Öğrencilerin Sınavlardaki Performansının Makine Öğrenmesi Teknikleriyle Tahminlenmesi

Yapay zekânın bir alt dalı olan makine öğrenmesi eğitim alanında hızla popülerlik kazanan bir bilgisayar bilimi dalıdır. Eğitimde öğrenci gelişiminin, eğitim programlarının etkisinin, öğretim yöntemlerinin etkililiğinin belirlenmesi adımı olan değerlendirme aşamasının önemi büyüktür. Öğrencilere ait veri yığınlarından anlamlı sonuçlar üretilmesini sağlayan makine öğrenmesi, değerlendirme aşamasında yön gösterici olmaktadır. Bu çalışmada kamuya açık olarak paylaşılan, “Students Performance in Exams” veri seti kullanılmıştır. Öğrencilere ait bilgilerin bulunduğu 8 öznitelikten oluşan veri seti üzerinde öğrenci başarısının tahminlenmesine yönelik makine öğrenmesi temelli sınıflandırmalar gerçekleştirilmiştir. K-en yakın komşu (KNN), Karar ağacı (KA), Naive Bayes (NB), Rastgele orman (RO), Destek vektör makinesi (DVM), Lojistik regresyon (LR), Lineer Diskriminant Analizi (LDA) ile toplamda yedi ayrı yöntemle ve 5 kat çapraz doğrulamayla yapılan sınıflandırma işlemleri sonucunda en yüksek doğruluk (accuracy) DVM algoritması ile elde edilmiştir.