ÖĞRENME YÖNETİM SİSTEMLERİ

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

Öğrenme analitiklerinin dört uygulama seviyesinden bahsederek başlayabiliriz. Bu seviyeler betimsel (descriptive) analitik, tanılayıcı (diagnostik) analitik, öngörücü (predictive)
analitik ve yönerge (prescriptive) analitiği olarak sıralanabilir.

Yani, “ne oldu” sorusunun cevabını aradığımız aşama betimsel analitik aşamasıdır.

Sonraki analitik aşamasına pazar alışverişi örneğimiz ile devam edelim. Eğer aldığınız ürünler çok iyi,
ekonomik, lezzetli ya da kötü, pahalı ya da lezzetsizse bunu neden olduğunu anlamak iyi bir fikirdir. Bu
sayede sonraki pazar alışverişinizde iyi ürünleri almaya devam edebilir ya da aynı kötü ürünleri almaktan
kurtulabilirsiniz. Tanılayıcı öğrenme analitiği, benzer şekilde hangi olay ya da olaylar birlikteliğinin öğrenenlerin başarılı olmasını sağladığı ya da başarısızlıklarına neden olduğunu anlamamıza yardımcı olabilir.

Diğer bir öğrenme analitiği olan öngörücü
analitik, “ne olacak/ne olur?” sorusunu cevaplamamızda bize yardımcı olabilir. Öngörücü analitiği edindiğimiz tecrübeler sonucunda gelecekteki
olaylara ilişkin aldığımız kararlar gibi düşünebiliriz.

Yönerge analitiği, öğrenme analitiklerinin diğer
bir gelişmiş uygulaması olarak değerlendirilebilir.
Yönerge analitiği “…’nın olmasını nasıl sağlayabiliriz?” sorusunu cevaplamaya çalışır.

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.

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.

Öğrenme analitikleri ve veri madenciliğinde farklı analizlerden faydalanılmaktadır. Öngörücü ve açıklayıcı analitiklerde kullanılan analizlerden bazılarını aşağıdaki gibi sıralayabiliriz:
1. Açıklayıcı Analitik
a. Kümeleme
b. Birliktelik Kuralları
2. Öngörücü Analitik
a. Regresyon
b. Sınıflama

Öğrenme analitikleri ve veri madenciliğinde farklı analizlerden faydalanılmaktadır. Öngörücü ve açıklayıcı analitiklerde kullanılan analizlerden bazılarını aşağıdaki gibi sıralayabiliriz:
1. Açıklayıcı Analitik
a. Kümeleme
b. Birliktelik Kuralları
2. Öngörücü Analitik
a. Regresyon
b. Sınıflama

Temel olarak iki şekilde veri üretiriz: Birincisi cep telefonlarında
yer alan sensörler (algılayıcılar) aracılığıyla
veri üretiyoruz. Cep telefonlarında kamera ve
mikrofonun yanında akselerometre (ivmeölçer),
jiroskop, mıknatıs ölçer, ışık ölçer, termometre,
adım sayar, parmak izi algılayıcı ve hatta radyasyon
ölçer bile bulunabilir. Telefonunuza yüklediğiniz
yazılımlar sensörlerden gelen verileri her
okuduğunda veri üretmiş olursunuz. Şekil 8.1’de
CPU-Z yazılımı ile okunan sensör bilgilerini görebilirsiniz.
Eğer telefonunuzda hangi sensörlerin
olduğunu incelemek isterseniz Android işletim
sistemine sahip akıllı telefonunuzda yer alan sensörleri
CPU-Z ya da Sensor List gibi yazılımlarla
inceleyebilirsiniz.
İkinci veri üretme şekli ise örneğin, sosyal ağlar
üzerinde yorum yaparak, bir içeriği paylaşarak ya
da beğenerek veri üretme şeklidir. Bir arama motorunu
(ör. Google) kullanarak arama yaptığımızda,
bir web sitesini ziyaret ettiğimizde, bir video izlediğimizde,
internetten alışveriş yaptığımızda sanal
dünyada bir iz bırakır ve veri üretiriz.

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

• Hacim: Büyük veri genellikle depolanması, işlenmesi, aktarılması, analiz edilmesi ve sunulması zor
olan enformasyon miktarına sahiptir. Bugün sahip olduğumuz verinin %90’ı son iki yıl içinde üretilmiştir
(http-1).
• Hız: Verinin paylaşılması ve dolaşımı çok hızlıdır. Daha önce verdiğimiz örnekten de hatırlayacağınız
gibi, 2016 yılında YouTube üzerinden bir dakikada 400 saatlik video paylaşılmıştır. Küresel
olarak veri o kadar hızlı hareket etmektedir ki küresel internet trafiğinin 2018 yılında saniyede
50.000 GB olması beklenmektedir (http-1).
• Doğruluk: Elde edilen veride yanlılık, kirlilik ve düzensizlik olabilir. Bu şekildeki veriler, analizleri
ve dolayısıyla analiz sonuçlarını etkiler. Bu nedenle verilerin temizlenmeleri ve/veya düzenlenmeleri
gerekir.
• Çeşitlilik: Veri yapılandırılmış ve yapılandırılmamış olarak farklı şekillerde sunulabilir. Yapılandırılmış
veri belirli bir düzeni olan, aynı yapıya sahip verilerdir. Örneğin Excel tablosunda yer alan
öğrenenlerin ad, soyad, sınıf, ders ve puanları yapılandırılmış veriye örnek verilebilir. Büyük verinin
ise belirli bir yapısı yoktur. Büyük verinin içinde yorumlar, ses dosyaları, görseller ve videolar bulunabilir.
Bu veri türlerinin hepsi hem birbirinden hem de kendi içinde farklı yapılarda olabilir.

Daha net bir ifadeyle; ‘büyük veri tabanlarından,
farklı analiz yöntemleriyle gizli desenlerin ortaya çıkarılması
süreci veri madenciliğidir’ diyebiliriz. Veri madenciliğinin
temelinde istatistik, yapay zekâ ve makine öğrenmesi
bulunur. Veri madenciliği iletişim, eğitim, bankacılık,
sigortacılık, üretim gibi farklı alanlarda kullanılmaktadır.
Veri madenciliğinin eğitimde kullanılması eğitimde veri
madenciliği (educational data mining) olarak adlandırılır.

Eğitimde veri madenciliği 1995 yılında Corbett ve Anderson'un Baves bilgi takibi ile ilgili makaleleri ile başlamıştır.

Büyük veri ve eğitimde veri madenciliği konularında temel bilgileri paylaştığımıza göre, bu bölüme
adını veren öğrenme analitiklerini (learning analytics) tanımlayarak devam edebiliriz. Öğrenme analitikleri, öğrenenlere ilişkin verinin, öğrenme süreçlerinin ve öğrenme ortamlarının anlaşılması ve iyileştirilmesi amacıyla ölçülmesi, toplanması ve analiz edilmesi olarak tanımlanabilir.

Öğrenme analitiklerinin kullanım amaçlarını biraz daha detaylı bir şekilde açıklamaya, öğrenme analitiklerinin dört uygulama seviyesinden bahsederek başlayabiliriz.
Bu seviyeler 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. Öngörücü
analitik, “ne olacak/ne olur?” sorusunu cevaplamamızda bize yardımcı olabilir. Öngörücü analitiği
edindiğimiz tecrübeler sonucunda gelecekteki olaylara ilişkin aldığımız kararlar gibi düşünebiliriz.

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. Yönerge analitiği sonuçları,
öğrenenlerle kendi kişiselleştirilmiş öğrenme
süreçlerini belirlemeleri ya da öğreticilerin öğrencilere
uygun öğrenme kaynaklarını sunmaları amacıyla
paylaşılabilir.

Ne? Öğrenme analitikleri için öğrenenlere
ait veriler çok farklı kaynaklardan toplanabilir.
Öğrenen verisi tek bir merkezde toplanıyorsa
merkezileştirilmiş öğretim sistemleri, eğer öğrenen
verileri farklı kaynaklardan toplanıyorsa dağıtık
öğrenme ortamları olarak adlandırabiliriz. Bu
üniteye kadar öğrendiğiniz gibi, kitabın adını da aldığı
öğrenme yönetim sistemlerinde, öğrenenlerin
bütün etkinlikleri genellikle sistem içinde gerçekleşir.
Bu nedenle öğrenme yönetim sistemleri merkezileştirilmiş
öğretim sistemlerine örnek verilebilir.
Öğrenenlerin kendi öğrenme süreçleri için, kendi
ihtiyaçlarına uygun şekilde geliştirdikleri kişisel
öğrenme ortamlarını ise dağıtık öğrenme ortamları
olarak adlandırabiliriz.

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.
Örneğin, fakülte bazında, öğrenci bazında ya da
öğrenciye ait öğrenme etkinlikleri bazında kümeleme
analizleri yapılabilir. Yani kümeleme analizini,
veride saklı bulunan doğal grupları bulmak
için yapılan analiz olarak tanımlayabiliriz. Kümeleme
için kullanılan algoritmalara K-Ortalama ve
hiyerarşik yığın kümelemesi örnek verilebilir.