Öz
Eğitim anlayışında yaşanan değişimler uzaktan eğitim uygulamaları ile öğrenim görmeye yönelik talebi artırmıştır. Bununla birlikte uzaktan eğitimin doğası gereği çeşitli sorunların gündeme gelmesi kaçınılmaz olmuştur. Bu sorunlardan bazıları uzaktan eğitim sürecinde öğrencilerin ilerlemeleri ile performanslarını takip etme ve ölçme konusunda yaşanmaktadır. Gerçekleştirilen bu çalışma ile bulanık mantık algoritmaları ile yapılandırılmış bir uzaktan eğitim performans sistemi geliştirilmesi hedeflenmiştir. Bu kapsamda, uzaktan eğitim öğrencilerinin dersler sırasındaki veya uzaktan eğitim platformlarındaki belirli davranış ve etkinliklerine göre bulanık mantık ile oluşturulmuş model tarafından bir performans puanının üretilmesi sağlanmıştır. Oluşturulan modelden elde edilen performans puanları, makine öğrenmesi tekniklerinden elde edilen puanlarla kıyaslanarak modelin uyumluluk skorları ve hata değerleri hesaplanmıştır. Araştırma sonucunda, bulanık mantık ile oluşturulmuş modelin uzaktan eğitim ortamlarında öğrenci performansını ve ilerlemesini ölçmede etkili bir şekilde kullanılabileceği ortaya konmuştur. Ayrıca, oluşturulan modelin uzaktan eğitim sürecinden ayrılma ihtimali olan öğrencilerin belirlenebilmesi açısından da kullanılabileceği araştırma sonuçları arasındadır.
Anahtar Kelimeler
Bulanık mantık yapay zekâ uzaktan eğitim performans değerlendirme makine öğrenmesi
Kaynakça
- Amrieh, E. A., Hamtini, T., & Aljarah, I. (2016). Mining Educational Data to Predict Student’s academic Performance using Ensemble Methods. International Journal of Database Theory and Application, 9(8), 119-136.
- Azimjonov, J., Selvı̇, İ. H., & Özbek, U. (2016). Evaluation of distance learning students performance using fuzzy logic. Yönetim Bilişim Sistemleri Dergisi, 2(2), 87-97.
- Cebi, A., & Karal, H. (2017). An application of fuzzy analytic hierarchy process (FAHP) for evaluating students project. Educational Research and Reviews, 12(3), 120-132.
- Goksel, N., & Bozkurt, A. (2019). Artificial Intelligence in Education: Current Insights and Future Perspectives. In S. Sisman-Ugur, & G. Kurubacak (Eds.), Handbook of Research on Learning in the Age of Transhumanism (pp. 224-236). Hershey, PA: IGI Global.
- Hogo, M. A. (2010). Evaluation of e-learning systems based on fuzzy clustering models and statistical tools. Expert Systems with Applications, 37(10), 6891-6903.
- Ivanova, V., & Zlatanov, B. (2019). Implementation of fuzzy functions aimed at fairer grading of students’ tests. Education Sciences, 9(3), 214.
- Jamsandekar, S. S., & Mudholkar, R. R. (2013). Performance evaluation by fuzzy inference technique. International Journal of Soft Computing and Engineering, 3(2), 158-164.
- Mamdani, E. H. (1974). Applications of fuzzy algorithms for control of simple dynamic plant. Proc. Iee, 121, 1585-1588.
- McGivney, V. (2004). Understanding persistence in adult learning. Open Learning: The Journal of Open, Distance and e-Learning, 19(1), 33–46.
- Moore, M. G., & Kearsley, G. (2011). Distance education: A systems view of online learning. Bel-mont, CA: Wadsworth Cengage Learning.
- Ölmez, Ç. (2010). Uzaktan Eğitim Sistemlerindeki Soru Bankalarının Bulanık Mantık Yöntemi ile Analizi [Yüksek Lisans Tezi, Afyon Kocatepe Üniversitesi]. http://acikerisim.aku.edu.tr/xmlui/handle/11630/6283
- Richardson, J. T. E., & King, E. (1998). Adult students in higher education: Burden or boon? The Journal of Higher Education, 69(1), 65–88.
- Santana de Oliveira, M.M., & Torres Penedo, A.S., & Pereira, V. (2018). Distance education: Advantages and disadvantages of the point of view of education and society. Dialogia, 29(1), 139-152.
- Smith, P. F., Ganesh, S., & Liu, P. (2013). A comparison of random forest regression and multiple linear regression for prediction in neuroscience. Journal of neuroscience methods, 220(1), 85-91.
- Uğur, S., & Kurubacak, G. (2019). Technology Management Through Artificial Intelligence in Open and Distance Learning. In Handbook of Research on Challenges and Opportunities in Launching a Technology-Driven International University (pp. 338-368). Hershey, PA: IGI Global.
- Uysal, M. P. (2010). Öğrenme stillerinin bulanık mantıkla modellenmesi. In 4th International Computer & Instructional Technologies Symposium (pp. 1040-1045). Selçuk University Konya, Turkey.
- Ünver, H. M. (2020). Design of a fuzzy logic based custom exam production system for high performance. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 12(2), 745-752.
- Vogel, C., Hochberg, J., Hackstein, S., Bockshecker, A., Bastiaens, T. J., & Baumöl, U. (2018, June). Dropout in Distance Education and how to Prevent it. In EdMedia+ Innovate Learning (pp. 1788-1799). Association for the Advancement of Computing in Education (AACE).
- Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.
- Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(39), 1-27.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Alan Eğitimleri |
| Bölüm | Araştırma Makaleleri |
| Yazarlar | |
| Yayımlanma Tarihi | 31 Temmuz 2023 |
| Gönderilme Tarihi | 30 Mayıs 2023 |
| Yayımlandığı Sayı | Yıl 2023 Cilt: 4 Sayı: 3 |
