Makine öğrenmesi algoritmaları kullanarak ortaokul öğrencilerinin programlama becerilerinin tahmin edilmesi

Abstract

Günümüzde gelişen teknoloji ile birlikte bilgisayar programlama becerisine sahip olan bireylere ihtiyaç artmıştır. Bu insan kaynağının erken yaşta tespiti ile bilgisayar ve yazılım alanlarında yetiştirilecek bireylerin küçük yaştan itibaren eğitim almalarının önemi giderek artmaktadır. Bu tez çalışmasının amacı, makine öğrenmesi algoritmaları kullanılarak ortaokul öğrencilerinin programlama becerilerinin tahmin edilmesidir. Araştırmada Konya Bilim Merkezi atölye ve laboratuvar alanlarında programlama eğitiminde yer alan ortaokul öğrencilerinin Code.org klasik labirent uygulaması ve yetenek testi verileri kullanılmıştır. Katılımcıların programlama becerilerini tahmin etmek için iki farklı çalışma gerçekleştirilmiştir. Birinci çalışmada yetenek testi verilerinden öğrencilerin Code.org klasik labirent uygulaması puanları makine öğrenmesi algoritmaları ile tahmin edilmeye çalışılmıştır. İkinci çalışmada ise makine öğrenmesi sınıflandırma algoritmaları yardımıyla yetenek testi verilerinden öğrencilerin başarı sınıfları tespit edilmeye çalışılmıştır. Öğrencilerin Code.org klasik labirent uygulaması puanlarını tahmin etmede Bayesian Regularization algoritması ile eğitilmiş YSA (R2=0,80), Code.org klasik labirent uygulaması başarı sınıflarının tahmin edilmesinde, DVM %94,8 doğrulukla en başarılı yöntemler olmuştur. Elde edilen sonuçlara göre yetenek testi verileri ve makine öğrenmesi algoritmaları kullanılarak ortaokul öğrencilerinin programlama becerilerinin tahmin edilebileceği sonucuna varılmıştır.

With the rapid development of technology, there has been an increased demand for individuals who possess computer programming skills. It is becoming increasingly important to identify this resource early on and provide education and training in computer and software fields at a young age. The objective of this thesis is to predict the programming abilities of secondary school students through the use of machine learning algorithms. The study utilized the Code.org Classic Maze application and aptitude test data of middle school students who participated in programming education at the Konya Science Center workshop and laboratory areas. Two distinct studies were conducted to forecast the participants' programming skills. The first study attempted to predict the aptitude test scores of students using machine learning algorithms for the Code.org Classic Maze application. In the second study, machine learning classifiers were utilized to determine students' success categories based on aptitude test data. ANN (R2=0,80), trained with the Bayesian Regularization algorithm exhibited the highest degree of success in predicting students' scores on the Code.org Classic Maze application. Meanwhile, SVM %94,8 demonstrated the highest level of success in predicting students' success categories on the Code.org Classic Maze application. Based on the findings, it can be inferred that the coding proficiencies of middle school students are forecasted by utilizing aptitude test information coupled with machine learning algorithms.