Eğitimde Açıklanabilir Yapay Zeka: Öğrenci Başarı Tahminini İyileştirmek İçin Eğitim Alanı Bilgisinin Derin Öğrenme Modeline Entegrasyonu

Öğrenciler Hakkında Daha Akıllı Tahminlerin Neden Önemli Olduğu

Okullar, hangi öğrencilerin güçlük çekebileceğini ve kimin ekstra desteğe ihtiyaç duyabileceğini belirlemek için giderek daha fazla yapay zekâya yöneliyor. Ancak bu sistemler mühürlü kara kutular gibi davrandığında, bir gencin aşk hayatının çalışma süresinden daha fazla öneme sahip olduğunu söylemek gibi tuhaf desenler ortaya çıkabiliyor; bu da öğretmenleri ve velileri sonuçlara güven konusunda şüpheye düşürüyor. Bu makale, yalnızca matematik notlarının daha iyi tahminlerini yapmakla kalmayan, aynı zamanda onlarca yıllık eğitim araştırmalarının bize söyledikleriyle uyumlu "akıl yürütme" biçimleri sergileyen bir öğrenci başarı tahmin sistemi nasıl kurulur bunu gösteriyor.

Ham Veriden Risk Uyarılarına

Araştırmacılar, her biri 30 bilgi parçasıyla tanımlanan 395 Portekiz lise öğrencisinden oluşan iyi bilinen bir kamu veri kümesi ile çalıştı. Bunlar temel demografik bilgilerden (yaş, cinsiyet, aile büyüklüğü) dersle ilgili ayrıntılara (çalışma süresi, devamsızlık, ek dersler) ve sosyal hayat ile iyi oluşla ilgili unsurlara (aile ilişkileri, boş zaman, arkadaşlarla dışarı çıkma) uzanıyordu. Amaç her öğrencinin son matematik notunu tahmin etmek ve onları pratik üç kategoriye ayırmaktı: başarısız olma olasılığı yüksek, yolunda giden veya üstün performans gösteren. Tüm bu faktörler arasındaki ince desenleri yakalamak için yapay sinir ağı (ANN) adlı bir derin öğrenme modeli eğitildi.

Kara Kutu Yanıldığında

Orijinal ANN saygın bir doğruluk düzeyine ulaşmış olsa da, daha yakından incelendiğinde rahatsız edici bir durum ortaya çıktı. SHAP olarak bilinen modern bir açıklama tekniği kullanılarak, yazarlar modelin en çok hangi özelliklere dayandığını inceledi. Modelin en güçlü sinyallerinden bazıları iyi oturmuş eğitimsel bulgularla çelişiyordu. Örneğin, öğrencinin gittiği okul, romantik durumu ve ne sıklıkta dışarı çıktığı alışılmadık şekilde etkili görünürken; ebeveynlerin eğitimi, annenin işi, erken kreş deneyimi, aile büyüklüğü ve haftalık çalışma süresi gibi araştırmalarla desteklenen faktörlere şaşırtıcı derecede az ağırlık verilmişti. Bu uyumsuzluklar, ANN'nin eğitimcilerin anlamlı veya adil bulduğu ilişkilere değil, bu özel veri kümesinin tuhaflıklarına tutunuyor olabileceğini düşündürdü.

Ağınıza Eğitimcilerin Zaten Bildiklerini Öğretmek

Modeli eğitimsel içgörü ile yeniden hizalamak için yazarlar Öğrenci Başarı Tahmini Açıklaması (SPPE) adlı yeni bir eğitim stratejisi önerdiler. Önce eğitim literatürünü tarayarak özellikleri iki kaba gruba ayırdılar: başarı ile tutarlı şekilde ilişkili olanlar (çalışma süresi, ebeveyn eğitimi, yükseköğretim hedefleri gibi) ve daha zayıf veya belirsiz öngörücü olanlar (romantik durum veya genel aile ilişkisi puanları gibi). Eğitim sırasında SPPE, sinir ağını ilk gruba daha fazla dayanması ve ikinci grubu azaltması için yönlendiriyor. Bunu, her bir özelliğin tahminlere ne kadar katkıda bulunduğunu izleyerek ve ağın öğrendiği önem düzeni bu alan bilgisiyle saptanan modelden saptığında nazikçe bir ceza ekleyerek gerçekleştiriyor.

Daha Açık Açıklamalar ve Daha Keskin Tahminler

SPPE ayarlamalarından sonra, modelin içsel akıl yürütmesi eğitimcilerin beklentileriyle daha iyi örtüşecek şekilde değişti. Çalışma süresi, ebeveynlerin geçmişi, aile büyüklüğü ve erken okul deneyimi önem sıralamasında yükselirken; okul kimliği, dışarı çıkma ve romantik durum daha az baskın hale geldi. Aynı derecede önemli olarak, bu yeniden hizalanma doğruluktan ödün vermedi—doğruluğu artırdı. Bir öğrencinin üç not bandından hangisine düşeceğini tahmin ederken, geliştirilmiş ağ öğrencilerin yaklaşık üçte ikisini doğru sınıflandırırken, orijinal model için bu oran biraz üzerindeydi. Kesinlik, geri çağırma ve harmanlanmış F1 skoru gibi standart ölçümler önemli ölçüde yükseldi ve istatistiksel testler kazançların tesadüfe bağlı olma olasılığının düşük olduğunu doğruladı. Yazarlar ayrıca aynı SPPE stratejisinin birkaç başka sinir ağı tasarımını da iyileştirdiğini göstererek yaklaşımın tek seferlik bir hile değil, sağlam bir yöntem olduğunu öne sürdüler.

Bu Derslikler ve Yapay Zekâ İçin Ne Anlama Geliyor

Eğitimciler ve politika yapıcılar için çalışma, doğru ama opak modeller ile şeffaf ama zayıf modeller arasında rahatsız edici seçim yapma zorunluluğundan bir çıkış yolu sunuyor. İnsan uzmanlığını öğrenme sürecinin içine örebilen SPPE, hem daha güvenilir hem de gerekçelendirilmesi daha kolay tahminler üretiyor: harcanan çalışma süresi ve uzun vadeli eğitim hedefleri, öğrencinin tesadüfen hangi okula gittiğinden daha fazla önem taşıyor. Çalışma Portekiz'den tek bir matematik veri kümesine odaklanmış olsa da, daha geniş mesaj, açıklanabilir ve bilgiyle yönlendirilen yapay zekânın, yerel bağlam ve uzman yargısının baştan dahil edilmesi koşuluyla, öğrenci desteği hakkında daha iyi ve daha adil kararları destekleyebileceği yönündedir.

Atıf: Qiang, M., Liu, Z. & Zhang, R. Explainable AI in education: integrating educational domain knowledge into the deep learning model for improved student performance prediction. Sci Rep 16, 9515 (2026). https://doi.org/10.1038/s41598-026-40538-y

Anahtar kelimeler: öğrenci başarı tahmini, açıklanabilir yapay zeka, eğitim veri madenciliği, eğitimde sinir ağları, alan bilgisi entegrasyonu