Geri Dön

Öğrenme çıktılarının derin öğrenme ile Bloom taksonomisi'ne göre sınıflandırılması

Classification of learning outcomes with deep learning accordingto Bloom taxonomy

PDF İndir

  1. Tez No: 923374
  2. Yazar: HANDAN AÇAR
  3. Danışmanlar: DOÇ. DR. DURSUN AKASLAN, DR. ÖĞR. ÜYESİ MEHMET UMUT SALUR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Harran Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Bloom taksonomisi farklı öğrenme seviyelerine göre eğitimsel öğrenme hedeflerini sınıflandırmakta olup bilişsel, duyuşsal ve psikomotor alan olmak üzere üç alanı kapsamaktadır. Bilişsel alan, bilgi, kavrama, uygulama, analiz, sentez ve değerlendirme seviyelerini içerirken duyuşsal alan değerler, tutumlar gibi davranışsal öğelere vurgu yapar. Psikomotor alan ise, motor becerilere odaklanmaktadır. Pek çok yükseköğrenim kurumu, öğrencilerin eğitim süreçleri sonunda kazanmaları gereken bilgi, beceri ve yetkinlikleri açıkça belirleyen öğrenme çıktıları oluşturur. Eğitim kurumlarında, ders öğrenme çıktılarını Bloom taksonomisinin seviyelerine göre tasarlamak ve öğrenme çıktılarının değerlendirme öğelerine uygunluğunu sağlamak, öğrenci öğreniminin iyileştirilmesi için kritik bir adımdır. Ancak, her dönem öğretim görevlileri ve yöneticiler, eşleştirmeyi manuel olarak yaparken binlerce öğrenme çıktısı üzerinden geçmek zorunda kalmaktadır. Bilişsel, duyuşsal ve psikomotor alanda Bloom'un farklı seviyelerindeki öğrenme çıktıları ve değerlendirme öğelerinin sınıflandırılmasını otomatikleştirmek için derin öğrenme ile metin sınıflandırma yöntemleri kullanılmaktadır. Veri seti, metin sınıflandırma süreçlerinde kullanılmak üzere özenle seçilen ve uygulanan 6 adet metin ön işleme adımına tabi tutulmuştur. Bu adımlar sırasıyla tokenizasyon, küçük harfe dönüştürme, noktalama işaretlerinin temizlenmesi, durdurma kelimelerinin çıkarılması, lemmatizasyon, kısa ve uzun kelimelerin çıkarılması adımlarından oluşmaktadır. Ön işleme; veri setinin analize uygun hale getirilmesi, model başarımının arttırılması, çalışmanın güvenilirliğini ve doğruluğunu desteklemek amacıyla tasarlanmıştır. Makinelerin metni işleyebilmesi için, öğrenme çıktılarının sayısal değerlere dönüştürülmesi gerekir. Bu doğrultuda, kelime sayısallaştırma yöntemlerinden Word2Vec, FastText ve BERT kullanılmıştır. Sınıflandırma aşamasında ise LSTM (Long Short-Term Memory) derin öğrenme modeli, öğrenme çıktılarının Bloom Taksonomisi'ne göre sınıflandırmak için eğitilmiştir. Eğitim sürecinde, modellerin hiperparametreleri optimize edilerek, en iyi performansı gösteren modelin seçimi yapılmıştır. Bu süreçte, doğruluk, kayıp, duyarlılık ve F-1 skoru gibi metrikler dikkate alınmıştır. Tez çalışmasında 2023 ve 2024 öğrenme çıktıları olmak üzere iki veri seti üzerinde de aynı ön işleme, sayısallaştırma, etiketleme ve sınıflandırma işlemleri yapılmıştır. Yapılan işlemlerde elde edilen sonuçlar ışığında, BERT modelinin Bloom Taksonomisi seviyelerine en uygun sınıflandırmayı yaptığı gözlemlenmiştir. Bu model, öğrenme çıktılarının doğru ve tutarlı bir şekilde sınıflandırılmasını sağlayarak manuel iş yükünü önemli ölçüde azaltmıştır. Ayrıca, modelin eğitimde kalite güvencesi süreçlerine ve Bologna süreci gibi uluslararası standartlarla uyumlu uygulamaların geliştirilmesine katkı sağlama potansiyeli ortaya konmuştur. Eğitimdeki uygulamaları, öğretim üyelerinin Bloom Taksonomisi seviyelerine uygun olarak öğrenme çıktıları yazmalarına yardımcı olmakla sınırlı kalmayıp, uzun vadede eğitimde değerlendirme süreçlerini daha nesnel ve tutarlı hale getirecek bir model sunmaktadır.

Özet (Çeviri)

Bloom taxonomy presents educational learning objectives according to different learning levels, while there are three areas: healthy, affective and psychomotor areas. While the cognitive area includes knowledge, concept, application, analysis, synthesis and evaluation, the affective area emphasizes behavioral trends such as values and attitudes. The psychomotor area focuses on motor skills. Many higher education systems reveal the knowledge, skills that the masses need to gain throughout their education and the learned learning that they can achieve. In the scope of education, designing course learning outcomes according to the levels of Bloom taxonomy and ensuring that their outcomes are suitable for evaluation is a critical step for students to learn. However, their term instructors and administrators have to go through thousands of learning outcomes while doing the matching manually. Deep learning and text methods are used to automate the classification of learning distributions and evaluations at different levels of Bloom in the cognitive, affective and psychomotor areas. The data set was selected for use in text growth and subjected to 6 text preprocessing steps. These steps consist of tokenization, lower case conversion, cleaning of punctuation marks, removal of stop words, lemmatization, removal of short and long words, respectively. Preprocessing; It is designed to make the data set suitable for analysis, distribution of model success, support the durability and reliability of information. In order for machines to process the text, the digital values resulting from learning must be transformed. In this direction, Word2Vec, FastText and BERT, which are word digitization methods, were used. In the classification phase, the LSTM (Long Short-Term Memory) deep learning model was classified to label the learning according to the Bloom Taxonomy. In the training process, the hyperparameters of the models are optimized, and the best performing model can be selected. In this process, metrics such as accuracy, loss and performance were taken into account. The learning outcomes of 2023 and 2024 are included in two data sets on the same preprocessing, digitization, marking and display processes. The results obtained in the processes observed the most appropriate indications of the BERT model to the Bloom Taxonomy levels. This model has significantly reduced the amount of manual work by ensuring that learning outcomes are classified correctly and in a way. In addition, the potential of the model to be used in education in a way that expands quality assurance and is compatible with international standards such as the Bologna process has been demonstrated. Education programs, comprehensive summary descriptions that help students write learning gaps in accordance with the Bloom Taxonomy levels, and an automation system that will provide more objective and features in the evaluation processes in long-term education.

Benzer Tezler

  1. Tez No

    628643

    İlkokul 3 ve 4. sınıf matematik ders kitaplarındaki etkinliklerin yenilenmiş Bloom taksonomisine göre incelenmesi

    Examination of activities in the 3rd and 4th grade mathematics textbooks in primary school according to the revised Bloom taxonomy

    BÜŞRA USLUOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Eğitim ve ÖğretimKırıkkale Üniversitesi

    İlköğretim Ana Bilim Dalı

    DOÇ. DR. VELİ TOPTAŞ

  2. Tez No

    383021

    Effects of web 2.0 enhanced learning environment on higher order thinking: Experiences and opinions of sophomore CEIT students

    Web 2.0 araçları ile zenginleştirilmiş öğrenme ortamının üst düzey bilişsel beceriler üzerindeki etkililiğinin incelenmesi: BÖTE ikinci sınıf öğrencilerinin deneyim ve düşünceleri

    SONAY CANER

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Eğitim ve ÖğretimOrta Doğu Teknik Üniversitesi

    Bilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı

    DR. GÖKNUR KAPLAN AKILLI

  3. Tez No

    914681

    Exploring design based learning activities in 2nd grade science classrooms

    2. sınıf bilim sınıflarında tasarım tabanlı öğrenme aktivitelerinin keşfedilmesi

    ÖZLEM YAPRAK BOSTANCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Eğitim ve ÖğretimOrta Doğu Teknik Üniversitesi

    Eğitim Programları ve Öğretimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF ÖZTÜRK

  4. Tez No

    879686

    Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data

    Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları

    İSMAİL BİLGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  5. Tez No

    647451

    Derin öğrenme modellerinin hücre veri seti üzerinde eğitilerek kıyaslanması ve mobil ortama uyarlanması

    Comparision and mobile application of deep learning models trained on blood cell dataset

    MEHMET YAVUZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ZAHİD YILDIZ

Geri Dön