Tez No	İndirme	Tez Künye	Durumu
509900		Designing a reference architecture for personal learning environments / Kişisel öğrenme ortamları için bir referans mimari tasarlanması Yazar:SELAMİ BAĞRIYANIK Danışman: PROF. DR. ADEM KARAHOCA Yer Bilgisi: Bahçeşehir Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2018 204 s.
Günümüzde, büyük ölçekli işletmelerde çalışan profesyoneller, yeni kurulan firmalardaki girişimciler ve şirketler sadece diğer bireyler ve şirketler ile rekabet etmekle kalmıyorlar. Nesnelerin Interneti ve Yapay Zeka (YZ) ile güçlendirilmiş Endüstri 4.0 gibi yeni teknolojiler, geleneksel iş modellerini ve mesleklerini yıkıcı önemli unsurlar haline geliyorlar. Geleneksel öğrenme ve eğitim yaklaşımları, profesyonellerin hızla değişen ve teknoloji odaklı 21. yüzyıl dünyasıyla baş etmeleri için artık yeterli değildir. Klasik öğretim yöntemlerinin doğasında olan kusurları gidermek için "Kişisel Öğrenme Ortamı (KÖO)" adı verilen alternatif bir yeni yaklaşım ortaya çıkmıştır. Bununla birlikte, bu yeni yaklaşımın yazılım mimarisi ve zeki sistem yönü, literatürde henüz yeterince çalışılmamıştır. Bu tezin amacı kişisel öğrenme ortamları için akıllı bir referans yazılım mimarisi tasarlamak ve doğrulamaktır. Akıllı mimariyi doğrulamak ve kademeli olarak iyileştirmek için kullanılan bir eğitim veri madenciliği kullanım örneği de hayata geçirilmiştir. Bu kullanım durumunun kapsamı, makine öğrenmesi algoritmalarını ve gereksinim mühendisleri tarafından oluşturulan gereksinim dokümanlarını kullanarak COSMIC İşlev Puan (CİP) ölçüm yetkinlik gelişim ihtiyaçlarını tespit etmektir. Bu araştırma çabası, çok aşamalı bir yaklaşımın sonucudur. İlk olarak, kişisel öğrenme literatürü ile ilgili sistematik bir literatür inceleme çalışması yapılmıştır. İkinci olarak, büyük bir şirkette ve ekosisteminde çalışan yazılım geliştirme uzmanlarıyla yarı yapılandırılmış görüşmeler ve çevrimiçi anket gerçekleştirilmiştir. Görüşmelerin içeriği tematik analizle değerlendirilmiştir. Daha sonra, kişisel öğrenme ortamları için bir referans mimarisi Yazılım Mimari Analiz Metodu (YMAM) kullanılarak tasarlanmış ve değerlendirilmiştir. Değerlendirme esnasında birinci aşamanın çıktısı ve Kişisel Öğrenme Ortamı literatür incelemeleri kullanılmıştır. Genişletilmiş bir değerlendirme olarak, YMAM analizinden bir senaryo kullanılarak eğitimsel veri madenciliği çalışması gerçekleştirilmiştir. Bu senaryo kapsamında, CİP işlevsel ölçüm yöntemi kavramları kullanılarak modellenen gereksinim ontolojilerinden, gereksinim mühendislerinin öğrenme fırsatlarını öngörmek bulunmaktadır. Yine, kullanılan bilgiler aynı hizmet ve teknoloji sağlayıcısı büyük şirket ekosistemi içinde tasarlanmış ve sağlanmıştır. Bu tezin sonucunda kişisel öğrenme ortamları için yeni bir mimari ortaya konulmuştur. Mimari, endüstri taleplerinin ve önceki literatürün temel gereksinimlerini karşılamıştır. Ayrıca, mühendislerin CİP eğitim gereksinimlerini belirlemek için on farklı makine öğrenme algoritması kullanılmıştır. REPTree, OneR ve Sıralı Minimum Optimizasyon (SMO) algoritmalarıyla Destek Vektör Makineleri (SVM), eğitim ihtiyacını tahmin etmede en üst düzeyde performans sergilemiştir.
Today, professionals working in large scale enterprise organisations, entrepreneurs in start-ups and companies do not only compete with other individuals and companies. Industrial Internet of Things and Industry 4.0 powered by Artificial Intelligence (AI) are becoming important factors in disrupting their traditional business models and professions. Traditional learning and educational approaches are not enough any more for professionals to cope with the fast changing and technology-driven World of 21st century. An alternative new approach called "Personal Learning Environment (PLE)" has emerged to address the flaws inherent in the classical instructional methods. However, software architecture and intelligent system aspects of this new approach has not been studied adequately in the literature yet. The purpose of this thesis is to design and validate an intelligent reference software architecture for personal learning environments. An educational data mining usecase that was used in validating and refining the intelligent architecture has also been implemented. The scope of this use case is to identify requirements engineers' COSMIC Function Point (CFP) measurement competence development need by using machine learning algorithms and requirements artifacts created by engineers. This research effort is a result of a multi-stage approach. First, a systematic review study regarding personal learning literature has been done. Second, semi-structured interviews and an online survey have been conducted with software development practitioners working in a large company and its ecosystem. Interview content has been evaluated using thematic analysis. Then, a reference architecture for personal learning environments has been designed and validated using the Software Architecture Analysis Method (SAAM). During evaluation, the output of the first phase and Personal Learning Environment literature reviews have been used. As an expanded assessment, an educational data mining study has been conducted using a usecase from SAAM evaulation. This usecase concerns capturing learning opportunities of requirements engineers from requirement ontologies modeled using CFP functional measurement method concepts. Again, used artifacts have been designed in and provided by the same large services and technology provider company ecosystem. As a result of this thesis, a novel architecture for personal learning environments has been demonstrated. The architecture has met the basic requirements of industry demands and previous literature. Furthermore ten different machine learning algorithms have been used for identifying requirements engineers' CFP training need. REPTree, OneR, and Support Vector Machines (SVM) with Sequential Minimal Optimization (SMO) algorithms achieved top performance in forecasting the training need.