Tez No	İndirme	Tez Künye	Durumu
743909		Automatic construction of concept maps from unstructured text / Kavram haritalarının yapılandırılmamış metinlerden otomatik çıkarılması Yazar:SAIMA GUL Danışman: Prof. Dr. YÜCEL SAYGIN Yer Bilgisi: Sabancı Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Anahtar kelime = Keyword ; Bilgi tabanlı = Knowledge base ; Kavram haritaları = Concept maps ; Zorluk = Difficulty ; Öğrenme teknikleri = Learning techniques	Onaylandı Doktora İngilizce 2022 110 s.
Bir konu hakkında bilgi edinme, bireyin bu konuyla ilgili tüm kavramları aşamalı olarak anlamasını gerektiren karmaşık bir süreçtir. Bireyler için öğrenme deneyimi, öğrenme için bir rehber görevi gören temel özellikleri çizge şeklinde görselleştirerek geliştirilebilir. Öğrencileri, düğümler olarak temsil edilen kavramları, doğrudan kenarlarla gösterilen önkoşul sıralarına göre incelenecek şekilde sıralayan bir kavram haritası ile donatmak, doğru patikada kalmalarına yardımcı olur. Bununla birlikte, otomatik önkoşul tespiti için mevcut algoritmalar çok hatalı sonuçlar verebilmektedir, bu durum önkoşul ilişkisi tamamen güvenilir olduğu varsayıldığından öğrencilerin bu tür kavram haritalarına olan güvenini azaltır. Bu çalışmada, önkoşul yerine bir kavramın diğeriyle ilişkili olduğunu gösteren kapsama ilişkisini kullanmayı öneriyoruz. Belirli bir kavramın önkoşullarının çoğu, kavramın kendisinden daha az zor olduğu için, kapsama ilişkisini kavramın zorluk puanları ile birleştirmenin, önkoşula benzer anlamı kodladığını savunuyoruz. Ancak, önkoşul ilişkisinden farklı olarak kapsama ilişkisinin daha az kısıtlı olması nedeniyle, potansiyel olarak yanlış tespit edilen kapsama ilişkileri öğrenciler tarafından göz ardı edilebilir. Bu tür ilişkiler daha çok tavsiyeler olarak kabul değerlendirilebilir. Buna karşılık, ortaya çıkan kavram haritasındaki kenarların güvenilirliğine ilişkin algıdaki bu değişiklik, öğrenciler için daha az hayal kırıklığı yaratır. Ayrıca, kavram haritasının inşasına özel bir yöntem tasarlamak için iki ek husus, yapılandırılmamış doğası ve öğrenme materyallerinin bolluğu da dikkate alınmalıdır. Bu bağlamda, bu tez ile, yapılandırılmamış metinsel öğrenme materyallerinden, kavram zorluğunu düğüm rengi olarak kodlayan ve kavramları kapsama kenarları aracılığıyla birbirine bağlayan bir kavram haritasını otomatik olarak oluşturmayı amaçlamaktayız. Bu amaçla, problemi iki alt işe ayırıyoruz: yapılandırılmamış metinden kavramların çıkarılması ve bunların arasına kapsama kenarları eklemeden önce çıkarılan her kavramın zorluğunu tahmin ederek kavram haritasının oluşturulması. Özetle kavramları çıkarmak için denetimsiz bir yöntem geliştirildi. Yapılandırılmamış metinsel öğrenme materyalleri kullanan ve yeni bir denetimsiz yöntemle ikinci alt işte tanımlanan kavramların her biri için bir zorluk puanı hesaplandı. Bu yolla kavram çıkarma yöntemimizin mevcut en son teknoloji yöntemlerden daha doğru olduğunu gösterdik. Bildiğimiz kadarıyla, kavramın zorluğunu bulmak için ilk denetimsiz yöntemi bu tezde önermiş olduk. Deneylerimiz, önerilen zorluk tahmin yöntemimizin uygulanabilirliğini göstermektedir. Ayrıca, belirli bir kavramın ön koşullarının kavramın kendisinden daha kolay olma eğiliminde olduğu gerçeği de metodolojimizi uygulanabilir kılan temel varsayımımız için kanıt sağlamaktadır. Bu bulgular, önerilen metodolojimizin, bireylerin pratikte kavramlar arasında daha başarılı bir şekilde yol almasını sağlayan kavram haritalarının oluşturulmasında faydalı olduğunu göstermektedir.
Acquiring knowledge about a topic is a complex process that requires an individual to gradually understand all concepts related to this topic. The learning experience for individuals can be enhanced by visualizing the key characteristics that serve as a guide for learning. Equipping learners with a concept map that orders concepts, represented as nodes, to be studied according to their prerequisite order, indicated by direct edges, helps them stay on track. However, existing algorithms for automatic prerequisite detection are too inaccurate, which reduces learners' trust in such maps as one assumes the prerequisite relation to be completely reliable. In this work we propose to replace prerequisite relations with less authoritative coverage relations, as they indicate only that one concept is broader and related to another one. Since most of the prerequisites of a given concept are less difficult than the concept itself, we argue that combining the coverage relation with concept's difficulty scores encodes similar semantics as the prerequisite relation. However, due to the coverage relation being less authoritative, potentially inaccurately detected coverage relations may be ignored by learners. Such relations are considered more like recommendations instead of facts. In turn, this change in perception about the reliability of the edges in the resulting concept map creates less frustration for learners. Further, two additional aspects, the unstructured nature and the abundance of the learning materials should also be considered for devising a scalable method for concept map's construction. With this in mind, this thesis aims to automatically construct from unstructured textual learning materials a concept map that encodes concept difficulty as node color and connects concepts through coverage edges. To that end, we divide the problem into two subtasks: extracting concepts from unstructured text and constructing the concept map by estimating the difficulty of each extracted concept before inserting coverage edges among them. Specifically, we first develop an unsupervised method to extract concepts from unstructured textual learning materials and then compute a difficulty score for each of the identified concepts in the second subtask with a novel unsupervised method. We find that our concept extraction method is more accurate than existing state-of-the-art methods. To the best of our knowledge, we have proposed the first unsupervised method for finding the concept's difficulty. Our experiments demonstrate the feasibility of our proposed difficulty prediction method. It also provides evidence for our core assumption that prerequisites of a given concept tend to be easier than the concept itself, which renders our methodology viable. These findings imply that our proposed methodology yields concept maps for courses that help individuals navigate concepts more successfully in practice.