Tez No	İndirme	Tez Künye	Durumu
662074		Student learning analysis in e-learning using deep neural networks / Derin sinir ağları ile e-öğrenmede öğrenci öğrenme analizi Yazar:YUSUF CAN SEMERCİ Danışman: DR. ÖĞR. ÜYESİ DIONYSIS GOULARAS Yer Bilgisi: Yeditepe Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Elektronik öğrenme = Electronic learning ; Makine öğrenmesi = Machine learning	Onaylandı Doktora İngilizce 2021 128 s.
Web tabanlı eğitim sistemlerine olan talebin hızla arttığı bir dönemde, bir öğrencinin öğrenip öğrenmediğini ve bir dersin öğrencilerinin ihtiyaçlarına göre nasıl uyarlanabileceğini tahmin etmek çok önemli hale geliyor. Akış teorisi, bir bireyin duygusal durumunun öğrenmeleri üzerinde nasıl bir etkiye sahip olabileceğine dair bir açıklama sağlar. Bu nedenle, e-öğrenme kapsamında, öğrencilerin akış durumlarının tahmin edilmesi, öğrenmeleri hakkında bir tahmine yol açacak faydalı bilgiler sağlayabilir. E- öğrenme platformlarında akış durumu tahminindeki zorluk, öğrencilerin çabalarını, aktivitelerini ve performansını yansıtan parametreleri çıkarmaktır. Bu kapsamda bu tez, e- öğrenme ile öğretilen bir derste öğrenci öğrenmesini tahmin etmeyi amaçlayan derin bir sinir ağı ve akış teorisi temelli bir yöntem önermektedir. İlk olarak, klasik e-öğrenme sayfaları ve bir zaman çizelgesi aracından oluşan bir e-öğrenme platformu ile öğrencilerin etkileşimi kullanılarak öğrencilerin etkinlikleri analiz edilir. Bu analiz, aktivite ısı haritalarını ve derin sinir ağı tekniklerini içerir. Daha sonra e-öğrenme arayüzü ile sunulan quizler ile öğrencilerin performansları elde edilir. Etkinlikler ve performanslar daha sonra öğrenci anketleri kullanılarak istatistiksel bir analizle doğrulanır. Yöntem, etkinlikleri ve performansları kullanarak bir dersteki öğrencilerin akış durumu hakkında bir tahmin üretir. Önerilen derin sinir ağı modeli, etkinlik ısı haritalarından kalıpları çıkaran bir boyut azaltma yöntemi olarak işlev görür. Öğrenci profili yanlılıkları, iki farklı disiplinden iki farklı derste deneyler yapılarak ortadan kaldırılmaktadır. Önerilen model, anketlerle korelasyon açısından literatürde kullanılan boyut küçültme yöntemlerine göre üstün performans göstermektedir.
In a period where demand for web-based education systems is rapidly increasing, estimating whether a student is learning or not and how a course can be adapted to the needs of its students becoming crucial. Flow theory provides an explanation for how the emotional state of an individual can have an impact on their learning. Hence, in the scope of e-learning, estimating the flow states of students can provide useful information that will lead to the estimation of their learning. The challenge in flow state estimation in e-learning platforms is to extract parameters that reflect the effort, the activity, and the performance of students. In this scope, this thesis proposes a deep neural network and flow theory-based method aiming to estimate student learning in a course taught with e-learning. First, the activities of the students are analyzed using the interaction of students with an e-learning platform that comprises classical e-learning pages and a timeline tool. This analysis contains activity heatmaps and deep neural network techniques. Then, the performances of the students are obtained through quizzes presented with the e-learning interface. The activities and performances are then validated with a statistical analysis using student surveys. Using the activities and the performances the method generates an estimation about the flow state of students in a course. The proposed deep neural network model acts as a dimension reduction method that extracts patterns from the activity heatmaps. The student profile biases are eliminated by conducting experiments in two different courses from two different disciplines. The proposed model presents superior performance over the dimension reduction methods used in the literature in terms of correlation with the surveys.