Öğrencilerin yeni bir kavramı ne kadar iyi öğrendiğini ölçmek için genellikle geleneksel kâğıt-kalem testleri kullanılır. Araştırmacılar, bir öğrencinin bir kavramı ne kadar iyi kavrayabildiğini ölçmek için kullanılabilecek bir makine öğrenme algoritması geliştirdi. Dartmouth araştırmacıları, STEM’deki (Science, Technology, Engineering ve Math’in (Bilim, Teknoloji, Mühendislik ve Matematik) kavram bilgisini ölçmek için ilkokul ve ortaokul öğrencilerinin bilgi ve beyin aktivitelerini test ederek mevcut durumlarını inceledi ve daha sonra kavramsal anlayışlarını değerlendirmek için yeni bir çalışma yaptı.

Yirmi sekiz Dartmouth öğrencisi çalışmaya katıldı ve bu öğrenciler mühendislik öğrencileri ve acemi öğrenciler olarak iki eşit gruba ayrıldı. Mühendislik öğrencileri en az bir makine mühendisliği dersi ve ileri bir fizik dersi alırken, acemiler hiçbir üniversite seviyesinde mühendislik veya fizik dersi almamıştı. Çalışma, kavram yapılarının nasıl inşa edildiğini değerlendirmeye odaklanan üç testten ibaretti.

“STEM konularını öğrenmek heyecan verici ama aynı zamanda oldukça zor olabilir. Ancak, öğrenme süreci boyunca, öğrenciler birçok karmaşık kavram hakkında zengin bir anlayış geliştirir. Muhtemelen, bu edinilen bilgilerin beyin aktivitesinin yeni modellerine yansıtılması gerekir. Şu anda beynin bu kadar karmaşık ve soyut bilgiyi nasıl desteklediğine dair ayrıntılı bir anlayışımız yok, bu yüzden çalışmaya karar verdik.”

Dartmouth College’da kıdemli yazar David Kraemer.

Çalışmanın başlangıcında, katılımcılara makine mühendisliğindeki farklı kuvvet türlerine ait kısa bir bilgi verildi. Bir fMRI (Functional magnetic resonance imaging – Fonksiyonel manyetik rezonans görüntüleme ) tarayıcısında köprüler, sokak lambaları ve binalar gibi gerçek dünya yapılarından görüntüler gösterildi ve bu yapıların nasıl dengede durduklarını düşünmeleri istendi. Daha sonra katılımcılara aynı yapının ardından, kuvvetleri temsil eden okların yapı üzerine bindirildiği bir görüntü göstermeleri istendi. Mühendislik öğrencileri diyagramların %75’ini doğru cevapladı ve %53,6’sını doğru cevaplayan acemilerden daha iyi performans gösterdi. fMRI oturumundan önce katılımcılardan diğer makine mühendisliği ve fizik bilgisini ölçen iki standartlaştırılmış, çoktan seçmeli testi tamamlamaları istendi. Her iki sınavda da mühendislik öğrencileri %16,2’ye karşı %50,2 ve %35,9’a karşı %79,3 ile acemilere göre daha yüksek puan aldı.

Sinirbilimde bilginin beyinde nasıl anlaşıldığına dair araştırmalar genellikle bir grup içindeki katılımcılar arasındaki verilere dayanır ve sonuçlar genellikle başka bir gruptan elde edilen verilerle karşılaştırılır. Bu çalışmada Dartmouth araştırmacıları, katılımcının grubunu önemsemek zorunda kalmadan sadece beyin aktivitesine dayalı bir bireysel “nöral ağ” oluşturabilen veri odaklı bir yöntem geliştirdi. Ekip, belirli bir STEM bilgisini sınayarak “performanstaki bireysel farklılıkları önemli ölçüde tahmin eden ve sinirsel puanlar üreten” bir makine öğrenme algoritması geliştirdi. Araştırmacılar nöral skor yöntemini doğrulamak için her öğrencinin üç testteki performansıyla sinirsel puanlarını karşılaştırdı. Sonuçlar sinir puanı arttıkça, kavram bilgisi testinde öğrencinin puanının arttığını gösteriyor.

Bilgi ağı analizi, farklı öğretim yaklaşımlarının etkinliğini değerlendirmek için kullanılabileceğinden daha geniş uygulamalar için de kullanılabilir. Araştırma ekibi her iki yaklaşımın da zaman içinde daha iyi öğrenmeye ve bilginin kalmasına yol açıp açmadığını belirlemek için uygulamalı laboratuvarlar ile sanal laboratuvarlar arasındaki karşılaştırma üzerine de çalışıyor.

Kaynak: sciencedaily

Share:

administrator

96'da İstanbul'da doğdu, Marmara Üniversitesi Basım Teknolojileri bölümünde yüksek lisanına devam ederken İş Geliştirme alanında çalışıyor. Sonunda soru işareti olan her şeye ilgi duyarken geleceğin nerede olduğunu araştırıyor.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir