IoT destekli e-öğrenme sistemlerinde koşullu varyasyonel otoenkoderler ve dönüştürücü mimarileriyle bağlama duyarlı ardışık ders önerisi

Çevrimiçi Ders Seçiminde Daha Akıllı Yardım

Çevrimiçi öğrenme platformları büyüdükçe, birçok öğrenci yeni bir sorunla karşılaşıyor: çok fazla kurs ve yetersiz yönlendirme. Bu çalışma, platformların yalnızca öğrencinin daha önce yaptıklarına değil, aynı zamanda ne zaman, nerede ve nasıl çalıştığına da uyan dersleri önermesi için daha akıllı bir yol araştırıyor; bu amaçla bağlı cihazlar ve öğrenme uygulamalarından gelen sinyaller kullanılıyor.

Neden Ders Önerileri Sık Sık Yanılır

Çoğu öneri aracı, öğrencileri zevkleri sabit ve koşulları nadiren değişen kişiler gibi ele alır. Erken sistemler ağırlıklı olarak benzer geçmişe sahip kullanıcıları karşılaştırdı veya kurs açıklamalarını profil verileriyle eşleştirdi. Bu yöntemler, bir öğrenci yeni olduğunda, veri az olduğunda veya birçok kişi benzer yolları izleyip neredeyse aynı önerileri aldığında başarısız olur. Ayrıca, birinin gece dizüstü bilgisayarda video izleyip sonra yolculuk sırasında telefondan göz gezdirdiği gibi çevrimiçi çalışmanın hızlı değişen doğasını ele alamazlar. Zamanla, cihaz türü ve etkinlik kalıplarının hepsi, belirli bir anda hangi tür dersin veya dersin en faydalı olacağını etkileyebileceği bağlamlarla zenginleştirilen ortamlarda bu uyumsuzluk daha da büyür.

Bağlı Öğrenmeden Gelen Sinyallerin Kullanımı

Yazarlar, giyilebilir cihazlar, akıllı telefonlar ve akıllı sınıflar gibi Nesnelerin İnternetiyle bağlantılı e-öğrenme ortamlarına odaklanıyor. Gerçek kurs platformlarından yalnızca öğrencilerin hangi dersleri seçtiği veya tıkladığı değil, aynı zamanda hangi cihazı kullandıkları, ne sıklıkla giriş yaptıkları ve ne zaman çalışma eğiliminde oldukları gibi basit bağlam ipuçları da toplanıyor. Bu ipuçları, gelecekteki sistemlerin erişebileceği daha zengin sensör verilerinin vekilleri olarak işlev görüyor. Bu kayıtlar temizlenip düzenlendikten sonra sistem, her öğrenci, her kurs ve her bağlam için sıkıştırılmış sayısal portreler oluşturuyor. Ham platformlar canlı sensör akışları sağlamasa da, bu vekil sinyaller bağlama duyarlı önerilerin ne kadar yardımcı olabileceğini test etmek için yeterli oluyor.

Yeni Öneri Motoru Nasıl Çalışıyor

Önerilen motor, modern yapay zekadan iki ileri fikir birimini birleştiriyor. Birincisi, öğrenci ve kursların arkasındaki gizli kalıpları öğrenirken eksik veya gürültülü bilgiye karşı belirsizliği de hesaba katabilen bir bileşen. İkincisi ise geçmiş seçimlerin sırasına bakarak ilgi alanlarının zaman içinde nasıl değiştiğini anlamaya yönelik bir ardışık modül; böylece her tıklama veya kayıt izole şekilde ele alınmıyor. Cihazlardan ve çalışma alışkanlıklarından gelen bağlam, sürece her adımda karıştırılıyor; böylece sistem, bir öğrencinin durumu değiştikçe onun iç temsillerini ayarlayabiliyor. Özel bir eğitim stratejisi, gizli temsilleri istikrarlı tutarken kursları doğru sıralamayı öğretmeyi sağlıyor; seçenekleri keşfetme gereksinimi ile aralarındaki net ayrımları yapma gereksinimi arasında bir denge kuruluyor.

Gerçek Platformlarda Deneylerin Gösterdikleri

Araştırmacılar çerçevelerini büyük çevrimiçi kurs sağlayıcılarından alınmış üç büyük veri koleksiyonunda test ediyor. Onu, zaten ardışıklıkları modelleyen veya kurs içeriğiyle iyi çalışan birkaç güçlü mevcut yöntemle karşılaştırıyorlar. En çok önerilenlerin öğrencilerin gerçekten seçtikleriyle ne kadar eşleştiği ve sistemin ilgili kursları ne kadar iyi sıraladığı dahil birçok ölçütte yeni yöntem tutarlı biçimde daha iyi performans gösteriyor. Ayrıca daha az tahmin hatası yapıyor ve yeni gelenler için yaygın olan kısa kullanıcı geçmişlerinde bile etkili kalıyor. Yazarlar kontrollü testlerde tasarım parçalarını kaldırdıklarında kalite düşüyor; bu da bağlam işleme ve ortak eğitim hedefi dahil olmak üzere her bir parçanın anlamlı bir rol oynadığını gösteriyor.

Bu Çevrimiçi Öğrenenler İçin Ne Anlama Geliyor

Basitçe söylemek gerekirse, çalışma ders önerisinin hem geçmiş davranış hem de mevcut koşullar tarafından şekillendirilen hareketli bir hedef olarak ele alınması gerektiğini öne sürüyor. Bir öğrencinin ne yaptığına, ilgi alanlarının nasıl evrildiğine ve mevcut çalışma ortamının nasıl göründüğüne dair bilgileri harmanlayarak platformlar daha zamanlı ve kişisel hissettiren öneriler sunabilir. Veri koruma ve hesaplama maliyeti gibi sorular devam etse de bu çalışma, öğrencileri günlük yaşamlarına uyum sağlayarak uzun vadeli öğrenme yolculuklarında yönlendiren çevrimiçi öğrenme sistemlerine doğru bir yol haritası çiziyor.

Atıf: Chen, G., Han, G. & Liu, S. Context-aware sequential course recommendation via conditional variational autoencoders and transformer architectures in IoT-enabled E-learning systems. Sci Rep 16, 15370 (2026). https://doi.org/10.1038/s41598-026-45764-y

Anahtar kelimeler: çevrimiçi ders önerisi, e-öğrenmede kişiselleştirme, ardışık öneri, IoT öğrenme bağlamı, MOOC platformları