IoT farkındalıklı e-öğrenme sistemlerinde akıllı ders önerisi için hibrit actor–critic ve BERT çerçevesi

Doğru Çevrimiçi Dersi Bulmak

Çevrimiçi eğitim platformları binlerce dersle patlarken, birçok öğrenci basit ama sinir bozucu bir sorunla karşılaşıyor: sırada hangi dersi almalıyım? Bu makale, insanların telefon, tablet ve bilgisayarlarla gerçekte nasıl çalıştıklarını izleyen ve zaman içinde hedeflerine, yeteneklerine ve alışkanlıklarına daha iyi uyan dersler öneren akıllı bir öneri sistemi tasarlayarak bu aşırı yükü ele alıyor.

Çevrimiçi Öğrenmenin Daha Akıllı Rehberlere Neden İhtiyacı Var

MOOC’lar (Kitlesel Açık Çevrimiçi Dersler), herhangi birinin her yerden kaliteli derslere erişmesini sağlıyor. Ancak bu modelin başarısı yeni bir zorluk yarattı: seçenekler bu kadar çokken kaybolmak kolay. Çoğunlukla yıldız puanları veya kullanıcılar arasındaki basit benzerliklere dayanan geleneksel öneri yöntemleri, bu hızla değişen ortamda zorlanıyor. Bu yöntemler zevklerin sabit kaldığını varsayma eğiliminde ve oturumda ne kadar kaldığınız, hangi cihazı kullandığınız veya ne zaman ayrılma eğiliminde olduğunuz gibi zengin sinyalleri sık sık göz ardı ediyor. Günümüz bağlantılı öğrenme platformlarında bu desenler sürekli kaydediliyor ve bir öğrenciyi bağlı tutacak şey hakkında çok daha fazlasını ortaya koyabiliyor.

Derslerin Söylediklerini ve Öğrencilerin Yaptıklarını Birleştirmek

Yazarlar, iki tür bilgiyi birleştiren hibrit bir sistem öneriyor: ders içeriğinin anlamı ve öğrenci davranışlarının ayrıntılı izleri. Öncelikle, BERT adlı güçlü bir dil modelini kullanarak ders başlıklarını, açıklamalarını ve etiketlerini okuyorlar ve bunları konu ve üsluptaki ince farkları yakalayan yoğun sayısal parmak izlerine dönüştürüyorlar. Aynı zamanda sistem, web ve mobil günlüklerinden etkileşim sinyalleri topluyor—bir öğrencinin ne sıklıkla tıkladığı, videoları ne kadar izlediği, materyallerde ne kadar hızlı ilerlediği ve farklı dersleri ne kadar zor bulduğu gibi. Bu izler, birçok bağlı cihazın her kişinin çalışma alışkanlıklarının bir resmine katkıda bulunduğu Nesnelerin İnterneti öğrenme ortamını temsil ediyor.

Öğrenme Asistanı Kendi Kendine Nasıl Öğreniyor

Çerçevenin merkezinde, önericinin deneme yanılma yoluyla öğrendiği bir pekiştirmeli öğrenme kurulumu bulunuyor. Bir “actor–critic” ikilisi hangi derslerin önerileceğini seçiyor ve bu seçimlerin ne kadar iyi olduğunu değerlendirerek stratejisini kademeli olarak iyileştiriyor. Ajanın girdisi, BERT tabanlı ders parmak izlerini, öğrenci davranışlarının sıkıştırılmış özetlerini ve çok sayıda özellik arasındaki korelasyonları hesaba katan benzerliği ölçen Mahalanobis mesafe modülünün ürettiği ek özellikleri harmanlıyor. Hızlı tıklamaların peşinden gitmek yerine ödül sinyali daha derin sonuçları teşvik ediyor: bir dersin daha fazlasını tamamlama, sınavlarda daha iyi performans ve materyalle anlamlı zaman geçirmenin arttırılması. Proximal Policy Optimization (PPO) adlı bir eğitim yöntemi, sistem yeni öneriler keşfederken öğrenmenin kararlı kalmasını sağlıyor.

Gerçek Dünya Ders Platformlarında Test Etme

Bu tasarımın pratikte işe yarayıp yaramadığını görmek için yazarlar modellerini üç büyük ders koleksiyonu üzerinde eğitip değerlendirdiler: MOOCCube, edX ve NTHU MOOCs. Bu veri setleri boyut, konu karışımı ve kullanıcı etkileşimlerinin seyrek veya yoğun oluşu bakımından farklılık gösteriyor ve bu yüzden iyi bir stres testi oluşturuyor. Sistemlerini, grafik sinir ağlarına, kümelemeye ve derin hibrit mimarilere dayanan yöntemler dahil olmak üzere birkaç güçlü rakiple karşılaştırdılar. Tüm veri setleri ve sıralama kalitesi için standart ölçütler genelinde yeni model tutarlı biçimde daha iyi performans gösterdi; kilit skorları genellikle iki ila dört puan artırdı. Titiz ablation çalışmaları, her bir unsurun—anlamsal metin kodlaması, actor–critic yapısı, PPO eğitim kuralı ve korelasyon farkında mesafe ölçüsü—son kazanımlara katkıda bulunduğunu gösterdi.

Geleceğin Çevrimiçi Çalışması İçin Anlamı

Basitçe söylemek gerekirse, çalışma hem derslerin vaat ettiklerini hem de öğrencilerin nasıl davrandıklarını gerçekten dinleyen bir öneri motorunun kalabalık çevrimiçi kataloglarda insanlara daha etkili rehberlik edebileceğini gösteriyor. Sadece tıklamaları değil, tamamlama, sınav başarısı ve sürdürülen dikkat gibi ölçütleri de izleyerek, sistem her öğrenicinin seviyesine daha iyi uyan ve onları yolda tutma olasılığı daha yüksek dersler önermeyi öğreniyor. Gizlilik korumalarıyla tasarlandığı ve federated learning ile açıklanabilir arayüzler gibi tekniklerle genişletilebildiği için çerçeve, labirentte dolaşmaktan ziyade bilgili bir eğitmenin sonraki en iyi adımı işaret etmesi gibi hisseden, daha destekleyici ve uyarlanabilir çevrimiçi sınıflara pratik bir yol sunuyor.

Atıf: Chunqin, X., Peixi, W. A hybrid actor–critic and BERT framework for intelligent course recommendation in IoT-aware e-learning systems. Sci Rep 16, 10259 (2026). https://doi.org/10.1038/s41598-026-40952-2

Anahtar kelimeler: çevrimiçi ders önerisi, kişiselleştirilmiş e-öğrenme, pekiştirmeli öğrenme, eğitim verileri, öğrenme analizleri