Vol. 8 No. 48 (2020)

Research Article

Using Educational Data Mining in Assessment of Student Achievement

Published 2020-05-30

Cilt 8 Sayı 48 kapak

Öz

Öğrenci Başarısının Değerlendirilmesinde Eğitsel Veri Madenciliğinin Kullanımı

Eğitim, genel anlamda kasıtlı kültürleme sürecidir. Buradaki kasıt kavramı, beklentileri tesadüflere bırakmayan, dolayısıyla istenmedik durumları dışarda tutan bir programa vurgu yapar. Bu program ne kadar doğru ve etkili bir şekilde düzenlenmiş olursa olsun, süreç sonunda yine de ölçme ve değerlendirme işlemleriyle kalite kontrolü yapılır. Eğitimde gerçekleşen ölçme ve değerlendirme işlemleri, hem öğrencinin, hem de programın etkililiği açısından dönütler sağlar. Bu durum, sürecin etkilice yeniden düzenlenmesine de yol gösterici olur. Ürüne ya da sonuca dayalı geleneksel öğrenci değerlendirme yaklaşımlarından, sürece dayalı alternatif değerlendirme yaklaşımlarına geçişte karşılaşılan sorunlardan biri de, öğrenciye ait birden fazla alternatif ölçme aracıyla toplanan verilerin bir arada değerlendirilmesi güçlüğüdür. Öğrencilere ait tüm verilerin, öğrencilerin akademik başarılarını sağlıklı bir şekilde belirlemede kullanılması, süreç değerlendirme yaklaşımının başarısını olumlu yönde etkileyecektir. Eğitsel veri madenciliği, farklı kaynaklar kullanılarak eğitsel sürece ilişkin elde edilen büyük miktardaki verilerden, şimdiki ve gelecekle ilgili tahmin yapmamızı sağlayacak bağıntı ve kuralların bilgisayar program kullanılarak aranmasıdır. Bu işlemle, desen tanıma yöntemlerinden herhangi birini veya birkaçını kullanarak çok büyük bir veri ambarı içerisindeki desenlerin, benzerliklerin ve korelasyonların tespit edilmesi ve anlamlandırılması sağlanabilir. Portfolyo (ürün dosyaları/Performan dosyaları), rubrikler, öz ve akran değerlendirme, performans değerlendirme gibi süreci değerlendirmeyi amaçlayan ölçme araçlarından elde edilen verilerin bir bütünlük içinde değerlendirilmesi sağlanarak, sadece öğrencinin akademik başarısına ilişkin bağıntılar değil, öğrenciye, öğretmene, okula ve derslere ait bağıntılar da elde etmek mümkün olabilecektir.

Anahtar Kavramlar: Değerlendirme, alternatif değerlendirme, veri madenciliği, eğitsel veri madenciliği

Anahtar Kelimeler Değerlendirme, alternatif değerlendirme, veri madenciliği, eğitsel veri madenciliği

Abstract

Education is the deliberate enculturation process in general. The concept of deliberation here emphasizes a program that does not leave expectations to coincidences and thus excludes unwanted situations. No matter how accurately and effectively this program is organized, quality control is still carried out at the end of the process with assessment and evaluation processes. The assessment and evaluation processes in education provide feedback in terms of the effectiveness of both the student and the program. This would also lead to an effective reorganization of the process. One of the problems faced during the transition from product or outcome based student assessment approaches to process-based alternative assessment approaches is the difficulty in evaluating the student data collected by more than one alternative assessment instruments. Using all the data about the student in determining the academic achievement of students affects the success of process assessment approach positively. Educational Data Mining is the computer aided search of the relations and rules that enable us to make predictions about the present and the future through the use of the massive amount of data concerning the educational process obtained from various sources. With this process, patterns, similarities and correlations that are in a large data warehouse can be determined and interpreted by using any of pattern recognition methods. Through enabling holistic evaluation of data obtained by process evaluation oriented assessment instruments such as portfolio, rubrics, self and peer assessment, performance assessment etc. it will be possible to obtain the relations concerning not only students’ academic achievement but also students, teachers, schools and courses.

Keywords Assessment, alternative assessment, data mining, educational data mining

PDF (Turkish)

References

  1. Agarwal, S., Pandey, G., & Tiwari, M. (2012). "Data mining in education: data classification and decision tree approach". International Journal of e-Education, e-Business, Management and Learning, 2(2). 140-144. DOI: https://doi.org/10.7763/IJEEEE.2012.V2.97
  2. Akpınar, H. (2000). Veri tabanlarında bilgi keşfi ve veri madenciliği. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29(1), 1-22.
  3. Anderson, L. W. ve Krathwohl, D.R. (2002). A revision of Bloom’s taxonomy: Theory into Practice, 41(4). DOI: https://doi.org/10.1207/s15430421tip4104_2
  4. Bahar, M., Nartgün, Z., Durmuş, Ş. ve Bıçak, B. (2015). Geleneksel-tamamlayıcı ölçme ve değerlendirme teknikleri. Ankara: Pegem Akademi
  5. Başol, G. (2016). Eğitimde ölçme ve değerlendirme (4. Baskı). Ankara: Pegem Akademi.
  6. Baykul, Y. (2000). Eğitimde ve psikolojide ölçme: Klasik test teorisi ve uygulaması. Ankara: ÖSYM Yayınları
  7. Boyd, R. (1989). Improving teacher evaluations. Eric Clearing House on Test Meassurement an Evaluation. Washinton DC: Eric Identifier (ED315431).
  8. Bozkır, A. S., Sezer, E., & Gök, B. (2009). Öğrenci seçme sınavında (ÖSS) öğrenci başarımını etkileyen faktörlerin veri madenciliği yöntemleriyle tespiti. 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), Karabük.
  9. Brainard, E. (2001). Classroom management: Seventy-Three suggestions for secondary school teacher. Clearing House (00098655), 74(4) DOI: https://doi.org/10.1080/00098650109599192
  10. Calders, T., & Pechenizkiy, M. (2011). Introduction to the special section on educational data mining. SIGKDD Explorations, 13 (2). 3-6. DOI: https://doi.org/10.1145/2207243.2207245
  11. Cha, H., & Kim, Y. (2006). Learning styles diagnosis based on user ınterface behaviors for the ustomization of earning ınterfaces in an ıntelligent tutoring system. In Proceedings of the 8th International Conference on Intelligent Tutoring Systems, ITS 2006. 513-524 DOI: https://doi.org/10.1007/11774303_51
  12. Collins, L. & Horm, J.L. (1991). Best methods fort he analyses of chance. Washinton: Apa Pres.
  13. Danielson, C. & Abrutn, L. (1997). An ıntroduction to using portfolios in the classroom. Alexandria: Association for supervision and curriculum devekopment.
  14. Delavari, N., Beikzadeh, M.R. ve Phon-Amnuaisuk, S. (2005). Application of enhanced analysis model for data mining process in higer educational system, ITHET 6. Kongresinde sunulan Bildiri, Joan Dolio, (8 Haziran 2005), s.1
  15. Demirel, Ö. (2007). Eğitimde program geliştirme. Ankara: Pegem A Yayncılık
  16. Dunham, M. H. (2002). Data Mining: Introductory and Advanced Topics (1st Ed.). NJ: Prentice Hall.
  17. Dochy, F. ve McDowell, L. (1997). Assesment as a toot for learning, Studies in Educational Evaluation, 23, 279 -289. DOI: https://doi.org/10.1016/S0191-491X(97)86211-6
  18. Erdoğan, Ş. Z., & Timor, M. (2005). A Data mining application in a student database. Journal of Aeronautics and Space Technologies, 2(2). 53-57.
  19. Erkuş, A. (2009). Davranış bilimleri için bilimsel araştırma süreci (2. Baskı). Ankara: Seçkin
  20. Eroğlu, M. G. ve Kelecioğlu, H. (2011). Kavram haritası ve yapılandırılmış grilde elde edilen puanların geçerlik ve güvenirliğinin incelenmesi. Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 40: 210-220.
  21. Ertürk, S. (1984). Eğitimde program geliştirme (4. Baskı), Ankara: Meteksan
  22. Gelbal, S. ve Kelecioğlu, H.(2007). Öğretmenlerin ölçme ve değerlendirme hakkındaki yeterlilik algıları ve karşılaştıkları sorunlar. Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 33, 135-147
  23. Gülbahar, Y. ve Köse, F. (2006). Öğretmen adaylarının değerlendirme için elektronik portfolyo kullanımına ilişkin görüşleri. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 39(2): 75-93.
  24. Güntürkün, F. (2007). "A comprehensive review of data mining applications in quality ımprovement." Yayınlanmamış Yüksek Lisans Tezi, Ortadoğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  25. Han, J. & Kamber, M. (2001). Data mining concepts and techniques. New York: Academic Pres, USA
  26. Hotaman, D. (2010). "The teaching profession: Knowledge of subject matter, teaching skills and personality traits." World Conference on Educational Sciences (WCES), İstanbul, Turkey. DOI: https://doi.org/10.1016/j.sbspro.2010.03.211
  27. Huang, H., & Kim, K. (2006). Unsupervised clustering analysis of gene expression. Chance , 19(3). 49-51. DOI: https://doi.org/10.1080/09332480.2006.10722802
  28. Johnson, R., & Wichern, D.(1982). Applied multivariate statistical analysis. Englewood Cliffs, NJ:Prentice Hall
  29. Kabra, R., & Bichkar, R. (2011). Performance prediction of engineering students using decision trees. International Journal of Computer Applications , 36(11). 8-12.
  30. Karasar, N. (2007). Bilimsel araştırma yöntemi (17. Baskı). Ankara: Nobel Yayın
  31. Kass, G. (1980). An exploratory technique for ınvestigating large quantities of categorical data. Applied Statistics, 29(2). 119-127. DOI: https://doi.org/10.2307/2986296
  32. Kayri, M. (2008). Elektronik portfolyo değerlendirmeleri İçin veri madenciliği yaklaşımı. Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 5(1), 98-110.
  33. Korkmaz, H. ve Kaptan, F. (2003). İlköğretim fen öğretmenlerinin portfolyoların uygulanabilirliğine yönelik güçlükler hakkındaki algıları. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 1(13): 159-166.
  34. Kutlu, Ö., Doğan, C.D., ve Karakaya, İ. (2008). Öğrenci başarısının belirlenmesi. Performansa ve portfolyoya dayalı durum belirleme. Ankara: Pegem Akademi.
  35. Kutlu, Ö. (2006). Üst düzey zihinsel süreçleri belirleme yolları: Yeni durum belirleme yaklaşımları. Çağdaş Eğitim, 335
  36. Linn, R.L. & Miller, D. M.(2005).Measurement and assesment in teaching(9th ed.),Saddle River,NS:Prentice Hall
  37. Ma, E.W.M, & Chow, T.W.S (2004). A new shifting grid clustering algorithm. Pattern Recognition, 37(3). 503-514. DOI: https://doi.org/10.1016/j.patcog.2003.08.014
  38. Mishra, K., Tripathi, A., & Misra, A. (2012). A performance evaluation tool for behavioral analysis of students. Journal of Applied Sciences, 12(15). 1572-1579. DOI: https://doi.org/10.3923/jas.2012.1572.1579
  39. Moss, C. M. and Brookhard, S. M. (2009). Advancing formative assessment ın every classroom. ASCD Alexandria, Virginia
  40. Özçelik, D. A. (1987). Eğitim programları ve öğretim. Ankara: ÖSYM Eğitim Yayınları 8.
  41. Özçelik, D. A. (2013). Okullarda ölçme ve değerlendirme (öğretmen el kitabı) (2. Baskı), Ankara: Pegem Akademi.
  42. Özdemir, S. M. (2010). İlköğretim öğretmenlerinin alternatif ölçme ve değerlendirme araçlarına ilişkin yeterlilikleri ve hizmet içi eğitim ihtiyaçları. Türk Eğitim Bilimleri Dergisi, 8(4):787-816.
  43. Öztürk, L. (2002). Dijital uçurumun küresel boyutları. Ege Üniversitesi Uluslararası İlişkiler ve Siyaset Bilimleri Dergisi. 2(1):
  44. Parkay, F.W. (2006). Curriculum and instruction for becoming a teacher. Boston: Pearson and Allyn & Bacon.
  45. Popham, W.J. (2003). Educational evaluation. New Jersey: Prentice Hall, Englewood Cliffs.
  46. Ramaswami, M., & Bhaskaran, R. (2010). A CHAID based performance prediction model in educational data mining. International Journal of Computer Science Issues , 7(1). 10-18.
  47. Romero, C. & Ventura, S. (2007). Educational data mining: A Survey from 1995 to 2005, Expert Systems with Applications. 33(1): 135-146 DOI: https://doi.org/10.1016/j.eswa.2006.04.005
  48. Sanalan, A. ve Altun, A.(2002). Bir veri tabanı uygulaması olarak elektronik portfolyo. Erzincan Eğitim Fakültesi dergisi, 4(1): 1-11
  49. Savaş, S., Topaloğlu, N., ve Yılmaz, M. (2012). Veri madenciliği ve türkiye’deki uygulama örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi , 11(21), 1-23.
  50. Senemoğlu, N. (2007). Gelişim, öğrenme ve öğretim (kuramdan uygulamaya). Ankara: Gönül Yayıncılık
  51. Shovon, H., & Haque, M. (2012). An approach of ımproving student’s academic performance by using K–means clustering algorithm and decision tree. International Journal of Advanced Computer Science and Applications, 3(8). 146-149. DOI: https://doi.org/10.14569/IJACSA.2012.030824
  52. Stiggins, R. J. (2003). Assessment, student confidence and school success (Edit.: Allan C. Ornsteein, Contemporary Issues ın Curriculun). Pearson Education, Inc.
  53. Şengezer, B., Ansal, A., ve Bilen, Ö. (2004). Evaluation of parameters affecting earthquake damage. Natural Hazards, 47(3). 547-568. DOI: https://doi.org/10.1007/s11069-008-9238-2
  54. Tair, M., & El-Halees, A. M. (2012). Mining educational data to ımprove students' performance: A case study. International Journal of Information and Communication Technology Research, 2(2). 140-146.
  55. Tekin, H. (2016). Eğitimde ölçme ve değerlendirme (26. Baskı). Ankara: Yargı Yayınevi.
  56. Tezci, E. ve Gürol, F.Ü.(2003). Oluşturmacı öğretim tasarımı ve yaratıcılık. The Turkish Online Journal of Educational Technology, 2(1), 50-55.
  57. Vranic, M., Pintar, D. & Skocir, Z. (2007). The use of data mining in education environment, ConTEL 2007 Congresinde sunulan bildiri, (Zagrep 13-15 Haziran), s.243 DOI: https://doi.org/10.1109/CONTEL.2007.381878
  58. Zaiane, O. & Luo, J. (2001). Web usage mining for a batter web-based learning environment. Advanced Technology for Education Congress. (Banff, Alberta, 27-28 Haziran 2001:1)
  59. Yaman, S. ve Karamustafaoğlu, S. (2011). Öğretmen adaylarının ölçme ve değerlendirme alanına yönelik yeterlilik algı düzeylerinin incelenmesi. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 44(2):53-72.
  60. Yıldırım, A. ve Şimşek, H. (2016). Sosyal Bilimlerde Nitel Araştırma Yöntemleri, (10. Baskı) Ankara: Seçkin Yayınevi.