Uzaktan öğretim alanında yapay zekânın
kullanım örneklerinin incelenmesi, uzaktan öğretim vasıtası ile toplanabilecek
verilerin değerlendirilmesi amacı ile gerçekleştirilen ve moderatörlüğü Dr.
Sevinç TUNALI tarafından üstlenilen Çalıştay’da; ilgili sunum Dr. Yalçın ÖZKAN
tarafından yapılmıştır. Çalıştay’ın son bölümünde uzaktan öğretimde yapay zekâ
uygulamalarına dair öneriler ve projeksiyonlar tartışılmıştır.
Yüz yüze eğitim okullarda yapılır. Uzaktan öğretimde ise “Öğrenim Yönetim
Sistemi” adı verilen platformlar üzerinde yapılır. Bu platform aynen bir okul
gibi, eğitim hizmeti veren kurumların tüm ihtiyaçlarına cevap vermektedir.
Uzaktan öğretim, tüm eğitim kademelerinde kullanım alanına sahip olmasına
rağmen Çalıştay’daki tartışmalarda özellikle yükseköğretime odaklanılmıştır.
YÖK’e göre uzaktan öğretim, Yükseköğretim kurumlarında öğretim faaliyetlerinin
bilgi ve iletişim teknolojilerine dayalı olarak planlandığı ve yürütüldüğü,
öğrenci ile öğretim elemanı ve öğrencilerin aralarındaki karşılıklı
etkileşimine dayalı olarak derslerin bizzat öğretim elemanı tarafından aynı
mekânda bulunma zorunluluğu olmaksızın eşzamanlı biçimde verildiği öğretimi
tanımlar.
Uzaktan öğretimde ders planları yardımıyla canlı derslerin ne zaman yapılacağı
belirlenir. Böylece öğrenciler belirtilen saatlerde sanal sınıfta yer alırlar.
Yüz yüze (geleneksel) eğitimde sınıflarda gerçekleştirilen akademik
faaliyetlerin internet üzerinden görüntülü ve sesli olarak etkileşimli
yapılmasını sağlayan ortamlara “sanal sınıf” denir. Sanal sınıflarda;
(1) Öğretim
elemanı derslerini kamera karşısında görüntülü ve sesli olarak sunmaktadır.
(2)
Öğretim elemanı sunu aracını kullanarak ve önceden hazırladığı ders notlarına
bağlı kalarak dersini anlatır.
(3)
Öğretim elemanı isterse okullarda kullandığı “kara tahtanın” bu sistemdeki
benzeri olan “beyaz tahtayı” kullanır. O anda yazı tahtasına kaydettiği
yazıları ve şekilleri öğrenciler aynı anda izler.
(4)
Öğrenci ders esnasında soru sorabilir. Öğretim elemanı bu soruya diğer
öğrencilerin de duyacağı biçimde yazılı ya da sözlü olarak o anda cevap verir.
(5)
Öğretim elemanının işlediği ders, video biçiminde arşive kaydedilir. Öğrenci
istediği an bu videoyu izleyerek konuyu daha iyi anlamaya çalışır.
Yapay zekâ sınıflandırma modelleri veri madenciliğinde sıkça kullanılan bir
yöntem olup, veri tabanlarındaki gizli örüntüleri ortaya çıkarmakta kullanılır.
Verilerin sınıflandırılması için belirli bir süreç izlenir. Öncelikle var olan
veri kümesinin bir kısmı eğitim amacıyla kullanılarak yapay zekâ modeli elde
edilir. Test için ayrılan veri kullanılarak modellerin performansı belirlenir.
Daha sonra bu modeller yardımıyla yeni bir durum ortaya çıktığında nasıl karar
verileceği belirlenir. Ayrıca modelde etkili olan faktörler ele alınarak bu
faktörlere odaklanılması sağlanır.
Veri üretme, veriyi kaydetme, verinin işlenmesi gibi konuların sanal ortamda
daha rahat ve hızlı yapılabilir olması sebebi ile veri toplamak geleneksel
sınıf ortamına nazaran daha kolaydır. Geleneksel eğitimin yapıldığı sınıflarda
dersteki ilgi ve dikkat süresini tespit etmek, dersle ilgili meşguliyetin,
öğretmenin pedagojik manevralarının takibini yapmak oldukça güçtür. Sanal sınıf
ortamında ise; öğrencinin her hareketi, bir sayfada geçirdiği süre, tepki hızı
ve hatta göz takibi (eye track) gibi durumların kayıt altında olması bunların
hepsinin bir veri olarak kullanılmasını mümkün kılar. Tüm davranışlardan elde
edilen verilerin değişkenlerinin modellemesi ile performans yorumlama,
istenmeyen davranışların tespiti, bireysel öneriler geliştirme gibi konularda
kullanılması mümkündür.
Uzaktan eğitimde yapay zekâ, yapılan etkinliklerin sonucunu değerlendirmede
kullanılabilir. Bu suretle hangi etkenlerin başarı üzerinde etkili olduğu ve
hangi faktörlerin üzerine odaklanılması gerektiği hakkında eğitimcilere
yardımcı olur. Nelerin yapılması ve nelerin yapılmaması hakkında sonuçlar
üretebilir. Bunun dışında öngörülerin geliştirilmesi ve “Kişiselleştirilmiş
Eğitim” konusunda eğitimcilere yol gösterir.
Uzaktan eğitim, ileri bilişim altyapılarını kullandığından veri toplamada ve işlemede
yüz yüze eğitime oranla önemli avantajlara sahiptir. Özellikle, öğrenciden elde
edilen verilerden henüz ortaya çıkmamış davranışlarının yorumlanması için
yapılacak analizlerde makine öğrenmesi modelleri kullanılabilir (C50,
Boosted C5, Regresyon Ağaçları, Destek Vektör Makinesi, Lojistik
Regresyon, “Random Forest”, Derin Öğrenme vb.). Örneğin öğrencinin okula
başladığı andaki demografik özellikleri ve başarı durumunun gelecekteki
başarısının tahmini için kullanılması sıklıkla yapılan çalışmalardandır.
Farklı bir örnek olarak, uzaktan eğitimde seçilen dersler üzerinden yapılan
analizler sonucunda bir sonraki dönemde hangi derse kaç öğrencinin kayıt
yaptıracağı önceden tahmin edilebilir. Bu analizler için veri tabanı içinde yer
alan kayıtların birbirleriyle olan ilişkilerini inceleyerek, hangi olayların eş
zamanlı olarak birlikte gerçekleşebileceklerini ortaya koymaya çalışan makine
öğrenmesi yöntemleri bulunmaktadır. Bu ilişkilerin belirlenmesiyle “birliktelik
kuralları” (Association Rules) elde edilir.
Uzaktan eğitimde yapay zekâ uygulamalarının geliştirilebilmesi için sürekli
veri ile beslenmesi gerekir. Bu amaçla öğrenme yönetim sistemi (Learning
Mangement System, LMS) üzerinde belirli zamanlarda öğrencilerin ve öğretim
üyelerinin sisteme bakış açılarını ve süreç değerlendirmelerini kayıt altına
almak gerekir. Sistem kullanıcıları, eğitim süreci içinde değerlendirmeler
yapmaya yöneltilebilir. Bu değerlendirmeler sistem tarafından dönem içinde
işlenerek sistem ile ilgili gerçek zamanlı uyarılar yayınlayacaktır.
Sonuç olarak; uzaktan öğretim sürecinde toplanan veriler ile yapay zekâ
uygulama önerilerinin bir kısmı aşağıda belirtilmiştir.
- Öğrencilere uygulanan tüm anketler birleştirilerek öğrencinin
performans analizlerinde kullanılması, böylece bir konudaki öğrenci
algısıyla başarı arasındaki ilişkinin belirlenmesi.
- Anketlerden yararlanarak, bir konuya ilişkin (örneğin “A ve B
düşüncesinde olanların diğer konularda ne düşündükleri” hakkında) sonuçlar
üreten bir sistemin geliştirilmesi.
- Ders içerikleri, canlı derslere katılımı, öğretim üyeleri ile
olan etkileşimi, canlı derslerdeki ve forumlardaki davranışlarının
izlenmesi; bu tür veriye dayanarak etkinlikler-performas ilişkisinin
ortaya çıkarılması ve böylece kişiselleştirilmiş eğitim için öneriler
geliştirilmesi.
- Ders içerikleri ve canlı ders kayıtlarını izleyen
öğrencilerin davranış modelinin belirlenmesi, bu sayede anlaşılmasında
zorluklar olan konuların ortaya konularak öneriler geliştirilmesi.
- Öğrencilerin başarısızlığına neden olan etkinlikleri göz
önüne alarak öneriler sunabilen bir sistemin geliştirilmesi.
- Ders seçimlerinde öğrencilere yön verebilecek bir öneri
sistemi geliştirilmesi.
Sunum
Dr. Yalçın Özkan
Moderasyon
ve Raportör
Dr. Sevinç TUNALI, ESTEN Direktörü
Detaylı Bilgi için Tıklayınız
