Garfield
YZF Admin
Eğitsel veri madenciliği (EDM) ile öğrenme analitiği (LA) örtüşen amaçlara sahip iki alandır; aralarındaki ayrım çoğunlukla vurgu ve araştırma yaklaşımıyla ilgilidir: EDM’de eğitim verilerinden örüntü ve modeller keşfetme; öğrenme analitiğinde ise analizleri öğrenmeyi ve eğitim kararlarını iyileştirecek biçimde yorumlayıp kullanma vurgusu öne çıkar. Kısaca EDM daha çok “Veride hangi örüntü var ve bunu nasıl modelleyebilirim?” sorusunu, öğrenme analitiği ise “Bu bilgiyle öğrenci, öğretmen veya kurum hangi kararı almalı?” sorusunu yanıtlar.
Eğitsel veri madenciliği; öğrenme yönetim sistemi kayıtları, sınav sonuçları, ödev teslimleri, tıklama akışları veya etkileşim günlükleri gibi verileri istatistiksel ve hesaplamalı yöntemlerle inceler. Sınıflandırma, kümeleme, ilişki kuralları, sıra örüntüsü ve tahminleme gibi tekniklerle öğrencilerin davranışlarını ya da başarıyla ilişkili değişkenleri ortaya çıkarmaya çalışır.
Öğrenme analitiği ise verilerin toplanması, ölçülmesi, analiz edilmesi ve raporlanmasını; öğrenciler, öğretmenler, ders tasarımcıları ve yöneticiler için anlamlı eylemlere dönüştürme amacıyla ele alır. Bu nedenle yalnızca model doğruluğuna değil, bulgunun eğitim bağlamındaki anlamına, kime sunulacağına ve hangi kararı destekleyeceğine de bakar.
Bu ayrım kesin ve birbirinden kopuk iki alan olduğu anlamına gelmez. Öğrenme analitiği çalışmasında eğitsel veri madenciliği yöntemleri kullanılabilir. Örneğin bir analist, öğrencilerin platform kullanım kayıtlarından risk tahmini üretmek için EDM tekniklerinden yararlanabilir; ardından bu tahmini öğretmenin kullanabileceği bir erken uyarı raporuna dönüştürmek öğrenme analitiği kapsamına girer.
Varsayımsal bir çevrim içi programda her öğrenci için şu girdiler bulunsun: haftalık oturum sayısı, video izleme oranı, ödev teslim gecikmesi ve kısa sınav puanı.
EDM yaklaşımı bu verilerle, örneğin öğrencileri “düzenli katılanlar”, “son hafta çalışanlar” ve “düşük etkileşim gösterenler” şeklinde kümelendirebilir. Başka bir model, sonraki sınavda başarısız olma olasılığı yüksek öğrencileri tahmin edebilir. Çıktı, kümeler veya olasılık değerleri gibi analitik sonuçlardır.
Öğrenme analitiği yaklaşımı aynı çıktıyı eğitim bağlamında yorumlar. “Düşük etkileşim” kümesindeki öğrencilerin gerçekten desteğe mi ihtiyaç duyduğu, yoksa ders materyallerine çevrim dışı erişip sisteme az mı giriş yaptığı incelenir. Öğretmene kişiselleştirilmiş geri bildirim gönderme, zorlanan konu için ek kaynak sunma veya ders tasarımındaki kopuş noktalarını düzeltme gibi eylemler planlanabilir.
Modelin bir öğrenciyi riskli olarak işaretlemesi, öğrencinin kesin olarak başarısız olacağını kanıtlamaz. Bu sonuç yalnızca belirli verilere ve model varsayımlarına dayalı bir sinyaldir. Öğretmen, veri kalitesini ve bağlamı kontrol etmeden otomatik bir karar vermemelidir. Eksik kayıt, ortak cihaz kullanımı, teknik erişim sorunu veya ölçümün öğrencinin gerçek öğrenmesini temsil etmemesi sonucu değiştirebilir.
Amaç yeni davranış örüntüleri keşfetmek, başarıyı tahmin etmek veya öğrencileri benzer özelliklerine göre gruplamaksa eğitsel veri madenciliği yöntemleri uygun başlangıç noktasıdır. Burada veri temizleme, değişken seçimi, modelin farklı veri kümelerinde sınanması ve hataların incelenmesi önemlidir.
Amaç öğretmene hangi öğrencinin hangi desteğe ihtiyaç duyduğunu göstermek, öğrencinin kendi ilerlemesini anlamasını sağlamak veya bir dersin tasarımını iyileştirmekse öğrenme analitiği çerçevesi daha uygundur. Bu durumda teknik analiz tek başına yeterli değildir; göstergenin anlaşılır olması, doğru kişiye ulaşması, zamanında sunulması ve eğitimsel bir eyleme bağlanması gerekir.
Bir çalışmada iki yaklaşım birlikte kullanılacaksa şu ayrım korunmalıdır: Örüntü keşfi ve modelleme ile bulguların eğitim bağlamında yorumlanması birlikte tasarlanmalıdır; bu görevler yalnızca tek bir alana ait değildir. Böylece yüksek tahmin başarısı olan fakat eğitim açısından yorumlanamayan bir model ile anlaşılır görünen fakat veriye dayanmayan bir rapor arasındaki risk azaltılır.
Temel ayrım: yöntem ve kullanım amacı
Eğitsel veri madenciliği; öğrenme yönetim sistemi kayıtları, sınav sonuçları, ödev teslimleri, tıklama akışları veya etkileşim günlükleri gibi verileri istatistiksel ve hesaplamalı yöntemlerle inceler. Sınıflandırma, kümeleme, ilişki kuralları, sıra örüntüsü ve tahminleme gibi tekniklerle öğrencilerin davranışlarını ya da başarıyla ilişkili değişkenleri ortaya çıkarmaya çalışır.
Öğrenme analitiği ise verilerin toplanması, ölçülmesi, analiz edilmesi ve raporlanmasını; öğrenciler, öğretmenler, ders tasarımcıları ve yöneticiler için anlamlı eylemlere dönüştürme amacıyla ele alır. Bu nedenle yalnızca model doğruluğuna değil, bulgunun eğitim bağlamındaki anlamına, kime sunulacağına ve hangi kararı destekleyeceğine de bakar.
| Ölçüt | Eğitsel veri madenciliği | Öğrenme analitiği |
|---|---|---|
| Ana soru | Veride hangi örüntü, ilişki veya tahmin bulunabilir? | Bu bulgu öğrenme ve öğretim kararlarını nasıl iyileştirir? |
| Öncelik | Algoritma, model ve keşif | Yorum, karar desteği ve eylem |
| Tipik çıktı | Tahmin modeli, kümeler, ilişkiler veya risk puanı | Gösterge paneli, erken uyarı, geri bildirim veya ders iyileştirme önerisi |
| Hedef kullanıcı | Araştırmacı ve veri analisti | Öğrenci, öğretmen, danışman ve eğitim yöneticisi |
| Başarı ölçütü | Modelin geçerliliği ve tahmin performansı | Bulguların doğru yorumlanması ve yararlı bir eğitim eylemine dönüşmesi |
Aynı veri üzerinde somut örnek
Varsayımsal bir çevrim içi programda her öğrenci için şu girdiler bulunsun: haftalık oturum sayısı, video izleme oranı, ödev teslim gecikmesi ve kısa sınav puanı.
EDM yaklaşımı bu verilerle, örneğin öğrencileri “düzenli katılanlar”, “son hafta çalışanlar” ve “düşük etkileşim gösterenler” şeklinde kümelendirebilir. Başka bir model, sonraki sınavda başarısız olma olasılığı yüksek öğrencileri tahmin edebilir. Çıktı, kümeler veya olasılık değerleri gibi analitik sonuçlardır.
Öğrenme analitiği yaklaşımı aynı çıktıyı eğitim bağlamında yorumlar. “Düşük etkileşim” kümesindeki öğrencilerin gerçekten desteğe mi ihtiyaç duyduğu, yoksa ders materyallerine çevrim dışı erişip sisteme az mı giriş yaptığı incelenir. Öğretmene kişiselleştirilmiş geri bildirim gönderme, zorlanan konu için ek kaynak sunma veya ders tasarımındaki kopuş noktalarını düzeltme gibi eylemler planlanabilir.
Modelin bir öğrenciyi riskli olarak işaretlemesi, öğrencinin kesin olarak başarısız olacağını kanıtlamaz. Bu sonuç yalnızca belirli verilere ve model varsayımlarına dayalı bir sinyaldir. Öğretmen, veri kalitesini ve bağlamı kontrol etmeden otomatik bir karar vermemelidir. Eksik kayıt, ortak cihaz kullanımı, teknik erişim sorunu veya ölçümün öğrencinin gerçek öğrenmesini temsil etmemesi sonucu değiştirebilir.
Hangi durumda hangisi tercih edilir?
Amaç yeni davranış örüntüleri keşfetmek, başarıyı tahmin etmek veya öğrencileri benzer özelliklerine göre gruplamaksa eğitsel veri madenciliği yöntemleri uygun başlangıç noktasıdır. Burada veri temizleme, değişken seçimi, modelin farklı veri kümelerinde sınanması ve hataların incelenmesi önemlidir.
Amaç öğretmene hangi öğrencinin hangi desteğe ihtiyaç duyduğunu göstermek, öğrencinin kendi ilerlemesini anlamasını sağlamak veya bir dersin tasarımını iyileştirmekse öğrenme analitiği çerçevesi daha uygundur. Bu durumda teknik analiz tek başına yeterli değildir; göstergenin anlaşılır olması, doğru kişiye ulaşması, zamanında sunulması ve eğitimsel bir eyleme bağlanması gerekir.
Bir çalışmada iki yaklaşım birlikte kullanılacaksa şu ayrım korunmalıdır: Örüntü keşfi ve modelleme ile bulguların eğitim bağlamında yorumlanması birlikte tasarlanmalıdır; bu görevler yalnızca tek bir alana ait değildir. Böylece yüksek tahmin başarısı olan fakat eğitim açısından yorumlanamayan bir model ile anlaşılır görünen fakat veriye dayanmayan bir rapor arasındaki risk azaltılır.
Sık sorulan sorular
Öğrenme analitiği yalnızca grafik ve gösterge paneli hazırlamak mıdır?
Hayır. Grafik ve gösterge panelleri öğrenme analitiğinin sunum araçlarıdır; alanın asıl amacı, öğrenme verisini anlamlı ve sorumlu eğitim kararlarına dönüştürmektir. Görsel rapor herhangi bir eylemi veya yorumu desteklemiyorsa tek başına yeterli bir öğrenme analitiği çalışması sayılmaz.
Son düzenleme:
