Çevrimiçi öğrenme ortamlarında öğrenme analitiği verileri ve makine öğrenmesi kullanarak akademik başarının değerlendirilmesi

Covid - 19 salgını döneminde daha önce de kullanılan ancak yaygın olmayan çevrimiçi öğrenme ortamlarının sayısı artmıştır. Bu ortamlarda oluşan öğrenme analitiği verileri üzerinde makine öğrenmesi yöntemleri ile öğrenci başarısının tahmini ve sınıflandırma çalışmaları son yıllarda önem kazanmaktadır. Çevrimiçi öğrenme ortamından elde edilen öğrenme analitiği verileriyle öğrenci başarısı arasındaki ilintinin anlaşılması amacıyla; öğrenci başarısının tahmini ve sınıflandırması yapılmıştır. Veri kümesi üzerinde ilinti (korelasyon), özniteliğin önemi, fisher puanı, selectKbest ve bilgi kazancı öznitelik seçim yöntemleri kullanılarak öğrenci başarısı ile ilintili olan özniteliklerin tespiti yapılmıştır. Seçimi yapılan özniteliklerin normalizasyonu ve verilerin one hot encoding (OHE) yöntemi ile temsili sağlanmıştır. Öğrenci başarısının tahmini ve sınıflandırılmasında geleneksel makine öğrenmesi algoritmaları Rastgele orman (Random Forest-RF), Çok katmanlı algılayıcı (Multilayer Perceptron-MLP) ve k-en yakın komşu (k-Nearest Neighbours, k-NN) probleme uygulanmıştır. Bu çalışmada, öğrenci başarısının tahmini ve sınıflandırılması için verilerin OHE temsiline, öznitelik seçimine ve Evrişimsel Sinir Ağı (ESA)-(Convolutional Neural Network-CNN) mimarisine dayalı bir yöntem önerilmektedir. Belirtilen amaç doğrultusunda Başkent Üniversitesi'nin 2020-2021 akademik yılının çevrimiçi öğrenme ortamı olan Moodle verileri ile 2013-2014 yıllarına ait İngiltere'deki Open University çevrimiçi öğrenme veri kümesi kullanılmıştır. Başkent Üniversitesi veri kümesinde OHE temsili ve temsilsiz üçlü sınıflandırma çalışmasında önerilen ESA modeli %92 doğruluk başarım oranı ile geleneksel makine öğrenmesi yöntemlerinden yüksektir. Literatürde Open University veri kümesi üzerinde yapılan ikili, üçlü ve dörtlü sınıflandırma çalışma sonuçları ile önerilen ESA modeli sonuçları karşılaştırılmıştır. İkili sınıflandırmada %95,43 ile en yüksek başarım oranı bulunurken üçlü sınıflandırmada %88 ve dörtlü sınıflandırmada %73,32 değerleri diğer çalışmalara göre daha yüksek olarak bulunmuştur. Öğrenci başarısını tahmininde hata değerlendirme ölçütü olarak belirlenen kök ortalama kare hata (RMSE) ve ortalama mutlak hata (MAE) değerleri önerilen ESA modelinde %1'in altında kalarak diğer modellere göre düşük bir hata oranı vermiştir. Farklı veri kümeleri üzerinde ayrı ayrı kullanılan öznitelik seçimi, verilerin OHE temsili ve ESA mimarisine dayalı yöntem bu çalışmada birlikte kullanılarak literatüre katkı sunmaktadır. ANAHTAR KELİMELER: Öğrenci başarısının sınıflandırılması, Evrişimsel Sinir Ağı, OHE temsili, Öğrenme analitiği, Öznitelik seçimi, Covid-19