Moodle sistemindeki veriler ile makine öğrenmesi algoritmaları kullanılarak öğrencilerin dönem sonu akademik performanslarının tahmin edilmesi
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Beykent Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Teknolojinin eğitim sektöründeki etkileri incelendiğinde, akademik performansın ölçümü ve değerlendirilmesi üzerindeki dönüştürücü gücü özellikle dikkat çekicidir. Bu alanda, yapay zeka ve makine öğrenimi algoritmaları, öğrencilerin gelecekteki akademik başarılarını tahmin etme kapasitesi ile ön plana çıkmaktadır. Öğrencilerin geçmiş başarıları, öğrenme süreçleri ve çeşitli faktörleri büyük veri analizine tabi tutarak, kişiselleştirilmiş eğitim yaklaşımlarına imkan tanımakta ve eğitim kurumlarının stratejik planlama becerilerini geliştirmektedir. Bu araştırmada, MOODLE eğitim yönetim sistemi üzerinden elde edilen verilerin, beş farklı makine öğrenme algoritması (Random Forest, Karar Ağaçları, K-Nearest Neighbors, Support Vector Machines ve Naive Bayes) kullanılarak analiz edilmesi ele alınmıştır. İkili ve çoklu sınıflandırma teknikleriyle yürütülen bu analizler, algoritmaların öğrenci başarısını tahmin etmede gösterdikleri yüksek başarıyı ortaya koymuştur. Çalışma, makine öğrenme algoritmalarının eğitimde nasıl bir potansiyel taşıdığını ve performans tahmini gibi kritik süreçlerde ne derecede etkili olabileceğini göstermektedir. Literatür taramasıyla zenginleştirilen bu tez, benzer çalışmaların detaylı bir analizini sunmakta ve mevcut algoritmaların eğitim verileri üzerindeki uygulanabilirliğini değerlendirmektedir. MOODLE veri setinin işlenmesi, veri temizleme, özellik seçimi ve normalizasyon gibi ön işleme adımlarını kapsamaktadır. Algoritmaların performansları, doğruluk, hassasiyet, özgüllük ve f1 skoru gibi ölçütlerle değerlendirilmiş, en iyi performans gösteren yöntemler belirlenmiştir. Sonuç olarak, bu çalışma, eğitim teknolojileri literatürüne önemli bir katkı sağlamanın yanı sıra, eğitimcilerin ve idarecilerin öğrenci başarısını izleme ve yönlendirme süreçlerine de ışık tutmaktadır. Makine öğrenimi algoritmalarının etkin kullanımı, eğitim kalitesinin artırılması ve öğrenci başarısının maksimize edilmesi yönünde stratejik kararların alınmasına olanak sağlayabilir.
The transformative power of technology in measuring and assessing academic performance is particularly striking when analysing the impact of technology in education. In this area, artificial intelligence and machine learning algorithms stand out for their ability to predict students' future academic success. By subjecting students' past performance, learning processes and various factors to big data analysis, it enables personalised educational approaches and improves the strategic planning capabilities of educational institutions. In this study, the data obtained from the MOODLE learning management system were analysed using five different machine learning algorithms (Random Forest, Decision Trees, K-Nearest Neighbors, Support Vector Machines and Naive Bayes). These analyses, conducted with binary and multiple classification techniques, revealed the high success of the algorithms in predicting student achievement. The study shows the potential of machine learning algorithms in education and how effective they can be in critical processes such as performance prediction. Enriched with a literature review, this thesis provides a detailed analysis of similar studies and evaluates the applicability of existing algorithms on training data. The processing of the MOODLE dataset includes pre-processing steps such as data cleaning, feature selection and normalisation. The performances of the algorithms are evaluated by measures such as accuracy, sensitivity, specificity and f1 score, and the best performing methods are identified. In conclusion, in addition to making a significant contribution to the educational technology literature, this study also sheds light on the processes of educators and administrators in monitoring and guiding student achievement. The effective use of machine learning algorithms can enable strategic decisions to be made to improve the quality of education and maximise student achievement.
The transformative power of technology in measuring and assessing academic performance is particularly striking when analysing the impact of technology in education. In this area, artificial intelligence and machine learning algorithms stand out for their ability to predict students' future academic success. By subjecting students' past performance, learning processes and various factors to big data analysis, it enables personalised educational approaches and improves the strategic planning capabilities of educational institutions. In this study, the data obtained from the MOODLE learning management system were analysed using five different machine learning algorithms (Random Forest, Decision Trees, K-Nearest Neighbors, Support Vector Machines and Naive Bayes). These analyses, conducted with binary and multiple classification techniques, revealed the high success of the algorithms in predicting student achievement. The study shows the potential of machine learning algorithms in education and how effective they can be in critical processes such as performance prediction. Enriched with a literature review, this thesis provides a detailed analysis of similar studies and evaluates the applicability of existing algorithms on training data. The processing of the MOODLE dataset includes pre-processing steps such as data cleaning, feature selection and normalisation. The performances of the algorithms are evaluated by measures such as accuracy, sensitivity, specificity and f1 score, and the best performing methods are identified. In conclusion, in addition to making a significant contribution to the educational technology literature, this study also sheds light on the processes of educators and administrators in monitoring and guiding student achievement. The effective use of machine learning algorithms can enable strategic decisions to be made to improve the quality of education and maximise student achievement.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
