Öğrenme analitiği yaklaşımıyla teknik eğitimde öğrenci okulu bırakma riskini öngörmek için Yapay Zeka kullanımı

Zorlanan öğrenciler için erken uyarıların önemi

Birçok üniversite öğrencisi, kötü notlar görünmeden çok önce çevrimiçi derslerinde sessizce geride kalır. Derslerin talepkâr ve hızlı ilerlediği teknik alanlarda bu durum hızla okulu bırakmaya yol açabilir. Bu çalışma, çevrimiçi bir öğrenme platformundaki günlük etkinlik verilerinin nasıl erken uyarı sistemine dönüştürülebileceğini araştırıyor. Öğrencilerin ders materyalleri arasındaki hareketleri analiz edilerek, bir yapay zeka (YZ) modeli öğretmenlerin hedefe yönelik müdahalesi için yeterince erken sorun sinyali veren desenleri işaretliyor.

Çevrimiçi derslerde dijital izleri takip etmek

Araştırma, uygulamalı bilimler üniversitesinde Moodle öğrenme platformu üzerinden verilen iki bilgisayar destekli tasarım (CAD) dersine odaklanıyor. Bir dosyayı açmak, sınava denemek, ödev göndermek gibi her tıklama zaman damgalı bir günlük girdisi oluşturuyor. 80 öğrenci için 12.941 kayıttan yazar, basit tanıtım sayfalarından karmaşık, çok adımlı ödevlere kadar 49 farklı öğrenme kaynağını tanımlayan bir veri kümesi oluşturdu. Bu dersler alışılmadık derecede yüksek bırakma oranları gösterdiği için, etkinlik desenlerinin öğrenci başarısı veya başarısızlığıyla nasıl ilişkili olduğunu keşfetmek üzere faydalı bir test ortamı sundu.

Tıklamaları anlamlı öğrenme sinyallerine dönüştürmek

Hammadde tıklama sayılarını şeffaf olmayan bir algoritmaya vermek yerine çalışma, veriyi öğretmenlerin anlayabileceği göstergelere dönüştüren "ağırlıklı öznitelik" yöntemini tanıtıyor. Her kaynak üç ana açıdan puanlanıyor: zihinsel olarak ne kadar talepkâr olduğu, öğrencilerin onunla ne sıklıkla etkileşime girdiği ve kursun üzerinde ne kadar zaman harcanmasını beklediği. Bu puanlar, öğrencilerin o kaynağı gerçekte ne kadar iyi yönettiğini yansıtan tek bir etkililik ölçüsünde birleştiriliyor. Bu şekilde model sadece bir öğrencinin tehlikede olduğunu söylemekle kalmıyor; soruna yol açabilecek belirli görevleri veya materyalleri işaret ediyor.

YZ modellerinin keşfettikleri

İki tür öngörü modeli—lojistik regresyon ve rastgele ormanlar—bu ağırlıklı göstergelere dayanarak daha etkili ve daha az etkili öğrenme araçlarını ayırt etmek için eğitildi. Göreli olarak küçük örneklem tarafından yanıltılmamayı sağlamak için araştırmacı, hangi verilerin eğitim ve hangilerinin test için kullanılacağını döndüren tekrarlı çapraz kontroller kullandı. Bu kontrollerde her iki model de iyi performans gösterdi; rastgele orman biraz önde olsa da daha basit lojistik model yorumlaması daha kolay sonuçlar verdi. Her durumda en önemli sinyaller, öğrencilerin bir kaynakla ne sıklıkta etkileşim kurdukları, ne kadar zaman harcadıkları ve kaynağın ne kadar zor tasarlandığı oldu.

Öğretmenlerin yerini almak değil, daha iyi dersler tasarlamak

Bulgular, çok adımlı modelleme projeleri ve kapsamlı ödevler gibi karmaşık, zaman alıcı görevlerin daha iyi öğrenme sonuçlarıyla güçlü şekilde ilişkili olduğunu, oysa temel duyurular veya kısa özetlerin daha az katkı sağladığını gösteriyor. Bu, yeterli zamanla desteklenen iyi tasarlanmış zorlukların öğrenci başarısında merkezi olduğunu öne sürüyor. Çalışma ayrıca bir erken uyarı sisteminin pratikte nasıl çalışabileceğini özetliyor: otomatik bir gösterge panosu eğitmenlere riskli desenleri vurgulayacak ve eğitmenler örneğin örnekler ekleyerek, iş yükünü ayarlayarak veya ek destek oturumları sunarak nasıl yanıt vereceklerine karar verecek. Önemli olarak sistem, öğrencilerle ilgili kararları otomatikleştirmek değil, öğretmenleri bilgilendirmek için tasarlandı.

Öğrenciler ve eğitimciler için anlamı

Genel okuyucu için temel mesaj, YZ'nin üniversitelerin öğrenciler başarısız olmadan önce sorunlu noktaları fark etmesine yardımcı olabileceği, ancak bunun yalnızca dikkatle kullanıldığında geçerli olduğudur. Ders tasarımı bilgisiyle dikkatli veri işleyişini birleştirerek, ağırlıklı öznitelik yöntemi ham etkinlik kayıtlarını bir dersin hangi bölümlerinin öğrenmeyi desteklediğine ya da engellediğine dair net sinyallere dönüştürüyor. Çalışma hâlâ bir pilot olup tek bir kurumda sınırlı sayıda teknik dersle sınırlıdır; bu nedenle sonuçları önsürümdür. Yine de öğretmenlerin dersleri yeniden tasarlamasına ve zorlanan öğrencilere daha erken ulaşmasına yardımcı olan, daha şeffaf, adil ve destekleyici YZ kullanımına yönelik somut bir yol sunuyor—böylece öğrencilerin çalışmalarından sessizce kopma olasılığı azalıyor.

Atıf: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Anahtar kelimeler: öğrenci okulu bırakma riski, öğrenme analitiği, çevrimiçi teknik eğitim, öngörücü modelleme, erken uyarı sistemleri