Veri Madenciliği İle Özel Öğrenme Güçlüğünün Tahmini

Year 2022, Volume: 7 Issue: 1, 115 - 122, 28.05.2022

Murat Urfalıoğlu Sami Şahin

Abstract

Özel öğrenme güçlüğü (ÖÖG) bireyin zekası ve yaşı ile ilişkili olmadığı zayıf kültür ve kısıtlı eğitim imkanlarından gibi özellikler ile açıklanamayan gelişimsel bir problemdir. Öğrenme güçlüğünün neler etkilediği net ifade edilmemek ile birlikte kalıtsal ve çevresel etkiler ile ortaya çıktığı düşünülmektedir. Özel öğrenme güçlüğü olan bireylere tanı konulması tanı sonrası eğitim süreci kadar önemlidir. Bu çalışmada özel öğrenme güçlüğü olan bireylerin tanı konulmasında veri madenciliği tekniklerinden yararlanılarak uygun sınıflandırma yöntemini belirlemektir. Bu kapsamda Özel öğrenme Güçlüğü olan 392 ve özel öğrenme güçlüğü olmayan 107 öğrenciden toplamda 499 öğrenciden eğitsel tanı formu verileri, veliden alınan veli bilgi formu ve performans belirleme formları aracılığıyla veriler toplanmıştır. Bu veriler veri seti haline getirilerek gerekli hesaplamaları ve modelleri elde etmek için DecisionTable, RandomForest, NaiveBayes, JRip, DecisionStump, OneR, RandomTree, REPTree Part sınıflandırma algoritmaları, Weka programında uygulanarak doğru sınıflama oranı, kappa istatistiği, ortalama mutlak hata değerleri, ROC eğrisi değerleri sonuçlar karşılaştırılmıştır. Verilerin eğitim ve test olarak ayrıştırılmasında WEKA programında varsayılan olarak gelen 10 Fold çapraz doğrulama yöntemi kullanılmıştır. Uygulamanın sonucu olarak özel öğrenme güçlüğü tespitinde en iyi sonucu veren algoritma tespit edilmeye çalışılmıştır. Bu kapsamda 9 farklı sınıflandırma yönteminden doğru sınıflama oranı, kappa istatistiği ve ortalama mutlak hata değerleri bakımından en iyi sonuçlar Random Forest yöntemiyle elde edilmiştir. Kıyaslama sonucunda Random Forest algoritmasından %92 başarı elde edilmiştir.

Keywords

Veri madenciliği, Özel Öğrenme Güçlüğü, WEKA, Sınıflandırma

References

• Aksu, G. (2018). Pısa Başarısını Tahmin Etmede Kullanılan Veri Madenciliği Yöntemlerinin İncelenmesi.
• Ali J, Khan R, Ahmad N, Maqsood I., (2012) “Random forests and decson trees”, IJCSI Internatonal Journal of Computer Scence Issues, vol.9:5, pp.1-7
• Baker, R. S., Yacef, K. (2009). The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, 1(1), 3-17.
• Baker, R. S., Gowda, S. M., Corbett, A. T., and Ocumpaugh, J. ( 2012). Towards automatically detecting whether student learning is shallow. In International Conference on Intelligent Tutoring Systems, 444-453
• Başer, S. H., Hökelekli, O., & Kemal, A. D. E. M.(2020) Ortaöğretimde Öğrenim Gören Öğrenci Performanslarının Veri Madenciliği Yöntemleri İle Tahmin Edilmesi. Bilgisayar Bilimleri ve Teknolojileri Dergisi, 1(1), 22-27.
• Bozkurt, A. (2021). Veri Madenciliği Yöntemleri ile Tam Kan Sayımı Sonuçlarından Covıd-19 Test Sonuçlarının Tahmini (Master's thesis, Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü).ISO 690
• Breiman L., (2001), Random forests,machine learning, 2001 Kluwer Academic Publishers, 45(1), 5-32
• Breiman,L.(2001).Random Forest[Eloktronik Sürüm]. Machine Learning, 45, 5-32
• Chandrasekar, P., Qian, K., Shahriar, H., & Bhattacharya, P., 2017. Improving the prediction accuracy of decision tree mining with data preprocessing. In 2017 IEEE 41st Annual Computer Software and Applications Conference (COMPSAC) (Vol. 2, pp. 481-484). IEEE.
• Da Silva, I. N., Spatti, D. H., Flauzino, R. A., Liboni, L. H. B., & dos Reis Alves, S. F. 2017. Artificial neural networks. Cham: Springer International Publishing. Data Mining Algorithms In R/Classification/JRip, https://en.wikibooks.org/wiki/Data_Mining_Algorithms_In_R/Classification/JRip, Son Erişim: 3 Eylül 2021
• Ecemiş, O., & Irmak, S. (2018). Paslanmaz Çelik Sektörü Satış Tahmininde Veri Madenciliği Yöntemlerinin Karşılaştırılması. Kilis 7 Aralık Üniversitesi Sosyal Bilimler Dergisi, 8(15), 148-169.
• Frank, E. (2009), Data Mining Know It All. USA: Morgan Kaufmann Publishers.
• Hong, T. P., & Wu, C. W. (2011). Mining Rules From an Incomplete Dataset with a High Missing Rate. Expert Systems with Applications, 38(4), 3931-3936. Işıklı, B., http://www.burakişikli.wordpress.com (Erişim Tarihi: 19.08.2013)
• J. Dougherty, R. Kohavi, and M. Sahami. Supervised and unsupervized discretization of continuous features. In A. Prieditis and S. Russel, editors, Machine Learning: Proocedings of the 12th International Conference, San Francisco, CA, 1995
• Lantz, B. (2013). Machine Learning with R. Packt Publishing Ltd.
• Larose, D. T.. (2005). Discovering Knowledge in Data. An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc.
• MEB, (2016). Mı̇llı̂ Eğı̇tı̇m Bakanlığı Bı̇lı̇m ve Sanat Merkezlerı̇ Yönergesı̇. Tebliğler Dergisi, 79:2710.
• Meenakshi, M. and Geetika, G. (2014). Survey on classification methods using WEKA. International Journal of Computer Applications, 86 (18), 16–19.
• Milli Eğitim Bakanlığı [Ministry of National Education]. (2017). Özel eğitim ve rehberlik hizmetleri [Special education and guidance services]. http://adana.meb.gov.tr/www/ozel-egitim-ve-rehberlikhizmetleri/icerik/1415
• Milli Eğitim Bakanlığı [Ministry of National Education]. (2020). Rehberlik ve Araştırma Merkezi Yönergesi [Guidance and Research Center Directive]. http://orgm.meb.gov.tr/meb_iys_dosyalar/2020_08/31230315_RAM_YONERGESY.pdf
• Mohamed W. N. H. W., Salleh M. N. M., and Omar A. H. A comparatve study of reduced error prunng method n dec- son tree algorthms. In: Control System, Computng and Engneerng (ICCSCE), 2012 IEEE Internatonal Conference on. IEEE; 2012 Nov 23-25; Penang (Malaysa): IEEE; 2012; p.392-397.
• Pekel D. Özel öğrenme güçlüğü olan ve olmayan çocukların üst bilişsel özelliklerinin karşılaştırılması, 2010; Yüksek Lisans Tezi. İstanbul Üniversitesi, İstanbul. Rana, D. (2015). One class SVM vs SVM classification, International Journal of Science and Research (IJSR) ISSN (Online): 2319-7064.
• Sakız H.(2011). Öğrenme güçlüğü olan çocuklarda algılanan yaşam kalitesi, 2011; Yüksek Lisans Tezi. Boğaziçi Üniversitesi, İstanbul.
• Sıtkı, Y. H. (2020). Tıp Bilişiminde Veri Madenciliği Yöntemleri Kullanılarak Hastalıkların Tahmin Edilmesi.Yüksek Lisans Tezi. Hacettepe Üniversitesi, Ankara.
• Sinha, A. P., & May, J. H. (2005). Evaluating and tuning predictive data mining models using receiver operating characteristic curves. Journal of Management Information Systems, 21(3), 249-280.
• Sonawani, S., Mukhopadhyay, D. (2013) "A Decision Tree Approach to Classify Web Services using Quality Parameters”
• Tanha, J., van Someren, M., & Afsarmanesh, H. 2017. Semi-supervised self-training for decision tree classifiers. International Journal of Machine Learning and Cybernetics, 8(1), 355-370
• Tsumoto, S., Kimura, T., Iwata, H., & Hirano, S. (2017). Mining Text For Disease Diagnosis. Procedia Computer Science, 122, 1133-1140.
• Tucker J, Stevens LJ, Ysseldyke JE. Learning disabilties: The experts speak out. J Learn Disabil 1983; 16: 6-14. 2. Dyson LL. Children with learning disabilities within the family context: A Comparison with siblings in global self-concept, academic self-perception, and social competence. Learn Disabil Res Pract 2003; 18(1): 1- 9.
• Uzun, Y. (2005). Tıbbi veriler üzerinde makine öğrenme algoritmaları ve bulanık mantık ile kurallar öğrenme. (Yayımlanmamış yüksek lisans tezi).
• Viera, A. J., & Garrett, J. M. (2005). Understanding interobserver agreement: the kappa statistic. Fam med, 37(5), 360-363.
• Yang Y., Pedersen J.O., A comparative study on feature selection in text categorization, Proc. of the Fourteenth International Conference on Machine Learning, San Francisco CA - USA, 412-420, 1997.