Öznitelik seçme ve makine öğrenmesi yöntemleriyle eğitmen performansının tahmin edilmesi

Abstract

Günümüzde hayatın her sektöründe işlenen veri miktarının artması, veri madenciliğin giderek daha popüler hale gelmesine yol açmış ve yüksek miktarda verinin artan bir karmaşıklıkta işlenmesi ihtiyacı doğmuştur. Finanstan, sağlığa, savunmadan eğitime onlarca sektörün sorunlarını çözmek adına gün geçtikçe farklı yöntemler geliştirilmekte, sosyal, ekonomik, bilimsel birçok problemin çözümü adına veri madenciliği yöntemlerine başvurulmaktadır. Eğitilen ve eğiten sayısının gün geçtikçe arttığı eğitim sektöründe ise, sistemin başarısının geliştirilebilmesi için, gerek eğitilen gerekse eğitimcilerinin performanslarının takip edilmesi ve kıymetlendirilmesi ihtiyacı, eğitimsel veri madenciliği kavramını doğurmuştur. Bu alanda yapılan çalışmalar genel olarak, öğrenci performansı konularına yoğunlaştığından, eğitmen performansı konusunda daha çok çalışmaya ihtiyaç duyulmaktadır. Eğitimsel veri madenciliği alanında öznitelik seçme ile birleştirilmiş makine öğrenmesi kullanan çalışmaların genel olarak öğrenci performansı üzerine yoğunlaştığı, ancak az sayıdaki çalışmanın eğitmen performansı üzerinde durduğu görülmüştür. Bu çalışmamızda, eğitmen performansının eğitimsel veri madenciliği yöntemleriyle nasıl tespit edilebileceği üzerinde durulmuştur. Çalışma kapsamında Gazi Üniversitesi öğrencilerinin eğitmenleri hakkında doldurdukları bir Likert Ölçekli Anket veri seti üzerinde çalışılmış, çeşitli öznitelik indirgeme algoritmaları ve farklı makine öğrenme yöntemleriyle veri seti kıymetlendirilmiş ve eğitmenlerin performansları tahmin edilmiştir. Elde edilen sonuçlara göre genetik algoritma ile öznitelik seçmenin, kullanılan veri seti için diğer yöntemlere kıyasla en iyi sonucu verdiğini göstermiş ve 33 tane öznitelik yerine 19 öznitelik kullanılabileceği ortaya çıkarılmıştır. Genetik algoritma ile birlikte makine öğrenmesi yöntemi olarak derin öğrenme kullanımı ile birlikte %97,70 bir tahmin doğruluk performansına ulaşılmış ve bu değerin tüm özniteliklerin kullanılması ile elde edilebilecek değerden yüksek olduğu görülmüştür. Bu çalışmayı diğerlerinden farklı kılan özelliği ise, indirgenmiş öznitelik sayısı ve makine öğrenmesini birleştirmesinin yanında, eğitmen performanslarının sıralanması işlemini de somut olarak yapmasıdır.

Today, increasing amount of data in all sector of life, make data mining more popular, and high amount of data in increasing complexity demanded to acquit. Different methods developed day by day, for solving problems at many sectors like finance, health, defense, and education, applied to data mining for many social, economic, and scientific issues. In the education area, where both number of instructors and students always increase, for enhancing system performance, it is needed to observe and evaluate the performance of students and instructors and such situation causes to reveal a new concept Educational Data Mining. Research in this area generally focuses on student performance. Thus, there is a need for research in instructor performance. Research using machine learning combined with attribute selection in the field of educational data mining have focused on student performance in general, but few studies have focused on instructor performance. In this paper, it was discussed how the performance of the instructor can be determined by educational data mining methods. A Likert type questionnaire dataset on opinions of the Gazi University’s student regarding their instructor’s teaching performance is used in this research and different feature reduction, and machine learning algorithms are used for evaluating the data set and performances of instructors. According to the obtained results, it has been revealed that the feature selection with genetic algorithm gives the best result for the used data set compared to the other methods and 19 attributes can be used instead of 33 attributes. Utilizing genetic algorithm and deep learning as a machine learning method has achieved a predictive accuracy performance of 97.70 %, which is higher than the value that can be achieved by using all the attributes. This study differs from the others in that it combines the reduced number of attributes and machine learning, as well as the ordering of instructor performances in concrete terms.