Risk altındaki öğrencilerin normal eğitim süresinde mezun olma veya olmama
durumlarının erken tahmini, yükseköğretim kurumları için önemlidir. Mezuniyet tahmini
öğrencilerin nihai akademik başarısı ile ilgili faktörleri keşfettikten sonra danışmanların
gerekli desteği sağlamalarına yardımcı olur. Bu tez çalışmasında, akademik faktörlerin
öğrencilerin nihai performanslarındaki etkilerini analiz etmek amacıyla zaman serisi
modelleri tabanlı derin öğrenme entegrasyonu hakkında bilgiler verilmektedir. Bu amaçla,
bilgisayar mühendisliği programından 200 öğrencinin ders kayıtları üzerinde tekrarlayan
sinir ağı (RNN), uzun kısa süreli bellek (LSTM) ve geçitli tekrarlayan birim (GRU) ağı
modelleri uygulanmıştır. Daha sonra sigmoid ve/veya doğrusal aktivasyon fonksiyonundan
geçirilerek eğitim sürecinin birinci, ikinci, üçüncü, dördüncü, beşinci, altıncı dönemleri için
ayrı ayrı modeller kaydedilmiştir. Dönem bazında bir tahmin yöntemi olarak, normal eğitim
süresinde mezun olma veya olmama durumu birçok faktör tarafından yönlendirildiği için
farklı özellikler dikkate alınmıştır. Öğrencilerin normal eğitim süresinde mezun olma veya
olmama durumunu etkin bir şekilde tahmin etmek adına, kullandığımız ağlar için en uygun
girdi parametreleri belirlenmiştir. Bu girdi parametreleri, öğrencilerin genel not ortalaması,
İngilizce puanı, cinsiyeti, tercih sırası, devamsızlık oranı ve her dönem için o zamana kadar
alınan zorunlu ders notlarıdır. Beş kat çapraz doğrulama işleminin ardından, RNN, GRU ve
LSTM için ortalama (altı dönem ortalaması) genel doğruluk oranlarının sırasıyla %81,07,
%85,65 ve %84,41 olduğu görülmüştür. Ayrıca, altıncı yarıyıldaki öğrenciler için önerilen
LSTM modeli, risk altındaki öğrencileri keşfederken %87,12 gerçek negatif oranına
ulaşırken, GRU modelinde öğrencilerin başarısını tahmin etme yönünden hesaplanan en
yüksek gerçek pozitif oranı %88,71'dir. Önerilen LSTM modeli ise, belirli bir test seti için
%95 doğruluk oranıyla son akademik başarıyı tahmin edebilmektedir. Erken bir uyarı
sistemi olarak, önerilen yöntemlerin, herhangi bir dönemde öğrencinin başarısız olma riskini
azaltmayı sağlayan tatminkâr tahminler sağladığı görülmüştür. Bu sistemin, bir öğrenci bilgi
sistemine entegre edildikten sonra öğrencilerin performansını artırabileceğini öngörüyoruz
Early prediction of the status of graduation or non-graduation of students at risk
during normal education is important for higher education institutions. Graduation
prediction helps advisors to provide the right support after discovering factors relating to
students’ final academic success. In this thesis, information about deep learning integration
based on time series models is given in order to analyze the effects of academic factors on
students' final performances. For this purpose, recurrent neural network (RNN), long short term memory (LSTM) and gated recurrent unit (GRU) network models have applied on the
course records of 200 students from the computer engineering program. Then, sigmoid and
/ or linear activation function has applied, and separate models have recorded for the first,
second, third, fourth, fifth and sixth periods of the training process. As a semester-wise
prediction methodology, as the status of graduation or non-graduation during normal
education is driven by multiple factors, different have been considered. To effectively
predict students' graduation or non-graduation during normal education, the most
appropriate hyper parameters were determined for the networks we use. These hyper
parameters are the students' weighted grade point average, English score, gender, university
order of attendance, absenteeism rate, and compulsory course grades have taken for each
semester. These hyper parameters are the students' grade point average, English grade,
gender, preference order, non-attend rate, and compulsory course grades have taken until
that time for each semester. Following five-fold cross-validation, the overall (six-term
average) accuracy rates for RNN, GRU, and LSTM were found to be 81.07%, 85.65%, and
84.41%, respectively. Also, for students in the sixth semester, the proposed LSTM model
achieves a specificity (true negative rate) of 87,12% when discovering students at risk,
whereas the highest recall accounted for is 88,71%, as determined by the GRU model in
terms of predicting students’ success. In addition, the proposed LSTM model can predict
final academic success with a 95% accuracy rate for the specific test set. As an early alert
system, the proposed methods provide satisfactory predictions that are useful in diminishing
the risk of student failure during any semester. We anticipate that this system may improve
students’ performance once it has been integrated into a student information system
