Research Article
BibTex RIS Cite

Potential of University Students to Get Covid-19 and the Effect of the Pandemic on Students

Year 2023, Volume: 12 Issue: 3, 1150 - 1156, 26.09.2023

Fulya Aslay Şeyma Önder Fatma Demir

https://doi.org/10.37989/gumussagbil.1321713

Abstract

In this study, research was conducted on the students of Erzincan Binali Yıldırım University. A model predicting students' risk of contracting Covid-19 was developed using machine learning methods, and the impact of Covid-19 on students was also investigated. For this purpose, a digital survey was administered to Erzincan Binali Yıldırım University students in March 2022. Based on the survey data, students' risk of contracting Covid-19 was predicted using machine learning methods such as Decision Trees, K-Nearest Neighbors, Support Vector Machines, Naive Bayes and the effects of the pandemic on students were explored. All prediction model analyses were presented comparatively. To measure the success of the prediction models created in the study, determination coefficients (R2), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE) metrics were used to present the models' determination coefficients and error values. Accordingly, using Support Vector Machines for prediction resulted in an R2 value of 0.9323, indicating the most successful prediction of students' risk of contracting Covid-19.

Keywords

Covid-19 University Students SVM Decision Tree K-NN.

References

  • 1. Duman, N. (2019). “Travma Sonrası Büyüme ve Gelişim”. Uluslararası Afro-Avrasya Araştırmaları Dergisi, 4 (7), 178-184.
  • 2. Can, E. (2020). “Coronavirüs (Covid-19) Pandemisi ve Pedagojik Yansımaları: Türkiye’de Açık ve Uzaktan Eğitim Uygulamaları”. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 6 (2), 11-53.
  • 3. Lalmuanawma, S, Hussain, J. and Chhakchhuak, L. (2020). “Applications of Machine Learning and Artificial İntelligence for Covid-19 (SARS-CoV-2) Pandemic: A review”. Chaos, Solitons & Fractals, 139, 110059.
  • 4. Samuel, J, Ali, G.G, Rahman, M, Esawi, E. and Samuel Y. (2020). “Covid-19 Public Sentiment Insights and Machine Learning for Tweets Classification”. Information, 11 (6), 314.
  • 5. Luca, G. et al. (2020). “GM-CSF Blockade with Mavrilimumab in Severe COVID-19 Pneumonia and Systemic Hyperinflammation: A Single-Centre, Prospective Cohort Study”. The Lancet Rheumatology, 2 (8), e465-e473.
  • 6. Öztürk, T, Talo, M, Yıldırım E.A, Baloglu, U.B, Yıldırım, Ö. and Acharya, U.R. (2020). “Automated Detection of COVID-19 Cases using Deep Neural Networks with X-Ray Images”. Computers in Biology and Medicine, 121, 103792.
  • 7. Banerjee, A, Ray, S, Vorselaars, B, Kitson, J, Mamalakis, M, Weeks, S. and Mackenzie, L.S. (2020). “Use of Machine Learning and Artificial Intelligence to Predict SARS-CoV-2 Infection from Full Blood Counts in a Population”. International Immunopharmacology, 86, 106705.
  • 8. Özen F (2022). Makine Öğrenmesi Yöntemleri ile Türkiye’de Covid-19’a İlişkin Günlük Vaka, Ağır Hasta, Vefat ve İyileşen Sayısı Tahmini. Journal of advanced research in natural and applied sciences, 8(4), 662 - 676.
  • 9. Wang, P, Zheng, X, Li, J. and Zhu, B. (2020). “Prediction of Epidemic Trends in COVID-19 with Logistic Model and Machine Learning Technics”. Chaos, Solitons & Fractals, 139, 110058.
  • 10. Ahmad, I. and Asad, S.M. (2020). “Predictions of Coronavirus COVID-19 Distinct Cases in Pakistan Through An Artificial Neural Network”. Epidemiology & Infection, 148 (e222), 1-10.
  • 11. Zheng, Y, Zhu, Y, Ji, M, Wang, R, Liu, X, Zhang, M, Liu, J, Zhang, X, Qib, C.H, Fang, L. and Ma, S. (2020). “A Learning-Based Model to Evaluate Hospitalization Priority in COVID-19 Pandemics”. Patterns, 1 (6),1-10.
  • 12. Jaskari, J, Myllärinen, J, Leskinen, M, Rad, A.B, Hollmén, J, Andersson, S. and Särkkä, S. (2020). “Machine Learning Methods for Neonatal Mortality and Morbidity Classification”. IEEE Access, 8, 123347-123358.
  • 13. Moulaei, K, Shanbehzadeh, M, Mohammadi, T.Z. and Kazemi, A.H. (2022). “Comparing Machine Learning Algorithms for Predicting COVİD-19 Mortality”. BMC Medical Informatics and Decision Making, 22 (2), 1-12.
  • 14. Chen, J, Lian, Y. and Li, Y. (2020). “Real-Time Grain Impurity Sensing for Rice Combine Harvesters Using Image Processing and Decision-Tree Algorithm”. Computers and Electronics in Agriculture, 175, 105591.
  • 15. Sarkhosh, M, Najafpoor, A.A, Alidadi, H, Shamsara, J, Amiri, H, Andrea, T. and Kariminejad, F. (2021). “Indoor Air Quality Associations with Sick Building Syndrome: An Application of Decision Tree Technology”. Building and Environment, 188, 107446.
  • 16. Koulinas, G, Paraschos, P. ve Koulouriotis, D. (2020). A decision trees-based knowledge mining approach for controlling a complex production system. Procedia Manufacturing, 51, 1439-1445.
  • 17. Wu, C, Fang, C, Wu, X. and Zhu, G. (2020). “Health-Risk Assessment of Arsenic and Groundwater Quality Classification Using Random Forest in The Yanchi Region of Northwest China Expo”. Health, 12, 761-774.
  • 18. Dudani, S.A. (1976). “The Distance-Weighted K-Nearest-Neighbor Rule”. IEEE Transactions on Systems, Man, and Cybernetics, SMC-6 (4), 325-327.
  • 19. Liu, H. and Zhang, S. (2012). “Noisy Data Elimination Using Mutual K-nearest Neighbor for Classification Mining”. Journal of Systems and Software, 85 (5), 1067-1074.
  • 20. Muja, M. and Lowe, D.G. (2009). “Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration”. In Proceedings of the Fourth International Conference on Computer Vision Theory and Applications, pp. 331-340.
  • 21. Tamura, H. and Tanno, K. (2008) “Midpoint Validation Method for Support Vector Machines with Margin Adjustment Technique”. In Proceedings of the Third International Conference on Innovative Computing Information and Control, pp. 492-492.
  • 22. Vapnik, V, Golowich, S.E. and Smola, A.J. (1997). “Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing”. Advances in Neural Information Processing Systems, 9, 281–287.
  • 23. Hajek, P. (2012). “Forecasting Stock Market Trend Using Prototype Generation Classifiers”. WSEAS Transactions on Systems, 11 (12), 671–680.
  • 24. Papoulis, A. (1984). “Probability, Random Variables, and Stochastic Processes”. New York, USA: McGraw-Hill.
  • 25. Domingos, P. and Pazzani, M. (1997). “Beyond Independence: Conditions for the Optimality of the Simple Bayesian Classifier”. Machine Learning, 29, 103-130.
  • 26. Çakmak, M.A, Kurt, M.E. ve Çakmak, C. (2022). “Makine Öğrenmesi Algoritmaları ile Covid-19 Hastalarının Mortalite Risklerinin Hesaplanması”. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 13 (35) , 994-1011.
  • 27. Kart, Ö. ve Basçiftçi, F. (2021). “Makine Öğrenmesi Algoritmalarıyla Akciğer Tomografi Görüntülerinden COVID-19 Tespiti”. Avrupa Bilim ve Teknoloji Dergisi, 28, 630-637 .
  • 28. Filiz, E. (2022). “Türkiye Covid-19 Günlük Hasta Sayısındaki Değişimin Sınıflandırılmasına Yönelik Tahmininin Destek Vektör Makineleri ve K-En Yakın Komşu Algoritmaları ile Gerçekleştirilmesi”. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12 (1), 370-379.
  • 29. Bozkurt, A. (2021). Veri Madenciliği Yöntemleri ile Tam Kan Sayımı Sonuçlarından Covid-19 Test Sonuçlarının Tahmini. [Yüksek Lisans Tezi]. Necmettin Erbakan Üniversitesi

Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi

Year 2023, Volume: 12 Issue: 3, 1150 - 1156, 26.09.2023

Fulya Aslay Şeyma Önder Fatma Demir

https://doi.org/10.37989/gumussagbil.1321713

Abstract

Bu çalışmada Erzincan Binali Yıldırım Üniversitesi öğrencileri üzerinde bir araştırma yapılmıştır. Makine öğrenmesi yöntemleri kullanılarak öğrencilerin Covid-19’a yakalanma risklerini tahmin eden bir model geliştirilmiştir ayrıca Covid-19’un öğrenciler üzerindeki etkisi araştırılmıştır. Bu amaçla 2022 yılı Mart ayında Erzincan Binali Yıldırım Üniversitesi öğrencilerine bir dijital anket uygulanmıştır. Anket verilerine göre öğrencilerin makine öğrenmesi yöntemlerinden Karar Ağaçları, K-En Yakın Komşu, Destek Vektör Makineleri ve Naive Bayes ile Covid-19’a yakalanma riskleri tahmin edilmiştir ve pandeminin öğrenciler üzerindeki etkileri araştırılmıştır. Tüm tahmin modelleri analizleri karşılaştırmalı olarak sunulmuştur. Çalışmada oluşturulan tahmin modellerinin başarısını ölçmek için ise R2, RMSE ve MAE metrikleri kullanılarak modellerin belirlilik katsayısı ve hata değerleri sunulmuştur. Buna göre destek vektör makineleri ile yapılan tahmin sonucunda R2 değeri 0,9323 ile öğrencilerin Covid-19’a yakalanma riskleri en başarılı şekilde tahmin edilmiştir.

Keywords

Covid-19 Üniversite Öğrencileri DVM Karar Ağacı K-NN.

References

  • 1. Duman, N. (2019). “Travma Sonrası Büyüme ve Gelişim”. Uluslararası Afro-Avrasya Araştırmaları Dergisi, 4 (7), 178-184.
  • 2. Can, E. (2020). “Coronavirüs (Covid-19) Pandemisi ve Pedagojik Yansımaları: Türkiye’de Açık ve Uzaktan Eğitim Uygulamaları”. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 6 (2), 11-53.
  • 3. Lalmuanawma, S, Hussain, J. and Chhakchhuak, L. (2020). “Applications of Machine Learning and Artificial İntelligence for Covid-19 (SARS-CoV-2) Pandemic: A review”. Chaos, Solitons & Fractals, 139, 110059.
  • 4. Samuel, J, Ali, G.G, Rahman, M, Esawi, E. and Samuel Y. (2020). “Covid-19 Public Sentiment Insights and Machine Learning for Tweets Classification”. Information, 11 (6), 314.
  • 5. Luca, G. et al. (2020). “GM-CSF Blockade with Mavrilimumab in Severe COVID-19 Pneumonia and Systemic Hyperinflammation: A Single-Centre, Prospective Cohort Study”. The Lancet Rheumatology, 2 (8), e465-e473.
  • 6. Öztürk, T, Talo, M, Yıldırım E.A, Baloglu, U.B, Yıldırım, Ö. and Acharya, U.R. (2020). “Automated Detection of COVID-19 Cases using Deep Neural Networks with X-Ray Images”. Computers in Biology and Medicine, 121, 103792.
  • 7. Banerjee, A, Ray, S, Vorselaars, B, Kitson, J, Mamalakis, M, Weeks, S. and Mackenzie, L.S. (2020). “Use of Machine Learning and Artificial Intelligence to Predict SARS-CoV-2 Infection from Full Blood Counts in a Population”. International Immunopharmacology, 86, 106705.
  • 8. Özen F (2022). Makine Öğrenmesi Yöntemleri ile Türkiye’de Covid-19’a İlişkin Günlük Vaka, Ağır Hasta, Vefat ve İyileşen Sayısı Tahmini. Journal of advanced research in natural and applied sciences, 8(4), 662 - 676.
  • 9. Wang, P, Zheng, X, Li, J. and Zhu, B. (2020). “Prediction of Epidemic Trends in COVID-19 with Logistic Model and Machine Learning Technics”. Chaos, Solitons & Fractals, 139, 110058.
  • 10. Ahmad, I. and Asad, S.M. (2020). “Predictions of Coronavirus COVID-19 Distinct Cases in Pakistan Through An Artificial Neural Network”. Epidemiology & Infection, 148 (e222), 1-10.
  • 11. Zheng, Y, Zhu, Y, Ji, M, Wang, R, Liu, X, Zhang, M, Liu, J, Zhang, X, Qib, C.H, Fang, L. and Ma, S. (2020). “A Learning-Based Model to Evaluate Hospitalization Priority in COVID-19 Pandemics”. Patterns, 1 (6),1-10.
  • 12. Jaskari, J, Myllärinen, J, Leskinen, M, Rad, A.B, Hollmén, J, Andersson, S. and Särkkä, S. (2020). “Machine Learning Methods for Neonatal Mortality and Morbidity Classification”. IEEE Access, 8, 123347-123358.
  • 13. Moulaei, K, Shanbehzadeh, M, Mohammadi, T.Z. and Kazemi, A.H. (2022). “Comparing Machine Learning Algorithms for Predicting COVİD-19 Mortality”. BMC Medical Informatics and Decision Making, 22 (2), 1-12.
  • 14. Chen, J, Lian, Y. and Li, Y. (2020). “Real-Time Grain Impurity Sensing for Rice Combine Harvesters Using Image Processing and Decision-Tree Algorithm”. Computers and Electronics in Agriculture, 175, 105591.
  • 15. Sarkhosh, M, Najafpoor, A.A, Alidadi, H, Shamsara, J, Amiri, H, Andrea, T. and Kariminejad, F. (2021). “Indoor Air Quality Associations with Sick Building Syndrome: An Application of Decision Tree Technology”. Building and Environment, 188, 107446.
  • 16. Koulinas, G, Paraschos, P. ve Koulouriotis, D. (2020). A decision trees-based knowledge mining approach for controlling a complex production system. Procedia Manufacturing, 51, 1439-1445.
  • 17. Wu, C, Fang, C, Wu, X. and Zhu, G. (2020). “Health-Risk Assessment of Arsenic and Groundwater Quality Classification Using Random Forest in The Yanchi Region of Northwest China Expo”. Health, 12, 761-774.
  • 18. Dudani, S.A. (1976). “The Distance-Weighted K-Nearest-Neighbor Rule”. IEEE Transactions on Systems, Man, and Cybernetics, SMC-6 (4), 325-327.
  • 19. Liu, H. and Zhang, S. (2012). “Noisy Data Elimination Using Mutual K-nearest Neighbor for Classification Mining”. Journal of Systems and Software, 85 (5), 1067-1074.
  • 20. Muja, M. and Lowe, D.G. (2009). “Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration”. In Proceedings of the Fourth International Conference on Computer Vision Theory and Applications, pp. 331-340.
  • 21. Tamura, H. and Tanno, K. (2008) “Midpoint Validation Method for Support Vector Machines with Margin Adjustment Technique”. In Proceedings of the Third International Conference on Innovative Computing Information and Control, pp. 492-492.
  • 22. Vapnik, V, Golowich, S.E. and Smola, A.J. (1997). “Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing”. Advances in Neural Information Processing Systems, 9, 281–287.
  • 23. Hajek, P. (2012). “Forecasting Stock Market Trend Using Prototype Generation Classifiers”. WSEAS Transactions on Systems, 11 (12), 671–680.
  • 24. Papoulis, A. (1984). “Probability, Random Variables, and Stochastic Processes”. New York, USA: McGraw-Hill.
  • 25. Domingos, P. and Pazzani, M. (1997). “Beyond Independence: Conditions for the Optimality of the Simple Bayesian Classifier”. Machine Learning, 29, 103-130.
  • 26. Çakmak, M.A, Kurt, M.E. ve Çakmak, C. (2022). “Makine Öğrenmesi Algoritmaları ile Covid-19 Hastalarının Mortalite Risklerinin Hesaplanması”. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 13 (35) , 994-1011.
  • 27. Kart, Ö. ve Basçiftçi, F. (2021). “Makine Öğrenmesi Algoritmalarıyla Akciğer Tomografi Görüntülerinden COVID-19 Tespiti”. Avrupa Bilim ve Teknoloji Dergisi, 28, 630-637 .
  • 28. Filiz, E. (2022). “Türkiye Covid-19 Günlük Hasta Sayısındaki Değişimin Sınıflandırılmasına Yönelik Tahmininin Destek Vektör Makineleri ve K-En Yakın Komşu Algoritmaları ile Gerçekleştirilmesi”. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12 (1), 370-379.
  • 29. Bozkurt, A. (2021). Veri Madenciliği Yöntemleri ile Tam Kan Sayımı Sonuçlarından Covid-19 Test Sonuçlarının Tahmini. [Yüksek Lisans Tezi]. Necmettin Erbakan Üniversitesi
There are 29 citations in total.

Details

Primary Language Turkish
Subjects Public Health (Other)
Journal Section Original Article
Authors

Fulya Aslay 0000-0001-5212-6017

Şeyma Önder 0009-0004-8825-7464

Fatma Demir 0009-0001-7884-8082

Publication Date September 26, 2023
Published in Issue Year 2023 Volume: 12 Issue: 3

Cite

APA Aslay, F., Önder, Ş., & Demir, F. (2023). Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi, 12(3), 1150-1156. https://doi.org/10.37989/gumussagbil.1321713
AMA Aslay F, Önder Ş, Demir F. Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi. September 2023;12(3):1150-1156. doi:10.37989/gumussagbil.1321713
Chicago Aslay, Fulya, Şeyma Önder, and Fatma Demir. “Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski Ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi”. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi 12, no. 3 (September 2023): 1150-56. https://doi.org/10.37989/gumussagbil.1321713.
EndNote Aslay F, Önder Ş, Demir F (September 1, 2023) Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi 12 3 1150–1156.
IEEE F. Aslay, Ş. Önder, and F. Demir, “Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi”, Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi, vol. 12, no. 3, pp. 1150–1156, 2023, doi: 10.37989/gumussagbil.1321713.
ISNAD Aslay, Fulya et al. “Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski Ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi”. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi 12/3 (September 2023), 1150-1156. https://doi.org/10.37989/gumussagbil.1321713.
JAMA Aslay F, Önder Ş, Demir F. Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi. 2023;12:1150–1156.
MLA Aslay, Fulya et al. “Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski Ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi”. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi, vol. 12, no. 3, 2023, pp. 1150-6, doi:10.37989/gumussagbil.1321713.
Vancouver Aslay F, Önder Ş, Demir F. Üniversite Öğrencilerinin Covid-19’a Yakalanma Riski ve Pandeminin Öğrenciler Üzerindeki Etkisinin Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi. 2023;12(3):1150-6.
 Download Cover Image