Açık öğretim liseleri öğrencilerinin okul terki ve mezuniyet durumlarının eğitsel veri madenciliği ile incelenmesi

Bu çalışmada, Millî Eğitim Bakanlığı'na bağlı olarak uzaktan eğitim yöntemi ile hizmet veren açık öğretim liselerinde öğrenim gören öğrencilerin mezuniyet, okul terk ve devam durumlarının tahmini, okul terk durumlarının erken tahmini ve okulu terk eden öğrencilerin profillerinin Eğitsel Veri Madenciliği ile incelenmesi amaçlanmıştır. Eğitsel Veri Madenciliği, sağlık ve pazarlama gibi hayatın birçok alanında başarıyla uygulanan veri madenciliği yönteminin eğitim alanındaki sorunların çözümü için uygulanmasıdır. Çalışma kapsamında açık öğretim liseleri öğrencilerine ait öğrenci bilgi sisteminden alınan verilerle üç farklı modelleme çalışması yapılmıştır. Modelleme çalışmalarında veri madenciliği çalışmalarında izlenen genel süreç izlenmiş ve bu sürecin net bir şekilde tanımlandığı CRISP-DM (Cross Industry Standard Processfor Data Mining) süreç modeli takip edilmiştir. İlk olarak 2013 yılında açık öğretim liselerine ilk kez kayıt yaptıran 484.164 öğrenciye ait veri seti kullanılarak öğrencilerin normal öğrenim süresi sonundaki mezuniyet, okul terki ve devam durumlarının tahmini için sınıflandırma analizi yapılmıştır. Sınıflandırma analizinde Eğitsel Veri Madenciliği çalışmalarında sıklıkla kullanılan J48, Decision Tree, kNN, Naive Bayes ve Random Forest algoritmaları kullanılmış ve farklı veri dönüştürme teknikleri uygulanarak modeller geliştirilmiştir. Modellerin geçerliliğini sağlamak için veri seti dışarda tutma yöntemine göre %70 eğitim, %30 test veri seti olmak üzere ikiye ayrılarak eğitim veri seti ile geliştirilen modeller, modellerin daha önce görmedikleri test veri seti ile test edilmiştir. Analizler sonucunda geliştirilen modellerin performansları genel sınıflandırma ölçütlerine göre raporlanarak doğru sınıflandırma oranı (DSO) ve Kappa ölçütlerine göre değerlendirilmiştir. Değerlendirme sonucunda J48 algoritmasıyla geliştirilen modelin %80,47 DSO ve 0,61 Kappa değeriyle en başarılı model olduğu görülmüştür. Bu modele göre öğrencilerin durumlarını tahmin etmede en önemli özelliğin toplam kredi sayısı olduğu tespit edilmiştir. İkinci modelleme çalışmasında öğrencilerin okul terk durumlarının erken tahmin edilip edilemeyeceği araştırılmıştır. Bu amaçla ilköğretim mezunu olarak doğrudan açık öğretim liselerine kayıt yaptıran öğrencilerin, normal öğrenim süreleri sonundaki okul terk durumlarının tahmini için sınıflandırma analizi yapılmıştır. Analizlerde geliştirilen modeller performans ölçütlerine göre değerlendirildiğinde J48 algoritması ile geliştirilen modelin %70,85 DSO ve 0,208 Kappa değeri ile öğrencilerin öğrenimlerini bırakma durumlarını kayıt yaptırdıkları tarih itibariyle tahmin edebileceği tespit edilmiştir. Bu modele göre öğrencilerin okul terk durumlarını erken tahmin etmede en önemli özelliğin kayıtlı oldukları açık öğretim lisesinin türü olduğu tespit edilmiştir. Çalışmada açık öğretim liselerine kayıt yaptırmış fakat daha sonra öğrenimlerini bırakmış olan toplam 2.317.130 öğrenci verisi kullanılarak bu öğrencileri özelliklerine göre gruplandırmak için kümeleme analizi yapılmıştır. Kümeleme analizinde k-Means algoritması kullanılmıştır. Her bir lise türü için ayrı ayrı gerçekleştirilen analizlerde öğrencilerin özelliklerine göre üç kümede toplandıkları görülmüştür. Öğrencilerin kümelere ayrılmasında ortalama toplam kredi sayısı ve ortalama toplam aktif olunan dönem sayısı özelliklerinin etkili olduğu görülmüştür. Ayrıca kümeleme analizi ile öğrencilerin homojen bir grup olmadığı ve bazı özelliklere göre farklılaştıkları görülmüştür. Çalışma sonuçları öğrenimlerini bırakma eğilimlerindeki öğrenciler için bir erken uyarı sistemi geliştirilerek risk altındaki öğrencilerin önceden belirlenip bu öğrencilerin öğrenimlerini bırakmamaları için önlemler alınabileceğini göstermektedir. Kümeleme analizi sonuçları ise öğrenimlerini bırakmış olan öğrencilerin yeniden öğrenimlerine dönmeleri için geliştirilecek stratejilerde bu öğrencilerin özelliklerinin dikkate alınarak, özelleştirilmiş uygulamalar geliştirilmesinde kullanılabileceğini göstermektedir.