Öğrenme Yönetim Sistemlerinde Öğrenme Analitikleri

Büyük verinin dört temel özelliği vardır: Hacim (volume), hız (velocity), doğruluk (veracity), çeşitlilik (variety). 

Öğrenme analitikleri ile yakın bir diğer kavram ise akademik analitiklerdir. Akademik analitik, öğretim kurumlarının kurumsal performanslarının artırılması ya da kurumsal politikalarının oluşturulmasına yardımcı olmak amacıyla kullanılabilir. Campbell ve Oblinger (2007) akademik analitikleri beş aşamada işleyen bir yapı olarak tanımlamışlardır. Bu aşamalar yakalama (capture), raporlama (report), tahmin (predict), eylem (act) ve iyileştirme (refine) olarak sıralanabilir.

Öğreme analitiği seviyeleri; betimsel (descriptive) analitik, tanılayıcı (diagnostik) analitik, öngörücü (predictive) analitik ve yönerge (prescriptive) analitiği olarak sıralanabilir. Betimsel analitikten yönerge analitiğine gidildikçe üretilen değer arttığı gibi zorluk seviyesi de artmaktadır.

Öğrenenlerin kendi öğrenme süreçleri için, kendi ihtiyaçlarına uygun şekilde geliştirdikleri kişisel öğrenme ortamlarını dağıtık öğrenme ortamları olarak adlandırabiliriz.

1. Verinin konumu ve yorumlanması
2. Bilgilendirilmiş onay formu, verinin gizliliği ve anonimleştirilmesi
3. Verinin yönetilmesi, sınıflandırılması ve depolanması

RapidMiner, Java programlama dili üzerine inşa edilmiş en çok kullanılan veri analitiği yazılımlarından biridir. Masaüstü bilgisayarlar için RapidMiner Studio yazılımı kullanılmaktadır. RapidMiner Studio ile üretilen model ve sonuçları paylaşmak, yeniden kullanmak ve yönetmek için RapidMiner Server kullanılabilir. RapidMiner Radoop ise RapidMiner Studio analizlerinin doğrudan Hadoop içinde çalıştırılmasını sağlar. 

R, istatistiksel hesaplamalar için geliştirilmiş bir programlama dili ve yazılım ortamıdır. Farklı paketler eklenerek R’ın özellikleri artırılabilir. R yazılımının ne kadar zengin olduğunu şu şekilde açıklayabiliriz. R paketleri deposu olarak da düşünebileceğimiz CRAN paket deposunda, bu kitabın yazıldığı tarihte 10.771 paket bulunmaktaydı. R normal şartlar altında basit bir pencere dışında geliştirme ortamı sunmaz. Bu nedenle genellikle R Studio kullanılır.

Öğrenme analitiklerini bazı durumları (öğrencilerin başarılı olup olmayacakları, dersi tamamlayıp tamamlamayacakları gibi) öngörmek için kullanabiliriz. Öngörücü analitik olarak tanımlayabileceğimiz bu analitik türü, bilinen veriler kullanılarak gerçekleştirilir. Açıklayıcı analitik ise bir durumun nedenlerini bulmak için eldeki bütün verilerin kullanılması olarak ifade edilebilir.

1) Açıklayıcı Analitik a. Kümeleme b. Birliktelik Kuralları 2) Öngörücü Analitik a. Regresyon b. Sınıflama

Kümeleme analizinde amaç verideki benzer noktaları bir araya getirerek kümeler oluşturmaktır. Bir kümenin elemanı kendi kümesinde yer alan elemanlara diğer kümelerdekilerden daha çok benzer. Kümeleme genellikle veriyi oluşturan kategoriler bilinmediğinde kullanılan bir analiz yöntemidir. Farklı boyutlarda kümeler oluşturulabilir. 

Veride yer alan nesnelerin birlikte bulunma kurallarını ortaya çıkaran bir analizdir. Bu analizden, marketten birlikte alınan ürünlerin belirlenmesinde ya da marketteki ürünlerin yerleştirilmesi gibi durumlarda faydalanılmaktadır. Birliktelik kurallarının belirlenmesinde önsel (Apriori) algoritma kullanılır.

Kümeleme ve birliktelik kuralında varolan durumları açıklamaya çalıştık. Regresyonda ise sürekli bir değişkene ilişkin bir öngörüye ulaşılmaya çalışılır. Bağımlı değişken sürekli ise eğitim veri madenciliğinde genellikle doğrusal regresyondan faydalanılır. Regresyon; bir gözlemin, ortalamaya ya da veri setindeki bütün noktaların ortasından geçtiği düşünülen hayali bir çizgiye (bağlanım çizgisi) ne kadar yakın olduğunu tahmin etmek olarak tanımlanabilir.

Kümeleme analizinde verimizde hangi grupların var olduğunu bilmiyorduk. Bilgisayardan kümeleri ortaya çıkarmasını istedik. Yani analiz sonrasında öğrencilerimizin hangi gruplarda olduğunu görmüş olduk. Sınıflama analizinde ise öğrencilerimizin dâhil oldukları sınıfları önceden biliyoruz.

Öğrenme analitiği ilkokul, ortaokul, lise ve sonrası seviyelerde öğrenme etkililiğini ve etkinliğini yükseltmeyi vadetmektedir. Öğrenme analitikleri eğitimcilere, öğrenenlere ve yöneticilere sınıf ve ders seviyesinde uygulanabilir öngörüler sağlamayı hedeflemektedir.

Akademik analitikler daha yüksek seviyedeki analizleri ve yöneticilerin, kural koyucuların, hükümet yetkililerinin ve olası destekçilerin ihtiyaçlarını hedefler.

Yönerge analitiği, öğrenme analitiklerinin diğer bir gelişmiş uygulaması olarak değerlendirilebilir. Yönerge analitiği “…’nın olmasını nasıl sağlayabiliriz?” sorusunu cevaplamaya çalışır. Yani “öğrenenlerin başarı puanlarını beş puan nasıl artırabiliriz”, ya da “kayıtlı öğrenenlerin mezuniyet oranlarını 10 puan nasıl artırabiliriz” gibi bir eylem planı oluşturacak yanıtların alınmasında yardımcı olabilecek bir analitik uygulamasıdır.

Öğrenme analitikleri farklı paydaşların faydalanması için geliştirilebilir. Bu paydaşlar öğrenenler, öğreticiler, yöneticiler, araştırmacılar ve tasarımcılar olabilir.

Öğrenme içeriği analitikleri, öğrenenlere seviye ve ilgilerine uygun öğrenme içeriklerinin önerilmesi için kullanılabilir.

Sınıflama analizi öğrenme ortamları dışında banka müşterilerinin riskli olup olmadıklarının belirlenmesi, bir ürünün satın alınıp alınmayacağının ya da kişinin bir hastalığa yakalanıp yakalanmayacağının öngörülmesi için kullanılabilir. Sınıflamada kullanılan algoritmalara sinir ağları, karar ağaçları, K-En yakın komşu ve Bayes Ağları örnek verilebilir.

Öğrencilerin yaşadıkları duygulara “akademik duygular” adı verilir ve dört kategoriye ayırmışlardır. Bunlar kazanım (achievement), konu (topic), sosyal (social) ve epistemik (epistemic) duygulardır. Kazanım duyguları öğrenme etkinlikleri ve bu etkinliklerin sonuçları ile ilgili duygulardır. Öğrenme etkinlikleri ev ödevleri, sınav ya da bitirme projeleri olabilir. Sonuçlar sizin de tahmin edebileceğiniz gibi başarı ya da başarısızlık olabilir. Kazanım duygularına heyecan, endişe ya da hayal kırıklığını örnek verebiliriz.