Student learning analysis in e-learning using deep neural networks

Web tabanlı eğitim sistemlerine olan talebin hızla arttığı bir dönemde, bir öğrencinin öğrenip öğrenmediğini ve bir dersin öğrencilerinin ihtiyaçlarına göre nasıl uyarlanabileceğini tahmin etmek çok önemli hale geliyor. Akış teorisi, bir bireyin duygusal durumunun öğrenmeleri üzerinde nasıl bir etkiye sahip olabileceğine dair bir açıklama sağlar. Bu nedenle, e-öğrenme kapsamında, öğrencilerin akış durumlarının tahmin edilmesi, öğrenmeleri hakkında bir tahmine yol açacak faydalı bilgiler sağlayabilir. E- öğrenme platformlarında akış durumu tahminindeki zorluk, öğrencilerin çabalarını, aktivitelerini ve performansını yansıtan parametreleri çıkarmaktır. Bu kapsamda bu tez, e- öğrenme ile öğretilen bir derste öğrenci öğrenmesini tahmin etmeyi amaçlayan derin bir sinir ağı ve akış teorisi temelli bir yöntem önermektedir. İlk olarak, klasik e-öğrenme sayfaları ve bir zaman çizelgesi aracından oluşan bir e-öğrenme platformu ile öğrencilerin etkileşimi kullanılarak öğrencilerin etkinlikleri analiz edilir. Bu analiz, aktivite ısı haritalarını ve derin sinir ağı tekniklerini içerir. Daha sonra e-öğrenme arayüzü ile sunulan quizler ile öğrencilerin performansları elde edilir. Etkinlikler ve performanslar daha sonra öğrenci anketleri kullanılarak istatistiksel bir analizle doğrulanır. Yöntem, etkinlikleri ve performansları kullanarak bir dersteki öğrencilerin akış durumu hakkında bir tahmin üretir. Önerilen derin sinir ağı modeli, etkinlik ısı haritalarından kalıpları çıkaran bir boyut azaltma yöntemi olarak işlev görür. Öğrenci profili yanlılıkları, iki farklı disiplinden iki farklı derste deneyler yapılarak ortadan kaldırılmaktadır. Önerilen model, anketlerle korelasyon açısından literatürde kullanılan boyut küçültme yöntemlerine göre üstün performans göstermektedir.