Geçmişte yapılan araştırmalar, öğrencilerin sınıf içi etkinliklerine katılımlarının hem eğitim programlarının kalitesini hem de öğrencilerin akademik performansını belirleyen çok önemli bir faktör olduğunu gösteriyor. Buna bağlı olarak dünya çapındaki birçok eğitimci, öğrenci katılımını en üst düzeye çıkarabilecek aktif katılıma dayalı programlar tasarlamaya çalışıyor.
Bununla birlikte, öğrenci katılımını etkili ve güvenilir bir şekilde değerlendirmek kimi durumlarda oldukça zor olabiliyor. Derslerin ve eğitim stratejilerinin etkinliğini araştırmak için öğrencilerin, zaman içerisinde derse katılımını ve öğrenme deneyimlerini bölmeden veya olumsuz bir şekilde etkilemeden, izleme tekniklerine katılımı önem taşıyor ve buna ihtiyaç duyuluyor.
Katılım düzeyleri analiz ediliyor
Bu ihtiyaçtan yola çıkan Tübingen Üniversitesi, Leibniz Enstitüsü ve Colorado Boulder Üniversitesi araştırmacıları, kısa süre önce sınıf araştırması bağlamında öğrenci katılımını değerlendirmek için makine öğrenimi tekniklerinin potansiyelini araştırarak sınıf ortamlarında toplanan video görüntülerini analiz ederek öğrenci katılımını tahmin edebilen derin sinir ağı tabanlı bir model tasarladı.
Tasarlanan model, sınıf ortamında kaydedilen büyük video veri kümelerini tarayarak öğrenci katılımının yüksek veya düşük olduğu durumları belirleyebiliyor. Takımın Bilişsel Psikoloğu Peter Gerjets’e göre, böyle bir yöntem, yüksek öğrenci ilgisiyle ilişkilendirilen ve öğretmen eğitim programlarında da kullanılabilen sınıf öğretim stratejilerinin belirlenmesine yardımcı olabilir.
“Dersler sırasında toplanan kamera verilerini, öğrenci katılım düzeylerini tahmin etmek için derin sinir ağı tabanlı bir modeli öğretmek için kullandık. Modelimizi temel doğruluk verilerine göre eğittik. Bu eğitimden sonra model, belirli bir zaman diliminde, belirli bir öğrencinin yüksek veya düşük katılım düzeyini gösterebilir hâle geldi.” – Araştırmacı Enkelejda Kasneci
Model geliştirildi
Sınıf ortamlarında çekilen videolar, birkaç yıldır eğitimle ilgili araştırmalar yapmak için kullanılmasına rağmen şimdiye kadar, bu videolar genellikle araştırmacılar tarafından geleneksel olarak analiz ediliyordu. Bilgisayarla görme ve makine öğrenimi alanındaki son gelişmelerle birlikte, Tübingen ve UC Boulder’daki araştırmacılar tarafından geliştirilenler de dahil olmak üzere, büyük miktarda videoyu otomatik olarak analiz edebilen ve bunlardaki belirli kalıpları tanımlayabilen tekniklerin geliştirilmesi sağlandı.
Enkelejda Kasneci ve Sidney D’Mello, yüz analizine dayanan önceki çalışmaların çoğunun küçük ölçekli video verilerine dayandığını belirterek geliştirdikleri yeni modelle birlikte derin öğrenmenin büyük verilerden yararlı temsiller öğrenme fırsatı sunduğunu belirtiyor. Herhangi bir manuel derecelendirme gerektirmeden, mümkün olduğunca sorunsuz bir şekilde otomatikleştirilmiş etkileşim tahmini sunabilen bu model eğitimde kalıplaşmış rutinleri dönüşüme uğratabilecek potansiyele sahip olduğunun sinyalini veriyor.
Derin sinir modeli
Öğrenci katılım düzeyi bir öğrencinin dikkatine ve duygusal tepkilerine bakılarak ölçülebildiğinden derin sinir modeli öncelikle görsel veriler üzerine eğitildi. Eğitilen sinir ağlarından ilki (Attention-Net/ Dikkat-Ağı) öğrenci başkanlarının gösterdiği yönü tahmin etmek, ikincisiyse (Affect-Net/ Etki-Ağı) yüz ifadelerini analiz ederek duygularını belirlemek için eğitildi.
Araştırmacılar algoritmalarını ham görüntüler üzerinde eğitmek yerine, onları derin gömme (yani, bu görüntülerin düşük boyutlu temsilleri) üzerine eğitti. Bu, 60 saniyelik kısa bir video dizisi gibi çok sınırlı yeni veriler, algoritmaların yeniden kolayca eğitilmelerini veya kişiselleştirilmelerine olanak sunuyor.
Gizlilik temel alınıyor
Araştırmacılar ilerleyen çalışmalarında öğrencilerin farklı öğrenci grupları üzerindeki katılımını değerlendirmek için tekniklerinin geçerliliğini ve etkinliğini test etmeyi planlıyor. Ekip, ayrıca tasarladıkları modelin güvenilirliğini sağlamak için yaklaşımlarını daha da geliştireceklerini belirtiyor.
Kişisel veri gizliliği konusunda birçok olumsuz gelişmeyle karşılaştığımız bir dönemde söz konusu öğrenciler olunca modelle ilgili çok daha hassas iyileştirmeler yapılması gerektiğine dikkat çekmek gerekiyor. Bu noktada, model araştırma amaçlı tasarlandığı için video kayıtlarındaki öğrenciler anonim olarak saklanıyor. Dahası, sistem gerekli verilere eriştikten hemen sonra ham video görüntülerini silerek yalnızca genel bir öğrenci grubuyla ilgili verileri depoluyor. Teorik olarak, model bir öğrencinin zaman içindeki katılımını haritalayabilirken anonimliği koruyabiliyor.
Geliştirilen bu model ve halen yürütülmekte olan çalışma, derin öğrenmenin sınıf araştırmalarında öğrencilerin katılımını verimli bir şekilde yakalayabileceğini ve veri olarak işleyebileceğini gösteriyor. Bu sayede geliştirilen modeller daha etkili eğitim stratejileri tasarlamak için kullanılabilir. Uzaktan eğitimde teknolojinin eğitim üzerindeki kolaylaştırıcı etkisini hem öğrenciler hem de öğretmenler yakından deneyimleme fırsatı bulsa da gelecek nesilleri şekillendirecek eğitim için teknolojinin bu tür araştırmalarda kullanılması son derece önem taşıyor.
Kaynak: Tech Xplore
