Bölüm 15 Epistemik Ağ Analizi: Kurama Dayalı Öğrenme Analitiğinin Çalışılmış Bir Örneği

David Williamson Shaffer ve A. R. Ruis

Wisconsin Eğitim Araştırmaları Merkezi, Wisconsin Üniversitesi, Madison, ABD

DOI: 10.18608/hla17.015

ÖZ

Bu makalede, bir eğitsel oyun bağlamında öğrenme analitiğinin teori temelli bir yaklaşımın çalışılmış bir örneğini sunuyoruz. Bunu, diğerlerinin taklit ettiği ideal bir çözüm sunmak için değil; veri odaklı bir yaklaşımdan ziyade teori temelli yaklaşımın sağlayıcılığını araştırmak için yapıyoruz. Bunu, 1) öğrenmenin kavramsallaştırılmasına bir yaklaşım olarak epistemik çerçeve teorisini sunarak; 2) epistemik çerçeve teorisine dayanan eğitsel oyun tasarımına bir yaklaşım olan epistemik bir oyundan elde edilen veriler ve 3) epistemik ağ analizi (EAA), aynı teoriye dayanan karmaşık düşünmenin kanıtı için söylem ve diğer verileri analiz etme tekniği olarak sunuyoruz. EAA’yı belirli bir analitik sonuç ile tanımlıyoruz ancak amacımız bu sonucun öğrenme analitiği alanında bizim kilit “en iyi uygulama” olarak düşündüğümüz şeyi nasıl örneklediğini araştırmaktır.

Anahtar Kelimeler: Epistemik çerçeve teorisi, epistemik oyun, epistemik ağ analizi (EAA), kanıt merkezli tasarım

Bu bölümde, kuramın öğrenme analitiğindeki rolüne bakıyoruz. Öğrenmeyi inceleyen araştırmacılar, ister son derece çok sayıdaki kişi hakkındaki bilgi veya ister öğrenme sürecinde mikroskobik, anlık eylemleri gösteren veriler olsun, eşi benzeri görülmemiş miktarlarda veri ile kutsanmışlardır. Bu cesur yeni dünyadır¹. Öğrencilerin dikkatlerinin yoğunlaştırdıkları yere saniye saniye bakabilir veya KAÇD’lerdeki binlerce öğrenciyi inceleyerek hangi tür çalışma becerilerinin etkili olduğunu inceleyebiliriz. Wise ve Shaffer (2016)’ın, Öğrenme Analitiği Dergisinin özel bir bölümünde belirttiği gibi, yeterli bilgi varsa verinin kendi adına konuşabileceğini yani, öğrenme teorileri olmadan öğrenme analizleri yapabileceğimizi düşünmek tehlikelidir. Esasen, bunun tam tersi doğrudur. Daha büyük miktarda veri ile teori, analizde daha da hassas bir rol oynar. Basit bir ifadeyle belirtmek gerekirse, belirli boyut ve türdeki veri kümeleri için en güncel istatistiksel araçlar geliştirilmiştir: rastgele etkilerin normal dağılımı için yeterince büyük ancak geleneksel veri toplama teknikleri kullanılarak elde edilecek kadar küçük. Bu teknikleri, güçlü bir teorik temele sahip olmayan büyüklü/boyut sırası daha uzun olan ve değişken sayısı bakımından daha büyük olan veri kümelerine uygulamak en iyi ihtimalle tehlikelidir.

Sonrasında, bu soruya istatistiğin uygulama problemlerini teorik bir çerçeve olmadan analiz ederek bakmıyoruz. Wise ve Shaffer’ın önerdiği -ve Öğrenme Analitiği Dergisi‘nin özel bölümündeki makale ve yorumların bize gösterdiği şey- teoriye dayalı öğrenme analitiği yürütmenin zor olduğudur. Sonuç olarak, neyin takip edeceği ile ilgili yaklaşımımız, çalışan bir örnek kullanarak öğrenme analitiği teorisinin rolünü incelemektir; örnek olarak bir problemin sunumu ve çözümünün adım adım açıklaması (Atkinson, Derry, Renkl ve Wortham, 2000) verilebilir.

Bunu yaparken amacımız, başkalarına taklit edecek ideal bir çözüm sunmak veya bizim teoriyi öğrenme analitiğinde belli bir şekilde kullanmamamızın diğerlerinden daha iyi olduğunu ortaya koymak değildir. Daha çok, hedefimiz, büyük eğitsel veri kümelerinin analizine teorik temelli -veri odaklı ya da teori temelli olmayan bir yaklaşımın aksine- bir yaklaşımın önemini yansıtmaktır. Bunu yeni bir öğrenme analitiği tekniği olan epistemik ağ analizini sunarak (EAA; Andrist, Collier, Gleicher, Mutlu ve Shaffer, 2015; Arastoopour, Shaffer, Swiecki, Ruis ve Chesler, 2016; Chesler vd., 2015; Nash ve Shaffer, 2013; Rupp, Gustha, Mislevy ve Shaffer, 2010; Rupp, Sweet ve Choi, 2010; Shaffer vd., 2009; Shaffer, Collier ve Ruis, 2016; Svarovsky, 2011) yapıyoruz. Fakat daha da önemlisi, EAA’nın dayandığı öğrenme yaklaşımı olan epistemik çerçeve teorisi bağlamında sunuyoruz ve onu epistemik çerçeve teorisine dayanan eğitsel oyun tasarımına bir yaklaşım olarak bir epistemik oyuna uyguluyoruz. Bu nedenle, EAA’yı sonucun teori, veri ve analizin uyumlanmasını nasıl alandaki “en iyi uygulama” olarak örneklendirdiğini incelemek amacıyla belirli bir analitik sonuç yoluyla tanımlıyoruz.

VERİ

Bu çalışan belirli örneği incelemek için kullanacağımız veriler, öğrencilerin uzmanlar gibi düşünmelerini öğrenmelerine yardımcı olan otantik bir profesyonel uygulama simülasyonu olan epistemik bir oyundan gelmektedir (Shaffer, 2006, 2007). Özel olarak, veriler, öğrencilerin stajyer rolünü üstlendikleri Lowell, Massachusetts kentindeki hayali bir firmada bir yeniden geliştirme sözleşmesi için rekabet ettikleri çevrimiçi bir kentsel planlama simülasyonu olan bir epistemik oyun Land Science’dan geliyor. Şehri farklı paydaş gruplarının taleplerini karşılayan farklı bir kullanım için tahsis eden yeni bir plan geliştirmek için sohbet ve e-posta yoluyla iletişim kuran küçük ekiplerde çalışıyorlar. Bunu yapmak için, öğrenciler araştırma özetlerini ve diğer kaynakları gözden geçirir, paydaş tercihleri hakkında bir anket yaparlar ve arazi kullanımı değişikliklerinin kirlilik, gelir, barınma ve GIS haritalama aracı kullanarak diğer göstergeler üzerindeki etkilerini modelleyebilirler. Hiçbir farklı kullanım tahsis planı tüm paydaş tercihlerini yerine getiremeyeceğinden, öğrenciler nihai tekliflerinde verdikleri kararları gerekçelendirmelidir.

Land Science, lise öğrencileri ve üniversite birinci sınıf öğrencileri ile 30’dan fazla kez kullanılmıştır. Önceki araştırmamız (Bagley ve Shaffer, 2009, 2015b; Nash, Bagley ve Shaffer, 2012; Nash ve Shaffer, 2012; Shaffer, 2007), Land Science’ın öğrencilerin kentsel ekoloji, kentsel planlama ve ilgili alanlarda içerik ve uygulamaları öğrenmelerine yardımcı olduğunu ve ayrıca okuldaki performansı iyileştirmek için beceriler, ilgi alanları ve motivasyon geliştirmelerine yardımcı olduğunu göstermiştir.

Pek çok eğitim teknolojisinde olduğu gibi, Land Science, sohbet sırasında, e-postalarında, not defterlerinde, diğer iş ürünlerinde, her tuş basışında ve fare tıklatması dâhil olmak üzere, simülasyon sırasında öğrencilerin yaptıkları her şeyi kaydeder. Bu sadece öğrencilerin nihai ürünlerini değil aynı zamanda kullandıkları problem çözme süreçlerini de analiz etmeyi mümkün kılar.

Aşağıda verilen çalışılmış örnekte, Land Science’ın aynı sürümünü kullanan yedi üniversite öğrencisi grubu (n = 155), sekiz lise öğrencisi grubunu (n = 110) ve üç grup üstün yetenekli ve yetenekli lise öğrencisi (n = 46) dâhil olmak üzere 311 öğrencini sohbetlerini inceliyoruz. Bu veri kümesi bütünüyle 44.964 sohbet satırını içeriyor.

KURAM

Land Sciencedan gelen sohbet verisi analizimiz epistemik çerçeve teorisi tarafından bilgilendirilmektedir (Shaffer, 2004, 2006, 2007, 2012). Epistemik çerçeve teorisi, bir uygulama topluluğunun dünyadaki düşünme, hareket etme ve olma yollarını modellemektedir (Lave ve Wenger, 1991; Rohde ve Shaffer, 2004). Sorunları çerçevelemek, araştırmak ve çözmek için ortak bir yaklaşıma sahip bir uygulama topluluğu veya bir grup insan, bir bilgi ve beceri repertuarına, beceri ve bilginin nasıl kullanılması gerektiğini yönlendiren bir değerler dizisine ve kararlar almak ve doğrulamak için bir dizi sürece sahiptir. Bir topluluğun hem açık belirteçlerle hem de topluluğun karakteristik becerilerinin, değerlerinin ve karar alma süreçlerinin çıkarılması yoluyla sergilenen ortak bir kimliği de vardır.

Bir uygulama topluluğunun parçası olmak, başka bir deyişle, belirli bir Söylem edinmek demektir : bir “konuşma, dinleme, yazma, okuma, hareket etme, etkileşim kurma, inanma, değer verme ve hissetme” yolu (ve çeşitli nesneler, semboller, görüntüler araçlar ve teknolojiler kullanma) ”(Gee, 1999, s. 719). Bir Söylem, bir kültürün tezahürüdür ve Goodwin’in (1994) profesyonel görüşüne dayanarak, epistemik bir çerçeve bir Söylemin dil bilgisidir: belirli bir uygulama topluluğunun üyeleri tarafından sergilenen Söylem ögelerinin yapılandırmasının resmî açıklamasıdır.

Ancak önemli olarak, bir topluluğun epistemik çerçevesini niteleyen ilgili bilgi, beceri, değerler, uygulamalar ve diğer nitelikler değil; onların belirli bir şekilde ayarlanıp yapılandırılmasıdır. Bir çerçeve kavramı Goffman’dan (1974) gelmektedir (ayrıca bk. Tannen, 1993). Etkinlik, çerçeve olarak yorumlanır: algıları ve eylemleri şekillendiren kurallar ve görüşler ya da deneyimlerin yorumlandığı normlar ve uygulamalar dizisi. Böylece, epistemik bir çerçeve, otantik görevlerle (veya otantik görevlerin simülasyonlarına) ilgilenen bir bireyin eylemleri ve etkileşimleri ile ortaya çıkar.

Epistemik bir çerçeveyi oluşturan unsurlar arasındaki bağlantıları analitik olarak tanımlamak için, öğrencilerin söylemindeki eş oluşumları -bu durumda çevrimiçi bir sohbet programında yapılan konuşmalarda tespit ederiz. Araştırmacılar (Chesler vd., 2015; Dorogovtsev ve Mendes, 2013; i Cancho ve Sole, 2001; Landauer, McNamara, Dennis ve Kintsch, 2007; Lund ve Burgess, 1996) özellikle de eş oluşumlar sık olduğunda belirli bir söylem verisi dilimindeki kavramların eş oluşumlarının bilişsel bağlantıların iyi bir göstergesi olduğunu tespit etmişlerdir (Newman, 2004). Bu kavramlar, teorik ya da görgül/ deneysel bir analizden ya da eylem halindeki topluluğun etnografik bir çalışmasından olay öncesi² duruma dayalı olarak tanımlanabilir.

EAA, söylem verilerinin bölümlerindeki eş oluşumları tespit ederek ve eş oluşumların ağırlıklı yapısını modelleyerek epistemik çerçeve teorisini işler hale getirir. EAA zaman içinde epistemik bir çerçevenin gücündeki ve kompozisyonundaki değişiklikleri ölçen dinamik bir ağ modelinde bu ortak oluşum örüntülerini temsil eder- bir sonraki bölümde açıklayacağımız bir süreç olarak tanımlarız.

EAA

EAA, bağlantı verilerinin ağırlıklı yapısını söylem verilerinde veya herhangi bir dörtlük³ temelli etkileşim verilerinde modeller. Daha sonra, EAA yönteminin genel prensiplerini ve EAA yazılımının güncel versiyonunun www.epistemicnetwork.org‘un EAA algoritmalarını uyguladığı spesifik süreci açıklıyoruz.

Fikir Birimleri Tabanlı Etkileşim Verileri

EAA’nın epistemik çerçeve teorisini nasıl işlettiğini açıklamadan önce, verilerin EAA kullanılarak analiz için nasıl yapılandırıldığını anlamak önemlidir. Land Science’de bir grup öğrenci tarafından yapılan iki konuşmadan alıntıları gösteren Tablo 15.1’deki basitleştirilmiş verilere dikkat edin. Sağdaki beş sütunda, birliktelik örüntüsünü modellemek istediğimiz kavramlar ya da kodlar vardır. Bu durumda, kodlar, bir kentsel planlama epistemik çerçevesinin çeşitli unsurları olan profesyonel şehir planlama pratiğinin çeşitli yönlerini temsil eder.

Bazen, Jorge’nin hem sosyal hem de çevresel konular hakkındaki bilgileri referans aldığı Satır 3 ‘te olduğu gibi, kodlar arasındaki ilişkileri tek bir ifadede görebileceğimizi unutmayın. Diğer durumlarda, ifadeler arasında ilişkiler ortaya çıkar: Satır 10’da Depesh, Natalie’nin Satır 8’deki feragat hakkındaki daha genel bir yorumuna cevap veren ve açık alanın artmasıyla ilgili olarak bunun üzerine dayandırdığı feragatten bahseder. Ancak her konuşma sırası arasında kodlar arasındaki ilişkilere bakmak istemeyebiliriz. Örneğin, iki ayrı konuşma Tablo 15.1’de gösterilmektedir. Her ikisi de aynı öğrenci grubunu (Grup 3) içerir ancak öğrenciler iki farklı etkinlik üzerinde çalışırken konuşmalar iki farklı günde gerçekleşmiştir.

Bu verilerin bir ağ modelini oluşturmak için, satırları fikir birimlerine göre gruplamamız gerekir. Bu fikir biriminin arkasındaki ana fikir, (a) aynı fikir birimi içindeki herhangi bir satırdaki kodların modelde birbirleriyle ilişkili olduğu ve (b) aynı fikir biriminde olmayan satırlardaki kodların, modelde birbirleriyle ilişkili olmadığıdır. Bu durumda, fikir birimleri hangi kavram birlikteliklerinin kent planlamasının epistemik çerçeve unsurları arasında anlamlı bilişsel bağlantıları temsil ettiğini göstermektedir.

Tablo 15.1. EAA Formatında Kodlanan Söylem Verilerinin Düzenlenmiş Alıntıları

EAA Modelleri

Fikir birimlerine dayalı etkileşim verilerinden bir ağ modeli oluşturmak için EAA, fikir birimlerini daraltır. Genellikle bu ikili bir birikim olarak yapılır: eğer fikir birimindeki herhangi bir veri satırı A kodunu içeriyorsa, o zaman fikir birimi A kodunu içerir. Örneğin, fikir birimlerini tanımlamak için “Etkinlik” seçeneğini seçersek, Tablo 15.1’de gösterilen veriler Tablo 15.2’de gösterildiği gibi daraltılır.

Tablo 15.2. Grup 3 için etkinliklerine göre Fikir Birimleri

EAA daha sonra her bir fikir birimi için kodların bir arada olduğunu özetleyen bir komşuluk matrisi yaratır (bk. Tablo 15.3). Matrisin köşegen kısmı tüm sıfırları içerir, çünkü bu modeldeki ve genel olarak EAA’daki kodlar kendileri ile birlikte bulunmaz. Her bir bitişiklik matrisi, bu durumda, Grup 3’ün belirli bir faaliyet sırasında şehir planlama epistemik çerçeve elemanları arasında yaptığı bağlantıları temsil eder. Örneğin, VSV Toplantısı etkinliğinde, K.sosyal.sorunlar ve K.ortamın ikisi de Grup 3’ün söyleminde gerçekleşti. Tablo 15.3’teki (yukarıda) bu etkinliği temsil eden bitişiklik matris, bu nedenle, bu iki kodun eşzamanlılığını temsil eden hücrelerde 1 içerir.

Her fikir birimini temsil eden bitişiklik matrisleri daha sonra veri kümesindeki her bir analiz birimi için kümülatif bir bitişiklik matrisi halinde toplanır. Tablo 15.3’te gösterilen basit örnek böylece Tablo 15.4’te gösterilen kümülatif bitişiklik matrisi ile temsil edilir. Bu birikim işleminin sonunda, veri kümesindeki her birim (bu durumda, her bir grup) bu birim için, kodlar arasında (epistemik çerçeve elemanları) ağırlıklı birlikte yaşama modelini (bilişsel bağlantılar) temsil eden kümülatif bir bitişiklik matrisi ile ilişkilidir.

Farklı birimler arasındaki bağlantıların yapısını anlamak, kendi bağlantı ağları arasındaki ilişkileri veya birikimli bitişik matrisleri arasındaki farklılıkları anlamak için EAA, her bir vektörün matrisin üst çapraz yarısındaki bir değerle tanımlandığı her bir birikimli bitişiklik matrisini yüksek boyutlu bir uzayda bir vektör olarak temsil eder. Bu boşluğun boyutlarının, her bir kod çifti arasındaki ilişkinin gücüne karşılık geldiğine dikkat edin.

Tablo 15.3. Grup 3 için etkinliklerine göre Fikir Birimleri

Tablo 15.4. Grup 3 için Kümülatif Bitişiklik Matrisi, Tablo 3’te gösterilen İki Bitişiklik Matrisinin Toplanması

EAA alanındaki verileri analiz etmeden önce, EAA, verileri normalleştirmek için her bir vektörü uzunluğuna böler. Bu bir vektörün uzunluğu potansiyel olarak analiz ünitesinde bulunan fikir birimi sayısından etkilendiği için yapılır. Daha fazla birimin daha fazla vektör ortaya çıkarması olasıdır, bu da daha uzun vektörlerle sonuçlanır. Bu problemlidir, çünkü iki vektör aynı birliktelik örüntüsünü temsil edebilir ve bu nedenle aynı yöne işaret eder ancak farklı sayıda fikir birimini temsil eder ve dolayısıyla farklı uzunluklara sahiptir.

Veriler normalleştirildikten sonra EAA, verileri merkezleyen ancak yeniden ölçeklendirmeyen bir projeksiyon olarak, bir tekil değer ayrıştırması (TDA) gerçekleştirir. Bu verilerde hesaba katılan varyansı maksimuma çıkarır (temel bileşenler analizine benzer). Bununla birlikte, geleneksel bir TBA veya faktör analizinden farklı olarak, (a) EAA, kodların sayıları veya güçlülüğünden ziyade, kümülatif bitişiklik matrislerin eş oluşumları üzerinde gerçekleştirilir ve (b) EAA, orijinal veriler üzerinde bir küre veya kosinüs normu uygular ve onları ortalar ancak boyutları tek tek ölçeklendirmez.

EAA Modellerinin Yorumlanması

Bir ENA modeli oluşturulduktan sonra, anlamlı bir yorumu anlamak ve oluşturmak için bir takım araçlar kullanılabilir. Örneğin, yukarıda açıklanan Land Science veri kümesinde, tüm öğrencilerin sohbet ifadeleri, daha önce geliştirilmiş ve onaylanmış bir otomatik kodlama işlemi kullanılarak (24) kentsel planlama epistemik çerçeve elemanları için kodlanmıştır (Ek I’e bakınız). Nash ve Shaffer (Bagley ve Shaffer, 2015b; Nash ve Shaffer)., 2011). Kentsel planlamacıların nasıl eğitildiğine dair etnografik bir çalışmaya dayanarak otantik kentsel planlama uygulamasıyla ilgili kodlar geliştirilmiştir (Bagley ve Shaffer, 2015a).

Şekil 15.1. Simüle edilmiş bir kentsel gelişim problemini çözerken öğrencini yaptığı bilişsel bağlantıların yapısını temsil eden bir lise öğrencisinin epistemik ağı (Öğrenci A). Parantez içindeki yüzdeler, her bir boyut tarafından hesaplanan modeldeki toplam varyansı göstermektedir. Birden fazla veri kaynağının birleştirilmesi.

EAA modelleri tipik olarak, bir seferde iki boyutu kullanarak görselleştirilir ki bu yorumlamayı kolaylaştırır. Örneğin, Şekil 15.1, Land Science’a katılan bir lise öğrencisinin (Öğrenci A) kümülatif epistemik ağını göstermektedir. Ağ, öğrenenin kentsel planlama epistemik çerçevesinin unsurları arasındaki bağlantıların yapısını modellemektedir. Bu durumda, Öğrenci A’nın ağı, sosyal konular ve karmaşık sistemlerin bilgisi gibi bilgi unsurları,uzlaşma ve kentsel planlama araçlarını kullanma becerisi (tercih anketi gibi) gibi epistemolojik unsurlar arasında bir dizi bağlantı gösterir. Bu ağ ayrıca ağırlıklıdır: daha kalın, daha doymuş çizgiler daha güçlü bağlantıları temsil ederken, daha ince, daha az doymuş çizgiler daha zayıf bağlantıları temsil eder. Bir çizginin kalınlığı / doygunluğu, iki epistemik çerçeve elemanı arasındaki bağlantının meydana geldiği fikir birimi sayısı ile orantılıdır.

Çoğu durumda bu öğrencinin ağı -örneğin genellikle temel bilgi ve beceriler arasında bilişsel bağlantılar kurmuş olan A öğrencisi -hakkında bazı çıkarımlara ulaşırken, bir ağın göze çarpan özelliklerinin diğer ağlarla karşılaştırıldığında tanımlanması daha kolaydır. Şekil 15.2, ikinci lise öğrencisinin (Öğrenci B) kentsel planlama epistemik ağını göstermektedir. Öğrenci A gibi, Öğrenci B de temel bilgi unsurları arasında bir takım bağlantılar kursa da Öğrenci B’nin ağı, daha çok ve daha güçlü bağlantılar ve ek unsurlara, özellikle bilimsel düşünce gibi daha ileri becerilere ve epistemolojik özelliklere sahiptir.

Şekil 15.2. Simüle edilmiş bir kentsel gelişim problemini çözerken lise öğrencisinin bilişsel bağlantılarını temsil eden bir epistemik ağı (Öğrenci B).

Yukarıda tartışıldığı gibi, epistemik çerçeve teorisi, kentsel planlama (veya herhangi bir uygulama topluluğunun) epistemik çerçevesinin, kentsel planlama bilgisi, becerileri, değerleri ve diğer niteliklerin birbiriyle ne kadar bağlantılı olduğu ile tanımlandığını ortaya koymaktadır. Bu örnekte, EAA Öğrenci B’nin ağının daha açık bir şekilde epistemik olduğunu ortaya koymaktadır: düşüncesini şehir planlamacılarının yaptığı gibi açıklamış ve gerekçelendirmiş ve böylece bir şehir plancısı gibi düşünmeyi öğrenmiştir.

A ve B öğrencileri arasındaki bu karşılaştırmayı mümkün kılan şey, her iki epistemik ağdaki düğümlerin, bu iki öğrenci için ve veri kümesindeki tüm öğrenciler için ağ projeksiyon alanında aynı yerlerde görünmesidir. Düğüm yerleşimindeki bu değişmezlik, farklı birimlerin ağ projeksiyonlarını doğrudan karşılaştırmamıza olanak tanır ancak bu doğrudan karşılaştırma yöntemi sadece çok az sayıda ağ- için çalışır, ya düzinelerce veya yüzlerce ağı karşılaştırmak istiyorsak? Örneğin, bu veri kümesindeki 110 lise öğrencisini karşılaştırmak veya lise öğrencilerini üniversite öğrencileriyle karşılaştırmak istiyorsak ne olur? EAA bunu, her bir ağı projeksiyon alanındaki tek bir nokta olarak temsil ederek mümkün kılar, böylece her bir nokta karşılık gelen ağın sentroidi olur.

Bir ağın sentroidi, bir nesnenin kütle merkezine benzer. Spesifik olarak, bir ağ grafiğinin sentroidi, uzayda ağ projeksiyonuna göre dağıtılmış ağ modelinin kenar ağırlıklarının aritmetik ortalamasıdır. Buradaki önemli nokta, bir EAA ağının sentroidinin ağı, ağ modelinin belirli bir düzenlemesindeki bağlantıların ağırlıklı yapısını açıklayan projeksiyon alanındaki tek bir nokta olarak özetlemesidir.

Ağ projeksiyonundaki düğümlerin yerleri, herhangi bir ağ için, (a) ağ grafiğinin kütle merkezi ve (b) ağı TDA dönüşümü altında temsil eden noktayı en aza indirmek için bir optimizasyon rutini ile belirlenir. Bir ağın sentroidinin, öngörülen bir uzayda ağın konumuna karşılık gelmesi için sabit düğüm konumlarının seçilmesi, projeksiyon alanının ve dolayısıyla EAA modelinde farklı ağlar arasındaki belirgin farklılıkların karakterizasyonuna izin verir. Bu durumda, projeksiyon alanını şu şekilde yorumlayabiliriz: sola doğru, profesyonel iletişim ve şehir planlama araçlarının kullanımı gibi temel mesleki beceriler; sağa doğru, belirli gelişim problemiyle ilgili bilgi unsurları, veri ve bilimsel düşünme gibi daha genel konuların bilgisi ve sol üste doğru daha gelişmiş kentsel planlama düşüncesinin unsurları, özellikle kentsel planlama sözleşmelerine ve imar kodlarının kullanımına göre kararlar alan ve haklı çıkaran epistemolojik unsurlar.

Böylece, çok sayıda farklı ağı eşzamanlı olarak karşılaştırabiliriz, çünkü projeksiyon alanının aynı bölümünde bulunan sentroidler benzer bağlantı örüntülerine sahip ağları temsil ederken, projeksiyon alanının farklı bölümlerinde bulunan kütle merkezleri farklı bağlantı örüntülerine sahip ağları temsil eder⁴. Bu öğrencilerin kentsel planlama epistemik çerçeveleri hakkında herhangi bir sayıda araştırma sorusunu keşfetmemize olanak sağlar. Land Science veri kümesine sorabileceğimiz bir soru, farklı öğrenci topluluklarının (kolej, lise ve üstün yetenekli lise) epistemik ağlarının nasıl farklı olduğudur? Örneğin, üniversite öğrencilerini ve lise öğrencilerinin sentroidlerini çizdiğimizde (Şekil 15.3), iki grup farklı şekilde dağılmıştır. Farkın istatistiksel olarak anlamlı olup olmadığını belirlemek için, iki popülasyonun projeksiyon alanındaki ortalama pozisyonları üzerinde bağımsız örneklemler t testi yapabiliriz. Üniversite öğrencileri (koyu ve lise öğrencilerine (açık) her iki boyutta da önemli ölçüde farklıdır:

x ̅ ̅_Üniversite= -0.083, x ̅_HS= 0.115, t = -7.025, p < 0.001, Cohen’s d = -0.428

y ̅_Üniversite= 0.040, y ̅_HS= –0.045, t = 3.199, p = 0.002, Cohen’s d = 0.186

Şekil 15.3. Üniversite öğrencileri (koyu) ve lise öğrencilerinin (açık) sentroidlerive onlara karşılık gelen araçlarla (kareler) ve güven aralıkları (kutular).

Üstün zekâlı ve yetenekli lise öğrencileri analize dâhil edildiğinde, bazı açılardan, üniversite öğrencilerine daha çok benzerken diğerleri ise lise öğrencilerine daha çok benzerler. Üstün yetenekli lise öğrencilerinin projeksiyon alanındaki ortalama konumu (Şekil 15.4) hem üniversite öğrencilerinden hem de lise öğrencilerinden yalnızca ilk (x) boyutta istatistiksel olarak anlamlı derecede farklıdır:

Şekil 15.4. Üniversite öğrencileri (solda), lise öğrencileri (sağda) ve üstün yetenekli lise öğrencilerinde (ortada) ortalama ağ konumları (kareler) ve güven aralıkları (kutular).

x ̅_GiftedHS= 0.007, x ̅_Üniversite= –0.083, t = 2.538, p = 0.013, Cohen’s d=0.202

x ̅_GiftedHS= 0.007, x ̅_Üniversite= 0.115, t = –2.736, p = 0.007, Cohen’s d=-0.223

Şekil 15.5. Üniversite öğrencileri (sol), üstün yetenekli lise öğrencileri (merkez) ve lise öğrencileri (sağ) ortalama epistemik ağları.

Üç grup arasındaki farklılıkları belirlemede hangi faktörlerin hesaba katılacağını belirlemek için onların ortalama epistemik ağlarını karşılaştırabiliriz. Şekil 15.5’te görüldüğü gibi, üstün yetenekli lise öğrencileri ortalama olarak lise öğrencilerinden daha gelişmiş ve şehir planlama düşüncesinin unsurlarıyla daha güçlü bağlar kurmuşlardır. Yani, lise ve üniversite öğrencilerinden arasında, alandaki karmaşık düşünceye ilişkin bir yerdeydiler. Buna karşılık, üstün yetenekli lise öğrencileri, her iki popülasyonun da temel mesleki beceriler ve ileri kent planlama düşüncesi arasındaki üniversite öğrencilerinden daha az bağlantı kurması nedeniyle lise öğrencilerine daha benzer görünüyor. Başka bir deyişle, üstün zekâlı lise öğrencileri, lise ve üniversite öğrencileri arasında entelektüel bir yerdedir ancak temel mesleki ve kişiler arası beceriler seviyesinde lise öğrencilerine daha benzerdir.

EAA Ağ Modellerinin Nicel Üçgenlemesi(Triangulation)

EAA’nın en önemli özelliği, modeldeki bağlantıları, sohbetlerin dayandığı orijinal verilere kadar izleyebilmesidir. “Sosyal konuların epistemolojisi” ile “veri bilgisi” arasındaki bağlantıyı tıklayarak, bu bağlantıya katkıda bulunan tüm ifadelere ağ grafiğinden erişebiliriz. Şekil 15.6, bir üniversite öğrencisinin epistemik ağında bu bağlantıya katkıda bulunan ifadelerin bir kısmını göstermektedir.

Şekil 15.6. Bir üniversite öğrencisinin epistemik ağındaki sosyal sorunların epistemolojisi ile veri bilgisi arasındaki bağlantıya katkıda bulunan sohbet ifadeleri. EAA araç setinde, her bir ifadenin metni, A kodunu mu (kırmızı), B kodunu mu (mavi), her ikisini de mi (mor) içerir veya hiçbirini (siyah) içermediğini belirtmek için renklidir.

Metin, sadece birinci kodu içeren boşluklar veya ifadeler kırmızı, sadece ikinci kodu içerenler mavi, her iki kodu içerenler de mor renk ve hiçbir kodu içermeyenler siyah renkte gösterilecek şekilde renklidir. “Nihai Teklif Yansıması” fikir birimi (etkinlik, gibi), örneğin mor renktedir, çünkü hem E.sosyal.konular hem de K.veri için kodlanan ifadeler içerir: birinci (kırmızı) ifade, arazi kullanım değişikliğine dayanarak kenti iyileştirme isteğini gerekçelendirirken (sosyal sorunların epistemolojisi), ikinci ifade ise imar değişikliklerinin atmosferik karbondioksit seviyeleri üzerindeki etkileriyle ilgili bilgileri (veri bilgisi) gösterir.

Şekil 15.7. İyi teoriye dayalı öğrenme analitiği, bir modelin orijinal verilere karşı yorumlanmasını doğrulamayı mümkün kılarak “yorumlayıcı döngüyü kapatır”.

EAA’nın bu özelliği yorumlayıcı döngüyü kapatmamızı sağlar (bk. Şekil 15.7). Kentsel planlama epistemik çerçeve ögeleri için kodlanmış bir veri kümesi ile başladık; kodlanmış verileri, çerçeve ögelerinin birlikte oluşmasına dayanarak öğrencilerin kentsel planlama düşüncesinin ağ modellerini oluşturmak ve görselleştirmek için kullandık; o zaman, ağ modellerinde bağlantıların herhangi birinin temelini anlamak istiyorsak, orijinal ifadelere geri dönebiliriz. Böylece EAA, nicel verilerin nitel olarak doğrulanabilmesi için nicel verilerin nitel analizini mümkün kılar.

TARTIŞMA

Bu analizi çalışırken, amacımız takip edilesi ideal bir örnek sunmak, epistemik çerçeve teorisinin diğer öğrenme teorilerine göre herhangi bir özel analitik avantajı olduğunu öne sürmek değil, eğitsel veri madenciliği ve öğrenme analitiği metodolojisinin daha genel bir tartışması için bağlam sağlamaktı. Büyük eğitsel veri kümelerinin analizleri daha yaygın hale geldikçe, “öğrenmeyi etkileyen kilit faktörleri daha iyi anlamalarını sağlamak için eğitim teorilerini ve iyi bilinen eğitim olaylarını geliştirmek ve genişletmek amacıyla” görgül kanıtlar elde etmek önemli bir uygulamadır. (Baker ve Yacef, 2009, s. 7). Başka bir deyişle, teorik bir çerçeve değişkenlerin seçilmesine ve hipotezlerin gelişimine rehberlik eder; bu durum, gözlenen olayların neden meydana geldiğinin açıklanmasına yol açabilir.

Yukarıda sunulan çalışılmış örnekte, bir kentsel planlama simülasyonunda öğrenen sohbet verisi analizimizi yönlendirmek için epistemik çerçeve teorisini kullandık. Epistemik çerçeve teorisi, öğrenmenin, öğrencilerin gerçek uygulama pratikleri arasında yaptıkları bağlantıların yapısı ile karakterize edilebileceğini öne sürer. Analitik yaklaşımımız olan ENA, ağ grafiği olarak görselleştirilen öğrenen öğrenme modellerini, bağlantı örüntülerinin matematiksel gösterimlerini oluşturmak için söylem verilerini kullanır. Bu sebeple analiz, öğrenmeyi anlamak için belirli bir teorik yaklaşımın işlevselleştirilmesidir.

Şekil 15.8. Bir KDDT Değerlendirmesinde Modeller (Mislevy, 2006’dan uyarlanmıştır).

Teori, veri ve analiz arasındaki bağlantıyı kavramsallaştırmanın bir yolu kanıta dayalı tasarımdır (Mislevy ve Riconscente, 2006; Rupp, Gustha vd., 2010; Shaffer vd., 2009). Kanıt merkezli tasarımda, analitik bir çerçeve birbirine bağlı üç modelden oluşur: bir öğrenen modeli, bir kanıt modeli ve bir görev modeli (bk. Şekil 15.8; Mislevy, Steinberg ve Almond, 1999; Mislevy, 2006). Öğrenci modeli, değerlendirmek istediğimiz öğrencinin özelliklerini veya daha genel olarak modellemeye veya ölçmeye çalıştığımız sonucu temsil eder. Görev modeli, öğrenen modelindeki sonuçları ölçmek için kullanılacak faaliyetleri ve verileri temsil eder. Öğrenci (sonuç) modeli ve görev (veri) modeli, verilere dayanan çıkarımlarla ilgili sonuçları garanti altına almak için kullanılacak analitik araç ve teknikleri ayrıntılandıran bir kanıt modeliyle bağlantılıdır.

Çalışılan örnek, öğrenme analitiğine modellerin her birinin (öğrenci, kanıt ve görev) bu durumda, aynı kuramsal çerçeveden, epistemik çerçeve kuramından türetildiği bir yaklaşımı göstermektedir (bk. Şekil 15.9).

Şekil 15.9. Üniversite öğrencileri (solda), lise öğrencileri (sağda) ve üstün yetenekli lise öğrencilerinde (ortada) ortalama ağ konumları (kareler) ve güven aralıkları (kutular).

Sonuç, belirli bir uzmanlık teorisi tarafından yönlendirilen ve görgül/deneysel olarak doğrulanan (simüle edilmiş) karmaşık problem çözme bağlamında uzmanlığı analiz etmeye yönelik bir yaklaşımdır. Ancak sonuçların görgül/deneysel esasları ciddi bir şekilde yalnızca istatistiksel manidarlığa dayanmamaktadır: kanıtsal argümanının farklı modelleri veya katmanları arasındaki bağlantılar nedeniyle, -modelin anlamının- yorumlanmasındaki istatistikler orijinal verilerde doğrulanabilir.

Teoriye dayalı bir yaklaşımın veri analizine getirdiği bu avantajlara rağmen, bulgular için radikal bir şekilde teorik olmayan bir yaklaşım izleyen çalışmalarda önemli bir artış olmuştur. Wired dergisi baş editörü Chris Anderson (2008) büyük veri çağında teoriye dayalı soruşturmanın gereksiz olduğunu bile iddia etti. Anderson, “Petabayt [veri] şunu söylememize izin veriyor: ‘Korelasyon yeterli,’” telkininde bulunuyor. “Neyi gösterebilecekleri konusunda hipotezler olmadan verileri analiz edebiliriz. Rakamları dünyanın gördüğü en büyük hesaplama kümelerine koyabiliriz ve istatistiksel algoritmaların bilimin bulamayacağı örüntüleri bulmasına izin verebiliriz. ”Çoğu bilim insanının nedenselliğin önemsiz olduğu fikrinden derinden rahatsızlık duyacağı gerçeğine rağmen, Anderson’un büyük verinin analizine -“ilk önce matematiksel verileri görüntüleme ve daha sonra bunun için bir bağlam oluşturma”- yaklaşımı veri madenciliğinde yaygın olarak kullanılmaktadır.

Tabii ki, yeterince büyük bir veri kümesi ve yüzlerce olmasa bile onlarca matematiksel model ile bu verilerin altından girip üstünden çıkma becerisi ile istatistiksel olarak anlamlı örüntüler bulunacaktır. Ancak istatistiksel anlamlılık kavramsal ve hatta kullanılabilir bir anlam ifade etmez. Bu geniş veri toplama yöntemlerini analiz etmeye yönelik tüm teori temelli yaklaşımların ideal veya hatta değerli olduğu anlamına gelmez. Kötü görgüllük ve hatta kötü bir şekilde işlevselleştirilmiş veya uygulanmış iyi teori olduğu gibi kötü teori de vardır. Yukarıdaki çalışılan örneğin veya daha genel olarak seçtiğimiz teori ve yöntemlerin her koşulda ideal olduğunu da iddia etmiyoruz.

Bizim argümanımız daha çok, büyük eğitsel veri kümelerinin analizinde teoriye dayalı bir yaklaşım benimsemenin belirgin avantajları olduğu şeklindedir. Yukarıdaki çalışan örnek, teori güdümlü öğrenme analitiklerinde, açık bir teorik çerçevenin, bir veri derlemini anlama arayışında ve uygun analitik yöntemlerin seçiminde nasıl yol gösterdiğini göstermektedir. Veri, teori ve analiz arasındaki bu bağlantılar böylece sonuçları hassas ve anlamlı bir şekilde yorumlama becerisi sağlar.

TEŞEKKÜR BÖLÜMÜ

Bu çalışma, kısmen Ulusal Bilim Vakfı (DRL-0918409, DRL-0946372, DRL-1247262, DRL-1418288, DUE-0919347, DUE-1225885, EEC-1232656, EEC-1340402, REC-0347000) MacArthur Vakfı, Spencer Vakfı, Wisconsin Mezunları Araştırma Vakfı ve Wisconsin-Madison Üniversitesi Araştırma ve Lisansüstü Eğitimden Sorumlu Başkan Yardımcılığı Ofisi tarafından finanse edildi. Görüşler, bulgular ve çıkarımlar, fon veren kuruluşların, iş birliği yapan kurumların veya diğer kişilerin görüşlerini yansıtmamaktadır.

KAYNAKÇA

Anderson, C. (2008). The end of theory: The data deluge makes the scientific method obsolete. Wired, 16(7). https://www.wired.com/2008/06/pb-theory/

Andrist, S., Collier, W., Gleicher, M., Mutlu, B., & Shaffer, D. (2015). Look together: Analyzing gaze coordination with epistemic network analysis. Frontiers in Psychology, 6(1016). journal.frontiersin.org/article/10.3389/ fpsyg.2015.01016 / pdf

Arastoopour, G., Shaffer, D. W., Swiecki, Z., Ruis, A. R., & Chesler, N. C. (2016). Teaching and assessing engineering design thinking with virtual internships and epistemic network analysis. International Journal of Engineering Education, 32(2), in press.

Atkinson, R., Derry, S., Renkl, A., & Wortham, D. (2000). Learning from examples: Instructional principles from the worked examples research. Review of Educational Research, 70(2), 181–214.

Bagley, E. A., & Shaffer, D. W. (2009). When people get in the way: Promoting civic thinking through epistemic game play. International Journal of Gaming and Computer-Mediated Simulations, 1(1), 36–52.

Bagley, E. A., & Shaffer, D. W. (2015a). Learning in an urban and regional planning practicum: The view from educational ethnography. Journal of Interactive Learning Research, 26(4), 369–393.

Bagley, E. A., & Shaffer, D. W. (2015b). Stop talking and type: Comparing virtual and face-to-face mentoring in an epistemic game. Journal of Computer Assisted Learning, 31(6), 606–622.

Baker, R. S. J. d., & Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, 1(1), 3–17.

Chesler, N. C., Ruis, A. R., Collier, W., Swiecki, Z., Arastoopour, G., & Shaffer, D. W. (2015). A novel paradigm for engineering education: Virtual internships with individualized mentoring and assessment of engineering thinking. Journal of Biomechanical Engineering, 137(2), 024701:1–8.

Dorogovtsev, S. N., & Mendes, J. F. F. (2013). Evolution of networks: From biological nets to the Internet and WWW. Oxford, UK: Oxford University Press.

Gee, J. P. (1999). An introduction to discourse analysis: Theory and method. London: Routledge.

Goffman, E. (1974). Frame analysis: An essay on the organization of experience. Cambridge, MA: Harvard University Press.

Goodwin, C. (1994). Professional vision. American Anthropologist, 96(3), 606–633.

i Cancho, R. F., & Solé, R. V. (2001). The small world of human language. Proceedings of the Royal Society of London B: Biological Sciences, 268(1482), 2261–2265.

Landauer, T. K., McNamara, D. S., Dennis, S., & Kintsch, W. (2007). Handbook of latent semantic analysis. Mahwah, NJ: Erlbaum.

Lave, J., & Wenger, E. (1991). Situated learning: Legitimate peripheral participation. Cambridge, MA: Cambridge University Press.

Lund, K., & Burgess, C. (1996). Producing high-dimensional semantic spaces from lexical co-occurrence. Behavior Research Methods, Instruments, & Computers, 28(2), 203–208.

Mislevy, R. J. (2006). Issues of structure and issues of scale in assessment from a situative/sociocultural perspective. CSE Technical Report 668. Los Angeles, CA.

Mislevy, R. J., Steinberg, L. S., & Almond, R. G. (1999). Evidence-centered assessment design. Educational Testing Service. http://www.education.umd.edu/EVMS/mislevy/papers/ECD_overview.html

Mislevy, R., & Riconscente, M. M. (2006). Evidence-centered assessment design: Layers, concepts, and terminology. In S. Downing & T. Haladyna (Eds.), Handbook of Test Development (pp. 61–90). Mahwah, NJ: Erlbaum.

Nash, P., Bagley, E. A., & Shaffer, D. W. (2012). Playing for public interest: Epistemic games as civic engagement activities. American Educational Research Association Annual Conference (AERA). Vancouver, BC, Canada.

Nash, P., & Shaffer, D. W. (2011). Mentor modeling: The internalization of modeled professional thinking in an epistemic game. Journal of Computer Assisted Learning, 27(2), 173–189.

Nash, P., & Shaffer, D. W. (2012). Epistemic youth development: Educational games as youth development activities. American Educational Research Association Annual Conference (AERA). Vancouver, BC, Canada.

Nash, P., & Shaffer, D. W. (2013). Epistemic trajectories: Mentoring in a game design practicum. Instructional Science, 41(4), 745–771.

Newman, M. E. J. (2004). Analysis of weighted networks. Physical Review E, 70(5), 56131.

Rohde, M., & Shaffer, D. W. (2004). Us, ourselves and we: Thoughts about social (self-) categorization. Association for Computing Machinery (ACM) SigGROUP Bulletin, 24(3), 19–24.

Rupp, A. A., Sweet, S., & Choi, Y. (2010). Modeling learning trajectories with epistemic network analysis: A simulation-based investigation of a novel analytic method for epistemic games. In R. S. J. d. Baker, A. Merceron, P. I. Pavlik Jr. (Eds.), Proceedings of the 3rd International Conference on Educational Data Mining (EDM2010), 11–13 June 2010, Pittsburgh, PA, USA (pp. 319–320). International Educational Data Mining Society.

Shaffer, D.W. (2004). Epistemic frames and islands of expertise: Learning from infusion experiences. Proceedings of the 6th International Conference of the Learning Sciences (ICLS 2004): Embracing Diversity in the Learning Sciences, 22–26 June 2004, Santa Monica, CA, USA (pp. 473–480). Mahwah, NJ: Lawrence Erlbaum.

Shaffer, D. W. (2006). Epistemic frames for epistemic games. Computers and Education, 46(3), 223–234.

Shaffer, D. W. (2007). How computer games help children learn. New York: Palgrave Macmillan.

Shaffer, D. W. (2012). Models of situated action: Computer games and the problem of transfer. In C. Steinkuehler, K. D. Squire, & S. A. Barab (Eds.), Games, learning, and society: Learning and meaning in the digital age (pp. 403–431). Cambridge, UK: Cambridge University Press.

Shaffer, D. W., Collier, W., & Ruis, A. R. (2016). A tutorial on epistemic network analysis: Analyzing the structure of connections in cognitive, social, and interaction data. Journal of Learning Analytics, 3(3), 9–45.

Shaffer, D. W., Hatfield, D. L., Svarovsky, G. N., Nash, P., Nulty, A., Bagley, E. A., … Frank, K. (2009). Epistemic Network Analysis: A prototype for 21st century assessment of learning. International Journal of Learning and Media, 1(1), 1–21.

Svarovsky, G.N. (2011). Exploring complex engineering learning over time with epistemic network analysis. Journal of Pre-College Engineering Education Research, 1(2), 19–30.

Tannen, D. (1993). Framing in discourse. Oxford, UK: Oxford University Press.

Wise, A. F., & Shaffer, D. W. (2016). Why theory matters more than ever in the age of big data. Journal of Learning Analytics, 2(2), 5–13.

1 Çevirenin notu: Yazar Aldoux Huxley’in Cesur Yeni Dünya isimli kitabına atıfta bulunuyor.