Bütünleme sınavına girecek öğrenci sayısının karar ağacı ve yapay sinir ağları ile tahmin edilmesi

Abstract

Bütünleme sınavı, genel sınav sonucunda herhangi bir dersten başarısız olan öğrenciye dersten geçebilmesi için ikinci bir şans tanınması amacıyla yapılan ve genel sınav yerine geçen bir sınav türüdür. Ancak çeşitli nedenlerden öğrencilerin dikkate değer bir kısmı bütünleme sınavı hakkını kullanmamakta ve bu sınava girmemektedir. Bu tez çalışmasında sınava girmeyecek öğrenci sayısının öngörülmesi ile gereksiz sayıda soru kâğıdı basılması, sınav salonlarının gereksiz yere açılması ve gözetmenlerin gereksiz yere görevlendirilmesi gibi kaynak, enerji ve iş gücünün gereksiz harcanmasının önüne geçilmesi hedeflenmiştir. Bu tez çalışmasında kaynakların ve iş gücünün gereksiz kullanımını önlemek amacıyla sınava girmeyecek öğrenci sayısı öngörülmeye çalışılmıştır. Çalışma için her bir öğrenciye ait kişisel olmayan verilerin özellikleri ( cinsiyet, genel ağırlıklı not ortalaması, dönem not ortalaması, dersin ara sınav notu, genel sınav notu vb.) belirlenmiştir. Belirlenen bu özelliklere bakılarak derslere ait veri setleri oluşturulmuş bu veri setleri kullanılarak Yapay Sinir Ağları ve Karar Ağacı algoritması ile uygulamalar geliştirilmiştir. Bu iki sınıflandırma yönteminden elde edilen sonuçlar kıyaslandığında Yapay Sinir Ağı ile 88,70 doğruluk oranı elde edilmişken Karar Ağacı algoritmasında 87,96 doğruluk oranında elde edilmiştir.

Make-up exam is a type of exam held to give a second chance to the student who has failed a course as a result of the final exam to pass the course. However, for various reasons, a significant number of students do not exercise their right and do not take this exam. In this thesis, it is aimed to prevent unnecessary waste of resources, energy and labor, such as printing excessive exam papers, opening redundant exam halls and assigning invigilators unnecessarily, by predicting the number of students who will not take the exam. In this thesis, an attempt was made to predict the number of students who will not take the exam in order to prevent unnecessary use of resources and workforce. For the study, the characteristics of each student's non-personal data (gender, overall weighted grade point average, semester grade average, course midterm exam grade, final exam grade, etc.) were determined. Considering these determined features, data sets for some courses were created and applications were developed with Artificial Neural Networks and Decision Tree algorithms using these data sets. When the results obtained from these two classification methods are compared; The accuracy rate was obtained as 88.70 with the Artificial Neural Network and 87.96 with the Decision Tree algorithm.