e-ö*renmede *çer*k hazırlama ve scorma
advertisement
Veri Madenciliği İle Bilgisayar Mühendisliği Öğrencilerinin Bölüme Olan Yatkınlığının Değerlendirilmesi İbrahim Berkan AYDİLEK, Dilek AYNELİ, Murat UÇAN Harran Üniversitesi, Bilgisayar Mühendisliği, Şanlıurfa berkanaydilek@harran.edu.tr, dilekayneli@gmail.com, muratucann@gmail.com Özet: Bu çalışmanın amacı eğitimsel veri madenciliği kullanılarak bilgisayar mühendisliğinde öğrenim gören öğrencilerin bilgisayar mühendisliğine olan yatkınlıklarının ve sahip olduğu kişisel özelliklerinin yeterliliğini analiz edebilmek ve değerlendirmektir. Araştırma verisi Harran üniversitesi bilgisayar mühendisliği bölümünde öğrenim gören 105 öğrenciden elde edilmiştir. Bu veriler öğrencilerden akademik benlik kavramı ölçeğinden yola çıkılarak oluşturulmuş anket uygulaması ile toplanmıştır. Hazırlanmış anket soruları bölüm akademisyenlerinin değerlendirmesine sunulmuş ve puanlandırılmıştır. Ankette 5 ayrı kategoride toplam 20 soru öğrencilere sorulmuş ve cevaplamaları istenmiştir. Anket sonuçları ile oluşturulmuş veri kümesine 5 farklı sınıflandırma yöntemi uygulanmış, sınıflandırma başarısı sonuçlarına göre çalışma için en uygun yöntem belirlenmiştir. Araştırmada elde edilen eğitimsel veri madenciliği sonuçları bilgisayar mühendisliği bölümünde okuyan öğrencilerin bölüme olan yatkınlığı hakkında değerlendirme imkânı vermiş ve bölüm akademisyenlerinin öğrencilerini daha iyi tanımalarına katkı sağlamıştır. Ayrıca bölümü öğrenim görmek için tercih etmek isteyen gelecekteki öğrenci adaylarına da bölüm ve bilgisayar mühendisliği ile ilgili fikirler sunmuştur. Anahtar Sözcükler: eğitimsel veri madenciliği, bilgisayar mühendisliği öğrencileri, bölüme yatkınlık 1. Giriş Veri madenciliği, çok fazla veri içinden veri işleme ile istenilen değerli bilginin elde edilmesidir. Veri tabanlarında veya veri ambarlarında bulunan veriler arasındaki ilişkileri örüntüleri, sapma ve eğilimler gibi bilgilerin ortaya çıkarılması veya bilgilerin keşfi veri madenciliğini oluşturur. “Veri Tabanlarından Bilgi Keşfi” (Knowledge Discovery in Databases) uygulamaları ile birlikte faaliyet alanına yönelik karar destek mekanizmaları için gerekli ön bilgileri temin etmek için kullanılır. Kısaca veri madenciliğinin amacı, toplanmış veya var olan verilerin istatistiksel yöntemlerle incelenip ilgili kurum ve yönetim destek dizgelerinde kullanılmak üzere değerlendirilmesidir [30]. Veri madenciliğinde büyük veri yığınları içerisinden gelecekle ilgili tahminler yapılmasını sağlayabilecek bağıntılar, bilgisayar programları kullanılarak aranır. Bilginin keşfi yapılırken bilgi tabanından elde edilen verilerin veri temizleme, veri bütünleştirme, veri seçme, veri dönüşümü, örüntü değerlendirme ve son olarak madencilik yapılarak elde edilmiş bilginin kullanıcıya sunumunu gerçekleştiren veri keşfi süreç adımlarından oluşmaktadır. Veri madenciliği uygulamalarını gerçekleştirmek için yöntem ve algoritmaları içeren yazılımlara kullanılır. Buna bağlı olarak, lisanslı SPSS Clementine, Excel, SPSS, SAS, Angoss, KXEN, SQL Server, MATLAB ve açık kaynak kodlu RapidMiner (YALE), WEKA, R, C4.5, Orange, KNIME olmak üzere birçok uygulama geliştirilmiştir [6]. Bu araştırmada veri madenciliği teknikleri kullanılarak bilgisayar mühendisliğinde okuyan öğrencilerin bölüme olan yatkınlıkları değerlendirilmiştir. Veri kümesi Harran üniversitesi bilgisayar mühendisliği bölümünde öğrenim gören öğrencilerden oluşturmaktadır. Anket sonuçlarından elde edilen veri kümesi veri keşfi süreç adımlarından geçirilerek uygulamada kullanılabilir hale getirilmiştir. Uygulamayı gerçekleştirmek için Weka yazılımı kullanılmış ve sonuçlar değerlendirilmiştir. Çalışmada ki amaç bilgisayar mühendisliğinde okuyan veya ilerde öğrenim görmek isteyen öğrencilerin mesleğin gerektirdiği genel özellikleri göze alınarak bölüme olan yatkınlığının değerlendirilmesidir. Bilgisayar mühendisliği mesleğinin tanımı ve gerektirdiği özellikler araştırılmış, bu anlamda öğrencilere mesleğin gerektirdiği özellikleri ortaya koyabilecek anket çalışması uygulanarak elde edilen veriler bölüm akademisyenlerimiz tarafından değerlendirilerek oluşturulmuş veri kümesi üzerinde araştırma yapılmış ve sonuçlar elde edilmiştir. 2. Literatür Taraması Kayrı M. ve Boysan M. tarafından yapılan bilişsel yatkınlık ile depresyon düzeyleri ilişkisinin sınıflandırma ve regresyon ağacı analizi ile incelenmesi çalışmasında üniversite öğrencilerinden oluşan bir grupta depresyon tanılarındaki artışa kişilerin sınırlılık algısı düzeylerinin ve öz yeterlilik değerlendirmelerinin etkisi araştırılmıştır. Veri kümesi Yüzüncü Yıl üniversitesinden 437 öğrenciye (313 erkek, 124 bayan) yapılan Sınırlılık şemaları envanteri, Genel öz yeterlilik ölçeği ve Beck depresyon envanterine alınan cevaplardan meydana gelmektedir. Veri kümesi SRA tekniği ile analiz edilmiş, bağımlı ve bağımsız değişkenler arası ilişkiler bir ağaç yapısı şeklinde ifade edilmiştir. SRA yöntemi, bu çalışmada sınırlılık algısının depresyon için bir bilişsel yatkınlık faktörü olduğunu tespit etmiştir [16]. Kurt Ç. ve Erdem Ayhan O. tarafından yapılan çalışmada başarılı ve başarısız öğrencilerin profilleri belirlenerek uygun önlem ve çözümler önerilmiştir. Öğrenci başarısını etkileyebileceği düşünülen öğrencilerin kişisel, sosyal, ekonomik ve barınma ile ilgili demografik özelliklerini içeren toplam 38 soruluk bir anket hazırlanmıştır. Sorular seçicilik, güçlülük ve güvenlik yönünden değerlendirilmesi için eğitim, bilgisayar ve veri madenciliği branşlarında uzman kişilere sunulmuş geçersiz ve gereksiz olduğu saptanan sorular çıkartılarak eksik görülen sorular eklenmiştir. Anket Gazi üniversitesi teknik eğitim fakültesinde toplam 545 katılımcıya uygulanmıştır [18]. Çöllüoğlu Gülen Ö. ve Özdemir S. tarafından yapılan çalışmanın amacı eğitimsel veri madenciliği yöntemleri ile üstün yetenekli öğrencilerin ilgili oldukları alanları tahmin etmek ve bu öğrencilerin bir arada ilgi gösterdikleri alanları belirlemektir. Araştırmanın çalışma grubunu Ankara’da yer alan Yasemin Karakaya bilim ve sanat merkezinde eğitim gören yaşları 12 ve üstü, üstün yetenekli öğrenciler oluşturmaktadır. Bu öğrencilerden veriler Akademik benlik kavramı ölçeği ile araştırmacılar tarafından geliştirilmiş olan boş zamanları değerlendirme anketi ve ebeveyn veri toplama formu ile elde edilmiştir. Ayrıca öğrencilerin WISC-R ve temel kabiliyetler testi 7-11 sonuçları da yine kullanılmıştır. Üstün yetenekli öğrencilerin ilgili oldukları alanları tahmin için 10 sınıflandırma algoritması belirlenmiş ve bu algoritmaların doğruluk sonuçları karşılaştırılarak problem tanımı için en iyi algoritma bulunmuştur. Söz konusu çalışmanın sonuçları, öğrencilerin destek eğitimi ve bireysel yetenekleri fark ettirme programlarının son aşamalarında hangi alanlara yönlendirilmeleri gerektiğini belirlemek için sistematik ve bilimsel bir yöntem sunmaktadır [5]. Şen B. ve Emine Uçar E. veri madenciliği yöntemleri ile Karabük üniversitesi bilgisayar mühendisliği bölümü öğrencilerinin başarılarını çeşitli kriterler kullanarak karşılaştırmışlardır. Çalışma uzaktan eğitimde, örgün eğitime göre başarı oranının düştüğünü göstermektedir [27]. Brijesh Kumar B. ve Saurabh P. bilgisayar uygulamaları dersindeki akademik başarıyı tahmin etmiş ve ayrıca başarı üzerinde etkili faktörleri saptamışlardır [1]. Chih-Fong T ve ark., bilgisayar yeterlilik sınavından kalacak öğrencileri tahmin etmişlerdir. Çalışmada hem kümeleme hem sınıflandırma teknikleri kullanılmıştır [28]. Kwang Hyuk I. ve ark., tasarladıkları bir anketi uygulayarak sınıflandırma ve kümeleme yöntemleri ile üstün yetenekli öğrencilerin yetenek türlerini ortaya çıkarmış ve benzer karakteristikteki öğrencileri gruplamışlardır [12]. Veri madenciliği, büyük boyutlu verilerin içindeki ilişkileri inceleyerek aralarındaki bağıntıyı bulmaya çalışan ve veri tabanı sistemleri içerisinde gizli kalmış bilgilerin çekilmesini sağlayan veri değerlendirme tekniğidir [15]. Ham verinin tek başına veremediği bilgiyi çıkaran, veri analizi aşaması olarak tanımlanmıştır [14]. Büyük veri yığınları arasından gelecekle alakalı tahminde bulunabilmemizi sağlayabilecek bağıntıların, bilgisayar programı kullanarak aranma ve bulunmasına olanak tanır [8]. İstatistik, veritabanı teknolojisi, örüntü tanıma, makine öğrenme ile iç içe yeni bir çalışma alanı oluşturarak geniş veritabanlarında önceden tahmin edilemeyen ilişkilerin ikincil analizi olarak ifade edilmiştir [11]. Bir başka kaynak ise veri madenciliğini oldukça tahminci anahtar değişkenlerin binlerce potansiyel değişkenden izole edilmesini sağlama yeteneği olarak tanımlamıştır [17]. 3. Veri Madenciliği 𝑃(𝐴|𝐵) = 3.1. Sınıflandırma Yöntemleri 3.1.1. Karar Ağaçları Karar ağaçları sınıflandırma problemlerinde en çok kullanılan algoritma ve yöntemlerden birisidir. Bu teknikte sınıflandırma için bir ağaç şeklinde yapı oluşturulur ve daha sonra sınıfı bilinmeyen bir kayıt ağaca uygulanır. Ortaya çıkan dallanma sonucuna göre bu kayıt sınıflandırılır. Temel olarak iki adımdan oluştuğu söylenebilir; Birinci adım ağacın oluşturulması, ikinci adım ise yeni bilinmeyen verilerin ağaç yapısına göre sınıfının tespit edilmesidir [26]. Karar ağacı, karar durumlarının düğümler halinde bilgi kazancı değerlerinden yola çıkılarak ifade edildiği bir yapıdır. Düğümlere ilişkin hesaplanan etropi ve bilgi kazancı değerleri ağaç yapısını oluşturur. Karar ağacı dallarındaki en iyi seçeneğin düğüm bazında belirlenebilmesi için olasılık değerleri kullanılarak hesaplanan “Beklenen Değerler” arasında karşılaştırma yapılmalıdır [9]. 3.1.2. Naive Bayes Sınıflandırıcı Naive Bayes sınıflandırıcı bir önerme ile kullanılabilen olasılık temelli bir algoritmadır. Bu önerme örüntü tanıma da kullanılacak her bir tanımlayıcı nitelik ya da özelliğin istatistik açıdan bağımsız olması gerekliliğini doğurur. Her ne kadar bu önerme Naive Bayes sınıflandırıcısının kullanım alanını azaltsa da, genelde istatistik bağımsızlık koşulu daha esnek kullanıldığında daha karmaşık yapay sinir ağları gibi yöntemlerle karşılaştırabilir sonuçlar göstermektedir [22]. Bayes sınıflandırma tekniği, elde var olan, hali hazırda sınıflanmış verileri kullanarak yeni bir verinin mevcut sınıflardan herhangi birine ait olma olasılığını hesaplayan bir yöntemdir [26]. Eşitlik 1'deki denklem yardımıyla temel olasılık değeri hesaplanır. Burada iki sonuç durumlu örneğin bir bozuk paranın yazı ya da tura gelmesi gibi olasılık hesabına göre A veya B’nin olasılığı ifade edilmiştir. 𝑃(𝐵 |𝐴).𝑃(𝐴) 𝑃(𝐵) (1) 3.1.3. Regresyon Sınıflandırıcı Regresyon analizi herhangi bir değişkenin bir veya daha fazla başka değişkenlerle arasında olan ilişki durumunun matematiksel fonksiyon halinde ifade edilmesidir. Regresyon, sınıflandırma işlemini iki yaklaşım çerçevesi şeklinde gerçekleştirir. İlki bölme yani verileri sınıfa bağlı olarak çeşitli bölgelere ayırır, ikincisi ise tahmin, çıktı değerinin hesaplanması için fonksiyonlar üretir. Bir bağımlı değişkenin tek bir bağımsız değişkenle açıklandığı regresyona “basit regresyon analizi”, bağımlı değişkenin birden fazla bağımsız değişkenle açıklandığı regresyona ise “çoklu regresyon analizi” denir [26]. En küçük kareler yöntemi ile elde edilen basit regresyon denklemi eşitlik 2’deki gibidir. 𝑦 = 𝑎 + 𝑏𝑥 + 𝑒 (2) Birden fazla bilinmeyen x değeri için ise çoklu regresyon denklemi eşitlik 3’deki gibidir. Burada a, doğrusal fonksiyon sabiti, b, doğrusal fonksiyon eğimi x, bağımsız değişkeni göstermektedir. 𝑦 = 𝑎 + 𝑏𝑥1 + 𝑐𝑥2 + 𝑑𝑥3 + 𝑒 (3) 4. Bilgisayar Mühendisliği Tanımı Bilgisayar mühendisliği, bilgisayar bilimlerini temel alan yazılım ve donanım bileşenlerini içeren sistemlerin çözümlenmesi, boyutlandırılması, tasarlanması, gerçeklemesi, sınanması, üretilmesi ve bakımı konusunda teknik çözümler üreten bir mühendislik dalıdır. Bilgisayar mühendisinin amacı insanlığın hizmetine en az kaynakla, en kısa sürede, en dayanıklı ve kullanışlı bilgi sistemi ürünlerini üretmektir [13]. Bilgisayar mühendisleri, programlama dilleri yazılım tasarımı veya yazılım, donanım kavramlarını bir araya getirerek birlikte uyum içinde çalışabilme eğitimini alırlar. Yazılımların neyi yapabileceği neyi yapamayacağı, yazılımların belirli bir görev üzerinde nasıl etkili bir verim gösterebilecekleri, yazılımların saklanmış bir veriyi nasıl yazıp okuyabileceklerini, yazılımların nasıl daha akıllı çalışabileceklerini, insan ve yazılımların birbirleriyle nasıl bir iletişim içerisinde olacakları konuları üzerinde ve elektronik devre tasarımı ile donanım ve yazılım entegrasyonu alanlarında çalışırlar [2]. 4.1. Bilgisayar Mühendisliği Mesleğinin Gerektirdiği Özellikler Mesleğinde yeterli iyi bir bilgisayar mühendisi olabilmek için literatürde olması gereken özellikler üzerine tanımlamalar yapılmıştır. Analiz ve sentez yeteneğine sahip Problem çözme yeteneğine sahip Akademik araştırma yeteneğine sahip Sayı ve sembollerle akıl yürütme gücüne sahip Bir işi öğelerine ayırıp işlem basamaklarını belirleme becerisine sahip Mantık yürütme ve tasarım yeteneğine sahip Belirli düzeyde hayal gücüne sahip Elektronik cihazları etkin kullanabilme yeteneğine sahip Kendini sürekli yenileme gereği duyan Dikkatli, sabırlı, meraklı, araştırmacı, grup çalışmasına yatkın olmayı gerektirir [13]. 5. Anket Anket, kişilerden çeşitli konularda, planlı ve standart biçimde bilgi almak için geliştirilmiş olan ve özellikle epidemiyolojik ve sosyolojik araştırmalarda sıklıkla kullanılan bir yöntemdir. Anket formu ile elde edilebilecek bilgiler anket uygulanan kişilerin bilgi düzeyi, tutumu ve görüşleri, kişilerin davranış şekilleri ve özellikleri şeklinde açıklanabilir [23]. Bu çalışmada bilgisayar mühendisliği mesleğinin gerektirdiği vasıfları geniş bir şekilde kapsayan en temel özelliklerden 5 tanesi ele alınarak sorular oluşturulmuş ve ankete katılan bireylerden bu alanlara yönelik bilgiler toplanıp veri kümesi oluşturulmuştur. Ele alınan özellikler kişinin bilgisayar mühendisliği bölümüne olan ilgisi, Sayı ve sembollerle akıl yürütme gücü, Sabır, Zaman yönetimi ve Araştırma yeteneğidir. Bu özellikleri ölçmeye yönelik alt bölümlerden oluşan anket soruları oluşturulmuş ve Harran üniversitesi bilgisayar mühendisliği bölümündeki öğrencilere uygulanmıştır. 5.1. Bölüme Olan İlgisi Bilgisayar mühendisliği bölümünde okuyan öğrencilerin bu mesleği tercih etme sebepleri, mesleği tercih etmedeki istek dereceleri, bilgisayar bilimlerine olan ilgisi gibi durumları göz önüne alarak kişinin bu bölüme olan ilgisi değerlendirilmek istenmiştir. Öğrencinin tercih sırası, idealindeki meslek olup olmaması, bilgisayar başında zamanını daha çok neler yaparak geçirdiği gibi durumları analiz ederek bölüme olan ilişkisi değerlendirilmiştir. 5.2. Sayı ve Semboller ile Akıl Yürütme Gücü Bilgisayar mühendisliği mesleğinin gerektirdiği özelliklerden biri olan sayı ve sembollerle akıl yürütme gücü semboller arasında bağ kurma etkinliğidir. Akıl yürütme; bütün etmenleri dikkate alarak düşünüp akılcı bir sonuca ulaşma sürecidir [29]. Aklı bağımsız olarak ayrılması, birleştirilmesi ve karşılaştırılması yeteneğidir. Akıl yürütmede, öncüllerle sonuç arasında zorunlu bir ilişki vardır. Sonuç öncüllerin etkinliğini taşımaktadır. Bu şekilde olan özelliğin kişide olması akıl yürütme ve mantığı etkili bir şekilde kullanma kapasitelerini mesleki alanda kullanmaları kişilerin bölüme olan yatkınlığını artırır. Bu çalışmada sayı ve semboller ile akıl yürütme gücü alanında bulunan soruların kişinin sembollerle ve mantıkla akıl yürütme gücü analiz edilmiştir. 5.3. Sabır Sabır, zor koşullar altında cesaret ve metanetini yitirmeme duygusudur. Sabırlı insan uzun süreli gecikmelere ve tahriklere rağmen moralini bozmadan yoluna devam eder [25]. Bilgisayar mühendisliği mesleğinin gerektirdiği özelliklerden biri olan sabır, kişinin mesleki çalışma alanında karşılaştığı zorluklar karşısında direncini gösterir. Çalışmamızda anket sorularında sabır alanında kişinin mesleki yolunda karşılaşacağı durumlara karşı tutumu değerlendirilmiştir. 5.4. İyi Bir Araştırmacı Araştırma, var olan bilgiye kullanılabilir ve kanıtlanabilir nitelikte yeni bilgiler eklemek amacını güden sistemli bir incelemedir. İyi bir araştırmacı, bağımsız ve esnek düşünce yapısına sahip olan, tarafsız, sorgu soran, sosyal olan ve iyi bir iletişim kuran kişidir. Araştırma bir süreç olup, problemlere güvenilir çözümler bulmaktır. Bunun için, planlı ve sistemli olmak gerekmektedir. Araştırma bir gereksinimle başlar. Bu ise, en genel anlamda, insanları, dolaylı ya da dolaysız olarak rahatsız eden durumların ortadan kaldırılması gereksinimidir [7]. Çalışmamızda bu özelliği analiz etmeye yönelik sorular ile bilgi toplanmıştır. Bilgisayar mühendisliği mesleğinin gerektirdiği özelliklerden biri olan iyi bir araştırmacı olma özelliği kişiye çalışma alanında doğru bilgiye ulaşma ve araştırma yaparak yenilikçi bir yol çizme gibi birçok alanda fayda sağlamaktadır. 5.5. Zaman Yönetimi Zaman yönetimi, zamanı mümkün olduğunca etkin ve etkili bir bicimde kullanma ve denetleme sistemidir. Zamanı akılcı kullanarak daha verimli sonuçlar elde edilmesini sağlar. Zaman yönetimini yapabilmek planlı ve programlı bir şekilde çalışmaktan geçer. Bilgisayar mühendisliği mesleğinin gerektirdiği özelliklerden biri olan zaman yönetimi kişiye zamanı iyi değerlendirmeyi öğretir. Zamanı iyi değerlendirmeyi öğrenmek herkes için stresi azaltacak, yararlı bir beceridir. Zaman yönetiminin bireylerin yaşam kalitesini artırmaya yardımcı olduğunu, stresi azalttığını, dengeli bir yaşam sağladığını, verimliliği artırdığını ve hedeflere ulaşmayı kolaylaştırır [20]. Çalışmamızda zaman yönetimi için sorular oluşturulup veriler toplanmıştır. 6. Uygulama Araştırmanın amacı eğitimsel veri madenciliği kullanılarak bilgisayar mühendisliğinde okuyan öğrencilerin bilgisayar mühendisliğine olan yatkınlıklarının ve sahip olduğu kişisel özelliklerinin yeterliliğini analiz edebilmek ve değerlendirmektir. Tahmin etmek için veri madenciliği sınıflandırma yaklaşımları uygulanmıştır. Tahmin edilen sınıf değişkeni öğrencinin bilgisayar mühendisliğine olan yatkınlığı ve sahip olduğu kişisel özelliklerinin yeterliliğidir. Sınıflandırma çeşitli algoritmalar aracılığı ile gerçekleştirilmektedir. Sınıflandırma için veri kümesi eğitim kümesi ve test kümesi olarak bölümlere ayrılır. Sınıflandırma algoritmaları eğitim kümesi üzerinde eğitilerek sınıflandırma modellerini oluşturur. Sınıflandırma algoritmaları daha sonra oluşturulmuş modeller üzerinde test kümesini sınayarak başarı hesaplanır. Çalışmada on katlı çapraz doğrulama sınıflama başarısı ölçütüne göre sınıflama başarısı sonuçları elde edilmiş ve değerlendirilmiştir. On-kat çapraz doğrulamada veri kümesi rastgele on eşit parçaya bölünerek her seferinde 1 parça test, geri kalan 9 parça eğitim verisi olarak kullanılmakta ve sınıflama yapılmaktadır [3]. Bilgisayar mühendisliğinde öğrenim gören öğrencilerin bilgisayar mühendisliğine olan yatkınlıklarının ve sahip olduğu kişisel özelliklerinin yeterliliğini analiz edebilmek için sınıflandırma algoritmalarından Weka’da bulanan karar ağaçları, ID3 ve J48, Naive Bayes sınıflandırma algoritması, K-en yakın komşu algoritması (IBk) ve Regresyon analizi kullanılmıştır. Sınıflandırma algoritmaların sınıflama başarısı doğrulukları karşılaştırılarak en yüksek doğruluğa sahip algoritma bu çalışmada için en uygun yöntem olarak tespit edilmiştir. Bilgisayar mühendisliği bölümüne yatkınlığı bilinmeyen öğrenciler için anket sonuçları üzerinden uygun yöntem yardımıyla, bölümüne olan yatkınlıkları tespit edilebilecektir. 6.1. Verilerin Toplanması ve Veri Analizi Çalışmada veriler anket uygulaması ile toplanmıştır. Veriler Harran üniversitesi bilgisayar mühendisliği bölümünde öğrenim gören ve anketi dolduran 105 öğrenciden elde edilmiştir. Anket bölümün öğretim elemanlarının değerlendirmesine sunulmuş ve puanlandırılmıştır. Ankette 5 ayrı kategoride toplam 20 soru öğrencilere sorulmuş ve cevaplamaları istenmiştir. Anket sonuçları ile oluşturulmuş veri kümesine 5 farklı sınıflandırma yöntemi uygulanmış, sınıflandırma başarısı sonuçlarına göre çalışma için en uygun yöntem belirlenmiştir. Veri kümesi Harran üniversitesi bilgisayar mühendisliği bölümünde öğrenim gören 105 öğrenciden elde edilmiştir. Bu veriler öğrencilerden akademik benlik kavramı ölçeğinden yola çıkılarak oluşturulmuş anket uygulaması ile toplanmıştır. Akademik benlik kavramı ölçeği öğrencilerin yetenek ve ilgilerini daha iyi tanıyarak, okul ve ders seçimine yardımcı olmaktadır. Öğrencinin ilgi alanına göre analiz yapmaktadır. Ortaokul seviyesindeki öğrencilere uygulanmaktadır [19]. Bu çalışmada Akademik benlik kavramı ölçeğinden yola çıkılmış fakat bilgisayar mühendisliği lisans düzeyinde öğrenim gören öğrencilerin bölüme olan ilgisi ve yatkınlığının analiz edebilmek amacıyla lisans öğrencilerine uygun anket soruları oluşturulmuştur. Bilgisayar mühendisliğinde okuyan öğrencilerin bilgisayar mühendisliğine olan yatkınlıklarının ve sahip olduğu kişisel özelliklerinin yeterliliğini analiz edebilmek için Weka (Waikato Environment for Knowledge Analysis) veri madenciliği yazılımı kullanılmıştır. Weka, veri madenciliği algoritmalarını içeren, Java programlama dili ile geliştirilmiş açık kaynak kodlu bir yazılımdır [6]. Çalışmada bilgisayar mühendisliği mesleğinin gerektirdiği en temel özelliklerden 5 tanesi ele alınarak katılımcılardan, bu alanlara yönelik bilgi toplanıp veri kümesi oluşturulmuştur. Toplanan veriler, öğrencilerin vermiş olduğu cevaplar bölüm akademisyenlerinin değerlendirmesine sunulmuş ve puanlandırılmıştır. Ele alınan özellikler kişinin bölüme olan ilgisi, Sayı ve sembollerle akıl yürütme gücü, Sabır, Zaman yönetimi ve Araştırma yeteneğidir. Elde edilen veriler Weka programına aktarılmaya uygun formata çevrilmiştir. Sınıflandırma algoritmalarında kullanılmak üzere Tablo 1’deki gibi oluşturulan “.csv” uzantılı veri dosyaları Weka programına aktarılmıştır. Programa aktarılan veriler sınıflandırma algoritmaları olan karar ağaçları (ID3 ve J48), Naive Bayes algoritması, Regresyon analizi ve K-en yakın komşu (IBk), algoritmaları uygulanmış, sınıflandırma başarısı sonuçlarına göre çalışma için en uygun yöntem belirlenmiştir. NaiveBayes Id3 J48 IBk Regresyon 2 3 4 5 6 Özellik Adı Bölüme İlgili Olma Sayı ve Sembollerle Akıl Yürütme Gücü Sabır İyi Bir Araştırmacı Zaman Yönetimi Sonuç Tablo 2’de öğrencilerden elde edilmiş veriler üzerinde uygulanan sınıflandırma algoritmalarının başarı oranları verilmiştir. Tablodaki değerler ne kadar yüksek olursa ilgili algoritmanın daha iyi ve başarılı olduğu gösterilmektedir. Doğruluk değeri doğru sınıflanmış sınıf sayısının tahmin edilen tüm sınıf sayısına olan oranını göstermektedir. Kesinlik, doğru pozitif örnek sayısının, tahmin edilmiş tüm pozitif örnek sayısına oranıdır. Anma, doğru sınıflandırılmış pozitif örnek sayısının doğru pozitif ve yanlış negatif toplam örnek sayısına oranıdır. F-ölçütü, kesinlik ve duyarlılığın harmonik ortalamasıdır. [4]. ROC Alanı ise duyarlılık ve özgüllük değeri kullanarak tanı koymanın getirdiği sakıncaları ortadan kaldırmak için geliştirilmiş, istatistik karar teorisine dayanan bir değerlendirme yöntemidir [21]. ROC eğrisi altında kalan alan testin başarılı öğrenciler ile az başarılı olan öğrencileri ayırmadaki doğruluk oranını belirler. [10]. Tablo 2. Sınıflama Başarı Oranları Doğruluk Kesinlik Anma 0.848 0,910 0,733 0,819 0,733 0.847 0,911 0,732 0,819 0,734 0.939 0,902 0,838 0,900 0,864 Id3 karar ağacı diğer sınıflama algoritmalarına göre Tablo 2’deki performans kıyaslamalarının hepsinde daha başarılı olmuştur. Weka programından elde edilen Id3 algoritmasının karışıklık matris sonucu Tablo 3’de görüldüğü gibidir. Tablo 3. Id3 Algoritması Karışıklık Matrisi Tahmin Edilen Sınıf 7. Sonuç ve Öneriler Sınıflayıcı 0.848 0,913 0,737 0,821 0,739 Eğitimsel veri madenciliği alanında yapılan bu çalışmada makine öğrenmesinin sınıflandırma teknikleri ile bilgisayar mühendisliği öğrencilerinin bölüme olan yatkınlığını tahmin eden bir model geliştirilmiştir. Elde edilen sonuçlar, Id3 karar ağacı algoritmasının eğitimsel veri madenciliği sınıflandırma modeli için başarılı bir algoritma olduğunu göstermektedir. Tablo 1. Özellikler Özellik No 1 0.848 0,910 0,733 0,819 0,733 FÖlçümü ROC Alanı a= Yatkın değil b= Az Yatkın c= Yatkın 22 1 0 0 49 5 0 3 25 a= Yatkın değil b= Az Yatkın c= Yatkın Gerçek Sınıf Karar ağaçları üzerinde çalışılan veri kümesinde sınıflama yapmak için kurallar oluşturur. Karar ağacı yapısındaki kuralların değerlendirilmesinin sonuçlarına göre; bilgisayar mühendisliğinde öğrenim gören öğrencilerin zaman yönetimi, öğrencinin araştırmacı olma özelliği ve bölüme olan ilgisi, bölüme olan yatkınlığını yüksek oranda etkilemektedir. Zaman yönetimi kötü olan öğrencilerin bölüme olan ilgisi az, sayı ve sembollerle akıl yürütme gücü çok az ve orta seviyede bir araştırma özelliğine sahip ise bölüme yatkın olmadıkları sonucuna varılabilir. Ayrıca zaman yönetimi iyi olan öğrencilerin, sayı ve sembollerle akıl yürütme gücü iyi, iyi bir araştırmacı olma özelliğine sahip ve az sabırlı olanların bölüme yatkın oldukları çıkarımı yapılmaktadır. Id3 algoritmasının oluşturduğu karar ağacında sabırlı olmanın öğrencinin bölüme olan yatkınlığını yüksek oranda etkilemediği sonucuna varılmıştır. Bilgisayar mühendisliğinde okuyan öğrencilerin bölüme ilgisi çok az olan öğrencilerin analiz edilen diğer özelliklerinin iyi olması durumda bölüme yatkınlık sağladıkları ancak hem bölüme ilgisi olmayan hem de analiz edilen diğer özelliklerin kötü olması durumunda öğrencinin bölüme yatkın olmadığı sonucuna varılmıştır. Söz konusu çalışmada bilgisayar mühendisliği bölümünde okuyan öğrencilerin mesleğin gerektirdiği özelliklerden seçilen alanlarda yatkınlığı analiz edilmiş, öğrencilerin bölüme olan yatkınlığına ve özelliklerine göre bölüm akademisyenlerine eğitim planı hedeflerinin gerçekleştirilmesine ve ders içeriklerinin var olan genel öğrenci profiline uygun olarak hazırlanabilmesine katkı sağlaması amaçlanmıştır. Yapılan çalışmada hazırlanan anket çalışması üzerinde anket güvenilirlik testinin yapılmamış olması çalışmanın eksikliğidir. Araştırmalarda, aynı süreçlerin izlenmesi ile tutarlı sonuçların elde edilebilmesi amaçlanır. Elde edilen sonuçları daha tutarlı bir hale getirebilmek için anket çalışması üzerinde gelecekte yapılan çalışmalar için anket güvenirlik analizi uygulanması önerilmektedir. Güvenirlik analizi anket ile ölçülmek istenen ortak değeri, eşit olarak paylaşmayan değişkenlerin belirlenmesi ve bu değişkenlerin analiz dışı bırakılarak, ölçeğin iç tutarlılığı arttırılmasını sağlar [24]. Sadece Harran üniversitesi bilgisayar mühendisliği öğrencileri üzerinde yapılan bu çalışma, sonraki çalışmalarda üniversite ve bölüm ayrımı yapmaksızın daha genel olarak tüm üniversite ve tüm bölümlere uygulanarak daha aday öğrenci durumunda olan kişilere üniversite bölüm tercihlerinde yol gösterici, yardımcı bir rehber olarak kullanılabilmesi önerilmektedir. 8.Kaynaklar [1] Baradwaj B.K, Pal S., “Mining educational data to analyze students' performance”, ArXivpreprint arXiv:1201.3417, (2012). [2] Bilgisayar mühendisliği, (17.12.2014), http://tr.wikipedia.org/wiki/Bilgisayar_mühendisliği. [3] Breiman L., Friedman, J.H., Olshen, R.A & Stone, C.J., “Classification and regression trees”. Monterey,CA: Wadsworth & Boks / Cole Advanced Boks & Software, (1984). [4] Coşkun C., Baykal, A., “Veri Madenciliğinde Sınıflandırma Algoritmalarının Bir Örnek Üzerinde Karşılaştırılması”, Akademik Bilişim’11, Malatya, (2011). [5] Çöllüoğlu GÜLEN Ö., Özdemir, S., “Analysis of Gifted Students’ Interest Areas Using Data Mining Techniques”, Journal of Gifted Education Research, 1(3), 213-226, (2013). [6] Dener M., Dörterler, M., Orman A., “Açık Kaynak Kodlu Veri Madenciliği Programları,Weka’da Örnek Uygulama”, Akademik Bilişim’09 ,Şanlıurfa, (2009). [7] Doğan M., “Araştırma Teknikleri ve Bilimsel İletişimin Temelleri”, (05.01.2015), http://www.aku.edu.tr/dosyayonetimi/arastirmateknikl eri.pdf. [8] Doğan Ş., ve Türkoğlu,İ., “Hypothyroidi and Hyperthyroidi Detection from Thyroid Hormone Parameters by Using Decision Trees”, Doğu Anadolu Bölgesi Araştırmaları Dergisi, Cilt 5, No 2, 163-169, (2007). [9] Gökgöz F., “Risk ve Belirsizlik Altında Karar Alma–Karar Analizleri, Karar Ağaçları- Oyun Teorisi“, (19.12.2014), http://acikders.ankara.edu.tr/KararAnalizi.pdf [10] Grove W.M., "Mathematical aspects of diagnosis ", Library of Congress Cataloging-In-Publication Data, 50-75, (2006). [11] Hand D.J., “Data Mining: Statistics and More?”, The American Statistician, 52:112-118, (1998). [12] Im K.H., Kim T.H., Bae S.M., Park S.C, “Conceptual modeling with neural network for giftedness identification and education”, In Advances in Natural Computation(pp. 530-538). Springer Berlin Heidelberg, (2005). [13] İstanbul Kültür Üniversitesi bilgisayar mühendisliği bölüm tanıtımı, (15.12.2014), http://www.iku.edu.tr/upp/1693/files/Computer%20En gineering/BilgisayarMuhBolumTanitimi_18_09_2014. pdf [14] Jacobs P., “Data Mining: What General Managers Need to Know” ,Harvard Management Update, Cilt 4, No 10, 8, (1999). [15] Kalıkov A., “Veri Madenciliği ve Bir E-Ticaret Uygulaması”, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, (2006). [16] Kayri M., Boysan M., “ assesment of relation between cognitive vulnerability and depression’s level by using classification and regression tree analysis”, Hacettepe üniversitesi Eğitim Fakültesi Dergisi, (2008). [17] Kitler R. ve Wang W., “The Emerging Role of Data Mining”, Solid State Technology, 42: 11-45, (1998). [18] Kurt Ç., Erdem O.A., “Öğrenci Başarısını Etkileyen Faktörlerin Veri Madenciliği Yöntemleriyle İncelenmesi”, Politeknik Dergisi Journal of Polytechnic, (2012). [19] Kuzgun Y., “Akademik Benlik Kavramı Ölçeği El Kitabı”, Nobel Yayıncılık Eğitim , (1996). [20] Mackenzie R. A., “Time Management: From Principles to Practice”, Training and Development Journal, 2, 47-53 , (1978). [21] Metz C.E., "Receiver operating characteristic analysis: a tool for the quantitative evaluation of observer performance and imaging systems", J Am Coll Radiol, 3,413- 422,( 2006). [22] Naive Bayes Sınıflandırıcı, http://tr.wikipedia.org/NaiveBayes. (17.12.2014), [23] Oğur R., Tekbaş Ö.F., ”Anket Nasıl Hazırlanır? “,STED,12:9:336-340, (2003). [24] Özdemir T, “Güvenirlik Analizi” ,(20.01.2015), http://akademikdestek.net/kutuphane/güvenirlikanalizi. [25] Sabır, (05.01.2015), http://tr.wikipedia.org/ Sabır. [26] Silahtaroğlu, G., “Veri Madenciliği Kavram ve Algoritmaları”, İstanbul, Papatya Yayıncılık Eğitim , (2013). [27] Şen B., Uçar E., “Evaluating the achievements of computer engineering departmen of distance education students with data mining methods”, Procedia Technology, 1, 262-267, (2012). [28] Tsai C.F., Tsai C.T., Hung C.S. ve Hwang P.S., “Data mining techniques for identifying students at risk of failing a computer proficiency test required for graduation”, Australasian Journal of Educational Technology, 27(3), 481-498, (2011). [29] Umay A., Kaf Y., “ Matematikte Kusurlu Akıl Yürütme Üzerine Bir Çalışma”, Hacettepe Üniversitesi Eğitim Fakültesi Dergisi,28: 188-195, (2005). [30] Usgurlu Ü.,”Veritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı”, (12.12.2014), http://mail.baskent.edu.tr/~20394676/0302/bil483/HW 2.pdf.
