Eğitimsel veri madenciliği ve bir uygulaması

Büyük veri kümeleri içinde saklı desenlerin belirlenmesiyle, anlamlı bilgi keşfini amaçlayan ve birçok alanda uygulaması bulunan veri madenciliği yaklaşımının eğitim alanındaki kullanımı son yılların oldukça ilgi uyandıran konusudur. Dijital dönüşüm ve otomasyonda sağlanan ilerlemeler, daha büyük boyutta ve daha fazla çeşitlilikte veriyi elde etme ve saklama imkanı yaratmıştır. Aynı zamanda, giderek daha iyi sonuçlar verecek şekilde geliştirilen makine öğrenmesi algoritmaları da, elde edilen bu verilerin daha iyi analiz edilmesini mümkün kılmıştır. Veri madenciliği tekniklerinin uygulanmasıyla gerçekleştirilen bu tip analizler, ilgili çalışma alanının paydaşlarına, daha doğru karar vermeleri ve süreç tasarımı konularında yardımcı olmaktadır. Veri madenciliği yaklaşımının eğitim alanındaki uygulamaları konusunda ise, özellikle son 10 yılda bir çok çalışma yapılmıştır. Bu tezin amacı, bilgisayar bilimi, eğitim ve istatistiğin bir kesişimi olan eğitimsel veri madenciliği ve öğrenme analitiği alanlarında yapılan çalışmaları ve uygulamaları inceleyerek, daha etkili bir eğitim ve öğrenim süreci tasarlamak, öğrencilerini daha iyi tanıyarak, onlara kişiselleştirilmiş bir öğrenim deneyimi sunmak ve eğitim süreçlerinin otomasyonu sağlamak isteyen eğitim dünyası paydaşlarına ve eğitim araştırmacılarına fikir vermek ve gelişim alanlarını göstermektir. Bu amaçla, öncelikle eğitimsel veri madenciliği ve öğrenme analitiği konularının araştırma alanlarına değinilmiş, öğrenim yönetim sistemleri, çevrimiçi öğrenim ortamları, kitlesel çevrimiçi açık dersler, veri kaynakları ve veri elde etme yolları tanıtılmış, sonrasında literatür araştırmasıyla bu alanlarda yapılan çalışmalara değinilerek uygulamalar örneklendirilmiştir. Bir sonraki bölümde, özel bir orta okulun öğrencileri üzerinde eğitimsel veri madenciliğinin bir uygulaması yapılmıştır. Bir akademik yıl boyunca okulun bilgi yönetim sisteminde kayıt altına alınan veriler kullanılarak, öğrencilerin 5 ana ders üzerindeki a-, a, b, c ve c+ yetkinlik sınıfları, eğitimsel veri madenciliği araştırmalarında en sık kullanılan 4 farklı algoritmayla tahmin edilmeye çalışılmıştır ve algoritmaların veri ön işleme öncesi ve sonrasında gösterdiği performanslar birbirleriyle karşılaştırılmıştır. Sonuçlar, tahmin edilen sınıf üzerinde 0,1 korelasyon değerinin altında değer veren değişkenlerin modelden çıkartılması yoluyla yapılan veri ön işleme yönteminin tahminleme performanslarını yükselttiğini göstermiştir. Veri ön işleme sonrası nispeten küçük veri setleri üzerinde %75 üzerinde doğruluk performansı gösteren bu veri madenciliği tekniklerinin, çok daha büyük veri setleri üzerinde, farklı eğitimsel veri madenciliği amaçları doğrultusunda göstereceği performans ve elde edilecek sonuçlar, yapılacak olan diğer çalışmalar için umut vaadetmektedir.