Öğretmenler açısından öğrencilerin herhangi bir konuda bilgi düzeylerinin bilinmesi oldukça önemlidir. Bu doğrultuda öğrencilerin bilgi düzeylerinin ölçülmesi veya belirlenmesine yönelik olarak çalışmalar literatürde mevcuttur. Yapılan çalışmalara genel olarak bakıldığında öğrenci bilgi düzeyinin belirlenebilmesi için nicel veya nitel araştırma yöntemlerinin kullanıldığı görülmüştür. Bu makalede gerçekleştirilen çalışmada ise öğrenci bilgi seviyesinin veri madenciliği yöntemleri kullanılarak tespit edilebilmesi amaçlanmıştır. Bilgi seviyelerinin oluşturulması işlemi için bölümleyici yöntemler arasında en çok kullanılan k-ortalamalar yöntemi kullanılmıştır. Çalışmadaki veri seti için, bilgi seviyelerinin optimum olarak 4 gruba ayrılması gerektiği görülmektedir. Bilgi seviyesinin tahmini için ise regresyon analizi tercih edilmiştir. Bu çalışma için sınıflandırma temelli olan lojistik regresyon modeli, sınıflandırma ve regresyon ağaçları modeli ve son olarak destek vektör regresyon modelleri kullanılmıştır. Sonuç olarak lojistik regresyon modeli %87, sınıflandırma ve regresyon ağaçları modeli %84.38 ve son olarak destek vektör regresyon modeli %82.66 oranında başarılı bir şekilde tahmin gerçekleştirmiştir.

Keywords - Bilgi Seviyesi; Regresyon Modeli; Veri Madenciliği; K-Ortalamalar; Sınıflandırma

Çokluk, Ö. (2010). Lojistik regresyon analizi: Kavram ve uygulama. Kuram ve uygulamada eğitim bilimleri, 10(3), 1357-1407.

Timofeev, R. (2004). Classification and regression trees (CART) theory and applications. Humboldt University, Berlin, 54.

Gökdere, M., & Ayvacı, H. Ş. (2004). Sınıf öğretmenlerinin üstün yetenekli çocuklar ve özellikleri ile ilgili bilgi seviyelerinin belirlenmesi. Ondokuz Mayıs Üniversitesi Eğitim Fakültesi Dergisi, (18), 17-26.

Karamustafaoğlu, S., & Yalnız, S. (2016). 8. Sınıf öğrencilerinin genel kültür seviyelerinin belirlenmesi.

İncekara, S., & Tuna, F.(2010). Ortaöğretim Öğrencilerinin Çevresel Konularla İlgili Bilgi Düzeylerinin Ölçülmesi: Çankırı İli Örneği. Marmara Coğrafya Dergisi, (22), 168-182.

Timofeev, R. (2004). Classification and regression trees (CART) theory and applications. Humboldt University, Berlin, 54.

Özkan, Y. (2020). Veri madenciliği yöntemleri. Papatya Yayıncılık Eğitim.

Girginer, N., & Cankuş, B. (2008). Tramvay yolcu memnuniyetinin lojistik regresyon analiziyle ölçülmesi: Estram örneği. Yönetim ve Ekonomi Dergisi, 15(1), 181-193.

Işığıçok, E. (2003). Bebeklerin doğum ağırlıklarını ve boylarını etkileyen faktörlerin lojistik regresyon analizi ile araştırılması. IV. Ulusal Ekonometri ve İstatistik Sempozyumu, 3.

Awad, M., & Khanna, R. (2015). Support vector regression. In Efficient learning machines (pp. 67-80). Apress, Berkeley, CA.

Cebeci, Z., Yıldız, F., & Kayaalp, G. T. (2015). K-ortalamalar kümelemesinde optimum K değeri seçilmesi. 2. Ulusal Yönetim Bilişim Sistemleri Kongresi. Erzurum, 8-10.

Pınar, M., Okumuş, O., Turgut, U. O., Kalıpsız, O., & Aktaş, M. S. (2017). Büyük veri içeren öneri sistemleri için hiperparametre optimizasyonu. Ulusal Yazılım Mühendisliği Sempozyumu, 22-272.

Yıldırım, A., & Simsek, H. (1999). Sosyal Bilimlerde Nitel Araştırma Yöntemleri (12. baskı: 1999-2021).

Nacar, A. (2019). Öğretmenlerin Eğitime İnanma Düzeyleri ile İşe Bağımlılık Düzeyleri Arasındaki İlişki: Kahramanmaraş İli Örneği. (Yüksek Lisans Tezi). Kahramanmaraş: Sütçü İmam Üniversitesi Sosyal Bilimler Enstitüsü.

Karasar, N. (2014). Bilimsel Araştırma Yöntemi: Kavramlar, İlkeler, Teknikler. 26. bs. Ankara: Nobel Yayın Dağıtım