Çevrimiçi sınavlarda istenmeyen davranış tespitine yönelik yeni bir yaklaşımın geliştirilmesi

Uzaktan öğretim, birçok eğitim kurumu tarafından yaygın olarak kullanılmaktadır. Koronavirüs'ün sebep olduğu pandemiden dolayı tüm dünyada olduğu gibi ülkemizde de uzaktan eğitimin önemi daha çok artmıştır. Eğitim öğretim faaliyetlerinin çevrimiçi ortama taşınması ile beraber etik olmayan davranışlarda ortaya çıkmıştır. Özellikle çevrimiçi sınavlarda kopya ve intihal gibi davranışlar hem öğrenenler hem de eğitim kurumları için bir endişe kaynağı olmuştur. Bu tez çalışması, çevrimiçi uzaktan eğitimde ders alan öğrencilerin, uzaktan eğitim sistemi aracılığı ile çevrimiçi ortamda yapay ve gerçek sınav verilerinden oluşan veri setini kullanarak, istenmeyen davranış örüntülerini tahmin ve sınıflandırma yaparak iyileştirilmiş ve optimize edilmiş en iyi yapay zekâ modellerini ortaya çıkarmayı amaçlamaktadır. Çalışma kapsamında çevrimiçi sınav verisi, iki farklı senaryo kullanılarak, araştırmacılar tarafından regresyon ve sınıflandırmada en iyi model tahmin ve sınıflandırma performansını ortaya çıkarmak için makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak analiz edilmiştir. Senaryo-1 kapsamında, istenmeyen davranış örüntülerinden "kopya çeken" öğrencileri tespit etmede önerdiğimiz model beş katmanlı DNN modelidir. Senaryo-2 kapsamında ikili sınıflandırmada istenmeyen davranış tespitinde "kopya çeken" öğrencileri tespit etmede Rastgele Orman modeli ve üçlü sınıflandırmada XGBoost modeli önerdiğimiz en iyi model olarak tespit edilmiştir. Ayrıca en iyi performans gösteren algoritmaların, model başarımında performansı artıran etkenleri tespit etmek amacıyla açıklayıcı yöntemler kullanılmıştır. Bu çalışmanın bir sonucu olarak performansı iyileştirecek en uygun parametre seçimi ve katman fonksiyonlarının uygulanması, hedef değişkenleri ve klasik matematik modelleri kullanılarak çözülemeyen karmaşık problemleri tahmin etmede etkili olabileceği gösterilmiştir. Sonuçlar, öğrencilerin çevrimiçi uzaktan eğitim sınav verilerinin makine öğrenmesi modellerine ve DNN modeline rahatlıkla uygulanabileceğini kanıtlamaktadır. Önerilen modeller, eğitim kurumlarına, çevrimiçi sınav uygulamalarının değerlendirilmesinde ve akademik bütünlüğü sağlamada bir yol haritası ve öngörü sağlayabilir.