Üniversitelerde en önemli hedeflerden biri, öğrencilerin eğitimlerini başarıyla tamamlamasıdır. Ancak bazı öğrenciler derslerde zorlanabiliyor ya da başarısızlık riskiyle karşı karşıya kalabiliyor.
GTÜ İşletme Fakültesi Yönetim Bilişim Sistemleri ve İşletme Bölümü’nden Doç. Dr. Yavuz Selim Balcıoğlu ve Dr. Melike Artar, bu soruna çözüm üretmek amacıyla makine öğrenmesi ve derin öğrenme algoritmalarını kullanarak öğrencilerin akademik performansını tahmin eden bir model geliştirdi.
Araştırmada kullanılan Açık Üniversite Öğrenme Analitiği (OULA) veri seti, uluslararası geçerliliğe sahip büyük bir eğitim verisi havuzunu temsil ediyor. Araştırma kapsamında öğrenciler Başarılı, Başarısızlığa Yakın, Başarıya Yakın olarak üç kategoriye ayrıldı.
Bu veri üzerinde test edilen yöntemler arasında Karar Ağaçları, Destek Vektör Makineleri, Yapay Sinir Ağları ve Ensemble Model (birleşik yöntem) bulunuyor.
Sonuçlar, Ensemble Model’in en yüksek doğruluk oranına ulaştığını ve diğer tüm yöntemleri geride bıraktığını ortaya koydu.
Neden Önemli?
Erken uyarı sistemi: Öğrenciler, akademik yılın başında risk grupları içinde tespit edilebiliyor.
Hedefli destek: Üniversiteler, başarısızlık riski taşıyan öğrencilere danışmanlık, ek ders veya öğrenme desteği sağlayabiliyor.
Kişiselleştirilmiş öğrenme: Tahminler sayesinde, öğrenciye özel eğitim stratejileri ve öğrenme yolları tasarlanabiliyor.
Bu bulgular, yapay zekâ tabanlı sistemlerin yalnızca öğrenci başarısını artırmakla kalmayıp aynı zamanda üniversitelerin akademik kalite ve mükemmeliyet hedeflerine ulaşmasına da güçlü katkılar sunduğunu gösteriyor.
