Eğitsel veri madenciliği ile öğrenci profillerinin belirlenmesi

Abstract

Eğitimde internetin kullanımı, öğretim yazılımları ve e-uygulamalarda yaşanan artış sayesinde veri tabanlarında eğitimle alakalı birçok veri depolanmıştır. Bu verilerin arasında gizli, bilinmeyen, eğitimin nasıl yapılması gerektiğine ışık tutacak ve öğrencileri daha iyi anlamamızı sağlayacak ilişkiler olduğu söylenebilir. Bu çalışmada Eğitsel Veri Madenciliği yöntemleri kullanılarak öğrenci profillerinin oluşturulması amaçlanmıştır. Araştırmanın örneklemini Uludağ Üniversitesi Eğitim Fakültesi öğrencilerinin tamamı oluşturmaktadır. Veriler ilk olarak Veri Ön İşleme sürecinden geçerek analize hazır hale getirilmiştir. Çalışmada Veri Madenciliği yöntemlerinden Sınıflandırma Analizi yöntemleri kullanılmıştır. Bulgular ışığında öğrenci başarılarının önem sırasına göre bölüm, akademik dönem, geliş şekli ve cinsiyet değişkenlerine göre farklılık gösterdiği tespit edilmiştir. Yapılan sınıflandırma analizi ile hazırlanan karar ağacında doğum yılı ve akademik dönem değişkenleri düğüm noktaları olarak belirlenmiştir. Ayrıca veriler arasında bilinmeyen gizli kurallar oluşturulmuştur. Eğitsel Veri Madenciliği sayesinde ilk bakışta anlamsız görünen veri yığını içinden gizli ilişkiler, öğrencileri daha iyi tanımamızı sağlayacak bilgiler, öğrencileri yönlendirebileceğimiz kurallar çıkartılmıştır.Many educational data acumulated in the databases with the increase the use of the internet in education, teaching softwares and e-applications. Among these data, it can be said that there are hidden, unknown, relationships that will shed light on how education should be done and how students learning. In this study, it is aimed to create student profiles by using Educational Data Mining methods. The sample of the research consists all the students of Uludağ University Faculty of Education. The data was first made available to analyze through the Data Preprocessing process. Classification Analysis, Decision Trees, Rule Induction and Gain By Weight methods are used in the study. According to findings, student achievement differs according to department, academic period, arrival type and gender variables. Rule Indiction parameters and unknown secret rules were created between the data and the importance weights of the variables were determined by the Gain By Information Weight algorithm. Through Educational Data Mining, hidden relationships from a seemingly insignificant amount of data at first sight, information that will help us better identify our students, and the rules we can direct students with are extracted through data mining analyzes.