Makine öğrenmesi tabanlı öğrenci bilişsel profilleri: Geleneksel ölçme sistemlerine alternatif bir paradoksal başarı çerçevesi
Machine learning based student cognitive profiling: An alternative paradoxical success framework to traditional assessment systems
- Tez No: 1021712
- Danışmanlar: DOÇ. DR. MUTTALİP ÖZAVŞAR
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Eğitim teknolojisi, Kümeleme analizi, Makine öğrenmesi, Veri madenciliği, Öğrenci başarısı, Education technology, Cluster analysis, Machine learning, Data mining, Student achievement
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Matematik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Eğitimdeki geleneksel ölçme ve değerlendirme sistemleri, öğrenci performansını ağırlıklı olarak doğrusal ve nicel metrikler üzerinden değerlendiren Klasik Test Kuramına dayanmaktadır. Bu tek boyutlu yaklaşım, genellikle gizli bilişsel örüntüleri gözden kaçırmakta, öğrencileri yanlış sınıflandırmakta ve nihayetinde onların gerçek niteliksel yeterliliklerini ölçmekte yetersiz kalmaktadır. Bu yapısal sınırlılığı gidermek amacıyla, bu tez Eğitim Veri Madenciliği (EDM) ve makine öğrenmesi algoritmalarını kullanarak“Paradoksal Başarı”kavramını merkeze alan yenilikçi bir pedagojik çerçeve sunmaktadır. Araştırma yöntemi, 36 haftalık bir akademik döngü boyunca 4'er haftalık aralıklarla ölçümlerin kaydedildiği 1.000 öğrenci profilinin boylamsal bir simülasyonunu içermektedir. Öğrencilerin bilişsel yörüngeleri; Kazanımlar, Verilen Cevaplar ve Madde Zorluk Dereceleri (w) temel alınarak üç boyutlu bir vektör uzayında modellenmiştir. Dirsek (Elbow) yöntemi ile optimize edilen K-Means kümeleme algoritması (k = 4) kullanılarak veri seti dört farklı bilişsel profile ayrılmıştır. Makro düzeydeki uzaysal dağılımlar ve mikro düzeydeki kişi-madde uyum (person-fit) ısı haritaları, öğrenciler arasında derin bir bilişsel asimetri olduğunu ortaya çıkarmıştır. Araştırma evreninin % 26.0'ını oluşturan“Suni Başarı”kümesi, geleneksel sınavlarda yüksek puanlar elde etmesine rağmen yüksek karmaşıklıktaki görevlerde (w = 3) yapısal bir çöküş sergilemiş; bu durum düşük bilişsel yük altında ezbere dayalı öğrenmeye olan bağımlılığı işaret etmiştir. Buna karşın, temel ve rutin görevlerdeki (w = 1) dikkatsizlikleri veya motivasyon eksiklikleri nedeniyle sistem tarafından sıklıkla başarısız olarak etiketlenen“Paradoksal Başarı”kümesi (%18.5), karmaşık ve yüksek düzeyde yapılandırılmış analitik problemlerde olağanüstü bir doğruluk oranı göstermiştir. 36 haftalık sürecin zaman serisi analizleri, bu paradoksal öğrencilerin gerçek matematiksel potansiyellerini ortaya çıkarabilmeleri için optimum bilişsel uyarılmaya (Akış- Flow) ihtiyaç duyduklarını doğrulamıştır. Sonuç olarak elde edilen bulgular, salt sonuç odaklı değerlendirmelerin öğrencilerin gerçek matematiksel okuryazarlığını yansıtmakta yetersiz kaldığını matematiksel olarak ispatlamaktadır. Zorluk derecesine duyarlı ağırlıklı puanlamayı temel alan bu makine öğrenmesi modeli, gözden kaçan analitik yeteneklerin keşfedilmesi ve uyarlanabilir eğitim ortamlarının yeniden tasarlanması için veri güdümlü ve güçlü bir alternatif sunmaktadır.
Özet (Çeviri)
Traditional assessment and evaluation systems in education predominantly rely on Classical Test Theory, which evaluates student performance through linear, quantitative metrics. This unidimensional approach often overlooks hidden cognitive patterns and misclassifies students, ultimately failing to measure their true qualitative competency. To address this structural limitation, this thesis introduces a novel pedagogical framework centered on the concept of“Paradoxical Success,”utilizing Educational Data Mining (EDM) and machine learning algorithms. The research methodology involves a longitudinal simulation of 1,000 student profiles over a 36-week academic cycle, with measurements recorded at 4-week intervals. Student cognitive trajectories were modeled in a three-dimensional vector space based on Learning Outcomes, Responses, and Item Difficulty Weights (w). Using the K-Means clustering algorithm optimized via the Elbow method (k = 4), the dataset was segmented into four distinct cognitive profiles. Macro-level spatial distributions and micro-level person-fit heatmaps revealed a profound cognitive asymmetry. The“Artificial Success”cluster (26.0 % of the population), despite achieving high standard scores, exhibited a structural collapse in high-complexity tasks (w = 3), indicating a reliance on rote memorization under low cognitive load. Conversely, the“Paradoxical Success”cluster (18.5 %), often mislabeled as unsuccessful due to errors in basic, repetitive tasks (w = 1), demonstrated an exceptional accuracy rate in complex, highly structured analytical problems. Time-series analyses of the 36-week period further confirmed that these paradoxical students require optimal cognitive stimulation (Flow) to actualize their mathematical potential. Ultimately, the findings mathematically prove that outcome-based evaluations fall short in reflecting genuine mathematical literacy. The proposed machine learning model, which is highly sensitive to difficulty-weighted scoring, provides a robust, data-driven alternative for discovering overlooked analytical talents and redesigning adaptive educational environments.
Benzer Tezler
- Belirli temel, sosyal ve akademik etkinliklerin başarıya etkisinin modern tekniklerle ölçülmesi
Measuring the effect of certain basic, social and academic activities on success using modern technique
SELMA KILINÇ
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimSüleyman Demirel ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. AHMET ŞAHİNER
- Öğretmen adaylarının öğrencilerin cebirsel düşünmelerini tanılama yeterliliklerinin gelişimini destekleyen öğrenme ortamının tasarlanması
Designing a learning environment to support the development of pre-service teachers' diagnostic competence in students' algebraic thinking
DAMLA DEMİREL
Doktora
Türkçe
2025
Eğitim ve ÖğretimTrabzon ÜniversitesiMatematik ve Fen Bilimleri Ana Bilim Dalı
PROF. DR. DERYA ÇELİK
- Uzaktan eğitimde öğrencilerin duygularını yapay zekâ ile tespit ederek dönüt sağlayan ortamın tasarımı ve değerlendirilmesi
Design and evaluation of an environment that provides feedback by detecting students emotions with artificial intelligence in distance education
AHMET DOĞUKAN SARIYALÇINKAYA
Doktora
Türkçe
2024
Eğitim ve ÖğretimTrabzon ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. HASAN KARAL
- Matematik eğitiminde bulanık mantık tabanlı bir uzaktan öğrenme ve değerlendirme modeli
A distance learning and assessment model in mathematics education based on fuzzy logic
BEYZA ESİN ÖZSEVEN
Doktora
Türkçe
2022
Eğitim ve ÖğretimTokat Gaziosmanpaşa ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. NAİM ÇAĞMAN
- Öğretmenlerin yapay zeka farkındalık düzeylerinin incelenmesi ve eğitim-öğretimde yapay zeka kullanımına ilişkin hizmet içi eğitim: Bir program tasarısı önerisi
An examination of teachers' artificial intelligence awareness levels and an in-service training curriculum on the use of artificial intelligence in education: A curriculum design proposal
ADEM ÖZALTIĞ
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimMuğla Sıtkı Koçman ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DOÇ. DR. ALİ YAKAR