Çok modlu veri füzyonu ve bilgi grafikleriyle yönlendirilen akıllı eğitimsel karar verme sistemi

Her Öğrenci İçin Daha Akıllı Yardım

Sizi nasıl çalıştığınızı sessizce izleyen, konuşma tarzınızı dinleyen, hatta yorgun ya da odaklanmış göründüğünüzü fark eden ve ardından sizin için bir sonraki öğrenme adımını seçen bir özel öğretmen hayal edin. Bu makale bu tür bir öğretmenin taslağını sunuyor: birçok türdeki öğrenci verisini aynı anda okuyan ve okul konularının yapılandırılmış haritalarını kullanarak daha açık, adil ve etkili öğretim kararları alan akıllı bir sistem.

Öğrenmeyle İlgili Birçok İpucunu Bir araya Getirmek

Günümüz öğrenme platformları şaşırtıcı çeşitlilikte sinyal toplar: hangi soruları doğru yaptığınız, bir sayfada ne kadar zaman geçirdiğiniz, video derslerden yüz ve ses ipuçları, hatta laboratuvar ortamlarında kalp atış hızı veya göz hareketleri. Her sinyal, bir öğrenenin ne bildiği ve nasıl hissettiği hakkında küçük bir ipucu sunar. Zorluk şu ki, bu ipuçları birbirinden çok farklı görünür—sayısal veriler, görüntüler, sesler, tıklamalar—ve mevcut sistemlerin çoğu bunların bazılarını görmezden gelir veya ayrı ayrı ele alır. Sonuç olarak öğrencide olup bitenin daha geniş resmini kaçırırlar ve belirli bir öneriyi neden verdiklerini açıklamakta zorlanırlar.

Kararları Yönlendirmek İçin Bilgi Haritalarının Kullanılması

Çalışma, bu zengin sinyalleri kavramların önkoşulları ve müfredat içindeki bağlantılarıyla örülmüş ağ benzeri haritalar olan bilgi grafikleriyle birleştirerek bu sorunu ele alıyor. Sistemin yalnızca bir öğrencinin bir sonraki soruyu doğru cevaplayıp cevaplamayacağını tahmin etmesi yerine hangi fikirlerin eksik olduğu, hangi konuların sırada gelmesi gerektiği ve hangi sapmaların öğrenciyi şaşırtabileceği konularında muhakeme yapmasını sağlıyor. Bu yapılandırılmış harita bir pusula görevi görerek önerilerin yalnızca kısa vadeli puan artışlarına değil, konunun mantığına uygun kalmasını sağlıyor. Ayrıca sistemin kararlarını öğretmenlerin denetlemesini kolaylaştırıyor; çünkü önerilen yollar somut beceri ve konular üzerinden izlenebilir.

Öğretim Seçimleri İçin İki Katmanlı Bir Beyin

Çerçevenin merkezinde iki parçalı bir karar motoru bulunuyor. Birinci parça olan Bilinçli Öğretim Alanı Ağı (Cognizant Instructional Field Network), dağınık öğrenci verilerinin hepsini öğrenenin mevcut durumunun kompakt bir portresine dönüştürüyor. Sadece yakın zamanda olanlara bakmakla kalmıyor, aynı zamanda zaman içindeki kalıpları da izleyerek gürültülü sinyalleri yumuşatıyor ve dikkat düşüşü gibi ani değişikliklere duyarlı kalıyor. Bilgi grafiğini iskelesi olarak kullanarak hangi becerilerin büyük olasılıkla kazanıldığını ve hangilerinin hâlâ zayıf olduğunu ince ayrıntıda tahmin ediyor ve ders kurallarına—örneğin temel önkoşulların atlanmaması gibi—uyan bir dizi olası sonraki eylem öneriyor.

Motorun Üzerinde Stratejik Bir Koç

Bunun üstünde Pedagojik Çıkarım Denetleyicisi (Pedagogical Inference Controller) yer alıyor; bu bir stratejik koç gibi davranıyor. Şunu soruyor: farklı bir öğretim hamlesini daha önce deneseydik, öğrenci şimdi daha iyi durumda olur muydu? Bu tür bir “pişmanlığı” izleyerek zamanla geçmişte işe yaramayan seçimlerden uzaklaşıyor. Ayrıca sistemin bir öğrenen hakkındaki belirsizliğini de takip ediyor: güven düşük olduğunda kasıtlı olarak daha geniş bir etkinlik yelpazesini keşfediyor; güven yüksek olduğunda ise en umut verici görünene odaklanıyor. Bir müfredat uyum mekanizması, denemelerin eğitim hedeflerinden çok uzaklaşmaması için sistemi sürekli olarak mantıklı öğrenme yollarına geri itiyor.

Veri ve Küçük Bir Sınıf Deneyinden Kanıt

Yazarlar çerçevelerini çevrimiçi alıştırma sistemlerinin kayıtları, uluslararası sınav verileri, açık çevrimiçi kurslar ve okuduğunu anlama görevleri dahil olmak üzere birkaç büyük eğitim veri seti üzerinde test ettiler. Bu çok farklı ortamlarda yeni yaklaşım, güçlü mevcut modellerden biraz daha doğru tahminler yaptı. Sayısal kazançlar ılımlı olsa da tutarlıydı ve eğitimde küçük iyileşmeler bile binlerce öğrenene erken destek sağladığında önemli olabilir. 60 lise öğrencisiyle yapılan küçük gerçek dünya sınıf çalışmasında, akıllı sistemi kullananlar iki hafta içinde daha fazla öğrenme gösterdi, daha yüksek yetkinlik oranlarına ulaştı ve oturum başına daha az çalışma süresine ihtiyaç duydu; ayrıca yüksek memnuniyet bildirdiler.

Gelecek Sınıflar İçin Anlamı

Günlük öğrenenler ve öğretmenler için mesaj şu: daha akıllı ve daha şeffaf dijital öğretmenler erişilebilir durumda. Birçok veri akışını öğretilenin açık haritalarıyla birleştirerek bu çerçeve kara kutu tahminlerin ötesine geçiyor; açıklanabilir ve ayarlanabilir kararlar sunuyor. Çalışma, gelecekteki sistemlerin yalnızca bir sonraki alıştırmayı önermekle kalmayıp bunu bir konunun yapısını gözeterek, belirsizliğe dikkatli keşifle yanıt vererek ve her adımın bir öğrenenin bilgi boşluklarını nasıl kapattığını açıkça göstererek yapabileceğini öne sürüyor. Gerçek sınıflarda daha fazla çalışma gerekecek, ancak bu yaklaşım eğitim teknolojisinin bir puan tutma makinesi gibi değil, düşünceli bir öğretim ortağı gibi davrandığı bir geleceğe işaret ediyor.

Atıf: Wang, Y. Intelligent educational decision-making system driven by multimodal data fusion and knowledge graphs. Sci Rep 16, 9610 (2026). https://doi.org/10.1038/s41598-025-33066-8

Anahtar kelimeler: kişiselleştirilmiş öğrenme, akıllı öğretim, bilgi grafikleri, çok modlu eğitim verisi, uyarlanabilir öğretim