Yapay zekânın Japonca dil eğitimine etkisi: öğrenci davranışı tespiti için hibrit bir model

Neden Daha Akıllı Sınıflar Önemli

Birçok dil sınıfında, özellikle Japonca derslerinde, öğretmenler her öğrencinin gerçekten nasıl durumda olduğunu görmekte zorlanır. Dinliyorlar mı, kafaları mı karışık, sıkıldılar mı yoksa derse katılmaya istekli mi? Büyük ya da teknolojiyle donatılmış sınıflarda tek bir öğretmenin her yüzü ve hareketi takip etmesi neredeyse imkânsızdır. Bu çalışma, sınıf videolarını izleyip ana öğrenci davranışlarını otomatik olarak tanıyan bir yapay zekâ sistemi sunar; amaç, öğretmenlerin daha hızlı tepki vermesine ve öğrenmeyi iyileştirmesine yardımcı olmaktır.

Kameradan Öğrenme İpuçlarına

Araştırmacılar, sınıfın yanlarına yerleştirilen kameralarla yakalanan görüntü ve videoları analiz eden otomatik bir “gözlemci” kurdular. Öğretmenin anlık yargısına bağlı kalmak yerine sistem, öğrencilerin yazma, dinleme, el kaldırma, uyuma veya soru yanıtlama gibi kalıplarını sürekli tarayarak ayırt eder. Bu günlük davranışları veriye dönüştürerek sistem, kablosuz ya da çevrimiçi bağlantılı ortamlarda, aynı anda birden fazla ders yürütüldüğünde ve insan dikkati sınırlı olduğunda özellikle değerli olan, sınıfın herhangi bir anda ne kadar ilgili olduğuna dair nesnel bir tablo sunabilir.

Sınıfı Okuması İçin Bir Bilgisayar Eğitmek

Kompleks sınıf sahnelerini anlamlandırmak için ekip birkaç gelişmiş yapay zekâ tekniğini birleştirdi. Önce her görüntüyü işlemek için AlexNet adlı bir derin öğrenme modeli kullandılar. AlexNet görsel desenleri tanımada etkilidir; burada kalabalık, düşük çözünürlüklü sınıf görüntülerinden duruş, kol pozisyonu ve öğrencilerin baktığı yön gibi önemli ayrıntıları çıkarmayı öğrenir. Bu görsel öznitelikler daha sonra hızlı karar verici rolü gören başka bir model olan Extreme Learning Machine’e aktarılır; bu model her öğrenci anlık görüntüsünü birkaç davranış kategorisinden birine atar. Bu düzen, öğrencilerin farklı uzaklıklarda görünmesi, kısmen birbirlerinin arkasında kalması veya değişken aydınlatma koşullarında görüntülenmesi gibi pratik zorlukların üstesinden gelmeye yardımcı olur.

Elektrikli Balıklardan Hileler Ödünç Almak

Doğru yapay zekâ sistemleri kurmanın kilit zorluğu, modelin küçük bir veri kümesine aşırı uyum sağlamaması veya ince ipuçlarını kaçırmaması için birçok iç ayarı, yani parametreleri doğru şekilde ayarlamaktır. Bunu ele almak için yazarlar, elektrikli balıkların bulanık suda yiyecek arama biçiminden esinlenen yeni bir optimizasyon yöntemi tasarladılar. Doğada bu balıklar elektrik sinyalleri yayıp yankıları algılayarak yön bulur ve avlanır. Algoritma bunu taklit ederek her olası parametre ayarını çözümler manzarasında dolaşan bir “balık” olarak ele alır. Yerel ince ayar ile geniş keşfi uyarlanabilir şekilde dengeler ve nüfusu farklı umut vaat eden bölgeleri araştıran alt gruplara bile böler. Bu gelişmiş elektrikli balık optimizasyon şeması, davranış sınıflandırıcısının iç işleyişini sistematik olarak ayarlayarak kötü çözümlere takılmadan yüksek doğruluklu ayarlar bulur.

Sistemi Teste Sokmak

Ekip, çerçevelerini 282 kaynak görüntü ve video ile 1.456 test örneği içeren gerçek bir sınıf veri kümesi kullanarak değerlendirdi. Birleştirilmiş AlexNet–Extreme Learning Machine–elektrikli balık optimizasyon modelini daha geleneksel sinir ağları ve önceki optimizasyon yöntemleriyle karşılaştırdılar. Genel olarak yeni sistem en iyi performansı gösterdi; yazma, dinleme, el kaldırma, uyuma ve soru yanıtlama gibi davranışları ayırırken yaklaşık %96,5 doğruluk, %94,8 kesinlik ve %98,2 duyarlılık elde etti. Ayrıntılı karışıklık matrisleri ve ROC eğrileri, hem el kaldırma gibi yüksek katılım gerektiren hareketler hem de uyuma gibi ilgisiz durumlar için hataların nadir olduğunu gösterdi; bu da gerçekçi sınıf koşullarında güçlü bir güvenilirliğe işaret ediyor.

Gelecek Dersler İçin Anlamı Ne Olabilir

Uzman olmayanlar için çıkarılacak ana mesaj, yapay zekânın dil dersleri sırasında öğrencilerin ne söylediğini analiz etmek yerine nasıl davrandıklarını sessizce izleyerek “sınıfı okumayı” teknik olarak mümkün kılmaya başladığıdır. Mevcut çalışma mütevazı büyüklükte bir veri kümesine dayanıyor ve hâlâ tam video akışları yerine statik görüntülere odaklanıyor olsa da dikkatle tasarlanmış yapay zekânın öğretmenlere sınıf katılımının gerçek zamanlı bir gösterge panelini sunabileceğini gösteriyor. Gelecekte bu tür sistemler daha kişiselleştirilmiş öğretimi destekleyebilir: kaybolmuş veya ilgisiz öğrencileri öne çıkarma, yeni etkinliklerin etkisini ölçme ve eğitmenlerin her sıradaki öğrenciyi izlemek yerine öğretime odaklanmasını sağlama gibi.

Atıf: Li, Y., Zou, H., Xu, J. et al. The impact of AI on Japanese language education: a hybrid model for student behavior detection. Sci Rep 16, 11140 (2026). https://doi.org/10.1038/s41598-026-40262-7

Anahtar kelimeler: sınıf davranışı tespiti, Japonca dil eğitimi, eğitimde derin öğrenme, öğrenci katılım analitiği, akıllı öğretim sistemleri