9 ANALİTİK VE GÖRSELLEŞTİRME

Günümüzde analitik ve veri görselleştirme ana akım haline gelmiştir. Bulut hizmetlerinin olgunlaşması ve yeni web teknolojilerinin benimsenmesi her iki alanı da hızlandırdı. En önemli yenilikler arasında yeni veri akış sistemlerinin geliştirilmesi de yer aldı. Bu teknolojiler, yalnızca geleneksel web ve sosyal medya teknolojileriyle değil aynı zamanda giyilebilir tüketici ürünleri, akıllı şehir uygulamaları ve ilgili endüstriyel cihazlar gibi siber-fiziksel sistemlerde kullanılan makineler ve algılayıcılar tarafından üretilen katlanarak artan veri ölçeklerini de işleyebilirler.

Bu bölümde, teknik bilgisi olmayan okuyuculara yönelik olarak veri akışı, öğrenme analitiği ve veri görselleştirme konularında teknolojinin güncel durumu özetlenmektedir. Bölüm, ilgili kaynak ihtiyacını karşılamayı, bir vizyon sunmayı ve uygulama yaklaşımlarına dair üst düzey rehberlik sağlamayı amaçlamaktadır. Amaç, öğretmenlere, eğitmenlere, mali sorumlulara ve programla ilgili karar alıcılara pratik bilgiler sunarak öğrenme analitiği ve görselleştirmenin öğrenme örgütlerinin kapasitesini ve bu tür uygulama sistemlerine yönelik genel yaklaşımı nasıl geliştirebileceğini göstermektir.

Ne hakkında konuşuyoruz?

Dünyada çok fazla veri bulunmaktadır. Her birimiz, her fare tıklaması veya dijital etkileşimle bir “veri çıkışı” bulutu üremekteyiz. Öğrenenler de veri kitlelerini oluşturmaktadır. Bu veri kitlelerine erişim sağlanabilir, analiz edilebilir ve anlamlı bir şekilde görselleştirilebilir eğitim ve öğretimi etkileyebilecek bilgileri elde edebiliriz. İki yakından ilişkili alan-eğitsel veri madenciliği ve öğrenme analitiği-bu hedeflere ulaşmak için araçlar sağmaktadır.

Her iki alan da, örneğin, kökenlerine, birincil uygulama alanlarına ve tercih edilen YZ algoritmalarına bağlı olarak biraz farklılık göstermektedir. Öğrenme analitiği, semantik webdeki çabalardan doğmuştur ve uygulayıcıları öğretmenler ve öğrenenler için, büyük resim analizlerini ve karar desteğini vurgulama eğilimindedir. Eğitsel veri madenciliği, uyarlanabilir öğretim teknolojileri geleneğinden geliştirilmiştir ve otomatik uyarlama ve indirgemeci modelleme üzerine odaklanma eğilimindedir. Bu bölümde amaçlarımız doğrultusunda, iki disiplini birbirinden ayıran ince ayrıntılarla daha az ilgilenilmemektedir. Bunun yerine, ortak amaçlarına odaklanılacaktır. Özellikle büyük ölçekli öğrenme verileri için ‘büyük öğrenme verileri’ olarak adlandırılan eğitim ve öğretime yoğun veri içeren yaklaşımları anlama ve uygulama verilerine

“Büyük veri” ifadesinin ima ettiği gibi, eğitim ve öğretim analitiği sıklıkla (ancak tamamen değil) makine öğrenimi tekniklerini kullanılmaktadır. Makine öğrenmesi, verilerdeki desenleri otomatik olarak ortaya çıkarmak, örneğin sınıflandırmalar atamak, farklı değişkenlerin aşağı akış sonuçları üzerindeki etkisini tahmin etmek veya geçmiş verilere dayalı tahminler yapmak için algoritmalar kullanan bir YZ’nin alt kümesidir. Bu uygulamalar, eğitim ve öğretim alanında son 20 yılda belirgin bir şekilde gelişmiş ve yukarıda belirtilen iki toplulukla birleşmiştir.

Ancak bu araçlarla ne yapabilirsiniz? İnsanlar analitiği çeşitli öğrenme sistemlerine uygulamaktadır. Örneğin, bazı uygulamalar etkileşimi tahmin etmek için analitiği kullanır ve ardından öğrencilerin katılımını teşvik etmek için kişiselleştirilmiş kaynaklar önermektedir. Diğerleri öğrencilerin etkileşimlerini analiz edebilir ve eğitmenleri ihtiyaç duyabilecekleri konularda önceden önlem almaları için uyarabilir. Purdue Üniversitesinin Ders Sinyalleri adlı bilinen bir örneği, bir dersteki öğrenenlerden hangilerinin geride kalacağını tahmin etmek ve ardından hem öğrencileri hem de öğretmenlerini risk düzeyleri hakkında uyarmak için bir ÖYS’den alınan güncel verileri geçmiş verilerle (ders katılımı ve önceki notlar gibi) bir araya getirerek kullanmştır. Diğer araçlar da idarenin okuldan ayrılma riski en yüksek olan öğrenenleri belirleyerek okuldaki bütün öğrenenlere zamanında müdahale etmesi için benzer tutma yönetimi yaklaşımlarını uygulamaktadır. Temel olarak, zamana duyarlı kişiselleştirilmiş önerilerden sistem genelindeki trend analizlerine kadar e-ticaret sistemlerinden beklediğimiz analitik uygulamaları, öğrenme analitiğine dönüşebilmektedir.

AKIŞTA YER ALIN

Akış veri analitiği, benzersiz bir şekilde heyecan verici ve yeni ortaya çıkana analitiğin bir alt alanıdır. Akış verileri derken, genellikle olaya dayalı ve çeşitli etkinlikleri izleyen, insan veya makine kaynaklı, bir dizi veri türünden bahsedilmektedir. Akış verisinin icat edilmesi, verinin kendisinin neyi temsil ettiği ve insan kavrayışına veya otomatik makine süreçlerine kılavuzluk etmek için nasıl kullanıldığına ilişkin düşünme şeklimizi etkilemiştir.

Örneğin, satış ve pazarlama alanında, olay temel veriler, piyasayı ve olası müşterileri anlama kapasitemizi geliştirdi. Doğrudan ve dolaylı olarak bir ürün veya hizmet teklifiyle ilgili olduğu için, potansiyel müşterinin gezinme hikâyesine bir bakış açısı (ör., sosyal medya akışlarının analizi yoluyla) sağlar. Eğlence sektöründe, veri akışı Netflix’teki filmler ve televizyon programları gibi içerik önerilerinde görülmesi mümkündür. Siyasette, veri akışı analistlerin kamuoyu ve sosyal eğilimleri belirlemesine ve bu eğilimlerden yararlanmasına yardımcı olmaktadır.

Bu teknolojiler ve veri mimarileri de iş, eğlence ve siyaseti değiştirdiği gibi öğrenmeyi de değiştirebilirler. Öğrenme alanında, eyleme dayalı veri akışlarının mevcudiyeti, öğrencilerin yolculuklarını izlemek ve anlamak için bir fırsat sunmaktadır. Bu veri akışlarının servisindeki analitikler, erişilebilir, otomatik ve gerçek zamanlı veri görselleştirmelerinin yanı sıra temel performans göstergelerine dayalı uyarıları ve müdahaleleri sağlayabilir. Öğrencilerin etkinlik ve davranış profillerini içeren bu yolculuklar son derece biçimlendirici, ölçülebilir mikro değerlendirmeler olarak düşünülebilir.

Analog Dünyayı Sayısallaştırmak

Genellikle analog dünyayı sayısallaştırmak arzusu içindeyiz. Kurmalıları andıran dijital saatler kullanıyoruz. Bilgisayarlarımızda fiziksel iş yerinin bileşenlerini yansıtan “ofisler” oluşturuyoruz. Eğitimde, kara tahtaları, dosya kâğıtlarını ve kitapları sayısallaştırıyoruz. Ancak dijital etki alanı içindeki analog dünyayı yeniden oluşturma eğilimi sonunda hem analog uygulamanın sınırlarıyla hem de bizim lehimize çalıştığında yenilikçiliği ifade eden çok daha olağan dışı sürprizlerle karşılamaktadır. Kara tahtalar ve kitaplar gibi somut “nesnelerden”, değerlendirme gibi kavramsal uygulama ve süreçlere geçtiğimizde, durum özellikle belirleyici olmaktadır. Gizemli ve incelikli kavramlar karikatürize edilecek kadar sadeleştirilebilir. Bu durum, YZ eğitimcilerin yerini alacak! veya Makineleşme asla öğretmenlerin yerini alamaz! gibi-Yapay Zeka ve öğretmenlerin yanlış anlaşılmasına sebebiyet veren argümanlarla fikirlerin ortaya çıkmasına neden olmaktadır. Bununla birlikte, öğrenme erişiminin internet üzerinden dağıtıldığı, geniş kapsamlı ve her zaman erişilebilir olduğu dünyada, analog öğretim yaklaşımının uygulama sınırlılıkları olacaktır. YZ’nin insan öğretmenlerin “yerini alması” tehlikesi zayıf bir ihtimal olsa da öğretmenin rolleri ve eğitim ve öğretimi uygulama şeklimiz, gelişen teknolojilerle işbirliği içinde gelişmeye ihtiyaç duymaktadır.

Ölçekteki Veriler

Analog “veri setini” sosyal medya haber kaynaklarının yarattığı çağdaş “veri varlıkları” ile karşılaştırın. Bu veri varlıkları, kullanıcıların sosyal medya platformlarındaki davranışlarını, beğenilerini, yorumlarını, paylaşımlarını, fotoğraf yayınlarını, video saatlerini içeren davranışlarından tüm kullanıcı eylemlerini içeren zaman içinde oluşturulan etkinlik kayıtlarını tutmaya kadar zaman dizisi temelli davranış profilleri oluşturmayı destekler. Bunlar, kullanıcının davranış profilinin bir parçası haline gelir ve sırayla geniş bir sosyal grafik üzerinde düğüm halini alır. Her düğümün bir açıklaması vardır. Bu veri varlığı, sosyal medya endüstrisinin iş modelinin anahtarıdır. Bu daha hedeflenmiş reklamcılık ve geniş ölçekte fırsatlar yaratan profillerin toplamını oluşturur ki bu özellikle de daha çok geniş toplu nüfusa sahip bireylerin en etkileyici biçimsel deneyimlerinden biridir.

Harf notları ve yüzdeleri ile dolu normal bir not defteri düşünün. Bir anlamda, bu harf ve rakamlar tablosu, bir öğrenenin zaman içinde nasıl ilerlemiş olabileceği veya akran grubunun puanlarıyla nasıl kıyaslandığı hakkında önemli bilgiler sunmaktadır. Ancak başka bir anlamda (verilerin öğrencilerin dijital deneyimleri hakkında bir açıklama sağladığı, akış verileri dünyası tarafından bildirilen anlamda not defteri bize gerçekte ne olduğu, nasıl yapıldığı ve öğrenci ile ilgili öneriler hakkında çok az şey söyler. Not defteri ve yazılan değerlendirme biçimleri analog teknolojilerdir. Sırf bilgi işlemsel olmadıkları için dijital teknolojilerden daha kötü değillerdir ancak bunlar dijitalleştirilmiş, birbirine bağlı bir dünyada öğrenmeyi geniş ölçekte desteklemek için donatılmamış eski yaklaşımı yansıtan teknolojilerdir.

…İnsanlar atlardan nefret ettikleri için araba sürmezler

Sosyal medya veri varlıkları için, değer, tek bir noktasal puanla özetlenmez. Tek bir kullanıcının belirli bir reklamı kabul etme olasılığını tahmin etmez bile (bunun kesin faydalarına rağmen). Aksine veya (en azından) daha önemlisi, değer, tüm bu davranışsal profillerin kümülatif birleşmesinden elde edilmektedir. Birlikten güç doğar. Yalnızca küme ölçeği, örüntü dizisini, insan ilgi alanı kategorilerini ve paylaşılan insan deneyimi anlatılarını ortaya çıkarmak için gereken zengin ham verileri sağlamaktadır. Bu bir ölçek meselesidir. Benzer şekilde, veri akışı zorluğu geleneksel değerlendirme görüşüne dayanıp bir ölçek sorununa döner. Geniş ölçekte bir not defteri, geniş ölçekte bir etkinlik akışlarının sağlayabileceği öğrenme deneyimleri hakkında hiçbir zaman bilgi sunmamaktadır. Niyetimiz not defterini karalamak değildir aksine işlevlerin ve değerini tanıma ve gerçek değerini takdir etmedir.

Karar Vermeyi Desteklemek

Eğitimciler süreç gelişiminin iç yüzünü anlamak için uzun zamandır çaba sarf etmektedirler. Örneğin, öğretmenler bilinçaltında şunları merak edebilir, Her öğrenen kendi öğrenme patikalarında ne kadar yol aldı? Maalesef gerekli veri noktalarından güvenli ve sürekli veri toplamada yaşanan zorluklar süren biçimlendirici değerlendirme yerine büyük sonuç değerlendirmesini tek alternatif olarak sunmaktadır. Bu bir ölçek problemi olarak anlaşılabilir. Yine de sosyal medyanın kullandığına benzer bir şekilde etkinlik ve vaka temelli verileri kullanarak öğrenenlerin biçimlendirici profillerini oluşturabiliriz. Bu da eğitimcileri (insan) ve eğitmenleri eğitim hakkında daha iyi kararlar almaya ve rehberliği farklı şekillerde uyarlamalarına yardımcı olmaya teşvik edebilir aksi taktirde rehberlik yapmaları imkânsız olmaktadır. Aynı şekilde, öğrenenleri, yöneticileri, sistem ekiplerini, içerik ve deneyim sağlayıcılarını ve öğrenim ekosistemi genelinde birçok kurucu, geliştirmeyle ilgili bilgileri ve kendi yapboz parçalarını daha anlamlı hale getirerek güçlendirebilmektedir.

Bu etkinlik ve vakaya dayalı akış verilerinin birleştirilmesinin sonucu, bundan sonra elde edilen bilginin beşerî uygulamalar ile birlikte, biçimlendirici değerlendirme için altın çağa doğru bir yol önerebilmektedir ancak bu altın çağın, kullanılan teknolojiler veya öğretim stratejilerinin ölçek meselesine katılmaması durumunda hiç şansı yok.

Bu nedenle zorluk, “ölçeklendirilmemiş” bağlamlarda bulunan geleneksel benzerlerinin aksine, değerlendirmeyi öğrenme açısından ölçekte bir araya getirmektir. Bilgi işlemsel öğrenme analitiği bu konuşmanın özüdür. Dijital dünyadaki herhangi bir değerlendirme kavramı, ölçeklenebilir, sürekli ve çok faktörlü verilerin etkilerini göz önünde bulundurmalıdır. Değerlendirmenin geleceği analitiktir.

Bulut hizmetlerindeki, veri akışı mimarilerindeki, API’lerdeki ve yeni nesil web tabanlı uygulamalardaki gelişmelerden yararlanan yeni değerlendirme modellerini araştırma zamanı geldi. Bu araçları öğrenmeye uygulayarak, fazla karmaşık olmasalar bile henüz belirsiz olan anlamlı kısımları yüzeye çıkarabiliriz.

Bu, dijital çağ, sadece ölçekteki analog değerlendirmenin dijitalleştirilmiş bir versiyonunu değil tamamen yeni bir insan-makine değerlendirme modelini düşünmemize neden olmaktadır. Örneğin, rutin olarak otomasyonun, taktiksel öğrenme müdahalelerinin (ör., mikro ve makro adaptasyonlar) etkinliğini ve güncelliğini en üst düzeye çıkarabildiği kaydedilmiştir. Bununla birlikte, otomasyon aynı zamanda bir web sitesi bağlamında önceden belirlenmiş bir eğitmen olması gerekmeyen, bir insan tarafından en iyi şekilde ele alınan müdahalelerin belirlenmesine de yardımcı olabilir. Aksine, öğrenenlere dağıtık bir potansiyel öğretmenler ve danışmanlar ağı tarafından sunulabilir ve çeşitli otomatik analizlere dayanarak, sistem farklı durumlar için (potansiyel olarak, bireysel öğrenenler de dâhil olmak üzere) optimum (insan) öğrenme kolaylaştırıcılarını önerebilir. Bu şekilde, yalnızca bireysel eğitimin değil, insan sermayesini de içeren tüm ekosistemin yaygın şekilde dağılımını sağlamaktadır.

Verilerin toplanmasını ve analizini otomatikleştirmenin yanı sıra, öğrenme analitiği gösterge panosu aracılığıyla görselleştirilmesini otomatikleştirmek de mümkündür. Burada önerilen fikir, gerçek zamanlı olarak öğrenenlerin 360°’lik görünümlerinin sağlamak için etkinlik ve vakaya dayalı verilerinden tam olarak faydalanmaktır.

Bu panolar aşağıdakiler gibi kavramları kolayca görselleştirebilir:

• Bireyin, grubun, küresel faaliyetlerin sıklığı, zamanı ve süresi
• Belirli içeriğe sahip olma sıklığı, zamanı ve süresi
• Aktörler ya da içerikler arasında, seviye ya da faaliyet türü açısından aykırı değerler
• Yönlendirilmiş bir ağ grafiğiyle gösterildiği gibi, oyuncular arasındaki ilişkiler
• APG’lere veya iş hedeflerine göre birey veya topluluk performansı
• Öğrenenlerin ilerlemesini desteklemek için önerilen müdahaleler
• İçerik katılımı faaliyetleri ve öğrenme patikaları arasındaki eğilimler
• Bir topluluk veya global gruba kıyasla, içerik kullanımının benzerliği veya farklılığı, etkileşim türleri veya zaman ve süreleri bakımından aktörler arasındaki aykırı değerler

Ayrıca, gelecekteki yinelemelerde (yeterince ilgili veri noktaları toplandıktan sonra makine öğrenmesi algoritmaları, ortak öğrenme yörüngelerinin veya farklı öğrenen kategorileri için farklı yolları az ya da çok etkileyen faktörlerin ortaya çıkmasına yardımcı olabilir. Bu tür faaliyet örüntüsü, ör. başarılı öğrenenlerin hangi öğretim içeriğiyle en çok zaman geçirdiklerini göstermek için ısı haritaları kullanılarak veya farklı yeteneklere sahip öğrenenlerin belirli bir öğrenmeyle etkileşimde bulunurken sergiledikleri davranış eğilimlerini belirtmek için polar grafikleri kullanarak görselleştirilebilir (ör. bir videonun bölümlerinde hızlı ileri sarma veya belirli zamanlarda benzetimi terk etme). Öğrenenler için gösterge panoları, bireylerin kendi eksikliklerini ve yeterliliklerini görselleştirmelerine ve kendi öğrenmelerini yönetmeye yönelik adımlar atmalarına yardımcı olabilir. Yöneticiler için bu algoritmalar, kurumsal düzeydeki planlama sorunlarının tahmin edilmesine, eğitim ve iş gücü alanında stratejik düzeyde kararların verilmesine yardımcı olabilir veya sistemin kendisi için aşamalı iyileştirmeler önerebilir. Sonuçta, modüler veri kartlarından oluşan bir “görev kontrol” gösterge panosu (her biri farklı görüşü temsil eden ve her biri veriyi sorgulama yolları sunan) öğrenenler, eğitmenler, içerik geliştiriciler, yöneticiler ve politika yapıcılar da dâhil olmak üzere öğrenme ekosisteminde yer alan her bir “kişi” için erişilebilir olabilir.

UYGULAMA ÖNERİLERİ

Akış verileri ve desteklediği yetenekler alanı hâlâ gelişmekte olduğundan gelecekteki yeniliklerin bu bölümde yapılan önerileri gölgede bırakmasını bekliyoruz. Ancak bir başlangıç ​​noktası olarak, aşağıdaki bölümde, bu yeni dijital dönüşüm dalgasını hayata geçirmeye çalışırken göz önünde bulundurulması gereken pratik uygulama adımlarını özetlemektedir.

1. İhtiyaç Analizi ve Verilerin Değerlendirilmesi

Çoğu süreçte olduğu gibi, ilk adım problem çerçevelemeyi içerir. Hangi sonuç verilerine ihtiyaç duyulduğunu ve ne tür, kalite ve miktarlarda verilerin halihazırda mevcut olduğunu belirleyin. Mevcut sistemin hem içinde hem de dışında mevcut ve geçmiş veri varlıklarının ve veri üreten kaynakların durumu gibi ve ayrıca veri modelinin şekli ve nerede, ne zaman ve nasıl teslim edilip depolandığı da dâhil olmak üzere şu anda erişilebilir verilerin durumu gibi faktörleri belirlemeye yönelik sorular sorun. Ayrıca, mevcut veri mimarisi ve sistem tasarımının durumunu ve önceki kullanım teşvikleri hakkındaki bilgileri (varsa), geçmiş kullanım seviyeleri ve yeni sistemin hizmet vereceği ölçeğe ilişkin beklentileri de dâhil olmak üzere belgeleyin. Son olarak, herhangi bir projeye uygun olarak, bilinen riskleri ve protokolleri (mahremiyet veri yönetimi ve güvenlik gibi); istenilen ölçüm ve öngörüleri sağlamak için hangi yeni veri kaynaklarının sisteme entegre edilmesi gerektiği konusunda rehberlik sağlamak için dijital dönüşümün amaçları ve hedeflerini ve sistemin tamamının uygulanmasına yönelik aşamalı bir yaklaşımı en iyi şekilde (çoğunlukla ne olacak) mümkün kılmak için zaman çizelgesi, kapsam ve bütçeyi listeleyin.

2. Veri ve Görselleştirme Tasarımları

Uygulayıcılar veri tasarım aşamasının daha sonraki sürecinde ortaya çıkan hatalar yaparlar. Hatalara maruz kalmayı, zayıf tasarımı ve teknik borç birikimini sınırlamak için geriye doğru çalışmak yararlı olacaktır. Anahtar soruları belirleyerek başlayın; eş zamanlı olarak, özellikle ilgili son kullanıcılarla işbirliği içinde bu sorular için ileriye dönük görselleştirmeler yapmak yararlıdır. Ardından bu sorulara öngörü sağlayan performans göstergelerini seçin ve hangi veri kaynaklarının bu performans göstergelerini en iyi şekilde açıklayacağını belirleyin (bu veri kaynakları şu anda mevcut olsun ya da olmasın). Daha sonra daha önce tanımlanmış olan varsayımsal veri kaynaklarını içeren “ideal” veri modelini tasarlayın; farklı veri kaynaklarının birbirine nasıl tepki verebileceğini ve önerilen eylemleri bildirmek için, muhtemelen daha büyük ekosistemdeki diğer sağlayıcılar tarafından gerçekleştirilen eylemler de dâhil olmak üzere, birden fazla kaynaktan gelen verilere nasıl ihtiyaç duyulabileceğini iyice düşünün. Bu optimum veri modeli geliştirildiğinde, önerilen bileşenlerini doldurmak veya en azından kısmen ele almak için mevcut veri kaynaklarına bakın; ayrıca, bu verilerle ilgili olası sınırlamaları veya erişim sorunlarını göz önünde bulundurun. Son olarak, görselleştirme ön tasarımlarını tekrar inceleyin ve nihai veri modeline uyarlayın.

Verileri görselleştirmenin çeşitli yolları vardır. Göz önünde bulundurulması gereken temel faktörler arasında, sistemden gelen veri akışının hızı, verilerin şekli hem insan hem de makine tarafından okunabilir nitelikler dâhil anlamsal özellikler, veriler arasındaki korelasyonlar veya potansiyel hatalar ve önemli performans göstergelerine yönelik ilerlemeyi göstermek için gerekli olan özellikler yer alır. Ayrıca, nihai kullanıcıların algoritmalara uygun düzeyde güven oluşturmasına ve resmettikleri analizlere dayalı bilinçli karar vermelerine yardımcı olmak için görselleştirmeleri mümkün olduğunca şeffaf olacak şekilde tasarlamaya çalışın.

Tasarım aşamasında mahremiyet veya sürekli veri iletimine erişim gibi ilgili endişeler de dikkate alınmalıdır. Öğrenen gizlilik kuralları gibi sektör veya kurumsal politikalara bağlı kalmak güçlü profiller oluşturma becerisini sınırlandırabilir. Kullanılan yerleşik birçok büyük veri yöntemlerinde seyrek veriler analitik oluşturma yeteneğini engelleyebilir. Veri modelini ve görselleştirmeleri gerçekçi bir şekilde verilerin gerçek bir hacmine ve tutarlılığına uygun hale getirip, tanımlanan önemli göstergeler hakkında faydalı bilgiler üretmek için gereken minimum miktarları belirlemek önemlidir.

3. Mimari Gelişim

Kavramsal veri modelini tasarladıktan sonraki adım onu geliştirmektir.

“Gelecekteki öğrenme ekosistemi” vizyonuna ulaşmak için, öğrenme uygulamalarının öğrenen etkinlik verilerini bir araya getirmeli ve bu verilerin geniş ölçekte kullanılmasını sağlamak için yakalamalı ve yapılandırmalıdır (veya en azından yarı-yapılandırmalıdır). xAPI, bu amaç için en yetenekli ve esnek öğrenme-veri belirtimleri arasındadır ve öğrenen deneyimlerini daha kapsamlı görmek için diğer veri biçimleri (etkinlik temelli olmayan veya öğrenme dışı alanlardan) ile birlikte kullanılabilir.

Verileri yakalamak ve saklamak için xAPI belirtimini uygularken, bir xAPI Profili kullanılmalı, kullanıma hazır bir profil veya hiçbiri elverişli değilse, bu sistem için yeni bir profil oluşturulmalıdır. xAPI Profilleri, belirli bir uygulamada kabul edilen terimleri (veya değişkenleri) ve bunların kullanımlarını, anlamsal değerlerini tanımlar. XAPI Profilleri, bir projenin kapsamını tanımlamaya yardımcı olan açık ve etki alanı tabanlı modelleme yapıları oluşturarak insan tarafından okunabilen verinin ve ekosistem üzerinde makine tarafından okunabilen akışkan verinin daha kolay sunulmasını sağlar. Profiller ayrıca, iş süreçlerinin ve öğrenme hedeflerinin uygulanmadan önce önerilen veri modeline uygun bir şekilde hizalanmasını sağlamak için kullanılan yararlı bir araç olarak da hizmet verebilir.

Daha sonra, diğer veri kaynaklarının entegrasyonu için seçimler yapılması gerekecektir. Bazı öğrenme veri kaynakları zaten yerel olarak xAPI biçimlerinde teslim edilebilir. Bu veriler genellikle xAPI belirtiminde tanımlanan belirli bir tür veri deposu türü olan bir öğrenme kayıt deposu tarafından doğrulanır ve kullanılabilir hale gelir. Standartlaştırılmış veriler ve API’ler, xAPI tarafından sunulanlar gibi verinin toplanmasını nispeten kolaylaştırır. Bununla birlikte, yerel olarak xAPI ifadeleri olarak yapılandırılmamış başka öğrenme verileri veya öğrenme dışı etkinlikler (web servislerinde iş başında iş akışları gibi) olabilir. Seçeneklerden biri, xAPI verilerini iletmek için harici kaynağı kullanmaktır ancak tescilli üçüncü taraf yazılımlarla çalışırken bu zor olabilir. Bir alternatif, API yöntemlerini kullanarak verileri bir xAPI biçimine zorlamaktır. Ancak, tüm verileri xAPI tabanlı bir veri modeline zorlamak mantıklı olmayacaktır. Uygun değilse, verileri xAPI biçimlerine dönüştürmek için bir neden yoktur. Bunun yerine, bu heterojen veriler ya başka bir belirtime göre modellenebilir ya da doğrudan Kafka Streams işlemcisinden (aşağıda açıklanmıştır) geçirilebilir; burada farklı uygulamalar tarafından abone olunabilir ve sistem çıkışı analizlerinde birbirinden farklı verilerle birleştirilebilir.

Yerel veri biçimi ve harici veri akışları tanımlandıktan sonra bunların bir akış veri mimarisinde uygulanması gerekir. Bunlar birkaç modeli takip edebilir ancak genellikle gerçek zamanlı bir öğrenme ekosistemi için yazılım mimarisi modeli olarak Kappa Mimarisini öneriyoruz. Bu paradigma, her şeyi veri akışı gibi değerlendirir ve bu verileri çeşitli mikro hizmetler tarafından kullanılabilecek bir akışta işler. Bu yaklaşım genellikle, çok dilli çözümler oluşturmanın ve toplu ve akışı olmayan veriler için ayrı bir kod tabanı veya (xAPI durumunda) sistemden geçebilecek her uygun olmayan veri kaynağı veya veri türlerini (Örneğin., öğrenen bilgi sistemlerinden, İK teknolojilerinden ve eski veri tabanlarından) tutmanın aksine çeşitli veri biçimleriyle başa çıkmayı daha kolay ve verimli hale getirir. Bu mimari yaklaşımda, kaynağın yapısı ne olursa olsun, veriler akışa kaydedilen olaylar olarak gelir. Bu, gerçek zamanlı analitik için çok büyük bir avantajdır çünkü işletmeci, bir bakış açısıyla, veri akışına abone olan kişi hiçbir zaman veri üreticisinden verileri toplu olarak talep etmek zorunda kalmaz. Bunun yerine, abone her zaman günlüğe erişebilir ve işlemleri gerçekleştirmek için gereken şekilde günlükteki olayları tekrarlayabilir.

Farklı kaynaklardan gelen verilerin birleştirilmesi göz önüne alındığında kullanıcı kimliklerinin nasıl ele alınacağını dikkatli bir şekilde değerlendirmek önemlidir. Kimlik yönetimi her şeyin ortogonal saklanması için düzenlenmelidir. Bir veri akışı mimarisi tasarlarken, kimlik yönetimi ve idari provizyon konularını giriş noktasına yakın tutmak en iyisidir; böylece hesaba katılmayan hiçbir veri ögesi kaçmaz.

Yukarıda belirtildiği gibi akış mimarisi, Apache Kafka gibi açık kaynaklı bir akış işlemcisi uygulanarak sunulabilir. Kimlik yönetimi ve güvenlik uygulamalarının Kafka uygulaması ile uyumlu çalışması gerekir. Kurulum yapıldıktan sonra, tüm kaynaklardan gelen veriler işlenmek üzere Kafka’ya akar ve veri akışına gönderilir. Bu akıştaki verilere, iş zekâsı araçları veya bir öğrenme kayıt deposu gibi herhangi bir uygulama tarafından abone olunabilir. Uygulama akışı takip eder ve tanıdığında veri parçasının bir kopyasını çıkarır. Mikro hizmetler bu yetenekleri sağlar ve veri akışını otomatikleştirmeye yardımcı olur. İdeal olarak, veriler otomatik halde olması gerektiği yere gider; böylece abone olunan çeşitli uygulamalarla analiz edilebilir, görselleştirilebilir, toplanabilir, doğrulanabilir vb. Bu arada, akıştan geçen tüm orijinal veriler en sonunda bir veri havuzunda depolanır ve gerektiğinde buradan daha sonra manuel olarak veya makine aracılığıyla erişilip sorgulanabilir. Yukarıda bahsedildiği gibi, tüm veriler artık önemli işlem verimlilik sağlayan günlüğe kaydedilen olaylar olarak mevcuttur. Bu akış işlemcisi modeli, bir öğrenme ekosistemindeki tüm uygulamaların iki taraflı veri alışverişi yapmak için birbiriyle bağlantı kurmaya çalıştığı noktadan noktaya mimarilerin tersidir. Noktadan noktaya mimariler zayıf ölçeklenir.

Son olarak, bir uyarı: Genel olarak konuşursak, özellikle kurumsal ölçekli uygulamalarda, üçüncü taraf HOY (Hizmet Olarak Yazılım) entegrasyon çözümlerini kullanmaktan kaçınmaktayız. Maliyet ve lisanslama zorlukları eklerler, iş hacmini etkileyebilirler ve işlerin bozulması ya da üçüncü tarafın hizmetleri vermemesi durumunda yük olabilirler. Üçüncü taraf hizmetleri de beklenmeyen güvenlik sorunları yaratabilir. Kişisel tecrübemize göre, yerel olarak inşa etmek veya kendi tasarımınıza ilişkin veri çeviri hizmetleri sağlamak neredeyse her zaman daha iyidir.

4. Dağıtım

Dördüncü uygulama adımı, dağıtım ortamını seçmektir. Akış verilerini destekleyebilecek çeşitli ticari ve özel bulut mimarileri vardır. İhtiyaçlarınıza bağlı olarak, büyük olasılıkla kurumsal Hizmet Olarak Yazılımlar ve Sanal Özel Bulut örnekleri arasında seçim yapacak ve bunları uygun şekilde boyutlandırmak için şablonlar oluşturacaksınız. Yerinde dağıtım bir seçenektir ancak dağıtım sırasında ve devam eden bakım sırasında karmaşıklığı ve maliyeti büyük ölçüde artırabilir.

Çoğu uygulama, üretim dağıtımına kadar genel bir alfa-beta modelini izleyecektir. Alfa dağıtımımızın bir parçası olarak, gizlilik ve güvenlik protokolleri, kimlik yönetimi ve idari provizyon, kalite güvencesi ve sürekli entegrasyon rejimleriyle ilgili sorunları tanımlamalı ve ele almalısınız. Ayrıca sistem testi yapmanız gerekecektir. Beta uygulaması ve test süresi boyunca, sistemi gerçek kullanıcılarla test edersiniz; bu fırsatı hem nihai kullanıcılar hem de sistemi koruyanlar için kullanıcı deneyimini iyileştirmenin yollarının yanı sıra hataları tespit etmek için kullanın.

5. Üretim Uygulaması

Üretim uygulaması yeni bir dönemin başlangıcını işaret eder. Verilerin hacmine ve tutarlılığına bağlı olarak, makine öğrenme teknikleri (potansiyel olarak derin öğrenme yaklaşımlarını içerecek şekilde) sistemden akan bu gerçek dünya verilerine uygulanabilir. Derin öğrenme süreçleri, bilişsel makine süreçlerini biyometrik, karar verme ve vakaya dayalı insan öğrenme etkinlikleriyle ilişkilendirme yolları da dâhil olmak üzere bu alandaki birçok yeniliğin kilidini açabilir.

Ancak doğaları gereği, akış mimarilerinin kırılgan olabileceğini aklınızda tutun. Bir tedarikçinin yeni bir ürün geliştirmesi uç noktayı bozabilir. Bu, söz konusu tedarikçiden gelen verilerin olması gerektiği gibi akabilmesi için düzeltilmelidir. İşleri yürütmek için gereken diğer hizmetler bu tedarikçiden gelen verilere bağlı olabileceğinden bu tür kesintiler daha büyük boyutta sistemi etkileyen sıkışmalar neden olabilir. Bu nedenle, akış işleme sistemlerine yerel olarak veya yönetilen hizmetler aracılığıyla hizmet ekiplerinin katılması çok önemlidir. Neyse ki, sisteminizi besleyen veri kaynaklarının kalitesi konusunda gerekli özeni gösterdiğiniz sürece düzeltmeler yapmak nispeten zahmetsiz bir süreçtir. Ayrıca, çoğu kırılmalar, uç noktalardaki değişiklikler veya API’lerin yeniden yapılandırılması gibi nedenlerden meydana gelir ve bunlar genellikle iyi bir şekilde belgelenerek ekiple paylaşılan ürün planının bir parçasını oluştururlar. Bu da planlamanın daha önceden yapılması anlamına gelir.

Gelecekteki öğrenme ekosistemindeki analitik ve veri görselleştirme hizmetlerinin başarısı için ölçeklenebilirlik ve de aynı derecede önemli olacaktır. Öğrenme araçları, web teknolojileri ve YZ’deki gelişmeler gelecekteki öğrenme analitiklerini ve veri görselleştirmelerini değiştirebilir. Aynı şekilde davranış, beklentiler, öğretim yöntemleri, öğrenmeye erişim ve hem resmî hem de gayriresmî öğrenenler arasındaki tercihlerdeki sosyal değişimler, etkinlik veri akışlarında yakalanan olayların doğasını etkileyecektir. Bu nedenle, öğrenme analitikleri ve veri görselleştirme hedeflerine hizmet etmek için kullanılan teknolojiler, mümkün olduğu kadar esnek, genişletilebilir ve açık olmalıdır. Sistemler, üzerlerine yüklenen her şeye dayanacak şekilde inşa edilmelidir. Açık kaynak standartlarına ve belirtimlerine bağlılık, bu ihtiyacın karşılanmasına yardımcı olacaktır.

Sonuç

Sonunda, analitik ve görselleştirmelerden toplanan öngörülerin kalitesi, veri modellerinin kalitesine, kullandıkları verilerin hızına ve çeşitliliğine ve verilerin gösterimlerinin doğruluğuna bağlı olacaktır. Gerçekçilik sürüp giderken, yalanlar, lanet olası yalanlar ve istatistikler. İstatistikler ve hatta infografikler ve görselleştirmeler yanlış uygulandıklarında verilerin “gerçeğini” gölgeleyebilir. Herhangi bir veri kümesi (özellikle karmaşık, kişisel, sosyal ve kültürel öğrenme olarak konumlandırılmış bir veri kümesi) göz önüne alındığında asılsız iddialarda bulunmak çok kolaydır. Sonuç olarak, verilerin tasarımı, algoritmaların uygulanması ve görselleştirmelerin düzeni büyük önem taşımaktadır. Bu tasarım ve geliştirme aşamalarındaki küçük kararlar, öğrenenler ve diğer öğrenme paydaşları için önemli sistem çıkışı etkilere (umarım olumlu olanlar) yol açabilir.

Bir öğrenme yönetim sisteminde, bugün analog sistemlere benzeyen ancak çevrim içi olarak kullanılabilen bir not defteri alabilirsiniz. Ancak değerlendirme analitiklerindeki gelişmeler sayesinde, soru ve testlerinizin ölçmeleri gereken şeyi ne kadar güvenilir bir şekilde ölçtüğüne dair fikir edinmek için daha derinlere inebilirsiniz. Soru bankanızın adil, geçerli ve güvenilir olup olmadığını belirleyebilirsiniz. Bir gösterge panelinde birbirinden farklı görünümler elde edebilir ve ekranın farklı yerlerinde, (içinde sonunda) sağlık, eğitim, savunma ticaret ve sağılık hizmetleri yer alabilir.Stacy PollABD Kamu Sektörü İş Geliştirme Müdürü Kıdemli Hesap Yöneticisi, Questionmark