Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini

Eğitim, bireylerin yaşam kalitesini artıran ve sosyo-ekonomik kalkınmayı destekleyen temel bir süreçtir. Ancak akademik başarısızlık, yalnızca öğrencilerin mezuniyet süreçlerini geciktirmekle kalmaz, aynı zamanda bireysel ve kurumsal düzeyde verimlilik kaybına yol açar. Bu durum, özellikle risk altındaki öğrencilerin erken dönemde tespit edilmesini kritik bir gereklilik haline getirmektedir. Araştırmalar, bir sınıfın genel akademik başarısının, en çok düşük performans gösteren öğrencilerin durumundan etkilendiğini ortaya koymaktadır. Dolayısıyla, bu öğrencilerin gelişimi, eğitim süreçlerinin etkinliğinin değerlendirilmesinde önemli bir gösterge olarak kabul edilir. Bununla birlikte, yüksek başarısızlık oranları ve sonucunda ortaya çıkan ders tekrarı gereksinimi, öğrenci motivasyonunu olumsuz etkilemekte ve eğitim kaynaklarının verimsiz kullanımına neden olmaktadır. Bu nedenle, veriye dayalı proaktif stratejilerin geliştirilmesi hem eğitim kalitesinin yükseltilmesi hem de toplumsal kalkınmanın sağlanması açısından büyük önem taşımaktadır. Bu çalışma, akademik dönem başında öğrenci başarısını tahmin ederek potansiyel risk grubundaki bireyleri belirlemeyi ve eğitimcilere erken müdahale imkânı sunmayı amaçlayan yenilikçi bir hibrit model önermektedir. Modelin geliştirilmesinde, Derin Sinir Ağları (DNN) ile Parçacık Sürüsü Optimizasyonu (PSO) algoritması entegre edilmiştir. Derin sinir ağları, karmaşık ve çok boyutlu veri setlerinde yüksek doğruluklu öğrenme sağlayabilen güçlü bir yöntem olmakla birlikte, performansları hiperparametre optimizasyonunun etkinliğine bağlıdır. Bu noktada, PSO algoritması etkili bir optimizasyon aracı olarak devreye girmekte ve modelin tahmin başarısını önemli ölçüde artırmaktadır. Araştırma, bir devlet üniversitesinin mühendislik fakültesinde öğrenim gören 1268 öğrencinin verileri üzerinde gerçekleştirilmiştir. Veri seti, demografik özellikler, akademik performans göstergeleri ve lise ile yükseköğretim giriş sınavı sonuçları olmak üzere üç ana kategoride toplanmıştır. Toplamda 12 öngörücü değişken üniversite performansını yansıtırken, 50 değişken lise dönemindeki akademik becerileri temsil etmektedir. Başarı durumu, öğrencilerin belirli bir dersi geçme veya kalma durumuna göre "geçti" ve "kaldı" olarak sınıflandırılmıştır. Ayrıca çalışma öğrencilerin lise ve yükseköğretim giriş sınavı sonucu performanslarına dayalı olarak akademik başarılarını tahmin etmeyi, dönem içi performans verilerinin etkisini incelemeyi ve en etkili öznitelikleri belirlemeyi de amaçlamaktadır. Bu çalışmada, öğrencilerin akademik başarılarının erken dönemde tahmin edilebilmesi amacıyla sekiz temel aşamada çalışma gerçekleştirilmiştir. İlk aşamada, model eğitimi öncesinde veri setinde yer alan gereksiz, düşük bilgi değerine sahip veya yüksek derecede birbiriyle ilişkili değişkenlerin elenmesi amacıyla korelasyon temelli bir özellik seçimi yöntemi olan Pearson korelasyon analizi uygulanmıştır. Belirlenen 0.95 eşik değeri doğrultusunda birbirleriyle yüksek korelasyona sahip özellik çiftleri tespit edilmiş ve GPA ile düşük korelasyon gösteren bir özellik gereksiz olarak değerlendirilmiş ve veri setinden çıkarılarak özellik seçimi gerçekleştirilmiştir. Bu kapsamda, "Diploma Notu", "Yerleştirme Puanı", "TYT Puanı", "SAY Puanı", "TYT Başarı Sıralama Yüzdesi" ve "SAY Başarı Sıralama Yüzdesi" özellikleri analiz dışı bırakılmıştır. İkinci aşamada, bağımsız değişkenlerin GPA üzerindeki etkilerini değerlendirmek ve en yüksek tahmin gücüne sahip değişkenleri belirlemek amacıyla lojistik regresyon analizi uygulanmıştır. Bu analizle, modelin açıklayıcı gücünü en çok artıran öznitelikler istatistiksel olarak değerlendirilmiştir. GPA en güçlü etkiye sahip değişkenin, -0,811 B katsayısıyla negatif yönde etkili olan "Ders Tekrarı Sayısı" olduğu tespit edilmiştir. Bunun yanı sıra, "Hazırlık Programında Geçirilen Dönem Sayısı", "Dersi Alan Öğrenci Sayısı", "Ders Tekrarı Sayısı", "Lise Başarı Puanı" ve "Fizik Doğru Sayısı" gibi öznitelikler %5 anlamlılık düzeyinde modelde istatistiksel olarak anlamlı bulunmuştur. Üçüncü analizde, DPH verileri (demografik bilgiler +akademik performans + lise ve yükseköğretim giriş sınavı sonuçları) kullanılarak, geliştirilen hibrit PSO-DNN modeli, geleneksel makine öğrenmesi ve klasik DNN yöntemleriyle dönem başında karşılaştırılmıştır. Yapılan deneyler, PSO-DNN modelinin en yüksek doğruluk (%63,3), F1 skoru (%56,1), kesinlik (%63,8) ve duyarlılık (%63,3) değerlerine ulaştığını göstermiştir. Özellikle "Kaldı" sınıfının tahmininde PSO-DNN modeli, daha yüksek doğruluk ve duyarlılık değerleri elde etmiştir. Sonuç olarak, PSO-DNN modeli, dönem başında öğrenci başarısını tahmin etmede genel performans açısından güçlü ve etkili bir yöntem olarak öne çıkmaktadır. Dördüncü aşamada, dönem başında veri gruplarının ayrı ayrı ve birlikte kullanıldığı veri kombinasyonlarının, öğrenci başarısını tahmin etme etkinliği incelenmiştir. En yüksek doğruluk değeri %65,4 ile önerilen PSO-DNN modeli ve P (akademik) veri grubunda elde edilmiştir. Önerilen model, DPH kombinasyonuyla %63,3 doğruluk, %56,1 F1 skoru, %63,8 kesinlik ve %63,3 duyarlılık değerleri elde etmiştir. Bu değerler, özellikle lise başarı puanları ve üniversiteye giriş sınav sonuçlarının tahmin gücünü artırdığını göstermektedir. Genel olarak PSO-DNN modeli, doğruluk açısından diğer modellerden daha iyi performans göstermiştir. Karşılaştırmalı olarak en yakın sonuçları Rasgele Orman modeli vermiştir; Karar Ağaçları ise en düşük başarıyı göstermiştir. Bu sonuçlar, karmaşık yapılı modellerin daha fazla değişkenle daha başarılı tahminler yapabildiğini göstermektedir. Beşinci analizde, ara sınav, kısa sınav, ödev ve proje çalışması gibi dönem içi değişkenler modele eklenerek, tahminlerin dönem başı, ara sınav öncesi ve final öncesi olmak üzere farklı zaman dilimlerinde değerlendirilmesi sağlanmıştır. En yüksek başarıyı dönem başında ve ara sınav öncesinde PSO-DNN modeli, final öncesinde ise RF modeli gerçekleştirmiştir. Final öncesinde tüm modellerin doğruluk, F1 skoru, kesinlik ve hatırlama değerlerinde önemli iyileşmeler kaydedilmiş, bu da daha fazla verinin tahmin performansını artırdığını göstermiştir. Altıncı analizde, modelin genelleştirilebilirliğini test etmek amacıyla, yaygın kullanılan xAPI-Edu-Data veri seti kullanılmıştır. Bu veri seti ile yapılan testlerde önerilen PSO-DNN modeli sürü boyutu, maksimum iterasyon ve gizli katman sayısı gibi belirli sınırlamalara rağmen en yüksek performans gösteren iki modele yakın diğer modellerden ise daha iyi doğruluk değeri elde etmiştir. Yedinci analizde ise SHAP (SHapley Additive exPlanations) ve LIME (Local Interpretable Model-agnostic Explanations) gibi açıklanabilir yapay zeka (XAI) teknikleri uygulanarak modelin karar mekanizması şeffaflaştırılmıştır. Bu analizler,modelin tahminlerinde en etkili olan öznitelikleri ortaya koymuş; "Dersi Alan Öğrenci Sayısı", "Lise Başarı Puanı", "Ders Tekrar Sayısı" ve "TYT Yerleştirme Puanı" gibi değişkenlerin etkili olduğu anlaşılmıştır. Son aşama olan duyarlılık analizinde XAI bulguları, t-testi ve ANOVA sonuçlarıyla karşılaştırılmış ve yüksek derecede tutarlılık göstererek modelin istatistiksel açıdan güvenilirliğini desteklemiştir. Yapılan analizler, modelin belirli özelliklere karşı yüksek duyarlılık gösterdiğini ortaya koymuştur. Özellikle sınıf mevcudunun az olmasının başarı üzerinde olumlu etki yarattığı, dengeli dağıtılmış ders yükünün akademik performansı artırdığı, hazırlık eğitiminin istatistiksel açıdan anlamlı faydalar sağladığı ve STEM alanlarındaki başarının genel akademik sonuçlara önemli katkı sunduğu gözlemlenmiştir. Çalışmanın sınırlılıkları arasında, tek bir üniversite ve dersle sınırlı olması, hiperparametre optimizasyonunda teknik kısıtlamalar ve hesaplama maliyetleri yer almaktadır. Gelecek çalışmalar için, modelin farklı eğitim kurumları ve disiplinlerde test edilmesi, optimizasyon tekniklerinin çeşitlendirilmesi, XAI yöntemlerinin derinleştirilmesi ve bulut tabanlı uygulamalarla yaygınlaştırılması önerilmektedir. Ayrıca, veri güvenliği ve gizliliğinin sağlanmasına yönelik çalışmaların artırılması, modelin pratik uygulamalarda daha etkin kullanılmasını sağlayacaktır. Sonuç olarak, bu çalışma, eğitim alanında veriye dayalı karar alma süreçlerine önemli katkılar sunmaktadır. Geliştirilen PSO-DNN modeli, öğrencilerin akademik performanslarını erken dönemde tahmin ederek, eğitimcilere ve politika yapıcılara rehberlik etme potansiyeli taşımaktadır. Modelin açıklanabilirliği ve şeffaflığı, eğitim ortamlarında yapay zekâ tabanlı sistemlere olan güveni artırabilir. Gelecekte, bu tür modellerin yaygınlaşmasıyla, kişiselleştirilmiş eğitim stratejilerinin geliştirilmesi ve öğrenci başarısının küresel ölçekte artırılması mümkün olacaktır.