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
- Tez No: 998330
- Danışmanlar: PROF. DR. SERKAN ADA, DR. ÖĞR. ÜYESİ MEHMET CABİR AKKOYUNLU
- Tez Türü: Doktora
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Karamanoğlu Mehmetbey Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, öğrencilerin çevrimiçi öğrenme ortamlarındaki etkileşim verileri üzerinden dönem sonu akademik başarı durumlarını yordayan makine öğrenmesi modeli geliştirilerek öğrencilerin dönem sonu akademik başarı durumlarını haftalık olarak tahmin etmek ve haftalık gönderilen öğrenme analitiği raporlarının benimsemesi ve algılanan etkilerinin incelenmesi amaçlanmaktadır. Bu kapsamda çalışma karma yöntem kullanılarak incelenmiştir. Karma yapı kurgulanırken felsefi ve teorik çerçeve olarak Mingers (2001)'in multimetodoloji anlayışı temel alınmıştır. Bu kapsamda çalışmanın birinci aşaması olan nicel yöntemde öğrenci başarısının tahminlenmesi“nesnel dünya”nın, ikinci aşama olan nitel yöntemdeki öğrenci algıları“öznel dünya”nın kuramsal süreçler ve iletim mekanizmaları ise“sosyal dünya”nın bir yansıması olarak ele alınmıştır. Çalışmanın nicel boyutunda izlediği LMS log verileri (nesnel dünya) kullanılırken, nitel boyutunda haftalık öğrenme raporlarının kabulü ve kullanım niyeti ile ilgili Teknoloji Kabul Modeli (TAM) ve bilgi sistemleri başarısını açıklayan DeLone ve McLean modeli temel alınarak yarı yapılandırılmış görüşmeler (öznel dünya) gerçekleştirilmiştir. Nicel boyuttaki veriler eğitsel veri madenciliği ve öğrenme analitiği yaklaşımlarına göre dönüştürülerek modellemeye uygun hale getirilmiştir. Çoklu sınıflandırma problemini çözmek üzere Rastsal Orman, Gradient Boosting, CatBoost ve Lojistik Regresyon gibi yöntemler karşılaştırılmış; performans değerlendirmesi accuracy, precision, recall, F1 ve ROC-AUC ölçütleriyle raporlanmıştır. Bulgular, en yüksek başarının Rastsal Orman modeliyle elde edildiğini ve haftalık/erken uyarı amaçlı kullanım için güçlü bir yordama potansiyeli bulunduğunu göstermektedir. Ayrıca sistemi kullandığı gün sayısı, sistemde kalma süresi ve sisteme giriş sayısının öğrenci başarısını öngörmede yüksek katkı sunduğu görülmüştür. Nitel boyutta ise analizler, raporların ilerleme takibi ve öz-düzenleme açısından faydalı bulunduğunu; ancak farkındalık eksikliği, zaman yönetimi ve raporların sunum/iletişim kanalı gibi etmenlerin düzenli kullanımı sınırlayabildiğini göstermiştir. Elde edilen bulgular hem akademik literatüre katkı sağlamakta hem de yönetsel karar alma süreçlerinde kullanılabilecek uygulamalı sonuçlar sunmaktadır. Bu yönüyle çalışma, veri temelli erken uyarı sistemleri, öğrenen profilleri ve kişiselleştirilmiş öğrenme yollarının tasarlanmasına yönelik somut bir temel oluşturmaktadır.
Özet (Çeviri)
This study aims to predict students' end-of-term academic success on a weekly basis by developing a machine learning model based on interaction data in online learning environments and to examine the adoption and perceived effects of weekly learning analytics reports. In this context, the study was conducted using a mixed-methods approach. The philosophical and theoretical framework was grounded in Mingers' (2001) multimethodology perspective. In this context, the quantitative phase of the study, which involves predicting student success, is addressed as a reflection of the“objective world”; the student perceptions in the qualitative phase as a reflection of the“personal world”; and the theoretical processes and delivery mechanisms as a reflection of the“social world.”The study pursues three primary objectives: developing a machine learning model to forecast end-of-term grades, utilizing this model for weekly performance tracking, and assessing how students perceive and use these analytics. In the quantitative phase, interaction data from the Learning Management System (LMS)—such as login frequency, active days, click counts, and document views—were processed using educational data mining techniques. To address the classification challenge, the study compared Random Forest, Gradient Boosting, CatBoost, and Logistic Regression algorithms. Random Forest emerged as the most robust model, demonstrating significant potential as a weekly early warning mechanism. Notably, the number of active days and total duration in the system proved to be the strongest predictors of success. Complementing these findings, semi-structured interviews grounded in the Technology Acceptance Model (TAM) and the DeLone & McLean framework revealed that while students valued the reports for progress tracking and self-regulation, regular adoption was often constrained by time management issues and the chosen delivery channels. Despite the model's high predictive accuracy, the intention–behavior gap arising from insufficient use has been explained within an ontological framework. Ultimately, these findings contribute to the literature by offering a concrete foundation for designing data-driven early warning systems and personalized learning pathways.
Benzer Tezler
- Türkiye'de yabancı turizm talebi tahmini için makina öğrenimi algoritmalarının kullanılması
Using machine learning algorithms for foreign tourism demand forecasting in Turkey
CEM GEÇER
Yüksek Lisans
Türkçe
2024
İşletmeGebze Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. FARİD HUSEYNOV
- Big data and machine learning for behavioral analytics and inference: Cases in sports and education
Davranış analitiği ve nedensel çıkarımlarda büyük veri ve makineöğrenimi: Spor ve eğitimden vakalar
EMRAH YILMAZ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. ÖZDEN GÜR ALİ
- Makine öğrenimi algoritmalarını kullanarak öğrenci akademik performans tahmini
Student academic performance prediction using machine learning algorithms
AIGERIM SULTANALI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. HASAN ÇAKIR
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknolojisi Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ