Fuzzy ve derin öğrenme teknikleri kullanarak yükseköğretim kurumlarının öğretim etkilerini etkileyen faktörlerin değerlendirilmesi

Neden Daha İyi Öğretim Ölçümleri Önemli?

Hem çok iyi hem de daha vasat derslerde oturmuş olan herkes bilir ki öğretim kalitesi bir üniversite deneyimini olumlu ya da olumsuz yönde belirleyebilir. Yine de çoğu üniversite hâlâ neyin işe yaradığını değerlendirmek için sınav puanları ve dönem sonu anketleri gibi kaba araçlara dayanıyor. Bu makale, belirsiz, insan merkezli verilerle iyi başa çıkan bir yöntem ile gizli örüntüleri yakalamada üstün olan başka bir bilgisayar tabanlı yöntemi birleştirerek üniversitelerin ne kadar iyi öğrettiğini ölçmenin daha akıllı bir yolunu inceliyor. Birlikte, dersleri iyileştirme ve öğrencilere destek sağlama konusunda daha güvenilir rehberlik vaat ediyorlar.

“İyi Bir Ders”i Yeniden Düşünmek

Üniversite öğretimi birçok değişken tarafından şekillenir: sınıftaki öğrenci sayısı, öğretim üyesinin deneyimi, dersin zorluğu, sınıf atmosferi ve teknolojinin kullanımı gibi. Geleneksel değerlendirme sistemleri bunların çoğunu genellikle tek bir sınav puanına veya sayısal ders puanına indirger. Bu basitleştirme önemli bağlamları kaçırır ve öğrenmenin dağınık, öznel yanını görmezden gelir. Yazarlar, bazı derslerin öğrencilerin gelişmesine neden olurken bazılarının eksik kaldığını anlamak istiyorsak aynı anda birçok faktörü idare edebilen ve kusurlu, görüşe dayalı bilgileri işleyebilen araçlara ihtiyaç duyduğumuzu savunuyorlar.

Hibrit Bir “İnsana Benzer” ve “Örüntü Tespit” Yaklaşımı

Çalışma, Fuzzy ve Deep Learning (FDL) adlı hibrit bir model tanıtıyor. “Fuzzy” kısmı, insanların keskin evet-hayır kategorileri yerine gri tonlarda düşündükleri biçimi taklit eder—örneğin bir öğrencinin performansını sert eşiklerle değil, “düşük”, “orta” veya “yüksek” olarak ve yumuşak geçişlerle tanımlamak gibi. Öğretim deneyimi, öğrenci–öğretmen oranı ve ders zorluğu gibi belirsiz girdileri esnek kategorilere dönüştürür, sonra “eğer öğrenci performansı yüksek ve sınıf küçükse öğretim etkinliği yüksektir” gibi basit kurallar kullanır. Bu arada derin öğrenme kısmı, temizlenmiş ve standardize edilmiş büyük veri miktarlarını işleyen katmanlı bir ağdır ve insan değerlendiricilere açık olmayabilecek karmaşık bağlantıları ortaya çıkarır.

Ham Anketlerden Anlamlı Sinyallere

Yaklaşımını test etmek için araştırmacılar, Kuzey Amerika’daki üniversitelerde birinci sınıf ve son sınıf öğrencileri tarafından doldurulan geniş ve yaygın kullanılan Ulusal Öğrenci Katılım Anketi (National Survey of Student Engagement) verilerini kullandılar. Öğretmenlerin rollerini ne kadar iyi yerine getirdiklerine daha keskin odaklanan birkaç soruyu uyarladılar ve revize edilen anketin güvenilir olduğunu doğruladılar. Ardından kapsamlı bir veri hazırlama hattı uyguladılar: hataları temizleme, eksik değerleri doldurma, öğrenci ve öğretmen tarafındaki bilgileri birleştirme ve her şeyi ortak bir aralığa ölçeklendirme. Ayrıca sınav notları, ödev tamamlama ve devamsızlığa dayalı ağırlıklı bir genel not gibi birleşik göstergeler oluşturdular ve başlıca bileşen analizi adı verilen standart bir teknikle veri karmaşıklığını azalttılar. Bu hazırlanmış veri seti hem belirsiz kategorileri yöneten fuzzy mantık modülünü hem de yüksek boyutlu sayısal örüntüleri ele alan derin öğrenme ağını besledi.

Yeni Model Ne Kadar İyi Çalışıyor?

FDL modeli, kendini tanıdığı örneklerle yanıltmamak için verinin ayrı bölümleri üzerinde eğitildi ve test edildi. Performansı, standart sinir ağları ve daha gelişmiş derin modeller de dahil olmak üzere birkaç güçlü alternatifle karşılaştırıldı. Genel doğruluk, precision, recall ve F1-skoru gibi ana ölçütlerde hibrit yöntem, rakip yaklaşımları ya yakaladı ya da aştı; yaklaşık %98 doğruluğa ve %10’un biraz üzerinde düşük bir hata oranına ulaştı. Aynı derecede önemli olarak, fuzzy kurallar kararlarını kara kutu modellerden daha yorumlanabilir kıldı. Sistem, büyük sınıfların düşük öğretim deneyimiyle eşleşmesi ya da zorlu derslerin güçlü geribildirimle desteklenmesi gibi hangi faktör kombinasyonlarının daha iyi veya daha kötü öğretim sonuçlarıyla daha güçlü şekilde ilişkili olduğunu vurgulayabiliyordu.

Bu Öğrenciler ve Üniversiteler İçin Ne Anlama Geliyor?

Günlük ifadeyle, çalışma artık hem yüksek doğruluklu hem de makul ölçüde anlaşılabilir otomatik bir “öğretim barometresi” oluşturmanın mümkün olduğunu gösteriyor. Üniversiteler, ağırlıklı ortalamalar ve tek seferlik anketlere büyük oranda dayanmak yerine bu tür bir sistemi zayıf öğretim ortamlarını erken tespit etmek, hangi öğretim görevlileri veya derslerin hedefe yönelik desteğe ihtiyaç duyduğunu belirlemek ve yeni politikaların öğrencilerin öğrenmesini gerçekten iyileştirip iyileştirmediğini test etmek için kullanabilirler. Yazarlar modelin kusursuz olmadığını vurguluyor—veri kalitesine bağlıdır, hesaplama açısından talepkar olabilir ve eğitimin zengin insan boyutunu zorunlu olarak basitleştirir. Yine de, dikkatli kullanıldığında üniversite sınıflarını daha etkili, adil ve öğrencilerin ihtiyaçlarına duyarlı hale getirmek için güçlü yeni bir mercek sunar.

Atıf: He, Z., Zhang, X., Zhang, Z. et al. Assessment of influencing factors of college and universities’ teaching effects using fuzzy and deep learning techniques. Sci Rep 16, 5168 (2026). https://doi.org/10.1038/s41598-026-35940-5

Anahtar kelimeler: öğretim etkinliği, yükseköğretim, öğrenci başarımı, silik mantık, derin öğrenme