Student modeling using principal component analysis of SOM clusters

Lee, Chien‐Sing; Singh, Y.P.

doi:10.1109/icalt.2004.1357461

Cited by 8 publications

(5 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Kümele analizinin amacı, küme içi uzaklıkları azaltıp, kümeler arası uzaklıkları artırarak, kendi içerisinde benzerlik gösteren elemanlardan oluşan farklı kümeler elde etmektedir (Chien-Sing ve Singh, 2004). Kümeleme analizinde verinin kaç farklı kümeye ayrılacağının belirlenmesi konusunda ise iki farklı yaklaşım bulunmaktadır.…”

Section: Veri Analiziunclassified

Çevri̇mi̇çi̇ Öğrenme Ortamindaki̇ Benzer Öğrenci̇ Gruplarinin Kümeleme Yöntemi̇ İle Beli̇rlenmesi̇

Akçapınar¹,

Altun²,

Aşkar³

2016

Eğitim Teknolojisi Kuram Ve Uygulama

View full text Add to dashboard Cite

ÖzBu çalışmanın amacı, çevrimiçi öğrenme ortamında benzer davranış örüntüsü sergileyen farklı öğrenci gruplarının kümeleme yöntemi ile belirlenmesidir. Çalışma, Türkiye'de bir devlet üniversitesinde Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümü'nde Bilgisayar Donanımı dersine kayıtlı 76 üniversite ikinci sınıf öğrencisi ile yürütülmüştür. Öğrenciler 14 hafta süresince yüz yüze derslere ek olarak çevrimiçi öğrenme ortamında, yansıma yazma, tartışma, soru-cevap, kaynak takibi vb. aktiviteler gerçekleştirmişlerdir. 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 akademik performans arasındaki ilişki analiz edilmiştir. Araştırma sonuçları öğrencilerin çevrimiçi öğrenme ortamındaki davranış örüntülerine göre üç farklı kümeye ayrılabileceğini göstermiştir. Bu kümelerin isimlendirilmesi 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 göre (Yüksek öğrenenler, Orta öğrenenler, Düşük öğrenenler) tanımlanmıştır.Anahtar Kelimeler: Öğrenci profili belirleme; çevrimiçi öğrenme; eğitsel veri madenciliği; kümeleme. IDENTIFYING DIFFERENT STUDENT PROFILES IN AN ONLINE LEARNING ENVIRONMENT WITH CLUSTER ANALYSIS AbstractThe purpose of this study is to explore how to group students who exhibit similar behavior patterns in an online learning environment via clustering. Relationships between these clusters and students' academic performance in each cluster were examined, as well. The * Bu çalışma birinci yazarın doktora tezinden üretilmiştir. Gökhan Akçapınar, Arif Altun, Petek Aşkar EĞİTİM TEKNOLOJİSİ Kuram ve Uygulama 47 study group consisted of 76 university students studying at the Computer Education and Instructional Technology Department at a state university in Turkey. In addition to the face to face classes during the course of 14 weeks, the students conducted several activities (writing reflections, participating in discussions, following course resources, etc.) in the online learning environment. The results of the cluster analysis indicated that students were ideally divided into three different groups according to the activities carried out in the online learning environment. Regarding the labeling of these clusters, two different methods were used. Firstly, the finalized clusters were named according to the students' activity levels (Non-active, Active, Very active). Then, these clusters were named with regards to students' academic performance (Low learners, Moderate learners, High learners).

show abstract

Section: Veri Analiziunclassified

Çevri̇mi̇çi̇ Öğrenme Ortamindaki̇ Benzer Öğrenci̇ Gruplarinin Kümeleme Yöntemi̇ İle Beli̇rlenmesi̇

Akçapınar¹,

Altun²,

Aşkar³

2016

Eğitim Teknolojisi Kuram Ve Uygulama

View full text Add to dashboard Cite

show abstract

“…Yet another way to improve the interpretation of resulting SOM map is to use "two-level clustering" (using the SOM map as a preprocessor for other clustering and analyzing techniques, such as principal components analysis; Lee & Singh, 2004) or for regression-based techniques as in this study. Yet another way to improve the interpretation of resulting SOM map is to use "two-level clustering" (using the SOM map as a preprocessor for other clustering and analyzing techniques, such as principal components analysis; Lee & Singh, 2004) or for regression-based techniques as in this study.…”

Section: A Component Plane Consists Of the Values Of A Single Vector mentioning

confidence: 99%

A New Look at Patient Satisfaction

Voutilainen

Kvist²,

Sherwood³

et al. 2014

Nursing Research

View full text Add to dashboard Cite

show abstract

“…For a detailed explanation on PCA and how to implement it, please see (Smith 2002, Martinez, & Martinez 2005. PCA can be used as a pre- (Kirt, Vainik & Võhandu, 2007;Sommer & Golz, 2001) and post- (Kumar, Rai & Kumar 2005;Lee & Singh, 2004) processor for SOM. Additionally, a SOM has been created to combine the capabilities of both PCA and SOM (López-Rubio, Muñoz-Pérez, Gómez-Ruiz, 2004).…”

Section: Pattern Identification and Clusteringmentioning

confidence: 99%