Genetik algoritma ile optimize edilen BPNN tabanlı mesleki eğitimde ders değerlendirme modeli

Becerileri yeni yollarla ölçmenin önemi

Çin’de ve dünya genelinde daha fazla genç insan meslek yüksekokullarını tercih ettikçe, okulların öğrencileri adil ve hızlı biçimde değerlendirme konusunda baskı altında olduğu görülüyor. Geleneksel ders değerlendirmeleri genellikle öğretmen izlenimlerine veya sınav puanlarının basit ortalamalarına dayanır; bu yöntemler öznel olabilir, güncellenmesi yavaş olabilir ve binlerce öğrenene uygulanması zor olabilir. Bu çalışma, yapay zekanın uyarlanmış bir biçiminin birçok kaynaktan gelen dağınık kayıtları öğrenci performansının net ve güvenilir resimlerine dönüştürerek okulların öğrencilere destek vermesine ve öğretim kalitesini artırmasına nasıl yardımcı olabileceğini inceliyor.

Gerçek dünya öğrenimini değerlendirme zorluğu

Mesleki eğitim pratik becerilere odaklanır: bir eklem kaynaklamak, bir devreyi bağlamak veya işletme simülasyonu yürütmek gibi. Bu tür öğrenimi değerlendirmek tek bir sınavı notlandırmaktan daha zordur. Okullar yoklama, laboratuvar çalışmaları, öğretmen değerlendirmeleri ve diğer birçok bilgiyi toplar; bunlar sıklıkla farklı formatlarda saklanır. İnsan değerlendiriciler bu faktörleri farklı şekilde önemseyebilir, bu da tutarsız sonuçlara yol açar. Aynı zamanda bazı modern yapay zeka modelleri büyük veri kümeleri ve hesaplama gücü gerektirir; pek çok okulun bunlara erişimi yoktur. Yazarlar, çeşitli verilerle başa çıkabilecek, daha hafif ve daha şeffaf bir sistem tasarlamayı ve yargıları olabildiğince nesnel tutmayı amaçladılar.

Mesleki verilere uyarlanmış akıllı bir motor

Çalışmanın kalbi, tahminlerini gerçek sonuçlarla tekrarlı karşılaştırmalar yoluyla öğrenen klasik bir yapay zeka tekniği olan geri yayılımlı sinir ağı (BPNN) üzerine kurulu bir ders değerlendirme modelidir. Bu ağı eğitim verilerinde iyi çalıştırmak için araştırmacılar önce tüm giriş değerlerini temizler ve ölçeklendirir, böylece sınav puanları veya yoklama oranları gibi farklı göstergeler aynı zeminde karşılaştırılabilir. Ardından her göstergenin ne kadar bilgi taşıdığını hesaplamak için bir "entropi" yöntemi kullanırlar; öğrenciler arasında anlamlı şekilde değişen faktörlere daha fazla, az değişenlere daha az ağırlık verirler. Bu yaklaşım hangi göstergelerin daha önemli olduğuna dair tahminlerin etkisini azaltır.

Öğrenmeyi geliştirmek için evrimden ödünç alınan yöntem

Bu temel ağın üzerine ekip, doğal seçilimden ilham alan bir genetik algoritma ekler. Ağın iç bağlantıları için olası ayarlar bir popülasyondaki bireyler gibi ele alınır. Tekrar eden seçim ve yeniden birleşim turları yoluyla algoritma, ağırlıklar ve eşiklerin umut verici kombinasyonlarını geniş çapta arar ve sistemin kötü çözümlere takılmasını önlemeye yardımcı olur. İyi bir bölge bulunduğunda, Levenberg–Marquardt olarak bilinen ikinci bir yöntem parametreleri hızlı ve hassas biçimde ince ayar yapmak için devreye girer. Bu iki aşamalı süreç geniş keşfi hızlı, yerel ayarla dengeleyerek modelin nispeten sınırlı veri kümelerinden doğru biçimde öğrenmesini sağlar.

Model sınıfta ne kadar iyi çalışıyor?

Yaklaşımlarını test etmek için yazarlar, birden çok bölüm ve okuldan binlerce ders kaydını içeren Çin mesleki kurumlarından iki gerçek dünya veri seti ile ek kamu öğrenci veri kümelerini derlediler. Hibrit modellerini geleneksel sinir ağları, yinelemeli ağlar ve diğer optimizasyon şemaları dahil olmak üzere birkaç alternatifle karşılaştırdılar. Tahmin hatası, tekrar denemelerde istikrar ve tahmin edilen ile gerçek ders notları arasındaki uyum gibi ölçütler genelinde yeni model tutarlı biçimde öne çıktı. Tipik tahmin hatalarını tek haneli yüzde aralığına indirdi, gerçek değerlendirme sonuçlarıyla çok yüksek uyum sağladı ve farklı öğrenci grupları üzerinde eğitilip test edildiğinde güçlü performansını korudu.

Bu öğrenciler ve okullar için ne anlama geliyor?

Günlük ifadeyle, çalışma dikkatle tasarlanmış bir yapay zeka sisteminin mesleki öğrenmenin karmaşık, çok yönlü kayıtlarını mevcut birçok yöntemden daha az önyargılı ve daha tutarlı güvenilir ders değerlendirmelerine dönüştürebileceğini gösteriyor. Bilgi testlerini, uygulamalı becerileri ve ekip çalışması gibi daha geniş nitelikleri otomatik olarak dengeleyerek model modern mesleki eğitimin hedeflerini yansıtıyor ve öğretmenler ile yöneticilerin iş yükünü hafifletiyor. Farklı öğrenci grupları arasında adalet ve diğer ülkelerin sistemlerine uyum gibi konulara ilişkin ek çalışmalar gerekse de, bu çerçeve pratik becerileri tanımaya ve kariyer odaklı yollarda öğrenenleri desteklemeye yönelik daha akıllı ve daha şeffaf yaklaşımlara işaret ediyor.

Atıf: Luo, W., Zang, L., Liang, W. et al. Course assessment model in vocational education based on BPNN optimized by genetic algorithm. Sci Rep 16, 12686 (2026). https://doi.org/10.1038/s41598-026-43397-9

Anahtar kelimeler: mesleki eğitim, ders değerlendirmesi, sinir ağları, genetik algoritmalar, eğitim veri madenciliği