Yapay sinir ağları ile öğrenci başarısını değerlendirme: Analiz ve ilerleme önerileri
Yükleniyor...
Tarih
2024-06-12
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışma, öğrenci başarısını tahmin etmek amacıyla eğitilen Yapay Sinir Ağı (YSA) modelinin performansını değerlendirmeyi hedeflemektedir. Geniş bir veri seti üzerinde gerçekleştirilen eğitim ve test süreçleri sonucunda elde edilen bulgular, çeşitli önemli kategorilerde detaylı bir şekilde incelenmiştir. Temel dersler arasında yer alan Türkçe ve Matematik gibi derslerde modelin düşük Root Mean Square Error (RMSE) değerleri elde ettiği gözlemlenmiştir. Bu durum, modelin bu derslerde güçlü tahminler yapabildiğini işaret etmektedir. Ancak, İnkılap Tarihi ve Fen Bilimleri gibi derslerde test RMSE değerlerinde bir artış gözlemlenmiştir; bu durum da modelin bu derslerde daha fazla iyileştirme potansiyeli taşıdığını göstermektedir. Deneme sınavı puanları ve toplam net sonuçları tahmininde de benzer bir analiz gerçekleştirilmiştir. Deneme sınavı puanları tahminlerinde eğitim ve test RMSE değerleri arasındaki fark dikkat çekicidir. Bu durum, modelin deneme sınavı puanları tahminlerinde daha fazla iyileştirme yapma potansiyeline ya da modelin daha fazla geliştirilmesi gerektiğine işaret etmektedir. Ayrıca, modelin eğitim süreleri incelenmiş ve farklı kategorilerde farklı eğitim süreleri tespit edilmiştir. Modelin daha karmaşık kategorilerde, özellikle de deneme sınavı puanları tahminlerinde, daha uzun sürelerle eğitilmesi gerektiği gözlemlenmiştir. Bu çalışmanın temel amacı, YSA modelinin öğrenci başarısını tahmin etme konusunda genel bir etkinlik sergilediğini vurgulamaktadır. Ayrıca, çalışmanın kapsamında yer alan hedefler arasında; 1) Deneme sınavlarına bağlı olarak Liselere Geçiş Sınavı (LGS) sonucunu tahmin etme, 2) Deneme sınavlarının LGS sınavına olan benzerliğini ölçme ve 3) Yapay Zeka (AI) kullanarak öğrencilerin akademik başarısını belirlemede izleyeceği rolü belirleyen bir akademik danışmanlık/koçluk altyapısının kurulabileceğini gösterme hedefleri de bulunmaktadır. Bu hedefler, çalışmanın özünde yer alan önemli katkıları ifade etmektedir.
This study aims to evaluate the performance of an Artificial Neural Network (ANN) model trained to predict student achievement. The findings obtained as a result of the training and testing processes on a large data set are analyzed in detail in various important categories. It was observed that the model obtained low Root Mean Square Error (RMSE) values in courses such as Turkish and Mathematics, which are among the basic courses. This indicates that the model is able to make strong predictions in these subjects. However, an increase in test RMSE values was observed in subjects such as History of Turkish Revolution and Science, indicating that the model needs to be further improved in these subjects. The difference between training and test RMSE values in the prediction of mock exam scores is striking. This indicates that the model needs to be further improved in the prediction of mock exam scores. Furthermore, training durations were analyzed and different training durations were found for different categories. It was observed that the model should be trained for longer periods for more complex categories, especially for predicting mock exam scores. The main objective of this study is to emphasize that the ANN model exhibits a general effectiveness in predicting student achievement. In addition, the objectives of the study include; 1) Predicting High School Transition Exam (LGS) scores based on mock exams, 2) Measuring the similarity of trial exams to the LGS exam and 3) There are also goals to show that an academic advising/coaching infrastructure that determines the role of Artificial Intelligence (AI) in determining the academic success of students. These goals represent important contributions at the core of the study.
This study aims to evaluate the performance of an Artificial Neural Network (ANN) model trained to predict student achievement. The findings obtained as a result of the training and testing processes on a large data set are analyzed in detail in various important categories. It was observed that the model obtained low Root Mean Square Error (RMSE) values in courses such as Turkish and Mathematics, which are among the basic courses. This indicates that the model is able to make strong predictions in these subjects. However, an increase in test RMSE values was observed in subjects such as History of Turkish Revolution and Science, indicating that the model needs to be further improved in these subjects. The difference between training and test RMSE values in the prediction of mock exam scores is striking. This indicates that the model needs to be further improved in the prediction of mock exam scores. Furthermore, training durations were analyzed and different training durations were found for different categories. It was observed that the model should be trained for longer periods for more complex categories, especially for predicting mock exam scores. The main objective of this study is to emphasize that the ANN model exhibits a general effectiveness in predicting student achievement. In addition, the objectives of the study include; 1) Predicting High School Transition Exam (LGS) scores based on mock exams, 2) Measuring the similarity of trial exams to the LGS exam and 3) There are also goals to show that an academic advising/coaching infrastructure that determines the role of Artificial Intelligence (AI) in determining the academic success of students. These goals represent important contributions at the core of the study.
Açıklama
Anahtar Kelimeler
Eğitim, Öğrenci Başarı Tahmini, Yapay Sinir Ağları, Artificial Neural Network (ANN), Education, Student Achievement Prediction
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Demir, Z. (2024). Yapay sinir ağları ile öğrenci başarısını değerlendirme: Analiz ve ilerleme önerileri. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
