Öğrenci ve Akademisyenlerin E-Öğrenmeye Hazır Bulunuşlarının Daha Az Soru ile Sınıflandırılması

Abstract

Küresel boyuttaki KOVİD-19 pandemisinin etkisiyle birlikte tüm dünyada alışveriş, çalışma ve eğitim gibi konular “uzaktan” ve “elektronik” olarak daha fazla değerlendirilmeye başlandı. Mart 2020’deki Yüksek Öğretim Kurumu kararının ardından Türkiye’deki tüm üniversiteler eğitimlerine uzaktan devam etme kararı almıştır. Bu karar sonucunda akademisyenlerin ve öğrencilerin e-öğrenme sürecine ne kadar hazır olduklarını değerlendiren çalışmalar da hızla artmıştır. Bu çalışmada iki farklı üniversitedeki akademisyen ve öğrencilerin e-öğrenmeye ne kadar hazır olduklarının incelendiği bir anket çalışmasına makine öğrenmesi teknikleri uygulanmış, daha az soru ile aynı sonuçların elde edilmesi hedeflenmiştir. Soruların azaltılmasında özyinelemeli öznitelik eleme yöntemi kullanılmış, azaltılan sorular ile en yüksek Cronbach Alpha değerini CatBoost ve XGBoost yöntemleri sağlamıştır. Ek olarak, en yüksek sonuç tahmin performansını destek vektör makineleri sağlamıştır. Destek vektör makineleri, daha az soru ile akademisyen yanıtlarını %100, öğrencilerin yanıtlarını %97.48 doğrulukla tahmin etmiştir. Önerilen yaklaşım, anket sonuçlarında en az kayıpla uzun süren anket verisi toplama süresini azaltmada yardımcı olacaktır.

With the impact of the global COVID-19 pandemic, issues such as shopping, work and education have started to be evaluated more as "remote" and "electronic" all over the world. Following the decision of the Higher Education Institution in March 2020, all universities in Turkey continued their education remotely. As a result, the number of studies evaluating e-learning increased rapidly. In this study, machine learning techniques were used to reduce the number of questions in the survey without changing the final result in e-learning readiness surveys. Recursive feature elimination was used to reduce the number of the questions. Catboost and XGBoost methods provided the highest cronbach alpha value with the reduced questions. Additionally, support vector machines outperformed other models with 100% accuracy for academicians and 97.48% accuracy for students with fewer questions. The proposed approach will help in reducing the long survey data collection time with minimal loss in survey results.