Elektroensefalografi verileri kullanılarak öğrencilerin bilişsel yüklerinin makine öğrenmesi ile tahminlenmesi
Prediction of students' cognitive load using electroencephalography data through machine learning
- Tez No: 1017805
- Danışmanlar: DOÇ. DR. ONUR SEVLİ
- Tez Türü: Yüksek Lisans
- Konular: Eğitim ve Öğretim, Education and Training
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Eğitim Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Etkili ve kalıcı bir öğrenme deneyimi, öğrencinin sınırlı kapasiteye sahip olan çalışan belleğinin ve öğrenme esnasında maruz kaldığı anlık bilişsel iş yükünün dengeli bir şekilde yönetilmesine bağlıdır. Ancak, tüm öğrencilere tek tip içerik sunan geleneksel öğretim yöntemleri, bireylerin farklılaşan öğrenme hızlarını ve zihinsel darboğazlarını göz ardı etmektedir. Bu bağlamda tez çalışması, bireyselleştirilmiş öğrenme ortamlarının inşasında kritik bir parametre olan bilişsel yük seviyelerinin, invaziv olmayan beyin dalgası ölçümleri (elektroensefalografi) ve derin öğrenme yöntemleri aracılığıyla anlık olarak tahminlenmesini amaçlamaktadır. Araştırmanın deneysel sürecinde, ekolojik geçerliliği yüksek, kamuya açık erişime sahip tek kanallı taşınabilir bir cihazdan toplanmış beyin sinyali veri kümesi temel alınmıştır. Veri seti üzerinde gürültü giderme, sinyal ön işleme ve normalizasyon adımları titizlikle uygulandıktan sonra, verinin zamansal dinamiklerini çözümlemek üzere uzun kısa süreli bellek ve kapılı tekrarlayan birim tabanlı yapay sinir ağı mimarileri geliştirilmiştir. Modellerin sınıflandırma performansı çeşitli metriklerle değerlendirilmiş, derin öğrenmenin kara kutu problemini aşmak ve sonuçların nörofizyolojik geçerliliğini kanıtlamak adına ise açıklanabilir yapay zekâ analizleri sisteme entegre edilmiştir. Deneysel bulgular, önerilen kapılı tekrarlayan birim mimarisinin %77,66 doğruluk oranına ulaştığını, aynı zamanda standart bellek mimarilerine kıyasla %70 daha az parametre kullanarak yüksek işlem verimliliği ve düşük donanımlı cihazlarda gerçek zamanlı çalışabilme potansiyeli sunduğunu göstermiştir. Ayrıca uygulanan açıklanabilirlik analizleri sonucunda, bilişsel yük durumunun ayırt edilmesinde özellikle Teta frekans bandındaki güç değişimlerinin en belirleyici öznitelik olduğu saptanmış ve modelin kararları nörofizyolojik literatürle doğrulanmıştır.
Özet (Çeviri)
An effective and enduring learning experience depends on the balanced management of the student's limited working memory capacity and the real-time cognitive workload encountered during the learning process. However, traditional instructional methods that offer one-size-fits-all content to all students often overlook individuals' varying learning speeds and cognitive bottlenecks. In this context, this thesis study aims to predict cognitive load levels -a critical parameter in building personalized learning environments- in real time through non-invasive brain wave measurements (electroencephalography) and deep learning methods. In the experimental phase of the research, an open-access brain signal dataset collected via a single-channel portable device with high ecological validity was utilized. Following the rigorous application of noise removal, signal pre-processing, and normalization steps on the dataset, Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) based artificial neural network architectures were developed to analyze the temporal dynamics of the data. The classification performance of the models was evaluated using various metrics, and Explainable AI (XAI) analyses were integrated into the system to address the black box problem of deep learning and to validate the neurophysiological plausibility of the results. Experimental findings demonstrated that the proposed GRU architecture achieved an accuracy rate of 77.66%, while offering high computational efficiency and the potential for real-time operation on hardware-constrained devices by utilizing 70% fewer parameters compared to standard memory architectures. Furthermore, the applied explainability analyses revealed that power changes in the Theta frequency band were the most determinant feature in distinguishing cognitive load states, thereby validating the model's decisions against neurophysiological literature.
Benzer Tezler
- Farklı zı̇hı̇nsel becerı̇lere sahı̇p öğrencı̇lerı̇n güncel fen konularındaki beyı̇n aktivasyonlarının elektroensefalografı̇ (EEG) yoluyla ı̇ncelenmesi
Investigation of brain activations of students with different mental skills in current science topics via electroencephalography (EEG)
TUĞBA ULUSOY
Doktora
Türkçe
2025
Eğitim ve ÖğretimBurdur Mehmet Akif Ersoy ÜniversitesiMatematik ve Fen Bilimleri Ana Bilim Dalı
PROF. DR. SELDA BAKIR
DOÇ. DR. SERACEDDİN LEVENT ZORLUOĞLU
- Makine öğrenimi algoritmaları kullanılarak EEG sinyallerinden matematik oyun performans tahmini
Math game performance prediction from EEG signals using machine learning algorithms
PINAR KILIÇ
Yüksek Lisans
Türkçe
2024
Eğitim ve ÖğretimSüleyman Demirel ÜniversitesiEğitim Teknolojileri Ana Bilim Dalı
PROF. DR. MUHAMMET DEMİRBİLEK
DR. ÖĞR. ÜYESİ DURMUŞ KOÇ
- Yapı cephelerinin yatay ve düşey ekseninde renk algısının EEG analizi için bir yaklaşım önerisi: eğitim yapıları örneği
A proposal for an approach to EEG analysis of color perception along the horizontal and vertical axes of building facades: the example of educational buildings
RÜMEYSA BETÜL İPEK
Doktora
Türkçe
2026
MimarlıkDicle ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. FATMA DEMET AYKAL
DOÇ. DR. ABDULNASIR YILDIZ
- Farklı programlama öğretimi ortamlarında eğitim alan öğrencilerin dikkat ve meditasyon düzeylerinin EEG sinyalleriyle ölçülmesi
Measuring the attention and meditation levels of students trained in different programming education environments using EEG signals
SEVİL HANBAY TİRYAKİ
Doktora
Türkçe
2024
Eğitim ve ÖğretimHatay Mustafa Kemal ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. FATİH BALAMAN
- Fen öğretiminde bilimsel yaratıcılığın nörofizyolojik yaklaşım açısından incelenmesi
Investigating scientific creativity in science education in terms of neurophysiological approach
ÇAĞLA BULUT ATEŞ
Doktora
Türkçe
2023
Eğitim ve ÖğretimAydın Adnan Menderes ÜniversitesiMatematik ve Fen Bilimleri Eğitimi Ana Bilim Dalı
PROF. DR. HİLAL AKTAMIŞ