{"id":82,"date":"2020-09-03T16:39:24","date_gmt":"2020-09-03T13:39:24","guid":{"rendered":"http:\/\/acikkitap.com.tr\/oaek\/chapter\/bolum-17-veri-madenciligi-buyuk-olcekli-bicimlendirici-yazma\/"},"modified":"2020-09-03T16:39:24","modified_gmt":"2020-09-03T13:39:24","slug":"bolum-17-veri-madenciligi-buyuk-olcekli-bicimlendirici-yazma","status":"publish","type":"chapter","link":"https:\/\/acikkitap.com.tr\/oaek\/chapter\/bolum-17-veri-madenciligi-buyuk-olcekli-bicimlendirici-yazma\/","title":{"raw":"B\u00f6l\u00fcm 17 Veri Madencili\u011fi B\u00fcy\u00fck \u00d6l\u00e7ekli Bi\u00e7imlendirici Yazma","rendered":"B\u00f6l\u00fcm 17 Veri Madencili\u011fi B\u00fcy\u00fck \u00d6l\u00e7ekli Bi\u00e7imlendirici Yazma"},"content":{"raw":"\n

<\/a> Peter W. Foltz1, 2<\/sup>, Mark Rosenstein2<\/sup><\/span><\/span><\/p>\n

1<\/sup>Bili\u015fsel Bilimler Enstit\u00fcs\u00fc, Colorado \u00dcniversitesi, ABD<\/span><\/span><\/p>\n

2 <\/sup> \u0130leri Bilgi \u0130\u015flem ve Veri Bilim Laboratuvar\u0131, Pearson, ABD<\/span><\/span><\/p>\n

DOI: 10.18608 \/ hla17.017<\/span><\/span><\/p>\n\n

\u00d6Z<\/h2>\n

Dijital e\u011fitim ortamlar\u0131nda \u00f6\u011frenen yazma \u00e7al\u0131\u015fmas\u0131, yazmay\u0131 \u00f6\u011frenme s\u00fcre\u00e7lerinin yan\u0131 s\u0131ra dijital ortam\u0131n bu s\u00fcre\u00e7ler \u00fczerindeki etkisine ili\u015fkin kan\u0131t niteli\u011finde zengin bilgi sa\u011flayabilir. Yazma becerilerini geli\u015ftirmek, \u00f6zellikle de s\u0131k s\u0131k geri bildirim ile desteklendiklerinde ve kompozisyonlar\u0131n\u0131 planlama, g\u00f6zden ge\u00e7irme ve d\u00fczenleme stratejileri \u00f6\u011fretildi\u011finde, pratik yapma f\u0131rsatlar\u0131na sahip olan \u00f6\u011frencilere ba\u011fl\u0131d\u0131r. Otomatik kompozisyon puanlamas\u0131n\u0131 i\u00e7eren bi\u00e7imlendirici sistemler, \u00f6\u011frencilere d\u00fczenli olarak tekrarlayan bir d\u00f6ng\u00fcde yazmalar\u0131, geri bildirim almalar\u0131 ve sonra kompozisyonu g\u00f6zden ge\u00e7irmeleri i\u00e7in f\u0131rsatlar sunar. Bu b\u00f6l\u00fcm, e\u011fitim sonu\u00e7lar\u0131n\u0131 iyile\u015ftirmek i\u00e7in kullan\u0131lan y\u00fczlerce \u00f6nceden tan\u0131mlanm\u0131\u015f bilgi istemine cevap olarak yaz\u0131lm\u0131\u015f, bir milyondan fazla \u00f6\u011frenci kompozisyonu kullanarak, bi\u00e7imlendirici teknolojideki geli\u015fmeleri y\u00f6nlendiren, \u00f6nceden tan\u0131mlanm\u0131\u015f y\u00fczlerce yazma etkinli\u011fi konular\u0131na y\u00f6nelik olarak yaz\u0131lan bir milyondan fazla \u00f6\u011frenci kompozisyonu1<\/a><\/sup> kullanarak geni\u015f \u00f6l\u00e7ekli bir bi\u00e7imlendirme yazma sisteminin bir analizini sunar ve yazma s\u00fcrecinde \u00f6\u011frencilere destek olmak i\u00e7in daha iyi geri bildirim ve bili\u015fsel destek t\u00fcrleri tasarlar.<\/span><\/span><\/p>\n

Anahtar Kelimeler<\/span>: Yazma, bi\u00e7imlendirici geri bildirim, otomatik puanlama, karma efekt modellemesi, g\u00f6rselle\u015ftirme, yaz\u0131m analiti\u011fi2<\/a><\/sup><\/span><\/span><\/p>\n

Yazma hem \u00f6\u011frencilere bilgi ve becerilerini ifade etmenin hem de bilgilerini geli\u015ftirmelerine yard\u0131mc\u0131 olma konusunda e\u011fitim vermenin bir arac\u0131 olarak hizmet etti\u011fi e\u011fitim uygulamalar\u0131n\u0131n ayr\u0131lmaz bir par\u00e7as\u0131d\u0131r. \u0130yi bir yazar olabilmek i\u00e7in \u00f6\u011frencilerin \u00e7ok fazla pratik yapmalar\u0131 gerekti\u011fi iyi bilinmektedir. Ancak sadece yazma prati\u011fi iyi bir yazar olmak i\u00e7in yeterli de\u011fildir; zaman\u0131nda geri bildirim almak \u00e7ok \u00f6nemlidir (\u00f6r. Black ve William, 1998; Hattie ve Timperley, 2007; Shute, 2008). S\u0131n\u0131fta bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmalar\u0131 (\u00f6r. Graham, Harris ve Hebert, 2011; Graham ve Hebert, 2010; Graham ve Perin, 2007), \u00f6\u011frencilere geri bildirimleri destekleme ve kompozisyonlar\u0131n\u0131 planlama, g\u00f6zden ge\u00e7irme ve d\u00fczenleme stratejileri hakk\u0131nda talimat verme, \u00f6\u011frencilerin yazmay\u0131 geli\u015ftirmede g\u00fc\u00e7l\u00fc etkileri olabilece\u011fini g\u00f6stermi\u015ftir.<\/span><\/p>\n\n

Veri Olarak Metin<\/h3>\n

Yazma karma\u015f\u0131k bir etkinliktir ve performans temelli bir \u00f6\u011frenme ve de\u011ferlendirme \u015fekli olarak kabul edilebilir, \u00e7\u00fcnk\u00fc \u00f6\u011frenciler gelecekteki akademik ve \u00e7al\u0131\u015fma ya\u015famlar\u0131nda genel olarak yapmalar\u0131 beklenenlere benzer bir g\u00f6revi yerine getirirler. Bu nedenle, yazma, \u00f6\u011frenci alan bilgisi, ifade becerileri ve dil becerisi hakk\u0131nda zengin bir veri kayna\u011f\u0131 sa\u011flar. B\u00f6ylece yazma, metin bilgisine dayal\u0131 olarak \u00f6\u011frenci performans\u0131n\u0131n do\u011fas\u0131 hakk\u0131nda \u00e7ok say\u0131da \u00e7\u0131kar\u0131mda bulunmay\u0131 sa\u011flar.<\/span><\/p>\n

\u015eu anda yazma \u00e7al\u0131\u015fmalar\u0131n\u0131n b\u00fcy\u00fck bir b\u00f6l\u00fcm\u00fcne bilgisayarlar arac\u0131l\u0131k etmektedir, bu da yazma \u00f6\u011freniminde k\u00e2\u011f\u0131t temelli medyada yapma \u015fans\u0131 bulamad\u0131\u011f\u0131m\u0131z, zaman aral\u0131klar\u0131nda ve derinlemesine inceleme ve peki\u015ftirme f\u0131rsat\u0131 sunmaktad\u0131r. \u00d6rne\u011fin, Walvoord ve McCarthy (1990), bir dizi ortak ile, yakla\u015f\u0131k on y\u0131l boyunca s\u0131n\u0131f \u00e7al\u0131\u015fmalar\u0131 y\u00fcr\u00fctm\u00fc\u015f, yazma talimatlar\u0131n\u0131n anla\u015f\u0131lmas\u0131 i\u00e7in \u00f6\u011frenci dergileri, taslaklar ve final k\u00e2\u011f\u0131tlar\u0131 gibi \u00fcr\u00fcnler toplam\u0131\u015ft\u0131r. \u00c7al\u0131\u015fma y\u00fcr\u00fct\u00fcl\u00fcrken harcanan \u00e7aban\u0131n b\u00fcy\u00fck \u00e7o\u011funlu\u011fu \u00fcr\u00fcn toplama ve bunlar\u0131n el ile analiz edilmesine ayr\u0131lm\u0131\u015ft\u0131r. G\u00fcn\u00fcm\u00fczde bilgisayar destekli yaz\u0131 ile bu kaynaklara yazma i\u015fleminin bir par\u00e7as\u0131 olarak daha kolay ula\u015f\u0131labilmektedir ve bu (kaynaklar) do\u011fal dil i\u015fleme ve makine \u00f6\u011frenmenin otomatik olarak kullan\u0131labilece\u011fi bir formdad\u0131r. Uygun \u00f6\u011frenme analiti\u011fi y\u00f6ntemleri uygulanarak, metinsel bilgiler bu nedenle, \u00f6\u011frenci performans\u0131yla ilgili \u00e7\u0131kar\u0131mlar\u0131 desteklemek i\u00e7in otomatik olarak verilere d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir.<\/span><\/p>\n

1960'l\u0131 y\u0131llardan beri yaz\u0131n\u0131n b\u00fct\u00fcn y\u00f6nlerini anlamak i\u00e7in otomatik analizler uygulanmaktad\u0131r. \u0130\u00e7erik analizi (\u00f6r. Gerbner, Holsti, Krippendorff, Paisley ve Stone, 1969; Krippendorff & Bock, 2009), i\u00e7erikle ilgili tekrarlanabilir, ge\u00e7erli \u00e7\u0131kar\u0131mlar yapmak i\u00e7in metin verilerinin analizine izin vermek \u00fczere tasarlanm\u0131\u015ft\u0131r. Ancak y\u00f6ntemler \u00f6ncelikle metinlerde kullan\u0131lan anahtar terimlerin say\u0131s\u0131na odaklanm\u0131\u015ft\u0131r. Ellis Page (1967), \u00f6\u011frenci yaz\u0131lar\u0131n\u0131n dil \u00f6zelliklerini, kompozisyonlar\u0131n \u00f6\u011fretmen derecelendirmeleriyle y\u00fcksek oranda ili\u015fkili olan puanlara d\u00f6n\u00fc\u015ft\u00fcrmede kullan\u0131lan tekniklere \u00f6nc\u00fcl\u00fck etmi\u015ftir. Son 50 y\u0131lda giderek daha sofistike do\u011fal dil i\u015fleme ve makine \u00f6\u011frenme tekniklerinin ortaya \u00e7\u0131kmas\u0131yla birlikte, otomatik kompozisyon puanlamas\u0131 (OKP) (art\u0131k an\u0131nda puanlama ve geri bildirim sa\u011flayabilen yayg\u0131n olarak kullan\u0131lan bir dizi yakla\u015f\u0131m haline gelmi\u015ftir. OKP sistemleri \u00fczerine yap\u0131lan ara\u015ft\u0131rmalar, puanlamalar\u0131n\u0131n insan puanlay\u0131c\u0131lar kadar do\u011fru olabilece\u011fini (\u00f6r. Burstein, Chodorow ve Leacock, 2004; Landauer, Laham ve Foltz, 2001; Shermis ve Hamner, 2012), birden fazla yazma \u00f6zelli\u011fini puanlayabildi\u011fini (\u00f6r. Foltz, Streeter, Lochbaum ve Landauer, 2013) ve i\u00e7erik hakk\u0131nda geri bildirim i\u00e7in kullan\u0131labilir oldu\u011funu g\u00f6stermi\u015ftir. (\u00f6r. Foltz, Gilliam ve Kendall, 2000; Foltz vd., 2013).<\/span><\/p>\n

OKP'nin de\u011ferlendirilmesindeki oda\u011f\u0131n \u00e7o\u011fu, puanlaman\u0131n do\u011frulu\u011funu ve puanlanabilecek farkl\u0131 yaz\u0131 t\u00fcrlerini incelerken, OKP, de\u011ferlendirmenin \u00f6\u011frencinin \u00f6\u011frenmesine nas\u0131l yard\u0131mc\u0131 olaca\u011f\u0131na daha fazla odaklan\u0131labilen, bi\u00e7imlendirici yazma konusunda geni\u015f bir uygulanabilirli\u011fe sahiptir. Yazma \u00e7al\u0131\u015fmas\u0131n\u0131n de\u011ferlendirilmesinin insan eliyle yap\u0131lmas\u0131, \u00f6\u011frencilerin geri bildirim alma f\u0131rsatlar\u0131n\u0131 s\u0131n\u0131rlayarak zaman al\u0131c\u0131 ve \u00f6znel sonu\u00e7lar do\u011furabilir. Bi\u00e7imlendirici bir arac\u0131n bile\u015feni olarak OKP, \u00f6\u011frencilere an\u0131nda geri bildirim sa\u011flayabilir ve onlara kar\u015f\u0131la\u015ft\u0131\u011f\u0131 zorluk t\u00fcrlerini tespit etmeye dayal\u0131 yazma stratejilerinin \u00f6\u011fretilmesini destekleyebilir. \u00d6rne\u011fin, s\u0131n\u0131f i\u00e7i e\u011fitime d\u00e2hil edildi\u011finde, \u00f6\u011frenciler bir d\u00f6nem boyunca kompozisyonlar\u0131 defalarca yazabilir, g\u00f6nderebilir, geri bildirim alabilir ve makaleleri g\u00f6zden ge\u00e7irebilirler. T\u00fcm \u00f6\u011frenci yaz\u0131 \u00e7al\u0131\u015fmalar\u0131 elektronik olarak yap\u0131l\u0131r ve t\u00fcm \u00f6\u011frenci eylemlerinin ve ald\u0131klar\u0131 t\u00fcm geri bildirimlerin bir kayd\u0131n\u0131 sa\u011flayarak otomatik olarak puanlan\u0131r ve kaydedilir. Olu\u015facak veri, bireylerin, s\u0131n\u0131flar\u0131n veya okullar gibi daha b\u00fcy\u00fck \u00f6\u011frenci gruplar\u0131nda performans de\u011fi\u015fikliklerinin s\u00fcrekli izlenmesine izin verir. \u00d6\u011fretmenler, her bir \u00f6\u011frencinin geli\u015fimini bir s\u0131n\u0131fta analiz edebilir ve gerekti\u011finde m\u00fcdahale edebilir. Ayr\u0131ca, \u00f6\u011fretim programlar\u0131n\u0131n etkinli\u011fini ve \u00f6\u011frenci yazma performans\u0131na yans\u0131yan \u00f6\u011fretim stratejilerinin etkinli\u011fini \u00f6l\u00e7mek i\u00e7in s\u0131n\u0131ftaki geli\u015fimi g\u00f6rselle\u015ftirmek art\u0131k m\u00fcmk\u00fcnd\u00fcr. Otomatik puanlama kullanan bir dizi bi\u00e7imlendirici yazma arac\u0131 geli\u015ftirilmi\u015ftir ve bunlar WriteToLearn\u2122 (W2L; Landauer, Lochbaum ve Dooley, 2009), Criterion, (Burstein, Chodorow ve Leacock, 2004), OpenEssayist (Whitelock, Field, Pulman, Richardson ve Van Labeke, 2013) ve Writing Pal (Roscoe ve McNamara, 2013)\u2019da d\u00e2hil olmak \u00fczere kullan\u0131mdad\u0131r.<\/span><\/p>\n\n

Yazma i\u00e7in uygulanan veri madencili\u011fi<\/h3>\n

Yaz\u0131n\u0131n otomatik bi\u00e7imlendirilmi\u015f de\u011ferlendirmesi, yazma performans\u0131ndaki de\u011fi\u015fiklikleri ve bu performans\u0131 etkileyen sistem \u00f6zelliklerini incelemek i\u00e7in zengin bir veri k\u00fcmesi sa\u011flar. Dijital e\u011fitim ortamlar\u0131n\u0131n artan bir \u015fekilde benimsenmesiyle, bu ortamlardaki \u00f6\u011frenci etkile\u015fimlerinden elde edilen verileri kan\u0131t olarak kullanmak i\u00e7in yeni f\u0131rsatlar olu\u015fmu\u015ftur(\u00f6r. DiCerbo ve Behrens, 2012). Son d\u00f6nemdeki \u00e7al\u0131\u015fmalar, yazma \u00e7al\u0131\u015fmas\u0131n\u0131 yaz\u0131 \u00f6devlerinden, akran puanlama al\u0131\u015ft\u0131rmalar\u0131ndan ve i\u015fbirlikli forum tart\u0131\u015fmalar\u0131ndan \u00e7\u0131karmaya ve analiz etmeye ba\u015flam\u0131\u015ft\u0131r. Veri madencili\u011fi y\u00f6ntemlerine genel bir bak\u0131\u015f sunulmu\u015f olmakla birlikte (\u00f6r. Pena-Ayala, 2014; Romero ve Ventura, 2007; Romero ve Ventura, 2013), bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmalar\u0131n\u0131n b\u00fcy\u00fck \u00f6l\u00e7ekli veri madencili\u011fine hala \u00e7ok az ilgi vard\u0131r. Daha g\u00fc\u00e7l\u00fc bilgi i\u015flemsel s\u00f6ylem ara\u00e7lar\u0131n\u0131n ortaya \u00e7\u0131kmas\u0131yla yeni teknikler ortaya \u00e7\u0131kmaktad\u0131r (\u00f6r. Buckingham \u2013 Shum, 2013; McNamara, Allen, Crossley, Dascalu ve Perret, bu cilt; Rose, bu cilt).<\/span><\/p>\n

Baz\u0131 \u00e7al\u0131\u015fmalar, bi\u00e7imlendirici geri bildirimlerin boyutlar\u0131na odaklanmamas\u0131na ra\u011fmen, b\u00fcy\u00fck \u00f6\u011frenci yaz\u0131 \u00e7al\u0131\u015fmas\u0131 derlemelerini incelemi\u015ftir. \u00d6rne\u011fin, Parr (2010), farkl\u0131 kompozisyon t\u00fcrleri i\u00e7in yazma becerilerinin nas\u0131l geli\u015fti\u011fini \u00f6l\u00e7mek amac\u0131yla farkl\u0131 s\u0131n\u0131f seviyelerinde 60 farkl\u0131 yazma etkinli\u011fi konular\u0131na y\u00f6nelik yaz\u0131lan 20.000 kompozisyonu analiz etmi\u015ftir. Puanlamay\u0131 kolayla\u015ft\u0131racak ve tutarl\u0131l\u0131\u011f\u0131 sa\u011flayacak ara\u00e7lar sa\u011flanm\u0131\u015fsa da t\u00fcm puanlamalar insan puanlay\u0131c\u0131lar taraf\u0131ndan yap\u0131lm\u0131\u015ft\u0131r. Deane ve Quinlan (2010), binlerce kompozisyonun \u00f6zelliklerini \u00e7\u0131karmak i\u00e7in e-Rater otomatik puanlama motorunu kullanarak analizler yapm\u0131\u015f ve daha sonra geli\u015fim d\u00fczeylerini ve dilbilimsel yaz\u0131 boyutlar\u0131n\u0131 incelemek i\u00e7in fakt\u00f6r analizi yapm\u0131\u015ft\u0131r. Deane (2014) \u00e7ok yetenekli bir uygulamadan gelen kompozisyonlar\u0131n otomatik olarak puanlanmas\u0131n\u0131, tu\u015fa basma kay\u0131tlar\u0131n\u0131n \u00f6zelliklerini ve yazma kabiliyetini ve okuma seviyesini belirleyen fakt\u00f6rleri tahmin etmek i\u00e7in kompozisyonlar\u0131n otomatik puanlamas\u0131n\u0131 kendisi de kullanm\u0131\u015ft\u0131r.<\/span><\/p>\n

Bi\u00e7imlendirme s\u00fcrecinin boyutlar\u0131 da daha k\u00fc\u00e7\u00fck veri \u00f6rnekleri kullan\u0131larak incelenmi\u015ftir; \u00f6rne\u011fin, Sidney \u00dcniversitesi'ndeki i\u015fbirlikli yazma \u00fczerine ara\u015ft\u0131rma (Calvo, O'Rourke, Jones, Yacef ve Reimann, 2011; Reimann, Calvo, Yacef ve Southavilay, 2010), \u00f6\u011frenci kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerini ve otomatik de\u011ferlendirmeyi yazmay\u0131 desteklemek i\u00e7in kullanm\u0131\u015ft\u0131r. \u00c7al\u0131\u015fmalar\u0131nda, tak\u0131m yazma \u00e7al\u0131\u015fmalar\u0131 s\u00fcre\u00e7lerini anlamak i\u00e7in yaz\u0131n\u0131n dilbilgisel ve konuyla ilgili y\u00f6nlerinin yan\u0131 s\u0131ra revizyon dizilimlerini ve yazma etkinliklerinin kay\u0131t dosyalar\u0131n\u0131 da analiz ettiler. Ek olarak ara\u015ft\u0131rma, kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerini, g\u00f6z takibi gibi fizyolojik izlemeyle birle\u015ftirerek yazma \u00e7al\u0131\u015fmalar\u0131n\u0131n detayl\u0131 bir analizini ger\u00e7ekle\u015ftirmi\u015ftir (\u00f6r. Leijten ve Van Waes, 2013). WhiteLock vd. (2013, 2015), \u00f6\u011frencilerin ve \u00f6\u011fretenlerin kompozisyonlar\u0131n i\u00e7eri\u011fini incelemek i\u00e7in bir yol olarak anahtar kelimelerin ve c\u00fcmlelerin g\u00f6sterimi ve birden fazla kompozisyonda kompozisyonun yap\u0131s\u0131 hakk\u0131nda bilgi de d\u00e2hil olmak \u00fczere kompozisyonlar\u0131n yaz\u0131sal \u00f6zelliklerinin g\u00f6rselle\u015ftirmelerini kullanm\u0131\u015ft\u0131r. Bu g\u00f6rselle\u015ftirmeler daha sonra \u00f6\u011frenci yaz\u0131lar\u0131n\u0131 iyile\u015ftirmede \u00f6neride bulunmak i\u00e7in temel olarak kullan\u0131labilir.<\/span><\/p>\n

\"\"<\/p>\n<\/a> \u015eekil 17.1. Kompozisyon Geribildirim Puan Tablosu. Genel bir puanla WritetoLearn\u2122 geri bildirimi, yazma \u00e7al\u0131\u015fmas\u0131n\u0131n alt\u0131 pop\u00fcler \u00f6zelli\u011finin puanlamas\u0131 ve ayr\u0131ca yazma s\u00fcrecinde verilen destek.<\/i><\/span><\/span>\n

Yazma ve veri madencili\u011fini i\u00e7eren di\u011fer ara\u015ft\u0131rmalar, bir \u00f6\u011frencinin dersi ba\u015far\u0131yla tamamlay\u0131p tamamlayamayaca\u011f\u0131n\u0131 tahmin etmek i\u00e7in KA\u00c7D'ler i\u00e7indeki tart\u0131\u015fma forumlar\u0131nda \u00f6\u011frenci yazma \u00e7al\u0131\u015fmalar\u0131n\u0131 inceleyen Crossley vd. (2015) ve \u00f6\u011frencilerin bir temel kavram\u0131 kendi s\u00f6zc\u00fckleri ile yeniden ifade edebilecek kadar yeterince anlad\u0131klar\u0131nda hedefe ula\u015ft\u0131klar\u0131n\u0131 tespit etmek i\u00e7in \u00f6\u011frenci yaz\u0131 \u00e7al\u0131\u015fmas\u0131ndaki de\u011fi\u015fiklikleri analiz eden hece analiz teknikleri geli\u015ftiren White ve Larusson (2014) gibi, yazmay\u0131 ikincil bir g\u00f6rev olarak dikkate alm\u0131\u015flard\u0131r. Son olarak, \u00e7evrimi\u00e7i sistemlerde g\u00f6zden ge\u00e7irme s\u00fcrecinde geri bildirim analizleri (\u00f6r. Baikadi, Schunn ve Ashley, 2015; Calvo, Aditomo, Southavilary ve Yacef, 2012), g\u00f6zden ge\u00e7irme s\u00fcrecinde ne t\u00fcr geri bildirimlerin daha etkili olabilece\u011fini g\u00f6stermi\u015ftir. Bu \u00e7al\u0131\u015fmalar\u0131n \u00e7o\u011fu, onlarca hatta y\u00fczlerce \u00f6\u011frenciyi temel alan analizlere odaklanm\u0131\u015ft\u0131r, bu nedenle veri madencili\u011fi tekniklerinin kullan\u0131m\u0131 hakk\u0131nda bilgi verip bi\u00e7imlendirici geri bildirimlerin rol\u00fc hakk\u0131nda kritik bilgiler sa\u011flasa da hen\u00fcz daha b\u00fcy\u00fck uygulamalara \u00f6l\u00e7eklendirilmemi\u015flerdir.<\/span><\/p>\n

Bu b\u00f6l\u00fcm, bi\u00e7imlendirici bir \u00e7evrimi\u00e7i yazma sisteminden toplanan bir milyondan fazla yaz\u0131 \u00f6rne\u011fine ve y\u00fcz binin \u00fczerinde bi\u00e7imlendirici yazma i\u015fleminin bile\u015fenlerine veri madencili\u011fi uygulayarak, b\u00fcy\u00fck \u00f6l\u00e7ekli yazma analizine y\u00f6nelik bir yakla\u015f\u0131m\u0131 a\u00e7\u0131klamak amac\u0131yla yukar\u0131daki yakla\u015f\u0131mlara dayanmaktad\u0131r. Analizler, bi\u00e7imlendirici bir sistemin \u015fu anda nas\u0131l kullan\u0131ld\u0131\u011f\u0131, etkinli\u011fi ve \u015fu anki kullan\u0131m\u0131n nas\u0131l anla\u015f\u0131laca\u011f\u0131 ile ilgili belirli soru s\u0131n\u0131flar\u0131n\u0131 ara\u015ft\u0131rmak i\u00e7in kullan\u0131l\u0131r hem sistem uygulamas\u0131n\u0131 geli\u015ftirerek hem de sistemi kullanan \u00f6\u011frencilere y\u00f6nelik do\u011frudan m\u00fcdahaleler sunarak geli\u015fmi\u015f \u00f6\u011frenme i\u00e7in \u00f6neriler sunar. Bu b\u00f6l\u00fcm, performanstaki betimleyici istatistikleri kullanan ve ayn\u0131 zamanda performanstaki de\u011fi\u015fiklikleri resm\u00ee olarak modelleyen yakla\u015f\u0131mlar\u0131 g\u00f6stermektedir. B\u00f6l\u00fcm metodolojiye odaklan\u0131rken, ama\u00e7 \u00f6\u011frencinin \u00f6\u011frenmesinin niteli\u011fi hakk\u0131nda, s\u0131n\u0131ftaki uygulaman\u0131n etkinli\u011fi ve ayr\u0131ca dijital ortam\u0131n kendisinin e\u011fitim arac\u0131 olarak etkinli\u011fi hakk\u0131nda, yazma verisinin kararlar\u0131 bilgilendirmek i\u00e7in daha genel olarak nas\u0131l kullan\u0131laca\u011f\u0131n\u0131 g\u00f6stermektir.<\/span><\/p>\n\n

\u00c7EVR\u0130M\u0130\u00c7\u0130 B\u0130\u00c7\u0130MLEND\u0130R\u0130C\u0130 YAZI S\u0130STEM\u0130<\/h2>\n

Veri madencili\u011finin b\u00fcy\u00fck \u00f6l\u00e7ekli bir uygulaman\u0131n ya\u015fam d\u00f6ng\u00fcs\u00fcndeki g\u00fcc\u00fcn\u00fc g\u00f6stermek i\u00e7in kullan\u0131lan ba\u011flam, bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmas\u0131 de\u011ferlendirme sistemi WriteToLearn\u2122 '\u00fcn \u00f6\u011frenci etkile\u015fimi verileriyle yap\u0131lm\u0131\u015ft\u0131r. WriteToLearn\u2122, \u00f6\u011frencilere \u00f6yk\u00fcleyici, a\u00e7\u0131klay\u0131c\u0131, betimleyici ve ikna edici yazma etkinli\u011fi konular\u0131 i\u00e7eren al\u0131\u015ft\u0131rmalar ile okuma kavray\u0131\u015flar\u0131n\u0131n geli\u015ftirmeleri i\u00e7in metinlerin \u00f6zetlerini okuma ve yazma konusunda al\u0131\u015ft\u0131rmalar sunan web tabanl\u0131 bir yazma ortam\u0131d\u0131r. \u00d6\u011frenciler yaz\u0131l\u0131m\u0131, yazd\u0131klar\u0131, geri bildirim ald\u0131klar\u0131 ve daha sonra geli\u015fmi\u015f kompozisyonlar\u0131n\u0131 g\u00f6zden ge\u00e7irip yeniden g\u00f6nderdikleri, yinelemeli bir yazma arac\u01313<\/a><\/sup> olarak kullan\u0131rlar. Otomatik geri bildirim, genel bir puan ve \u201cfikirler, d\u00fczenlemeler, \u00fcsluplar, kelime se\u00e7imi ve c\u00fcmle ak\u0131c\u0131l\u0131\u011f\u0131\u201d gibi bireysel \u00f6zelliklerin puanlanmas\u0131n\u0131 sa\u011flar. \u00d6\u011frenci, geri bildirimi anlamalar\u0131na yard\u0131mc\u0131 olmak i\u00e7in ek e\u011fitim materyalini g\u00f6r\u00fcnt\u00fcleyebilir ve ayr\u0131ca kendi yazma \u00e7al\u0131\u015fmalar\u0131n\u0131 geli\u015ftirmek i\u00e7in yakla\u015f\u0131mlar \u00f6nerebilir. Ayr\u0131ca, dil bilgisi ve yaz\u0131m hatalar\u0131 i\u015faretlenir. \u015eekil 17.1, sistem aray\u00fcz\u00fcn\u00fcn bir b\u00f6l\u00fcm\u00fcn\u00fc g\u00f6stermektedir ve bu \u00f6rnekte 12. s\u0131n\u0131f d\u00fczeyinde ikna edici yazma etkinli\u011fi konular\u0131na y\u00f6nelik bir g\u00f6nderimden kaynaklanan puanlama geri bildirimini g\u00f6sterir. WriteToLearn \u2122 '\u00fcn iki haftal\u0131k kullan\u0131m\u0131n\u0131n ard\u0131ndan de\u011ferlendirmelerde okuma, anlama ve yazma becerilerinde anlaml\u0131 derecede iyile\u015fme oldu\u011fu g\u00f6r\u00fclm\u00fc\u015ft\u00fcr (Landauer et al., 2009); bunun yan\u0131 s\u0131ra, sistemin puanlamada insan de\u011ferlendiriciler kadar g\u00fcvenilir oldu\u011fu,\u00fclke \u00e7ap\u0131nda bir yazma becerisi de\u011ferlendirmesini ve y\u0131l sonu ge\u00e7me oranlar\u0131n\u0131 da \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirildi\u011fi g\u00f6r\u00fclm\u00fc\u015ft\u00fcr (Mollette ve Harmon, 2015).<\/span><\/p>\n\n

Yazman\u0131n Puanlamas\u0131n\u0131n Algoritmas\u0131<\/h3>\n

WriteToLearn\u2019\u00fcn \u2122 otomatik puanlamas\u0131 Ak\u0131ll\u0131 Kompozisyon De\u011ferlendiricisi AKD uygulamas\u0131n\u0131 temel almaktad\u0131r. AKD, her kompozisyondaki \u00e7\u0131kar\u0131lan \u00f6zellikleri insan puanlay\u0131c\u0131lar\u0131n atad\u0131\u011f\u0131 puanlarla ili\u015fkilendirmek i\u00e7in e\u011fitilmi\u015ftir. Her kompozisyon i\u00e7in puanlar\u0131 en iyi \u015fekilde modellemede optimum \u00f6zellik setini ve \u00f6zelliklerin her birinin a\u011f\u0131rl\u0131klar\u0131n\u0131 belirlemek i\u00e7in makine \u00f6\u011frenme tabanl\u0131 bir yakla\u015f\u0131m kullan\u0131l\u0131r. Bu kar\u015f\u0131la\u015ft\u0131rmalardan, ayn\u0131 de\u011ferlendiricilerin yeni g\u00f6nderilere atayaca\u011f\u0131 puanlar\u0131 tahmin etmek i\u00e7in yazma konusuna ve ki\u015fisel \u00f6zelli\u011fe \u00f6zg\u00fc bir puanlama modeli elde edilmi\u015ftir. Bu puanlama modeline dayanarak, puanlama modeline g\u00f6re a\u011f\u0131rl\u0131kl\u0131 \u00f6zelliklerin analizi ile hem en yeni kompozisyonlar puanlanabilir. Bu b\u00f6l\u00fcmdeki odak, ba\u015fka bir yerde ayr\u0131nt\u0131l\u0131 olarak a\u00e7\u0131kland\u0131\u011f\u0131 gibi puanlamay\u0131 olu\u015fturan ger\u00e7ek algoritmalar veya \u00f6zellikler \u00fczerine de\u011fildir (bk. Landauer vd., 2001; Foltz vd., 2013). Bunun yerine odak noktas\u0131, otomatik puanlamadan kalan iz ve \u00f6\u011frenci eylemlerinin, b\u00fcy\u00fck yaz\u0131 veri k\u00fcmeleri aras\u0131nda \u00f6\u011frenmeyi izlemek ve bi\u00e7imlendirici sistemdeki geli\u015fimi kolayla\u015ft\u0131rmak i\u00e7in nas\u0131l kullan\u0131labilece\u011fidir.<\/span><\/p>\n\n

Veri<\/h3>\n

Veriler, ABD'de WriteToLearn\u2122 ile toplanan ile b\u00fcy\u00fck \u00f6\u011frenci etkile\u015fimi \u00f6rneklemini i\u00e7ermektedir. Bir set, 4 y\u0131ll\u0131k bir s\u00fcrede toplanan 94.000 \u00f6\u011frencinin yazd\u0131\u011f\u0131 360.000 \u00f6devden yakla\u015f\u0131k 1.3 milyon kompozisyonu i\u00e7ermektedir. \u0130kinci set, yakla\u015f\u0131k 900.000 eylemle yakla\u015f\u0131k 62.000 \u00f6\u011frenci oturumunu temsil ediyordu. Veriler, \u00f6\u011frenci kompozisyonu ve t\u00fcm \u00f6\u011frenci eylemlerinin zaman damgal\u0131 kayd\u0131n\u0131, sistem taraf\u0131ndan verilen revizyonlar\u0131 ve geri bildirimleri i\u00e7eriyordu. \u00d6\u011frenci bir makaleyi g\u00f6nderdi\u011finde veya kaydetti\u011finde her bir taslak kaydedilmi\u015ftir. Kompozisyonlar yakla\u015f\u0131k 200 \u00f6nceden tan\u0131mlanm\u0131\u015f yazma konusuna y\u00f6nelik olarak yaz\u0131lm\u0131\u015ft\u0131r. Bu yaz\u0131larda hi\u00e7bir insan puanlamas\u0131 yap\u0131lmam\u0131\u015ft\u0131r. Kompozisyon puanlar\u0131 otomatik puanlama ile olu\u015fturulmu\u015f ve modellerin tahmin performans\u0131 test setlerinden veya \u00e7apraz do\u011frulama kullan\u0131larak insan (de\u011ferlendiricilerin) mutabakat\u0131yla do\u011frulanm\u0131\u015ft\u0131r.<\/span><\/p>\n\n

Yakla\u015f\u0131m\u0131n m\u00fcmk\u00fcn k\u0131ld\u0131\u011f\u0131 Analizler<\/h3>\n

Bi\u00e7imlendirici bir sistemin tasar\u0131m d\u00f6ng\u00fcs\u00fcn\u00fcn t\u00fcm a\u015famalar\u0131nda, kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerine uygulanan analitikler arac\u0131l\u0131\u011f\u0131yla fiil\u00ee kullan\u0131m\u0131n, uygulanmas\u0131, da\u011f\u0131t\u0131m\u0131, yeniden tasarlanmas\u0131 ve s\u00fcrd\u00fcr\u00fclebilirli\u011finin analizi sistemde iyile\u015fmelere yol a\u00e7abilir. Mislevy, Behrens, Dicerbo ve Levy (2012) 'nin belirtti\u011fi gibi, bir sistem ilk tasarland\u0131\u011f\u0131nda her birisinin e\u011fitim sistemlerinin olu\u015fturulmas\u0131 ve geli\u015ftirilmesinde kritik \u00f6neme sahip olan, en iyi uygulamalar\u0131 temsil eden kan\u0131t odakl\u0131 tasar\u0131m ile uygulaman\u0131n ger\u00e7ek kullan\u0131m\u0131n\u0131 yans\u0131tan veri madencili\u011fi \u00f6\u011frenci eylemleri aras\u0131nda bir etkile\u015fim vard\u0131r. Tasar\u0131m a\u015famas\u0131ndan itibaren, varsay\u0131mlar\u0131m\u0131z\u0131 de\u011ferlendirmek i\u00e7in kullan\u0131m verilerini analiz etmekle ilgileniyoruz ve bizim durumumuzda, yazma, geri bildirim ve g\u00f6zden ge\u00e7irme d\u00f6ng\u00fclerinin yazma performans\u0131n\u0131 iyile\u015ftirip iyile\u015ftirmedi\u011fini ve yaz\u0131n\u0131n \u00f6zelliklerinin hangi oranda de\u011fi\u015fiklik g\u00f6sterdi\u011finin ve iyile\u015ftirme oran\u0131n\u0131n bu \u00f6zellikler aras\u0131nda farkl\u0131l\u0131k g\u00f6sterip g\u00f6stermedi\u011fini belirlemek istiyoruz. Pedagojik teori a\u00e7\u0131s\u0131ndan, yazma, mekanik geri bildirim, i\u00e7erik geri bildirimi ve g\u00f6zden ge\u00e7irmenin en iyi \u00f6\u011frenime nas\u0131l yol a\u00e7t\u0131\u011f\u0131n\u0131 ve \u00f6\u011frencilere ve \u00f6\u011fretmenlere tavsiyelerin nas\u0131l ki\u015fiselle\u015ftirilece\u011fini anlamak istiyoruz. \u015eu anda sistem, s\u0131n\u0131r\u0131n\u0131 \u00f6\u011fretmenlerin \u00f6zelle\u015ftirebildi\u011fi alt\u0131 revizyon\/geri bildirim d\u00f6ng\u00fcs\u00fcne izin vermektedir ve kullan\u0131m verileri, bu \u00f6zelli\u011fe rehberlik etmede yard\u0131mc\u0131 olmal\u0131d\u0131r. Olduk\u00e7a verimli bir analiz \u015fekli de \u00f6\u011frenci performans\u0131n\u0131 modellemektir; burada yazma konular\u0131n\u0131n g\u00f6receli zorlu\u011funu tahmin etmemize izin veren karma bir etki modelini tart\u0131\u015f\u0131yoruz. Yazma konular\u0131 geli\u015ftirilirken genellikle bir s\u0131n\u0131f d\u00fczeyine atan\u0131r ancak modelleme komutun do\u011fru \u015fekilde etiketlenip etiketlenmedi\u011fini belirlememize izin verir; konulara y\u00f6nelik yaz\u0131lan milyonlarca kompozisyonun performans verilerini kullanmak, daha detayl\u0131 seviyeleme yapmay\u0131 sa\u011flar.<\/span><\/p>\n

Yazma kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verisi ile pek \u00e7ok ek analiz t\u00fcr\u00fc m\u00fcmk\u00fcnd\u00fcr \u00f6yleyse bu b\u00f6l\u00fcmde bunu detayland\u0131r\u0131laca\u011f\u0131z (ayr\u0131ca bk. Calvo vd., 2012; Deane, 2014). \u00d6zellikle umut verici buldu\u011fumuz iki alan, \u00f6\u011fretmenlerin e\u011fitim stratejilerinin de\u011ferlendirilmesi; \u00f6rne\u011fin, hangi yazma konular\u0131n\u0131n se\u00e7ildi\u011fi ve \u00f6\u011frencilere konulara y\u00f6nelik yazma etkinlikleri i\u00e7in ne kadar s\u00fcre (tek bir ders saati, bir hafta veya daha uzun) verildi\u011fidir. Burada s\u00f6z edildi\u011fi gibi, hem \u00f6\u011fretmenler hem de \u00f6\u011fretmenlerin rehberleri i\u00e7in mesleki geli\u015fim talimatlar\u0131 olsa da yeni stratejileri ortaya \u00e7\u0131karmak ve stratejiler aras\u0131ndaki g\u00f6receli etkilili\u011fi \u00f6l\u00e7mek i\u00e7in sistemlerin s\u0131n\u0131flarda ger\u00e7ekte nas\u0131l kullan\u0131ld\u0131\u011f\u0131n\u0131 g\u00f6zlemlemek \u015fa\u015f\u0131rt\u0131c\u0131 derecede faydal\u0131d\u0131r. Ayr\u0131nt\u0131l\u0131 olarak a\u00e7\u0131klayacak yere sahip olmad\u0131\u011f\u0131m\u0131z bir di\u011fer alan, \u00f6\u011frenci eylemlerinin detayl\u0131 analizidir. \u00d6rne\u011fin, yazma s\u00fcrecinde bir \u00f6\u011frencinin yard\u0131m olanaklar\u0131ndan ne zaman ve nerede faydaland\u0131\u011f\u0131n\u0131 s\u00f6ylemek ve s\u0131kl\u0131kla bir \u00f6\u011frencinin bir yard\u0131mdan faydalanabilece\u011fi fakat faydalanmad\u0131\u011f\u0131 an\u0131, kullan\u0131c\u0131 aray\u00fcz\u00fc d\u00fczeni ve di\u011fer tasar\u0131m konular\u0131 a\u00e7\u0131s\u0131ndan yeniden tasar\u0131m olanaklar\u0131ndan \u00e7\u0131karmak m\u00fcmk\u00fcnd\u00fcr. Bu y\u00f6nlerden baz\u0131lar\u0131na ili\u015fkin daha fazla tart\u0131\u015fma Foltz ve Rosenstein (2013), Foltz ve Rosenstein (2015) 'te bulunabilir ve Foltz ve Rosenstein (2016)' da g\u00f6sterilmektedir.<\/span><\/p>\n\n

KURAMI DO\u011eRULAMAK<\/h2>\n

Yazma ve G\u00f6zden Ge\u00e7irme, Geli\u015ftirilmi\u015f Yazma Performans\u0131na Neden Oluyor mu?<\/h3>\n

Bi\u00e7imlendirici yazma sistemleri h\u0131zl\u0131 bir yazma, destekleme, geri bildirim alma ve g\u00f6zden ge\u00e7irme d\u00f6ng\u00fcs\u00fcn\u00fc desteklemek i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bu d\u00f6ng\u00fc, otomatik bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmas\u0131n\u0131, standart kompozisyon yazma prati\u011finden temel ay\u0131rt edicilerden biridir; burada kompozisyonlar\u0131n insan taraf\u0131ndan puanlamas\u0131 zaman al\u0131c\u0131d\u0131r, b\u00f6ylece \u00f6\u011frenciler an\u0131nda geri bildirim alamazlar. Bu nedenle, \u00f6\u011frencilerin kompozisyonlar\u0131n\u0131 ne s\u0131kl\u0131kta g\u00f6ndereceklerini ve g\u00f6zden ge\u00e7ireceklerini belirlemek ve en b\u00fcy\u00fck ba\u015far\u0131ya g\u00f6t\u00fcren fakt\u00f6rleri ve zaman yollar\u0131n\u0131 belirlemek \u00e7ok \u00f6nemlidir. Bu otomatik puanlarla \u00f6l\u00e7\u00fcld\u00fc\u011f\u00fc gibi g\u00f6zden ge\u00e7irmenin daha iyi bir yazma \u00e7al\u0131\u015fmas\u0131 ile sonu\u00e7lan\u0131p sonu\u00e7lanmad\u0131\u011f\u0131na ve hangi kullan\u0131m modellerinin en h\u0131zl\u0131 iyile\u015ftirmeyi kolayla\u015ft\u0131rd\u0131\u011f\u0131na ili\u015fkin sorular\u0131 ele alabilir.<\/span><\/p>\n

\"\"<\/p>\n<\/a> \u015eekil 17.2 Revizyonlar boyunca \u00e7oklu yazma \u00f6zelli\u011fi puanlamalar\u0131n\u0131n de\u011fi\u015fimi.<\/i><\/span><\/span>\n

G\u00f6zden Ge\u00e7irmeler Aras\u0131nda Harcanan Zaman<\/h3>\n

\"\"<\/p>\n<\/a> \u015eekil 17.3. Revizyon yapma zaman\u0131na ba\u011fl\u0131 olarak revizyonlar aras\u0131ndaki not de\u011fi\u015fimi.<\/i><\/span><\/span>\n

Yazma, g\u00f6nderme, geri bildirim ve g\u00f6zden ge\u00e7irme a\u015famalar\u0131 aras\u0131ndaki zaman\u0131n en iyi \u015fekilde kullan\u0131m\u0131n\u0131 daha iyi anlamak i\u00e7in geri bildirim talep etmeden \u00f6nce, \u00f6\u011frencinin harcad\u0131\u011f\u0131 zaman\u0131n performans\u0131 \u00fczerindeki etkisini daha fazla ara\u015ft\u0131rabiliriz. \u00c7ok \u00e7e\u015fitli WriteToLearn\u2122 kullan\u0131c\u0131s\u0131 i\u00e7in yakla\u015f\u0131k 1,1 milyon \u00f6\u011frenci yazma denemesinden elde edilen verileri kullanarak, taslaklar aras\u0131nda ne kadar zaman harcand\u0131\u011f\u0131na ba\u011fl\u0131 olarak \u00f6\u011frenci notundaki de\u011fi\u015fimi (\u00f6r. bir taslaktan di\u011ferine kaydedilen ilerleme) hesaplad\u0131k. Nottaki \u015fekil 17.3'te g\u00f6sterilen de\u011fi\u015fiklik, yazma puan\u0131ndaki iyile\u015fmenin genellikle 25 dakikaya kadar artt\u0131\u011f\u0131n\u0131, bu noktada seviyesinin d\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc ve d\u00fc\u015fmeye ba\u015flad\u0131\u011f\u0131n\u0131 g\u00f6sterir. Ek olarak, negatif de\u011fi\u015fimin \u00e7o\u011fu (\u00f6nceki s\u00fcr\u00fcmden daha d\u00fc\u015f\u00fck bir puan alan kompozisyonlar), be\u015f dakikadan k\u0131sa s\u00fcren revizyonlarla ortaya \u00e7\u0131kmaktad\u0131r. Sonu\u00e7lar, ek geri bildirim talep etmeden \u00f6nce g\u00f6zden ge\u00e7irme i\u00e7in harcanacak en uygun s\u00fcreyi g\u00f6stermektedir. Bu iki sonu\u00e7, kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerinin analizinin yazma-geri bildirim-revize etme d\u00f6ng\u00fcs\u00fcn\u00fcn yazma becerilerini geli\u015ftirdi\u011fini ve ayn\u0131 zamanda \u00f6\u011frenciyi geri bildirimin uygun aral\u0131klarda istendi\u011fi durumlarda daha etkili \u00e7evrelere y\u00f6nlendirmeye \u00e7al\u0131\u015farak \u00f6\u011frenmeye ince ayar yapma kabiliyetini g\u00f6sterdi\u011fini do\u011frulayabilir.<\/span><\/p>\n\n

Modelleme<\/h3>\n

Yazma s\u00fcrecinin alt\u0131nda yatan yap\u0131, bi\u00e7imlendirici bir yazma arac\u0131n\u0131n yap\u0131s\u0131, ortaya \u00e7\u0131kt\u0131k\u00e7a, genellikle resm\u00ee istatistiksel modellerin olu\u015fturulmas\u0131yla en iyi \u015fekilde yorumlanabilir hale getirilir. G\u00f6zden ge\u00e7irme, yazma tavsiyesi alma ve \u00e7oklu yazma konular\u0131na zaman i\u00e7inde cevaplar olu\u015fturma konusundaki karma\u015f\u0131k etkile\u015fimin a\u00e7\u0131k\u00e7a g\u00f6sterilmesiyle, bu modeller kritik \u00f6neme sahip parametreler i\u00e7in tahminler ve g\u00fcven aral\u0131klar\u0131 sa\u011flar. \u00d6\u011frenci kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verisine dayanarak, bu modeller bir \u00f6\u011frencinin yazma becerisi dersi ald\u0131\u011f\u0131 toplam s\u00fcreye yay\u0131lan genel bir boyuna b\u00fcy\u00fcme modeline g\u00f6m\u00fcl\u00fc payla\u015f\u0131lan yazma konular\u0131 \u00fczerinden tekrarlanan performans \u00f6l\u00e7\u00fcmleri gibi y\u00f6nleriyle birlikte bu veri ak\u0131\u015f\u0131 i\u00e7inde \u00f6rt\u00fck olan karma\u015f\u0131k kovaryans yap\u0131s\u0131n\u0131 a\u00e7\u0131klayabilir ve kontrol edebilir. \u00d6zenle olu\u015fturulmu\u015f bir model, \u00f6\u011frenciyi araca (yazma arac\u0131) daha \u00e7ok maruz b\u0131rakarak \u00f6\u011frencinin ilerlemesini kolayla\u015ft\u0131r\u0131c\u0131 i\u015flev g\u00f6r\u00fcr hem \u00f6\u011frencileri hem de \u00f6geleri s\u0131ras\u0131yla beceri ve zorluk d\u00fczeylerine g\u00f6re \u00f6l\u00e7eklerine yerle\u015ftirmeyi sa\u011flar ve mevcut geri bildirimlerin bile\u015fenlerine maruz kalma seviyelerindeki de\u011fi\u015fimin yazma performans\u0131n\u0131 nas\u0131l etkiledi\u011fine ili\u015fkin tahminler sunar.<\/span><\/p>\n

Burada a\u00e7\u0131klanan modeller, \u00f6\u011frencilerin %20'sinden fazlas\u0131n\u0131n \u00fc\u00e7 veya daha fazla y\u0131l boyunca takip edildi\u011fi yakla\u015f\u0131k 80.000 \u00f6\u011frenci taraf\u0131ndan 4 y\u0131l boyunca 190'dan fazla bilgi istemine kar\u015f\u0131 yaz\u0131lm\u0131\u015f 840.000'den fazla kompozisyona dayanmaktad\u0131r. Modeller, geri bildirim i\u00e7in g\u00f6nderilen her kompozisyon i\u00e7in b\u00fct\u00fcnsel puan\u0131 \u00f6ng\u00f6rmekte olup, a\u00e7\u0131klay\u0131c\u0131 de\u011fi\u015fkenler g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, bir \u00f6\u011frencinin kompozisyon i\u00e7in almas\u0131 beklenen puan\u0131 ifade etmektedir. A\u00e7\u0131klay\u0131c\u0131 de\u011fi\u015fkenler, \u00f6\u011frencinin s\u0131n\u0131f seviyesi, kompozisyonun uzunlu\u011fu ve yazma konusunun zorlu\u011fu gibi fakt\u00f6rleri tahmin etmemize ve kontrol etmemize olanak sa\u011flar.<\/span><\/p>\n

Yazma s\u00fcreci, Baayen, Davidson ve Bates (2008)'in a\u00e7\u0131klad\u0131\u011f\u0131 teknikler \u00fczerine kurulu do\u011frusal karma etkiler modeli \u00e7er\u00e7evesinde (Pinheiro ve Bates, 2006) temsil edilmektedir. Karma etkiler modelleri hem \u00f6\u011frencinin \"beceri seviyesini\" hem de maddenin \"zorlu\u011funu\", tahminlerin b\u00fct\u00fcn evrende var olan ili\u015fkilere ek olarak hesapland\u0131\u011f\u0131 t\u00fcm olas\u0131 \u00f6\u011frencilerin ve t\u00fcm olas\u0131 yazma konular\u0131n\u0131n bir evreninden \u00f6rneklendi\u011fini g\u00f6rerek tahmin edebilir. \u00d6\u011frenciler ve yazma konular\u0131 s\u0131f\u0131r ortalamaya sahip bir da\u011f\u0131l\u0131mdan ve verilere g\u00f6re hesaplanan standart sapma ile elde edilen rastgele etkiler olarak modellenmi\u015ftir. Elde edilen de\u011fi\u015fkenlik, \u00f6\u011frencinin bireysel farkl\u0131l\u0131klar\u0131n\u0131n bir tahminini sa\u011flarken, ayn\u0131 zamanda madde zorlu\u011funun de\u011fi\u015fkenli\u011fini de yans\u0131tmaktad\u0131r. Tablo 17.1, modellerde kullan\u0131lan sabit ve rastgele etkilerin a\u00e7\u0131klamalar\u0131n\u0131 i\u00e7erir.<\/span><\/p>\n

Her \u00f6\u011frencinin not d\u00fczeyinde, daha \u00fcst s\u0131n\u0131f\u0131n etkisi notlar\u0131n artmas\u0131 ancak i\u00e7erik seviyesi artt\u0131k\u00e7a (bir yazma konusunun etiketlenmi\u015f s\u0131n\u0131f seviyesi) beklenen puan azalmas\u0131d\u0131r. Son olarak, kompozisyonun uzunlu\u011funun kontrol\u00fc konusunda ortalama olarak daha uzun bir kompozisyonun daha y\u00fcksek bir puan almas\u0131 beklenir. WriteToLearn\u2122 'e maruz kalman\u0131n d\u00f6rt \u00f6l\u00e7\u00fcs\u00fc, istatistiksel olarak anlaml\u0131 ve pozitiftir. <\/span><\/p>\n

<\/a><\/a><\/a><\/a><\/a> Tablo 17.1. Sabit ve Rastgele Etkilerin Tan\u0131m\u0131<\/i><\/span><\/span><\/p>\n\n<\/colgroup>\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n

De\u011fi\u015fken ismi<\/b><\/p>\n<\/td>\n

\n

Tan\u0131m<\/b><\/p>\n<\/td>\n<\/tr>\n

Sabit Etkiler<\/span><\/span><\/td>\n<\/tr>\n
\n

\u00f6\u011frenciS\u0131n\u0131fSeviyesi:n<\/b><\/p>\n<\/td>\n

\n

Bir fakt\u00f6r seviyesi olarak \u00f6\u011frenci s\u0131n\u0131f seviyesi (katsay\u0131, not n ile not 3 aras\u0131ndaki farkt\u0131r)<\/p>\n<\/td>\n<\/tr>\n

\n

i\u00e7erikS\u0131n\u0131fSeviyesi<\/b><\/p>\n<\/td>\n

\n

Yazma konusunun s\u0131n\u0131f d\u00fczeyi (belirlenmi\u015f bir d\u00fczey)<\/p>\n<\/td>\n<\/tr>\n

\n

log10 (S\u00f6zc\u00fckSay\u0131m\u0131)<\/b><\/p>\n<\/td>\n

\n

Kompozisyonun kelime say\u0131s\u0131n\u0131n log10 taban\u0131ndaki kar\u015f\u0131l\u0131\u011f\u0131<\/p>\n<\/td>\n<\/tr>\n

\n

giri\u015fim<\/b><\/p>\n<\/td>\n

\n

Belirli bir yazma konusu i\u00e7in, bu belirli kompozisyon g\u00f6nderiminin g\u00fcncellenmesi<\/p>\n<\/td>\n<\/tr>\n

\n

ge\u00e7enS\u00fcreG\u00fcn<\/b><\/p>\n<\/td>\n

\n

\u0130lk W2L kullan\u0131m\u0131ndan beri ne kadar s\u00fcre ge\u00e7ti\u011finin g\u00fcn cinsinden zaman \u00f6l\u00e7\u00fcs\u00fc (ya\u015fa dayal\u0131 b\u00fcy\u00fcme \u00f6l\u00e7\u00fcs\u00fc)<\/p>\n<\/td>\n<\/tr>\n

\n

birW2LS\u00fcreG\u00fcn<\/b><\/p>\n<\/td>\n

\n

Bu g\u00f6nderimden sonra \u00f6\u011frencinin W2L ile birlikte ge\u00e7irdi\u011fi toplam y\u00fcz y\u00fcze zaman<\/p>\n<\/td>\n<\/tr>\n

\n

etkile\u015fim<\/b><\/p>\n<\/td>\n

\n

Bu \u00f6\u011frencinin W2L'ye yapt\u0131\u011f\u0131 toplam ba\u015fvuru say\u0131s\u0131<\/p>\n<\/td>\n<\/tr>\n

Rastgele Etkiler<\/span><\/span><\/td>\n<\/tr>\n
\n

\u00f6\u011frenenID<\/b><\/p>\n<\/td>\n

\n

Fakt\u00f6r d\u00fczeyleri, her \u00f6\u011frenci i\u00e7in bir tane<\/p>\n<\/td>\n<\/tr>\n

\n

i\u00e7erikID<\/b><\/p>\n<\/td>\n

\n

Fakt\u00f6r seviyeleri, her yazma konusu i\u00e7in bir tane<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\u00d6rne\u011fin, belirli bir yazma konusuna g\u00f6nderim say\u0131s\u0131 artt\u0131k\u00e7a, d\u00f6rt WriteToLearn\u2122 \u00f6l\u00e7\u00fcm\u00fc ili\u015fkiliyken, ayn\u0131 anda WriteToLearn\u2122 kullanarak harcanan toplam s\u00fcre artar ve bunlar sistemle \u00f6\u011frenci etkile\u015fiminin farkl\u0131 y\u00f6nlerini yans\u0131t\u0131r. Etki boyutlar\u0131 k\u00fc\u00e7\u00fck g\u00f6r\u00fcn\u00fcyor; \u00f6rne\u011fin, belirli bir yazma konusuna yap\u0131lan her ek g\u00f6nderim, sadece bir kompozisyonun tek bir g\u00f6zden ge\u00e7irilmesi ile ilgili geri bildirim almaya dayal\u0131 bir art\u0131\u015f\u0131 temsil eden bir say\u0131 olan beklenen puan\u0131, yaln\u0131zca 0.018 oran\u0131nda art\u0131r\u0131r. Asl\u0131nda bu \u00f6nemli k\u00fc\u00e7\u00fck, art\u0131ml\u0131 etkileri g\u00fcvenilir bir \u015fekilde tahmin edebilmek, yaln\u0131zca b\u00fcy\u00fck veri k\u00fcmeleriyle veri madencili\u011fi ve modellemesi yoluyla ger\u00e7ekle\u015fir. Daha genel bir perspektiften, WriteToLearn\u2122 ile etkile\u015fime girme giri\u015fimlerinin ve harcanan zaman\u0131n k\u00fcm\u00fclatif etkisi, ba\u015far\u0131da iyile\u015fmelere neden olur. Bu ilerleme \u00e7o\u011fu zaman en iyi \u015fekilde, daha yo\u011fun kullan\u0131mla eyalet ba\u015far\u0131 testlerindeki daha iyi ge\u00e7me oranlar\u0131nda g\u00f6zlendi\u011fi gibi, d\u0131\u015f do\u011frulamalarla kar\u015f\u0131la\u015ft\u0131r\u0131lmal\u0131 olarak de\u011ferlendirilir (Mollette ve Harmon, 2015).<\/span><\/p>\n\n

\"\"Yazma \u0130steminin Zorlu\u011funu Belirlemek \u0130\u00e7in Modelleme<\/h4>\n

Bir \u00f6\u011frenciye veya s\u0131n\u0131fa bir yazma etkinli\u011fi konusu atamada pek \u00e7ok pedagojik d\u00fc\u015f\u00fcnce ortaya \u00e7\u0131kmaktad\u0131r ve s\u0131k\u00e7a dile getirilen bir endi\u015fe, yazma etkinli\u011finin puanlamas\u0131n\u0131 \u00f6\u011frencinin seviyesine ayarlamakt\u0131r (ayr\u0131ca bk. Deane ve Quinlan, 2010, derlem yaz\u0131s\u0131). Baz\u0131 yazma etkinli\u011fi konular\u0131, ele al\u0131nmas\u0131 gereken bir e\u015fik beceri seviyesi veya \u00f6zel bilgi veya uzmanl\u0131k gerektirmesine ra\u011fmen, bunlar\u0131n bir\u00e7o\u011fu \u00e7ok farkl\u0131 seviyelerdeki \u00f6\u011frencilerin kullanabilece\u011fi durumdad\u0131r. G\u00f6revde farkl\u0131 olan, nihai \u00fcr\u00fcnle kan\u0131tlanan nitelik veya beceriye ait beklenti ve onun bir puanla de\u011ferlendirilmesidir. Yazma etkinli\u011finin konular\u0131n\u0131n puanlamas\u0131, s\u0131n\u0131fa \u00f6zg\u00fc modellere dayanmaktad\u0131r, bu nedenle 10. s\u0131n\u0131f \u00f6\u011frencilerine uygun olarak etiketlenmi\u015f bir yazma konusu hem 10. s\u0131n\u0131fta beklenen bilgi ve becerilere uygun oldu\u011funa ancak ayn\u0131 zamanda otomatik puanlaman\u0131n 10. s\u0131n\u0131f \u00f6\u011frencileri taraf\u0131ndan yaz\u0131lm\u0131\u015f e\u011fitim seti kompozisyonlar\u0131 kullan\u0131larak ayarlanmas\u0131na i\u015faret eder. Bir yazma etkili\u011fi konusu \u00e7e\u015fitli s\u0131n\u0131f seviyelerine uygun oldu\u011fu ve farkl\u0131 s\u0131n\u0131f seviyelerindeki \u00f6\u011frencilerin e\u011fitim k\u00fcmelerinin mevcut oldu\u011fu durumlarda, ayn\u0131 yazma konusu birden \u00e7ok s\u0131n\u0131f seviyesinde g\u00f6r\u00fcnebilir; burada kritik fark, her s\u0131n\u0131f d\u00fczeyinde \u00f6\u011frencinin \u00e7al\u0131\u015fmas\u0131n\u0131n de\u011ferlendirilmesinde farkl\u0131 puanlama modellerinin kullan\u0131ld\u0131\u011f\u0131d\u0131r.<\/span><\/p>\n

Genellikle \u00f6\u011fretmenler, s\u0131n\u0131flar\u0131n\u0131n seviyesine uyan bir dizi yazma konusunun g\u00f6receli zorluk derecesini \u00f6l\u00e7mek gibi, yazma konular\u0131 aras\u0131nda daha iyi ay\u0131rt edicilik seviyelerini tercih ederler. Bu tam olarak yazma konular\u0131na ait rastgele etki tahminlerinin ele almada kullan\u0131labilece\u011fi bir durumdur. Bir yazma konusunun etiketli not seviyesi artt\u0131k\u00e7a, modeldeki sabit etki i\u00e7erikS\u0131n\u0131fSeviyesi katsay\u0131s\u0131 beklenen puanda 0.073'l\u00fck bir d\u00fc\u015f\u00fc\u015f oldu\u011funu g\u00f6sterir (daha zor yazma konular\u0131 d\u00fc\u015f\u00fck puanlara katk\u0131da bulunur), di\u011fer de\u011fi\u015fkenler sabit tutulur. E\u015fde\u011fer olarak, etiketli yazma konular\u0131n\u0131n seviyesini kontrol etmek i\u00e7in her bir yazma konusunun rastgele etkisi, belirli bir yazma konusunun zorluk a\u00e7\u0131s\u0131ndan bu ortalama sabit etkiden ne kadar \u00e7ok farkl\u0131la\u015ft\u0131\u011f\u0131n\u0131 g\u00f6sterir. Bu yazma konular\u0131n\u0131n s\u0131n\u0131f seviyelerine g\u00f6re s\u0131ralanmas\u0131n\u0131 sa\u011flar, \u00f6\u011fretmenler i\u00e7in g\u00f6zleme dayal\u0131 olarak elde edilen ek destek altyap\u0131s\u0131 sa\u011flar. Benzer \u015fekilde, sabit yazma konusu etkisinin dikkate al\u0131nmas\u0131, bir \u00f6\u011fretmenin g\u00fcvenle atayabilece\u011fi yazma konular\u0131 k\u00fcmesini geni\u015fleten b\u00fct\u00fcn yazma konular\u0131n\u0131n s\u0131ralanmas\u0131na izin verilir.<\/span><\/p>\n

<\/a><\/a><\/a><\/a><\/a> Tablo 17.2. Rastgele etkilerin ko\u015fullu modlar\u0131n\u0131n tahminlerine g\u00f6re s\u0131ralanan yazma konular\u0131n\u0131n alt k\u00fcmesi (Bates, Maechler, Bolker ve Walker, 2015)<\/i><\/span><\/span><\/p>\n\n<\/colgroup>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n

Ba\u015fl\u0131k<\/span><\/p>\n<\/td>\n

\n

S\u0131n\u0131f Seviyesi<\/span><\/p>\n<\/td>\n

\n

Zorluk<\/span><\/p>\n<\/td>\n<\/tr>\n<\/thead>\n

Konu\u015fma \u00d6zg\u00fcrl\u00fc\u011f\u00fc <\/span><\/span><\/td>\n\n

12<\/span><\/span><\/p>\n<\/td>\n

\n

0.80<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bir A \/ B Hobisine Nas\u0131l Ba\u015flan\u0131r<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.76<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Tarihte Sebepler ve Etkiler \u00dczerine Bir Kompozisyon<\/span><\/span><\/td>\n\n

11<\/span><\/span><\/p>\n<\/td>\n

\n

0.72<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bir Hobiye Nas\u0131l Ba\u015flan\u0131r<\/span><\/span><\/td>\n\n

5<\/span><\/span><\/p>\n<\/td>\n

\n

0.71<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bir Hobiye Nas\u0131l Ba\u015flan\u0131r<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.70<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Amerikan Ba\u015fkan\u0131<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

0.68<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Yemek Nedir?<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.66<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

T\u00fcketici Muhabiri<\/span><\/span><\/td>\n\n

12<\/span><\/span><\/p>\n<\/td>\n

\n

0.64<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Yemek Nedir? A \/ B<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.63<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Favori Etkinlik<\/span><\/span><\/td>\n\n

4<\/span><\/span><\/p>\n<\/td>\n

\n

0.63<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\n

\u2026..<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Yazman\u0131n \u0130leti\u015fim Becerileri \u00dczerine Etkileri<\/span><\/span><\/td>\n\n

8<\/span><\/span><\/p>\n<\/td>\n

\n

-0.70<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Geri D\u00f6n\u00fc\u015f\u00fcm \u0130ste\u011fe Ba\u011fl\u0131 m\u0131 Yoksa Zorunlu mu Olmal\u0131?<\/span><\/span><\/td>\n\n

7<\/span><\/span><\/p>\n<\/td>\n

\n

-0.70<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bilgisayar Oyunlar\u0131 Oynamak Ne Kadar Zaman Al\u0131r<\/span><\/span><\/td>\n\n

7<\/span><\/span><\/p>\n<\/td>\n

\n

-0.71<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

S\u0131rad\u0131\u015f\u0131 Bir Etkinlik<\/span><\/span><\/td>\n\n

9<\/span><\/span><\/p>\n<\/td>\n

\n

-0.74<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\u00d6nemli Bir Karar<\/span><\/span><\/td>\n\n

8<\/span><\/span><\/p>\n<\/td>\n

\n

-0.75<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Edebi Bir Temay\u0131 Yorumlama<\/span><\/span><\/td>\n\n

7<\/span><\/span><\/p>\n<\/td>\n

\n

-0.79<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Anlaml\u0131 Bir \u00c7ocukluk An\u0131s\u0131<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-0.81<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Anlaml\u0131 Bir Ya\u015fam Dersi<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-0.82<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\u00c7at\u0131\u015fma ile Ba\u015fa \u00c7\u0131kmak<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-0.85<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\u0130ki Edebi Karakteri K\u0131yaslama ve Kar\u015f\u0131la\u015ft\u0131rma<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-1.08<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Bu uygulanabilir sonucun \u00f6tesinde, atanm\u0131\u015f s\u0131n\u0131f seviyesi kontrol\u00fc i\u00e7in yazma konusunun zorlu\u011funun tahmin edilmesi bir dizi ilgin\u00e7 ara\u015ft\u0131rma sorusunu g\u00fcndeme getirmektedir. Tablo 17.2 etiketlenen s\u0131n\u0131f seviyesi ve yazma konu ba\u015fl\u0131\u011f\u0131 i\u00e7in verilen s\u00fctunlar\u0131n yan\u0131s\u0131ra zorluk olarak adland\u0131r\u0131lan s\u00fctunda da rastgele etkilerin ko\u015fullu modlar\u0131n\u0131n (Bates, Maechler, Bolker ve Walker, 2015) tahminlerine g\u00f6re s\u0131ralanan yazma konular\u0131n\u0131n bir alt k\u00fcmesini sunar. Bir kompozisyondan elde edilen puan \u00fczerindeki etki, not seviyesinin, s\u0131n\u0131f seviyesi ile modelden gelen katsay\u0131s\u0131n\u0131n \u00e7arp\u0131m\u0131na onun zorlu\u011funun eklenmesi ile elde edilen toplamd\u0131r, dolay\u0131s\u0131yla zorluk ne kadar pozitif ise yazma konusu o s\u0131n\u0131f seviyesindeki di\u011fer konulara g\u00f6re o kadar kolayd\u0131r; bu nedenle, tablonun alt\u0131na yak\u0131n yazma konular\u0131 s\u0131n\u0131f seviyelerine g\u00f6re daha zordur. Bu verileri a\u00e7\u0131klamak i\u00e7in hipotezler olu\u015fturmaya \u00e7al\u0131\u015fman\u0131n ilk a\u015famalar\u0131nday\u0131z, \u00f6rne\u011fin, tablodaki ilk 10 yazma konusunun neden bu s\u0131n\u0131f d\u00fczeyindeki di\u011fer yazma konular\u0131ndan daha kolay oldu\u011fu ve son 10'un da neden daha zor oldu\u011fu gibi g\u00f6receli olarak en kolay olan \u00f6gelerin, daha k\u0131s\u0131tl\u0131 olan nispeten en zor maddeler k\u00fcmesinden daha geni\u015f bir s\u0131n\u0131f seviyesi aral\u0131\u011f\u0131ndan \u00e7ekildi\u011fi g\u00f6r\u00fcl\u00fcyor.<\/span><\/p>\n\n

B\u00fcy\u00fck Veri K\u00fcmeleriyle Modellemede Dikkat Edilmesi Gerekenler<\/h4>\n

Bir model tasarlarken, ifade ile sadelik aras\u0131nda bir denge vard\u0131r. B\u00fcy\u00fck veri k\u00fcmelerinde, genellikle istatistiksel \u00f6nem, model bi\u00e7imine karar vermek i\u00e7in yeterli bir temel de\u011fildir; analizin amac\u0131n\u0131n da karara ba\u011flanmas\u0131 gerekir. Daha \u00f6nce sunulan betimleyici grafiklerden gelen g\u00fc\u00e7l\u00fc bir mesaj, kompozisyon ba\u015f\u0131na g\u00f6nderim say\u0131s\u0131 gibi de\u011fi\u015fkenler i\u00e7in kayba yol a\u00e7an sonu\u00e7larla ilgiliydi. Bu e\u011filim bir \u00e7ok terimli veya genel bir katk\u0131 modeli ba\u011flam\u0131nda tan\u0131mlanabilir. Veri madencili\u011finin g\u00fcc\u00fc b\u00fcy\u00fck bir veri k\u00fcmesidir; ili\u015fkilerin alaca\u011f\u0131 form hakk\u0131nda daha az varsay\u0131mda bulunabiliriz. Bu durumda, performans ve s\u0131n\u0131f aras\u0131nda do\u011frusal bir ili\u015fki varsayabiliriz ancak bunun yerine, 3. s\u0131n\u0131fa g\u00f6re ayr\u0131 bir geli\u015fme oldu\u011funu tahmin ettik ve ili\u015fkiyi \u015eekil 17.4'te g\u00f6sterdik. Asimtotik davran\u0131\u015f\u0131n nedenlerini ve WriteToLearn\u2122 'e y\u00f6nelik potansiyel ilerlemelerin etkilerini daha iyi anlamak i\u00e7in ek ara\u015ft\u0131rmalar gereklidir.<\/span><\/p>\n

\"\"<\/p>\n<\/a> \u015eekil 17.4. \u00d6\u011frenci puan\u0131nda s\u0131n\u0131f d\u00fczeyi g\u00f6re geli\u015fim.<\/i><\/span><\/span>\n

Burada tarif edilen \u00e7al\u0131\u015fmayla ilgili olarak, karma efekt modelleri kullanarak (\u00f6r. \u00f6zel ders ba\u011flam\u0131nda Feng, Heffernan, Heffernan ve Mani, 2009) veya Markov y\u00f6ntemlerini kullanarak (\u00f6r. Beal, Mitra ve Cohen, 2007; Jeong vd., 2008) veya Bayes\u00e7i teknikler (\u00f6r. Conati vd., 1997) daha detayl\u0131 eylem d\u00f6n\u00fc\u015f\u00fcm modelleri vard\u0131r. Bu teknikler, eylem seviyesindeki (bili\u015fsel destek servislerinin kullan\u0131m\u0131 gibi) \u00f6\u011frenci etkile\u015fimlerini daha iyi anlamak i\u00e7in burada anlat\u0131lm\u0131\u015f olan daha fazla ders i\u00e7erikli analize tamamlay\u0131c\u0131 olarak kullan\u0131labilir.<\/span><\/p>\n\n

SONU\u00c7<\/h2>\n

Dijital e\u011fitim ortamlar\u0131, \u00f6\u011frencilerin \u00f6\u011frenim ihtiya\u00e7lar\u0131na g\u00f6re an\u0131nda geri bildirim ve e\u011fitim almas\u0131n\u0131 sa\u011flarken daha otantik e\u011fitim g\u00f6revleri \u00fczerinde \u00e7al\u0131\u015fmalar\u0131n\u0131 sa\u011flayarak \u00f6\u011frencilerin daha ki\u015fiselle\u015ftirilmi\u015f \u00f6\u011frenme deneyimlerine sahip olmalar\u0131n\u0131 destekleyecek bir altyap\u0131 sa\u011flayabilir. D\u00fczg\u00fcn bir \u015fekilde uyguland\u0131klar\u0131nda bu ortamlar, \u00f6\u011frencinin sistemle etkile\u015fime girmesiyle \u00f6\u011frenmesi ve geli\u015fimi hakk\u0131nda zengin bir bilgi kayna\u011f\u0131 da sa\u011flayabilir. Bi\u00e7imlendirici yaz\u0131m\u0131n b\u00fcy\u00fck \u00f6l\u00e7ekli uygulamalar\u0131, performans\u0131n analizi ve geri bildirimin etkileri i\u00e7in zengin veri k\u00fcmeleri sa\u011flar. Yaz\u0131lan \u00fcr\u00fcn\u00fc veri olarak ele alma, otomatik yazma puanlamas\u0131 uygulamak, \u00f6\u011frencilerin bu uygulamalarda kompozisyonlar\u0131 yazarken ve g\u00f6zden ge\u00e7irirken \u00f6\u011frenmelerinin izlenmesini sa\u011flar. \u00d6\u011frenci eylemleri g\u00fcnl\u00fc\u011f\u00fcn\u00fc, ge\u00e7en zaman miktar\u0131n\u0131 ve komisyonlardaki de\u011fi\u015fiklikleri inceleyerek, sistemin kullan\u0131m\u0131ndan \u00f6\u011frenmenin etkisi izlenebilir.<\/span><\/p>\n

\u00d6\u011frencinin \u00f6\u011frenme geli\u015fimini en \u00fcst d\u00fczeye \u00e7\u0131karmak i\u00e7in bi\u00e7imlendirici bir sistem geli\u015ftirmek ve s\u00fcrd\u00fcrmek, tasar\u0131m ve uygulamadan ba\u015flayarak kullan\u0131m\u0131n\u0131n izlenmesi ile devam etmeyi gerektiren \u00e7e\u015fitli kararlar gerektirir. Tasar\u0131m ve uygulama a\u015famas\u0131ndaki kararlar genel olarak uygulamada b\u00fcy\u00fck \u00f6l\u00e7\u00fcde belirsizlik sa\u011flayan bir ayr\u0131nt\u0131 d\u00fczeyi olan teori ve en iyi uygulamalarla s\u0131n\u0131rl\u0131d\u0131r. Bununla birlikte, bir sistem devreye al\u0131nd\u0131\u011f\u0131nda, bu varsay\u0131mlar s\u0131n\u0131f etkinlikleri s\u0131ras\u0131nda sistemi uygulayan \u00f6\u011fretmenlerin ve yazmay\u0131 \u00f6\u011frenen \u00f6\u011frencilerin fiil\u00ee davran\u0131\u015flar\u0131na kar\u015f\u0131 y\u00f6neltilebilir. Veri madencili\u011fi yoluyla, bu varsay\u0131mlar hem sistemin varsay\u0131mlar\u0131n\u0131 do\u011frulamak hem de \u00f6\u011frencilerin nas\u0131l \u00f6\u011frendikleri hakk\u0131nda daha fazla bilgi edinmek i\u00e7in test edilebilir.<\/span><\/p>\n\n

\u00d6\u011frenmek i\u00e7in Yazmak ve Yazmay\u0131 \u00d6\u011frenme<\/h3>\n

Sonu\u00e7ta ortaya \u00e7\u0131kan analiz, bi\u00e7imlendirici yazman\u0131n temel bir ilkesini do\u011frular: \u00f6\u011frenciler sistemden gelen geri bildirimlere dayanarak revizyonlarla yaz\u0131lar\u0131n\u0131 geli\u015ftirebilirler. Yazmaya veri madencili\u011fi yakla\u015f\u0131m\u0131, \u00f6\u011frenmedeki de\u011fi\u015fimleri ve geri bildirimlerin performans \u00fczerindeki etkilerini incelemek i\u00e7in iyi ayarlanm\u0131\u015f bir yakla\u015f\u0131ma izin verir. Bu ayr\u0131ca, ortaya \u00e7\u0131kan endi\u015feleri ke\u015ffetmemize, \u00f6nceliklendirmemize ve ele almam\u0131za ve hangi de\u011fi\u015fikliklerin \u00f6\u011frenci deneyimini ve yazma becerilerini keskinle\u015ftirme yeteneklerini geli\u015ftirmede m\u00fcmk\u00fcn k\u0131laca\u011f\u0131n\u0131 belirlememize izin verir.<\/span><\/p>\n

Yazma de\u011ferlendirmesinin oda\u011f\u0131 \u00e7o\u011fu zaman \u00fcr\u00fcn (yani son kompozisyon) olmu\u015ftur. \u00d6\u011frenci taslak teslimlerinde ve onlar\u0131n i\u015flem kay\u0131tlar\u0131nda veri madencili\u011fi yaparak, \u00f6\u011frencilerin \u00fcr\u00fcn\u00fc olu\u015fturmak i\u00e7in ald\u0131\u011f\u0131 s\u00fcreci izlemek m\u00fcmk\u00fcnd\u00fcr. Bu analiz, sadece son \u00fcr\u00fcn\u00fc de\u011ferlendirmek yerine, yazma s\u00fcrecinde stratejik noktalarda m\u00fcdahalelere izin verir. Verilerin yaz\u0131lmas\u0131, kompozisyonlar\u0131n incelenmesi, kompozisyonlar\u0131n olu\u015fturulma s\u00fcreci ve de\u011fi\u015fikliklerin ilerlemesi gibi \u00e7ok \u00e7e\u015fitli analizler yap\u0131labilir. Bu yakla\u015f\u0131mlar hem tan\u0131mlay\u0131c\u0131 analizler hem de modelleme olabilir. Bu b\u00f6l\u00fcmdeki t\u00fcm analiz t\u00fcrleri hakk\u0131nda kapsaml\u0131 bir tart\u0131\u015fma sa\u011flayamasak da ama\u00e7, veri madencili\u011finin sistem ve \u00f6\u011frenci yazma performans\u0131n\u0131n kan\u0131tlar\u0131n\u0131 toplama ve kal\u0131plar\u0131 ortaya \u00e7\u0131karma konusunda yeni d\u00fc\u015f\u00fcnme y\u00f6ntemleri sunabilece\u011fini g\u00f6stermek i\u00e7in \u00e7e\u015fitli yakla\u015f\u0131mlar g\u00f6stermekti. Bu sadece bireysel \u00f6\u011frencileri veya s\u0131n\u0131flar\u0131 g\u00f6zlemleyerek ortaya \u00e7\u0131kanlar\u0131n \u00f6tesine ge\u00e7er.<\/span><\/p>\n\n

KAYNAK\u00c7A<\/h2>\nBaayen, R. H., Davidson, D. J., & Bates, D. M. (2008). Mixed-effects modeling with crossed random effects for subjects and items. Journal of Memory and Language, 59<\/i>, 390\u2013412. <\/span><\/span>\n\nBaikadi, A., Schunn, C., & Ashley, K. (2015). Understanding revision planning in peer-reviewed writing. 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. 544 \u2013 548). International Educational Data Mining Society. <\/span><\/span>\n\nBates, D., Maechler, M., Bolker, B. M., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. ArXiv e-print, Journal of Statistical Software<\/i>, http:\/\/arxiv.org\/abs\/1406.5823. <\/span><\/span>\n\nBeal, C., Mitra, S., & Cohen, P. R. (2007). Modeling learning patterns of students with a tutoring system using Hidden Markov Models. Proceedings of the 2007 conference on Artificial Intelligence in Education: Building Technology Rich Learning Contexts That Work<\/i>, 238\u2013245. <\/span><\/span>\n\nBlack, P., & William, D. (1998). Assessment and classroom learning. Assessment in Education, 5<\/i>(1), 7\u201374. <\/span><\/span>\n\nBuckingham-Shum, S. (2013). Proceedings of the 1st International Workshop on Discourse-Centric Analytics<\/i>, workshop held in conjunction with the 3rd International Conference on Learning Analytics and Knowledge (LAK\u201913), 8\u201312 April 2013, Leuven, Belgium. New York: ACM. <\/span><\/span>\n\nBurstein, J., Chodorow, M., & Leacock, C. (2004). Automated essay evaluation: The Criterion Online writing service. AI Magazine, 25<\/i>(3), 27\u201336. <\/span><\/span>\n\nCalvo, R. A., Aditomo, A., Southavilay, V., & Yacef, K. (2012). The use of text and process mining techniques to study the impact of feedback on students\u2019 writing processes. Proceedings of the 10th International Conference of the Learning Sciences <\/i>(ICLS\u201912) Vol. 1, Full Papers, 2\u20136 July 2012, Sydney, Australia (pp. 416\u2013423). <\/span><\/span>\n\nCalvo, R. A., O\u2019Rourke, S. T., Jones, J., Yacef, K., & Reimann, P. (2011). Collaborative writing support tools on the cloud. IEEE Transactions on Learning Technologies, 4<\/i>(1), 88\u201397. <\/span><\/span>\n\nConati, C., Gertner, A. S., VanLehn, K., & Druzdzel, M. J. (1997). On-line student modeling for coached problem-solving using Bayesian networks. Proceedings of the 6th International User Modeling Conference <\/i>(UM97) (pp. 231\u2013242). <\/span><\/span>\n\nCrossley, S. A., McNamara, D. S., Baker, R., Wang, Y., Paquette, L., Barnes, T., & Bergner, Y. (2015). Language to completion: Success in an educational data mining massive open online class. 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. 388\u2013392). International Educational Data Mining Society. <\/span><\/span>\n\nDeane, P. (2014). Using writing process and product features to assess writing quality and explore how those features relate to other literacy tasks. Educational Testing Research Report ETS RR-14-03<\/i>. http:\/\/dx.doi.org\/10.1002\/ets2.12002. <\/span><\/span>\n\nDeane, P., & Quinlan, T. (2010). What automated analyses of corpora can tell us about students\u2019 writing skills. Journal of Writing Research, 2<\/i>(2), 151\u2013177. <\/span><\/span>\n\nDiCerbo, K. E., & Behrens, J. (2012). Implications of the digital ocean on current and future assessment. In R. Lissitz & H. Jao (Eds.), Computers and their impact on state assessment: Recent history and predictions for the future<\/i>. Charlotte, NC: Information Age. <\/span><\/span>\n\nFeng, M., Heffernan, N. T., Heffernan, C., Mani, M. (2009). Using mixed-effects modeling to analyze different grain-sized skill models in an intelligent tutoring system. IEEE Transactions on Learning Technologies, 2<\/i>, 79\u201392. <\/span><\/span>\n\nFoltz, P. W., Gilliam, S., & Kendall, S. (2000). Supporting content-based feedback in online writing evaluation with LSA. Interactive Learning Environments, 8<\/i>(2), 111\u2013129. <\/span><\/span>\n\nFoltz, P. W., & Rosenstein, M. (2013). Tracking student learning in a state-wide implementation of automated writing scoring. Proceedings of the Neural Information Processing Systems <\/i>(NIPS) Workshop on Data Driven Education. http:\/\/lytics.stanford.edu\/datadriveneducation\/ <\/span><\/span>\n\nFoltz, P. W., & Rosenstein, M. (2015). Analysis of a large-scale formative writing assessment system with automated feedback. Proceedings of the 2nd ACM conference on Learning@Scale <\/i>(L@S 2015), 14\u201318 March 2015, Vancouver, BC, Canada (pp. 339\u2013342). New York: ACM. <\/span><\/span>\n\nFoltz, P. W., & Rosenstein, M. (2016). Visualizing teacher assignment behavior in a statewide implementation of a formative writing system. Cover competition. Education Measurement: Issues and Practice, 35<\/i>(2), 31. http:\/\/dx.doi.org\/10.1111\/emip.12114 <\/span><\/span>\n\nFoltz, P. W., Streeter, L. A., Lochbaum, K. E., & Landauer, T. K. (2013). Implementation and applications of the Intelligent Essay Assessor. In M. D. Shermis & J. Burstein, handbook of automated essay evaluation: Current applications and future directions <\/i>(pp. 68\u201388). New York: Routledge. <\/span><\/span>\n\nGerbner, G., Holsti, O. R., Krippendorff, K., Paisley, W. J., & Stone, Ph. J. (Eds.) (1969). The analysis of communication content: Development in scientific theories and computer techniques. New York: Wiley. <\/span><\/span>\n\nGraham, S., Harris, K. R., & Hebert, M. (2011). Informing writing: The benefits of formative assessment<\/i>. Carnegie Corporation of New York. <\/span><\/span>\n\nGraham, S., & Hebert, M. (2010). Writing to read: Evidence for how writing can improve reading<\/i>. Carnegie Corporation of New York. <\/span><\/span>\n\nGraham, S., & Perin, D. (2007). A meta-analysis of writing instruction for adolescent students. Journal of Educational Psychology, 99<\/i>, 445\u2013476. <\/span><\/span>\n\nHattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77<\/i>(1), 81\u2013112. <\/span><\/span>\n\nJeong, H., Gupta, A., Roscoe, R., Wagster, J., Biswas, G., & Schwartz, D. (2008). Using Hidden Markov Models to characterize student behaviors in learning-by-teaching environments. In B. Woolf, E. A\u00efmeur, R. Nkambou, & S. Lajoie (Eds.), Proceedings of the 9th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2008), 23\u201327 June 2008, Montreal, PQ, Canada (pp. 614\u2013625). Berlin \/ Heidelberg: Springer. <\/span><\/span>\n\nKrippendorff, K., & Bock, M. A. (2009). The content analysis reader<\/i>. Sage Publications. <\/span><\/span>\n\nLandauer, T. K., Laham, D., & Foltz, P. W. (2001). Automated essay scoring. IEEE Intelligent Systems<\/i>, September\/October. <\/span><\/span>\n\nLandauer, T., Lochbaum, K., & Dooley, S. (2009). A new formative assessment technology for reading and writing. Theory into Practice, 48<\/i>(1), 44\u201352. http:\/\/dx.doi.org\/10.1080\/00405840802577593 <\/span><\/span>\n\nLeijten, M., & Van Waes, L. (2013). Keystroke logging in writing research using Inputlog to analyze and visualize writing processes. Written Communication, 30<\/i>(3), 358\u2013392. <\/span><\/span>\n\nMislevy, R. J., Behrens, J. T., Dicerbo, K. E., & Levy, R. (2012). Design and discovery in educational assessment: Evidence-centered design, psychometrics, and educational data mining. Journal of Educational Data Mining, 4<\/i>(1), 11\u201348. <\/span><\/span>\n\nMollette, M., & Harmon, J. (2015). Student-level analysis of Write to Learn effects on state writing test scores. Paper presented at the 2015 annual meeting of the American Educational Research Association. http:\/\/ www.aera.net\/Publications\/Online-Paper-Repository\/AERA-Online-Paper-Repository <\/span><\/span>\n\nPage, E. B. (1967). The imminence of grading essays by computer. Phi Delta Kappan, 47<\/i>, 238\u2013243. <\/span><\/span>\n\nParr, J. (2010). A dual purpose data base for research and diagnostic assessment of student writing. Journal of Writing Research, 2<\/i>(2), 129\u2013150. <\/span><\/span>\n\nPe\u00f1a-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert systems with applications, 41<\/i>(4), 1432\u20131462. <\/span><\/span>\n\nPinheiro, J., & Bates, D. (2006). Mixed-effects models in S and S-PLUS<\/i>. New York: Springer-Verlag. <\/span><\/span>\n\nReimann, P., Calvo, R., Yacef, K., & Southavilay, V. (2010). Comprehensive computational support for collaborative learning from writing. In S. L. Wong, S. C. Kong, & F.-Y. Yu (Eds.), Proceedings of the 18th International Conference on Computers in Education <\/i>(ICCE 2010), 29 November\u20133 December, Putrajaya, Malaysia (pp. 129\u2013136). Asia-Pacific Society for Computers in Education. <\/span><\/span>\n\nRomero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33<\/i>(1), 135\u2013146. <\/span><\/span>\n\nRomero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3<\/i>(1), 12\u201327. <\/span><\/span>\n\nRoscoe, R., & McNamara, D. S. (2013). Writing pal: Feasibility of an intelligent writing strategy tutor in the high school classroom. Journal of Educational Psychology, 105<\/i>(4), 1010\u20131025. http:\/\/dx.doi.org\/10.1037\/a0032340 <\/span><\/span>\n\nShermis, M., & Hamner, B. (2012). Contrasting state-of-the-art automated scoring of essays: Analysis. Paper presented at Annual Meeting of the National Council on Measurement in Education, Vancouver, Canada, April. <\/span><\/span>\n\nShute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78<\/i>(1), 153\u2013189. <\/span><\/span>\n\nWalvoord, B. E., & McCarthy, L. P. (1990). Thinking and writing in college: A naturalistic study of students in four disciplines<\/i>. Urbana, IL: National Council of Teachers of English. <\/span><\/span>\n\nWhite, B., & Larusson, J. A. (Eds.). (2014). Learning analytics: From research to practice. <\/i>New York: Springer Science+Business Media. doi:10.1007\/978-1-4614-3305-7_8. <\/span><\/span>\n\nWhitelock, D., Field, D., Pulman, S., Richardson, J. T. E., & Van Labeke, N. (2013). OpenEssayist: an automated feedback system that supports university students as they write summative essays. Proceedings of the 1st International Conference on Open Learning: Role, Challenges and Aspirations<\/i>. The Arab Open University, Kuwait, 25\u201327 November 2013. <\/span><\/span>\n\nWhitelock, D., Twiner, A., Richardson, J. T. E., Field, D., & Pulman, S. (2015). OpenEssayist: A supply and demand learning analytics tool for drafting academic essays. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i>(LAK\u201915), 16\u201320 March, Poughkeepsie, NY, USA (pp. 208\u2013212). New York: ACM.<\/span><\/span>\n\n
\n\n
\n

1<\/a> orj. formative writing<\/span><\/span><\/p>\n\n<\/div>\n

\n

2<\/a> orj. writing analytics<\/span><\/span><\/p>\n\n<\/div>\n

\n

3<\/a> orj. iterative writing tool<\/span><\/span><\/p>\n\n<\/div>\n","rendered":"

<\/a> Peter W. Foltz1, 2<\/sup>, Mark Rosenstein2<\/sup><\/span><\/span><\/p>\n

1<\/sup>Bili\u015fsel Bilimler Enstit\u00fcs\u00fc, Colorado \u00dcniversitesi, ABD<\/span><\/span><\/p>\n

2 <\/sup> \u0130leri Bilgi \u0130\u015flem ve Veri Bilim Laboratuvar\u0131, Pearson, ABD<\/span><\/span><\/p>\n

DOI: 10.18608 \/ hla17.017<\/span><\/span><\/p>\n

\u00d6Z<\/h2>\n

Dijital e\u011fitim ortamlar\u0131nda \u00f6\u011frenen yazma \u00e7al\u0131\u015fmas\u0131, yazmay\u0131 \u00f6\u011frenme s\u00fcre\u00e7lerinin yan\u0131 s\u0131ra dijital ortam\u0131n bu s\u00fcre\u00e7ler \u00fczerindeki etkisine ili\u015fkin kan\u0131t niteli\u011finde zengin bilgi sa\u011flayabilir. Yazma becerilerini geli\u015ftirmek, \u00f6zellikle de s\u0131k s\u0131k geri bildirim ile desteklendiklerinde ve kompozisyonlar\u0131n\u0131 planlama, g\u00f6zden ge\u00e7irme ve d\u00fczenleme stratejileri \u00f6\u011fretildi\u011finde, pratik yapma f\u0131rsatlar\u0131na sahip olan \u00f6\u011frencilere ba\u011fl\u0131d\u0131r. Otomatik kompozisyon puanlamas\u0131n\u0131 i\u00e7eren bi\u00e7imlendirici sistemler, \u00f6\u011frencilere d\u00fczenli olarak tekrarlayan bir d\u00f6ng\u00fcde yazmalar\u0131, geri bildirim almalar\u0131 ve sonra kompozisyonu g\u00f6zden ge\u00e7irmeleri i\u00e7in f\u0131rsatlar sunar. Bu b\u00f6l\u00fcm, e\u011fitim sonu\u00e7lar\u0131n\u0131 iyile\u015ftirmek i\u00e7in kullan\u0131lan y\u00fczlerce \u00f6nceden tan\u0131mlanm\u0131\u015f bilgi istemine cevap olarak yaz\u0131lm\u0131\u015f, bir milyondan fazla \u00f6\u011frenci kompozisyonu kullanarak, bi\u00e7imlendirici teknolojideki geli\u015fmeleri y\u00f6nlendiren, \u00f6nceden tan\u0131mlanm\u0131\u015f y\u00fczlerce yazma etkinli\u011fi konular\u0131na y\u00f6nelik olarak yaz\u0131lan bir milyondan fazla \u00f6\u011frenci kompozisyonu1<\/a><\/sup> kullanarak geni\u015f \u00f6l\u00e7ekli bir bi\u00e7imlendirme yazma sisteminin bir analizini sunar ve yazma s\u00fcrecinde \u00f6\u011frencilere destek olmak i\u00e7in daha iyi geri bildirim ve bili\u015fsel destek t\u00fcrleri tasarlar.<\/span><\/span><\/p>\n

Anahtar Kelimeler<\/span>: Yazma, bi\u00e7imlendirici geri bildirim, otomatik puanlama, karma efekt modellemesi, g\u00f6rselle\u015ftirme, yaz\u0131m analiti\u011fi2<\/a><\/sup><\/span><\/span><\/p>\n

Yazma hem \u00f6\u011frencilere bilgi ve becerilerini ifade etmenin hem de bilgilerini geli\u015ftirmelerine yard\u0131mc\u0131 olma konusunda e\u011fitim vermenin bir arac\u0131 olarak hizmet etti\u011fi e\u011fitim uygulamalar\u0131n\u0131n ayr\u0131lmaz bir par\u00e7as\u0131d\u0131r. \u0130yi bir yazar olabilmek i\u00e7in \u00f6\u011frencilerin \u00e7ok fazla pratik yapmalar\u0131 gerekti\u011fi iyi bilinmektedir. Ancak sadece yazma prati\u011fi iyi bir yazar olmak i\u00e7in yeterli de\u011fildir; zaman\u0131nda geri bildirim almak \u00e7ok \u00f6nemlidir (\u00f6r. Black ve William, 1998; Hattie ve Timperley, 2007; Shute, 2008). S\u0131n\u0131fta bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmalar\u0131 (\u00f6r. Graham, Harris ve Hebert, 2011; Graham ve Hebert, 2010; Graham ve Perin, 2007), \u00f6\u011frencilere geri bildirimleri destekleme ve kompozisyonlar\u0131n\u0131 planlama, g\u00f6zden ge\u00e7irme ve d\u00fczenleme stratejileri hakk\u0131nda talimat verme, \u00f6\u011frencilerin yazmay\u0131 geli\u015ftirmede g\u00fc\u00e7l\u00fc etkileri olabilece\u011fini g\u00f6stermi\u015ftir.<\/span><\/p>\n

Veri Olarak Metin<\/h3>\n

Yazma karma\u015f\u0131k bir etkinliktir ve performans temelli bir \u00f6\u011frenme ve de\u011ferlendirme \u015fekli olarak kabul edilebilir, \u00e7\u00fcnk\u00fc \u00f6\u011frenciler gelecekteki akademik ve \u00e7al\u0131\u015fma ya\u015famlar\u0131nda genel olarak yapmalar\u0131 beklenenlere benzer bir g\u00f6revi yerine getirirler. Bu nedenle, yazma, \u00f6\u011frenci alan bilgisi, ifade becerileri ve dil becerisi hakk\u0131nda zengin bir veri kayna\u011f\u0131 sa\u011flar. B\u00f6ylece yazma, metin bilgisine dayal\u0131 olarak \u00f6\u011frenci performans\u0131n\u0131n do\u011fas\u0131 hakk\u0131nda \u00e7ok say\u0131da \u00e7\u0131kar\u0131mda bulunmay\u0131 sa\u011flar.<\/span><\/p>\n

\u015eu anda yazma \u00e7al\u0131\u015fmalar\u0131n\u0131n b\u00fcy\u00fck bir b\u00f6l\u00fcm\u00fcne bilgisayarlar arac\u0131l\u0131k etmektedir, bu da yazma \u00f6\u011freniminde k\u00e2\u011f\u0131t temelli medyada yapma \u015fans\u0131 bulamad\u0131\u011f\u0131m\u0131z, zaman aral\u0131klar\u0131nda ve derinlemesine inceleme ve peki\u015ftirme f\u0131rsat\u0131 sunmaktad\u0131r. \u00d6rne\u011fin, Walvoord ve McCarthy (1990), bir dizi ortak ile, yakla\u015f\u0131k on y\u0131l boyunca s\u0131n\u0131f \u00e7al\u0131\u015fmalar\u0131 y\u00fcr\u00fctm\u00fc\u015f, yazma talimatlar\u0131n\u0131n anla\u015f\u0131lmas\u0131 i\u00e7in \u00f6\u011frenci dergileri, taslaklar ve final k\u00e2\u011f\u0131tlar\u0131 gibi \u00fcr\u00fcnler toplam\u0131\u015ft\u0131r. \u00c7al\u0131\u015fma y\u00fcr\u00fct\u00fcl\u00fcrken harcanan \u00e7aban\u0131n b\u00fcy\u00fck \u00e7o\u011funlu\u011fu \u00fcr\u00fcn toplama ve bunlar\u0131n el ile analiz edilmesine ayr\u0131lm\u0131\u015ft\u0131r. G\u00fcn\u00fcm\u00fczde bilgisayar destekli yaz\u0131 ile bu kaynaklara yazma i\u015fleminin bir par\u00e7as\u0131 olarak daha kolay ula\u015f\u0131labilmektedir ve bu (kaynaklar) do\u011fal dil i\u015fleme ve makine \u00f6\u011frenmenin otomatik olarak kullan\u0131labilece\u011fi bir formdad\u0131r. Uygun \u00f6\u011frenme analiti\u011fi y\u00f6ntemleri uygulanarak, metinsel bilgiler bu nedenle, \u00f6\u011frenci performans\u0131yla ilgili \u00e7\u0131kar\u0131mlar\u0131 desteklemek i\u00e7in otomatik olarak verilere d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir.<\/span><\/p>\n

1960’l\u0131 y\u0131llardan beri yaz\u0131n\u0131n b\u00fct\u00fcn y\u00f6nlerini anlamak i\u00e7in otomatik analizler uygulanmaktad\u0131r. \u0130\u00e7erik analizi (\u00f6r. Gerbner, Holsti, Krippendorff, Paisley ve Stone, 1969; Krippendorff & Bock, 2009), i\u00e7erikle ilgili tekrarlanabilir, ge\u00e7erli \u00e7\u0131kar\u0131mlar yapmak i\u00e7in metin verilerinin analizine izin vermek \u00fczere tasarlanm\u0131\u015ft\u0131r. Ancak y\u00f6ntemler \u00f6ncelikle metinlerde kullan\u0131lan anahtar terimlerin say\u0131s\u0131na odaklanm\u0131\u015ft\u0131r. Ellis Page (1967), \u00f6\u011frenci yaz\u0131lar\u0131n\u0131n dil \u00f6zelliklerini, kompozisyonlar\u0131n \u00f6\u011fretmen derecelendirmeleriyle y\u00fcksek oranda ili\u015fkili olan puanlara d\u00f6n\u00fc\u015ft\u00fcrmede kullan\u0131lan tekniklere \u00f6nc\u00fcl\u00fck etmi\u015ftir. Son 50 y\u0131lda giderek daha sofistike do\u011fal dil i\u015fleme ve makine \u00f6\u011frenme tekniklerinin ortaya \u00e7\u0131kmas\u0131yla birlikte, otomatik kompozisyon puanlamas\u0131 (OKP) (art\u0131k an\u0131nda puanlama ve geri bildirim sa\u011flayabilen yayg\u0131n olarak kullan\u0131lan bir dizi yakla\u015f\u0131m haline gelmi\u015ftir. OKP sistemleri \u00fczerine yap\u0131lan ara\u015ft\u0131rmalar, puanlamalar\u0131n\u0131n insan puanlay\u0131c\u0131lar kadar do\u011fru olabilece\u011fini (\u00f6r. Burstein, Chodorow ve Leacock, 2004; Landauer, Laham ve Foltz, 2001; Shermis ve Hamner, 2012), birden fazla yazma \u00f6zelli\u011fini puanlayabildi\u011fini (\u00f6r. Foltz, Streeter, Lochbaum ve Landauer, 2013) ve i\u00e7erik hakk\u0131nda geri bildirim i\u00e7in kullan\u0131labilir oldu\u011funu g\u00f6stermi\u015ftir. (\u00f6r. Foltz, Gilliam ve Kendall, 2000; Foltz vd., 2013).<\/span><\/p>\n

OKP’nin de\u011ferlendirilmesindeki oda\u011f\u0131n \u00e7o\u011fu, puanlaman\u0131n do\u011frulu\u011funu ve puanlanabilecek farkl\u0131 yaz\u0131 t\u00fcrlerini incelerken, OKP, de\u011ferlendirmenin \u00f6\u011frencinin \u00f6\u011frenmesine nas\u0131l yard\u0131mc\u0131 olaca\u011f\u0131na daha fazla odaklan\u0131labilen, bi\u00e7imlendirici yazma konusunda geni\u015f bir uygulanabilirli\u011fe sahiptir. Yazma \u00e7al\u0131\u015fmas\u0131n\u0131n de\u011ferlendirilmesinin insan eliyle yap\u0131lmas\u0131, \u00f6\u011frencilerin geri bildirim alma f\u0131rsatlar\u0131n\u0131 s\u0131n\u0131rlayarak zaman al\u0131c\u0131 ve \u00f6znel sonu\u00e7lar do\u011furabilir. Bi\u00e7imlendirici bir arac\u0131n bile\u015feni olarak OKP, \u00f6\u011frencilere an\u0131nda geri bildirim sa\u011flayabilir ve onlara kar\u015f\u0131la\u015ft\u0131\u011f\u0131 zorluk t\u00fcrlerini tespit etmeye dayal\u0131 yazma stratejilerinin \u00f6\u011fretilmesini destekleyebilir. \u00d6rne\u011fin, s\u0131n\u0131f i\u00e7i e\u011fitime d\u00e2hil edildi\u011finde, \u00f6\u011frenciler bir d\u00f6nem boyunca kompozisyonlar\u0131 defalarca yazabilir, g\u00f6nderebilir, geri bildirim alabilir ve makaleleri g\u00f6zden ge\u00e7irebilirler. T\u00fcm \u00f6\u011frenci yaz\u0131 \u00e7al\u0131\u015fmalar\u0131 elektronik olarak yap\u0131l\u0131r ve t\u00fcm \u00f6\u011frenci eylemlerinin ve ald\u0131klar\u0131 t\u00fcm geri bildirimlerin bir kayd\u0131n\u0131 sa\u011flayarak otomatik olarak puanlan\u0131r ve kaydedilir. Olu\u015facak veri, bireylerin, s\u0131n\u0131flar\u0131n veya okullar gibi daha b\u00fcy\u00fck \u00f6\u011frenci gruplar\u0131nda performans de\u011fi\u015fikliklerinin s\u00fcrekli izlenmesine izin verir. \u00d6\u011fretmenler, her bir \u00f6\u011frencinin geli\u015fimini bir s\u0131n\u0131fta analiz edebilir ve gerekti\u011finde m\u00fcdahale edebilir. Ayr\u0131ca, \u00f6\u011fretim programlar\u0131n\u0131n etkinli\u011fini ve \u00f6\u011frenci yazma performans\u0131na yans\u0131yan \u00f6\u011fretim stratejilerinin etkinli\u011fini \u00f6l\u00e7mek i\u00e7in s\u0131n\u0131ftaki geli\u015fimi g\u00f6rselle\u015ftirmek art\u0131k m\u00fcmk\u00fcnd\u00fcr. Otomatik puanlama kullanan bir dizi bi\u00e7imlendirici yazma arac\u0131 geli\u015ftirilmi\u015ftir ve bunlar WriteToLearn\u2122 (W2L; Landauer, Lochbaum ve Dooley, 2009), Criterion, (Burstein, Chodorow ve Leacock, 2004), OpenEssayist (Whitelock, Field, Pulman, Richardson ve Van Labeke, 2013) ve Writing Pal (Roscoe ve McNamara, 2013)\u2019da d\u00e2hil olmak \u00fczere kullan\u0131mdad\u0131r.<\/span><\/p>\n

Yazma i\u00e7in uygulanan veri madencili\u011fi<\/h3>\n

Yaz\u0131n\u0131n otomatik bi\u00e7imlendirilmi\u015f de\u011ferlendirmesi, yazma performans\u0131ndaki de\u011fi\u015fiklikleri ve bu performans\u0131 etkileyen sistem \u00f6zelliklerini incelemek i\u00e7in zengin bir veri k\u00fcmesi sa\u011flar. Dijital e\u011fitim ortamlar\u0131n\u0131n artan bir \u015fekilde benimsenmesiyle, bu ortamlardaki \u00f6\u011frenci etkile\u015fimlerinden elde edilen verileri kan\u0131t olarak kullanmak i\u00e7in yeni f\u0131rsatlar olu\u015fmu\u015ftur(\u00f6r. DiCerbo ve Behrens, 2012). Son d\u00f6nemdeki \u00e7al\u0131\u015fmalar, yazma \u00e7al\u0131\u015fmas\u0131n\u0131 yaz\u0131 \u00f6devlerinden, akran puanlama al\u0131\u015ft\u0131rmalar\u0131ndan ve i\u015fbirlikli forum tart\u0131\u015fmalar\u0131ndan \u00e7\u0131karmaya ve analiz etmeye ba\u015flam\u0131\u015ft\u0131r. Veri madencili\u011fi y\u00f6ntemlerine genel bir bak\u0131\u015f sunulmu\u015f olmakla birlikte (\u00f6r. Pena-Ayala, 2014; Romero ve Ventura, 2007; Romero ve Ventura, 2013), bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmalar\u0131n\u0131n b\u00fcy\u00fck \u00f6l\u00e7ekli veri madencili\u011fine hala \u00e7ok az ilgi vard\u0131r. Daha g\u00fc\u00e7l\u00fc bilgi i\u015flemsel s\u00f6ylem ara\u00e7lar\u0131n\u0131n ortaya \u00e7\u0131kmas\u0131yla yeni teknikler ortaya \u00e7\u0131kmaktad\u0131r (\u00f6r. Buckingham \u2013 Shum, 2013; McNamara, Allen, Crossley, Dascalu ve Perret, bu cilt; Rose, bu cilt).<\/span><\/p>\n

Baz\u0131 \u00e7al\u0131\u015fmalar, bi\u00e7imlendirici geri bildirimlerin boyutlar\u0131na odaklanmamas\u0131na ra\u011fmen, b\u00fcy\u00fck \u00f6\u011frenci yaz\u0131 \u00e7al\u0131\u015fmas\u0131 derlemelerini incelemi\u015ftir. \u00d6rne\u011fin, Parr (2010), farkl\u0131 kompozisyon t\u00fcrleri i\u00e7in yazma becerilerinin nas\u0131l geli\u015fti\u011fini \u00f6l\u00e7mek amac\u0131yla farkl\u0131 s\u0131n\u0131f seviyelerinde 60 farkl\u0131 yazma etkinli\u011fi konular\u0131na y\u00f6nelik yaz\u0131lan 20.000 kompozisyonu analiz etmi\u015ftir. Puanlamay\u0131 kolayla\u015ft\u0131racak ve tutarl\u0131l\u0131\u011f\u0131 sa\u011flayacak ara\u00e7lar sa\u011flanm\u0131\u015fsa da t\u00fcm puanlamalar insan puanlay\u0131c\u0131lar taraf\u0131ndan yap\u0131lm\u0131\u015ft\u0131r. Deane ve Quinlan (2010), binlerce kompozisyonun \u00f6zelliklerini \u00e7\u0131karmak i\u00e7in e-Rater otomatik puanlama motorunu kullanarak analizler yapm\u0131\u015f ve daha sonra geli\u015fim d\u00fczeylerini ve dilbilimsel yaz\u0131 boyutlar\u0131n\u0131 incelemek i\u00e7in fakt\u00f6r analizi yapm\u0131\u015ft\u0131r. Deane (2014) \u00e7ok yetenekli bir uygulamadan gelen kompozisyonlar\u0131n otomatik olarak puanlanmas\u0131n\u0131, tu\u015fa basma kay\u0131tlar\u0131n\u0131n \u00f6zelliklerini ve yazma kabiliyetini ve okuma seviyesini belirleyen fakt\u00f6rleri tahmin etmek i\u00e7in kompozisyonlar\u0131n otomatik puanlamas\u0131n\u0131 kendisi de kullanm\u0131\u015ft\u0131r.<\/span><\/p>\n

Bi\u00e7imlendirme s\u00fcrecinin boyutlar\u0131 da daha k\u00fc\u00e7\u00fck veri \u00f6rnekleri kullan\u0131larak incelenmi\u015ftir; \u00f6rne\u011fin, Sidney \u00dcniversitesi’ndeki i\u015fbirlikli yazma \u00fczerine ara\u015ft\u0131rma (Calvo, O’Rourke, Jones, Yacef ve Reimann, 2011; Reimann, Calvo, Yacef ve Southavilay, 2010), \u00f6\u011frenci kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerini ve otomatik de\u011ferlendirmeyi yazmay\u0131 desteklemek i\u00e7in kullanm\u0131\u015ft\u0131r. \u00c7al\u0131\u015fmalar\u0131nda, tak\u0131m yazma \u00e7al\u0131\u015fmalar\u0131 s\u00fcre\u00e7lerini anlamak i\u00e7in yaz\u0131n\u0131n dilbilgisel ve konuyla ilgili y\u00f6nlerinin yan\u0131 s\u0131ra revizyon dizilimlerini ve yazma etkinliklerinin kay\u0131t dosyalar\u0131n\u0131 da analiz ettiler. Ek olarak ara\u015ft\u0131rma, kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerini, g\u00f6z takibi gibi fizyolojik izlemeyle birle\u015ftirerek yazma \u00e7al\u0131\u015fmalar\u0131n\u0131n detayl\u0131 bir analizini ger\u00e7ekle\u015ftirmi\u015ftir (\u00f6r. Leijten ve Van Waes, 2013). WhiteLock vd. (2013, 2015), \u00f6\u011frencilerin ve \u00f6\u011fretenlerin kompozisyonlar\u0131n i\u00e7eri\u011fini incelemek i\u00e7in bir yol olarak anahtar kelimelerin ve c\u00fcmlelerin g\u00f6sterimi ve birden fazla kompozisyonda kompozisyonun yap\u0131s\u0131 hakk\u0131nda bilgi de d\u00e2hil olmak \u00fczere kompozisyonlar\u0131n yaz\u0131sal \u00f6zelliklerinin g\u00f6rselle\u015ftirmelerini kullanm\u0131\u015ft\u0131r. Bu g\u00f6rselle\u015ftirmeler daha sonra \u00f6\u011frenci yaz\u0131lar\u0131n\u0131 iyile\u015ftirmede \u00f6neride bulunmak i\u00e7in temel olarak kullan\u0131labilir.<\/span><\/p>\n

\"\"<\/p>\n

<\/a> \u015eekil 17.1. Kompozisyon Geribildirim Puan Tablosu. Genel bir puanla WritetoLearn\u2122 geri bildirimi, yazma \u00e7al\u0131\u015fmas\u0131n\u0131n alt\u0131 pop\u00fcler \u00f6zelli\u011finin puanlamas\u0131 ve ayr\u0131ca yazma s\u00fcrecinde verilen destek.<\/i><\/span><\/span><\/p>\n

Yazma ve veri madencili\u011fini i\u00e7eren di\u011fer ara\u015ft\u0131rmalar, bir \u00f6\u011frencinin dersi ba\u015far\u0131yla tamamlay\u0131p tamamlayamayaca\u011f\u0131n\u0131 tahmin etmek i\u00e7in KA\u00c7D’ler i\u00e7indeki tart\u0131\u015fma forumlar\u0131nda \u00f6\u011frenci yazma \u00e7al\u0131\u015fmalar\u0131n\u0131 inceleyen Crossley vd. (2015) ve \u00f6\u011frencilerin bir temel kavram\u0131 kendi s\u00f6zc\u00fckleri ile yeniden ifade edebilecek kadar yeterince anlad\u0131klar\u0131nda hedefe ula\u015ft\u0131klar\u0131n\u0131 tespit etmek i\u00e7in \u00f6\u011frenci yaz\u0131 \u00e7al\u0131\u015fmas\u0131ndaki de\u011fi\u015fiklikleri analiz eden hece analiz teknikleri geli\u015ftiren White ve Larusson (2014) gibi, yazmay\u0131 ikincil bir g\u00f6rev olarak dikkate alm\u0131\u015flard\u0131r. Son olarak, \u00e7evrimi\u00e7i sistemlerde g\u00f6zden ge\u00e7irme s\u00fcrecinde geri bildirim analizleri (\u00f6r. Baikadi, Schunn ve Ashley, 2015; Calvo, Aditomo, Southavilary ve Yacef, 2012), g\u00f6zden ge\u00e7irme s\u00fcrecinde ne t\u00fcr geri bildirimlerin daha etkili olabilece\u011fini g\u00f6stermi\u015ftir. Bu \u00e7al\u0131\u015fmalar\u0131n \u00e7o\u011fu, onlarca hatta y\u00fczlerce \u00f6\u011frenciyi temel alan analizlere odaklanm\u0131\u015ft\u0131r, bu nedenle veri madencili\u011fi tekniklerinin kullan\u0131m\u0131 hakk\u0131nda bilgi verip bi\u00e7imlendirici geri bildirimlerin rol\u00fc hakk\u0131nda kritik bilgiler sa\u011flasa da hen\u00fcz daha b\u00fcy\u00fck uygulamalara \u00f6l\u00e7eklendirilmemi\u015flerdir.<\/span><\/p>\n

Bu b\u00f6l\u00fcm, bi\u00e7imlendirici bir \u00e7evrimi\u00e7i yazma sisteminden toplanan bir milyondan fazla yaz\u0131 \u00f6rne\u011fine ve y\u00fcz binin \u00fczerinde bi\u00e7imlendirici yazma i\u015fleminin bile\u015fenlerine veri madencili\u011fi uygulayarak, b\u00fcy\u00fck \u00f6l\u00e7ekli yazma analizine y\u00f6nelik bir yakla\u015f\u0131m\u0131 a\u00e7\u0131klamak amac\u0131yla yukar\u0131daki yakla\u015f\u0131mlara dayanmaktad\u0131r. Analizler, bi\u00e7imlendirici bir sistemin \u015fu anda nas\u0131l kullan\u0131ld\u0131\u011f\u0131, etkinli\u011fi ve \u015fu anki kullan\u0131m\u0131n nas\u0131l anla\u015f\u0131laca\u011f\u0131 ile ilgili belirli soru s\u0131n\u0131flar\u0131n\u0131 ara\u015ft\u0131rmak i\u00e7in kullan\u0131l\u0131r hem sistem uygulamas\u0131n\u0131 geli\u015ftirerek hem de sistemi kullanan \u00f6\u011frencilere y\u00f6nelik do\u011frudan m\u00fcdahaleler sunarak geli\u015fmi\u015f \u00f6\u011frenme i\u00e7in \u00f6neriler sunar. Bu b\u00f6l\u00fcm, performanstaki betimleyici istatistikleri kullanan ve ayn\u0131 zamanda performanstaki de\u011fi\u015fiklikleri resm\u00ee olarak modelleyen yakla\u015f\u0131mlar\u0131 g\u00f6stermektedir. B\u00f6l\u00fcm metodolojiye odaklan\u0131rken, ama\u00e7 \u00f6\u011frencinin \u00f6\u011frenmesinin niteli\u011fi hakk\u0131nda, s\u0131n\u0131ftaki uygulaman\u0131n etkinli\u011fi ve ayr\u0131ca dijital ortam\u0131n kendisinin e\u011fitim arac\u0131 olarak etkinli\u011fi hakk\u0131nda, yazma verisinin kararlar\u0131 bilgilendirmek i\u00e7in daha genel olarak nas\u0131l kullan\u0131laca\u011f\u0131n\u0131 g\u00f6stermektir.<\/span><\/p>\n

\u00c7EVR\u0130M\u0130\u00c7\u0130 B\u0130\u00c7\u0130MLEND\u0130R\u0130C\u0130 YAZI S\u0130STEM\u0130<\/h2>\n

Veri madencili\u011finin b\u00fcy\u00fck \u00f6l\u00e7ekli bir uygulaman\u0131n ya\u015fam d\u00f6ng\u00fcs\u00fcndeki g\u00fcc\u00fcn\u00fc g\u00f6stermek i\u00e7in kullan\u0131lan ba\u011flam, bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmas\u0131 de\u011ferlendirme sistemi WriteToLearn\u2122 ‘\u00fcn \u00f6\u011frenci etkile\u015fimi verileriyle yap\u0131lm\u0131\u015ft\u0131r. WriteToLearn\u2122, \u00f6\u011frencilere \u00f6yk\u00fcleyici, a\u00e7\u0131klay\u0131c\u0131, betimleyici ve ikna edici yazma etkinli\u011fi konular\u0131 i\u00e7eren al\u0131\u015ft\u0131rmalar ile okuma kavray\u0131\u015flar\u0131n\u0131n geli\u015ftirmeleri i\u00e7in metinlerin \u00f6zetlerini okuma ve yazma konusunda al\u0131\u015ft\u0131rmalar sunan web tabanl\u0131 bir yazma ortam\u0131d\u0131r. \u00d6\u011frenciler yaz\u0131l\u0131m\u0131, yazd\u0131klar\u0131, geri bildirim ald\u0131klar\u0131 ve daha sonra geli\u015fmi\u015f kompozisyonlar\u0131n\u0131 g\u00f6zden ge\u00e7irip yeniden g\u00f6nderdikleri, yinelemeli bir yazma arac\u01313<\/a><\/sup> olarak kullan\u0131rlar. Otomatik geri bildirim, genel bir puan ve \u201cfikirler, d\u00fczenlemeler, \u00fcsluplar, kelime se\u00e7imi ve c\u00fcmle ak\u0131c\u0131l\u0131\u011f\u0131\u201d gibi bireysel \u00f6zelliklerin puanlanmas\u0131n\u0131 sa\u011flar. \u00d6\u011frenci, geri bildirimi anlamalar\u0131na yard\u0131mc\u0131 olmak i\u00e7in ek e\u011fitim materyalini g\u00f6r\u00fcnt\u00fcleyebilir ve ayr\u0131ca kendi yazma \u00e7al\u0131\u015fmalar\u0131n\u0131 geli\u015ftirmek i\u00e7in yakla\u015f\u0131mlar \u00f6nerebilir. Ayr\u0131ca, dil bilgisi ve yaz\u0131m hatalar\u0131 i\u015faretlenir. \u015eekil 17.1, sistem aray\u00fcz\u00fcn\u00fcn bir b\u00f6l\u00fcm\u00fcn\u00fc g\u00f6stermektedir ve bu \u00f6rnekte 12. s\u0131n\u0131f d\u00fczeyinde ikna edici yazma etkinli\u011fi konular\u0131na y\u00f6nelik bir g\u00f6nderimden kaynaklanan puanlama geri bildirimini g\u00f6sterir. WriteToLearn \u2122 ‘\u00fcn iki haftal\u0131k kullan\u0131m\u0131n\u0131n ard\u0131ndan de\u011ferlendirmelerde okuma, anlama ve yazma becerilerinde anlaml\u0131 derecede iyile\u015fme oldu\u011fu g\u00f6r\u00fclm\u00fc\u015ft\u00fcr (Landauer et al., 2009); bunun yan\u0131 s\u0131ra, sistemin puanlamada insan de\u011ferlendiriciler kadar g\u00fcvenilir oldu\u011fu,\u00fclke \u00e7ap\u0131nda bir yazma becerisi de\u011ferlendirmesini ve y\u0131l sonu ge\u00e7me oranlar\u0131n\u0131 da \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirildi\u011fi g\u00f6r\u00fclm\u00fc\u015ft\u00fcr (Mollette ve Harmon, 2015).<\/span><\/p>\n

Yazman\u0131n Puanlamas\u0131n\u0131n Algoritmas\u0131<\/h3>\n

WriteToLearn\u2019\u00fcn \u2122 otomatik puanlamas\u0131 Ak\u0131ll\u0131 Kompozisyon De\u011ferlendiricisi AKD uygulamas\u0131n\u0131 temel almaktad\u0131r. AKD, her kompozisyondaki \u00e7\u0131kar\u0131lan \u00f6zellikleri insan puanlay\u0131c\u0131lar\u0131n atad\u0131\u011f\u0131 puanlarla ili\u015fkilendirmek i\u00e7in e\u011fitilmi\u015ftir. Her kompozisyon i\u00e7in puanlar\u0131 en iyi \u015fekilde modellemede optimum \u00f6zellik setini ve \u00f6zelliklerin her birinin a\u011f\u0131rl\u0131klar\u0131n\u0131 belirlemek i\u00e7in makine \u00f6\u011frenme tabanl\u0131 bir yakla\u015f\u0131m kullan\u0131l\u0131r. Bu kar\u015f\u0131la\u015ft\u0131rmalardan, ayn\u0131 de\u011ferlendiricilerin yeni g\u00f6nderilere atayaca\u011f\u0131 puanlar\u0131 tahmin etmek i\u00e7in yazma konusuna ve ki\u015fisel \u00f6zelli\u011fe \u00f6zg\u00fc bir puanlama modeli elde edilmi\u015ftir. Bu puanlama modeline dayanarak, puanlama modeline g\u00f6re a\u011f\u0131rl\u0131kl\u0131 \u00f6zelliklerin analizi ile hem en yeni kompozisyonlar puanlanabilir. Bu b\u00f6l\u00fcmdeki odak, ba\u015fka bir yerde ayr\u0131nt\u0131l\u0131 olarak a\u00e7\u0131kland\u0131\u011f\u0131 gibi puanlamay\u0131 olu\u015fturan ger\u00e7ek algoritmalar veya \u00f6zellikler \u00fczerine de\u011fildir (bk. Landauer vd., 2001; Foltz vd., 2013). Bunun yerine odak noktas\u0131, otomatik puanlamadan kalan iz ve \u00f6\u011frenci eylemlerinin, b\u00fcy\u00fck yaz\u0131 veri k\u00fcmeleri aras\u0131nda \u00f6\u011frenmeyi izlemek ve bi\u00e7imlendirici sistemdeki geli\u015fimi kolayla\u015ft\u0131rmak i\u00e7in nas\u0131l kullan\u0131labilece\u011fidir.<\/span><\/p>\n

Veri<\/h3>\n

Veriler, ABD’de WriteToLearn\u2122 ile toplanan ile b\u00fcy\u00fck \u00f6\u011frenci etkile\u015fimi \u00f6rneklemini i\u00e7ermektedir. Bir set, 4 y\u0131ll\u0131k bir s\u00fcrede toplanan 94.000 \u00f6\u011frencinin yazd\u0131\u011f\u0131 360.000 \u00f6devden yakla\u015f\u0131k 1.3 milyon kompozisyonu i\u00e7ermektedir. \u0130kinci set, yakla\u015f\u0131k 900.000 eylemle yakla\u015f\u0131k 62.000 \u00f6\u011frenci oturumunu temsil ediyordu. Veriler, \u00f6\u011frenci kompozisyonu ve t\u00fcm \u00f6\u011frenci eylemlerinin zaman damgal\u0131 kayd\u0131n\u0131, sistem taraf\u0131ndan verilen revizyonlar\u0131 ve geri bildirimleri i\u00e7eriyordu. \u00d6\u011frenci bir makaleyi g\u00f6nderdi\u011finde veya kaydetti\u011finde her bir taslak kaydedilmi\u015ftir. Kompozisyonlar yakla\u015f\u0131k 200 \u00f6nceden tan\u0131mlanm\u0131\u015f yazma konusuna y\u00f6nelik olarak yaz\u0131lm\u0131\u015ft\u0131r. Bu yaz\u0131larda hi\u00e7bir insan puanlamas\u0131 yap\u0131lmam\u0131\u015ft\u0131r. Kompozisyon puanlar\u0131 otomatik puanlama ile olu\u015fturulmu\u015f ve modellerin tahmin performans\u0131 test setlerinden veya \u00e7apraz do\u011frulama kullan\u0131larak insan (de\u011ferlendiricilerin) mutabakat\u0131yla do\u011frulanm\u0131\u015ft\u0131r.<\/span><\/p>\n

Yakla\u015f\u0131m\u0131n m\u00fcmk\u00fcn k\u0131ld\u0131\u011f\u0131 Analizler<\/h3>\n

Bi\u00e7imlendirici bir sistemin tasar\u0131m d\u00f6ng\u00fcs\u00fcn\u00fcn t\u00fcm a\u015famalar\u0131nda, kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerine uygulanan analitikler arac\u0131l\u0131\u011f\u0131yla fiil\u00ee kullan\u0131m\u0131n, uygulanmas\u0131, da\u011f\u0131t\u0131m\u0131, yeniden tasarlanmas\u0131 ve s\u00fcrd\u00fcr\u00fclebilirli\u011finin analizi sistemde iyile\u015fmelere yol a\u00e7abilir. Mislevy, Behrens, Dicerbo ve Levy (2012) ‘nin belirtti\u011fi gibi, bir sistem ilk tasarland\u0131\u011f\u0131nda her birisinin e\u011fitim sistemlerinin olu\u015fturulmas\u0131 ve geli\u015ftirilmesinde kritik \u00f6neme sahip olan, en iyi uygulamalar\u0131 temsil eden kan\u0131t odakl\u0131 tasar\u0131m ile uygulaman\u0131n ger\u00e7ek kullan\u0131m\u0131n\u0131 yans\u0131tan veri madencili\u011fi \u00f6\u011frenci eylemleri aras\u0131nda bir etkile\u015fim vard\u0131r. Tasar\u0131m a\u015famas\u0131ndan itibaren, varsay\u0131mlar\u0131m\u0131z\u0131 de\u011ferlendirmek i\u00e7in kullan\u0131m verilerini analiz etmekle ilgileniyoruz ve bizim durumumuzda, yazma, geri bildirim ve g\u00f6zden ge\u00e7irme d\u00f6ng\u00fclerinin yazma performans\u0131n\u0131 iyile\u015ftirip iyile\u015ftirmedi\u011fini ve yaz\u0131n\u0131n \u00f6zelliklerinin hangi oranda de\u011fi\u015fiklik g\u00f6sterdi\u011finin ve iyile\u015ftirme oran\u0131n\u0131n bu \u00f6zellikler aras\u0131nda farkl\u0131l\u0131k g\u00f6sterip g\u00f6stermedi\u011fini belirlemek istiyoruz. Pedagojik teori a\u00e7\u0131s\u0131ndan, yazma, mekanik geri bildirim, i\u00e7erik geri bildirimi ve g\u00f6zden ge\u00e7irmenin en iyi \u00f6\u011frenime nas\u0131l yol a\u00e7t\u0131\u011f\u0131n\u0131 ve \u00f6\u011frencilere ve \u00f6\u011fretmenlere tavsiyelerin nas\u0131l ki\u015fiselle\u015ftirilece\u011fini anlamak istiyoruz. \u015eu anda sistem, s\u0131n\u0131r\u0131n\u0131 \u00f6\u011fretmenlerin \u00f6zelle\u015ftirebildi\u011fi alt\u0131 revizyon\/geri bildirim d\u00f6ng\u00fcs\u00fcne izin vermektedir ve kullan\u0131m verileri, bu \u00f6zelli\u011fe rehberlik etmede yard\u0131mc\u0131 olmal\u0131d\u0131r. Olduk\u00e7a verimli bir analiz \u015fekli de \u00f6\u011frenci performans\u0131n\u0131 modellemektir; burada yazma konular\u0131n\u0131n g\u00f6receli zorlu\u011funu tahmin etmemize izin veren karma bir etki modelini tart\u0131\u015f\u0131yoruz. Yazma konular\u0131 geli\u015ftirilirken genellikle bir s\u0131n\u0131f d\u00fczeyine atan\u0131r ancak modelleme komutun do\u011fru \u015fekilde etiketlenip etiketlenmedi\u011fini belirlememize izin verir; konulara y\u00f6nelik yaz\u0131lan milyonlarca kompozisyonun performans verilerini kullanmak, daha detayl\u0131 seviyeleme yapmay\u0131 sa\u011flar.<\/span><\/p>\n

Yazma kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verisi ile pek \u00e7ok ek analiz t\u00fcr\u00fc m\u00fcmk\u00fcnd\u00fcr \u00f6yleyse bu b\u00f6l\u00fcmde bunu detayland\u0131r\u0131laca\u011f\u0131z (ayr\u0131ca bk. Calvo vd., 2012; Deane, 2014). \u00d6zellikle umut verici buldu\u011fumuz iki alan, \u00f6\u011fretmenlerin e\u011fitim stratejilerinin de\u011ferlendirilmesi; \u00f6rne\u011fin, hangi yazma konular\u0131n\u0131n se\u00e7ildi\u011fi ve \u00f6\u011frencilere konulara y\u00f6nelik yazma etkinlikleri i\u00e7in ne kadar s\u00fcre (tek bir ders saati, bir hafta veya daha uzun) verildi\u011fidir. Burada s\u00f6z edildi\u011fi gibi, hem \u00f6\u011fretmenler hem de \u00f6\u011fretmenlerin rehberleri i\u00e7in mesleki geli\u015fim talimatlar\u0131 olsa da yeni stratejileri ortaya \u00e7\u0131karmak ve stratejiler aras\u0131ndaki g\u00f6receli etkilili\u011fi \u00f6l\u00e7mek i\u00e7in sistemlerin s\u0131n\u0131flarda ger\u00e7ekte nas\u0131l kullan\u0131ld\u0131\u011f\u0131n\u0131 g\u00f6zlemlemek \u015fa\u015f\u0131rt\u0131c\u0131 derecede faydal\u0131d\u0131r. Ayr\u0131nt\u0131l\u0131 olarak a\u00e7\u0131klayacak yere sahip olmad\u0131\u011f\u0131m\u0131z bir di\u011fer alan, \u00f6\u011frenci eylemlerinin detayl\u0131 analizidir. \u00d6rne\u011fin, yazma s\u00fcrecinde bir \u00f6\u011frencinin yard\u0131m olanaklar\u0131ndan ne zaman ve nerede faydaland\u0131\u011f\u0131n\u0131 s\u00f6ylemek ve s\u0131kl\u0131kla bir \u00f6\u011frencinin bir yard\u0131mdan faydalanabilece\u011fi fakat faydalanmad\u0131\u011f\u0131 an\u0131, kullan\u0131c\u0131 aray\u00fcz\u00fc d\u00fczeni ve di\u011fer tasar\u0131m konular\u0131 a\u00e7\u0131s\u0131ndan yeniden tasar\u0131m olanaklar\u0131ndan \u00e7\u0131karmak m\u00fcmk\u00fcnd\u00fcr. Bu y\u00f6nlerden baz\u0131lar\u0131na ili\u015fkin daha fazla tart\u0131\u015fma Foltz ve Rosenstein (2013), Foltz ve Rosenstein (2015) ‘te bulunabilir ve Foltz ve Rosenstein (2016)’ da g\u00f6sterilmektedir.<\/span><\/p>\n

KURAMI DO\u011eRULAMAK<\/h2>\n

Yazma ve G\u00f6zden Ge\u00e7irme, Geli\u015ftirilmi\u015f Yazma Performans\u0131na Neden Oluyor mu?<\/h3>\n

Bi\u00e7imlendirici yazma sistemleri h\u0131zl\u0131 bir yazma, destekleme, geri bildirim alma ve g\u00f6zden ge\u00e7irme d\u00f6ng\u00fcs\u00fcn\u00fc desteklemek i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bu d\u00f6ng\u00fc, otomatik bi\u00e7imlendirici yazma \u00e7al\u0131\u015fmas\u0131n\u0131, standart kompozisyon yazma prati\u011finden temel ay\u0131rt edicilerden biridir; burada kompozisyonlar\u0131n insan taraf\u0131ndan puanlamas\u0131 zaman al\u0131c\u0131d\u0131r, b\u00f6ylece \u00f6\u011frenciler an\u0131nda geri bildirim alamazlar. Bu nedenle, \u00f6\u011frencilerin kompozisyonlar\u0131n\u0131 ne s\u0131kl\u0131kta g\u00f6ndereceklerini ve g\u00f6zden ge\u00e7ireceklerini belirlemek ve en b\u00fcy\u00fck ba\u015far\u0131ya g\u00f6t\u00fcren fakt\u00f6rleri ve zaman yollar\u0131n\u0131 belirlemek \u00e7ok \u00f6nemlidir. Bu otomatik puanlarla \u00f6l\u00e7\u00fcld\u00fc\u011f\u00fc gibi g\u00f6zden ge\u00e7irmenin daha iyi bir yazma \u00e7al\u0131\u015fmas\u0131 ile sonu\u00e7lan\u0131p sonu\u00e7lanmad\u0131\u011f\u0131na ve hangi kullan\u0131m modellerinin en h\u0131zl\u0131 iyile\u015ftirmeyi kolayla\u015ft\u0131rd\u0131\u011f\u0131na ili\u015fkin sorular\u0131 ele alabilir.<\/span><\/p>\n

\"\"<\/p>\n

<\/a> \u015eekil 17.2 Revizyonlar boyunca \u00e7oklu yazma \u00f6zelli\u011fi puanlamalar\u0131n\u0131n de\u011fi\u015fimi.<\/i><\/span><\/span><\/p>\n

G\u00f6zden Ge\u00e7irmeler Aras\u0131nda Harcanan Zaman<\/h3>\n

\"\"<\/p>\n

<\/a> \u015eekil 17.3. Revizyon yapma zaman\u0131na ba\u011fl\u0131 olarak revizyonlar aras\u0131ndaki not de\u011fi\u015fimi.<\/i><\/span><\/span><\/p>\n

Yazma, g\u00f6nderme, geri bildirim ve g\u00f6zden ge\u00e7irme a\u015famalar\u0131 aras\u0131ndaki zaman\u0131n en iyi \u015fekilde kullan\u0131m\u0131n\u0131 daha iyi anlamak i\u00e7in geri bildirim talep etmeden \u00f6nce, \u00f6\u011frencinin harcad\u0131\u011f\u0131 zaman\u0131n performans\u0131 \u00fczerindeki etkisini daha fazla ara\u015ft\u0131rabiliriz. \u00c7ok \u00e7e\u015fitli WriteToLearn\u2122 kullan\u0131c\u0131s\u0131 i\u00e7in yakla\u015f\u0131k 1,1 milyon \u00f6\u011frenci yazma denemesinden elde edilen verileri kullanarak, taslaklar aras\u0131nda ne kadar zaman harcand\u0131\u011f\u0131na ba\u011fl\u0131 olarak \u00f6\u011frenci notundaki de\u011fi\u015fimi (\u00f6r. bir taslaktan di\u011ferine kaydedilen ilerleme) hesaplad\u0131k. Nottaki \u015fekil 17.3’te g\u00f6sterilen de\u011fi\u015fiklik, yazma puan\u0131ndaki iyile\u015fmenin genellikle 25 dakikaya kadar artt\u0131\u011f\u0131n\u0131, bu noktada seviyesinin d\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc ve d\u00fc\u015fmeye ba\u015flad\u0131\u011f\u0131n\u0131 g\u00f6sterir. Ek olarak, negatif de\u011fi\u015fimin \u00e7o\u011fu (\u00f6nceki s\u00fcr\u00fcmden daha d\u00fc\u015f\u00fck bir puan alan kompozisyonlar), be\u015f dakikadan k\u0131sa s\u00fcren revizyonlarla ortaya \u00e7\u0131kmaktad\u0131r. Sonu\u00e7lar, ek geri bildirim talep etmeden \u00f6nce g\u00f6zden ge\u00e7irme i\u00e7in harcanacak en uygun s\u00fcreyi g\u00f6stermektedir. Bu iki sonu\u00e7, kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verilerinin analizinin yazma-geri bildirim-revize etme d\u00f6ng\u00fcs\u00fcn\u00fcn yazma becerilerini geli\u015ftirdi\u011fini ve ayn\u0131 zamanda \u00f6\u011frenciyi geri bildirimin uygun aral\u0131klarda istendi\u011fi durumlarda daha etkili \u00e7evrelere y\u00f6nlendirmeye \u00e7al\u0131\u015farak \u00f6\u011frenmeye ince ayar yapma kabiliyetini g\u00f6sterdi\u011fini do\u011frulayabilir.<\/span><\/p>\n

Modelleme<\/h3>\n

Yazma s\u00fcrecinin alt\u0131nda yatan yap\u0131, bi\u00e7imlendirici bir yazma arac\u0131n\u0131n yap\u0131s\u0131, ortaya \u00e7\u0131kt\u0131k\u00e7a, genellikle resm\u00ee istatistiksel modellerin olu\u015fturulmas\u0131yla en iyi \u015fekilde yorumlanabilir hale getirilir. G\u00f6zden ge\u00e7irme, yazma tavsiyesi alma ve \u00e7oklu yazma konular\u0131na zaman i\u00e7inde cevaplar olu\u015fturma konusundaki karma\u015f\u0131k etkile\u015fimin a\u00e7\u0131k\u00e7a g\u00f6sterilmesiyle, bu modeller kritik \u00f6neme sahip parametreler i\u00e7in tahminler ve g\u00fcven aral\u0131klar\u0131 sa\u011flar. \u00d6\u011frenci kay\u0131t g\u00fcnl\u00fc\u011f\u00fc verisine dayanarak, bu modeller bir \u00f6\u011frencinin yazma becerisi dersi ald\u0131\u011f\u0131 toplam s\u00fcreye yay\u0131lan genel bir boyuna b\u00fcy\u00fcme modeline g\u00f6m\u00fcl\u00fc payla\u015f\u0131lan yazma konular\u0131 \u00fczerinden tekrarlanan performans \u00f6l\u00e7\u00fcmleri gibi y\u00f6nleriyle birlikte bu veri ak\u0131\u015f\u0131 i\u00e7inde \u00f6rt\u00fck olan karma\u015f\u0131k kovaryans yap\u0131s\u0131n\u0131 a\u00e7\u0131klayabilir ve kontrol edebilir. \u00d6zenle olu\u015fturulmu\u015f bir model, \u00f6\u011frenciyi araca (yazma arac\u0131) daha \u00e7ok maruz b\u0131rakarak \u00f6\u011frencinin ilerlemesini kolayla\u015ft\u0131r\u0131c\u0131 i\u015flev g\u00f6r\u00fcr hem \u00f6\u011frencileri hem de \u00f6geleri s\u0131ras\u0131yla beceri ve zorluk d\u00fczeylerine g\u00f6re \u00f6l\u00e7eklerine yerle\u015ftirmeyi sa\u011flar ve mevcut geri bildirimlerin bile\u015fenlerine maruz kalma seviyelerindeki de\u011fi\u015fimin yazma performans\u0131n\u0131 nas\u0131l etkiledi\u011fine ili\u015fkin tahminler sunar.<\/span><\/p>\n

Burada a\u00e7\u0131klanan modeller, \u00f6\u011frencilerin %20’sinden fazlas\u0131n\u0131n \u00fc\u00e7 veya daha fazla y\u0131l boyunca takip edildi\u011fi yakla\u015f\u0131k 80.000 \u00f6\u011frenci taraf\u0131ndan 4 y\u0131l boyunca 190’dan fazla bilgi istemine kar\u015f\u0131 yaz\u0131lm\u0131\u015f 840.000’den fazla kompozisyona dayanmaktad\u0131r. Modeller, geri bildirim i\u00e7in g\u00f6nderilen her kompozisyon i\u00e7in b\u00fct\u00fcnsel puan\u0131 \u00f6ng\u00f6rmekte olup, a\u00e7\u0131klay\u0131c\u0131 de\u011fi\u015fkenler g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, bir \u00f6\u011frencinin kompozisyon i\u00e7in almas\u0131 beklenen puan\u0131 ifade etmektedir. A\u00e7\u0131klay\u0131c\u0131 de\u011fi\u015fkenler, \u00f6\u011frencinin s\u0131n\u0131f seviyesi, kompozisyonun uzunlu\u011fu ve yazma konusunun zorlu\u011fu gibi fakt\u00f6rleri tahmin etmemize ve kontrol etmemize olanak sa\u011flar.<\/span><\/p>\n

Yazma s\u00fcreci, Baayen, Davidson ve Bates (2008)’in a\u00e7\u0131klad\u0131\u011f\u0131 teknikler \u00fczerine kurulu do\u011frusal karma etkiler modeli \u00e7er\u00e7evesinde (Pinheiro ve Bates, 2006) temsil edilmektedir. Karma etkiler modelleri hem \u00f6\u011frencinin “beceri seviyesini” hem de maddenin “zorlu\u011funu”, tahminlerin b\u00fct\u00fcn evrende var olan ili\u015fkilere ek olarak hesapland\u0131\u011f\u0131 t\u00fcm olas\u0131 \u00f6\u011frencilerin ve t\u00fcm olas\u0131 yazma konular\u0131n\u0131n bir evreninden \u00f6rneklendi\u011fini g\u00f6rerek tahmin edebilir. \u00d6\u011frenciler ve yazma konular\u0131 s\u0131f\u0131r ortalamaya sahip bir da\u011f\u0131l\u0131mdan ve verilere g\u00f6re hesaplanan standart sapma ile elde edilen rastgele etkiler olarak modellenmi\u015ftir. Elde edilen de\u011fi\u015fkenlik, \u00f6\u011frencinin bireysel farkl\u0131l\u0131klar\u0131n\u0131n bir tahminini sa\u011flarken, ayn\u0131 zamanda madde zorlu\u011funun de\u011fi\u015fkenli\u011fini de yans\u0131tmaktad\u0131r. Tablo 17.1, modellerde kullan\u0131lan sabit ve rastgele etkilerin a\u00e7\u0131klamalar\u0131n\u0131 i\u00e7erir.<\/span><\/p>\n

Her \u00f6\u011frencinin not d\u00fczeyinde, daha \u00fcst s\u0131n\u0131f\u0131n etkisi notlar\u0131n artmas\u0131 ancak i\u00e7erik seviyesi artt\u0131k\u00e7a (bir yazma konusunun etiketlenmi\u015f s\u0131n\u0131f seviyesi) beklenen puan azalmas\u0131d\u0131r. Son olarak, kompozisyonun uzunlu\u011funun kontrol\u00fc konusunda ortalama olarak daha uzun bir kompozisyonun daha y\u00fcksek bir puan almas\u0131 beklenir. WriteToLearn\u2122 ‘e maruz kalman\u0131n d\u00f6rt \u00f6l\u00e7\u00fcs\u00fc, istatistiksel olarak anlaml\u0131 ve pozitiftir. <\/span><\/p>\n

<\/a><\/a><\/a><\/a><\/a> Tablo 17.1. Sabit ve Rastgele Etkilerin Tan\u0131m\u0131<\/i><\/span><\/span><\/p>\n\n\n\n<\/colgroup>\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n

De\u011fi\u015fken ismi<\/b><\/p>\n<\/td>\n

\n

Tan\u0131m<\/b><\/p>\n<\/td>\n<\/tr>\n

Sabit Etkiler<\/span><\/span><\/td>\n<\/tr>\n
\n

\u00f6\u011frenciS\u0131n\u0131fSeviyesi:n<\/b><\/p>\n<\/td>\n

\n

Bir fakt\u00f6r seviyesi olarak \u00f6\u011frenci s\u0131n\u0131f seviyesi (katsay\u0131, not n ile not 3 aras\u0131ndaki farkt\u0131r)<\/p>\n<\/td>\n<\/tr>\n

\n

i\u00e7erikS\u0131n\u0131fSeviyesi<\/b><\/p>\n<\/td>\n

\n

Yazma konusunun s\u0131n\u0131f d\u00fczeyi (belirlenmi\u015f bir d\u00fczey)<\/p>\n<\/td>\n<\/tr>\n

\n

log10 (S\u00f6zc\u00fckSay\u0131m\u0131)<\/b><\/p>\n<\/td>\n

\n

Kompozisyonun kelime say\u0131s\u0131n\u0131n log10 taban\u0131ndaki kar\u015f\u0131l\u0131\u011f\u0131<\/p>\n<\/td>\n<\/tr>\n

\n

giri\u015fim<\/b><\/p>\n<\/td>\n

\n

Belirli bir yazma konusu i\u00e7in, bu belirli kompozisyon g\u00f6nderiminin g\u00fcncellenmesi<\/p>\n<\/td>\n<\/tr>\n

\n

ge\u00e7enS\u00fcreG\u00fcn<\/b><\/p>\n<\/td>\n

\n

\u0130lk W2L kullan\u0131m\u0131ndan beri ne kadar s\u00fcre ge\u00e7ti\u011finin g\u00fcn cinsinden zaman \u00f6l\u00e7\u00fcs\u00fc (ya\u015fa dayal\u0131 b\u00fcy\u00fcme \u00f6l\u00e7\u00fcs\u00fc)<\/p>\n<\/td>\n<\/tr>\n

\n

birW2LS\u00fcreG\u00fcn<\/b><\/p>\n<\/td>\n

\n

Bu g\u00f6nderimden sonra \u00f6\u011frencinin W2L ile birlikte ge\u00e7irdi\u011fi toplam y\u00fcz y\u00fcze zaman<\/p>\n<\/td>\n<\/tr>\n

\n

etkile\u015fim<\/b><\/p>\n<\/td>\n

\n

Bu \u00f6\u011frencinin W2L’ye yapt\u0131\u011f\u0131 toplam ba\u015fvuru say\u0131s\u0131<\/p>\n<\/td>\n<\/tr>\n

Rastgele Etkiler<\/span><\/span><\/td>\n<\/tr>\n
\n

\u00f6\u011frenenID<\/b><\/p>\n<\/td>\n

\n

Fakt\u00f6r d\u00fczeyleri, her \u00f6\u011frenci i\u00e7in bir tane<\/p>\n<\/td>\n<\/tr>\n

\n

i\u00e7erikID<\/b><\/p>\n<\/td>\n

\n

Fakt\u00f6r seviyeleri, her yazma konusu i\u00e7in bir tane<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\u00d6rne\u011fin, belirli bir yazma konusuna g\u00f6nderim say\u0131s\u0131 artt\u0131k\u00e7a, d\u00f6rt WriteToLearn\u2122 \u00f6l\u00e7\u00fcm\u00fc ili\u015fkiliyken, ayn\u0131 anda WriteToLearn\u2122 kullanarak harcanan toplam s\u00fcre artar ve bunlar sistemle \u00f6\u011frenci etkile\u015fiminin farkl\u0131 y\u00f6nlerini yans\u0131t\u0131r. Etki boyutlar\u0131 k\u00fc\u00e7\u00fck g\u00f6r\u00fcn\u00fcyor; \u00f6rne\u011fin, belirli bir yazma konusuna yap\u0131lan her ek g\u00f6nderim, sadece bir kompozisyonun tek bir g\u00f6zden ge\u00e7irilmesi ile ilgili geri bildirim almaya dayal\u0131 bir art\u0131\u015f\u0131 temsil eden bir say\u0131 olan beklenen puan\u0131, yaln\u0131zca 0.018 oran\u0131nda art\u0131r\u0131r. Asl\u0131nda bu \u00f6nemli k\u00fc\u00e7\u00fck, art\u0131ml\u0131 etkileri g\u00fcvenilir bir \u015fekilde tahmin edebilmek, yaln\u0131zca b\u00fcy\u00fck veri k\u00fcmeleriyle veri madencili\u011fi ve modellemesi yoluyla ger\u00e7ekle\u015fir. Daha genel bir perspektiften, WriteToLearn\u2122 ile etkile\u015fime girme giri\u015fimlerinin ve harcanan zaman\u0131n k\u00fcm\u00fclatif etkisi, ba\u015far\u0131da iyile\u015fmelere neden olur. Bu ilerleme \u00e7o\u011fu zaman en iyi \u015fekilde, daha yo\u011fun kullan\u0131mla eyalet ba\u015far\u0131 testlerindeki daha iyi ge\u00e7me oranlar\u0131nda g\u00f6zlendi\u011fi gibi, d\u0131\u015f do\u011frulamalarla kar\u015f\u0131la\u015ft\u0131r\u0131lmal\u0131 olarak de\u011ferlendirilir (Mollette ve Harmon, 2015).<\/span><\/p>\n

\"\"Yazma \u0130steminin Zorlu\u011funu Belirlemek \u0130\u00e7in Modelleme<\/h4>\n

Bir \u00f6\u011frenciye veya s\u0131n\u0131fa bir yazma etkinli\u011fi konusu atamada pek \u00e7ok pedagojik d\u00fc\u015f\u00fcnce ortaya \u00e7\u0131kmaktad\u0131r ve s\u0131k\u00e7a dile getirilen bir endi\u015fe, yazma etkinli\u011finin puanlamas\u0131n\u0131 \u00f6\u011frencinin seviyesine ayarlamakt\u0131r (ayr\u0131ca bk. Deane ve Quinlan, 2010, derlem yaz\u0131s\u0131). Baz\u0131 yazma etkinli\u011fi konular\u0131, ele al\u0131nmas\u0131 gereken bir e\u015fik beceri seviyesi veya \u00f6zel bilgi veya uzmanl\u0131k gerektirmesine ra\u011fmen, bunlar\u0131n bir\u00e7o\u011fu \u00e7ok farkl\u0131 seviyelerdeki \u00f6\u011frencilerin kullanabilece\u011fi durumdad\u0131r. G\u00f6revde farkl\u0131 olan, nihai \u00fcr\u00fcnle kan\u0131tlanan nitelik veya beceriye ait beklenti ve onun bir puanla de\u011ferlendirilmesidir. Yazma etkinli\u011finin konular\u0131n\u0131n puanlamas\u0131, s\u0131n\u0131fa \u00f6zg\u00fc modellere dayanmaktad\u0131r, bu nedenle 10. s\u0131n\u0131f \u00f6\u011frencilerine uygun olarak etiketlenmi\u015f bir yazma konusu hem 10. s\u0131n\u0131fta beklenen bilgi ve becerilere uygun oldu\u011funa ancak ayn\u0131 zamanda otomatik puanlaman\u0131n 10. s\u0131n\u0131f \u00f6\u011frencileri taraf\u0131ndan yaz\u0131lm\u0131\u015f e\u011fitim seti kompozisyonlar\u0131 kullan\u0131larak ayarlanmas\u0131na i\u015faret eder. Bir yazma etkili\u011fi konusu \u00e7e\u015fitli s\u0131n\u0131f seviyelerine uygun oldu\u011fu ve farkl\u0131 s\u0131n\u0131f seviyelerindeki \u00f6\u011frencilerin e\u011fitim k\u00fcmelerinin mevcut oldu\u011fu durumlarda, ayn\u0131 yazma konusu birden \u00e7ok s\u0131n\u0131f seviyesinde g\u00f6r\u00fcnebilir; burada kritik fark, her s\u0131n\u0131f d\u00fczeyinde \u00f6\u011frencinin \u00e7al\u0131\u015fmas\u0131n\u0131n de\u011ferlendirilmesinde farkl\u0131 puanlama modellerinin kullan\u0131ld\u0131\u011f\u0131d\u0131r.<\/span><\/p>\n

Genellikle \u00f6\u011fretmenler, s\u0131n\u0131flar\u0131n\u0131n seviyesine uyan bir dizi yazma konusunun g\u00f6receli zorluk derecesini \u00f6l\u00e7mek gibi, yazma konular\u0131 aras\u0131nda daha iyi ay\u0131rt edicilik seviyelerini tercih ederler. Bu tam olarak yazma konular\u0131na ait rastgele etki tahminlerinin ele almada kullan\u0131labilece\u011fi bir durumdur. Bir yazma konusunun etiketli not seviyesi artt\u0131k\u00e7a, modeldeki sabit etki i\u00e7erikS\u0131n\u0131fSeviyesi katsay\u0131s\u0131 beklenen puanda 0.073’l\u00fck bir d\u00fc\u015f\u00fc\u015f oldu\u011funu g\u00f6sterir (daha zor yazma konular\u0131 d\u00fc\u015f\u00fck puanlara katk\u0131da bulunur), di\u011fer de\u011fi\u015fkenler sabit tutulur. E\u015fde\u011fer olarak, etiketli yazma konular\u0131n\u0131n seviyesini kontrol etmek i\u00e7in her bir yazma konusunun rastgele etkisi, belirli bir yazma konusunun zorluk a\u00e7\u0131s\u0131ndan bu ortalama sabit etkiden ne kadar \u00e7ok farkl\u0131la\u015ft\u0131\u011f\u0131n\u0131 g\u00f6sterir. Bu yazma konular\u0131n\u0131n s\u0131n\u0131f seviyelerine g\u00f6re s\u0131ralanmas\u0131n\u0131 sa\u011flar, \u00f6\u011fretmenler i\u00e7in g\u00f6zleme dayal\u0131 olarak elde edilen ek destek altyap\u0131s\u0131 sa\u011flar. Benzer \u015fekilde, sabit yazma konusu etkisinin dikkate al\u0131nmas\u0131, bir \u00f6\u011fretmenin g\u00fcvenle atayabilece\u011fi yazma konular\u0131 k\u00fcmesini geni\u015fleten b\u00fct\u00fcn yazma konular\u0131n\u0131n s\u0131ralanmas\u0131na izin verilir.<\/span><\/p>\n

<\/a><\/a><\/a><\/a><\/a> Tablo 17.2. Rastgele etkilerin ko\u015fullu modlar\u0131n\u0131n tahminlerine g\u00f6re s\u0131ralanan yazma konular\u0131n\u0131n alt k\u00fcmesi (Bates, Maechler, Bolker ve Walker, 2015)<\/i><\/span><\/span><\/p>\n\n\n\n\n<\/colgroup>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n

Ba\u015fl\u0131k<\/span><\/p>\n<\/td>\n

\n

S\u0131n\u0131f Seviyesi<\/span><\/p>\n<\/td>\n

\n

Zorluk<\/span><\/p>\n<\/td>\n<\/tr>\n<\/thead>\n

Konu\u015fma \u00d6zg\u00fcrl\u00fc\u011f\u00fc <\/span><\/span><\/td>\n\n

12<\/span><\/span><\/p>\n<\/td>\n

\n

0.80<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bir A \/ B Hobisine Nas\u0131l Ba\u015flan\u0131r<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.76<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Tarihte Sebepler ve Etkiler \u00dczerine Bir Kompozisyon<\/span><\/span><\/td>\n\n

11<\/span><\/span><\/p>\n<\/td>\n

\n

0.72<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bir Hobiye Nas\u0131l Ba\u015flan\u0131r<\/span><\/span><\/td>\n\n

5<\/span><\/span><\/p>\n<\/td>\n

\n

0.71<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bir Hobiye Nas\u0131l Ba\u015flan\u0131r<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.70<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Amerikan Ba\u015fkan\u0131<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

0.68<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Yemek Nedir?<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.66<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

T\u00fcketici Muhabiri<\/span><\/span><\/td>\n\n

12<\/span><\/span><\/p>\n<\/td>\n

\n

0.64<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Yemek Nedir? A \/ B<\/span><\/span><\/td>\n\n

6<\/span><\/span><\/p>\n<\/td>\n

\n

0.63<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Favori Etkinlik<\/span><\/span><\/td>\n\n

4<\/span><\/span><\/p>\n<\/td>\n

\n

0.63<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\n

\u2026..<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Yazman\u0131n \u0130leti\u015fim Becerileri \u00dczerine Etkileri<\/span><\/span><\/td>\n\n

8<\/span><\/span><\/p>\n<\/td>\n

\n

-0.70<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Geri D\u00f6n\u00fc\u015f\u00fcm \u0130ste\u011fe Ba\u011fl\u0131 m\u0131 Yoksa Zorunlu mu Olmal\u0131?<\/span><\/span><\/td>\n\n

7<\/span><\/span><\/p>\n<\/td>\n

\n

-0.70<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Bilgisayar Oyunlar\u0131 Oynamak Ne Kadar Zaman Al\u0131r<\/span><\/span><\/td>\n\n

7<\/span><\/span><\/p>\n<\/td>\n

\n

-0.71<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

S\u0131rad\u0131\u015f\u0131 Bir Etkinlik<\/span><\/span><\/td>\n\n

9<\/span><\/span><\/p>\n<\/td>\n

\n

-0.74<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\u00d6nemli Bir Karar<\/span><\/span><\/td>\n\n

8<\/span><\/span><\/p>\n<\/td>\n

\n

-0.75<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Edebi Bir Temay\u0131 Yorumlama<\/span><\/span><\/td>\n\n

7<\/span><\/span><\/p>\n<\/td>\n

\n

-0.79<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Anlaml\u0131 Bir \u00c7ocukluk An\u0131s\u0131<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-0.81<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

Anlaml\u0131 Bir Ya\u015fam Dersi<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-0.82<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\u00c7at\u0131\u015fma ile Ba\u015fa \u00c7\u0131kmak<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-0.85<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n

\u0130ki Edebi Karakteri K\u0131yaslama ve Kar\u015f\u0131la\u015ft\u0131rma<\/span><\/span><\/td>\n\n

10<\/span><\/span><\/p>\n<\/td>\n

\n

-1.08<\/span><\/span><\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Bu uygulanabilir sonucun \u00f6tesinde, atanm\u0131\u015f s\u0131n\u0131f seviyesi kontrol\u00fc i\u00e7in yazma konusunun zorlu\u011funun tahmin edilmesi bir dizi ilgin\u00e7 ara\u015ft\u0131rma sorusunu g\u00fcndeme getirmektedir. Tablo 17.2 etiketlenen s\u0131n\u0131f seviyesi ve yazma konu ba\u015fl\u0131\u011f\u0131 i\u00e7in verilen s\u00fctunlar\u0131n yan\u0131s\u0131ra zorluk olarak adland\u0131r\u0131lan s\u00fctunda da rastgele etkilerin ko\u015fullu modlar\u0131n\u0131n (Bates, Maechler, Bolker ve Walker, 2015) tahminlerine g\u00f6re s\u0131ralanan yazma konular\u0131n\u0131n bir alt k\u00fcmesini sunar. Bir kompozisyondan elde edilen puan \u00fczerindeki etki, not seviyesinin, s\u0131n\u0131f seviyesi ile modelden gelen katsay\u0131s\u0131n\u0131n \u00e7arp\u0131m\u0131na onun zorlu\u011funun eklenmesi ile elde edilen toplamd\u0131r, dolay\u0131s\u0131yla zorluk ne kadar pozitif ise yazma konusu o s\u0131n\u0131f seviyesindeki di\u011fer konulara g\u00f6re o kadar kolayd\u0131r; bu nedenle, tablonun alt\u0131na yak\u0131n yazma konular\u0131 s\u0131n\u0131f seviyelerine g\u00f6re daha zordur. Bu verileri a\u00e7\u0131klamak i\u00e7in hipotezler olu\u015fturmaya \u00e7al\u0131\u015fman\u0131n ilk a\u015famalar\u0131nday\u0131z, \u00f6rne\u011fin, tablodaki ilk 10 yazma konusunun neden bu s\u0131n\u0131f d\u00fczeyindeki di\u011fer yazma konular\u0131ndan daha kolay oldu\u011fu ve son 10’un da neden daha zor oldu\u011fu gibi g\u00f6receli olarak en kolay olan \u00f6gelerin, daha k\u0131s\u0131tl\u0131 olan nispeten en zor maddeler k\u00fcmesinden daha geni\u015f bir s\u0131n\u0131f seviyesi aral\u0131\u011f\u0131ndan \u00e7ekildi\u011fi g\u00f6r\u00fcl\u00fcyor.<\/span><\/p>\n

B\u00fcy\u00fck Veri K\u00fcmeleriyle Modellemede Dikkat Edilmesi Gerekenler<\/h4>\n

Bir model tasarlarken, ifade ile sadelik aras\u0131nda bir denge vard\u0131r. B\u00fcy\u00fck veri k\u00fcmelerinde, genellikle istatistiksel \u00f6nem, model bi\u00e7imine karar vermek i\u00e7in yeterli bir temel de\u011fildir; analizin amac\u0131n\u0131n da karara ba\u011flanmas\u0131 gerekir. Daha \u00f6nce sunulan betimleyici grafiklerden gelen g\u00fc\u00e7l\u00fc bir mesaj, kompozisyon ba\u015f\u0131na g\u00f6nderim say\u0131s\u0131 gibi de\u011fi\u015fkenler i\u00e7in kayba yol a\u00e7an sonu\u00e7larla ilgiliydi. Bu e\u011filim bir \u00e7ok terimli veya genel bir katk\u0131 modeli ba\u011flam\u0131nda tan\u0131mlanabilir. Veri madencili\u011finin g\u00fcc\u00fc b\u00fcy\u00fck bir veri k\u00fcmesidir; ili\u015fkilerin alaca\u011f\u0131 form hakk\u0131nda daha az varsay\u0131mda bulunabiliriz. Bu durumda, performans ve s\u0131n\u0131f aras\u0131nda do\u011frusal bir ili\u015fki varsayabiliriz ancak bunun yerine, 3. s\u0131n\u0131fa g\u00f6re ayr\u0131 bir geli\u015fme oldu\u011funu tahmin ettik ve ili\u015fkiyi \u015eekil 17.4’te g\u00f6sterdik. Asimtotik davran\u0131\u015f\u0131n nedenlerini ve WriteToLearn\u2122 ‘e y\u00f6nelik potansiyel ilerlemelerin etkilerini daha iyi anlamak i\u00e7in ek ara\u015ft\u0131rmalar gereklidir.<\/span><\/p>\n

\"\"<\/p>\n

<\/a> \u015eekil 17.4. \u00d6\u011frenci puan\u0131nda s\u0131n\u0131f d\u00fczeyi g\u00f6re geli\u015fim.<\/i><\/span><\/span><\/p>\n

Burada tarif edilen \u00e7al\u0131\u015fmayla ilgili olarak, karma efekt modelleri kullanarak (\u00f6r. \u00f6zel ders ba\u011flam\u0131nda Feng, Heffernan, Heffernan ve Mani, 2009) veya Markov y\u00f6ntemlerini kullanarak (\u00f6r. Beal, Mitra ve Cohen, 2007; Jeong vd., 2008) veya Bayes\u00e7i teknikler (\u00f6r. Conati vd., 1997) daha detayl\u0131 eylem d\u00f6n\u00fc\u015f\u00fcm modelleri vard\u0131r. Bu teknikler, eylem seviyesindeki (bili\u015fsel destek servislerinin kullan\u0131m\u0131 gibi) \u00f6\u011frenci etkile\u015fimlerini daha iyi anlamak i\u00e7in burada anlat\u0131lm\u0131\u015f olan daha fazla ders i\u00e7erikli analize tamamlay\u0131c\u0131 olarak kullan\u0131labilir.<\/span><\/p>\n

SONU\u00c7<\/h2>\n

Dijital e\u011fitim ortamlar\u0131, \u00f6\u011frencilerin \u00f6\u011frenim ihtiya\u00e7lar\u0131na g\u00f6re an\u0131nda geri bildirim ve e\u011fitim almas\u0131n\u0131 sa\u011flarken daha otantik e\u011fitim g\u00f6revleri \u00fczerinde \u00e7al\u0131\u015fmalar\u0131n\u0131 sa\u011flayarak \u00f6\u011frencilerin daha ki\u015fiselle\u015ftirilmi\u015f \u00f6\u011frenme deneyimlerine sahip olmalar\u0131n\u0131 destekleyecek bir altyap\u0131 sa\u011flayabilir. D\u00fczg\u00fcn bir \u015fekilde uyguland\u0131klar\u0131nda bu ortamlar, \u00f6\u011frencinin sistemle etkile\u015fime girmesiyle \u00f6\u011frenmesi ve geli\u015fimi hakk\u0131nda zengin bir bilgi kayna\u011f\u0131 da sa\u011flayabilir. Bi\u00e7imlendirici yaz\u0131m\u0131n b\u00fcy\u00fck \u00f6l\u00e7ekli uygulamalar\u0131, performans\u0131n analizi ve geri bildirimin etkileri i\u00e7in zengin veri k\u00fcmeleri sa\u011flar. Yaz\u0131lan \u00fcr\u00fcn\u00fc veri olarak ele alma, otomatik yazma puanlamas\u0131 uygulamak, \u00f6\u011frencilerin bu uygulamalarda kompozisyonlar\u0131 yazarken ve g\u00f6zden ge\u00e7irirken \u00f6\u011frenmelerinin izlenmesini sa\u011flar. \u00d6\u011frenci eylemleri g\u00fcnl\u00fc\u011f\u00fcn\u00fc, ge\u00e7en zaman miktar\u0131n\u0131 ve komisyonlardaki de\u011fi\u015fiklikleri inceleyerek, sistemin kullan\u0131m\u0131ndan \u00f6\u011frenmenin etkisi izlenebilir.<\/span><\/p>\n

\u00d6\u011frencinin \u00f6\u011frenme geli\u015fimini en \u00fcst d\u00fczeye \u00e7\u0131karmak i\u00e7in bi\u00e7imlendirici bir sistem geli\u015ftirmek ve s\u00fcrd\u00fcrmek, tasar\u0131m ve uygulamadan ba\u015flayarak kullan\u0131m\u0131n\u0131n izlenmesi ile devam etmeyi gerektiren \u00e7e\u015fitli kararlar gerektirir. Tasar\u0131m ve uygulama a\u015famas\u0131ndaki kararlar genel olarak uygulamada b\u00fcy\u00fck \u00f6l\u00e7\u00fcde belirsizlik sa\u011flayan bir ayr\u0131nt\u0131 d\u00fczeyi olan teori ve en iyi uygulamalarla s\u0131n\u0131rl\u0131d\u0131r. Bununla birlikte, bir sistem devreye al\u0131nd\u0131\u011f\u0131nda, bu varsay\u0131mlar s\u0131n\u0131f etkinlikleri s\u0131ras\u0131nda sistemi uygulayan \u00f6\u011fretmenlerin ve yazmay\u0131 \u00f6\u011frenen \u00f6\u011frencilerin fiil\u00ee davran\u0131\u015flar\u0131na kar\u015f\u0131 y\u00f6neltilebilir. Veri madencili\u011fi yoluyla, bu varsay\u0131mlar hem sistemin varsay\u0131mlar\u0131n\u0131 do\u011frulamak hem de \u00f6\u011frencilerin nas\u0131l \u00f6\u011frendikleri hakk\u0131nda daha fazla bilgi edinmek i\u00e7in test edilebilir.<\/span><\/p>\n

\u00d6\u011frenmek i\u00e7in Yazmak ve Yazmay\u0131 \u00d6\u011frenme<\/h3>\n

Sonu\u00e7ta ortaya \u00e7\u0131kan analiz, bi\u00e7imlendirici yazman\u0131n temel bir ilkesini do\u011frular: \u00f6\u011frenciler sistemden gelen geri bildirimlere dayanarak revizyonlarla yaz\u0131lar\u0131n\u0131 geli\u015ftirebilirler. Yazmaya veri madencili\u011fi yakla\u015f\u0131m\u0131, \u00f6\u011frenmedeki de\u011fi\u015fimleri ve geri bildirimlerin performans \u00fczerindeki etkilerini incelemek i\u00e7in iyi ayarlanm\u0131\u015f bir yakla\u015f\u0131ma izin verir. Bu ayr\u0131ca, ortaya \u00e7\u0131kan endi\u015feleri ke\u015ffetmemize, \u00f6nceliklendirmemize ve ele almam\u0131za ve hangi de\u011fi\u015fikliklerin \u00f6\u011frenci deneyimini ve yazma becerilerini keskinle\u015ftirme yeteneklerini geli\u015ftirmede m\u00fcmk\u00fcn k\u0131laca\u011f\u0131n\u0131 belirlememize izin verir.<\/span><\/p>\n

Yazma de\u011ferlendirmesinin oda\u011f\u0131 \u00e7o\u011fu zaman \u00fcr\u00fcn (yani son kompozisyon) olmu\u015ftur. \u00d6\u011frenci taslak teslimlerinde ve onlar\u0131n i\u015flem kay\u0131tlar\u0131nda veri madencili\u011fi yaparak, \u00f6\u011frencilerin \u00fcr\u00fcn\u00fc olu\u015fturmak i\u00e7in ald\u0131\u011f\u0131 s\u00fcreci izlemek m\u00fcmk\u00fcnd\u00fcr. Bu analiz, sadece son \u00fcr\u00fcn\u00fc de\u011ferlendirmek yerine, yazma s\u00fcrecinde stratejik noktalarda m\u00fcdahalelere izin verir. Verilerin yaz\u0131lmas\u0131, kompozisyonlar\u0131n incelenmesi, kompozisyonlar\u0131n olu\u015fturulma s\u00fcreci ve de\u011fi\u015fikliklerin ilerlemesi gibi \u00e7ok \u00e7e\u015fitli analizler yap\u0131labilir. Bu yakla\u015f\u0131mlar hem tan\u0131mlay\u0131c\u0131 analizler hem de modelleme olabilir. Bu b\u00f6l\u00fcmdeki t\u00fcm analiz t\u00fcrleri hakk\u0131nda kapsaml\u0131 bir tart\u0131\u015fma sa\u011flayamasak da ama\u00e7, veri madencili\u011finin sistem ve \u00f6\u011frenci yazma performans\u0131n\u0131n kan\u0131tlar\u0131n\u0131 toplama ve kal\u0131plar\u0131 ortaya \u00e7\u0131karma konusunda yeni d\u00fc\u015f\u00fcnme y\u00f6ntemleri sunabilece\u011fini g\u00f6stermek i\u00e7in \u00e7e\u015fitli yakla\u015f\u0131mlar g\u00f6stermekti. Bu sadece bireysel \u00f6\u011frencileri veya s\u0131n\u0131flar\u0131 g\u00f6zlemleyerek ortaya \u00e7\u0131kanlar\u0131n \u00f6tesine ge\u00e7er.<\/span><\/p>\n

KAYNAK\u00c7A<\/h2>\n

Baayen, R. H., Davidson, D. J., & Bates, D. M. (2008). Mixed-effects modeling with crossed random effects for subjects and items. Journal of Memory and Language, 59<\/i>, 390\u2013412. <\/span><\/span><\/p>\n

Baikadi, A., Schunn, C., & Ashley, K. (2015). Understanding revision planning in peer-reviewed writing. 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. 544 \u2013 548). International Educational Data Mining Society. <\/span><\/span><\/p>\n

Bates, D., Maechler, M., Bolker, B. M., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. ArXiv e-print, Journal of Statistical Software<\/i>, http:\/\/arxiv.org\/abs\/1406.5823. <\/span><\/span><\/p>\n

Beal, C., Mitra, S., & Cohen, P. R. (2007). Modeling learning patterns of students with a tutoring system using Hidden Markov Models. Proceedings of the 2007 conference on Artificial Intelligence in Education: Building Technology Rich Learning Contexts That Work<\/i>, 238\u2013245. <\/span><\/span><\/p>\n

Black, P., & William, D. (1998). Assessment and classroom learning. Assessment in Education, 5<\/i>(1), 7\u201374. <\/span><\/span><\/p>\n

Buckingham-Shum, S. (2013). Proceedings of the 1st International Workshop on Discourse-Centric Analytics<\/i>, workshop held in conjunction with the 3rd International Conference on Learning Analytics and Knowledge (LAK\u201913), 8\u201312 April 2013, Leuven, Belgium. New York: ACM. <\/span><\/span><\/p>\n

Burstein, J., Chodorow, M., & Leacock, C. (2004). Automated essay evaluation: The Criterion Online writing service. AI Magazine, 25<\/i>(3), 27\u201336. <\/span><\/span><\/p>\n

Calvo, R. A., Aditomo, A., Southavilay, V., & Yacef, K. (2012). The use of text and process mining techniques to study the impact of feedback on students\u2019 writing processes. Proceedings of the 10th International Conference of the Learning Sciences <\/i>(ICLS\u201912) Vol. 1, Full Papers, 2\u20136 July 2012, Sydney, Australia (pp. 416\u2013423). <\/span><\/span><\/p>\n

Calvo, R. A., O\u2019Rourke, S. T., Jones, J., Yacef, K., & Reimann, P. (2011). Collaborative writing support tools on the cloud. IEEE Transactions on Learning Technologies, 4<\/i>(1), 88\u201397. <\/span><\/span><\/p>\n

Conati, C., Gertner, A. S., VanLehn, K., & Druzdzel, M. J. (1997). On-line student modeling for coached problem-solving using Bayesian networks. Proceedings of the 6th International User Modeling Conference <\/i>(UM97) (pp. 231\u2013242). <\/span><\/span><\/p>\n

Crossley, S. A., McNamara, D. S., Baker, R., Wang, Y., Paquette, L., Barnes, T., & Bergner, Y. (2015). Language to completion: Success in an educational data mining massive open online class. 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. 388\u2013392). International Educational Data Mining Society. <\/span><\/span><\/p>\n

Deane, P. (2014). Using writing process and product features to assess writing quality and explore how those features relate to other literacy tasks. Educational Testing Research Report ETS RR-14-03<\/i>. http:\/\/dx.doi.org\/10.1002\/ets2.12002. <\/span><\/span><\/p>\n

Deane, P., & Quinlan, T. (2010). What automated analyses of corpora can tell us about students\u2019 writing skills. Journal of Writing Research, 2<\/i>(2), 151\u2013177. <\/span><\/span><\/p>\n

DiCerbo, K. E., & Behrens, J. (2012). Implications of the digital ocean on current and future assessment. In R. Lissitz & H. Jao (Eds.), Computers and their impact on state assessment: Recent history and predictions for the future<\/i>. Charlotte, NC: Information Age. <\/span><\/span><\/p>\n

Feng, M., Heffernan, N. T., Heffernan, C., Mani, M. (2009). Using mixed-effects modeling to analyze different grain-sized skill models in an intelligent tutoring system. IEEE Transactions on Learning Technologies, 2<\/i>, 79\u201392. <\/span><\/span><\/p>\n

Foltz, P. W., Gilliam, S., & Kendall, S. (2000). Supporting content-based feedback in online writing evaluation with LSA. Interactive Learning Environments, 8<\/i>(2), 111\u2013129. <\/span><\/span><\/p>\n

Foltz, P. W., & Rosenstein, M. (2013). Tracking student learning in a state-wide implementation of automated writing scoring. Proceedings of the Neural Information Processing Systems <\/i>(NIPS) Workshop on Data Driven Education. http:\/\/lytics.stanford.edu\/datadriveneducation\/ <\/span><\/span><\/p>\n

Foltz, P. W., & Rosenstein, M. (2015). Analysis of a large-scale formative writing assessment system with automated feedback. Proceedings of the 2nd ACM conference on Learning@Scale <\/i>(L@S 2015), 14\u201318 March 2015, Vancouver, BC, Canada (pp. 339\u2013342). New York: ACM. <\/span><\/span><\/p>\n

Foltz, P. W., & Rosenstein, M. (2016). Visualizing teacher assignment behavior in a statewide implementation of a formative writing system. Cover competition. Education Measurement: Issues and Practice, 35<\/i>(2), 31. http:\/\/dx.doi.org\/10.1111\/emip.12114 <\/span><\/span><\/p>\n

Foltz, P. W., Streeter, L. A., Lochbaum, K. E., & Landauer, T. K. (2013). Implementation and applications of the Intelligent Essay Assessor. In M. D. Shermis & J. Burstein, handbook of automated essay evaluation: Current applications and future directions <\/i>(pp. 68\u201388). New York: Routledge. <\/span><\/span><\/p>\n

Gerbner, G., Holsti, O. R., Krippendorff, K., Paisley, W. J., & Stone, Ph. J. (Eds.) (1969). The analysis of communication content: Development in scientific theories and computer techniques. New York: Wiley. <\/span><\/span><\/p>\n

Graham, S., Harris, K. R., & Hebert, M. (2011). Informing writing: The benefits of formative assessment<\/i>. Carnegie Corporation of New York. <\/span><\/span><\/p>\n

Graham, S., & Hebert, M. (2010). Writing to read: Evidence for how writing can improve reading<\/i>. Carnegie Corporation of New York. <\/span><\/span><\/p>\n

Graham, S., & Perin, D. (2007). A meta-analysis of writing instruction for adolescent students. Journal of Educational Psychology, 99<\/i>, 445\u2013476. <\/span><\/span><\/p>\n

Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77<\/i>(1), 81\u2013112. <\/span><\/span><\/p>\n

Jeong, H., Gupta, A., Roscoe, R., Wagster, J., Biswas, G., & Schwartz, D. (2008). Using Hidden Markov Models to characterize student behaviors in learning-by-teaching environments. In B. Woolf, E. A\u00efmeur, R. Nkambou, & S. Lajoie (Eds.), Proceedings of the 9th International Conference on Intelligent Tutoring Systems <\/i>(ITS 2008), 23\u201327 June 2008, Montreal, PQ, Canada (pp. 614\u2013625). Berlin \/ Heidelberg: Springer. <\/span><\/span><\/p>\n

Krippendorff, K., & Bock, M. A. (2009). The content analysis reader<\/i>. Sage Publications. <\/span><\/span><\/p>\n

Landauer, T. K., Laham, D., & Foltz, P. W. (2001). Automated essay scoring. IEEE Intelligent Systems<\/i>, September\/October. <\/span><\/span><\/p>\n

Landauer, T., Lochbaum, K., & Dooley, S. (2009). A new formative assessment technology for reading and writing. Theory into Practice, 48<\/i>(1), 44\u201352. http:\/\/dx.doi.org\/10.1080\/00405840802577593 <\/span><\/span><\/p>\n

Leijten, M., & Van Waes, L. (2013). Keystroke logging in writing research using Inputlog to analyze and visualize writing processes. Written Communication, 30<\/i>(3), 358\u2013392. <\/span><\/span><\/p>\n

Mislevy, R. J., Behrens, J. T., Dicerbo, K. E., & Levy, R. (2012). Design and discovery in educational assessment: Evidence-centered design, psychometrics, and educational data mining. Journal of Educational Data Mining, 4<\/i>(1), 11\u201348. <\/span><\/span><\/p>\n

Mollette, M., & Harmon, J. (2015). Student-level analysis of Write to Learn effects on state writing test scores. Paper presented at the 2015 annual meeting of the American Educational Research Association. http:\/\/ www.aera.net\/Publications\/Online-Paper-Repository\/AERA-Online-Paper-Repository <\/span><\/span><\/p>\n

Page, E. B. (1967). The imminence of grading essays by computer. Phi Delta Kappan, 47<\/i>, 238\u2013243. <\/span><\/span><\/p>\n

Parr, J. (2010). A dual purpose data base for research and diagnostic assessment of student writing. Journal of Writing Research, 2<\/i>(2), 129\u2013150. <\/span><\/span><\/p>\n

Pe\u00f1a-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert systems with applications, 41<\/i>(4), 1432\u20131462. <\/span><\/span><\/p>\n

Pinheiro, J., & Bates, D. (2006). Mixed-effects models in S and S-PLUS<\/i>. New York: Springer-Verlag. <\/span><\/span><\/p>\n

Reimann, P., Calvo, R., Yacef, K., & Southavilay, V. (2010). Comprehensive computational support for collaborative learning from writing. In S. L. Wong, S. C. Kong, & F.-Y. Yu (Eds.), Proceedings of the 18th International Conference on Computers in Education <\/i>(ICCE 2010), 29 November\u20133 December, Putrajaya, Malaysia (pp. 129\u2013136). Asia-Pacific Society for Computers in Education. <\/span><\/span><\/p>\n

Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33<\/i>(1), 135\u2013146. <\/span><\/span><\/p>\n

Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3<\/i>(1), 12\u201327. <\/span><\/span><\/p>\n

Roscoe, R., & McNamara, D. S. (2013). Writing pal: Feasibility of an intelligent writing strategy tutor in the high school classroom. Journal of Educational Psychology, 105<\/i>(4), 1010\u20131025. http:\/\/dx.doi.org\/10.1037\/a0032340 <\/span><\/span><\/p>\n

Shermis, M., & Hamner, B. (2012). Contrasting state-of-the-art automated scoring of essays: Analysis. Paper presented at Annual Meeting of the National Council on Measurement in Education, Vancouver, Canada, April. <\/span><\/span><\/p>\n

Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78<\/i>(1), 153\u2013189. <\/span><\/span><\/p>\n

Walvoord, B. E., & McCarthy, L. P. (1990). Thinking and writing in college: A naturalistic study of students in four disciplines<\/i>. Urbana, IL: National Council of Teachers of English. <\/span><\/span><\/p>\n

White, B., & Larusson, J. A. (Eds.). (2014). Learning analytics: From research to practice. <\/i>New York: Springer Science+Business Media. doi:10.1007\/978-1-4614-3305-7_8. <\/span><\/span><\/p>\n

Whitelock, D., Field, D., Pulman, S., Richardson, J. T. E., & Van Labeke, N. (2013). OpenEssayist: an automated feedback system that supports university students as they write summative essays. Proceedings of the 1st International Conference on Open Learning: Role, Challenges and Aspirations<\/i>. The Arab Open University, Kuwait, 25\u201327 November 2013. <\/span><\/span><\/p>\n

Whitelock, D., Twiner, A., Richardson, J. T. E., Field, D., & Pulman, S. (2015). OpenEssayist: A supply and demand learning analytics tool for drafting academic essays. Proceedings of the 5th International Conference on Learning Analytics and Knowledge <\/i>(LAK\u201915), 16\u201320 March, Poughkeepsie, NY, USA (pp. 208\u2013212). New York: ACM.<\/span><\/span><\/p>\n

\n
\n

1<\/a> orj. formative writing<\/span><\/span><\/p>\n<\/div>\n

\n

2<\/a> orj. writing analytics<\/span><\/span><\/p>\n<\/div>\n

\n

3<\/a> orj. iterative writing tool<\/span><\/span><\/p>\n<\/div>\n","protected":false},"author":1,"menu_order":3,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[48],"contributor":[],"license":[],"class_list":["post-82","chapter","type-chapter","status-publish","hentry","chapter-type-numberless"],"part":73,"_links":{"self":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/82","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\/82\/revisions"}],"part":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/parts\/73"}],"metadata":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapters\/82\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/media?parent=82"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/pressbooks\/v2\/chapter-type?post=82"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/contributor?post=82"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/acikkitap.com.tr\/oaek\/wp-json\/wp\/v2\/license?post=82"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}