Kitlesel Ak ˙evrimii Kurslardaki Katlmc Prollerinin Yapay Sinir A§ Kullanlarak Snandrlmas

Abstract

zet Son yllarda, zellikle bilgisayar mhendisli§i e§itimi alannda, kitlesel ak evrimii kurslara (KA˙K) artan bir ilgi sz konusudur. Bu ilgi bireylerin davran‡lar, zellikleri ve tercihlerinin anla‡lmas neminin altn izmektedir. Byle bir anlay‡ geli‡tirmek, sklkla oyun geli‡tirme alannda kullanlan ki‡ilik prolleme gibi yeniliki teknikleri uyarlayarak KA˙K tasarm srecini geli‡tirmek iin e‡itli yollar gerektirmektedir. Bu al‡ma, bir ki‡ilik referans olarak Myers-Briggs Tip Gstergesi (MBTG) kullanlarak katlmclar (zellikle eksik veri durumlarnda) snandrmak iin bir yntem nermektedir. Ama, KA˙K izleyicileri hakknda ayr‡trc bir bak‡ sunmak iin KA˙K katlmc prollerini MBTG kullanarak ara‡trmaktr. Bu amala, bir bilgisayar mhendisli§i kursunda 20 soruluk bir evrimii anket kullanlm‡tr: Muhataplarn (N=75) cevaplar yardmyla katlmclarn ki‡ilik tipleri belirlenmi‡tir. Dahas, bir makine §renimi modeli bireylerin snandrmas iin nerilmi‡tir. Sonular, geri yaylml (GY) yapay sinir a§nn hem e§itim sreci (performans=%100) hem de test sreci iin (performans=%93,3) uygun oldu§unu gstermi‡tir. Bu bilgilerin ‡§nda, yakla‡mmzn MBTG asndan KA˙K katlmclarnn snandrlabilirliklerini ara‡trmak iin kullanlabilecek zgn bir yakla‡m olarak kabul edilebilir.

Giri‡

KA˙K’larn ortaya kmas bir sonraki on yl iin ak §renme kltrnde nemli bir olay olarak de§erlendirilebilir [ 1 ]. Bunun en nemli nedenlerinden birisi KA˙K’larn ksa bir zaman zarfnda belirgin bir ba‡ar kazanmasdr. KA˙K’lar geni‡ saydaki katlmclardan, uzman akademiklerden, iyi tannnm‡ niversitelerden ve ara‡trma kurulu‡larndan kabul grm‡lerdir [ 2 ]. Buna ek olarak, KA˙K’lar, co§ra snrlandrmalar, fon sa§lama ve katlmc says gibi [ 3,4 ] kullanlan §renme biimlerinin bir kan birden kullanarak ve ba§lantc pedagojik teknikleri uygulayarak geleneksel evrimii derslerin snrlarn a‡maktadr [ 5 ]. KA˙K’lar ba‡ars ve bunlara kar‡ artan ilgi yeniliki modellerin ve pedagojilerin ara‡trlmasna ynelik olan kapsam geni‡letmektedir [ 6,7 ].

Ancak, ‡imdiye kadar, KA˙K’larn hem tasarlanmasnda hem de i‡letilmesinde kar‡la‡labilecek olan pedagojik, teknolojik, lojistik ve nansal problemler hakknda ok az tart‡ma olmu‡tur [ 8 ]. Pedagojik bak‡ asndan e§itmenler e‡zamanl olarak de§i‡ik konumlardaki ve lkelerdeki belirgin ki‡ilikleri ve farkl hedeeri ve motivasyonlar olan byk bir miktardaki katlmclarla ilgilenmektedir [ 4 ]. Buna ek olarak, ara‡trmaclara gre, §rencinin otonomisini arttrmak ve §rencilerin arasndaki ili‡kiyi geli‡tirmek iin yeni §renme yakla‡mlar ke‡fedilmektedir [ 9,10 ]. Dolaysyla, KA˙K geli‡tirme srelerinde, farkl ki‡iliklerin, motivasyonlarn ve katlmclarn otonomisinin nemli bir rol oynayabilece§i hakknda artan bir gr‡n oldu§u d‡nlebilir.

KA˙K’larn sosyal ynlerini incelemek ve ara‡trmak iin, tasarmclarn bir dizi de§erlendirme ve ara kullanarak hedef kitleyi detayl olarak ara‡trmalar gerekir. MBTG byle i‡lemler iin kullanlan en yaygn aralardan birisidir [ 11 ]. Genel bir kabul olarak, MBTG ile snandrlm‡, ayn ki‡ilik tipi kategorisindeki bireyler benzer karakteristiklere sahiptir ve olaylar kar‡snda benzer ‡ekilde davranrlar. Daha farkl bir ifadeyle, her bir ki‡ilik tipi ba§msz (benzersiz) bir davran‡ kalbn temsil eder. Ayrca, yazarlar, bu snandrma ile kalplar incelerken, makine §renme tekniklerini kullanlmasnn uygun olabilece§ini d‡nmektedir. rne§in, bu tr yakla‡mlar karma‡k yapay davran‡sal modeller olu‡turmak iin kullan‡l olabilirler [ 12 ].

Bu ara‡trmann temel amac, KA˙K’larn katlmclarnda MBTG de§erlendirmesini kullanarak ki‡ilik karakteristiklerini incelemektir. Di§er bir deyi‡le, bu al‡ma srasnda ki‡ilik tiplerinden elde edilen bilgileri kullanarak bireylerin ilgili ki‡ilik tiplerine gre snandrlmas ara‡trlacaktr. MBTG arac yardm ile toplanan bilgilerin ‡§nda KA˙K katlmclarnn ki‡ilik tiplerini - zellikle eksik veri durumlarnda - ortaya karmak iin bir geri yaylml (GY) yapay sinir a§nn snandrcs kullanlacaktr.

Bu ara‡trma a‡a§daki ara‡trma sorulara (AS) yant vermeyi hedeer: AS1: KA˙K katlmclarn znel karakteristiklerine (rn. ki‡ilik tipleri) gre snandrmak mmkn mdr?

AS2: KA˙K katlmclarn (zellikle eksik veri durumlarnda) geri yaylml (GY) yapay sinir a§ kullanarak, ki‡ilik tiplerine ba§l ve otomatik olarak snflandrmak mmkn mdr?

Bu makalenin kalan a‡a§daki gibi organize edilmi‡tir: Ksm ikide al‡mann arka plann detaylandrlacaktr. zellikle MBTG de§erlendirmesi iin literatr zetlenecek, geri yaylml (GY) algoritmaya sahip olan ok katmanl algy (˙KA) ve ilgili al‡malarndan rnekler verilecektir. Titiz bir yakla‡m zerine in‡a edilmi‡ olan nc ksm, ara‡trma srecini aklamaktadr. Makalenin devamnda kurgulanan al‡malarn sonular tart‡lm‡tr. Son olarak, makale sonularn ve gelecekteki al‡malarn ak bir zetiyle son bulmaktadr.

Ara‡trmann Temelleri

Myers ve Briggs Ki‡ilik Tipleri

Ki‡ilik bireylerin davran‡ biimlerindeki llebilir farkllklar olu‡turan faktrlerin snandrlmas ile meydana geldi§i kabul edilen, bireylere ait bir sosyal kurgudur. MBTG ki‡ilik tiplerinin ortaya kartlmas iin d‡nlm‡ bir aratr. Bu ara yardm ile bireylerin belli ayralara verdikleri cevaplar do§rultusunda ki‡ilik tipinin tespit edilmesi ilkesine dayanr.

Tablo 1’de MBTG iin tanmlanm‡ olas ki‡ilik tipi ayralar grlmektedir.

D‡a dnk (E) (I) e Dnk Duyusal (S) (N) Sezgisel D‡nen (T) (F) Hisseden

Yarglayc (J) (P) Alglayc

Tablo 1. Myers ve Briggs Ki‡ilik Tipleri

MBTG’ye gre, iki kutuplu olarak snandrlm‡ ki‡ilik tipleri (i) enerji toplama, (ii) algsal motor becerileri, (iii) karar verme, ve (iv) ya‡ama biimleri ile tanml drt ayr belirte yardm ile incelenebilir [ 11 ]: D‡adnklk - ednklk (E-l) ki‡ilerin sosyal aktivitelere olan ilgiyi, Duyusallk - Sezgiselik (S-N) bireylerin evreyi alglma ‡ekillerini, D‡nme-Hissetme (T-F) bireylerin karar verme mekanizmalarn ve son olarak Yarglama - Alglama (J-P) bireylerin ya‡amsal tercihlerini (rn. ok planl olma veya hzl adapte olma) belirler. 2.2

˙ok Katmanl Alglayc ˙ok katmanl alglayc 5 (˙KA) karma‡k rntlerin snandrlmas konusundaki yksek veriminden dolay, en ska kullanlan ve yapay sinir a§ yntemlerinden bir tanesidir. ˙KA alglama modeli, ba§lantl ana katman yapsndan olu‡ur: giri‡ katman, bir (ya da daha fazla) sakl katman ve k‡ katman. Bu katmanlar a§rlkl ba§lantlarla birbirine ba§ldr. Katman k’daki her bir d§m giri‡ini bir nceki katmandan alr. Bu giri‡ de§erleri a§rlkl olarak toplandktan sonra bir k‡ fonksiyonundan geirilerek her bir d§mn k‡ de§erleri elde edilir. Giri‡ katmanndaki d§mlerin says giri‡ vektrndeki zelliklerin saysna e‡ittir. Sakl katman says ve bu katmanlardaki d§m saylar de§i‡ken parametreler oldu§undan tasarmcya ba§ldr ve daha yksek verim iin dikkatlice tasarlanmaldr. ˙KA rnt tanmada kullanld§nda, k‡ katmanndaki her bir d§m bir snf temsil edecek ‡ekilde tasarlanr [ 13 ].

Genel olarak GY algoritmas kullanlan ˙KA modellerinde, §renme kmelerindeki rneklere ait giri‡ verileri tek tek giri‡ katmanna uygulanarak k‡ katmanna kadar d§m ktlar hesaplanr. ˙k‡ katmanndaki tm d§mler

5 Multi Layer Perceptron

I1 I2 I3 In

Girdi

Katmanı

Saklı Katman H1 Hn

C¸ıktı Katmanı

O1 On ekil 1. Tipik tek bir sakl katmana sahip ˙KA yapay sinir a§ modeli. fI1; I2; I3:::Ing, girdi katmann, fH1; :::Hng, sakl katman, fO1; :::Ong, ise kt katmann gstermektedir. iin gerek kt ve §renme kmesinden uygulanan rnek iin belirlenen kt arasndaki farka baklarak hata hesaplanr ve bu hatay azaltmak zere her bir d§m arasndaki ba§lant kuvvetleri her bir rnek zerinden dngl olarak dzeltilir [ 13 ]. 2.3

Ki‡ilik Tabanl Snandrma Literatr Bireylerin karakterleri, motivasyon ve ki‡isel tercihleri gibi psikometrik zelliklerinin ara‡trmas yaplm‡ olup bu zellikler yazlm mhendisli§i [ 14 ], oyun geli‡tirme [ 15 ] ve ekonomi dersleri [ 16 ] gibi pek ok farkl disiplinlerde kullanlm‡tr. MBTG [ 11 ], Keirsey’in miza snaycs [ 17 ] gibi farkl yntemler, katlmclarn ki‡ilik tiplerini de§erlendirmek iin kullanlm‡tr.

Mairesse ve di§erleri [ 18 ], yaz‡ma ve konu‡ma yoluyla otomatik olarak ki‡ili§i tahmin etmek amacyla szel ipularn kullanm‡lardr. nerilen yntem, bireylerin konu‡ma ve yaz‡malarna, gzlemsel olarak de§erlendirilen ki‡ilik z snamalarna ba§l olarak BigFive ki‡ilik zelliklerini ke‡fetmeye dayanyordu. Ayn ‡ekilde, destek vektr makines, karar a§ac (KA) ve en yakn kom‡u (EYK) gibi de§i‡ken yntemler farkl modelin ( adet makineli §renme yakla‡m kullanlm‡tr: snandrma algoritmalar, regresyon ve sralama) performansn denemek amacyla kullanlm‡tr. Genel olarak, sonular sralama model performanslarnnen yksek oldu§unu gstermektedir. Ayrca, gzlemlenen ki‡ilik veri kmesi kullanlarak yaplan snama model performanslarnn, z ki‡ili§i derecelendirmesinin kullanlarak yaplm‡ olan modellerden daha yeterli bulundu§u tespit edilmi‡tir. Buna ek olarak, ki‡ilik zelliklerinin karakter seti karm asndan en nemli faktr oldu§u gzlenmi‡tir.

Celli ve di§erleri [ 19 ] Facebook kullanclarnn (N = 100) prol resimlerine ve z-de§erlendirme BigFive zelliklerinin ki‡ilik testine dayal olarak ki‡ilik tipi ile etkile‡im tarznn tannmas amacyla destek vektr makinesi, yapay sinir a§lar, karar a§ac, naif bayes, lojistik regresyon ve kural §renimi gibi alt farkl makineli §renme yntemini test etmi‡lerdir. zellik karma i‡lemi grsel-kelimelerantas (GK˙) tekni§i ile gerekle‡tirilmi‡tir. Sonular, her bir snandrc do§rulu§unun ki‡ilik zelliklerine ba§l oldu§unu gstermektedir. Bu al‡mada elde edilen ortalama performans ise % 66,5 olmu‡tur.

Cowley ve di§erleri [ 20 ] oyun deneyimi ve oyuncu ki‡ilik tipini ke‡fetmek iin makine §renme yntemlerinin kullanlmasnn emekleme dneminde oldu§una de§inmi‡tir. ˙al‡malarnda, snama iin uygun kurallarn seilmesi amacyla karar a§ac metodunun iki e‡idini (yani CART ve C5.0) ve Pac-Man oyuncular zerinde oyuncu taksonomisine gre e§itmi‡lerdir. E§itim seti 100 olay, test seti ise 37 olay iermi‡tir. Bu al‡mada snandrcnn test performans do§rulamas yakla‡k % 70 olmu‡tur.

Aruan ve di§erleri [ 21 ] birden fazla kullanc iin uygun olan bir sanal §retmen ajan ve ok oyunculu online oyunlardan esinlenerek ortak alanlarda probleme dayal §renme yntemi geli‡tirmi‡lerdir. Arayz destekli ortak alan ve devasa ok oyunculu evrim ii oyunu bak‡ asndan, kullanclar ile ilgili teknolojik konular kullanlarak §renmenin iki farkl konusu birle‡tirilmi‡tir. Buna ek olarak, baz uygulamalar ve kodlama amaca ula‡mak iin kullanlm‡ olup elde edilen sonular kabul edilebilir olmu‡tur.

Golbeck ve di§erleri [ 22 ] Twitter kullanclarnn ki‡iliklerini tahmin etmek iin bir model nermi‡lerdir. Bu model, Twitter kullanclar ve BigFive ki‡ilik testi prollerinde kamuya ak bilgilere dayandrlm‡tr. zellikle, BigFive testi kullanclarnn 279 adedine uygulanm‡ ve onlarn en yaygn 2000 tweetleri toplanm‡tr. Daha sonra karakter, metin zmleme arac ile veri karlm‡tr. Son olarak, iki regresyon yntemi (Gauss i‡lemi ve ZeroR) ki‡ilik tahmini iin kullanlm‡tr. Sonular her iki yntem de ayn ‡ekilde gerekle‡tirildi§i ve do§ruluklarnn makul oldu§unu gstermektedir.

Lotte ve di§erleri [ 23 ] bir dizi en yaygn kullanlan snandrma yntemlerini (destek vektr makines (DVM), ok katmanl alglayc (˙KA), vb.) gzden geirmi‡ ve elektro-ensefalo-grasi (EEG) veri kmesini kullanarak beyin-bilgisayar arayz (BBI) iin uygun snandrma algoritmalar bulmak iin performanslar kar‡la‡trm‡lardr. Her bir snandrcnn sonular ve etkinli§i analiz edilmi‡ ve belirli bir grev iin uygun snandrc seerken kabul edilebilir bilginin somut bir tavan sunmak iin di§er snandrclar arasnda kar‡la‡trlm‡tr. Genel olarak, EEG veri kmesini kullanarak BCI alan iin DVM’nin di§er snandrclara gre daha iyi performans sergiledi§i tespit edilmi‡tir. Bununla beraber, sinir a§larnn genel olarak BCI alannda ara‡trmada kullanlmas gibi ˙KA performans da bu grev iin kabul edilebilir olmu‡tur.

Katlmclarn ki‡iliklerini tespit etmek iin zellikle KA˙K zerinde yaplan al‡malar snrldr. Ayrca, ‡imdiye kadar ki‡ilik tiplerinin otomatik olarak snandrlmas iin ok az al‡ma yaplm‡tr. (rn. [ 18 ]). 3

Yntem

Bu al‡mada kullanlan yakla‡m ana admdan olu‡ur. lk admda, bireylerin ki‡ilik tiplerini de§erlendirmek iin bir anket al‡mas yaplm‡tr. Ama, MBTG aracn kullanarak katlmclarn ki‡ilik tipini ortaya koymaktr. kinci a‡amada, birinci admda elde edilen sonulara gre bir veri kmesi retilmi‡tir. nc a‡amada, bu veri kmesi ki‡ilik tiplerinin bir GY algoritmal (yapay sinir a§ temelli) ok katmanl ki‡ilik snandrcsn e§itmek ve test etmek iin kullanlm‡tr (bkz. ekil 2).

ekil 2. Ara‡trmada Kullanlan Yntem Admlar.

Bu al‡mann ana varsaym, davran‡larn temel psikolojik modellerin ara‡trlabilir ve bir GY algoritmal ˙KA ki‡ilik snandrcsn e§itmek iin kullanlabilir olmasdr. Veriler, katlmclarn (N=75) ki‡ilik tercihlerini ke‡fetmek iin 20 soru ieren bir anket vastasyla toplanm‡tr. zellikle, KA˙K katlmclarn otomatik olarak ilgili ki‡ilik tipi iinde snflandrmak amacyla makine §renme yntemlerinin uygun bir snandrc modelini e§itmek ve test etmek iin kullanlmas yeni bir tr yakla‡mdr. MBTG testinin bir versiyonunu anket katlmclar tarafndan cevaplanmak zere da§tlm‡tr. MBTG test katlmclarnn cevaplar kullanlarak ve 20 cevap girdisi ana zellikler olarak (rne§in; E-I, S-N, T-F ve J-P) 4 adet ki‡ilik tipi ayralar iinde normalize edilerek gvenilir bir veri kmesi olu‡turulmas hedeenmi‡tir.

Btn bunlara ek olarak, ki‡ilerin davran‡ prollerinin daha iyi anla‡lmas ve snandrlabilmesi iin ok katmanl alglayc (˙KA) bir makine snandrmas snandrma yntemi kullanlm‡tr. ˙KA’nn ba‡arl bir ‡ekilde katlmc prollerini snandrabilmesi iin, toplanan veri seti, klasik yntemler ‡§nda; e§itim seti (olaylarn % 80’i) ve test seti (olaylarn % 20’i) olmak zere iki ayr para haline i‡leme sokulmu‡tur.

Tasarlanan GY algoritmal ˙KA’nn farkl mimari yaplar ve olas parametreleri en verimli modeli bulmak iin incelenmi‡tir 6. GY tabanl ˙KA, her bir MBTG ki‡ilik tipi iin tanmlanm‡, drt adet girdi katman d§mnden olu‡maktadr. ˙kt katman her bir d§m tek bir ki‡ilik tipini gsteren onalt adet d§m iermektedir.

ekil 3. nerilen GY-tabanl ki‡ilik tipleri snandrc mimarisini gstermektedir.

16 Kişilik Tipi …………………...

Kişilik Tipi Sınıflandırıcısı

E/I S/N T/F J/P ekil 3. GY-tabanl ki‡ilik tipleri snandrc mimarisi. 6 §renen GY algoritmal ˙KA’nn yakla‡k hata kareler ortalamasnn karekk 0.09’den daha az ya da e‡it olmaldr

Tart‡malar

˙al‡mann ilk a‡amasnda katlmclarn MBTG yardm ile ki‡ilik tipleri belirlenmi‡tir. ˙al‡mann ilk ksmnda yaplan test sonucunda elde edilen MBTG ki‡ilik tipleri Tablo 2’de gsterilmi‡tir.

ISTJ ISFJ INFJ INTJ %13.3 (N=10) %4 (N=3) %2.6 (N=2) %8 (N=6)

ISTP ISFP INFP INTP %2.6(N=2) %1.3 (N=1) %2.6 (N=2) %1.3 (N=1)

ESTP ESFP ENFP ENTP %6.6 (N=5) %4 (N=3) %4 (N=3) %12 (N=9)

ESTJ ESFJ ENFJ ENTJ %14.6 (N=11) %4 (N=3) %6.6 (N=5) %12 (N=9)

Tablo 2. MBTG tiplerine gre katlmclarn da§lm ( Ntoplam = 75) Elde edilen sonular ‡§nda al‡mann devamnda GY §renme tabanl bir ok katmanl alglayc ki‡ilik tipleri snandrcs olarak e§itilmi‡tir. Toplanan verilerin 60 tanesi alglaycnn e§itilmesi iin kullanlm‡tr. ˙arpraz gerekleme tekni§i (k=10) yardm ile otomatik §renme sreci srasnda olu‡abilecek fazla e§itim (veri ile model arasnda olu‡abilecek a‡r uyum) engellenmi‡, bu sayede elde edilen model grmedi§i durumlar ierisinde genelle‡tirme yetene§ini kaybetmemesi sa§lanm‡tr.

Elde edilen snandrma sonular Tablo 3 yanlma matrisi olarak sunulmu‡tur.

Testler srasnda modelin performas %93.3 olarak bulunmu‡tur. Test iin kullanlan 14 olay do§ru olarak, bir tanesi yanl‡ olarak snandrlm‡tr. Ayrca, hata kareler ortalamasnn karekk 0.08 olarak hesaplanm‡tr.

Testler srasnda ok katmanl snandrcnn performans %93.3 olarak belirlenmi‡tir. Snandrcda ayrca on adet sakl katman, §renme oran=0.2, momentum=0.3, ve epoch=500 olarak gzlenmi‡tir. Bu bilgilerin ‡§nda geri yaylml ok katmanl alglaycnn iyi bir performans gsterdi§i kabul edilebilir. Bu sonular, otomatik yaz veya diyalog tabanl ki‡ilik alglayclardan [ 18 ] daha iyi sonular vermektedir. Bunun yan sra elde edilen sonular geri yaylml ok katmanl alglayclar ile yaplan baz al‡malara yakn saylabilir. 4.1

Kstlamalar Ki‡ilik testlerine ba§l olan ara‡trmalar bireylerin karakteristikleri ile ilgili kesin delil elde etmek yerine ki‡ilerin tercihleri ile ilgili kir elde etmeyi amalar. Bununla birlikte, elde edilen sonular, yaplan testlerde ki‡ilerin kendi karakterlerine en uygun cevab seti§i kabulne dayanr. Ayrca yapay sinir a§lar veya benzeri §renme metotlar ile elde edilen sonularn veri tabanl hazrlama, verinin bykl§, e§itim ve test kmelerinin kalitesi gibi parametrelerden etkilendi§i gzlenmi‡tir. Tm bu kstlamalara ra§men al‡ma sonucunda elde edilen sonular ‡§nda, seilen rneklemin, rnek poplasyonu temsil etti§i kabul edilebilir. 5

Sonular ve Gelecek ˙al‡malar

Bu al‡mada kitlesel ak evrim ii kurslara katlan bir grup katlc kullanlarak bireylerin ki‡ilik prolleri elde edilmi‡tir. Daha sonra, bu bilgiler ‡§nda geri yaylml ok katmanl alglayc modeli kullanlarak bu tip kurslardaki katlmclarn snandrlmas sa§lanm‡tr. Yapay sinir a§ eksik veri ‡§nda bireylerin ki‡ilik tiplerini ngrmektedir. Bu tip al‡malar ile elde edilecek bilgi yardmyla, katlmclarn ilgi alanlar, e§itsel ierik ve kendilerine sunulabilecek modller arasnda dinamik bir ba§lant kurulabilecektir. Bu ba§lant sayesinde, katlmclarn ki‡ilik prollerine gre ‡ekillendirilmi‡ dinamik bir e§itim yaps kurgulanmas ve sunulmas imkanndan sz edilebilmektedir. Bylelikle, ki‡ilerin §renme stillerine uygun ve bireysel motivasyonlarn yitirmelerini engelleyecek bir mekanizma tasarlanabilecektir.

Ara‡trmann ba‡nda sundu§umuz ara‡trma sorularna geri dnecek olursak farkl ki‡ilik tiplerindeki katlmclarn znel karakteristiklerine uygun olarak snandrlmas ve eksik veri durumlarnda da bu rnt snarnn gzlenebilirli§i ile ilgili nemli bir adm atlm‡tr. Elde edilen rntler sayesinde gelecek al‡malar, ki‡ileri KA˙K’larda en uygun snara yerle‡tirebilme ve onlara potansiyel al‡ma ‡ekilleri ile ilgili e‡itli nerilerde bulunabilme gibi nemli faydalar getirecektir.

KA˙K’larda gzlenen devamszlk di§er online sistemlerden farkl bir geli‡im sreci izlemektedir. nerdi§imiz yeniliki yakla‡m sayesinde, kitlesel ak evrim ii kurslardaki en byk sorunlardan biri olan srdrlebilirlik problemin zm iin bir n hazrlk al‡mas olu‡turulmu‡tur. Sunulan snandrma modeli, makine-tabanl uyarlamal bir §renme ortam kurgusu iin temel te‡kil edecektir. Snandrc, ilk testlerinde, %10 eksik veri ile %100 ba‡ar ile al‡maktadr. KA˙K §renicilerinin al-ve-ka do§asna daha uygun bir hizmet verebilmek iin ki‡ilik prollerinin nerilen tan sistemi ile belirlenmesi bu bireylerin §renme ihtiyalarnn kar‡lanmas iin atlm‡ olan nemli bir admdr. Kaynaklar

References

1. Ehlers , U.D.: Open Learning Cultures: A Guide to Quality, Evaluation, and Assessment for Future Learning . Springer ( 2013 )

2. Mota , R. , Scott , D.: Education for Innovation and Independent Learning . Elsevier ( 2014 )

3. Severance , C. : Teaching the world: Daphne koller and coursera . Computer 45 ( 2012 ) 89

4. Hill , P. : Online educational delivery models: A descriptive view . http://www.educause.edu/ero ( 2014 )

5. Siemens , G.: Moocs are really a platform . Elearnspace blog: http://www.elearnspace.org/blog/2012/07/25/moocs-are -really-a-platform ( 2012 )

6. Kolowich , S. : How will moocs make money . Inside Higher Ed ( 2012 )

7. Martin , F.G. : Will massive open online courses change how we teach? Communications of the ACM 55 ( 2012 ) 2628

8. McAuley , A. , Stewart , B. , Siemens , G. , Cormier , D. : The mooc model for digital practice ( 2010 )

9. Downes , S.: The role of the educator ( 2010 )

10. Kop , R. , Fournier , H. , Mak , J.S.F. : A pedagogy of abundance or a pedagogy to support human beings? participant support on massive open online courses . The International Review of Research in Open and Distance Learning 12 ( 2011 ) 7493

11. Myers , I.B. , McCaulley , M.H. , Most , R.: Manual: A guide to the development and use of the Myers-Briggs Type Indicator . Consulting Psychologists Press Palo Alto, CA ( 1985 )

12. Minsky , M.: The emotion machine . New York: Pantheon ( 2006 )

13. Hagan , M.T. , Demuth , H.B. , Beale , M.H. , et al.: Neural network design . Volume 1 . Pws Boston ( 1996 )

14. Yilmaz , M.: A software process engineering approach to understanding software productivity and team personality characteristics: an empirical investigation . PhD thesis , Dublin City University ( 2013 )

15. Novak , J.: Game development essentials: an introduction . Cengage Learning ( 2011 )

16. Borg , M.O. , Stranahan , H.A. : Personality type and student performance in upperlevel economics courses: The importance of race and gender . The Journal of Economic Education 33 ( 2002 ) 314

17. Keirsey , D. : Please Understand Me II : Temperament, Character, Intelligence Author: David Keirsey, Publisher: Prometheus Nemesis Book C. Prometheus Nemesis Book Co ( 1998 )

18. Mairesse , F. , Walker , M.A. , Mehl , M.R. , Moore , R.K. : Using linguistic cues for the automatic recognition of personality in conversation and text . Journal of articial intelligence research ( 2007 ) 457500

19. Celli , F. , Bruni , E. , Lepri , B. : Automatic personality and interaction style recognition from facebook prole pictures . In: Proceedings of the ACM International Conference on Multimedia, ACM ( 2014 ) 11011104

20. Cowley , B. , Charles , D. , Black , M. , Hickey , R.: Real-time rule-based classication of player types in computer games. User Modeling and User-Adapted Interaction 23 ( 2013 ) 489526

21. Aruan , F. , Prihatmanto , A. , Hindersah , H. , et al.: The designing and implementation of a problem based learning in collaborative virtual environments using mmog technology . In: System Engineering and Technology (ICSET) , 2012 International Conference on, IEEE ( 2012 ) 17

22. Golbeck , J. , Robles , C. , Edmondson , M. , Turner , K. : Predicting personality from twitter . In: Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third Inernational Conference on Social Computing (SocialCom) , 2011 IEEE Third International Conference on, IEEE ( 2011 ) 149156

23. Lotte , F. , Congedo , M. , LØcuyer , A. , Lamarche , F. , Arnaldi , B. , et al.: A review of classication algorithms for eeg-based braincomputer interfaces . Journal of neural engineering 4 ( 2007 )