açıklayıcılık ve düşük hata değerleri sağladığını göstermiştir. Elde edilen bulgular, farklı regresyon yaklaşımlarının eğitim verilerine dayalı değerlendirmede taşıdığı etkinliği vurgulamakta ve veri odaklı yöntemlerin küresel eğitim reformlarına rehberlik etme potansiyelini ortaya koymaktadır.

Özet (Çeviri)

Predicting academic achievement is crucial for early identification of at-risk students, enabling education policies and developing personalized learning strategies. In this context, the aim of this study is to predict student performance in mathematics, science and reading for each economy using the PISA 2022 dataset and to present a data-driven approach to educational assessment. In the study, students' performance values with ten possible values per subject were estimated for each economy in the PISA 2022 dataset. For 80 economies, separate datasets were created and a rigorous preprocessing pipeline was applied. In the modeling phase, five regression techniques, namely KNN, XGBoost, AdaBoost, gradient boosting and random forest, were applied, and performance was evaluated based on R2, RMSE, MAE and MAPE with hyperparameter optimization. The experimental results show that XGBoost and gradient boosting methods consistently provide higher explanatory power and lower error values. The findings highlight the effectiveness of different regression approaches in educational data-driven evaluation and demonstrate the potential of data- driven methods to guide global education reforms.

Benzer Tezler

  1. Tez No

    399343

    Eğitimde fırsat eşitliği, toplumsal genel başarı ve adalet ilişkisi: PISA Projesi kapsamında Finlandiya ve Türkiye deneyimlerinin karşılaştırması

    The relationship between the equality of opportunity in education, general social success and justice: The Comparison of Finland and Turkey experiences within the scope of PISA Project

    VOLKAN MERCİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Eğitim ve ÖğretimBalıkesir Üniversitesi

    Siyaset Bilimi ve Kamu Yönetimi Ana Bilim Dalı

    PROF. DR. RIZA ARSLAN

  2. Tez No

    746666

    Short-term wind power generation forecasting by coupling numerical weather prediction models and machine learning algorithms

    Sayısal hava tahmin modeli ve makine öğrenmesi algoritmaları ile kısa dönemli rüzgar enerjisi üretim tahmin modeli oluşturmak

    CEM ÖZEN

    Doktora

    İngilizce

    İngilizce

    2022

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ DENİZ

  3. Tez No

    1012474

    Vakıf üniversitelerinde öğrenim ücretlerinin belirleyicileri: Faktör analizi ve makine öğrenmesi temelli bir yaklaşım

    Determinants of tuition fees at foundation universities: A factor analysis and machine learning approach

    SERDAR ÇELİK

    Doktora

    Türkçe

    Türkçe

    2026

    Endüstri ve Endüstri MühendisliğiMilli Savunma Üniversitesi

    Harekat Araştırması Ana Bilim Dalı

    PROF. DR. CEVRİYE GENCER

  4. Tez No

    1020175

    Telekomünikasyon sektöründe makine öğrenmesi yöntemleriyle müşteri kayıp analizi

    Customer churn analysis in the telecommunications sector using machine learning techniques

    GAMZE DURSUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Yönetim Bilişim SistemleriGazi Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. NURSAL ARICI

  5. Tez No

    919024

    A comprehensive analysis of Turkish sea level changes and future modeling using machine learning methods

    Türk deniz seviyesi değişikliklerinin kapsamlı analizi ve makine öğrenimi yöntemleriyle gelecek modellemesi

    ELİF KARTAL

    Doktora

    İngilizce

    İngilizce

    2024

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDÜSSELAM ALTUNKAYNAK

Geri Dön