Öğrenci başarısının tahmin edilmesi: Atılım üniversitesi bilgisayar mühendisliği bölümünden mezun öğrencilerin transkript ve kişisel verilerine dayalı bir vaka çalışması

Abstract

Son yıllarda Eğitimsel Veri Madenciliği (EVM) veri analiz projelerinde oldukça popüler oldu. Kurumlar eğitim kalitelerini artırmaya ve bu verilere yatırım yapmaya başladılar. Öğrencilerin başarılılarını tahmin etme EVM içinde önemli bir zorlu amaca ve kaliteli bir eğitimde bir sürü faydaya sahiptir. Bu çalışmada biz öğrencilerin seçili derslerdeki başarılarını ve kişisel verilerini dikkate alarak başarılarını tahmin etmeyi amaçladık. Bu amaçla, mezun öğrenciler üzerinde çeşitli Makine Öğrenmesi (MÖ) algoritmalarını çalıştırdık. Seçili derslerdeki başarıyı analiz edebilmek için birçok kavram ve tanımlama oluşturduk. İlk olarak, öğrenci başarısını ölçmek için üç tane metrik geliştirdik. Bunlar harf notları, başarı grupları ve geçme kalma durumu şeklindedir. Dahası, mezun öğrenci verisinden seçili MÖ algoritmalarında girdi olarak kullanılmak üzere dört tane girdi veri seti oluşturduk. Bu çalışmanın sonuçları yüksek ya da düşük harf notlu öğrenci notlarının orta düzey notlara göre daha iyi tahmin edilebildiğini belirtmiştir. Benzer şekilde, başarı gruplarına göre; yüksek ya da düşük başarı grupları ortalama gruplarla karşılaştırıldığında daha iyi doğruluk ile tahmin edilebiliyor. Son başarı metriği için ise, tahmin başarısı ders geçen öğrencilerde kalan öğrencilerdekine göre çok daha iyi. Dört girdi veri setini düşünürsek, tahmin başarılarında dikkate değer bir farklılık saptanamamıştır. Yalnızca, öğrenci personel verisinden oluşmuş veri seti kalan setlerle karşılaştırıldığında daha düşük tahmin başarısı üretmiştir. Müfredat içinde son iki dönem için seçili derslerin tahmin başarısının yükseldiği gözlemlenmiştir. Bu bulguların ayrıntıları ve olası sebepleri ilgili bölümlerde irdelenmiş ve tartışılmıştır. Biz inanıyoruz ki, bu çalışmanı sonuçları öğrencilerin gelecekteki ders başarılarını tahmin eden bir öğrenci tavsiye sistemine temel olabilir.

In recent years, Educational Data Mining (EDM) has become more popular in data analysis projects. Institutes try to improve their educational quality as well as to invest in analyzing educational data. Predicting student grades is a significant challenge in EDM, and also it has lots of benefits for improving quality in the education process. In this study, we aim at predicting the student success in the selected courses considering their transcript and personal data. For this reason, we applied various Machine Learning (ML) algorithms on the graduated student data. We developed several concepts for analyzing students success at the selected courses. First, we define three metrics to measure the student success. These student success metrics are grade letters, success groups and fail-pass state. Furthermore, we created four different data sets from the graduated student data as inputs to the selected ML algorithms. Results of this study indicate that high or low student grade letters can be predicted better when compared to the moderate grade letters. Similarly, according to the success group metric; lower and higher success groups of the students can be predicted with higher accuracy compared to the average success group. For the last success metric, the prediction results are far better for the passed students than predicting the failed students. Considering the four input data sets, we could not locate considerable differences in prediction success. However, the data set created by the student personal data generates lower prediction success compared the rest of the data sets. The prediction success for the selected courses is observed to be increasing for the courses at the last two semesters of the curriculum. The details of the findings and their possible causes are analyzed and discussed in the related chapters. We believe that the results of this study can serve as a foundation to build a student recommendation system to predict their future course success.