Author:
Abstract
Çalışma MOOC videolarının hazırlanmasında dikkat edilmesi gereken unsurların veri madenciliği yöntemleriyle ortaya çıkarılmasını amaçlayan nicel bir çalışmadır. Çalışma, bu unsurların belirlenmesine yönelik ölçeğin oluşturulup verilerin toplanması ve analiz edilmesi süreçlerinden oluşmaktadır. Çalışma kapsamında YouTube’tan yayınlanan Khan Academy MOOC videoları ele alınmıştır. Bu videoların beğenme-beğenmeme, yorum ve görüntülenme sayısı bağımlı değişkenlerine ait ve genel karar ağaçları oluşturulmuştur. MOOC hizmeti verenlerin daha çok görüntülenebilecek, yorum alabilecek ve beğenilebilecek eğitim videolarını hazırlaması için bir karar ağacı modeli oluşturulmuştur. Çalışmada Gini ve C5.0 karar ağacı algoritmaları R programlama dili kullanılarak eğitim videoları veri setine uygulanmıştır. Videoların geneline yönelik karar ağacı modelinde yazılı unsurlar(YUN) kökünden yola çıkıldığı görülmektedir. YUN değerinin 0,8’den küçük olması videoların kötü olarak değerlendirildiğini ortaya koymuştur. Bu değerin büyük olması durumunda ise beğenme sayısının büyük rol aldığı görülmektedir. Çalışmanın bulgularına göre C5.0 algoritması en başarılı olup Gini algoritması kullanımında %70’in üzerinde başarım elde edilmiştir.
Keywords
Abstract
The study aimed to explore the factors that should be considered in the preparation of MOOC videos by using data mining techniques is a quantitative research. The study consists of three steps: i) development of a scale to determine the factors, ii) data collection and iii) data analysis. Within the scope of the study, Khan Academy MOOC videos from YouTube were examined. In addition to a general decision tree, the decision trees for the dependent variables such as likes, dislikes, comments and views were formed. This decision tree can be used to prepare MOOC videos which can be viewed, commented and liked more. Gini and C5.0 decision tree algorithms were applied to the training videos data set using the R programming language. In the general decision tree, it is seen that “written elements” attribute (coded as YUN) is a root node. If the YUN value is less than 0.8, the videos are considered bad. On the other hand, “the number of likes” played a big role, if the YUN values greater. According to the findings, although the C5.0 algorithm is more successful, it has also achieved more than 70% performance with Gini algorithm.