{"id":48,"date":"2020-09-03T16:38:50","date_gmt":"2020-09-03T13:38:50","guid":{"rendered":"http:\/\/acikkitap.com.tr\/oaek\/chapter\/bolum-6-egitsel-verileri-aciklayici-modelleri-yaratmak-icin-daha-iyi-veri-tahmininin-otesine-gecmek\/"},"modified":"2020-09-03T16:38:50","modified_gmt":"2020-09-03T13:38:50","slug":"bolum-6-egitsel-verileri-aciklayici-modelleri-yaratmak-icin-daha-iyi-veri-tahmininin-otesine-gecmek","status":"publish","type":"chapter","link":"https:\/\/acikkitap.com.tr\/oaek\/chapter\/bolum-6-egitsel-verileri-aciklayici-modelleri-yaratmak-icin-daha-iyi-veri-tahmininin-otesine-gecmek\/","title":{"raw":"B\u00f6l\u00fcm 6 E\u011fitsel Verileri A\u00e7\u0131klay\u0131c\u0131 Modelleri Yaratmak \u0130\u00e7in Daha \u0130yi Veri Tahmininin \u00d6tesine Ge\u00e7mek","rendered":"B\u00f6l\u00fcm 6 E\u011fitsel Verileri A\u00e7\u0131klay\u0131c\u0131 Modelleri Yaratmak \u0130\u00e7in Daha \u0130yi Veri Tahmininin \u00d6tesine Ge\u00e7mek"},"content":{"raw":"\n

Ran Liu, Kenneth R. Koedinger<\/span><\/span><\/p>\nBilgisayar Bilimleri Fak\u00fcltesi, Carnegie Mellon \u00dcniversitesi, ABD<\/span><\/span>\n\nDOI: 10.18608\/hla17.006<\/span><\/span>\n

\u00d6Z<\/h2>\nE\u011fitsel verilerin istatistiksel modellemesinde yakla\u015f\u0131mlar amac\u0131n bir \u00f6ng\u00f6r\u00fc ya da a\u00e7\u0131klay\u0131c\u0131 bir model olu\u015fturmak olup olmamas\u0131na ba\u011fl\u0131 olarak de\u011fi\u015fir. Kestirimci modeller, sonu\u00e7lar\u0131 en iyi tahmin edebilecek \u00f6zelliklerin bir kombinasyonunu bulmay\u0131 ama\u00e7lamaktad\u0131r; tipik olarak, tutulan verileri tahmin etmedeki do\u011fruluklar\u0131yla de\u011ferlendirilirler. A\u00e7\u0131klay\u0131c\u0131 modeller, sonu\u00e7larla nedensel olarak ili\u015fkili olan yorumlanabilir yap\u0131lar\u0131 tan\u0131mlamaya \u00e7al\u0131\u015f\u0131r. E\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131n\u0131n b\u00fcy\u00fck \u00e7o\u011funlu\u011fu tahminde do\u011fruluk elde etmeye odaklanm\u0131\u015ft\u0131r ancak biz a\u00e7\u0131klay\u0131c\u0131 modeller geli\u015ftirmeye daha fazla odaklanman\u0131n alana fayda sa\u011flayabilece\u011fini iddia ediyoruz. A\u00e7\u0131klay\u0131c\u0131 modeller \u00fcreten ve \u00f6\u011frenme \u00e7\u0131kt\u0131lar\u0131nda ve \/ veya \u00f6\u011frenme teorisinde geli\u015fmelere yol a\u00e7an e\u011fitsel veri madencili\u011fi \u00e7al\u0131\u015fmalar\u0131 \u00f6rneklerini g\u00f6zden ge\u00e7iriyoruz. A\u00e7\u0131klay\u0131c\u0131 modellerin, yorumlanabilir yap\u0131lara e\u015fle\u015ftirilen parametrelere sahip olmak, genel olarak daha az parametreye sahip olmak ve model geli\u015ftirme s\u00fcrecinin ba\u015flar\u0131nda insanlar taraf\u0131ndan girilen bilgileri d\u00e2hil etmek gibi ortak \u00f6zelliklerinden baz\u0131lar\u0131n\u0131 \u00f6zetliyoruz.<\/span>\n\nAnahtar Kelimeler<\/span>:(EVM) A\u00e7\u0131klay\u0131c\u0131 modeller, modeli yorumlama, e\u011fitsel veri madencili\u011fi, d\u00f6ng\u00fcy\u00fc kapatmak, bili\u015fsel modeller<\/span>\n

E\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131n\u0131n b\u00fcy\u00fck \u00e7o\u011funlu\u011funda modeller, tahmin do\u011frulu\u011funa g\u00f6re de\u011ferlendirilir. \u00c7o\u011fu zaman bu, modelin bir dizi \u00f6\u011frenci cevaplar\u0131n\u0131n sonu\u00e7lar\u0131ndaki ba\u015far\u0131lar\u0131 ve ba\u015far\u0131s\u0131zl\u0131klar\u0131 do\u011fru bir \u015fekilde \u00f6ng\u00f6rme yetene\u011fini de\u011ferlendirme \u015feklini al\u0131r. Daha az yayg\u0131n olarak, modellerin ge\u00e7erli\u011fi sontest sonu\u00e7lar\u0131n\u0131 (\u00f6r. Corbett ve Anderson, 1995) veya \u00f6ntest-sontest kazanc\u0131n\u0131 (\u00f6r. Liu ve Koedinger, 2015) tahmin etme yeteneklerine g\u00f6re belirlenebilir. A\u00e7\u0131klay\u0131c\u0131 modeller, sonu\u00e7larla nedensel olarak ili\u015fkili olan yorumlanabilir yap\u0131lar\u0131 tan\u0131mlamaya \u00e7al\u0131\u015f\u0131r (Shmueli, 2010). Bunu yaparken verilerin mevcut teoriye ba\u011flanabilecek bir a\u00e7\u0131klamas\u0131n\u0131 sa\u011flarlar. Odak noktas\u0131, bir modelin iyi uyma nedeninden ziyade modelin neden verilere iyi uydu\u011fudur. Genellikle, a\u00e7\u0131klay\u0131c\u0131 modeller verilerin teori, pratik veya her ikisi i\u00e7in de sonu\u00e7lar\u0131 olan yorumunu sa\u011flarlar. Burada a\u00e7\u0131klay\u0131c\u0131 modeller \u00fcreten ve dolay\u0131s\u0131yla \u00f6\u011frenme \u00e7\u0131kt\u0131lar\u0131nda ve \/ veya \u00f6\u011frenme teorisinde geli\u015fmelere yol a\u00e7an e\u011fitsel veri madencili\u011fi \u00e7al\u0131\u015fma \u00f6rneklerini g\u00f6zden ge\u00e7iriyoruz.<\/p>\n

E\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde iki model t\u00fcr\u00fcn\u00fcn geli\u015ftirilmesine odaklanm\u0131\u015ft\u0131r: istatistiksel model ve bili\u015fsel model. \u0130statistiksel modeller, \u00f6\u011frencilerin performanslar\u0131n\u0131 \u00f6\u011frendik\u00e7e g\u00f6zlemlenebilir \u00f6zelliklerine dayanarak ak\u0131ll\u0131 \u00f6\u011fretici sistemlerinin d\u0131\u015f d\u00f6ng\u00fcs\u00fcn\u00fc y\u00f6nlendirir (VanLehn, 2006) . Bili\u015fsel modeller, belirli bir e\u011fitsel alan\u0131n\u0131n belli ba\u015fl\u0131 bir bilgi alan\u0131n\u0131 temsil eder (ger\u00e7ekler, kavramlar, beceriler, vb.). Burada incelenen ara\u015ft\u0131rmalar\u0131n \u00e7o\u011funlu\u011fu bili\u015fsel model geli\u015ftirme ve ke\u015ffi ile ilgilidir. Ayr\u0131ca e\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131n\u0131n \u00fcretti\u011fi bili\u015fsel model ke\u015fif alan\u0131 d\u0131\u015f\u0131ndaki di\u011fer a\u00e7\u0131klay\u0131c\u0131 model \u00f6rneklerini de k\u0131saca g\u00f6zden ge\u00e7iriyoruz.<\/p>\n\n

B\u0130L\u0130\u015eSEL MODEL KE\u015eF\u0130<\/h2>\n

Bili\u015fsel modeller, bilgi bile\u015fenlerini (yani kavramlar, beceriler ve olgular; Koedinger, Corbett ve Perfetti, 2012), \u00f6\u011frenci performans\u0131n\u0131n g\u00f6zlenebilece\u011fi problem ad\u0131mlar\u0131na veya g\u00f6revlerine e\u015fler. Bu e\u015fleme, \u00f6\u011frencilerin farkl\u0131 problem ad\u0131mlar\u0131ndaki g\u00f6zlemlenebilir performanslar\u0131na dayanarak mevcut bilgileri hakk\u0131nda \u00e7\u0131kar\u0131mlar yap\u0131lmas\u0131 i\u00e7in istatistiksel modellere bir yol sa\u011flar. Bu nedenle, bili\u015fsel modeller ak\u0131ll\u0131 \u00f6\u011freticilerin \u00f6\u011fretim tasar\u0131m\u0131 i\u00e7in \u00f6nemli bir dayanakt\u0131r ve \u00f6\u011frenme ile bilginin do\u011fru de\u011ferlendirilmesi i\u00e7in \u00f6nemlidir. Daha iyi bili\u015fsel modeller, \u00f6\u011frencinin ne bildi\u011fi hakk\u0131nda daha iyi kestirimler yap\u0131lmas\u0131n\u0131 sa\u011flayarak uyarlanabilir \u00f6\u011frenmenin daha verimli \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. Bili\u015fsel modeller in\u015fa etmenin geleneksel yollar\u0131 (Clark, Feldon, van Merrienboer, Yates ve Early, 2008) yap\u0131land\u0131r\u0131lm\u0131\u015f g\u00f6r\u00fc\u015fmeler, sesli d\u00fc\u015f\u00fcnme protokolleri, rasyonel analiz ve alan uzmanlar\u0131 taraf\u0131ndan etiketlenmeyi i\u00e7erir. Bununla birlikte bu y\u00f6ntemler genellikle insanlar\u0131n bilgi girmesini gerektirdi\u011finden zaman al\u0131c\u0131d\u0131r. Bunlar ayr\u0131ca \u00f6zneldirler ve \u00f6nceki ara\u015ft\u0131rmalar (Nathan, Koedinger ve Alibali, 2001; Koedinger ve McLaughlin, 2010) uzman m\u00fchendisler taraf\u0131ndan geli\u015ftirilen bili\u015fsel modellerin genellikle ba\u015flang\u0131\u00e7 seviyesindeki \u00f6\u011frenenler i\u00e7in \u00f6nemli olan i\u00e7erik ayr\u0131mlar\u0131n\u0131 g\u00f6z ard\u0131 etti\u011fini g\u00f6stermi\u015ftir. Burada, insan taraf\u0131nda yap\u0131lan bilgi giri\u015fleri \u00fczerindeki y\u00fck\u00fc azalt\u0131rken, uzman yanl\u0131l\u0131\u011f\u0131n\u0131 azaltan veriye dayal\u0131 tekniklere dayanan bili\u015fsel modelleri ke\u015ffetme ve iyile\u015ftirme \u00e7abalar\u0131n\u0131n \u00fc\u00e7 \u00f6rne\u011fini g\u00f6zden ge\u00e7iriyoruz.<\/p>\n

Burada tarif edilen \u00e7al\u0131\u015fmalar istatistiksel modelleme amac\u0131yla varsay\u0131msal bilgi bile\u015fenlerinden olu\u015fan bili\u015fsel bir modelin sadele\u015fmi\u015f halini kullan\u0131r. Bir bilgi bile\u015feni (BB), belirli bir g\u00f6rev veya problem basama\u011f\u0131nda ba\u015far\u0131l\u0131 olmak i\u00e7in gereken bir olgu, kavram veya beceridir. Bili\u015fsel bir modelin bu uzmanl\u0131k bi\u00e7imini BB modeli veya alternatif olarak bir Q matrisi olarak adland\u0131r\u0131yoruz (Barnes, 2005). Veriye dayal\u0131 bili\u015fsel model ke\u015fiflerinin yorday\u0131c\u0131 uygunlu\u011funu de\u011ferlendirmek i\u00e7in kulland\u0131\u011f\u0131m\u0131z istatistiksel model, toplamsal fakt\u00f6r modeli (TFM; Cen, Koedinger ve Junker, 2006) olarak adland\u0131r\u0131lan ve \u00f6\u011frenme etkilerine uyum sa\u011flamak i\u00e7in madde-tepki teorisinin bir genellemesi olan lojistik regresyon modelidir.<\/p>\n\n

Veri-G\u00fcd\u00fcml\u00fc Bili\u015fsel Model Geli\u015ftirme<\/h3>\n

Zorluk fakt\u00f6rleri de\u011ferlendirmesi (ZFD; \u00f6rne\u011fin, Koedinger ve Nathan, 2004) tan\u0131mlanm\u0131\u015f bir g\u00f6revin problemli unsurlar\u0131n\u0131 belirlemek i\u00e7in veri g\u00fcd\u00fcml\u00fc bir bilgi ayr\u0131\u015ft\u0131rma s\u00fcreci kullanarak uzman \u00f6nsezilerinin \u00f6tesine ge\u00e7er. Ba\u015fka bir deyi\u015fle, bir g\u00f6rev onunla yak\u0131ndan ili\u015fkili bir g\u00f6revden \u00e7ok daha zor oldu\u011funda, aralar\u0131ndaki fark zor olan i\u015fin daha kolay olanda bulunmayan bir bilgiyi gerektirmesidir. Stamper ve Koedinger (2011) bili\u015fsel model geli\u015fimlerini belirlemek ve do\u011frulamak i\u00e7in DataShop\u2019ta1<\/sup><\/a> (Koedinger vd., 2010) serbest\u00e7e eri\u015filebilen e\u011fitsel veriler ve yerle\u015fik g\u00f6rselle\u015ftirme ara\u00e7lar\u0131yla birlikte ZFD'yi kullanan bir y\u00f6ntem a\u00e7\u0131klam\u0131\u015flard\u0131r. Bili\u015fsel model geli\u015ftirme y\u00f6ntemi, a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 takip eder: 1) verilen bir BB modeli i\u00e7in \u00f6\u011frenme e\u011frisi g\u00f6rselle\u015ftirmelerini ve uygun TFM katsay\u0131s\u0131 tahminlerini incelemek, 2) problemli BB'leri tan\u0131mlamak ve BB modelindeki de\u011fi\u015fikliklere dair varsay\u0131mlarda bulunmak, 3) TFM'yi g\u00f6zden ge\u00e7irilmi\u015f BB modeline yeniden uygun hale getirmek ve yeni modelin verilere daha uygun olup olmad\u0131\u011f\u0131n\u0131 ara\u015ft\u0131rmak.<\/p>\n

Geometri veri k\u00fcmesinin (Koedinger, DataShop2<\/sup><\/a>taki Dataset 76 ) g\u00f6rselle\u015ftirmelerinin el ile yap\u0131lan incelemesinde, mevcut olan en iyi BB modelinde potansiyel iyile\u015fmeler tespit edildi (Stamper ve Koedinger, 2011). Bu modeldeki BB'lerin \u00e7o\u011fu, hata oranlar\u0131nda tutarl\u0131 bir d\u00fc\u015f\u00fc\u015f ile nispeten d\u00fczg\u00fcn \u00f6\u011frenme e\u011frileri sergilemi\u015ftir. Toplama ile yap\u0131lan<\/i><\/span> orijinal modeldeki bir BB, hata oranlar\u0131nda b\u00fcy\u00fck art\u0131\u015flarla birlikte belirli f\u0131rsat say\u0131mlar\u0131nda \u00f6zellikle karma\u015f\u0131k bir e\u011fri sergiledi. Ek olarak BB i\u00e7in toplama ile yap\u0131lan<\/i><\/span> TFM parametresi tahminleri, belirgin bir \u00f6\u011frenme olmad\u0131\u011f\u0131n\u0131 ortaya koymu\u015ftur (performans tavan de\u011ferde oldu\u011fu i\u00e7in de\u011fil ve e\u011fim parametresi tahmini s\u0131f\u0131ra \u00e7ok yak\u0131nd\u0131). \u0130ni\u015fli \u00e7\u0131k\u0131\u015fl\u0131 bir \u00f6\u011frenme e\u011frisi ve d\u00fc\u015f\u00fck e\u011fim tahmini, k\u00f6t\u00fc tan\u0131mlanm\u0131\u015f bir BB'nin belirtileridir. K\u00f6t\u00fc tan\u0131mlanm\u0131\u015f bir BB'nin yayg\u0131n sebeplerinden biri, kurucu \u00f6gelerinin baz\u0131lar\u0131n\u0131n, di\u011fer \u00f6gelerin gerektirmedi\u011fi baz\u0131 bilgi taleplerini istemesidir. Ba\u015fka bir deyi\u015fle, orijinal BB ger\u00e7ekten iki farkl\u0131 BB'ye b\u00f6l\u00fcnmelidir. BB modelini geli\u015ftirmek i\u00e7in, t\u00fcm toplama ile yap\u0131lan <\/i><\/span>problem ad\u0131mlar\u0131 incelenmi\u015f ve belirli ad\u0131mlarda gerekli olabilecek ek bilgiler hakk\u0131nda varsay\u0131mda bulunmak i\u00e7in alan uzmanl\u0131\u011f\u0131 uygulanm\u0131\u015ft\u0131r. Sonu\u00e7 olarak, toplama ile yap\u0131lan<\/i><\/span> BB \u00fc\u00e7 ayr\u0131 BB'ye b\u00f6l\u00fcnd\u00fc ve daha \u00f6nce toplama ile yap\u0131lan<\/i><\/span> BB ile etiketlenmi\u015f 20 ad\u0131m\u0131n her biri buna g\u00f6re yeniden etiketlendi. G\u00f6zden ge\u00e7irilmi\u015f model, daha d\u00fczg\u00fcn \u00f6\u011frenme e\u011frileriyle sonu\u00e7lanm\u0131\u015ft\u0131r ve TFM ile uyumlu oldu\u011funda, \u00f6\u011frenci performans\u0131n\u0131n orijinal BB modelinden \u00e7ok daha iyi bir \u015fekilde tahmin edilmesini sa\u011flam\u0131\u015ft\u0131r. Her ne kadar bu BB modelinin geli\u015ftirilmesine, istatistiksel bir modele uydurulmas\u0131ndan kaynaklanan g\u00f6rselle\u015ftirmeler e\u015flik etse de ger\u00e7ek geli\u015fmeler el ile \u00fcretilmi\u015ftir ve bu nedenle kolayca yorumlanabilir.<\/p>\n

Ke\u015ffedilen BB modelindeki geli\u015fmelerin, \u00f6\u011fretimi yeniden d\u00fczenleme konusunda a\u00e7\u0131k sonu\u00e7lar sunmu\u015ftur. Koedinger, Stamper, McLaughlin ve Nixon (2013), Geometri Alan \u00f6\u011fretici \u00fcnitesinin g\u00f6zden ge\u00e7irilmi\u015f bir versiyonunu olu\u015fturmak i\u00e7in veri odakl\u0131 BB model iyile\u015ftirmelerini kullanm\u0131\u015flard\u0131r. D\u00fczeltmeler, bilgi izlemede de\u011fi\u015fikliklere ve yeni becerilerin hedeflenmesi i\u00e7in yeni g\u00f6revlerin yarat\u0131lmas\u0131na neden olacak yeni ke\u015ffedilen becerilerin BB modeline uyarlanabilir \u00f6\u011frenmeyi y\u00f6nlendirmesini de i\u00e7ermekteydi. Bir A\/B deneyinde, \u00f6\u011frencilerin yar\u0131s\u0131 g\u00f6zden ge\u00e7irilmi\u015f ak\u0131ll\u0131 \u00f6\u011fretici birimini, di\u011fer yar\u0131s\u0131 ise orijinal ak\u0131ll\u0131 \u00f6\u011fretici birimi tamamlam\u0131\u015ft\u0131r. G\u00f6zden ge\u00e7irilmi\u015f ak\u0131ll\u0131 \u00f6\u011freticiyi kullanan \u00f6\u011frenciler, daha verimli bir \u015fekilde tam \u00f6\u011frenmeye ula\u015fm\u0131\u015f ve \u00f6n -son- test \u00f6ncesi becerilere dayanarak BB modelinin hedefledi\u011fi becerileri daha iyi \u00f6\u011frenmi\u015flerdir (Koedinger vd., 2013). Bulgular, veri g\u00fcd\u00fcml\u00fc ZFD tekni\u011finin \u00f6\u011fretimsel de\u011fi\u015fikliklere ve daha iyi \u00f6\u011frenmeye neden olabilecek a\u00e7\u0131klay\u0131c\u0131 BB model d\u00fczeltmeleri \u00fcretmeye yard\u0131mc\u0131 oldu\u011funu g\u00f6stermektedir.<\/p>\n\n

\u00d6\u011frenme Fakt\u00f6rleri Analizi<\/h3>\n

\u00d6\u011frenme fakt\u00f6rleri analizi (\u00d6FA; Cen vd., 2006) BB model d\u00fczeltmelerinin veri temelli bir y\u00f6ntemi sonras\u0131nda insan zaman\u0131na olan talepleri hafifletmek amac\u0131yla geli\u015ftirilmi\u015ftir. \u00d6FA, mevcut farkl\u0131 BB modellerinden \u00e7\u0131kart\u0131lan varsay\u0131msal bilgi bile\u015fenlerini ara\u015ft\u0131r\u0131r, verilere uygunluklar\u0131na g\u00f6re farkl\u0131 modelleri de\u011ferlendirir ve sembolik bir model bi\u00e7imindeki en uygun BB modelini \u00e7\u0131kar\u0131r. Bu nedenle, \u00d6FA, otomatik olmasa da yorum yapma y\u00fck\u00fcn\u00fc e\u015fzamanl\u0131 olarak kolayla\u015ft\u0131r\u0131rken, insan eme\u011fine olan talepleri b\u00fcy\u00fck \u00f6l\u00e7\u00fcde azalt\u0131r.<\/p>\n

T\u00fcm\u00fc DataShop'dan kamuya a\u00e7\u0131k olarak eri\u015filebilir olacak \u015fekilde \u00d6FA ara\u015ft\u0131rma s\u00fcrecini farkl\u0131 alanlar ve farkl\u0131 e\u011fitim teknolojilerini kapsayan 11 veri k\u00fcmesinde uygulad\u0131k. T\u00fcm 11 veri k\u00fcmesinde bu otomatik bulma i\u015flemi, BB modellerinin veriye uygunlu\u011funu mevcut insanlar taraf\u0131ndan en iyi bi\u00e7imde etiketlenmi\u015f BB modellerinden daha fazla iyile\u015ftirmi\u015ftir (Koedinger, McLaughlin ve Stamper, 2012). Hepsinden \u00f6nemlisi, \u00f6rnek bir veri k\u00fcmesinde (Koedinger, DataShop'ta Dataset 76) \u00d6FA taraf\u0131ndan ke\u015ffedilen en iyi model taraf\u0131ndan yap\u0131lan belirli iyile\u015ftirmeler i\u00e7in yorumlanabilir bir a\u00e7\u0131klama sunduk. En uygun \u00d6FA modeli ile en uygun insan etiketli model aras\u0131ndaki el ile yap\u0131lan bir BB modeli kar\u015f\u0131la\u015ft\u0131rmas\u0131, insan etiketli modelde tek bir \"daire alan\u0131\" BB olarak grupland\u0131r\u0131lm\u0131\u015f iken, \u00d6FA modelinin ileri (yani, yar\u0131\u00e7ap\u0131 verilen alan\u0131 bulun) ve geriye do\u011fru (yani, alan\u0131 verilen yar\u0131\u00e7ap\u0131 bulmak) dairenin alan\u0131 problemleri i\u00e7in ayr\u0131 BB'ler etiketledi\u011fini g\u00f6stermi\u015ftir. Dikd\u00f6rtgen, \u00fc\u00e7gen ve paralel kenarlar gibi di\u011fer \u015fekiller i\u00e7in modeller aras\u0131nda b\u00f6yle bir fark bulunmam\u0131\u015ft\u0131r. Otomatikle\u015ftirilmi\u015f bulguyu yorumlamak i\u00e7in etki alan\u0131 uzmanl\u0131\u011f\u0131 uygulayarak, \u00d6FA\u2019n\u0131n model iyile\u015ftirmesinin, ileriye d\u00f6n\u00fck daire-alan problemleri i\u00e7in veya di\u011fer \u015fekillerin geriye d\u00f6n\u00fck alan problemleri i\u00e7in gerekli olmayan ve geriye d\u00f6n\u00fck \u00e7ember alan problemlerinde karek\u00f6k i\u015fleminin ne zaman ve nas\u0131l uygulanaca\u011f\u0131n\u0131 bilmenin zorlu\u011funu yakalad\u0131\u011f\u0131 varsay\u0131m\u0131nda bulunduk.<\/p>\n

Daha sonra bu yorumlaman\u0131n d\u0131\u015f ge\u00e7erlili\u011fini, ke\u015fiflerin yap\u0131ld\u0131\u011f\u0131 veri k\u00fcmesinin \u00f6tesinde de\u011ferlendirdik. Yeni bir veri k\u00fcmesinde (DataShop3<\/sup><\/a>'daki Bernacki, Dataset 748), ke\u015fif i\u00e7in kullan\u0131landan farkl\u0131 bir yap\u0131ya sahip olan karek\u00f6k zorlu\u011funun varl\u0131\u011f\u0131n\u0131 de\u011ferlendirdik (Liu, Koedinger ve McLaughlin, 2014). Di\u011fer farkl\u0131l\u0131klar aras\u0131nda, yeni bir veri k\u00fcmesi daha fazla geriye do\u011fru daire alan problemlerini ve daha da \u00f6nemlisi, ileri (yani uzunlu\u011fu verilen alan bulmak) ve geriye do\u011fru (yani, alan verildi\u011finde yan uzunlu\u011fu bulmak) kare alan<\/i><\/span> problemlerini bulmay\u0131 i\u00e7eriyordu. Bu kare alan problemleri, \u00d6FA taraf\u0131ndan olu\u015fturulan bulu\u015flar\u0131n yap\u0131ld\u0131\u011f\u0131 orijinal veri k\u00fcmesinde mevcut de\u011fildi. Ke\u015ffe ili\u015fkin yorumumuzu uygulayarak, geri ad\u0131mlar\u0131n karek\u00f6k hesaplamas\u0131n\u0131 gerektirmedi\u011fi \u015fekiller i\u00e7in de\u011fil (\u00fc\u00e7genler, dikd\u00f6rtgenler, paralel kenarlar) yaln\u0131zca gerektirdi\u011fi \u015fekiller i\u00e7in (kare, daire) ileri ve geri ay\u0131rma BB etiketlerini ayr\u0131 ayr\u0131 etiketleyen bir BB modeli in\u015fa ettik. TFM ile birlikte kullan\u0131ld\u0131\u011f\u0131nda, bu BB modeli, uzman etiketli birka\u00e7 kontrol BB modeline k\u0131yasla yeni veri k\u00fcmesine en iyi uyumu sa\u011flad\u0131.<\/p>\n

Yeni veri k\u00fcmesi, BB modelinin ke\u015ffi ile ilgili farkl\u0131l\u0131klar da d\u00e2hil olmak \u00fczere orijinal veri k\u00fcmesinden farkl\u0131 bir yap\u0131ya sahip oldu\u011fu i\u00e7in (yani geriye do\u011fru kare alan problemlerinin varl\u0131\u011f\u0131), bu konuda do\u011frudan \u00d6FA taraf\u0131ndan ke\u015ffedilen BB modelini uygulamak uygun olmazd\u0131. Ayn\u0131 olmayan yap\u0131lara sahip ba\u011flamlardaki ke\u015fiflerin genellenebilirli\u011fini test etmek i\u00e7in yorumlama gereklidir. Ayr\u0131ca yorumlar, sonraki t\u00fcm veri ara\u015ft\u0131rmalar\u0131n\u0131 ve analizlerini, daha sonra \u00f6\u011fretim tasar\u0131m\u0131nda somut geli\u015fmelere \u00e7evrilebilecek anlaml\u0131 bir \u015feye ba\u011flamaya yard\u0131mc\u0131 olur. Mevcut ara\u015ft\u0131rmalar\u0131m\u0131z, geli\u015ftirilen BB modeli etraf\u0131nda yeniden tasarlanan bir ak\u0131ll\u0131 \u00f6\u011fretici sonucu olu\u015fan \u00f6\u011frenme \u00e7\u0131kt\u0131lar\u0131n\u0131 de\u011ferlendirerek, \u00d6FA taraf\u0131ndan olu\u015fturulan bu ke\u015fifte \u201cd\u00f6ng\u00fcy\u00fc kapatmaktad\u0131r\u201d (Liu ve Koedinger, sundu).<\/p>\n\n

SimStudent Kullanarak Otomatikle\u015ftirilmi\u015f Bili\u015fsel Model Ke\u015ffi<\/h3>\n

Otomatikle\u015ftirilmi\u015f alternatif bir yakla\u015f\u0131m, bili\u015fsel modelleri mevcut olanlara ihtiya\u00e7 duymadan otomatik olarak ke\u015ffetmek i\u00e7in son teknoloji \u00fcr\u00fcn\u00fc bir makine \u00f6\u011frenme arac\u0131 olan SimStudent'i kullanmaktad\u0131r. SimStudent, \u00f6rnek sorunlar\u0131 \u00e7\u00f6zen bir ak\u0131ll\u0131 \u00f6\u011freticiyi g\u00f6zlemleyerek, sorunlar\u0131 kendi ba\u015f\u0131na \u00e7\u00f6zerek ve geri bildirim alarak, bilgileri kurallar bi\u00e7iminde t\u00fcmevar\u0131msal olarak \u00f6\u011frenen ak\u0131ll\u0131 bir ara\u00e7t\u0131r. (Li, Matsuda, Cohen ve Koedinger, 2015). SimStudent'in avantajlar\u0131ndan biri, yeni ba\u015flayan alan uzmanlar\u0131n\u0131n bile fark\u0131nda olamayacaklar\u0131 \u00f6\u011frenme y\u00f6r\u00fcngelerinin \u00f6zelliklerini taklit edebilmesidir. Bir dersi alan ger\u00e7ek \u00f6\u011frenciler, genellikle alana \u00f6zg\u00fc belirli bir \u00f6n bilgiye sahip de\u011fildir, bu nedenle ger\u00e7ek\u00e7i bir insan \u00f6\u011frenme modeli bu bilginin verildi\u011fini varsaymamal\u0131d\u0131r. Ek olarak, SimStudent, hangisinin insan davran\u0131\u015f\u0131n\u0131 en iyi tahmin etti\u011fini g\u00f6rmek amac\u0131yla alternatif insan \u00f6\u011frenme modellerini test etmek i\u00e7in kullan\u0131labilir (MacLellan, Harpstead, Patel ve Koedinger, 2016). \u00c7e\u015fitli etki alanlar\u0131n\u0131 kapsayan birka\u00e7 veri k\u00fcmesi i\u00e7in SimStudent, verilere insan taraf\u0131ndan \u00fcretilen en iyi bili\u015fsel modellerden daha iyi uyan bili\u015fsel modeller \u00fcretmi\u015ftir. (Li vd., 2011; MacLellan vd., 2016).<\/p>\n

SimStudent \u00f6\u011frenmesinin \u00e7\u0131kt\u0131s\u0131, \u00fcretim kurallar\u0131 bi\u00e7imini al\u0131r (Newell ve Simon, 1972) ve her \u00fcretim kural\u0131, esas olarak, bir BB modelinde bir bilgi bile\u015fenine (BB) kar\u015f\u0131l\u0131k gelir. Bir cebir veri k\u00fcmesindeki verileri kullanma (Booth ve Ritter, DataShop4<\/sup><\/a>'ta Veri K\u00fcmesi 293) ve TFM ile birlikte Li ve meslekta\u015flar\u0131 (2011), SimStudent taraf\u0131ndan olu\u015fturulan bir BB modelini, ger\u00e7ek \u00f6\u011frencilerin ak\u0131ll\u0131 \u00f6\u011fretici i\u00e7indeki eylemlerini elle kodlayarak olu\u015fturulan bir BB modeliyle kar\u015f\u0131la\u015ft\u0131rd\u0131lar. SimStudent taraf\u0131ndan \u00fcretilen model, ger\u00e7ek \u00f6\u011frenci performans\u0131 verilerine, insan taraf\u0131ndan \u00fcretilen modelden daha uygun bulundu. SimStudent taraf\u0131ndan \u00fcretilen model, ger\u00e7ek \u00f6\u011frenci performans\u0131 verilerine, insan taraf\u0131ndan \u00fcretilen modelden daha uygun.<\/p>\n

Daha da \u00f6nemlisi, SimStudent modeli ile insan taraf\u0131ndan \u00fcretilen model aras\u0131ndaki farklar\u0131 incelemek, SimStudent modelinin avantajlar\u0131n\u0131 a\u00e7\u0131klayan yorumlanabilir \u00f6zellikler ortaya koymu\u015ftur. B\u00f6yle bir fark\u0131n bir \u00f6rne\u011fi SimStudent'in hem A hem de B nin i\u015fareti olan say\u0131lar oldu\u011fu Ax = B formundaki b\u00f6lme tabanl\u0131 cebir problemleri i\u00e7in ve yaln\u0131zca A n\u0131n i\u015faretli say\u0131 oldu\u011fu -x=A formu i\u00e7in farkl\u0131 \u00fcretim kurallar\u0131 (BB'ler) olu\u015fturmas\u0131d\u0131r. Ax = B'yi \u00e7\u00f6zmek i\u00e7in, SimStudent her iki taraf\u0131 da i\u015faretli A say\u0131s\u0131na b\u00f6lmeyi \u00f6\u011frenir. Fakat, -x katsay\u0131s\u0131n\u0131 (-1) a\u00e7\u0131k\u00e7a temsil etmedi\u011finden, SimStudent -x'in -1x'e \u00e7evirildi\u011fini fark etmelidir ve daha sonra her iki taraf\u0131 da -1 ile b\u00f6lebilir. \u0130nsan taraf\u0131ndan \u00fcretilen model, her iki b\u00f6lme probleminin de ayn\u0131 hata oranlar\u0131na sahip olmas\u0131 gerekti\u011fini \u00f6ng\u00f6rmektedir. Asl\u0131nda, ger\u00e7ek \u00f6\u011frenciler do\u011fru hamleyi yapmada -x = 6 gibi ad\u0131mlarda -3x = 6 gibi ad\u0131mlardan daha fazla zorluk \u00e7ekerler. Ayn\u0131 Cebir veri k\u00fcmesinde, Ax = B formundaki problemler (ortalama hata oran\u0131 = 0.28), -x = A formundaki problemlerden daha kolayd\u0131r (ortalama hata oran\u0131 = 0.72). SimStudent'in b\u00f6lme problemlerini iki ayr\u0131 BB'ye ay\u0131rmas\u0131, \u00f6\u011frencilere bir Ax = B formuna kar\u015f\u0131l\u0131k gelen bir alt set ve \u00f6zel olarak -x = A formuna bir alt setten olu\u015fan iki problem alt grubunda \u00f6zel ders deste\u011fi almalar\u0131n\u0131 \u00f6nermektedir. \u00d6\u011frencilere -x'in -1x ile ayn\u0131 oldu\u011funu vurgulayan do\u011frudan \u00f6\u011fretim faydal\u0131 olabilir (Li vd., 2011).<\/p>\n

Bu \u00f6zel SimStudent BB model ke\u015ffinin yorumunun, \u00d6FA taraf\u0131ndan \u00fcretilen model ke\u015fiflerinde oldu\u011fu gibi, yeni problem t\u00fcrlerine genellenebilece\u011fini varsayd\u0131k. Yeni bir denklem \u00e7\u00f6zme veri k\u00fcmesinde (Ritter, DataShop'ta5<\/sup><\/a> Veri K\u00fcmesi 317), benzer terim problemlerini birle\u015ftirmek i\u00e7in benzer \u015fekilde a\u00e7\u0131k ve \u00f6rt\u00fck katsay\u0131l\u0131 bir ayr\u0131m\u0131n uygulan\u0131p uygulanmad\u0131\u011f\u0131n\u0131 test ettik. Ax + Bx = C formundaki ve hem A, B ve C i\u015faretli say\u0131lar (a\u00e7\u0131k-katsay\u0131l\u0131 maddeler) oldu\u011fu ve hem de A veya B'nin alg\u0131sal olarak kat-say\u0131s\u0131z (\u00f6rt\u00fck katsay\u0131l\u0131 \u00f6geler) 1 veya -1'e e\u015fit oldu\u011fu maddeler i\u00e7in performans farklar\u0131na bakt\u0131k. Bu analiz, benzer terimleri birle\u015ftiren problemler i\u00e7inde a\u00e7\u0131k katsay\u0131l\u0131 maddelerin (ortalama hata oran\u0131 = 0, 35), \u00f6rt\u00fck katsay\u0131l\u0131 maddelerden (ortalama hata oran\u0131 = 0, 45) daha kolay oldu\u011funu do\u011frulad\u0131. Bu yeni veri k\u00fcmesi sadece SimStudent'in b\u00f6l\u00fcnme problemleri \u00fczerine yapt\u0131\u011f\u0131 orijinal bulguyu \u00e7o\u011faltmakla kalmad\u0131, ayn\u0131 zamanda bulgunun ayr\u0131 bir ustal\u0131k becerisine genellendi\u011fini benzer terimleri<\/i><\/span> birle\u015ftirdi\u011fini ortaya koydu.<\/p>\n

Bir BB modelini a\u00e7\u0131k ya da \u00f6rt\u00fck katsay\u0131 formundaki benzer terim birle\u015fimleri i\u00e7in ayr\u0131 BB ler ile uygun hale getirmek, tekli benzer birle\u015ftirmeli terimler BB'sine sahip BB modeli i\u00e7in kestirimsel uygunluk hususunda b\u00fcy\u00fck bir iyile\u015fme ortaya \u00e7\u0131karmaktad\u0131r. Ayr\u0131ca hem a\u00e7\u0131k katsay\u0131l\u0131 b\u00f6lme hem de benzer terimleri birle\u015ftiren \u00f6\u011frenme e\u011frileri, BB'lerin d\u00fczg\u00fcn ve azalan hata oranlar\u0131n\u0131 yans\u0131tmas\u0131na ra\u011fmen, \u00f6rt\u00fck katsay\u0131l\u0131 b\u00f6lme ve benzer terim \u00f6gelerini birle\u015ftiren ilgili \u00f6\u011frenme e\u011frileri hem yat\u0131k hem de s\u0131f\u0131ra yak\u0131n e\u011fimlidir. Bu \u00f6\u011frencilerin \u00f6rt\u00fck katsay\u0131lar\u0131 i\u00e7eren problem ad\u0131mlarda daha fazla al\u0131\u015ft\u0131rma yapmaktan b\u00fcy\u00fck fayda sa\u011flayacaklar\u0131n\u0131 ve bunlara daha a\u00e7\u0131k bir \u015fekilde dikkat etmelerini \u00f6nermektedir. Burada yine, SimStudent BB model ke\u015ffinin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fc, a\u00e7\u0131klaman\u0131n, SimStudent'in hi\u00e7 e\u011fitilmedi\u011fi farkl\u0131 problem t\u00fcrlerine genellenmesini m\u00fcmk\u00fcn k\u0131lm\u0131\u015ft\u0131r.<\/p>\n\n

Di\u011fer \u00c7al\u0131\u015fmalarla Kar\u015f\u0131la\u015ft\u0131rma<\/h3>\n

Hem \u00d6FA hem de SimStudent, sadece tahmin do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirmeyen, ayn\u0131 zamanda kolayca yorumlanabilen ve dolay\u0131s\u0131yla a\u00e7\u0131klay\u0131c\u0131 olan bili\u015fsel model ke\u015fifleri \u00fcretme yetene\u011fine sahiptir. Bu bili\u015fsel model ke\u015fiflerinin getirdi\u011fi yorumlar\u0131n, ke\u015fiflerin yap\u0131ld\u0131\u011f\u0131 verilerde bulunmayan yeni problem t\u00fcrlerine genellendi\u011fini g\u00f6sterdik. Son olarak, topland\u0131klar\u0131ndan \u00e7ok farkl\u0131 ba\u011flamlarda bile orijinal veriler, \u00f6\u011fretimin g\u00f6zden ge\u00e7irilmesi i\u00e7in net \u00f6nerilerde bulunurlar. Bunlar\u0131n hepsi, \u00f6\u011frenme teorisi ve \u00f6\u011fretim \u00fczerinde anlaml\u0131 bir etkiye sahip olmak i\u00e7in basit\u00e7e kestirimsel do\u011frulu\u011fu iyile\u015ftirmenin \u00f6tesine ge\u00e7en a\u00e7\u0131klay\u0131c\u0131 modelleme \u00e7abalar\u0131n\u0131n en belirgin \u00f6zellikleridir.<\/p>\n

\u00d6FA gibi y\u00f6ntemlerde \"-d\u00f6ng\u00fcdeki- insan\u201d oldu\u011fu ger\u00e7e\u011fi, yani bir alan uzman\u0131n\u0131n girdisine ihtiya\u00e7 duyuluyor olmas\u0131 bir s\u0131n\u0131rl\u0131l\u0131k olarak belirtilmi\u015ftir. \u00d6FA i\u00e7in, yeni model ke\u015fifleri \u00fcretmek i\u00e7in ba\u015flang\u0131\u00e7ta bir veya daha fazla uzman taraf\u0131ndan etiketlenen bili\u015fsel modeller gerekmektedir. Bununla birlikte, bu \u201cd\u00f6ng\u00fcde insan\u201d \u00f6zelli\u011finin bunun gibi modelleme \u00e7abalar\u0131n\u0131n a\u00e7\u0131klay\u0131c\u0131 olmalar\u0131na liderlik etti\u011fini iddia ediyoruz. Bili\u015fsel modelleri ke\u015ffetme ve \/veya geli\u015ftirme s\u00fcrecini tamamen otomatikle\u015ftirmek i\u00e7in son zamanlarda \u00e7ok fazla \u00e7aba sarf edilmi\u015ftir (Gonzalez-Brenes ve Mostow, 2012; Lindsey, Khajah ve Mozer, 2014). Bu y\u00f6ntemlerin \u00f6nerece\u011fi \u00e7ok \u015fey bulunmaktad\u0131r \u00e7\u00fcnk\u00fc insan zaman\u0131na ihtiyac\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltmakta ve \u00f6ng\u00f6r\u00fcc\u00fc do\u011fruluk hususunda rekabet\u00e7i sonu\u00e7lar vermektedirler. Bununla birlikte, bu \u00e7abalar\u0131n sonu\u00e7ta ortaya \u00e7\u0131kan bili\u015fsel modeller, \u00f6\u011fretimin iyile\u015ftirilmesine g\u00f6re yorumlanmam\u0131\u015f veya harekete ge\u00e7irilmemi\u015flerdir.<\/p>\n

Ordinal SPARFA- Tag gibi \"-d\u00f6ng\u00fcdeki- insan\" bile\u015feni i\u00e7eren di\u011fer modelleme \u00e7abalar\u0131 (Lan, Studer, Waters ve Baraniuk, 2013), di\u011fer bir\u00e7ok alternatif y\u00f6ntemden \u00e7ok daha fazla yorumlanabilir bili\u015fsel modellere ula\u015ft\u0131rm\u0131\u015ft\u0131r. Her ne kadar insanlar modelleme \u00e7abalar\u0131n\u0131n bir nihai yorumunu yapmak zorunda olsalar da \u00d6FA ve Ordinal SPARFA-Tag gibi y\u00f6ntemler, insani \u00e7abay\u0131 en ba\u015ftan d\u00e2hil ederek duyarl\u0131 sonu\u00e7lar veren modeller \u00fcretme olas\u0131l\u0131\u011f\u0131n\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde art\u0131rmaktad\u0131r. Esasen, kavram etiketlerini post-hoc olarak d\u00e2hil eden \u00f6zg\u00fcn SPARFA model (Lan, Studer, Waters ve Baraniuk, 2014) ile model geli\u015ftirme s\u00fcrecinde alan-uzman konsept etiketlerini kullanan Ordinal SPARFA etiketinin kar\u015f\u0131la\u015ft\u0131r\u0131lmas\u0131 ikincinin daha yorumlanabilir bili\u015fsel modellerle sonu\u00e7land\u0131\u011f\u0131n\u0131 g\u00f6stermektedir.<\/p>\n

Yorumlanabilir bili\u015fsel modeller \u00fcretmeye y\u00f6nelik daha fazla dikkat ve \u00e7aba bize do\u011fru yolda ilerledi\u011fimizi d\u00fc\u015f\u00fcnd\u00fcrmektedir. Bununla birlikte, tart\u0131\u015ft\u0131\u011f\u0131m\u0131z gibi, uzman etiketlemesi yanl\u0131l\u0131\u011fa tabidir ve mevcut zengin e\u011fitsel veri kullanarak \u00f6\u011frenme teorisini geli\u015ftirme konusunda fazla bir \u015fey sunmaz. \u0130nsan\u0131n m\u00fcd\u00e2hilli\u011fi, yorumlanabilirli\u011fi art\u0131r\u0131rken, veri odakl\u0131 bile\u015fen, \u00f6znelli\u011fi azaltmak ve yeni ba\u015flayanlar\u0131n nas\u0131l \u00f6\u011frendi\u011fi konusundaki anlay\u0131\u015f\u0131m\u0131z\u0131 ilerletmek i\u00e7in yollar sunmaktad\u0131r. \u00d6FA gibi y\u00f6ntemler, insan\u0131n m\u00fcd\u00e2hil oldu\u011fu ve otomasyonun kendine mahsus g\u00fc\u00e7l\u00fc yanlar\u0131n\u0131 artt\u0131racak daha \u00f6ng\u00f6r\u00fcc\u00fc ve a\u00e7\u0131klay\u0131c\u0131 modeller yaratmaya y\u00f6neliktir.<\/p>\n\n

\u00d6\u011eRENC\u0130 GRUPLAMA<\/h2>\n

Giderek artmakta olan ara\u015ft\u0131rma taban\u0131, \u00f6\u011frencilere \u00f6zg\u00fc de\u011fi\u015fkenli\u011fin, e\u011fitsel verinin istatistiksel modellerde modellenmesinin, daha iyi ve tahmin edici bir kesinlik getirebilece\u011fini ve potansiyel olarak \u00f6\u011fretimi bilgilendirebilece\u011fini g\u00f6stermektedir. \u00d6\u011frencileri e\u011fitim veri k\u00fcmelerinde mevcut olan \u00f6zelliklere g\u00f6re yap\u0131lan \u00f6nceki gruplama giri\u015fimleri, K \u2013ortalamalar ve spektral k\u00fcmeleme gibi tekniklere odaklanm\u0131\u015ft\u0131r. Bu teknikler, test sonras\u0131 performans\u0131 \u00f6ng\u00f6ren \u00f6\u011frenci k\u00fcmelerini olu\u015fturmak i\u00e7in kullan\u0131lm\u0131\u015ft\u0131r (Trivedi, Pardos ve Heffernan, 2011) ve k\u00fcmeler farkl\u0131 parametrelere uydu\u011funda kestirimsel kesinlik iyile\u015ftirmeleri sunar (Pardos, Trivedi, Heffernan ve Sarkozy, 2012). Bununla birlikte, bir\u00e7ok k\u00fcmeleme tekni\u011fi, yorumlanmas\u0131 zor olan \u00f6\u011frenci gruplanmalar\u0131 ile sonu\u00e7lanma e\u011filimindedir. Yine de nihayetinde k\u00fcmelenme sonu\u00e7lar\u0131n\u0131n e\u011fitim politikas\u0131ndaki geli\u015fmelere bilgi vermesi durumunda, yorumlama (\u00f6r. \u00f6\u011fretimi farkl\u0131 \u00f6\u011frenci gruplar\u0131na uygun \u015fekilde bireyselle\u015ftirmek gibi) kritik \u00f6neme sahiptir.<\/p>\n

Son ara\u015ft\u0131rmalarda (Liu ve Koedinger, 2015), \u00f6\u011frencileri grupland\u0131rmak i\u00e7in yaln\u0131zca TFM'nin kestirimsel do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131ran de\u011fil, ayn\u0131 zamanda anlaml\u0131 \u00f6\u011frenci gruplar\u0131 olu\u015fturmaya uygun olan bir y\u00f6ntem geli\u015ftirdik. TFM'nin verilere ilk ge\u00e7i\u015f uygunlu\u011funu yaparak ve art\u0131klardaki (\u00f6ng\u00f6r\u00fclen ve ger\u00e7ek veriler aras\u0131ndaki farkl\u0131l\u0131klar) sistematik \u00f6r\u00fcnt\u00fcleri farkl\u0131 uygulama f\u0131rsatlar\u0131 \u00fczerinden inceleyerek, \u00f6\u011frencilerin tutarl\u0131 bir \u015fekilde \u00fc\u00e7 \u00f6\u011frenme oran\u0131 grubundan birine ait oldu\u011funu bulduk: 1) TFM'nin \u00f6ng\u00f6rd\u00fc\u011f\u00fcnden daha d\u00fcz \u00f6\u011frenme e\u011frileri sergileyenler, 2) daha dik \u00f6\u011frenme e\u011frileri sergileyenler ve 3) \u00f6\u011frenme e\u011frileri modelin \u00f6ng\u00f6r\u00fclerine e\u015fit olanlar. Bu gruplar\u0131n\u0131n her biri i\u00e7in \u00f6\u011frenme oranlar\u0131n\u0131 ki\u015fiselle\u015ftiren bir parametrenin tan\u0131t\u0131lmas\u0131, \u00e7oklu e\u011fitim alanlar\u0131n\u0131 kapsayan \u00e7e\u015fitli veri k\u00fcmeleri boyunca, modelin kestirimsel do\u011frulu\u011funu normal TFM'nin \u00f6tesine ge\u00e7erek \u00f6nemli \u00f6l\u00e7\u00fcde geli\u015ftirmektedir. \u00dc\u00e7 grubun her biri i\u00e7in e\u011fim parametresi tahminleri veri k\u00fcmeleri boyunca, gruplar\u0131 yorumlamam\u0131zla tutarl\u0131 olmu\u015ftur (yani, tahmin edilen grup seviyesi e\u011fimleri, d\u00fcz e\u011fri grubu i\u00e7in her zaman en d\u00fc\u015f\u00fck ve dik e\u011fri grubu i\u00e7in en y\u00fcksekti). Dahas\u0131, k\u00e2\u011f\u0131t olan \u00f6n -ve son- test verilerinin bulundu\u011fu veri k\u00fcmeleri alt grubunda \u00f6\u011frenme e\u011frisi grubu ile \u00f6n -son- testin iyile\u015fme derecesi aras\u0131nda sistematik bir ili\u015fki oldu\u011funu g\u00f6zlemledik (Liu ve Koedinger, 2015).<\/p>\n

Daha \u201ca\u015fa\u011f\u0131dan yukar\u0131ya\u201d \u015fablon \u00f6\u011frenci gruplar\u0131n\u0131n olu\u015fturulmas\u0131ndan farkl\u0131 olarak, bu y\u00f6ntem kolayca yorumlanabilir ve potansiyel olarak eyleme ge\u00e7irilebilir \u00f6\u011frenci gruplar\u0131n\u0131 ortaya \u00e7\u0131karm\u0131\u015ft\u0131r. \u00d6rne\u011fin, d\u00fcz e\u011fri \u00f6\u011frenci grubunun ya birime ba\u015flarken tavan de\u011ferde performans g\u00f6steren (ve dolay\u0131s\u0131yla \u00e7ok fazla iyile\u015ftirme ihtiyac\u0131na sahip olmayan) \u00f6\u011frencileri ya da tavan de\u011ferin alt\u0131nda herhangi bir yerden ba\u015flam\u0131\u015f ancak ilerleme konusunda zorluk \u00e7eken \u00f6\u011frencileri temsil etti\u011fi a\u00e7\u0131kt\u0131r. Her durumda, bu grupta s\u0131n\u0131fland\u0131r\u0131lm\u0131\u015f \u00f6\u011frenciler i\u00e7in net \u00f6\u011fretimsel tavsiyeler bulunmaktad\u0131r. Elde edilen modelin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fc, yine de bir miktar \u00f6n de\u011ferlendirme yapmaktan ve modeli yorumlanabilirli\u011fe y\u00f6nelik bir g\u00f6zle geli\u015ftirmekten gelmektedir.<\/p>\n\n

A\u00c7IKLAYICI MODEL\u0130N \u0130N\u015eASINA DO\u011eRU<\/h2>\n

E\u011fitsel veri madencili\u011fi \u00e7abalar\u0131n\u0131n daha a\u00e7\u0131klay\u0131c\u0131 modeller \u00fcretme konusunda yorumlanabilirli\u011fini ve uygulanabilirli\u011fini dikkate alman\u0131n \u00f6nemini savunuyoruz. Bir modelin a\u00e7\u0131klay\u0131c\u0131 olmas\u0131 i\u00e7in, modelin neden alternatiflerinden daha iyi kestirimsel do\u011fruluk elde etti\u011fini anlamak m\u00fcmk\u00fcn olmal\u0131d\u0131r. Ek olarak, bunun nedenini anlamak, \u00f6\u011frenenlerin ilgili materyalleri nas\u0131l \u00f6\u011frendiklerini anlama konusundaki anlay\u0131\u015f\u0131m\u0131z\u0131 da ilerletmeli veya e\u011fitsel iyile\u015ftirmeler i\u00e7in net etkilere sahip olmal\u0131d\u0131r. Burada a\u00e7\u0131klay\u0131c\u0131 modelleri betimleyen baz\u0131 \u00f6zelliklerin ana hatlar\u0131n\u0131 \u00e7izerek \u00f6zetlemekteyiz.<\/p>\n

A\u00e7\u0131klay\u0131c\u0131 modelleme \u00e7al\u0131\u015fmalar\u0131, basit i\u015flevleri olan veya a\u00e7\u0131k\u00e7a tan\u0131mlanm\u0131\u015f yap\u0131larla e\u015fle\u015ftirilen \u201cnet\u201d ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerle ba\u015flama e\u011filimindedir. \u00d6rne\u011fin, \u00d6FA basit b\u00f6lme, birle\u015ftirme veya i\u015fle\u00e7 eklemeyi kullanarak mevcut, uzman etiketli de\u011fi\u015fkenlerden yeni de\u011fi\u015fkenler t\u00fcretir. Ba\u015fka bir \u00f6rnek, e\u011fitimde s\u00f6zl\u00fc verilerin otomatik olarak analiz edilmesinden, otomatik kompozisyon puanlama, \u00f6\u011fretici diyalog \u00fcretme ve bilgisayar destekli i\u015fbirlikli \u00f6\u011frenmeyi i\u00e7eren bir e\u011fitsel veri madencili\u011fi dal\u0131 olarak gelmektedir. Bu alandaki en \u00f6nemli husus, ham metinlerin veya de\u015fifrelerin makina \u00f6\u011frenmesi algoritmas\u0131nda kullan\u0131labilecek \u00f6zelliklere nas\u0131l d\u00f6n\u00fc\u015ft\u00fcr\u00fclece\u011fidir. Bu konuya yakla\u015f\u0131mlar, metinde mevcut olan her bir kelimenin s\u0131kl\u0131\u011f\u0131n\u0131 sayan basit \u201cs\u00f6zc\u00fck \u00e7antas\u0131\u201d y\u00f6ntemlerinden \u00e7ok daha karma\u015f\u0131k dilbilimsel analizler aral\u0131\u011f\u0131nda de\u011fi\u015fim g\u00f6stermektedir. Bulgular aras\u0131nda tutarl\u0131l\u0131k g\u00f6steren bir tema, yorumlanabilir, teorik \u00e7er\u00e7eveler taraf\u0131ndan harekete ge\u00e7irilen \u00f6zellik temsillerinin en umut verici olanlardan oldu\u011fudur (Rose ve Tovares, bas\u0131m a\u015famas\u0131nda; Rose ve VanLehn, 2005). Bu nedenle, insana ait zaman ve d\u00fc\u015f\u00fcnceleri bu ba\u011f\u0131ms\u0131z de\u011fi\u015fkenleri tan\u0131mlamak ve etiketlemek i\u00e7in kullanmak, ortaya \u00e7\u0131kan modelin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fcn\u00fc b\u00fcy\u00fck \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n

A\u00e7\u0131klay\u0131c\u0131 modellerin en fazla hareket kabiliyeti ile ilgili olan bir di\u011fer \u00f6zelli\u011fi de ba\u011f\u0131ml\u0131 de\u011fi\u015fkenlerin iyi tan\u0131mlanm\u0131\u015f bir yap\u0131ya e\u015flenmesidir. \u00d6\u011frenme h\u0131z\u0131 gruplar\u0131 ile ilgili \u00e7al\u0131\u015fma buna bir \u00f6rnektir: \u00f6\u011frencilerin s\u0131n\u0131fland\u0131r\u0131ld\u0131\u011f\u0131 gruplar \u00f6nceden tan\u0131mland\u0131\u011f\u0131ndan, bir \u00f6\u011frencinin \u201cdik\u201d olan\u0131n aksine \u201cd\u00fcz\u201d \u00f6\u011frenme e\u011frisi grubunda olmas\u0131n\u0131n ne demek oldu\u011fu a\u00e7\u0131kt\u0131r. Bu modellenmeden elde edilen sonu\u00e7lar\u0131 kolayca eyleme ge\u00e7irir hale getirir. Ba\u011f\u0131ml\u0131 de\u011fi\u015fkenin yorumlanabilir bir yap\u0131yla iyi e\u015fle\u015ftirilme e\u011filiminde oldu\u011fu bir ba\u015fka ara\u015ft\u0131rma alan\u0131, \u00f6\u011fretici kay\u0131t g\u00fcnl\u00fc\u011f\u00fc6<\/sup><\/a> \u00f6zelliklerini kullanan etki ve motivasyon modellemesidir. Bu teknikler, \u00f6\u011fretici kay\u0131t g\u00fcnl\u00fc\u011f\u00fc veri etkinli\u011fi i\u00e7erisinde bu yap\u0131lar\u0131 tan\u0131mlayabilen \u201csaptay\u0131c\u0131lar\u201d geli\u015ftirmek ve d\u00fczeltmek i\u00e7in anketler veya uzman g\u00f6zlemleriyle \u00f6l\u00e7\u00fclen \u00f6nceden tan\u0131mlanm\u0131\u015f psikolojik veya davran\u0131\u015fsal yap\u0131lar\u0131 kullan\u0131r (\u00f6r. Winne ve Baker, 2013; San Pedro, Baker, Bowers ve Heffernan, 2013; D'Mello, Blanchard, Baker, Ocumpaugh ve Brawner, 2014). \u201cAlg\u0131layc\u0131lar\u201d \u00f6nceden belirlenmi\u015f yap\u0131lar\u0131 tan\u0131mlamak i\u00e7in \u00f6zel olarak geli\u015ftirilmi\u015ftir ve bu nedenle bu algoritmalar\u0131n sonu\u00e7lar\u0131 kolayca eyleme ge\u00e7irilebilir. \u00d6rne\u011fin, Affective AutoTutor, \u00f6\u011frencilerin kafa kar\u0131\u015f\u0131kl\u0131klar\u0131n\u0131, hayal k\u0131r\u0131kl\u0131l\u0131klar\u0131n\u0131 ve s\u0131k\u0131nt\u0131lar\u0131n\u0131 ger\u00e7ek zamanl\u0131 olarak otomatik olarak modelleyen bilgisayar okuryazarl\u0131\u011f\u0131 i\u00e7in ak\u0131ll\u0131 bir \u00f6\u011fretici sistemdir. Bu duyu\u015fsal durumlar\u0131n tespiti, \u00f6\u011fretici eylemlerini buna g\u00f6re cevap verecek \u015fekilde uyarlamak i\u00e7in kullan\u0131l\u0131r. Bu duyu\u015fsal alg\u0131lay\u0131c\u0131da \u201cd\u00f6ng\u00fcy\u00fc kapatmaya\u201d y\u00f6nelik deneysel bir \u00e7al\u0131\u015fma, Affective Auto Tutor ile etkile\u015fime giren d\u00fc\u015f\u00fck alan bilgisine sahip \u00f6\u011frencilerin i\u00e7in duyu\u015fsal olmayan bir versiyona k\u0131yasla daha y\u00fcksek \u00f6\u011frenme kazan\u00e7lar\u0131 elde edildi\u011fini g\u00f6stermi\u015ftir (D\u2019Mello vd., 2010). Ancak bu modelleme \u00e7abalar\u0131n\u0131n tam olarak a\u00e7\u0131klay\u0131c\u0131 olmas\u0131 i\u00e7in, duygusal \u00e7\u0131kt\u0131lar\u0131 y\u00fcr\u00fcten ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin yorumlanmas\u0131na da ihtiya\u00e7 vard\u0131r.<\/p>\n

Son olarak, a\u00e7\u0131klay\u0131c\u0131 modeller daha az say\u0131da tahmini parametrelerle (ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler veya \u00f6zellikler) betimlenme e\u011filimindedirler. \u00d6rne\u011fin, TFM her \u00f6\u011frenci i\u00e7in sadece bir parametre ve her bilgi bile\u015feni i\u00e7in iki parametre i\u00e7erir. \u00d6\u011frenme h\u0131z\u0131 gruplar\u0131n\u0131 eklemek, modeli yaln\u0131zca bir ek parametreyle, grup \u00fcyeli\u011fiyle geni\u015fletir. Bu da eklenen parametrenin katk\u0131s\u0131n\u0131 kolayca temel al\u0131nabilir ve yorumlanabilir yapar. Daha az parametreye sahip olmak ayr\u0131ca belirsizlik sorunlar\u0131n\u0131 hafifleterek her bir parametrenin kestirimlerinin daha a\u00e7\u0131klay\u0131c\u0131 bir g\u00fcce sahip olmas\u0131n\u0131 sa\u011flar. TFM'nin her bir BB i\u00e7in yaln\u0131zca bir zorluk parametresi ve bir \u00f6\u011frenme parametresi oldu\u011fundan, bir ki\u015finin, \u00f6rne\u011fin, bir BB'nin ya d\u00fczeltme ya da \u00f6\u011fretimsel iyile\u015ftirme gerektirdi\u011fini \u00f6ne s\u00fcren d\u00fc\u015f\u00fck bir \u00f6\u011frenme parametresi tahminini anlaml\u0131 bir \u015fekilde yorumlayabilece\u011fi s\u00f6ylenebilir.<\/p>\n

Somut ad\u0131mlar\u0131n e\u011fitsel veri modelleme u\u011fra\u015flar\u0131n\u0131n tasar\u0131m\u0131nda daha a\u00e7\u0131klay\u0131c\u0131 modellere ula\u015ft\u0131rabilece\u011fi baz\u0131 yollar g\u00f6sterdik. E\u011fitsel veri madencili\u011fi, \u00f6\u011frenme teorisi ve e\u011fitim prati\u011fi aras\u0131ndaki ili\u015fkiler, modellerin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fcne ve gelecekteki \u00f6\u011frenme sonu\u00e7lar\u0131n\u0131 etkileme yeteneklerine daha fazla \u00f6nem verilerek b\u00fcy\u00fck \u00f6l\u00e7\u00fcde g\u00fc\u00e7lendirilebilir.<\/p>\n\n

KAYNAK\u00c7A<\/h2>\nBarnes, T. (2005). The Q-matrix method: Mining student response data for knowledge. Proceedings of AAAI 2005: Educational Data Mining Workshop <\/i>(pp. 39\u201346). Technical Report WS-05-02. Menlo Park, CA: AAAI Press. http:\/\/www.aaai.org\/Library\/Workshops\/ws05-02.php <\/span>\n\nCen, H., Koedinger, K. R., & Junker, B. (2006). Learning factors analysis: A general method for cognitive model evaluation and improvement. In M. Ikeda, K. Ashlay, T.-W. Chan (Eds.), Proceedings of the 8th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2006), 26\u201330 June 2006, Jhongli, Taiwan (pp. 164\u2013175). Berlin: Springer-Verlag. <\/span>\n\nClark, R. E., Feldon, D., van Merri\u00ebnboer, J., Yates, K., & Early, S. (2008). Cognitive task analysis. In J. M. Spector, M. D. Merrill, J. van Merri\u00ebnboer, & M. P. Driscoll (Eds.), Handbook of research on educational communications and technology <\/i>(3rd ed.). Mahwah, NJ: Lawrence Erlbaum.<\/span>\n\nCorbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling & User-Adapted Interaction, 4<\/i>, 253\u2013278. <\/span>\n\nD\u2019Mello, S., Blanchard, N., Baker, R., Ocumpaugh, J., & Brawner, K. (2014). I feel your pain: A selective review of affect sensitive instructional strategies. In R. Sottilare, A. Graesser, X. Hu, & B. Goldberg (Eds.), Design recommendations for adaptive intelligent tutoring systems: Adaptive instructional strategies <\/i>(Vol. 2). Orlando, FL: US Army Research Laboratory. <\/span>\n\nD\u2019Mello, S., Lehman, B., Sullins, J., Daigle, R., Combs, R., Vogt, K., Perkins, L., & Graesser, A. (2010). A time for emoting: When affect-sensitivity is and isn\u2019t effective at promoting deep learning. In V. Aleven, J. Kay, & J. Mostow (Eds.), Proceedings of the 10th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2010), 14\u201318 June 2010, Pittsburgh, PA, USA (pp. 245\u2013254). Springer. <\/span>\n\nGonz\u00e1lez-Brenes, J. P., & Mostow, J. (2012). Dynamic cognitive tracing: Towards unified discovery of student and cognitive models. In K. Yacef, O. Za\u00efane, A. Hershkovitz, M. Yudelson, & J. Stamper (Eds.), Proceedings of the 5th International Conference on Educational Data Mining <\/i>(EDM2012), 19\u201321 June, 2012, Chania, Greece (pp. 49\u201356). International Educational Data Mining Society. <\/span>\n\nKoedinger, K. R., Baker, R. S. J. d., Cunningham, K., Skogsholm, A., Leber, B., & Stamper, J. (2010). A data repository for the EDM community: The PSLC DataShop. In C. Romero, S. Ventura, M. Pechenizkiy, & R. S. J. d. Baker (Eds.), Handbook of educational data mining<\/i>. Boca Raton, FL: CRC Press. <\/span>\n\nKoedinger, K. R., Corbett, A. T., & Perfetti, C. (2012). The knowledge-learning-instruction framework: Bridging the science-practice chasm to enhance robust student learning. Cognitive Science, 36<\/i>(5), 757\u2013798. <\/span>\n\nKoedinger, K. R., & McLaughlin, E. A. (2010). Seeing language learning inside the math: Cognitive analysis yields transfer. In S. Ohlsson & R. Catrambone (Eds.), Proceedings of the 32nd Annual Conference of the Cognitive Science Society <\/i>(CogSci 2010), 11\u201314 August 2010, Portland, OR, USA (pp. 471\u2013476). Austin, TX: Cognitive Science Society. <\/span>\n\nKoedinger, K. R., McLaughlin, E. A., & Stamper, J. C. (2012). Automated cognitive model improvement. In K. Yacef, O. Za\u00efane, A. Hershkovitz, M. Yudelson, & J. Stamper (Eds.), Proceedings of the 5th International Conference on Educational Data Mining <\/i>(EDM2012), 19\u201321 June, 2012, Chania, Greece (pp. 17\u201324). International Educational Data Mining Society. <\/span>\n\nKoedinger, K. R., & Nathan, M. J. (2004). The real story behind story problems: Effects of representations on quantitative reasoning. The Journal of the Learning Sciences, 13<\/i>(2), 129\u2013164. <\/span>\n\nKoedinger, K. R., Stamper, J. C., McLaughlin, E. A., & Nixon, T. (2013). Using data-driven discovery of better cognitive models to improve student learning. In H. C. Lane, K. Yacef, J. Mostow, & P. Pavlik (Eds.), Proceedings of the 16th International Conference on Artificial Intelligence in Education <\/i>(AIED\u201913), 9\u201313 July 2013, Memphis, TN, USA (pp. 421\u2013430). Springer. <\/span>\n\nLan, A. S., Studer, C., Waters, A. E., & Baraniuk, R. G. (2013). Tag-aware ordinal sparse factor analysis for learning and content analytics. In S. K. D\u2019Mello, R. A. Calvo, & A. Olney (Eds.), Proceedings of the 6th International Conference on Educational Data Mining <\/i>(EDM2013), 6\u20139 July, Memphis, TN, USA (pp. 90\u201397). International Educational Data Mining Society\/Springer. <\/span>\n\nLan, A. S., Studer, C., Waters, A. E., & Baraniuk, R. G. (2014). Sparse factor analysis for learning and content analytics. Journal of Machine Learning Research, 15<\/i>, 1959\u20132008. <\/span>\n\nLi, N., Cohen, W., Koedinger, K. R., & Matsuda, N. (2011). A machine learning approach for automatic student model discovery. In M. Pechenizkiy et al. (Eds.), Proceedings of the 4th International Conference on Education Data Mining <\/i>(EDM2011), 6\u20138 July 11, Eindhoven, Netherlands (pp. 31\u201340). International Educational Data Mining Society. <\/span>\n\nLi, N., Matsuda, N., Cohen, W. W., & Koedinger, K. R. (2015). Integrating representation learning and skill learning in a human-like intelligent agent. Artificial Intelligence, 219<\/i>, 67\u201391. <\/span>\n\nLindsey, R. V., Khajah, M., & Mozer, M. C. (2014). Automatic discovery of cognitive skills to improve the prediction of student learning. In Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence, & K. Q. Weinberge (Eds.), Advances in Neural Information Processing Systems, 27<\/i>, 1386\u20131394. La Jolla, CA: Curran Associates Inc.<\/span>\n\nLiu, R., & Koedinger, K. R. (submitted). Closing the loop: Automated data-driven skill model discoveries lead to improved instruction and learning gains. Journal of Educational Data Mining<\/i>. <\/span>\n\nLiu, R., & Koedinger, K. R. (2015). Variations in learning rate: Student classification based on systematic residual error patterns across practice opportunities. In O. C. Santos, J. G. Boticario, C. Romero, M. Pechenizkiy, A. Merceron, P. Mitros, J. M. Luna, C. Mihaescu, P. Moreno, A. Hershkovitz, S. Ventura, & M. Desmarais (Eds.), Proceedings of the 8th International Conference on Education Data Mining <\/i>(EDM2015), 26\u201329 June 2015, Madrid, Spain (pp. 420\u2013423). International Educational Data Mining Society. <\/span>\n\nLiu, R., Koedinger, K. R., & McLaughlin, E. A. (2014). Interpreting model discovery and testing generalization to a new dataset. In J. Stamper, Z. Pardos, M. Mavrikis, & B. M. McLaren (Eds.), Proceedings of the 7th International Conference on Educational Data Mining <\/i>(EDM2014), 4\u20137 July, London, UK (pp. 107\u2013113). International Educational Data Mining Society. <\/span>\n\nMacLellan, C. J., Harpstead, E., Patel, R., & Koedinger, K. R. (2016). The apprentice learner architecture: Closing the loop between learning theory and educational data. In T. Barnes, M. Chi, & M. Feng (Eds.), Proceedings of the 9th International Conference on Educational Data Mining <\/i>(EDM2016), 29 June\u20132 July 2016, Raleigh, NC, USA (pp. 151\u2013158). International Educational Data Mining Society. <\/span>\n\nNathan, M. J., Koedinger, K. R., & Alibali, M. W. (2001). Expert blind spot: When content knowledge eclipses pedagogical content knowledge. In L. Chen et al. (Eds.), Proceedings of the 3rd International Conference on Cognitive Science <\/i>(pp. 644\u2013648). Beijing, China: USTC Press. http:\/\/pact.cs.cmu.edu\/pubs\/2001_NathanEtAl_ICCS_EBS.pdf <\/span>\n\nNewell, A., & Simon, H. A. (1972). Human problem solving<\/i>. Englewood Cliffs, NJ: Prentice-Hall. <\/span>\n\nPardos, Z. A., Trivedi, S., Heffernan, N. T., & S\u00e1rk\u00f6zy, G. N. (2012). Clustered knowledge tracing. S. A. Cerri, W. J. Clancey, G. Papadourakis, K.-K. Panourgia (Eds.), Proceedings of the 11th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2012), 14\u201318 June 2012, Chania, Greece (pp. 405\u2013410). Springer. <\/span>\n\nRos\u00e9, C. P., & Tovares, A. (in press). What sociolinguistics and machine learning have to say to one another about interaction analysis. In L. Resnick, C. Asterhan, & S. Clarke (Eds.), Socializing intelligence through academic talk and dialogue<\/i>. Washington, DC: American Educational Research Association. <\/span>\n\nRos\u00e9, C. P, & VanLehn, K. (2005). An evaluation of a hybrid language understanding approach for robust selection of tutoring goals. International Journal of Artificial Intelligence in Education, 15<\/i>, 325\u2013355. <\/span>\n\nSan Pedro, M., Baker, R. S., Bowers, A. J., & Heffernan, N. T. (2013). Predicting college enrollment from student interaction with an intelligent tutoring system in middle school. In S. K. D\u2019Mello, R. A. Calvo, & A. Olney (Eds.), Proceedings of the 6th International Conference on Educational Data Mining <\/i>(EDM2013), 6\u20139 July, Memphis, TN, USA (pp. 177\u2013184). International Educational Data Mining Society\/Springer. <\/span>\n\nShmueli, G. (2010). To explain or to predict? Statistical Science, 25<\/i>(3), 289\u2013310. doi:10.1214\/10-STS330 <\/span>\n\nStamper, J., & Koedinger, K. R. (2011). Human-machine student model discovery and improvement using data. Proceedings of the 15th International Conference on Artificial Intelligence in Education <\/i>(AIED\u201911), 28 June\u20132 July, Auckland, New Zealand (pp. 353\u2013360). Springer. <\/span>\n\nTrivedi, S., Pardos, Z. A., & Heffernan, N. T. (2011). Clustering students to generate an ensemble to improve standard test score predictions. Proceedings of the 15th International Conference on Artificial Intelligence in Education <\/i>(AIED\u201911), 28 June\u20132 July, Auckland, New Zealand (pp. 377\u2013384). Springer. <\/span>\n\nVanLehn, K. (2006). The behavior of tutoring systems. International Journal of Artificial Intelligence in Education, 16<\/i>, 227\u2013265. <\/span>\n\n
\n\n
\n\n1<\/a> http:\/\/pslcdatashop.org<\/span><\/span>\n\n<\/div>\n
\n\n2<\/a> Geometry Area 1996\u20131997: https:\/\/pslcdatashop.web.cmu.edu\/<\/span> DatasetInfo?datasetId=76<\/span>\n\n<\/div>\n
\n\n3<\/a> HS geometrisi \u00f6\u011frenme motivasyonu 2012 (geo\u2013pa): https:\/\/pslc\u2013datashop.web.cmu.edu\/DatasetInfo?datasetId=748<\/span>\n\n<\/div>\n
\n\n4<\/a> Cebir kavramlar\u0131n daha iyi kodlanmas\u0131 yoluyla denklem \u00e7\u00f6zme becerisinin geli\u015ftirilmesi (2006\u20132008):<\/span>https:\/\/pslcdatashop.web.cmu.edu\/ DatasetInfo?datasetId=293<\/span><\/span>\n\n<\/div>\n
\n\n5<\/a> Cebir<\/span> (Denklem \u00c7\u00f6zme Birim) 2007-2008: https:\/\/pslc - datashop.web.cmu.edu\/DatasetInfo?datasetId=317<\/span>\n\n<\/div>\n
\n\n6<\/a> orj. Log data<\/span>\n\n<\/div>\n","rendered":"

Ran Liu, Kenneth R. Koedinger<\/span><\/span><\/p>\n

Bilgisayar Bilimleri Fak\u00fcltesi, Carnegie Mellon \u00dcniversitesi, ABD<\/span><\/span><\/p>\n

DOI: 10.18608\/hla17.006<\/span><\/span><\/p>\n

\u00d6Z<\/h2>\n

E\u011fitsel verilerin istatistiksel modellemesinde yakla\u015f\u0131mlar amac\u0131n bir \u00f6ng\u00f6r\u00fc ya da a\u00e7\u0131klay\u0131c\u0131 bir model olu\u015fturmak olup olmamas\u0131na ba\u011fl\u0131 olarak de\u011fi\u015fir. Kestirimci modeller, sonu\u00e7lar\u0131 en iyi tahmin edebilecek \u00f6zelliklerin bir kombinasyonunu bulmay\u0131 ama\u00e7lamaktad\u0131r; tipik olarak, tutulan verileri tahmin etmedeki do\u011fruluklar\u0131yla de\u011ferlendirilirler. A\u00e7\u0131klay\u0131c\u0131 modeller, sonu\u00e7larla nedensel olarak ili\u015fkili olan yorumlanabilir yap\u0131lar\u0131 tan\u0131mlamaya \u00e7al\u0131\u015f\u0131r. E\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131n\u0131n b\u00fcy\u00fck \u00e7o\u011funlu\u011fu tahminde do\u011fruluk elde etmeye odaklanm\u0131\u015ft\u0131r ancak biz a\u00e7\u0131klay\u0131c\u0131 modeller geli\u015ftirmeye daha fazla odaklanman\u0131n alana fayda sa\u011flayabilece\u011fini iddia ediyoruz. A\u00e7\u0131klay\u0131c\u0131 modeller \u00fcreten ve \u00f6\u011frenme \u00e7\u0131kt\u0131lar\u0131nda ve \/ veya \u00f6\u011frenme teorisinde geli\u015fmelere yol a\u00e7an e\u011fitsel veri madencili\u011fi \u00e7al\u0131\u015fmalar\u0131 \u00f6rneklerini g\u00f6zden ge\u00e7iriyoruz. A\u00e7\u0131klay\u0131c\u0131 modellerin, yorumlanabilir yap\u0131lara e\u015fle\u015ftirilen parametrelere sahip olmak, genel olarak daha az parametreye sahip olmak ve model geli\u015ftirme s\u00fcrecinin ba\u015flar\u0131nda insanlar taraf\u0131ndan girilen bilgileri d\u00e2hil etmek gibi ortak \u00f6zelliklerinden baz\u0131lar\u0131n\u0131 \u00f6zetliyoruz.<\/span><\/p>\n

Anahtar Kelimeler<\/span>:(EVM) A\u00e7\u0131klay\u0131c\u0131 modeller, modeli yorumlama, e\u011fitsel veri madencili\u011fi, d\u00f6ng\u00fcy\u00fc kapatmak, bili\u015fsel modeller<\/span><\/p>\n

E\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131n\u0131n b\u00fcy\u00fck \u00e7o\u011funlu\u011funda modeller, tahmin do\u011frulu\u011funa g\u00f6re de\u011ferlendirilir. \u00c7o\u011fu zaman bu, modelin bir dizi \u00f6\u011frenci cevaplar\u0131n\u0131n sonu\u00e7lar\u0131ndaki ba\u015far\u0131lar\u0131 ve ba\u015far\u0131s\u0131zl\u0131klar\u0131 do\u011fru bir \u015fekilde \u00f6ng\u00f6rme yetene\u011fini de\u011ferlendirme \u015feklini al\u0131r. Daha az yayg\u0131n olarak, modellerin ge\u00e7erli\u011fi sontest sonu\u00e7lar\u0131n\u0131 (\u00f6r. Corbett ve Anderson, 1995) veya \u00f6ntest-sontest kazanc\u0131n\u0131 (\u00f6r. Liu ve Koedinger, 2015) tahmin etme yeteneklerine g\u00f6re belirlenebilir. A\u00e7\u0131klay\u0131c\u0131 modeller, sonu\u00e7larla nedensel olarak ili\u015fkili olan yorumlanabilir yap\u0131lar\u0131 tan\u0131mlamaya \u00e7al\u0131\u015f\u0131r (Shmueli, 2010). Bunu yaparken verilerin mevcut teoriye ba\u011flanabilecek bir a\u00e7\u0131klamas\u0131n\u0131 sa\u011flarlar. Odak noktas\u0131, bir modelin iyi uyma nedeninden ziyade modelin neden verilere iyi uydu\u011fudur. Genellikle, a\u00e7\u0131klay\u0131c\u0131 modeller verilerin teori, pratik veya her ikisi i\u00e7in de sonu\u00e7lar\u0131 olan yorumunu sa\u011flarlar. Burada a\u00e7\u0131klay\u0131c\u0131 modeller \u00fcreten ve dolay\u0131s\u0131yla \u00f6\u011frenme \u00e7\u0131kt\u0131lar\u0131nda ve \/ veya \u00f6\u011frenme teorisinde geli\u015fmelere yol a\u00e7an e\u011fitsel veri madencili\u011fi \u00e7al\u0131\u015fma \u00f6rneklerini g\u00f6zden ge\u00e7iriyoruz.<\/p>\n

E\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde iki model t\u00fcr\u00fcn\u00fcn geli\u015ftirilmesine odaklanm\u0131\u015ft\u0131r: istatistiksel model ve bili\u015fsel model. \u0130statistiksel modeller, \u00f6\u011frencilerin performanslar\u0131n\u0131 \u00f6\u011frendik\u00e7e g\u00f6zlemlenebilir \u00f6zelliklerine dayanarak ak\u0131ll\u0131 \u00f6\u011fretici sistemlerinin d\u0131\u015f d\u00f6ng\u00fcs\u00fcn\u00fc y\u00f6nlendirir (VanLehn, 2006) . Bili\u015fsel modeller, belirli bir e\u011fitsel alan\u0131n\u0131n belli ba\u015fl\u0131 bir bilgi alan\u0131n\u0131 temsil eder (ger\u00e7ekler, kavramlar, beceriler, vb.). Burada incelenen ara\u015ft\u0131rmalar\u0131n \u00e7o\u011funlu\u011fu bili\u015fsel model geli\u015ftirme ve ke\u015ffi ile ilgilidir. Ayr\u0131ca e\u011fitsel veri madencili\u011fi ara\u015ft\u0131rmalar\u0131n\u0131n \u00fcretti\u011fi bili\u015fsel model ke\u015fif alan\u0131 d\u0131\u015f\u0131ndaki di\u011fer a\u00e7\u0131klay\u0131c\u0131 model \u00f6rneklerini de k\u0131saca g\u00f6zden ge\u00e7iriyoruz.<\/p>\n

B\u0130L\u0130\u015eSEL MODEL KE\u015eF\u0130<\/h2>\n

Bili\u015fsel modeller, bilgi bile\u015fenlerini (yani kavramlar, beceriler ve olgular; Koedinger, Corbett ve Perfetti, 2012), \u00f6\u011frenci performans\u0131n\u0131n g\u00f6zlenebilece\u011fi problem ad\u0131mlar\u0131na veya g\u00f6revlerine e\u015fler. Bu e\u015fleme, \u00f6\u011frencilerin farkl\u0131 problem ad\u0131mlar\u0131ndaki g\u00f6zlemlenebilir performanslar\u0131na dayanarak mevcut bilgileri hakk\u0131nda \u00e7\u0131kar\u0131mlar yap\u0131lmas\u0131 i\u00e7in istatistiksel modellere bir yol sa\u011flar. Bu nedenle, bili\u015fsel modeller ak\u0131ll\u0131 \u00f6\u011freticilerin \u00f6\u011fretim tasar\u0131m\u0131 i\u00e7in \u00f6nemli bir dayanakt\u0131r ve \u00f6\u011frenme ile bilginin do\u011fru de\u011ferlendirilmesi i\u00e7in \u00f6nemlidir. Daha iyi bili\u015fsel modeller, \u00f6\u011frencinin ne bildi\u011fi hakk\u0131nda daha iyi kestirimler yap\u0131lmas\u0131n\u0131 sa\u011flayarak uyarlanabilir \u00f6\u011frenmenin daha verimli \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. Bili\u015fsel modeller in\u015fa etmenin geleneksel yollar\u0131 (Clark, Feldon, van Merrienboer, Yates ve Early, 2008) yap\u0131land\u0131r\u0131lm\u0131\u015f g\u00f6r\u00fc\u015fmeler, sesli d\u00fc\u015f\u00fcnme protokolleri, rasyonel analiz ve alan uzmanlar\u0131 taraf\u0131ndan etiketlenmeyi i\u00e7erir. Bununla birlikte bu y\u00f6ntemler genellikle insanlar\u0131n bilgi girmesini gerektirdi\u011finden zaman al\u0131c\u0131d\u0131r. Bunlar ayr\u0131ca \u00f6zneldirler ve \u00f6nceki ara\u015ft\u0131rmalar (Nathan, Koedinger ve Alibali, 2001; Koedinger ve McLaughlin, 2010) uzman m\u00fchendisler taraf\u0131ndan geli\u015ftirilen bili\u015fsel modellerin genellikle ba\u015flang\u0131\u00e7 seviyesindeki \u00f6\u011frenenler i\u00e7in \u00f6nemli olan i\u00e7erik ayr\u0131mlar\u0131n\u0131 g\u00f6z ard\u0131 etti\u011fini g\u00f6stermi\u015ftir. Burada, insan taraf\u0131nda yap\u0131lan bilgi giri\u015fleri \u00fczerindeki y\u00fck\u00fc azalt\u0131rken, uzman yanl\u0131l\u0131\u011f\u0131n\u0131 azaltan veriye dayal\u0131 tekniklere dayanan bili\u015fsel modelleri ke\u015ffetme ve iyile\u015ftirme \u00e7abalar\u0131n\u0131n \u00fc\u00e7 \u00f6rne\u011fini g\u00f6zden ge\u00e7iriyoruz.<\/p>\n

Burada tarif edilen \u00e7al\u0131\u015fmalar istatistiksel modelleme amac\u0131yla varsay\u0131msal bilgi bile\u015fenlerinden olu\u015fan bili\u015fsel bir modelin sadele\u015fmi\u015f halini kullan\u0131r. Bir bilgi bile\u015feni (BB), belirli bir g\u00f6rev veya problem basama\u011f\u0131nda ba\u015far\u0131l\u0131 olmak i\u00e7in gereken bir olgu, kavram veya beceridir. Bili\u015fsel bir modelin bu uzmanl\u0131k bi\u00e7imini BB modeli veya alternatif olarak bir Q matrisi olarak adland\u0131r\u0131yoruz (Barnes, 2005). Veriye dayal\u0131 bili\u015fsel model ke\u015fiflerinin yorday\u0131c\u0131 uygunlu\u011funu de\u011ferlendirmek i\u00e7in kulland\u0131\u011f\u0131m\u0131z istatistiksel model, toplamsal fakt\u00f6r modeli (TFM; Cen, Koedinger ve Junker, 2006) olarak adland\u0131r\u0131lan ve \u00f6\u011frenme etkilerine uyum sa\u011flamak i\u00e7in madde-tepki teorisinin bir genellemesi olan lojistik regresyon modelidir.<\/p>\n

Veri-G\u00fcd\u00fcml\u00fc Bili\u015fsel Model Geli\u015ftirme<\/h3>\n

Zorluk fakt\u00f6rleri de\u011ferlendirmesi (ZFD; \u00f6rne\u011fin, Koedinger ve Nathan, 2004) tan\u0131mlanm\u0131\u015f bir g\u00f6revin problemli unsurlar\u0131n\u0131 belirlemek i\u00e7in veri g\u00fcd\u00fcml\u00fc bir bilgi ayr\u0131\u015ft\u0131rma s\u00fcreci kullanarak uzman \u00f6nsezilerinin \u00f6tesine ge\u00e7er. Ba\u015fka bir deyi\u015fle, bir g\u00f6rev onunla yak\u0131ndan ili\u015fkili bir g\u00f6revden \u00e7ok daha zor oldu\u011funda, aralar\u0131ndaki fark zor olan i\u015fin daha kolay olanda bulunmayan bir bilgiyi gerektirmesidir. Stamper ve Koedinger (2011) bili\u015fsel model geli\u015fimlerini belirlemek ve do\u011frulamak i\u00e7in DataShop\u2019ta1<\/sup><\/a> (Koedinger vd., 2010) serbest\u00e7e eri\u015filebilen e\u011fitsel veriler ve yerle\u015fik g\u00f6rselle\u015ftirme ara\u00e7lar\u0131yla birlikte ZFD’yi kullanan bir y\u00f6ntem a\u00e7\u0131klam\u0131\u015flard\u0131r. Bili\u015fsel model geli\u015ftirme y\u00f6ntemi, a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 takip eder: 1) verilen bir BB modeli i\u00e7in \u00f6\u011frenme e\u011frisi g\u00f6rselle\u015ftirmelerini ve uygun TFM katsay\u0131s\u0131 tahminlerini incelemek, 2) problemli BB’leri tan\u0131mlamak ve BB modelindeki de\u011fi\u015fikliklere dair varsay\u0131mlarda bulunmak, 3) TFM’yi g\u00f6zden ge\u00e7irilmi\u015f BB modeline yeniden uygun hale getirmek ve yeni modelin verilere daha uygun olup olmad\u0131\u011f\u0131n\u0131 ara\u015ft\u0131rmak.<\/p>\n

Geometri veri k\u00fcmesinin (Koedinger, DataShop2<\/sup><\/a>taki Dataset 76 ) g\u00f6rselle\u015ftirmelerinin el ile yap\u0131lan incelemesinde, mevcut olan en iyi BB modelinde potansiyel iyile\u015fmeler tespit edildi (Stamper ve Koedinger, 2011). Bu modeldeki BB’lerin \u00e7o\u011fu, hata oranlar\u0131nda tutarl\u0131 bir d\u00fc\u015f\u00fc\u015f ile nispeten d\u00fczg\u00fcn \u00f6\u011frenme e\u011frileri sergilemi\u015ftir. Toplama ile yap\u0131lan<\/i><\/span> orijinal modeldeki bir BB, hata oranlar\u0131nda b\u00fcy\u00fck art\u0131\u015flarla birlikte belirli f\u0131rsat say\u0131mlar\u0131nda \u00f6zellikle karma\u015f\u0131k bir e\u011fri sergiledi. Ek olarak BB i\u00e7in toplama ile yap\u0131lan<\/i><\/span> TFM parametresi tahminleri, belirgin bir \u00f6\u011frenme olmad\u0131\u011f\u0131n\u0131 ortaya koymu\u015ftur (performans tavan de\u011ferde oldu\u011fu i\u00e7in de\u011fil ve e\u011fim parametresi tahmini s\u0131f\u0131ra \u00e7ok yak\u0131nd\u0131). \u0130ni\u015fli \u00e7\u0131k\u0131\u015fl\u0131 bir \u00f6\u011frenme e\u011frisi ve d\u00fc\u015f\u00fck e\u011fim tahmini, k\u00f6t\u00fc tan\u0131mlanm\u0131\u015f bir BB’nin belirtileridir. K\u00f6t\u00fc tan\u0131mlanm\u0131\u015f bir BB’nin yayg\u0131n sebeplerinden biri, kurucu \u00f6gelerinin baz\u0131lar\u0131n\u0131n, di\u011fer \u00f6gelerin gerektirmedi\u011fi baz\u0131 bilgi taleplerini istemesidir. Ba\u015fka bir deyi\u015fle, orijinal BB ger\u00e7ekten iki farkl\u0131 BB’ye b\u00f6l\u00fcnmelidir. BB modelini geli\u015ftirmek i\u00e7in, t\u00fcm toplama ile yap\u0131lan <\/i><\/span>problem ad\u0131mlar\u0131 incelenmi\u015f ve belirli ad\u0131mlarda gerekli olabilecek ek bilgiler hakk\u0131nda varsay\u0131mda bulunmak i\u00e7in alan uzmanl\u0131\u011f\u0131 uygulanm\u0131\u015ft\u0131r. Sonu\u00e7 olarak, toplama ile yap\u0131lan<\/i><\/span> BB \u00fc\u00e7 ayr\u0131 BB’ye b\u00f6l\u00fcnd\u00fc ve daha \u00f6nce toplama ile yap\u0131lan<\/i><\/span> BB ile etiketlenmi\u015f 20 ad\u0131m\u0131n her biri buna g\u00f6re yeniden etiketlendi. G\u00f6zden ge\u00e7irilmi\u015f model, daha d\u00fczg\u00fcn \u00f6\u011frenme e\u011frileriyle sonu\u00e7lanm\u0131\u015ft\u0131r ve TFM ile uyumlu oldu\u011funda, \u00f6\u011frenci performans\u0131n\u0131n orijinal BB modelinden \u00e7ok daha iyi bir \u015fekilde tahmin edilmesini sa\u011flam\u0131\u015ft\u0131r. Her ne kadar bu BB modelinin geli\u015ftirilmesine, istatistiksel bir modele uydurulmas\u0131ndan kaynaklanan g\u00f6rselle\u015ftirmeler e\u015flik etse de ger\u00e7ek geli\u015fmeler el ile \u00fcretilmi\u015ftir ve bu nedenle kolayca yorumlanabilir.<\/p>\n

Ke\u015ffedilen BB modelindeki geli\u015fmelerin, \u00f6\u011fretimi yeniden d\u00fczenleme konusunda a\u00e7\u0131k sonu\u00e7lar sunmu\u015ftur. Koedinger, Stamper, McLaughlin ve Nixon (2013), Geometri Alan \u00f6\u011fretici \u00fcnitesinin g\u00f6zden ge\u00e7irilmi\u015f bir versiyonunu olu\u015fturmak i\u00e7in veri odakl\u0131 BB model iyile\u015ftirmelerini kullanm\u0131\u015flard\u0131r. D\u00fczeltmeler, bilgi izlemede de\u011fi\u015fikliklere ve yeni becerilerin hedeflenmesi i\u00e7in yeni g\u00f6revlerin yarat\u0131lmas\u0131na neden olacak yeni ke\u015ffedilen becerilerin BB modeline uyarlanabilir \u00f6\u011frenmeyi y\u00f6nlendirmesini de i\u00e7ermekteydi. Bir A\/B deneyinde, \u00f6\u011frencilerin yar\u0131s\u0131 g\u00f6zden ge\u00e7irilmi\u015f ak\u0131ll\u0131 \u00f6\u011fretici birimini, di\u011fer yar\u0131s\u0131 ise orijinal ak\u0131ll\u0131 \u00f6\u011fretici birimi tamamlam\u0131\u015ft\u0131r. G\u00f6zden ge\u00e7irilmi\u015f ak\u0131ll\u0131 \u00f6\u011freticiyi kullanan \u00f6\u011frenciler, daha verimli bir \u015fekilde tam \u00f6\u011frenmeye ula\u015fm\u0131\u015f ve \u00f6n -son- test \u00f6ncesi becerilere dayanarak BB modelinin hedefledi\u011fi becerileri daha iyi \u00f6\u011frenmi\u015flerdir (Koedinger vd., 2013). Bulgular, veri g\u00fcd\u00fcml\u00fc ZFD tekni\u011finin \u00f6\u011fretimsel de\u011fi\u015fikliklere ve daha iyi \u00f6\u011frenmeye neden olabilecek a\u00e7\u0131klay\u0131c\u0131 BB model d\u00fczeltmeleri \u00fcretmeye yard\u0131mc\u0131 oldu\u011funu g\u00f6stermektedir.<\/p>\n

\u00d6\u011frenme Fakt\u00f6rleri Analizi<\/h3>\n

\u00d6\u011frenme fakt\u00f6rleri analizi (\u00d6FA; Cen vd., 2006) BB model d\u00fczeltmelerinin veri temelli bir y\u00f6ntemi sonras\u0131nda insan zaman\u0131na olan talepleri hafifletmek amac\u0131yla geli\u015ftirilmi\u015ftir. \u00d6FA, mevcut farkl\u0131 BB modellerinden \u00e7\u0131kart\u0131lan varsay\u0131msal bilgi bile\u015fenlerini ara\u015ft\u0131r\u0131r, verilere uygunluklar\u0131na g\u00f6re farkl\u0131 modelleri de\u011ferlendirir ve sembolik bir model bi\u00e7imindeki en uygun BB modelini \u00e7\u0131kar\u0131r. Bu nedenle, \u00d6FA, otomatik olmasa da yorum yapma y\u00fck\u00fcn\u00fc e\u015fzamanl\u0131 olarak kolayla\u015ft\u0131r\u0131rken, insan eme\u011fine olan talepleri b\u00fcy\u00fck \u00f6l\u00e7\u00fcde azalt\u0131r.<\/p>\n

T\u00fcm\u00fc DataShop’dan kamuya a\u00e7\u0131k olarak eri\u015filebilir olacak \u015fekilde \u00d6FA ara\u015ft\u0131rma s\u00fcrecini farkl\u0131 alanlar ve farkl\u0131 e\u011fitim teknolojilerini kapsayan 11 veri k\u00fcmesinde uygulad\u0131k. T\u00fcm 11 veri k\u00fcmesinde bu otomatik bulma i\u015flemi, BB modellerinin veriye uygunlu\u011funu mevcut insanlar taraf\u0131ndan en iyi bi\u00e7imde etiketlenmi\u015f BB modellerinden daha fazla iyile\u015ftirmi\u015ftir (Koedinger, McLaughlin ve Stamper, 2012). Hepsinden \u00f6nemlisi, \u00f6rnek bir veri k\u00fcmesinde (Koedinger, DataShop’ta Dataset 76) \u00d6FA taraf\u0131ndan ke\u015ffedilen en iyi model taraf\u0131ndan yap\u0131lan belirli iyile\u015ftirmeler i\u00e7in yorumlanabilir bir a\u00e7\u0131klama sunduk. En uygun \u00d6FA modeli ile en uygun insan etiketli model aras\u0131ndaki el ile yap\u0131lan bir BB modeli kar\u015f\u0131la\u015ft\u0131rmas\u0131, insan etiketli modelde tek bir “daire alan\u0131” BB olarak grupland\u0131r\u0131lm\u0131\u015f iken, \u00d6FA modelinin ileri (yani, yar\u0131\u00e7ap\u0131 verilen alan\u0131 bulun) ve geriye do\u011fru (yani, alan\u0131 verilen yar\u0131\u00e7ap\u0131 bulmak) dairenin alan\u0131 problemleri i\u00e7in ayr\u0131 BB’ler etiketledi\u011fini g\u00f6stermi\u015ftir. Dikd\u00f6rtgen, \u00fc\u00e7gen ve paralel kenarlar gibi di\u011fer \u015fekiller i\u00e7in modeller aras\u0131nda b\u00f6yle bir fark bulunmam\u0131\u015ft\u0131r. Otomatikle\u015ftirilmi\u015f bulguyu yorumlamak i\u00e7in etki alan\u0131 uzmanl\u0131\u011f\u0131 uygulayarak, \u00d6FA\u2019n\u0131n model iyile\u015ftirmesinin, ileriye d\u00f6n\u00fck daire-alan problemleri i\u00e7in veya di\u011fer \u015fekillerin geriye d\u00f6n\u00fck alan problemleri i\u00e7in gerekli olmayan ve geriye d\u00f6n\u00fck \u00e7ember alan problemlerinde karek\u00f6k i\u015fleminin ne zaman ve nas\u0131l uygulanaca\u011f\u0131n\u0131 bilmenin zorlu\u011funu yakalad\u0131\u011f\u0131 varsay\u0131m\u0131nda bulunduk.<\/p>\n

Daha sonra bu yorumlaman\u0131n d\u0131\u015f ge\u00e7erlili\u011fini, ke\u015fiflerin yap\u0131ld\u0131\u011f\u0131 veri k\u00fcmesinin \u00f6tesinde de\u011ferlendirdik. Yeni bir veri k\u00fcmesinde (DataShop3<\/sup><\/a>‘daki Bernacki, Dataset 748), ke\u015fif i\u00e7in kullan\u0131landan farkl\u0131 bir yap\u0131ya sahip olan karek\u00f6k zorlu\u011funun varl\u0131\u011f\u0131n\u0131 de\u011ferlendirdik (Liu, Koedinger ve McLaughlin, 2014). Di\u011fer farkl\u0131l\u0131klar aras\u0131nda, yeni bir veri k\u00fcmesi daha fazla geriye do\u011fru daire alan problemlerini ve daha da \u00f6nemlisi, ileri (yani uzunlu\u011fu verilen alan bulmak) ve geriye do\u011fru (yani, alan verildi\u011finde yan uzunlu\u011fu bulmak) kare alan<\/i><\/span> problemlerini bulmay\u0131 i\u00e7eriyordu. Bu kare alan problemleri, \u00d6FA taraf\u0131ndan olu\u015fturulan bulu\u015flar\u0131n yap\u0131ld\u0131\u011f\u0131 orijinal veri k\u00fcmesinde mevcut de\u011fildi. Ke\u015ffe ili\u015fkin yorumumuzu uygulayarak, geri ad\u0131mlar\u0131n karek\u00f6k hesaplamas\u0131n\u0131 gerektirmedi\u011fi \u015fekiller i\u00e7in de\u011fil (\u00fc\u00e7genler, dikd\u00f6rtgenler, paralel kenarlar) yaln\u0131zca gerektirdi\u011fi \u015fekiller i\u00e7in (kare, daire) ileri ve geri ay\u0131rma BB etiketlerini ayr\u0131 ayr\u0131 etiketleyen bir BB modeli in\u015fa ettik. TFM ile birlikte kullan\u0131ld\u0131\u011f\u0131nda, bu BB modeli, uzman etiketli birka\u00e7 kontrol BB modeline k\u0131yasla yeni veri k\u00fcmesine en iyi uyumu sa\u011flad\u0131.<\/p>\n

Yeni veri k\u00fcmesi, BB modelinin ke\u015ffi ile ilgili farkl\u0131l\u0131klar da d\u00e2hil olmak \u00fczere orijinal veri k\u00fcmesinden farkl\u0131 bir yap\u0131ya sahip oldu\u011fu i\u00e7in (yani geriye do\u011fru kare alan problemlerinin varl\u0131\u011f\u0131), bu konuda do\u011frudan \u00d6FA taraf\u0131ndan ke\u015ffedilen BB modelini uygulamak uygun olmazd\u0131. Ayn\u0131 olmayan yap\u0131lara sahip ba\u011flamlardaki ke\u015fiflerin genellenebilirli\u011fini test etmek i\u00e7in yorumlama gereklidir. Ayr\u0131ca yorumlar, sonraki t\u00fcm veri ara\u015ft\u0131rmalar\u0131n\u0131 ve analizlerini, daha sonra \u00f6\u011fretim tasar\u0131m\u0131nda somut geli\u015fmelere \u00e7evrilebilecek anlaml\u0131 bir \u015feye ba\u011flamaya yard\u0131mc\u0131 olur. Mevcut ara\u015ft\u0131rmalar\u0131m\u0131z, geli\u015ftirilen BB modeli etraf\u0131nda yeniden tasarlanan bir ak\u0131ll\u0131 \u00f6\u011fretici sonucu olu\u015fan \u00f6\u011frenme \u00e7\u0131kt\u0131lar\u0131n\u0131 de\u011ferlendirerek, \u00d6FA taraf\u0131ndan olu\u015fturulan bu ke\u015fifte \u201cd\u00f6ng\u00fcy\u00fc kapatmaktad\u0131r\u201d (Liu ve Koedinger, sundu).<\/p>\n

SimStudent Kullanarak Otomatikle\u015ftirilmi\u015f Bili\u015fsel Model Ke\u015ffi<\/h3>\n

Otomatikle\u015ftirilmi\u015f alternatif bir yakla\u015f\u0131m, bili\u015fsel modelleri mevcut olanlara ihtiya\u00e7 duymadan otomatik olarak ke\u015ffetmek i\u00e7in son teknoloji \u00fcr\u00fcn\u00fc bir makine \u00f6\u011frenme arac\u0131 olan SimStudent’i kullanmaktad\u0131r. SimStudent, \u00f6rnek sorunlar\u0131 \u00e7\u00f6zen bir ak\u0131ll\u0131 \u00f6\u011freticiyi g\u00f6zlemleyerek, sorunlar\u0131 kendi ba\u015f\u0131na \u00e7\u00f6zerek ve geri bildirim alarak, bilgileri kurallar bi\u00e7iminde t\u00fcmevar\u0131msal olarak \u00f6\u011frenen ak\u0131ll\u0131 bir ara\u00e7t\u0131r. (Li, Matsuda, Cohen ve Koedinger, 2015). SimStudent’in avantajlar\u0131ndan biri, yeni ba\u015flayan alan uzmanlar\u0131n\u0131n bile fark\u0131nda olamayacaklar\u0131 \u00f6\u011frenme y\u00f6r\u00fcngelerinin \u00f6zelliklerini taklit edebilmesidir. Bir dersi alan ger\u00e7ek \u00f6\u011frenciler, genellikle alana \u00f6zg\u00fc belirli bir \u00f6n bilgiye sahip de\u011fildir, bu nedenle ger\u00e7ek\u00e7i bir insan \u00f6\u011frenme modeli bu bilginin verildi\u011fini varsaymamal\u0131d\u0131r. Ek olarak, SimStudent, hangisinin insan davran\u0131\u015f\u0131n\u0131 en iyi tahmin etti\u011fini g\u00f6rmek amac\u0131yla alternatif insan \u00f6\u011frenme modellerini test etmek i\u00e7in kullan\u0131labilir (MacLellan, Harpstead, Patel ve Koedinger, 2016). \u00c7e\u015fitli etki alanlar\u0131n\u0131 kapsayan birka\u00e7 veri k\u00fcmesi i\u00e7in SimStudent, verilere insan taraf\u0131ndan \u00fcretilen en iyi bili\u015fsel modellerden daha iyi uyan bili\u015fsel modeller \u00fcretmi\u015ftir. (Li vd., 2011; MacLellan vd., 2016).<\/p>\n

SimStudent \u00f6\u011frenmesinin \u00e7\u0131kt\u0131s\u0131, \u00fcretim kurallar\u0131 bi\u00e7imini al\u0131r (Newell ve Simon, 1972) ve her \u00fcretim kural\u0131, esas olarak, bir BB modelinde bir bilgi bile\u015fenine (BB) kar\u015f\u0131l\u0131k gelir. Bir cebir veri k\u00fcmesindeki verileri kullanma (Booth ve Ritter, DataShop4<\/sup><\/a>‘ta Veri K\u00fcmesi 293) ve TFM ile birlikte Li ve meslekta\u015flar\u0131 (2011), SimStudent taraf\u0131ndan olu\u015fturulan bir BB modelini, ger\u00e7ek \u00f6\u011frencilerin ak\u0131ll\u0131 \u00f6\u011fretici i\u00e7indeki eylemlerini elle kodlayarak olu\u015fturulan bir BB modeliyle kar\u015f\u0131la\u015ft\u0131rd\u0131lar. SimStudent taraf\u0131ndan \u00fcretilen model, ger\u00e7ek \u00f6\u011frenci performans\u0131 verilerine, insan taraf\u0131ndan \u00fcretilen modelden daha uygun bulundu. SimStudent taraf\u0131ndan \u00fcretilen model, ger\u00e7ek \u00f6\u011frenci performans\u0131 verilerine, insan taraf\u0131ndan \u00fcretilen modelden daha uygun.<\/p>\n

Daha da \u00f6nemlisi, SimStudent modeli ile insan taraf\u0131ndan \u00fcretilen model aras\u0131ndaki farklar\u0131 incelemek, SimStudent modelinin avantajlar\u0131n\u0131 a\u00e7\u0131klayan yorumlanabilir \u00f6zellikler ortaya koymu\u015ftur. B\u00f6yle bir fark\u0131n bir \u00f6rne\u011fi SimStudent’in hem A hem de B nin i\u015fareti olan say\u0131lar oldu\u011fu Ax = B formundaki b\u00f6lme tabanl\u0131 cebir problemleri i\u00e7in ve yaln\u0131zca A n\u0131n i\u015faretli say\u0131 oldu\u011fu -x=A formu i\u00e7in farkl\u0131 \u00fcretim kurallar\u0131 (BB’ler) olu\u015fturmas\u0131d\u0131r. Ax = B’yi \u00e7\u00f6zmek i\u00e7in, SimStudent her iki taraf\u0131 da i\u015faretli A say\u0131s\u0131na b\u00f6lmeyi \u00f6\u011frenir. Fakat, -x katsay\u0131s\u0131n\u0131 (-1) a\u00e7\u0131k\u00e7a temsil etmedi\u011finden, SimStudent -x’in -1x’e \u00e7evirildi\u011fini fark etmelidir ve daha sonra her iki taraf\u0131 da -1 ile b\u00f6lebilir. \u0130nsan taraf\u0131ndan \u00fcretilen model, her iki b\u00f6lme probleminin de ayn\u0131 hata oranlar\u0131na sahip olmas\u0131 gerekti\u011fini \u00f6ng\u00f6rmektedir. Asl\u0131nda, ger\u00e7ek \u00f6\u011frenciler do\u011fru hamleyi yapmada -x = 6 gibi ad\u0131mlarda -3x = 6 gibi ad\u0131mlardan daha fazla zorluk \u00e7ekerler. Ayn\u0131 Cebir veri k\u00fcmesinde, Ax = B formundaki problemler (ortalama hata oran\u0131 = 0.28), -x = A formundaki problemlerden daha kolayd\u0131r (ortalama hata oran\u0131 = 0.72). SimStudent’in b\u00f6lme problemlerini iki ayr\u0131 BB’ye ay\u0131rmas\u0131, \u00f6\u011frencilere bir Ax = B formuna kar\u015f\u0131l\u0131k gelen bir alt set ve \u00f6zel olarak -x = A formuna bir alt setten olu\u015fan iki problem alt grubunda \u00f6zel ders deste\u011fi almalar\u0131n\u0131 \u00f6nermektedir. \u00d6\u011frencilere -x’in -1x ile ayn\u0131 oldu\u011funu vurgulayan do\u011frudan \u00f6\u011fretim faydal\u0131 olabilir (Li vd., 2011).<\/p>\n

Bu \u00f6zel SimStudent BB model ke\u015ffinin yorumunun, \u00d6FA taraf\u0131ndan \u00fcretilen model ke\u015fiflerinde oldu\u011fu gibi, yeni problem t\u00fcrlerine genellenebilece\u011fini varsayd\u0131k. Yeni bir denklem \u00e7\u00f6zme veri k\u00fcmesinde (Ritter, DataShop’ta5<\/sup><\/a> Veri K\u00fcmesi 317), benzer terim problemlerini birle\u015ftirmek i\u00e7in benzer \u015fekilde a\u00e7\u0131k ve \u00f6rt\u00fck katsay\u0131l\u0131 bir ayr\u0131m\u0131n uygulan\u0131p uygulanmad\u0131\u011f\u0131n\u0131 test ettik. Ax + Bx = C formundaki ve hem A, B ve C i\u015faretli say\u0131lar (a\u00e7\u0131k-katsay\u0131l\u0131 maddeler) oldu\u011fu ve hem de A veya B’nin alg\u0131sal olarak kat-say\u0131s\u0131z (\u00f6rt\u00fck katsay\u0131l\u0131 \u00f6geler) 1 veya -1’e e\u015fit oldu\u011fu maddeler i\u00e7in performans farklar\u0131na bakt\u0131k. Bu analiz, benzer terimleri birle\u015ftiren problemler i\u00e7inde a\u00e7\u0131k katsay\u0131l\u0131 maddelerin (ortalama hata oran\u0131 = 0, 35), \u00f6rt\u00fck katsay\u0131l\u0131 maddelerden (ortalama hata oran\u0131 = 0, 45) daha kolay oldu\u011funu do\u011frulad\u0131. Bu yeni veri k\u00fcmesi sadece SimStudent’in b\u00f6l\u00fcnme problemleri \u00fczerine yapt\u0131\u011f\u0131 orijinal bulguyu \u00e7o\u011faltmakla kalmad\u0131, ayn\u0131 zamanda bulgunun ayr\u0131 bir ustal\u0131k becerisine genellendi\u011fini benzer terimleri<\/i><\/span> birle\u015ftirdi\u011fini ortaya koydu.<\/p>\n

Bir BB modelini a\u00e7\u0131k ya da \u00f6rt\u00fck katsay\u0131 formundaki benzer terim birle\u015fimleri i\u00e7in ayr\u0131 BB ler ile uygun hale getirmek, tekli benzer birle\u015ftirmeli terimler BB’sine sahip BB modeli i\u00e7in kestirimsel uygunluk hususunda b\u00fcy\u00fck bir iyile\u015fme ortaya \u00e7\u0131karmaktad\u0131r. Ayr\u0131ca hem a\u00e7\u0131k katsay\u0131l\u0131 b\u00f6lme hem de benzer terimleri birle\u015ftiren \u00f6\u011frenme e\u011frileri, BB’lerin d\u00fczg\u00fcn ve azalan hata oranlar\u0131n\u0131 yans\u0131tmas\u0131na ra\u011fmen, \u00f6rt\u00fck katsay\u0131l\u0131 b\u00f6lme ve benzer terim \u00f6gelerini birle\u015ftiren ilgili \u00f6\u011frenme e\u011frileri hem yat\u0131k hem de s\u0131f\u0131ra yak\u0131n e\u011fimlidir. Bu \u00f6\u011frencilerin \u00f6rt\u00fck katsay\u0131lar\u0131 i\u00e7eren problem ad\u0131mlarda daha fazla al\u0131\u015ft\u0131rma yapmaktan b\u00fcy\u00fck fayda sa\u011flayacaklar\u0131n\u0131 ve bunlara daha a\u00e7\u0131k bir \u015fekilde dikkat etmelerini \u00f6nermektedir. Burada yine, SimStudent BB model ke\u015ffinin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fc, a\u00e7\u0131klaman\u0131n, SimStudent’in hi\u00e7 e\u011fitilmedi\u011fi farkl\u0131 problem t\u00fcrlerine genellenmesini m\u00fcmk\u00fcn k\u0131lm\u0131\u015ft\u0131r.<\/p>\n

Di\u011fer \u00c7al\u0131\u015fmalarla Kar\u015f\u0131la\u015ft\u0131rma<\/h3>\n

Hem \u00d6FA hem de SimStudent, sadece tahmin do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirmeyen, ayn\u0131 zamanda kolayca yorumlanabilen ve dolay\u0131s\u0131yla a\u00e7\u0131klay\u0131c\u0131 olan bili\u015fsel model ke\u015fifleri \u00fcretme yetene\u011fine sahiptir. Bu bili\u015fsel model ke\u015fiflerinin getirdi\u011fi yorumlar\u0131n, ke\u015fiflerin yap\u0131ld\u0131\u011f\u0131 verilerde bulunmayan yeni problem t\u00fcrlerine genellendi\u011fini g\u00f6sterdik. Son olarak, topland\u0131klar\u0131ndan \u00e7ok farkl\u0131 ba\u011flamlarda bile orijinal veriler, \u00f6\u011fretimin g\u00f6zden ge\u00e7irilmesi i\u00e7in net \u00f6nerilerde bulunurlar. Bunlar\u0131n hepsi, \u00f6\u011frenme teorisi ve \u00f6\u011fretim \u00fczerinde anlaml\u0131 bir etkiye sahip olmak i\u00e7in basit\u00e7e kestirimsel do\u011frulu\u011fu iyile\u015ftirmenin \u00f6tesine ge\u00e7en a\u00e7\u0131klay\u0131c\u0131 modelleme \u00e7abalar\u0131n\u0131n en belirgin \u00f6zellikleridir.<\/p>\n

\u00d6FA gibi y\u00f6ntemlerde “-d\u00f6ng\u00fcdeki- insan\u201d oldu\u011fu ger\u00e7e\u011fi, yani bir alan uzman\u0131n\u0131n girdisine ihtiya\u00e7 duyuluyor olmas\u0131 bir s\u0131n\u0131rl\u0131l\u0131k olarak belirtilmi\u015ftir. \u00d6FA i\u00e7in, yeni model ke\u015fifleri \u00fcretmek i\u00e7in ba\u015flang\u0131\u00e7ta bir veya daha fazla uzman taraf\u0131ndan etiketlenen bili\u015fsel modeller gerekmektedir. Bununla birlikte, bu \u201cd\u00f6ng\u00fcde insan\u201d \u00f6zelli\u011finin bunun gibi modelleme \u00e7abalar\u0131n\u0131n a\u00e7\u0131klay\u0131c\u0131 olmalar\u0131na liderlik etti\u011fini iddia ediyoruz. Bili\u015fsel modelleri ke\u015ffetme ve \/veya geli\u015ftirme s\u00fcrecini tamamen otomatikle\u015ftirmek i\u00e7in son zamanlarda \u00e7ok fazla \u00e7aba sarf edilmi\u015ftir (Gonzalez-Brenes ve Mostow, 2012; Lindsey, Khajah ve Mozer, 2014). Bu y\u00f6ntemlerin \u00f6nerece\u011fi \u00e7ok \u015fey bulunmaktad\u0131r \u00e7\u00fcnk\u00fc insan zaman\u0131na ihtiyac\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltmakta ve \u00f6ng\u00f6r\u00fcc\u00fc do\u011fruluk hususunda rekabet\u00e7i sonu\u00e7lar vermektedirler. Bununla birlikte, bu \u00e7abalar\u0131n sonu\u00e7ta ortaya \u00e7\u0131kan bili\u015fsel modeller, \u00f6\u011fretimin iyile\u015ftirilmesine g\u00f6re yorumlanmam\u0131\u015f veya harekete ge\u00e7irilmemi\u015flerdir.<\/p>\n

Ordinal SPARFA- Tag gibi “-d\u00f6ng\u00fcdeki- insan” bile\u015feni i\u00e7eren di\u011fer modelleme \u00e7abalar\u0131 (Lan, Studer, Waters ve Baraniuk, 2013), di\u011fer bir\u00e7ok alternatif y\u00f6ntemden \u00e7ok daha fazla yorumlanabilir bili\u015fsel modellere ula\u015ft\u0131rm\u0131\u015ft\u0131r. Her ne kadar insanlar modelleme \u00e7abalar\u0131n\u0131n bir nihai yorumunu yapmak zorunda olsalar da \u00d6FA ve Ordinal SPARFA-Tag gibi y\u00f6ntemler, insani \u00e7abay\u0131 en ba\u015ftan d\u00e2hil ederek duyarl\u0131 sonu\u00e7lar veren modeller \u00fcretme olas\u0131l\u0131\u011f\u0131n\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde art\u0131rmaktad\u0131r. Esasen, kavram etiketlerini post-hoc olarak d\u00e2hil eden \u00f6zg\u00fcn SPARFA model (Lan, Studer, Waters ve Baraniuk, 2014) ile model geli\u015ftirme s\u00fcrecinde alan-uzman konsept etiketlerini kullanan Ordinal SPARFA etiketinin kar\u015f\u0131la\u015ft\u0131r\u0131lmas\u0131 ikincinin daha yorumlanabilir bili\u015fsel modellerle sonu\u00e7land\u0131\u011f\u0131n\u0131 g\u00f6stermektedir.<\/p>\n

Yorumlanabilir bili\u015fsel modeller \u00fcretmeye y\u00f6nelik daha fazla dikkat ve \u00e7aba bize do\u011fru yolda ilerledi\u011fimizi d\u00fc\u015f\u00fcnd\u00fcrmektedir. Bununla birlikte, tart\u0131\u015ft\u0131\u011f\u0131m\u0131z gibi, uzman etiketlemesi yanl\u0131l\u0131\u011fa tabidir ve mevcut zengin e\u011fitsel veri kullanarak \u00f6\u011frenme teorisini geli\u015ftirme konusunda fazla bir \u015fey sunmaz. \u0130nsan\u0131n m\u00fcd\u00e2hilli\u011fi, yorumlanabilirli\u011fi art\u0131r\u0131rken, veri odakl\u0131 bile\u015fen, \u00f6znelli\u011fi azaltmak ve yeni ba\u015flayanlar\u0131n nas\u0131l \u00f6\u011frendi\u011fi konusundaki anlay\u0131\u015f\u0131m\u0131z\u0131 ilerletmek i\u00e7in yollar sunmaktad\u0131r. \u00d6FA gibi y\u00f6ntemler, insan\u0131n m\u00fcd\u00e2hil oldu\u011fu ve otomasyonun kendine mahsus g\u00fc\u00e7l\u00fc yanlar\u0131n\u0131 artt\u0131racak daha \u00f6ng\u00f6r\u00fcc\u00fc ve a\u00e7\u0131klay\u0131c\u0131 modeller yaratmaya y\u00f6neliktir.<\/p>\n

\u00d6\u011eRENC\u0130 GRUPLAMA<\/h2>\n

Giderek artmakta olan ara\u015ft\u0131rma taban\u0131, \u00f6\u011frencilere \u00f6zg\u00fc de\u011fi\u015fkenli\u011fin, e\u011fitsel verinin istatistiksel modellerde modellenmesinin, daha iyi ve tahmin edici bir kesinlik getirebilece\u011fini ve potansiyel olarak \u00f6\u011fretimi bilgilendirebilece\u011fini g\u00f6stermektedir. \u00d6\u011frencileri e\u011fitim veri k\u00fcmelerinde mevcut olan \u00f6zelliklere g\u00f6re yap\u0131lan \u00f6nceki gruplama giri\u015fimleri, K \u2013ortalamalar ve spektral k\u00fcmeleme gibi tekniklere odaklanm\u0131\u015ft\u0131r. Bu teknikler, test sonras\u0131 performans\u0131 \u00f6ng\u00f6ren \u00f6\u011frenci k\u00fcmelerini olu\u015fturmak i\u00e7in kullan\u0131lm\u0131\u015ft\u0131r (Trivedi, Pardos ve Heffernan, 2011) ve k\u00fcmeler farkl\u0131 parametrelere uydu\u011funda kestirimsel kesinlik iyile\u015ftirmeleri sunar (Pardos, Trivedi, Heffernan ve Sarkozy, 2012). Bununla birlikte, bir\u00e7ok k\u00fcmeleme tekni\u011fi, yorumlanmas\u0131 zor olan \u00f6\u011frenci gruplanmalar\u0131 ile sonu\u00e7lanma e\u011filimindedir. Yine de nihayetinde k\u00fcmelenme sonu\u00e7lar\u0131n\u0131n e\u011fitim politikas\u0131ndaki geli\u015fmelere bilgi vermesi durumunda, yorumlama (\u00f6r. \u00f6\u011fretimi farkl\u0131 \u00f6\u011frenci gruplar\u0131na uygun \u015fekilde bireyselle\u015ftirmek gibi) kritik \u00f6neme sahiptir.<\/p>\n

Son ara\u015ft\u0131rmalarda (Liu ve Koedinger, 2015), \u00f6\u011frencileri grupland\u0131rmak i\u00e7in yaln\u0131zca TFM’nin kestirimsel do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131ran de\u011fil, ayn\u0131 zamanda anlaml\u0131 \u00f6\u011frenci gruplar\u0131 olu\u015fturmaya uygun olan bir y\u00f6ntem geli\u015ftirdik. TFM’nin verilere ilk ge\u00e7i\u015f uygunlu\u011funu yaparak ve art\u0131klardaki (\u00f6ng\u00f6r\u00fclen ve ger\u00e7ek veriler aras\u0131ndaki farkl\u0131l\u0131klar) sistematik \u00f6r\u00fcnt\u00fcleri farkl\u0131 uygulama f\u0131rsatlar\u0131 \u00fczerinden inceleyerek, \u00f6\u011frencilerin tutarl\u0131 bir \u015fekilde \u00fc\u00e7 \u00f6\u011frenme oran\u0131 grubundan birine ait oldu\u011funu bulduk: 1) TFM’nin \u00f6ng\u00f6rd\u00fc\u011f\u00fcnden daha d\u00fcz \u00f6\u011frenme e\u011frileri sergileyenler, 2) daha dik \u00f6\u011frenme e\u011frileri sergileyenler ve 3) \u00f6\u011frenme e\u011frileri modelin \u00f6ng\u00f6r\u00fclerine e\u015fit olanlar. Bu gruplar\u0131n\u0131n her biri i\u00e7in \u00f6\u011frenme oranlar\u0131n\u0131 ki\u015fiselle\u015ftiren bir parametrenin tan\u0131t\u0131lmas\u0131, \u00e7oklu e\u011fitim alanlar\u0131n\u0131 kapsayan \u00e7e\u015fitli veri k\u00fcmeleri boyunca, modelin kestirimsel do\u011frulu\u011funu normal TFM’nin \u00f6tesine ge\u00e7erek \u00f6nemli \u00f6l\u00e7\u00fcde geli\u015ftirmektedir. \u00dc\u00e7 grubun her biri i\u00e7in e\u011fim parametresi tahminleri veri k\u00fcmeleri boyunca, gruplar\u0131 yorumlamam\u0131zla tutarl\u0131 olmu\u015ftur (yani, tahmin edilen grup seviyesi e\u011fimleri, d\u00fcz e\u011fri grubu i\u00e7in her zaman en d\u00fc\u015f\u00fck ve dik e\u011fri grubu i\u00e7in en y\u00fcksekti). Dahas\u0131, k\u00e2\u011f\u0131t olan \u00f6n -ve son- test verilerinin bulundu\u011fu veri k\u00fcmeleri alt grubunda \u00f6\u011frenme e\u011frisi grubu ile \u00f6n -son- testin iyile\u015fme derecesi aras\u0131nda sistematik bir ili\u015fki oldu\u011funu g\u00f6zlemledik (Liu ve Koedinger, 2015).<\/p>\n

Daha \u201ca\u015fa\u011f\u0131dan yukar\u0131ya\u201d \u015fablon \u00f6\u011frenci gruplar\u0131n\u0131n olu\u015fturulmas\u0131ndan farkl\u0131 olarak, bu y\u00f6ntem kolayca yorumlanabilir ve potansiyel olarak eyleme ge\u00e7irilebilir \u00f6\u011frenci gruplar\u0131n\u0131 ortaya \u00e7\u0131karm\u0131\u015ft\u0131r. \u00d6rne\u011fin, d\u00fcz e\u011fri \u00f6\u011frenci grubunun ya birime ba\u015flarken tavan de\u011ferde performans g\u00f6steren (ve dolay\u0131s\u0131yla \u00e7ok fazla iyile\u015ftirme ihtiyac\u0131na sahip olmayan) \u00f6\u011frencileri ya da tavan de\u011ferin alt\u0131nda herhangi bir yerden ba\u015flam\u0131\u015f ancak ilerleme konusunda zorluk \u00e7eken \u00f6\u011frencileri temsil etti\u011fi a\u00e7\u0131kt\u0131r. Her durumda, bu grupta s\u0131n\u0131fland\u0131r\u0131lm\u0131\u015f \u00f6\u011frenciler i\u00e7in net \u00f6\u011fretimsel tavsiyeler bulunmaktad\u0131r. Elde edilen modelin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fc, yine de bir miktar \u00f6n de\u011ferlendirme yapmaktan ve modeli yorumlanabilirli\u011fe y\u00f6nelik bir g\u00f6zle geli\u015ftirmekten gelmektedir.<\/p>\n

A\u00c7IKLAYICI MODEL\u0130N \u0130N\u015eASINA DO\u011eRU<\/h2>\n

E\u011fitsel veri madencili\u011fi \u00e7abalar\u0131n\u0131n daha a\u00e7\u0131klay\u0131c\u0131 modeller \u00fcretme konusunda yorumlanabilirli\u011fini ve uygulanabilirli\u011fini dikkate alman\u0131n \u00f6nemini savunuyoruz. Bir modelin a\u00e7\u0131klay\u0131c\u0131 olmas\u0131 i\u00e7in, modelin neden alternatiflerinden daha iyi kestirimsel do\u011fruluk elde etti\u011fini anlamak m\u00fcmk\u00fcn olmal\u0131d\u0131r. Ek olarak, bunun nedenini anlamak, \u00f6\u011frenenlerin ilgili materyalleri nas\u0131l \u00f6\u011frendiklerini anlama konusundaki anlay\u0131\u015f\u0131m\u0131z\u0131 da ilerletmeli veya e\u011fitsel iyile\u015ftirmeler i\u00e7in net etkilere sahip olmal\u0131d\u0131r. Burada a\u00e7\u0131klay\u0131c\u0131 modelleri betimleyen baz\u0131 \u00f6zelliklerin ana hatlar\u0131n\u0131 \u00e7izerek \u00f6zetlemekteyiz.<\/p>\n

A\u00e7\u0131klay\u0131c\u0131 modelleme \u00e7al\u0131\u015fmalar\u0131, basit i\u015flevleri olan veya a\u00e7\u0131k\u00e7a tan\u0131mlanm\u0131\u015f yap\u0131larla e\u015fle\u015ftirilen \u201cnet\u201d ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerle ba\u015flama e\u011filimindedir. \u00d6rne\u011fin, \u00d6FA basit b\u00f6lme, birle\u015ftirme veya i\u015fle\u00e7 eklemeyi kullanarak mevcut, uzman etiketli de\u011fi\u015fkenlerden yeni de\u011fi\u015fkenler t\u00fcretir. Ba\u015fka bir \u00f6rnek, e\u011fitimde s\u00f6zl\u00fc verilerin otomatik olarak analiz edilmesinden, otomatik kompozisyon puanlama, \u00f6\u011fretici diyalog \u00fcretme ve bilgisayar destekli i\u015fbirlikli \u00f6\u011frenmeyi i\u00e7eren bir e\u011fitsel veri madencili\u011fi dal\u0131 olarak gelmektedir. Bu alandaki en \u00f6nemli husus, ham metinlerin veya de\u015fifrelerin makina \u00f6\u011frenmesi algoritmas\u0131nda kullan\u0131labilecek \u00f6zelliklere nas\u0131l d\u00f6n\u00fc\u015ft\u00fcr\u00fclece\u011fidir. Bu konuya yakla\u015f\u0131mlar, metinde mevcut olan her bir kelimenin s\u0131kl\u0131\u011f\u0131n\u0131 sayan basit \u201cs\u00f6zc\u00fck \u00e7antas\u0131\u201d y\u00f6ntemlerinden \u00e7ok daha karma\u015f\u0131k dilbilimsel analizler aral\u0131\u011f\u0131nda de\u011fi\u015fim g\u00f6stermektedir. Bulgular aras\u0131nda tutarl\u0131l\u0131k g\u00f6steren bir tema, yorumlanabilir, teorik \u00e7er\u00e7eveler taraf\u0131ndan harekete ge\u00e7irilen \u00f6zellik temsillerinin en umut verici olanlardan oldu\u011fudur (Rose ve Tovares, bas\u0131m a\u015famas\u0131nda; Rose ve VanLehn, 2005). Bu nedenle, insana ait zaman ve d\u00fc\u015f\u00fcnceleri bu ba\u011f\u0131ms\u0131z de\u011fi\u015fkenleri tan\u0131mlamak ve etiketlemek i\u00e7in kullanmak, ortaya \u00e7\u0131kan modelin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fcn\u00fc b\u00fcy\u00fck \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n

A\u00e7\u0131klay\u0131c\u0131 modellerin en fazla hareket kabiliyeti ile ilgili olan bir di\u011fer \u00f6zelli\u011fi de ba\u011f\u0131ml\u0131 de\u011fi\u015fkenlerin iyi tan\u0131mlanm\u0131\u015f bir yap\u0131ya e\u015flenmesidir. \u00d6\u011frenme h\u0131z\u0131 gruplar\u0131 ile ilgili \u00e7al\u0131\u015fma buna bir \u00f6rnektir: \u00f6\u011frencilerin s\u0131n\u0131fland\u0131r\u0131ld\u0131\u011f\u0131 gruplar \u00f6nceden tan\u0131mland\u0131\u011f\u0131ndan, bir \u00f6\u011frencinin \u201cdik\u201d olan\u0131n aksine \u201cd\u00fcz\u201d \u00f6\u011frenme e\u011frisi grubunda olmas\u0131n\u0131n ne demek oldu\u011fu a\u00e7\u0131kt\u0131r. Bu modellenmeden elde edilen sonu\u00e7lar\u0131 kolayca eyleme ge\u00e7irir hale getirir. Ba\u011f\u0131ml\u0131 de\u011fi\u015fkenin yorumlanabilir bir yap\u0131yla iyi e\u015fle\u015ftirilme e\u011filiminde oldu\u011fu bir ba\u015fka ara\u015ft\u0131rma alan\u0131, \u00f6\u011fretici kay\u0131t g\u00fcnl\u00fc\u011f\u00fc6<\/sup><\/a> \u00f6zelliklerini kullanan etki ve motivasyon modellemesidir. Bu teknikler, \u00f6\u011fretici kay\u0131t g\u00fcnl\u00fc\u011f\u00fc veri etkinli\u011fi i\u00e7erisinde bu yap\u0131lar\u0131 tan\u0131mlayabilen \u201csaptay\u0131c\u0131lar\u201d geli\u015ftirmek ve d\u00fczeltmek i\u00e7in anketler veya uzman g\u00f6zlemleriyle \u00f6l\u00e7\u00fclen \u00f6nceden tan\u0131mlanm\u0131\u015f psikolojik veya davran\u0131\u015fsal yap\u0131lar\u0131 kullan\u0131r (\u00f6r. Winne ve Baker, 2013; San Pedro, Baker, Bowers ve Heffernan, 2013; D’Mello, Blanchard, Baker, Ocumpaugh ve Brawner, 2014). \u201cAlg\u0131layc\u0131lar\u201d \u00f6nceden belirlenmi\u015f yap\u0131lar\u0131 tan\u0131mlamak i\u00e7in \u00f6zel olarak geli\u015ftirilmi\u015ftir ve bu nedenle bu algoritmalar\u0131n sonu\u00e7lar\u0131 kolayca eyleme ge\u00e7irilebilir. \u00d6rne\u011fin, Affective AutoTutor, \u00f6\u011frencilerin kafa kar\u0131\u015f\u0131kl\u0131klar\u0131n\u0131, hayal k\u0131r\u0131kl\u0131l\u0131klar\u0131n\u0131 ve s\u0131k\u0131nt\u0131lar\u0131n\u0131 ger\u00e7ek zamanl\u0131 olarak otomatik olarak modelleyen bilgisayar okuryazarl\u0131\u011f\u0131 i\u00e7in ak\u0131ll\u0131 bir \u00f6\u011fretici sistemdir. Bu duyu\u015fsal durumlar\u0131n tespiti, \u00f6\u011fretici eylemlerini buna g\u00f6re cevap verecek \u015fekilde uyarlamak i\u00e7in kullan\u0131l\u0131r. Bu duyu\u015fsal alg\u0131lay\u0131c\u0131da \u201cd\u00f6ng\u00fcy\u00fc kapatmaya\u201d y\u00f6nelik deneysel bir \u00e7al\u0131\u015fma, Affective Auto Tutor ile etkile\u015fime giren d\u00fc\u015f\u00fck alan bilgisine sahip \u00f6\u011frencilerin i\u00e7in duyu\u015fsal olmayan bir versiyona k\u0131yasla daha y\u00fcksek \u00f6\u011frenme kazan\u00e7lar\u0131 elde edildi\u011fini g\u00f6stermi\u015ftir (D\u2019Mello vd., 2010). Ancak bu modelleme \u00e7abalar\u0131n\u0131n tam olarak a\u00e7\u0131klay\u0131c\u0131 olmas\u0131 i\u00e7in, duygusal \u00e7\u0131kt\u0131lar\u0131 y\u00fcr\u00fcten ba\u011f\u0131ms\u0131z de\u011fi\u015fkenlerin yorumlanmas\u0131na da ihtiya\u00e7 vard\u0131r.<\/p>\n

Son olarak, a\u00e7\u0131klay\u0131c\u0131 modeller daha az say\u0131da tahmini parametrelerle (ba\u011f\u0131ms\u0131z de\u011fi\u015fkenler veya \u00f6zellikler) betimlenme e\u011filimindedirler. \u00d6rne\u011fin, TFM her \u00f6\u011frenci i\u00e7in sadece bir parametre ve her bilgi bile\u015feni i\u00e7in iki parametre i\u00e7erir. \u00d6\u011frenme h\u0131z\u0131 gruplar\u0131n\u0131 eklemek, modeli yaln\u0131zca bir ek parametreyle, grup \u00fcyeli\u011fiyle geni\u015fletir. Bu da eklenen parametrenin katk\u0131s\u0131n\u0131 kolayca temel al\u0131nabilir ve yorumlanabilir yapar. Daha az parametreye sahip olmak ayr\u0131ca belirsizlik sorunlar\u0131n\u0131 hafifleterek her bir parametrenin kestirimlerinin daha a\u00e7\u0131klay\u0131c\u0131 bir g\u00fcce sahip olmas\u0131n\u0131 sa\u011flar. TFM’nin her bir BB i\u00e7in yaln\u0131zca bir zorluk parametresi ve bir \u00f6\u011frenme parametresi oldu\u011fundan, bir ki\u015finin, \u00f6rne\u011fin, bir BB’nin ya d\u00fczeltme ya da \u00f6\u011fretimsel iyile\u015ftirme gerektirdi\u011fini \u00f6ne s\u00fcren d\u00fc\u015f\u00fck bir \u00f6\u011frenme parametresi tahminini anlaml\u0131 bir \u015fekilde yorumlayabilece\u011fi s\u00f6ylenebilir.<\/p>\n

Somut ad\u0131mlar\u0131n e\u011fitsel veri modelleme u\u011fra\u015flar\u0131n\u0131n tasar\u0131m\u0131nda daha a\u00e7\u0131klay\u0131c\u0131 modellere ula\u015ft\u0131rabilece\u011fi baz\u0131 yollar g\u00f6sterdik. E\u011fitsel veri madencili\u011fi, \u00f6\u011frenme teorisi ve e\u011fitim prati\u011fi aras\u0131ndaki ili\u015fkiler, modellerin a\u00e7\u0131klay\u0131c\u0131 g\u00fcc\u00fcne ve gelecekteki \u00f6\u011frenme sonu\u00e7lar\u0131n\u0131 etkileme yeteneklerine daha fazla \u00f6nem verilerek b\u00fcy\u00fck \u00f6l\u00e7\u00fcde g\u00fc\u00e7lendirilebilir.<\/p>\n

KAYNAK\u00c7A<\/h2>\n

Barnes, T. (2005). The Q-matrix method: Mining student response data for knowledge. Proceedings of AAAI 2005: Educational Data Mining Workshop <\/i>(pp. 39\u201346). Technical Report WS-05-02. Menlo Park, CA: AAAI Press. http:\/\/www.aaai.org\/Library\/Workshops\/ws05-02.php <\/span><\/p>\n

Cen, H., Koedinger, K. R., & Junker, B. (2006). Learning factors analysis: A general method for cognitive model evaluation and improvement. In M. Ikeda, K. Ashlay, T.-W. Chan (Eds.), Proceedings of the 8th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2006), 26\u201330 June 2006, Jhongli, Taiwan (pp. 164\u2013175). Berlin: Springer-Verlag. <\/span><\/p>\n

Clark, R. E., Feldon, D., van Merri\u00ebnboer, J., Yates, K., & Early, S. (2008). Cognitive task analysis. In J. M. Spector, M. D. Merrill, J. van Merri\u00ebnboer, & M. P. Driscoll (Eds.), Handbook of research on educational communications and technology <\/i>(3rd ed.). Mahwah, NJ: Lawrence Erlbaum.<\/span><\/p>\n

Corbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling & User-Adapted Interaction, 4<\/i>, 253\u2013278. <\/span><\/p>\n

D\u2019Mello, S., Blanchard, N., Baker, R., Ocumpaugh, J., & Brawner, K. (2014). I feel your pain: A selective review of affect sensitive instructional strategies. In R. Sottilare, A. Graesser, X. Hu, & B. Goldberg (Eds.), Design recommendations for adaptive intelligent tutoring systems: Adaptive instructional strategies <\/i>(Vol. 2). Orlando, FL: US Army Research Laboratory. <\/span><\/p>\n

D\u2019Mello, S., Lehman, B., Sullins, J., Daigle, R., Combs, R., Vogt, K., Perkins, L., & Graesser, A. (2010). A time for emoting: When affect-sensitivity is and isn\u2019t effective at promoting deep learning. In V. Aleven, J. Kay, & J. Mostow (Eds.), Proceedings of the 10th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2010), 14\u201318 June 2010, Pittsburgh, PA, USA (pp. 245\u2013254). Springer. <\/span><\/p>\n

Gonz\u00e1lez-Brenes, J. P., & Mostow, J. (2012). Dynamic cognitive tracing: Towards unified discovery of student and cognitive models. In K. Yacef, O. Za\u00efane, A. Hershkovitz, M. Yudelson, & J. Stamper (Eds.), Proceedings of the 5th International Conference on Educational Data Mining <\/i>(EDM2012), 19\u201321 June, 2012, Chania, Greece (pp. 49\u201356). International Educational Data Mining Society. <\/span><\/p>\n

Koedinger, K. R., Baker, R. S. J. d., Cunningham, K., Skogsholm, A., Leber, B., & Stamper, J. (2010). A data repository for the EDM community: The PSLC DataShop. In C. Romero, S. Ventura, M. Pechenizkiy, & R. S. J. d. Baker (Eds.), Handbook of educational data mining<\/i>. Boca Raton, FL: CRC Press. <\/span><\/p>\n

Koedinger, K. R., Corbett, A. T., & Perfetti, C. (2012). The knowledge-learning-instruction framework: Bridging the science-practice chasm to enhance robust student learning. Cognitive Science, 36<\/i>(5), 757\u2013798. <\/span><\/p>\n

Koedinger, K. R., & McLaughlin, E. A. (2010). Seeing language learning inside the math: Cognitive analysis yields transfer. In S. Ohlsson & R. Catrambone (Eds.), Proceedings of the 32nd Annual Conference of the Cognitive Science Society <\/i>(CogSci 2010), 11\u201314 August 2010, Portland, OR, USA (pp. 471\u2013476). Austin, TX: Cognitive Science Society. <\/span><\/p>\n

Koedinger, K. R., McLaughlin, E. A., & Stamper, J. C. (2012). Automated cognitive model improvement. In K. Yacef, O. Za\u00efane, A. Hershkovitz, M. Yudelson, & J. Stamper (Eds.), Proceedings of the 5th International Conference on Educational Data Mining <\/i>(EDM2012), 19\u201321 June, 2012, Chania, Greece (pp. 17\u201324). International Educational Data Mining Society. <\/span><\/p>\n

Koedinger, K. R., & Nathan, M. J. (2004). The real story behind story problems: Effects of representations on quantitative reasoning. The Journal of the Learning Sciences, 13<\/i>(2), 129\u2013164. <\/span><\/p>\n

Koedinger, K. R., Stamper, J. C., McLaughlin, E. A., & Nixon, T. (2013). Using data-driven discovery of better cognitive models to improve student learning. In H. C. Lane, K. Yacef, J. Mostow, & P. Pavlik (Eds.), Proceedings of the 16th International Conference on Artificial Intelligence in Education <\/i>(AIED\u201913), 9\u201313 July 2013, Memphis, TN, USA (pp. 421\u2013430). Springer. <\/span><\/p>\n

Lan, A. S., Studer, C., Waters, A. E., & Baraniuk, R. G. (2013). Tag-aware ordinal sparse factor analysis for learning and content analytics. In S. K. D\u2019Mello, R. A. Calvo, & A. Olney (Eds.), Proceedings of the 6th International Conference on Educational Data Mining <\/i>(EDM2013), 6\u20139 July, Memphis, TN, USA (pp. 90\u201397). International Educational Data Mining Society\/Springer. <\/span><\/p>\n

Lan, A. S., Studer, C., Waters, A. E., & Baraniuk, R. G. (2014). Sparse factor analysis for learning and content analytics. Journal of Machine Learning Research, 15<\/i>, 1959\u20132008. <\/span><\/p>\n

Li, N., Cohen, W., Koedinger, K. R., & Matsuda, N. (2011). A machine learning approach for automatic student model discovery. In M. Pechenizkiy et al. (Eds.), Proceedings of the 4th International Conference on Education Data Mining <\/i>(EDM2011), 6\u20138 July 11, Eindhoven, Netherlands (pp. 31\u201340). International Educational Data Mining Society. <\/span><\/p>\n

Li, N., Matsuda, N., Cohen, W. W., & Koedinger, K. R. (2015). Integrating representation learning and skill learning in a human-like intelligent agent. Artificial Intelligence, 219<\/i>, 67\u201391. <\/span><\/p>\n

Lindsey, R. V., Khajah, M., & Mozer, M. C. (2014). Automatic discovery of cognitive skills to improve the prediction of student learning. In Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence, & K. Q. Weinberge (Eds.), Advances in Neural Information Processing Systems, 27<\/i>, 1386\u20131394. La Jolla, CA: Curran Associates Inc.<\/span><\/p>\n

Liu, R., & Koedinger, K. R. (submitted). Closing the loop: Automated data-driven skill model discoveries lead to improved instruction and learning gains. Journal of Educational Data Mining<\/i>. <\/span><\/p>\n

Liu, R., & Koedinger, K. R. (2015). Variations in learning rate: Student classification based on systematic residual error patterns across practice opportunities. In O. C. Santos, J. G. Boticario, C. Romero, M. Pechenizkiy, A. Merceron, P. Mitros, J. M. Luna, C. Mihaescu, P. Moreno, A. Hershkovitz, S. Ventura, & M. Desmarais (Eds.), Proceedings of the 8th International Conference on Education Data Mining <\/i>(EDM2015), 26\u201329 June 2015, Madrid, Spain (pp. 420\u2013423). International Educational Data Mining Society. <\/span><\/p>\n

Liu, R., Koedinger, K. R., & McLaughlin, E. A. (2014). Interpreting model discovery and testing generalization to a new dataset. In J. Stamper, Z. Pardos, M. Mavrikis, & B. M. McLaren (Eds.), Proceedings of the 7th International Conference on Educational Data Mining <\/i>(EDM2014), 4\u20137 July, London, UK (pp. 107\u2013113). International Educational Data Mining Society. <\/span><\/p>\n

MacLellan, C. J., Harpstead, E., Patel, R., & Koedinger, K. R. (2016). The apprentice learner architecture: Closing the loop between learning theory and educational data. In T. Barnes, M. Chi, & M. Feng (Eds.), Proceedings of the 9th International Conference on Educational Data Mining <\/i>(EDM2016), 29 June\u20132 July 2016, Raleigh, NC, USA (pp. 151\u2013158). International Educational Data Mining Society. <\/span><\/p>\n

Nathan, M. J., Koedinger, K. R., & Alibali, M. W. (2001). Expert blind spot: When content knowledge eclipses pedagogical content knowledge. In L. Chen et al. (Eds.), Proceedings of the 3rd International Conference on Cognitive Science <\/i>(pp. 644\u2013648). Beijing, China: USTC Press. http:\/\/pact.cs.cmu.edu\/pubs\/2001_NathanEtAl_ICCS_EBS.pdf <\/span><\/p>\n

Newell, A., & Simon, H. A. (1972). Human problem solving<\/i>. Englewood Cliffs, NJ: Prentice-Hall. <\/span><\/p>\n

Pardos, Z. A., Trivedi, S., Heffernan, N. T., & S\u00e1rk\u00f6zy, G. N. (2012). Clustered knowledge tracing. S. A. Cerri, W. J. Clancey, G. Papadourakis, K.-K. Panourgia (Eds.), Proceedings of the 11th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2012), 14\u201318 June 2012, Chania, Greece (pp. 405\u2013410). Springer. <\/span><\/p>\n

Ros\u00e9, C. P., & Tovares, A. (in press). What sociolinguistics and machine learning have to say to one another about interaction analysis. In L. Resnick, C. Asterhan, & S. Clarke (Eds.), Socializing intelligence through academic talk and dialogue<\/i>. Washington, DC: American Educational Research Association. <\/span><\/p>\n

Ros\u00e9, C. P, & VanLehn, K. (2005). An evaluation of a hybrid language understanding approach for robust selection of tutoring goals. International Journal of Artificial Intelligence in Education, 15<\/i>, 325\u2013355. <\/span><\/p>\n

San Pedro, M., Baker, R. S., Bowers, A. J., & Heffernan, N. T. (2013). Predicting college enrollment from student interaction with an intelligent tutoring system in middle school. In S. K. D\u2019Mello, R. A. Calvo, & A. Olney (Eds.), Proceedings of the 6th International Conference on Educational Data Mining <\/i>(EDM2013), 6\u20139 July, Memphis, TN, USA (pp. 177\u2013184). International Educational Data Mining Society\/Springer. <\/span><\/p>\n

Shmueli, G. (2010). To explain or to predict? Statistical Science, 25<\/i>(3), 289\u2013310. doi:10.1214\/10-STS330 <\/span><\/p>\n

Stamper, J., & Koedinger, K. R. (2011). Human-machine student model discovery and improvement using data. Proceedings of the 15th International Conference on Artificial Intelligence in Education <\/i>(AIED\u201911), 28 June\u20132 July, Auckland, New Zealand (pp. 353\u2013360). Springer. <\/span><\/p>\n

Trivedi, S., Pardos, Z. A., & Heffernan, N. T. (2011). Clustering students to generate an ensemble to improve standard test score predictions. Proceedings of the 15th International Conference on Artificial Intelligence in Education <\/i>(AIED\u201911), 28 June\u20132 July, Auckland, New Zealand (pp. 377\u2013384). Springer. <\/span><\/p>\n

VanLehn, K. (2006). The behavior of tutoring systems. International Journal of Artificial Intelligence in Education, 16<\/i>, 227\u2013265. <\/span><\/p>\n

\n
\n

1<\/a> http:\/\/pslcdatashop.org<\/span><\/span><\/p>\n<\/div>\n

\n

2<\/a> Geometry Area 1996\u20131997: https:\/\/pslcdatashop.web.cmu.edu\/<\/span> DatasetInfo?datasetId=76<\/span><\/p>\n<\/div>\n

\n

3<\/a> HS geometrisi \u00f6\u011frenme motivasyonu 2012 (geo\u2013pa): https:\/\/pslc\u2013datashop.web.cmu.edu\/DatasetInfo?datasetId=748<\/span><\/p>\n<\/div>\n

\n

4<\/a> Cebir kavramlar\u0131n daha iyi kodlanmas\u0131 yoluyla denklem \u00e7\u00f6zme becerisinin geli\u015ftirilmesi (2006\u20132008):<\/span>https:\/\/pslcdatashop.web.cmu.edu\/ DatasetInfo?datasetId=293<\/span><\/span><\/p>\n<\/div>\n

\n

5<\/a> Cebir<\/span> (Denklem \u00c7\u00f6zme Birim) 2007-2008: https:\/\/pslc – datashop.web.cmu.edu\/DatasetInfo?datasetId=317<\/span><\/p>\n<\/div>\n

\n

6<\/a> orj. Log data<\/span><\/p>\n<\/div>\n","protected":false},"author":1,"menu_order":2,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[48],"contributor":[],"license":[],"class_list":["post-48","chapter","type-chapter","status-publish","hentry","chapter-type-numberless"],"part":46,"_links":{"self":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/48","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/48\/revisions"}],"part":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/parts\/46"}],"metadata":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/48\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/media?parent=48"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapter-type?post=48"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/contributor?post=48"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/license?post=48"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}