Akademik başarının modellenmesinde çizge madenciliği yaklaşımı

Abstract

Öğrencinin akademik başarısının tahmini, nedenlere ve süreçlere göre başarısının değişimi ve bu değişimin sonuçlarının incelenmesi farklı disiplinlerden birçok bilim dalını ilgilendiren genel bir araştırma konusudur. Bu konu da gerek bilgisayar bilimleri gerekse eğitim bilimleri alanlarında literatürde birçok çalışmaya rastlamak mümkündür. Bilgisayar bilimleri çerçevesinde literatürde mevcut bulunan çalışmaların birçoğunda akademik başarının modellenmesi konusunda öğrencilerin yalnızca demografik özellikleri veya yalnızca geçmiş akademik başarıları temel alınmıştır. Bu çalışmada getirilen yaklaşımda ise öncelikle kişilerin demografik ve akademik geçmiş bilgileri bir araya getirilmiş ve geleneksel veri madenciliği (Data Mining-DM) sınıflandırma metotlarından olan Naive Bayes ve K-En Yakın Komşuluk Yöntemi kullanılarak oluşturulan modellerin performansları incelenmiştir. Ardından her bir öğrencinin demografik verileri ve akademik geçmişinden elde edilen birçok veriden oluşan veri kümesi çizgelerle ifade edilmiş ve bu çizgelerden sıklıkla tekrar eden alt-çizgeler bulunarak, başarılı ve başarısız öğrencilerin özelliklerini ifade eden çeşitli örüntüler elde edilmiştir. Böylece veri kümesinin zenginleşmesi sağlanmıştır. Alt çizgelerle zenginleştirilen veri kümesi üzerine tekrar aynı geleneksel sınıflandırma yöntemleri uygulanmış ve oluşturulan yeni modellerin performansları ayrıca incelenmiştir. Her iki sonuç karşılaştırıldığında görülmüştür ki; alt-çizgelerle zenginleştirilmiş veri kümeleri ile oluşturulan modeller ile yapılan sınıflandırmalar performans bakımından daha iyi sonuçlar vermiştir.

The prediction of the academic success of a student, the change of success according to causes and processes, and the examination of the consequences of the change are general research topics that deals with many disciplines. Within this subject, it is possible to reach a lot of studies in the literature both in computer science and educational science fields. Most of the studies in the field of computer science are based on either the demographic characteristics of the students or the past academic achievements in modeling academic success. In the thesis, both demographic and past academic success information of the students were collected and the performances of the models are evaluated using Naive Bayes and K-Nearest Neighborhood Methods, which are the traditional data mining classification methods. A dataset, where the demographic and academic background of each student are expressed in sets of graphs, are constructed. The data set is enriched with the frequent repetition of these graphs. The same traditional classification methods are applied again on the dataset enriched by the sub-graphs and the performances of the new models have also been examined. It is seen that when both results are compared, the classifications accuracy of the models and the dataset enriched with frequent sub-graphs yielded better than the unenriched datasets.