Uyarlamalı e-öğrenmede BT profesyonelleri arasında performans analizine yönelik optimize edilmiş dikkat tabanlı kademeli karıştırmalı uzun dönem bağımlı ağ

Çalışan Teknoloji Uzmanları için Daha Akıllı Çevrimiçi Eğitim

Birçok bilgi teknolojileri (BT) uzmanı için çevrimiçi kurslar artık becerileri güncel tutmanın başlıca yolu. Ancak çoğu eğitim platformu hâlâ katılımcıları sınav toplamları veya tamamlama rozetleri gibi yüzeysel araçlarla değerlendiriyor. Bu çalışma, öğrenenlerin geride bıraktığı dijital “ayak izlerini” daha akıllıca okumayı ve bunları her bireyin gerçekten ne kadar iyi öğrendiğine dair hassas, gerçek zamanlı içgörülere dönüştürmeyi öneriyor.

Tek biçimli çevrimiçi kurslar neden yetersiz kalıyor

Geleneksel e-öğrenme çoğu öğreneni aynı şekilde ele alır: herkes aynı modülleri görür, aynı sınavlara girer ve sabit testlerle değerlendirilir. Bu yaklaşım, özellikle siber güvenlik veya bulut bilişim gibi hızla değişen alanlarda profesyonellerin çok farklı şekillerde ilerlediğini görmezden gelir. Önceki araştırmalar bu sorunu sınav puanları, geçirilen süre ve tıklama verilerini birleştirerek makine öğrenmesi ile çözmeye çalıştı; ancak birçok model gürültülü veya eksik verilerle zorlandı, gerçekçi platformlara ölçeklenemedi ya da öğrenmenin haftalar ve aylar boyunca nasıl geliştiğini izleyemedi. Sonuç genellikle gecikmeli, kaba geri bildirimlerdi; bu da kişiselleştirilmiş içerik veya zamanında müdahale sağlamayı zorlaştırıyordu.

Ham kurs kayıtlarını temiz ve adil verilere dönüştürmek

Yazarlar, uyarlamalı e-öğrenme platformlarını kullanan BT profesyonelleri için dikkatli bir veri hattı tasarlamakla başlar. Yaş ve iş rolü gibi temel profil bilgileri; geçirilen süre, erişim tarihleri ve etkin günler gibi davranış izleri; sınav puanları, deneme sayıları, sertifikalar ve geri bildirim puanları gibi performans göstergeleri dahil zengin bir bilgi karışımı toplarlar. Herhangi bir modelleme öncesinde verileri temizlerler—tekrarlı kayıtları kaldırır, eksik değerleri benzer öğrenenlere bakarak tahmin eder ve düşük, orta ve yüksek performans gösterenlerin daha adil temsil edilmesi için dengesiz sınıf dağılımlarını düzeltirler. Bu dengeleme adımı, yalnızca en yaygın "ortalama" öğrenenler için aşırı kendinden emin modellere ve zorluk çeken veya aşırı başarı gösterenleri görmezden gelen modellere yol açmayı engeller.

En anlamlı sinyalleri seçmek

Temizlenmiş veri kümesinden sistem tüm kullanılabilir sütunları kara kutuya doğrudan vermez. Bunun yerine, öğrenme çıktılarını tahmin etmek için hangi özelliklerin gerçekten önemli olduğunu belirlemek üzere beş basit sıralama yönteminin bir topluluğunu kullanır. Her yöntem, sınav denemeleri veya geçirilen süre gibi aday bir özellik ile nihai performans etiketi arasındaki bağlantıyı inceler. Sıralamalarını medyan puan kullanarak birleştirerek, yaklaşım gürültülü veya gereksiz sinyalleri filtreler ve yalnızca en bilgilendirici olanları tutar. Bu, daha sonraki modelin gerektirdiği hesaplama miktarını azaltmakla kalmaz, aynı zamanda düşük, orta ve yüksek başarıyı anlamlı şekilde ayırt eden örüntülere odaklanmasına yardımcı olur.

Takım sporu gibi eğitilen hibrit bir ağ

Çalışmanın merkezinde ACLNet adlı hibrit bir derin öğrenme modeli ve takım sporlarından ilham alan alışılmadık bir eğitim stratejisi vardır. ACLNet önce girdi sinyallerini verimli şekilde sıkıştırıp karıştırmak için hafif "shuffle" blokları kullanır, ardından öğrenenin davranışının zaman içinde nasıl değiştiğini izleyen bir bellek modülüne aktarır. Üstteki bir dikkat katmanı, ani etkinlik düşüşleri veya tutarlı yüksek sınav puanları gibi en etkili kanalları vurgular ve ardından öğrenenin performans sınıfının nihai tahminini yapar. Bu ağın birçok iç ayarını ince ayarlamak için yazarlar Kaotik Futbol Takımı Eğitimi (ChF2T) algoritmasını tanıtır. Burada sanal "oyuncular" farklı parametre ayarlarını keşfeder, güçlü olanları taklit eder, zayıf olanlardan kaçınır ve ara sıra kötü yerel çözümlerden kaçınmaya yardımcı olan büyük, kaotik sıçramalar yapar. Yapı ve kontrollü rastgelelik karışımı, yakınsamayı hızlandırır ve aşırı uyum riskini azaltır.

Sistemin uygulamada ne kadar iyi performans gösterdiği

Araştırmacılar, 1.200 BT profesyonelinden oluşan sentetik ama gerçekçi bir veri kümesi üzerinde boru hattını test eder; bu küme, gerçek öğrenme yönetim sistemi kayıtlarını yansıtacak şekilde kasıtlı olarak dengesiz sınıf dağılımları içerir. ChF2T‑ACLNet modellerini federated learning düzenlemeleri, eğitime uyarlanmış gelişmiş görüntü-benzeri ağlar ve diğer derin veya topluluk modeller dahil olmak üzere birkaç güçlü karşıtla karşılaştırırlar. Birden çok çapraz doğrulama düzeninde, önerilen yöntem yaklaşık %98,9 doğruluğa ulaşır; benzer şekilde yüksek hassasiyet, duyarlılık ve F-skorları gösterir. Ayrıca şans etkisini düzelten neredeyse mükemmele yakın bir uyum puanı ve birçok eşik boyunca performans seviyelerini güvenilir şekilde ayırdığını gösteren güçlü eğri altı alan değerleri elde eder. Karmaşıklığına rağmen sistem, dikkatli özellik seçimi, verimli bir ağ tasarımı ve optimize edicinin hızlı yakınsaması sayesinde rakip yaklaşımlardan daha hızlı çalışır.

Günlük çevrimiçi öğrenme için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma profesyonellerin çevrimiçi kurslarda nasıl ilerlediğini izleyerek, son sınavı beklemeden kimin zorlandığını, kimin günü kurtardığını ve kimin konuyu özümsediğini yüksek güvenle çıkarabileceğimizi gösteriyor. Böyle bir sistem erken ipuçları tetikleyebilir, farklı egzersizler önerebilir veya bir öğrenen gerilemeden çok önce mentorleri uyarabilir. Yazarlar, çok büyük platformlara ölçekleme, hızla değişen kurs tasarımlarına uyum sağlama ve modelin kararlarını daha açıklanabilir kılma gibi kalan zorluklara dikkat çekiyor. Yine de yaklaşımları, e-öğrenme sistemlerinin statik dijital ders kitaplarından ziyade dikkatli kişisel koçlar gibi davranmasına doğru güçlü bir adım niteliğinde.

Atıf: Yuvapriya, P., Subramanian, P. & Surendran, R. Optimized attention-based cascaded shuffle long-term dependent network based performance analysis of adaptive e-learning among IT professionals. Sci Rep 16, 6245 (2026). https://doi.org/10.1038/s41598-026-36470-w

Anahtar kelimeler: uyarlamalı e-öğrenme, öğrenme analitiği, derin öğrenme, BT profesyonel eğitimi, öğrenci performans tahmini