Year: 2018
Type: article
Abstract: Günümüzde hayatın her sektöründe işlenen veri miktarının artması, veri madenciliğin giderek daha popüler hale gelmesine yol açmış ve yüksek miktarda verinin artan bir karmaşıklıkta işlenmesi ihtiyacı doğmuştur. Finanstan, sağlığa, savunmadan eğitime onlarca sektörün sorunlarını çözmek adına gün geçtikçe farklı yöntemler geliştirilmekte, sosyal, ekonomik, bilimsel birçok problemin çözümü adına veri madenciliği yöntemlerine başvurulmaktadır. Eğitilen ve eğiten sayısının gün geçtikçe arttığı eğitim sektöründe ise, sistemin başarısının geliştirilebilmesi için, gerek eğitilen gerekse eğitimcilerinin performanslarının takip edilmesi ve kıymetlendirilmesi ihtiyacı, eğitimsel veri madenciliği kavramını doğurmuştur. Bu alanda yapılan çalışmalar genel olarak, öğrenci performansı konularına yoğunlaştığından, eğitmen performansı konusunda daha çok çalışmaya ihtiyaç duyulmaktadır. Eğitimsel veri madenciliği alanında öznitelik seçme ile birleştirilmiş makine öğrenmesi kullanan çalışmaların genel olarak öğrenci performansı üzerine yoğunlaştığı, ancak az sayıdaki çalışmanın eğitmen performansı üzerinde durduğu görülmüştür. Bu çalışmamızda, eğitmen performansının eğitimsel veri madenciliği yöntemleriyle nasıl tespit edilebileceği üzerinde durulmuştur. Çalışma kapsamında Gazi Üniversitesi öğrencilerinin eğitmenleri hakkında doldurdukları bir Likert Ölçekli Anket veri seti üzerinde çalışılmış, çeşitli öznitelik indirgeme algoritmaları ve farklı makine öğrenme yöntemleriyle veri seti kıymetlendirilmiş ve eğitmenlerin performansları tahmin edilmiştir. Elde edilen sonuçlara göre genetik algoritma ile öznitelik seçmenin, kullanılan veri seti için diğer yöntemlere kıyasla en iyi sonucu verdiğini göstermiş ve 33 tane öznitelik yerine 19 öznitelik kullanılabileceği ortaya çıkarılmıştır. Genetik algoritma ile birlikte makine öğrenmesi yöntemi olarak derin öğrenme kullanımı ile birlikte %97,70 bir tahmin doğruluk performansına ulaşılmış ve bu değerin tüm özniteliklerin kullanılması ile elde edilebilecek değerden yüksek olduğu görülmüştür. Bu çalışmayı diğerlerinden farklı kılan özelliği ise, indirgenmiş öznitelik sayısı ve makine öğrenmesini birleştirmesinin yanında, eğitmen performanslarının sıralanması işlemini de somut olarak yapmasıdır.
Authors: Fatih ÇİFÇİ, Cihan KALELİ, Serkan ÜNAL
Institutions: Gazi University, Anadolu University
Language: Turkish
Subfield: Computer Science Applications
Field: Computer Science
Domain: Physical Sciences
Keywords: teacher performance prediction, educational data mining, feature selection, genetic algorithm, machine learning, teacher evaluation, feature reduction, information gain, chi-square test, mutual information, correlation coefficient, decision tree, random forest, k-nearest neighbors, support vector regression
SDG: Quality education
Open Access status: hybrid
OpenAlex ID: W2916206231
