Öğrenci Tutulmasını Artırmak: Terk Oranları ve Telafi Stratejileri Üzerine Öngörücü Bir Çalışma

Abstract

Eğitim, öğrencilerin ve kurumların dünya çapında okulu bırakmasının bir endişe kaynağı olduğu ekonomik ve sosyal refah için önemlidir. Bu çalışma, öğrencilerin okulu bırakmalarını ve telafi stratejilerini tahmin ederek öğrencilerin tutulmasını iyileştirmeyi amaçlamaktadır. Tahmin algoritmaları, okulu bırakma olasılığı en yüksek olan zayıf akademik başarıya, demografiye ve sosyal davranışa sahip öğrencileri belirleyebilir. Bu çalışmada, makine öğrenimi teknikleri, öğrencilerin erken aşamalarda okulu bırakmasını veya tutmasını analiz etmek için tahmini bir model oluşturmak için kullanılmıştır. Notlar, kayıt yaşı, alınan küfürler, onaylanan dersler, cinsiyet, öğrenim ücreti durumu, sınıf süresi vb. gibi temel özellikler, Random Forest sınıflandırıcısı ve korelasyon analizi kullanılarak değerlendirilir ve analiz edilir. Çalışmanın bulguları kurumsal sorunların, sosyoekonomik faktörlerin, akademik zorlukların, kişisel ve psikolojik faktörlerin terk oranları üzerinde önemli bir etkiye sahip olduğunu göstermektedir. Çıktı, kurumda kalma veya kurumdan ayrılma olasılığı yüksek öğrencileri, tutma stratejilerini yapılandırmak ve artırmak için yardımcı olabilecek veri odaklı bir tahmin modeliyle göstermektedir. Bu tez yalnızca tutma stratejilerini şekillendirmeye yardımcı olmakla kalmaz, aynı zamanda danışmanlar, idareciler ve politika yapıcılar için farklı ekonomik, sosyal, eğitimsel ve psikolojik geçmişlere sahip öğrenciler için şekillendirilebilecek böyle bir eğitim yapısını uygulayarak bir destek mekanizması oluşturmak için ayrıntılı analiz sağlayabilir.Education is important for economic and social well-being where dropout is a concern for students and institutions worldwide. This thesis seeks to improve students' retention by predicting the students' dropouts and remedial strategies. Prediction algorithms can identify students with poor academic achievement, demographics, and social conduct who are most likely to drop out. In this thesis, the machine learning techniques are used to build a predictive model to analyze dropout or retention of the students at early stages. Key features like grades, age of enrollment, courses taken, courses approved, gender, tuition fees status, class duration etc. are evaluated and analyzed using Random Forest classifier and correlation analysis. The findings of the thesis show that institutional issues, socio-economic factors, academic challenges, personal and psychological factors have a significant impact on dropout rates. The output shows the students who are likely to be retained or dropped out from the institution with a data-driven predictive model that can be helpful to structure and increase strategies for retention. This thesis not only helps in shaping retention strategies but also can provide detailed analysis for advisors, administrations and policy makers to create a support mechanism by applying such educational structure that can be shaped for students having different economical, social, educational and psychological backgrounds.