The aim of this study is to model students' academic performance based on their interaction with the online learning environment designed by researchers. The dataset includes 10 input attributes extracted from students' learning activity logs. And as an output variable (class) final grades obtained by students in Computer Hardware course was used. The predictive performance of three different classification algorithms were tested (Naïve Bayes, Classification Tree, and CN2 rules) on dataset. Predictive performance of algorithms were compared in terms of Classification Accuracy (CA), and Area under the ROC Curve (AUC) metrics. All analysis were performed by using Orange data mining tool and models were evaluated by using ten-fold cross-validation. Results of analysis were presented as Confusion Matrix, Decision Tree, and IF-THEN rules. The experimental results indicate that the Naïve Bayes algorithm outperforms other classification algorithms in terms of CA and AUC metrics. On the other hand models which are generated by Classification Tree and CN2 algorithm are easy to understand for non-expert data mining users.
academic performance modeling final grade prediction classification educational data mining learning analytics
Bu çalışmanın amacı çevrimiçi öğrenme ortamındaki etkileşim verilerine göre öğrencilerin Bilgisayar
Donanımı dersine ilişkin akademik performanslarının modellenmesidir. Çalışmada kullanılan veri seti
öğrencilerin çevrimiçi öğrenme ortamındaki log verilerinden elde edilen 10 adet değişkeni ve sınıf (tahmin)
değişkeni olarak da öğrencilerin akademik performanslarının yansıması olan dönem sonu notlarını içermektedir.
Yapılan analizlerde 3 farklı veri madenciliği algoritmasının (Naïve Bayes, Karar Ağacı ve CN2) sınıflama
performansı karşılaştırılmıştır. Elde edilen modellerin tahmin performanslarının karşılaştırılması için Doğru
Sınıflama Oranı (DSO) ve ROC Altında Kalan Alan (EAKA) metrikleri kullanılmıştır. Tüm analizler Orange
veri madenciliği yazılımı ile gerçekleştirilmiştir ve elde edilen modellerin genelleştirilmesi için 10k çapraz
geçerlilik yöntemi kullanılmıştır. Analiz sonuçları çapraz tablo, karar ağacı ve eğer-ise kurallar dizisi şeklinde
sunulmuştur.
Akademik performans modelleme tahmin sınıflama eğitsel veri madenciliği dönem sonu not tahmini
Primary Language | English |
---|---|
Journal Section | Articles |
Authors | |
Publication Date | January 10, 2015 |
Published in Issue | Year 2015 Volume: 14 Issue: 3 |