Zeki öğretim sistemlerinde veri madenciliği kullanılması

Abstract

ZEKİ ÖĞRETİM SİSTEMLERİNDE VERİ MADENCİLİĞİ KULLANILMASI Eğitim-öğretim faaliyetlerinde yardımcı ders yazılımı olarak kullanılan, zeki öğretim sistemleri (ZÖS), öğrencinin seviyesine göre bireysel davranması özelliği ile eğitim-öğretim faaliyetlerine olumlu katkı sağlamaktadır. Öğrenciyle ilgili farklı verileri içeren bu tür sistemlerde yer alan verilerin analiz edilmesi; bu sistemlerden üst düzeyde yararlanmayı, bulunan analiz sonuçlarına göre sistemin geliştirilmesine devam edilmesini, öğrencilere sınıf ortamında bu sonuçlara göre kılavuzluk yapılmasını sağlayacaktır. Veri analizinde ise, veriden kullanışlı, önceden bilinmeyen ve anlaşılır bilgiler elde etmek için veri madenciliği kullanılmaktadır. Veri madenciliği yöntemlerinin, zeki öğretim sistemlerindeki öğrenci verisi üzerinde kullanılması ile, bu sistemlerdeki verilerin analiz edilmesi mümkündür. Bu tez çalışmasında, zeki öğretim sisteminde veri madenciliği uygulamaları için dört ayrı yazılım tasarlanmıştır. Bu yazılımlardan birincisi, kaplama öğrenci modeli kullanan zeki öğretim sistemidir. Bu sistemde, konu alanı olarak Marmara Üniversitesi, Teknik Eğitim Fakültesi, Elektronik-Bilgisayar Eğitimi Bölümü’nde 8.dönemde yer alan “Bilgisayar Sistemleri” dersi belirlenmiştir. Sistemi, örgün ve ikinci öğrenci öğretimde toplam 103 öğrenci kullanmıştır. Zeki öğretim sisteminden alınan verilerin analiz edilmesi için ise, veri madenciliği tekniklerinden “birliktelik kuralları” ve “kümeleme analizi” kullanılmıştır. İkinci yazılımda, veri madenciliğini tek boyutlu birliktelik kuralı analizi ile gerçekleştiren program tasarlanmıştır. Bu program, ZÖS’den alınan verilerde, aynı konu içerisinde birlikte yanlış yapılan veya doğru yapılan soruları tek boyutlu birliktelik kuralı analizi ile bulmaktadır. Bu program ile, öğrencilerin birlikte başarılı veya başarısız olduğu konuların da bulunması mümkündür. Üçüncü yazılım ise, herhangi bir sorudaki yanlış veya doğru cevabın farklı konulardaki diğer soruları ne şekilde etkilediğini bulmak için analiz yapmaktadır. Bu program, ZÖS’den alınan öğrenci verilerinde farklı konulardaki sorular arasında, birlikte yanlış veya doğru yapılan soru dizilerini çok boyutlu birliktelik kuralı analizi ile bulmaktadır. Geliştirilen programlarda farklı destek değerleri ile analiz yapılabilmektedir ve analiz sonucunda çıkan kuralların güven değerleri programda hesaplanmaktadır. Dördüncü yazılımda, kümeleme analizi için, k-means algoritmasını kullanan program tasarımı gerçekleştirilmiştir. Bu program ile, öğrencilerin ZÖS’de konulardan aldıkları başarı puanlarına göre, kümeleme işlemi gerçekleştirilmektedir. Kümeleme analizi sonucunda, öğretmen istediği konulardaki başarı puanlarına ait öğrenci dağılımını görerek, sınıfta oluşan öğrenci kümelerinin ne şekilde yoğunlaştığını belirler ve bu sonuçlara göre öğretim etkinliklerini düzenler. Kümeleme işleminde, k-means algoritmasının rasgele başlangıç merkezi seçiminden etkilenmesini engellemek için, tekrarlı yapıda çalışan k-means algoritması tasarlanmış ve programda kullanılmıştır. Kümeleme işlemi, öğretmen tarafından belirlenen konulardaki başarı puanları için yapılmaktadır. Belirlenen herhangi iki konuya ait başarı puanlarına göre kümeleme yapıldıktan sonra, sonuçların görselleştirilmesi için tasarlanan kümeleme kullanılmaktadır. Kümeleme işlemi için belirlenen konu sayısı üç veya daha fazla ise, k-means programından alınan kümeleme analizi sonuçlarının görselleştirilmesi için, paralel koordinat sistemi kullanılmıştır. Bu yöntem ile çok boyutlu veriler, anlaşılır, kullanılabilir ve kolayca sonuç çıkarılabilecek şekilde, boyut indirgemesi ve veri kaybı olmadan görselleştirilmiştir. Veri madenciliğinin ZÖS’de kullanılmasına ilişkin bu tezin, öğrenciler üstündeki uygulama sonuçları eğitim açısından değerlendirilmiştir. Bu çalışma; zeki öğretim sisteminden alınan verilerde; veri madenciliği tekniklerinden, tek ve çok boyutlu birliktelik kuralı analizi, kümeleme analizinin yapılmasını ve kümeleme analizi sonuçlarının görselleştirilmesini sağlayarak bu alana katkı sağlamıştır.

USING DATA MINING ON INTELLIGENT TUTORING SYSTEMS Intelligent tutoring systems(ITS) have been used in teaching and learning activities as a supplementary software. These systems make contributions in education activities, because they can behave adaptively to the students’ learning level and they are capable of collecting vast amounts of data about students. Analyzing data which resides in ITS provides more benefit from these systems. The teacher can improve ITS and guide students in the classroom according to the analyze results. For analyzing data and getting useful, extracting unknown knowledge and understandable information, data mining is used. It is also possible to analyze data in ITS applying by data mining techniques. In this thesis for we designed four different software to apply data mining techniques on ITS. The first designed software is ITS which uses overlay student model. The domain model of ITS is “Computer Systems” course. It is 8th term course at Marmara University at Technical Education Faculty in Electronic-Computer Education Department. ITS is used by 103 students and students’ data in this system is analyzed by association rule mining and clustering techniques. The second software analyses and finds interesting association rules about students’ correct or incorrect answers by single dimensional association rule mining. This program also finds interesting association rules about concepts which are students successful or unsuccessful together. The third software finds interesting association rules about correct or incorrect answers in different concepts by multidimensional association rule mining. Designed software can make analysis with different support values and also confidence values are calculated in the program. The fourth software makes data mining application using clustering analysis. This program makes clustering analysis with k-means algorithm on the students’ concept success value. Teacher can perceive distributions of students’ concept success values and student clusters with this software. To prevent k-means algorithm initial randomly selected cluster center effect, recursive k-means algorithm is designed and used in the clustering software. Cluster analysis is made for concepts which are defined by the teacher. For visualizing any two concept success values’ clustering result, designed program is used. If defined concepts are more than three, clustering analysis result is visualized on parallel coordinate system. This visualization method is understandable, usable and it doesn’t require dimension reduction. This thesis propose an application of data mining on ITS. The application results which were taken from students are demonstrated and evaluated for educational aspect. The contribution of this study is using ITS data for data mining analysis . Data mining analysis in this study include single and multi dimensional association rule analysis, clustering analysis and visualization clustering results.