A matching model to measure compliance between department and student

Özet: Bütün eğitim sistemlerinin hedefi bilgiyle teçhiz edilmiş öğrenciler yetiştirmektir. Bunun için bir taraftan müfredat çalışmaları yapılırken diğer taraftan eğitim yönetimi konusunda çalışmalar yürütülür. Eğitim içeriğinin kalitesi ve eğitim kurumlarının doğru yönetimiyle de mükemmel sonuç alınacağı düşünülür. Hâlbuki öğrenciyle bölümü doğru şekilde eşleştirmeyen bir sistemden başarılı sonuçlar alabilmek olası değildir. Bu çalışmada eğitim sistemlerinin başarısına etki edeceğini düşündüğümüz bir eşleşme sistemi önerilmiştir. Pilot bölüm olarak bilgisayar mühendisliği bölümü ele alınmış ve çalışma öğrencinin bilgisayar mühendisliğine uygun olup olmamasının tespiti için yapılmıştır. Anket verileri yardımıyla ihtiyaç duyulan veri elde edilmiş ve ardından bu verilerle başarılı ve başarısız öğrencinin bir modeli oluşturulmuştur. Oluşturulan modelin test edilmesinde ise veri madenciliği algoritmaları kullanılmıştır.

The aim of all education systems is to train students who are equipped with knowledge. In that case, that student is able to determine the most suitable profession for him/her success in education and career that are related to this profession will be higher. Studies done up to this day have been focused on finding out the factors affecting the career choice of the student, but they have not suggested any method for determining the most suitable procession. It is not possible to obtain satisfying results from a system that does not lead students to appropriate higher education departments. In this context, a student- department matching system is proposed which aims to increase the success of the education systems in our study. The department of computer engineering was dealt with as a sample department and the proposed study was examined to determine whether a student was suitable for computer engineering or. The required data was obtained with the help of the questionnaire, and then a model of successful and unsuccessful students was created. Data mining algorithms such as C4.5, C SVC, MLP, and Naïve Bayes are used during the test of the generated model. The best result was obtained by the C-SVC algorithm and the second best result by Naive Bayes. The lowest error rate achieved was 0.2700 and the highest accurate recognition rate was 73.00%.