BibTex RIS Kaynak Göster

ÇEVRİMİÇİ ÖĞRENME ORTAMINDAKİ BENZER ÖĞRENCİ GRUPLARININ KÜMELEME YÖNTEMİ İLE BELİRLENMESİ

Yıl 2016, Cilt: 6 Sayı: 2, 46 - 64, 27.07.2016
https://doi.org/10.17943/etku.91440

Öz

Bu çalışmanın amacı, çevrimiçi öğrenme ortamında benzer davranış örüntüsü sergileyen farklı öğrenci gruplarının belirlenmesidir. Çalışmaya Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümü’nde Bilgisayar Donanımı dersine kayıtlı 76 üniversite ikinci sınıf öğrencisi katılmıştır. Öğrenciler, 14 hafta süresince yüz yüze derslere ek olarak ders dışı tüm etkinlikleri (yansıma yazma, tartışmalara katılım, kaynak takibi vb.) gerçekleştirmek amacıyla çevrimiçi öğrenme ortamı kullanmışlardır. Analizlerde kullanılan veriler bu ortamın veri tabanından elde edilmiştir. Veriler iki farklı kümeleme algoritması ile analiz edilmiş ve sonuçları karşılaştırılmıştır. Aynı zamanda elde edilen farklı öğrenci gruplarının akademik performansları incelenerek etkileşim düzeyi ile ders başarısı arasındaki ilişki analiz edilmiştir. Araştırma sonuçları öğrencilerin çevrimiçi öğrenme ortamındaki davranış örüntülerine göre ideal olarak üç farklı kümeye ayrılabileceğini göstermiştir. Bu kümelerin tanımlanması konusunda ise iki farklı yaklaşım izlenmiştir. Kümeler, her bir kümede yer alan öğrencilerin aktivite düzeylerine göre (Çok Aktif, Aktif, Aktif Olmayan) ve öğrencilerin akademik performanslarına (Yüksek Öğrenme, Orta Öğrenme, Düşük Öğrenme) göre tanımlanmıştır.

Kaynakça

  • Akçapınar, G., Cosgun, E., & Altun, A. (2011). Prediction of Perceived Disorientation in Online Learning Environment with Random Forest Regression. Paper presented at the Proceedings of the 4th International Conference on Educational Data Mining., July 6-8, Eindhoven, Netherlands.
  • Ali, L., Asadi, M., Gašević, D., Jovanović, J., & Hatala, M. (2013). Factors influencing beliefs for adoption of a learning analytics tool: An empirical study. Computers & Education, 62(0), 130-148. doi: http://dx.doi.org/10.1016/j.compedu.2012.10.023
  • Amershi, S., & Conati, C. (2009). Combining Unsupervised and Supervised Machine Learning to Build User Models for Exploratory Learning Environments. Journal of Educational Data Mining, 1(1), 71-81.
  • Baker, R. J. d., Corbett, A., Koedinger, K., & Roll, I. (2006). Generalizing Detection of Gaming the System Across a Tutoring Curriculum. In M. Ikeda, K. Ashley & T.-W. Chan (Eds.), Intelligent Tutoring Systems (Vol. 4053, pp. 402-411): Springer Berlin Heidelberg.
  • Beal, C. R., Qu, L., & Lee, H. (2006). Classifying learner engagement through integration of multiple data sources. Paper presented at the Proceedings of the 21st national conference on Artificial intelligence - Volume 1, Boston, Massachusetts.
  • Bienkowski, M., Feng, M., & Means, B. (2012). Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief. Washington, D.C.
  • Bouchet, F., Harley, J., Trevors, G., & Azevedo, R. (2013). Clustering and profiling students according to their interactions with an intelligent tutoring system fostering self-regulated learning. Journal of Educational Data Mining, 5(2).
  • Cavalcanti, E. R., Pires, C. E. S., Cavalcanti, E. P., & Pires, V. F. (2012). Detection and Evaluation of Cheating on College Exams using Supervised Classification. Informatics in Education, 11(2), 169-190.
  • Chien-Sing, L., & Singh, Y. P. (2004, 30 Aug.-1 Sept. 2004). Student modeling using principal component analysis of SOM clusters. Paper presented at the Advanced Learning Technologies, 2004. Proceedings. IEEE International Conference on.
  • Cristóbal, R., Sebastián, V., Mykola, P., & Ryan, S. J. D. B. (2010). Introduction Handbook of Educational Data Mining (pp. 1-6): CRC Press.
  • García, E., Romero, C., Ventura, S., & de Castro, C. (2011). A collaborative educational association rule mining tool. The Internet and Higher Education, 14(2), 77-88. doi: 10.1016/j.iheduc.2010.07.006
  • Greller, W., & Drachsler, H. (2012). Translating Learning into Numbers: A Generic Framework for Learning Analytics. Educational Technology & Society, 15 %6(3), 42-57.
  • Hämäläinen, W., & Vinni, M. (2010). Classifiers for Educational Data Mining Handbook of Educational Data Mining (pp. 57-74): CRC Press.
  • Kardan, S., & Conati, C. (2011, 2011). A Framework for Capturing Distinguishing User Interaction Behaviours in Novel Interfaces. Paper presented at the The 4th International Conference on Educational Data Mining (EDM 2011).
  • Lopez, M. I., Luna, J. M., Romero, C., & Ventura, S. (2012). Classification via clustering for predicting final marks based on student participation in forums. Paper presented at the 5th International Conference on Educational Data Mining, EDM 2012, Chania, Greece.
  • MacQueen, J. (1967, 1967). Some methods for classification and analysis of multivariate observations. Paper presented at the Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics, Berkeley, Calif.
  • Márquez-Vera, C., Cano, A., Romero, C., & Ventura, S. (2013). Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied Intelligence, 38(3), 315-330. doi: 10.1007/s10489-012-0374-8
  • Moreno, L., Gonzalez, C., Castilla, I., Gonzalez, E., & Sigut, J. (2007). Applying a constructivist and collaborative methodological approach in engineering education. Computers & Education, 49(3), 891-915. doi: http://dx.doi.org/10.1016/j.compedu.2005.12.004
  • Nisbet, R., Elder, J., & Miner, G. (2009). Chapter 7 - Basic Algorithms for Data Mining: A Brief Overview. In R. Nisbet, J. Elder & G. Miner (Eds.), Handbook of Statistical Analysis and Data Mining Applications (pp. 121-150). Boston: Academic Press.
  • Pelleg, D., & Moore, A. W. (2000). X-means: Extending K-means with Efficient Estimation of the Number of Clusters. Paper presented at the Proceedings of the Seventeenth International Conference on Machine Learning.
  • Peña-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, 41(4, Part 1), 1432-1462. doi: http://dx.doi.org/10.1016/j.eswa.2013.08.042
  • Romero, C., Espejo, P. G., Zafra, A., Romero, J. R., & Ventura, S. (2013). Web usage mining for predicting final marks of students that use Moodle courses. Computer Applications in Engineering Education, 21(1), 135-146. doi: 10.1002/cae.20456
  • Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, 40(6), 601-618. doi: 10.1109/TSMCC.2010.2053532
  • Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27. doi: 10.1002/widm.1075
  • Romero, C., Ventura, S., & García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51(1), 368-384. doi: http://dx.doi.org/10.1016/j.compedu.2007.05.016
  • Siemens, G., & Baker, R. S. J. d. (2012). Learning Analytics and Educational Data Mining: Towards Communication and Collaboration. Paper presented at the Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.
  • Valdiviezo, P., Reátegui, R., & Sarango, M. (2013). Student Behavior Patterns in a Virtual Learning Environment. Paper presented at the Eleventh LACCEI Latin American and Caribbean Conference for Engineering and Technology (LACCEI’2013), August 14 - 16, 2013 Cancun, Mexico.
  • Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques: Morgan Kaufmann Publishers Inc.
Toplam 28 adet kaynakça vardır.

Ayrıntılar

Bölüm Makaleler
Yazarlar

Gökhan Akçapınar

Arif Altun

Petek Aşkar Bu kişi benim

Yayımlanma Tarihi 27 Temmuz 2016
Yayımlandığı Sayı Yıl 2016 Cilt: 6 Sayı: 2

Kaynak Göster

APA Akçapınar, G., Altun, A., & Aşkar, P. (2016). ÇEVRİMİÇİ ÖĞRENME ORTAMINDAKİ BENZER ÖĞRENCİ GRUPLARININ KÜMELEME YÖNTEMİ İLE BELİRLENMESİ. Eğitim Teknolojisi Kuram Ve Uygulama, 6(2), 46-64. https://doi.org/10.17943/etku.91440