|
İnsanların sahip olduğu bazı zihinsel özellik ve becerileri bilgisayarlar veya diğer yapay sistemler (makineler) aracılığıyla taklit etmeye çalışan ve yapay olarak oluşturulan zeki davranışlara sahip sistemler olan yapay zeka, sağlık, endüstri, finans ve daha bir çok sektörde olduğu gibi eğitimde alanında da sıklıkla kullanılmaktadır. Kuşkusuz, tüm eğitim kurumları öğrenci akademik performansını artırmayı hedefleyerek eğitim süreçlerini geliştirmek ve akademik kaliteyi artırmayı amaçlamaktadır. Günümüzde artan ve çeşitli sistem altyapılarında depolanan büyük veriler yapay zeka yöntemleri ile analiz edilerek anlamlı bilgiler elde edilebilmekte ve ileriye dönük tahminlemeler yapılabilmektedir. Bu anlamda yapay zeka teknolojilerinin eğitimde kullanılmasının, eğitim kurumlarının amaçlarına ulaşmalarında çok önemli olduğu düşünülmektedir.
Öğrencilere zaman ve mekan sınırlaması olmadan öğrenme fırsatı sağlayan ve eğitimde fırsat eşitliğine büyük katkı sağlayan uzaktan eğitim sistemi günümüzde COVID-19 pandemisi sonrası büyük önem kazanmıştır. COVID-19 pandemisi sürecinde hemen hemen tüm ülkeler kapanma kararı almış ve eğitimde de tamamıyla uzaktan eğitim sistemine geçiş yapmışlardır. Bu dönemde ortaya çıkan büyük veri uzaktan eğitimdeki sorunların tespit edilmesi ve yapay zeka algoritmalarının öğrenci akademik performanslarını tahminlemedeki başarısının değerlendirmesi açısından önemli bir fırsat oluşturmuştur. Bu çalışmanın iki temel amacı bulunmaktadır: Çalışmanın birinci amacı akademisyen ve öğrencilerin uzaktan eğitimde yaşamış oldukları sorunların yapay zeka yöntemleri ile tespit edilmesi iken, çalışmanın bir diğer amacı ise öğrencilerin akademik performanslarının yapay zeka yöntemleri ile tahmin edilmesidir.
Çalışmanın birinci amacı doğrultusunda yapay zeka yöntemlerinden olan metin madenciliği yöntemleri kullanılmış ve sorunlar tespit edilmiştir. Bu amaç doğrultusunda 111 akdemisyen ve 202 öğrenci olmak üzere toplamda 313 destek kaydı Kelime Bulutları, Gizli Anlamsal Analiz ve Gizli Dirichlet Ayrımı yöntemleri ile analiz edilmiştir. Sonuç olarak hem akademisyen hem de öğrencilerin sistem altyapısı, internet bağlantı sorunları ve sınavlarla ilgili sorunlar yaşadıkları görülmüştür. Akademisyenlerin derslerin sisteme aktarılmaması veya geç aktarılmasına bağlı olarak sorun yaşadıkları ve bu durumun üniversitesinin senkronizasyon işlemlerindeki hatalardan kaynaklı olduğu anlaşılmıştır. Ayrıca beyaz tahta kullanımı ile ilgili de sorun yaşadıkları görülmüştür. Öğrencilerin ise belirtilen sorunların dışında ödev ve doküman konularında da sorun yaşadıkları anlaşılırken senkronizasyon hatalarının öğrencileri de etkilediği anlaşılmaktadır.
Öğrencilerin akademik performanslarının tahmin edilmesi amacıyla sınıflandırma algoritmaları olarak Destek Vektör Makineleri, Yapay Sinir Ağları, Lojistik Regresyon, Random Forest, k-En Yakın Komşu ve Naive (Basit) Bayes Sınıflandırıcı kullanılmıştır. Çalışmada örneklem gurubu olarak bir devlet üniversitesinin tüm programlarında yer alan 1000 farklı öğrenci ve toplamda 7716 dersten oluşan öğrenci veri seti kullanılmıştır. Çalışmada kullanılan modellerin performansları tabakalı çapraz geçerleme ve tabakalı rastgele örnekleme yöntemleri kullanılarak analiz edilmiştir. Yapılan performans değerlendirmesi sonrası en yüksek performansın Yapay Sinir Ağları algoritmasından elde edildiği görülmüştür.
|
|
Artificial intelligence, an artificially created intelligent behavioural system that tries to imitate some of the mental characteristics and skills of humans through computers or other artificial systems (machines), is frequently used in the field of education as in health, industry, finance and many other sectors. Undoubtedly, all educational institutions aim to improve their educational processes and increase academic quality by aiming to increase student academic performance. Nowadays, increasing and large data stored in various system infrastructures can be analyzed with artificial intelligence methods to obtain meaningful information and make forward-looking predictions. In this sense, it is thought that the use of artificial intelligence technologies in education is very important for educational institutions to achieve their goals.
The distance education system, which provides students with the opportunity to learn without the time and space limitations and contributes greatly to equality of opportunity in education, has gained great importance after the COVID-19 pandemic. During the COVID-19 pandemic, almost all countries have decided to close down and have completely switched to the distance education system in education. The big data that emerged during this period has created an important opportunity to identify problems in distance education and to evaluate the success of artificial intelligence algorithms in predicting student academic performance. This study has two main objectives: The first objective of the study is to identify the problems experienced by academicians and students in distance education by means of artificial intelligence methods, while the other objective of the study is to predict the academic performance of students by means of artificial intelligence methods.
In line with the first objective of the study, text mining methods, one of the artificial intelligence methods, were used and problems were identified. For this purpose, a total of 313 support records, including 111 academics and 202 students were analysed with Word Clouds, Latent Semantic Analysis, and Latent Dirichlet Allocation methods. As a result, it was observed that both academics and students had problems with the system infrastructure, internet connection problems, and exams. It was understood that academicians had problems with the courses not being transferred to the system or being transferred late, and this situation was caused by errors in the synchronization processes of the university. They also had problems with the use of whiteboards. Students, on the other hand, had problems with homework and documents in addition to the problems mentioned, and it is understood that synchronization errors also affect students.
Support Vector Machines, Artificial Neural Networks, Logistic Regression, Random Forest, k-Nearest Neighbor, and Naive (Simple) Bayes Classifier were used as classification algorithms to predict the academic performance of students. In the study, 1000 different students in all programs of a state university and a student data set consisting of 7716 courses in total were used as the sample group. The performances of the models used in the study were analyzed using stratified cross validation and stratified random sampling methods. After the performance evaluation, it was seen that the highest performance was obtained from the Artificial Neural Networks algorithm. |
