Öğrencinin çevrimiçi eğitime uyumluluk sınıflandırması için yığınlanmış topluluk öğreniminin verimliliği

Özellikle Korona pandemisinden sonra öğrencilerin çevrimiçi öğrenmeye ne ölçüde uyum sağladığını bilmek gerekiyor. Çevrimiçi ve e-öğrenme, eğitim sürecinin önemli bir parçası haline geldi. En iyi sonuçları elde etmek için öğrencilerin bu tür eğitime uyumunu geliştirmeye çalışmak önemlidir. Öğrencilerin çevrimiçi öğrenmeye uyum sağlama becerilerine ilişkin mevcut bilgileri genişletmek bu çalışmanın amacıdır. Eğitim sürecini iyileştirmek için kullanılabilecek en iyi teknolojiyi ve en güçlü modeli elde etmek amacıyla çeşitli modeller geliştirmek ve sonuçlarını karşılaştırmak için makine öğrenimi tekniklerinden yararlanılmıştır.Dört farklı model geliştirildi; her model, çeşitli algoritmalar (tek ve toplu öğrenme) içeren bir modele ek olarak, bir tür makine öğrenimi (Bagging, boosting ve Stacking) için algoritmalar içeriyordu. Bu modeller, öznitelikleri seçmek için dört yöntem kullanmıştır: Rölyef F, ANOVA, Bilgi Kazanımı ve Ki-kare. Bu çalışmada tüm modellerde sınıflandırıcılarla birlikte K = 10 kat kullanılmıştır. Ki-kare tekniği kullanılarak Gradient Boosting algoritması ile doğruluk %0,866'ya ulaşmıştır. Düzey-0'da Boosting sınıflandırıcıları ve düzey-1'de Lojistik Regresyon kullanılarak Ki-kare tekniği kullanılarak yığınlı öğrenme ile elde edilen en yüksek doğruluk değeri %0,874 olmuştur.