Öğrencinin akademik performansını tahmin etmede açıklanabilir yapay zekâ ve makine öğrenimi kullanımı

Bu çalışmanın amacı, öğrencilerin akademik performanslarının makine öğrenmesi yöntemleri kullanılarak tahmin edilmesi ve geliştirilen modellerin açıklanabilir yapay zekâ teknikleri ile yorumlanabilir hâle getirilmesidir. Günümüzde eğitim kurumlarında öğrenci bilgi sistemleri ve dijital öğrenme ortamları aracılığıyla büyük miktarda veri üretilmektedir. Bu verilerin makine öğrenmesi yöntemleriyle analiz edilmesi, öğrencilerin akademik performanslarının erken aşamada tahmin edilmesine ve risk altındaki öğrencilerin belirlenmesine olanak sağlamaktadır. Açıklanabilir yapay zekâ yaklaşımları ise bu tahminlerin hangi değişkenlere dayandığını ortaya koyarak model sonuçlarının daha şeffaf, yorumlanabilir ve güvenilir hâle gelmesini desteklemektedir. Araştırma kapsamında öğrencilerin akademik performansını etkileyebileceği düşünülen çok boyutlu değişkenler kullanılarak bir veri seti oluşturulmuştur. Çalışmada kullanılan veriler öğrenci bilgi sistemi (UBYS) kayıtları ve öğrencilerden elde edilen anket verilerinden oluşmaktadır. Veri setinde öğrencilerin sınav notları, devam durumu, çevrimiçi öğrenme kaynaklarının kullanımı, sosyal medya kullanımı, teknoloji kullanımı ve sosyo-demografik özellikleri gibi çeşitli değişkenler yer almaktadır. Veri ön işleme sürecinde eksik verilerin kontrol edilmesi, kategorik değişkenlerin sayısallaştırılması ve veri setinin modelleme için uygun hâle getirilmesi işlemleri gerçekleştirilmiştir. Araştırmada öğrencilerin akademik performansını tahmin etmek amacıyla hem sınıflandırma hem de regresyon tabanlı makine öğrenmesi modelleri kullanılmıştır. Sınıflandırma analizlerinde Support Vector Machine (SVM) algoritması en yüksek performansı göstermiştir. Modelin test veri seti üzerinde elde ettiği doğruluk oranı 0.9071, F1 skoru 0.9129, dengeli doğruluk değeri 0.9062, ROC-AUC değeri 0.9389 ve PR-AUC değeri 0.9294 olarak hesaplanmıştır. Bu sonuçlar modelin öğrencilerin akademik performanslarını yüksek doğrulukla sınıflandırabildiğini ve sınıflar arasındaki ayrımı başarılı bir şekilde gerçekleştirebildiğini göstermektedir. Regresyon analizlerinde ise öğrencilerin akademik performansları sürekli bir değişken olarak ele alınmış ve farklı regresyon modelleri karşılaştırılmıştır. Yapılan analizler sonucunda XGBoost regresyon modeli en başarılı performansı göstermiştir. Modelin test veri seti üzerinde elde ettiği R² değeri 0.6963, RMSE değeri 12.4614 ve MAE değeri 8.9904 olarak hesaplanmıştır. Bu sonuçlar modelin öğrencilerin akademik performansındaki varyansın önemli bir kısmını açıklayabildiğini ve gerçek değerlere yakın tahminler üretebildiğini göstermektedir., Çalışmanın önemli katkılarından biri geliştirilen makine öğrenmesi modellerinin açıklanabilir yapay zekâ yöntemleri kullanılarak yorumlanmasıdır. Bu amaçla SHAP ve LIME yöntemleri kullanılmıştır. SHAP analizi sonuçlarına göre öğrencilerin akademik performansını etkileyen en önemli değişkenlerin başında baba eğitim durumu, ders (çalışma) notları, çevrimiçi kurs kullanımı, sosyal medya kullanımının ders çalışmaya etkisi ve e-ders kaynaklarının kullanımı gelmektedir. LIME analizi sonuçları ise bireysel tahminler üzerinde derslere düzenli katılım, baba eğitim durumu, ders çalışma sırasında verilen mola sıklığı, çevrimiçi kurslara katılım ve öğrencinin yaşadığı yer gibi değişkenlerin önemli rol oynadığını göstermektedir. Elde edilen bulgular öğrencilerin akademik performanslarının yalnızca akademik göstergelerle değil, aynı zamanda sosyo-demografik faktörler, öğrenme davranışları ve dijital öğrenme kaynaklarının kullanımı gibi çok boyutlu değişkenlerle ilişkili olduğunu ortaya koymaktadır. Ayrıca açıklanabilir yapay zekâ yöntemleri sayesinde makine öğrenmesi modellerinin karar süreçleri daha anlaşılır hâle getirilmiş ve eğitim alanında veri temelli karar verme süreçlerinin desteklenebileceği gösterilmiştir. Sonuç olarak bu çalışma, makine öğrenmesi ve açıklanabilir yapay zekâ yaklaşımlarının öğrencilerin akademik performansının tahmin edilmesinde etkili araçlar sunduğunu ve bu tür modellerin eğitim kurumlarında erken uyarı sistemlerinin geliştirilmesine katkı sağlayabileceğini ortaya koymaktadır.