Lise giriş sınavında öğrenci başarılarının makine öğrenmesi teknikleri ile analizi

Son yıllarda Eğitsel Veri Madenciliği çalışmalarında Makine Öğrenmesi algoritmaları oldukça yaygın biçimde kullanılmaya başlanmıştır. Bu çalışmada öğrencilerin ders başarı notları ile bireysel ve çevresel özelliklerini içeren veri seti kullanarak LGS sınavındaki başarı tahminlemesi yapılmıştır. Çalışma aynı zamanda tek tabanlı ve topluluk (Ensemble) algoritmalarının performanslarını karşılaştırılmak suretiyle en iyi modeli de önermektedir. Oluşturulan modelleri kıyaslamada R-Squared değeri referans kabul edilirken MSE, RMSE, MAE ve MAPE metriklerine de bakılmıştır. Çalışmada aynı zamanda Feature Selection metodlarının da model performansına etkileri araştırılmıştır. Elde edilen sonuçlarda Feature Selection uygulanmadan tüm veri seti kullanılarak Stacking mimaride Super Learner model ile en iyi performans elde edilmiştir. Modelin R-squared değeri 0,79 olurken MSE 161,32 olarak hesaplanmıştır. Çalışmanın sonuçları çalışılan modelin gelişime açık bir model olduğunu ortaya koymaktadır. Öte yandan öğrencilerin öğrenim ve kişisel özelliklerini içeren veriler kullanılarak merkezi sınavlardaki başarı düzeylerinin modellenebileceğini de göstermektedir. Kullanılan bu teknik ilerleyen dönemlerde öğrencilerin güçlü ve zayıf yönlerinin belirlenmesinde ve öğrencilerin başarısının arttırılmasında önemli bir yere sahip olabilir.