Dayanıklı MOOC bırakma tahmini için uyarlanabilir çok ölçekli uzay-zamansal grafik ağı

Çevrimiçi derslerde ayrılmanın neden önemi var

Büyük Açık Çevrimiçi Dersler (MOOC'lar), internet bağlantısı olan herkese yüksek kaliteli eğitim vaat ediyor. Yine de kayıt olanların çoğu dersi tamamlamıyor: birçok kursta katılımcıların beşte dördünden fazlası sessizce ayrılıyor. Bu makale, bu sayının ardındaki pratik bir soruyu ele alıyor: özellikle herkesin kendi takvimine göre çalıştığı, gerçek dünyaya yakın ve dağınık kurslarda; öğretmenlerin veya platformların müdahale edip yardım edebilmesi için hangi öğrencilerin erken aşamada ayrılma riski taşıdığını güvenilir şekilde saptayabilir miyiz?

Öğrenciler ve derslerden oluşan bir ağdan öğrenmek

Her öğrenciyi bir tablo satırı olarak izole etmek yerine, yazarlar bir MOOC’u yaşayan bir ağ olarak görüyor. Bu ağda düğümler öğrenciler, ders birimleri ve bütün kurslar için var; bunlar videolar izleme, quiz deneme, forumlara katılma veya birden fazla ders alma gibi zengin etkinlik örüntüleriyle birbirine bağlı. Bu yapı, öğrenciler farklı kurs parçalarına katıldıkça—ya da katılımı bıraktıkça—zamanla değişiyor. Bu evrilen ağı modelleyerek sistem, bir öğrencinin ne kadar etkin olduğunun ötesinde davranışının hangi içeriğe, akran etkinliğine ve kurs tasarımına nasıl bağlı olduğunu yakalayabiliyor.

Kısa patlamalar ile uzun vadeli alışkanlıklar

Mevcut birçok tahmin sistemi adım adım belleğe dayanıyor: öğrencinin durumunu yalnızca en son zaman dilimindeki etkinlik ile güncelliyorlar. Yazarlar bunun gerçek öğrenme davranışı için fazla basit olduğunu savunuyor; zira gerçek davranış çoğunlukla ani şoklarla uzun vadeli eğilimler arasındaki bir çekişmeyi yansıtıyor. Bir öğrenci yakalamaya çalışırken kısa süreli etkinlik artışı gösterebilir veya yoğun bir haftada geçici olarak yavaşlayabilir; bu tür kısa dalgalanmalar genel yolu tanımlamayabilir. Önemli olan, en son değişikliğe ne zaman güvenileceğini ve ne zaman daha derin geçmişe dayanılacağını belirlemek.

İki zaman ölçeğinde hatırlayan bir ağ

Bunu ele almak için makale, hem yakın zamanda görülen davranışı hem de biraz daha eski örüntüleri aynı anda inceleyen MST-GCN adlı "çok ölçekli" bir grafik ağı tanıtıyor. Her adımda model, etkileşim ağının bir anlık görüntüsünü oluşturuyor ve her öğrenci etrafındaki mevcut öğrenme bağlamını özetlemek için özel bir grafik modülü kullanıyor: hangi materyallere dokundukları, hangi akranlara benzediği ve kurs unsurlarının ne kadar zorlu göründüğü. Ardından yeni bir "uyarlanabilir kapı" iki belleği harmanlıyor: biri anlık ivmeyi yakalayan, diğeri daha önceki daha istikrarlı katılımı yansıtan. Kritik nokta, her belleğe ne kadar ağırlık verileceğinin sabit bir kurala değil, grafikteki mevcut bağlama bağlı olmasıdır.

Modeli teste koymak

Yazarlar MST-GCN’i iki büyük gerçek dünya veri setinde test ediyor. Birincisi KDD Cup 2015 yarışmasından geliyor ve yalnızca sıkı zamanlanmış, eğitmen kontrollü kursları içeriyor. Diğeri XuetangX platformundan alınmış olup öğrencilerin düzensiz zamanlarda başlayıp ilerleyebildiği yüzlerce hem zamanlı hem de kendi hızında kursu kapsıyor. Her iki ortamda da ayrılanlar tamamlayanlardan çok daha fazla olduğu için tahmin özellikle zorlaşıyor. Klasik makine öğrenimi yöntemleri, LSTM gibi sıralı modeller, dönüştürücü (transformer) tabanlı yaklaşımlar ve önceki grafik tabanlı sistemlerle karşılaştırıldığında, MST-GCN muhtemel bırakanları muhtemel tamamlayanlardan ayırt etmede sürekli olarak daha iyi puanlar elde ediyor. Kazanımlar düzenli, haftalık kurslarda ılımlı ama belirgin, daha gürültülü ve zamanlaması daha öngörülemez olan esnek, kendi hızında kurslarda ise daha belirgin.

Siyah kutunun içini gözetlemek

Ham doğruluğun ötesinde, yazarlar uyarlanabilir kapının nasıl davrandığını inceliyor. Bir öğrenci etkinlikte keskin ve sürdürülebilir bir artış gösterdiğinde, kapı yakın davranışa yöneliyor ve yeni ivmeyi etkili biçimde "dinliyor." Mevcut sinyaller zayıf veya düzensiz olduğunda kapı uzun vadeli örüntülere geri dönüyor ve tek seferlik bir sıçrama veya düşüşe aşırı tepki verilmesini önlüyor. Öğrencilerin içsel temsil görselleştirmeleri, bırakma ile bırakmama gruplarının ayrı kümelendiğini göstererek ağın katılımın anlamlı kavramlarını öğrendiğine işaret ediyor. Vaka incelemeleri ayrıca modelin son dakika yoğun çalışmayla kandırılmaya karşı koyabildiğini ve gerçek, sürdürülebilir gelişmeyi ödüllendirdiğini gösteriyor.

Çevrimiçi öğrenenler ve eğitimciler için anlamı

Genel okuyucu için çıkarım şudur: bırakma yalnızca bir öğrencinin şu anda ne kadar yaptığıyla ilgili değil; mevcut davranışın daha uzun bir hikâye içindeki yerine bağlıdır. Kurs ağının zengin bir görünümünü esnek bir bellek kavramıyla birleştirerek MST-GCN, kimin ayrılma olasılığı yüksek olduğunu ve kimin bitirmeye yakın olduğunu tahmin etmede daha istikrarlı ve yorumlanabilir bir yol sunuyor. Model henüz belirli problem videolarını veya ödevleri işaret eden ince taneli açıklamalar sağlamasa da tasarımı, çevrimiçi eğitimi hem güvenilir hem de gerçek öğrenenlerin zaman içinde nasıl değiştiğiyle uyumlu erken uyarı sistemlerine daha yakınlaştırıyor.

Atıf: Duan, Y., Chen, X. An adaptive multi-scale spatio-temporal graph network for robust MOOC dropout prediction. Sci Rep 16, 10966 (2026). https://doi.org/10.1038/s41598-026-40502-w

Anahtar kelimeler: MOOC bırakma tahmini, eğitimsel veri madenciliği, graf sinir ağları, öğrenci katılımı, erken uyarı sistemleri