Öğrenci Başarısının Tahminine Yönelik Bir Karar Destek Sistemi: TensorFlow ile Simülasyon Tabanlı Bir Yaklaşım
DOI:
https://doi.org/10.5281/zenodo.17795088Anahtar Kelimeler:
Karar destek sistemi, TensorFlow, derin öğrenme, öğrenci başarısıÖzet
Bu çalışma, yükseköğretim öğrencilerinin akademik başarı düzeylerini öngörmeye yönelik bir karar destek sistemi (KDS) geliştirmeyi amaçlamaktadır. Gerçek öğrenci verisine erişim sınırlılıkları nedeniyle, literatürde tanımlanan akademik ve davranışsal değişkenler temel alınarak sentetik (simülasyon tabanlı) bir veri seti oluşturulmuştur. Veri seti; öğrencilerin devam oranı, önceki dönem genel not ortalaması (GANO), haftalık çalışma süresi, ödev teslim durumu, kısa sınav ortalaması, bölüm türü (STEM alanı) ve öğrenim dönemi gibi değişkenleri içermektedir.
Model, TensorFlow kullanılarak oluşturulan derin sinir ağı (DNN) mimarisiyle eğitilmiş ve çıktı değişkeni olarak öğrencinin başarılı olup olmadığı tanımlanmıştır. Modelin performansı doğruluk (0.98), ROC-AUC (0.62) ve F1 (0.99) ölçütleriyle yüksek düzeyde bulunmuştur. Ayrıca, permütasyon tabanlı özellik önem analizi ile modelin tahminine en çok katkı sağlayan değişkenler belirlenmiştir. Analiz sonucunda, bölüm türü (STEM alanında olma durumu), ödev teslimi ve haftalık çalışma saati değişkenlerinin öğrenci başarısını öngörmede en etkili faktörler olduğu görülmüştür.
Elde edilen sonuçlar, TensorFlow tabanlı yapay zekâ yaklaşımlarının eğitim analitiği ve öğrenci başarısının erken tahmini alanlarında karar destek aracı olarak etkin biçimde kullanılabileceğini göstermektedir. Bu çalışma, simülasyon tabanlı bir veri yaklaşımıyla da olsa, eğitimde yapay zekâ destekli karar verme süreçlerine katkı sunmaktadır.
Referanslar
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., ... & Zheng, X. (2016). TensorFlow: A System for Large-Scale Machine Learning. In 12th USENIX symposium on operating systems design and implementation (OSDI 16) (pp. 265-283).
Ahmad, K., Qadir, J., Al-Fuqaha, A., Iqbal, W., El-Hassan, A., Benhaddou, D., & Ayyash, M. (2020). Artificial intelligence in education: a panoramic review.
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In Learning analytics (pp. 61–75). Springer.
Chatti, M. A., Dyckhoff, A. L., Schroeder, U., & Thüs, H. (2012). A reference model for learning analytics. International Journal of Technology Enhanced Learning, 4(5–6), 318–331. https://doi.org/10.1504/IJTEL.2012.051815
Chollet, F. (2021). Deep Learning with Python (2nd ed.). Manning Publications.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow (3rd ed.). O’Reilly Media.
Gray, G., McGuinness, C., & Owende, P. (2014). An application of classification models to predict learner progression in tertiary education. Advances in Artificial Intelligence, 2014, 1–7.
Khalil, M., Liu, Q., & Jovanovic, J. (2025). AI for data generation in education: Towards learning and teaching support at scale. British Journal of Educational Technology, 56(3), 993-998.
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. International Conference on Learning Representations (ICLR). https://doi.org/10.48550/arXiv.1412.6980
Kotsiantis, S. B., Pierrakeas, C., & Pintelas, P. (2010). Predicting students’ performance in distance learning using machine learning techniques. Applied Artificial Intelligence, 18(5), 411–426.
Kuzilek, J., Hlosta, M., & Zdrahal, Z. (2017). Open university learning analytics dataset. Scientific Data, 2, 150048.
Ojajuni, O., Ayeni, F., Akodu, O., Ekanoye, F., Adewole, S., Ayo, T., ... & Mbarika, V. (2021, September). Predicting student academic performance using machine learning. In International Conference on Computational Science and Its Applications (pp. 481-491). Cham: Springer International Publishing.
Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49–64.
Patki, N., Wedge, R., & Veeramachaneni, K. (2016). The synthetic data vault. 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA), 399–410. https://doi.org/10.1109/DSAA.2016.49
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355. https://doi.org/10.1002/widm.1355
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1), 1929-1958.
Tempelaar, D. T., Rienties, B., & Giesbers, B. (2015). In search for the most informative data for feedback generation: Learning analytics in a data-rich context. Computers in Human Behavior, 47, 157-167.
Zhang, Y., Yun, Y., An, R., Cui, J., Dai, H., & Shang, X. (2021). Educational data mining techniques for student performance prediction: method review and comparison analysis. Frontiers in psychology, 12, 698490
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 International Journal of Social and Humanities Sciences Research (JSHSR)
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
