AKILLI EĞİTİM ANALİTİĞİ: KAPSAMLI AKADEMİK PERFORMANS TAHMİNİ İÇİN MAKİNE ÖĞRENİMİNDEN YARARLANMA

Creative Commons License

Onat B., BİLGE A., Akın A.

International Journal of 3D Printing Technologies and Digital Industry, cilt.10, sa.2, ss.425-439, 2026 (TRDizin)

Özet

Mevcut araştırma, çeşitli veri kaynakları kullanılarak eğitim performansını tahmin etmeye yönelik farklı makine öğrenimi yöntemlerini kapsamlı bir şekilde incelemektedir. Çalışma, akademik performansı tahmin etmeye yarayan yöntemleri ele almakta; ortaokul çağındaki çocuklardan toplanan performans ölçütleri, demografik bilgiler ve davranış anketi verileri üzerinden her bir modelin performans farklılıklarını ortaya koymaktadır. Araştırmada, tahminler için gereken hesaplama yükünü önemli ölçüde artırmaksızın, birden fazla veri türü kullanarak tahmin doğruluğunu yükseltmek amacıyla 5 katlı çapraz doğrulama (5-fold cross-validation) yöntemi uygulanmıştır. Elde edilen bulgular, birden fazla veri türünün kullanılmasının modelin tahmin gücünü önemli ölçüde artırdığını göstermiştir. Ayrıca, değerlendirilen tüm yöntemler arasında, öğrenci performansını tahmin etme konusunda doğruluk ile hesaplama gereksinimi arasındaki en iyi dengeyi çoklu doğrusal regresyon (multiple linear regression) modeli sağlamıştır. Öğrenci akademik performansı üzerinde en belirleyici faktörlerin; öğrenci davranışları, ebeveynlerin eğitim düzeyi, sosyo-ekonomik durum ve geçmiş not ortalamaları olduğu saptanmıştır. Bu makalede sunulan eğitim verisi madenciliği çalışması, farklı veri entegrasyonu kurgularının, algoritmaların performans karşılaştırmalarını nasıl etkilediğine dair değerli bilgiler sağlamaktadır. Elde edilen sonuçlar, öğrenci başarısını ve akademik performansını geliştirmek adına veriye dayalı stratejiler uygulamak isteyen okullar için bir ölçüt olarak kullanılabilir.
The current research provides a thorough exploration into different methods of machine learning used to predict educational performance using a variety of data sources. This research studies methods for predicting academic performance and displays the difference in performance of each model, including performance measures, demographics, and behavior survey data collected from middle school-aged children. In this research, 5-fold cross-validation was useful for demonstrating increases in the accuracy of predictions with the use of multiple types of data without significantly affecting the level of computing needed for making predictions. The research showed that using multiple data types significantly increases the predictive power of the model. Additionally, among all methods evaluated, multiple linear regression had the best balance between accuracy and computational requirement for predicting student performance. The factors determined to be the most predictive of student academic performance included student behavior, the educational level of parents, socio-economic status, and historically earned grades. The study of educational data mining presented in this paper provides a valuable understanding of how different data integration configurations affect how well algorithms compare in performance. The results may be used as criteria for schools seeking to employ data-driven strategies for improving student achievement and academic performance.