Öz
Öğrencilerin akademik başarısızlık riskinin erken belirlenmesi, yükseköğretim kurumlarının müdahale stratejileri için önemlidir. Bu çalışmada bir devlet üniversitesinin 2018–2023 yıllarına ait 11.400 öğrenci kaydı kullanılarak dönem sonu başarı durumu tahmin edilmiştir. Öğrenme yönetim sistemi etkileşim verileri, devam bilgileri ve demografik değişkenler birlikte değerlendirilmiştir. XGBoost modeli dönemin 4. haftasında %84 duyarlılıkla risk altındaki öğrencileri belirleyebilmiştir. SHAP değerleri danışmanlara öğrenci bazında anlaşılır açıklamalar sunmak için kullanılmıştır.
Predicting Student Performance in Higher Education and an Explainable Early Warning System with SHAP
Early identification of students at risk of academic failure is important for intervention strategies in higher education. This study predicts end-of-term success using 11,400 student records from a public university between 2018 and 2023. Learning management system interactions, attendance and demographic variables were considered together. The XGBoost model identified at-risk students with 84% sensitivity by the fourth week of the term. SHAP values were used to provide advisors with understandable, student-level explanations.
Tam Metin
Beyanlar
- Etik Kurul Onayı
- Bu çalışma etik kurul onayı gerektirmemektedir.
- Çıkar Çatışması
- Yazarlar herhangi bir çıkar çatışması olmadığını beyan eder.
Kaynakça 5
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). https://doi.org/10.1145/2939672.2939785
- Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144). https://doi.org/10.1145/2939672.2939778
- Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Atıf Göster
Lisans
© 2025 Cem Arslan, Merve Şahin, Selin Öztürk. Bu makale, orijinal eser ve kaynağına uygun atıf yapılması koşuluyla her türlü ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren CC BY 4.0 lisansı altında dağıtılmaktadır. Lisans metni