=Paper= {{Paper |id=Vol-1483/53_Bildiri |storemode=property |title=Kitlesel Açık Çevrimiçi Kurslardaki Katılımcı Profillerinin Yapay Sinir Ağı Kullanılarak Sınıflandırması |pdfUrl=https://ceur-ws.org/Vol-1483/53_Bildiri.pdf |volume=Vol-1483 |dblpUrl=https://dblp.org/rec/conf/uyms/Al-TaeiYOH15 }} ==Kitlesel Açık Çevrimiçi Kurslardaki Katılımcı Profillerinin Yapay Sinir Ağı Kullanılarak Sınıflandırması== https://ceur-ws.org/Vol-1483/53_Bildiri.pdf

Kitlesel Açk Çevrimiçi Kurslardaki Katlmc

Prollerinin Yapay Sinir A§ Kullanlarak

Snandrlmas

1,2 2 3 4
Ali Al-Taei , Murat Yilmaz , Rory V. O'Connor , ve Ugur Halici

Ba§dat Üniversitesi, Ba§dat, Irak
1

alitaei@mtu.edu.iq
2
Çankaya Üniversitesi, Bilgisayar Mühendisli§i, Ankara, Türkiye
myilmaz@cankaya.edu.tr
3
Dublin ehir Üniversitesi, Bilgisayar Bilimleri Bölümü, Dublin, rlanda
roconnor@computing.dcu.ie
4
Orta Do§u Teknik Üniversitesi, Elektrik ve Elektronik Mühendisli§i Bölümü,
Ankara, Türkiye
halici@metu.edu.tr

Özet Son yllarda, özellikle bilgisayar mühendisli§i e§itimi alannda, kit-
lesel açk çevrimiçi kurslara (KAÇK) artan bir ilgi söz konusudur. Bu ilgi
bireylerin davran³lar, özellikleri ve tercihlerinin anla³lmas öneminin
altn çizmektedir. Böyle bir anlay³ geli³tirmek, sklkla oyun geli³tirme
alannda kullanlan ki³ilik prolleme gibi yenilikçi teknikleri uyarlaya-
rak KAÇK tasarm sürecini geli³tirmek için çe³itli yollar gerektirmekte-
dir. Bu çal³ma, bir ki³ilik referans olarak Myers-Briggs Tip Göstergesi
(MBTG) kullanlarak katlmclar (özellikle eksik veri durumlarnda)
snandrmak için bir yöntem önermektedir. Amaç, KAÇK izleyicileri
hakknda ayr³trc bir bak³ sunmak için KAÇK katlmc prollerini
MBTG kullanarak ara³trmaktr. Bu amaçla, bir bilgisayar mühendisli§i
kursunda 20 soruluk bir çevrimiçi anket kullanlm³tr: Muhataplarn
(N=75) cevaplar yardmyla katlmclarn ki³ilik tipleri belirlenmi³tir.
Dahas, bir makine ö§renimi modeli bireylerin snandrmas için öneril-
mi³tir. Sonuçlar, geri yaylml (GY) yapay sinir a§nn hem e§itim süreci
(performans=%100) hem de test süreci için (performans=%93,3) uygun
oldu§unu göstermi³tir. Bu bilgilerin ³§nda, yakla³mmzn MBTG aç-
sndan KAÇK katlmclarnn snandrlabilirliklerini ara³trmak için
kullanlabilecek özgün bir yakla³m olarak kabul edilebilir.

1 Giri³

KAÇK'larn ortaya çkmas bir sonraki on yl için açk ö§renme kültüründe

önemli bir olay olarak de§erlendirilebilir [1]. Bunun en önemli nedenlerinden

birisi KAÇK'larn ksa bir zaman zarfnda belirgin bir ba³ar kazanmasdr.

KAÇK'lar geni³ saydaki katlmclardan, uzman akademiklerden, iyi tannn-

m³ üniversitelerden ve ara³trma kurulu³larndan kabul görmü³lerdir [2]. Buna

ek olarak, KAÇK'lar, co§ra snrlandrmalar, fon sa§lama ve katlmc says

502
gibi [3,4] kullanlan ö§renme biçimlerinin bir kaçn birden kullanarak ve ba§-

lantc pedagojik teknikleri uygulayarak geleneksel çevrimiçi derslerin snrlarn

a³maktadr [5]. KAÇK'lar ba³ars ve bunlara kar³ artan ilgi yenilikçi modellerin

ve pedago jilerin ara³trlmasna yönelik olan kapsam geni³letmektedir [6,7].

Ancak, ³imdiye kadar, KAÇK'larn hem tasarlanmasnda hem de i³letilme-

sinde kar³la³labilecek olan pedago jik, teknolojik, lo jistik ve nansal problemler

hakknda çok az tart³ma olmu³tur [8]. Pedagojik bak³ açsndan e§itmenler e³-

zamanl olarak de§i³ik konumlardaki ve ülkelerdeki belirgin ki³ilikleri ve farkl

hedeeri ve motivasyonlar olan büyük bir miktardaki katlmclarla ilgilenmek-

tedir [4]. Buna ek olarak, ara³trmaclara göre, ö§rencinin otonomisini arttrmak

ve ö§rencilerin arasndaki ili³kiyi geli³tirmek için yeni ö§renme yakla³mlar ke³-

fedilmektedir [9,10]. Dolaysyla, KAÇK geli³tirme süreçlerinde, farkl ki³ilikle-

rin, motivasyonlarn ve katlmclarn otonomisinin önemli bir rol oynayabilece§i

hakknda artan bir görü³ün oldu§u dü³ünülebilir.

KAÇK'larn sosyal yönlerini incelemek ve ara³trmak için, tasarmclarn bir

dizi de§erlendirme ve araç kullanarak hedef kitleyi detayl olarak ara³trmalar

gerekir. MBTG böyle i³lemler için kullanlan en yaygn araçlardan birisidir [11].

Genel bir kabul olarak, MBTG ile snandrlm³, ayn ki³ilik tipi kategorisin-

deki bireyler benzer karakteristiklere sahiptir ve olaylar kar³snda benzer ³ekilde

davranrlar. Daha farkl bir ifadeyle, her bir ki³ilik tipi ba§msz (benzersiz) bir

davran³ kalbn temsil eder. Ayrca, yazarlar, bu snandrma ile kalplar in-

celerken, makine ö§renme tekniklerini kullanlmasnn uygun olabilece§ini dü-

³ünmektedir. Örne§in, bu tür yakla³mlar karma³k yapay davran³sal modeller

olu³turmak için kullan³l olabilirler [12].

Bu ara³trmann temel amac, KAÇK'larn katlmclarnda MBTG de§erlen-

dirmesini kullanarak ki³ilik karakteristiklerini incelemektir. Di§er bir deyi³le, bu

çal³ma srasnda ki³ilik tiplerinden elde edilen bilgileri kullanarak bireylerin il-

gili ki³ilik tiplerine göre snandrlmas ara³trlacaktr. MBTG arac yardm

ile toplanan bilgilerin ³§nda KAÇK katlmclarnn ki³ilik tiplerini - özellikle

eksik veri durumlarnda - ortaya çkarmak için bir geri yaylml (GY) yapay sinir

a§nn snandrcs kullanlacaktr.

Bu ara³trma a³a§daki ara³trma sorulara (AS) yant vermeyi hedeer:

AS1: KAÇK katlmclarn öznel karakteristiklerine (örn. ki³ilik tipleri) göre

snandrmak mümkün müdür?

AS2: KAÇK katlmclarn (özellikle eksik veri durumlarnda) geri yaylml

(GY) yapay sinir a§ kullanarak, ki³ilik tiplerine ba§l ve otomatik olarak snf-
landrmak mümkün müdür?

Bu makalenin kalan a³a§daki gibi organize edilmi³tir: Ksm ikide çal³-

mann arka plann detaylandrlacaktr. Özellikle MBTG de§erlendirmesi için

literatür özetlenecek, geri yaylml (GY) algoritmaya sahip olan çok katmanl

algy (ÇKA) ve ilgili çal³malarndan örnekler verilecektir. Titiz bir yakla³m

üzerine in³a edilmi³ olan üçüncü ksm, ara³trma sürecini açklamaktadr. Ma-

kalenin devamnda kurgulanan çal³malarn sonuçlar tart³lm³tr. Son olarak,

makale sonuçlarn ve gelecekteki çal³malarn açk bir özetiyle son bulmaktadr.

503
2 Ara³trmann Temelleri

2.1 Myers ve Briggs Ki³ilik Tipleri

Ki³ilik bireylerin davran³ biçimlerindeki ölçülebilir farkllklar olu³turan fak-

törlerin snandrlmas ile meydana geldi§i kabul edilen, bireylere ait bir sos-

yal kurgudur. MBTG ki³ilik tiplerinin ortaya çkartlmas için dü³ünülmü³ bir

araçtr. Bu araç yardm ile bireylerin belli ayraçlara verdikleri cevaplar do§rul-

tusunda ki³ilik tipinin tespit edilmesi ilkesine dayanr.

Tablo 1'de MBTG için tanmlanm³ olas ki³ilik tipi ayraçlar görülmektedir.

D³a dönük (E) (I) çe Dönük
Duyusal (S) (N) Sezgisel
Dü³ünen (T) (F) Hisseden
Yarglayc (J) (P) Alglayc
Tablo 1. Myers ve Briggs Ki³ilik Tipleri

MBTG'ye göre, iki kutuplu olarak snandrlm³ ki³ilik tipleri (i) enerji top-

lama, (ii) algsal motor becerileri, (iii) karar verme, ve (iv) ya³ama biçimleri ile

tanml dört ayr belirteç yardm ile incelenebilir [11]: D³adönüklük - çedö-

nüklük (E-l) ki³ilerin sosyal aktivitelere olan ilgiyi, Duyusallk - Sezgiselik (S-N)

bireylerin çevreyi alglma ³ekillerini, Dü³ünme-Hissetme (T-F) bireylerin karar

verme mekanizmalarn ve son olarak Yarglama - Alglama (J-P) bireylerin ya-

³amsal tercihlerini (örn. çok planl olma veya hzl adapte olma) belirler.

2.2 Çok Katmanl Alglayc

Çok katmanl alglayc
5 (ÇKA) karma³k örüntülerin snandrlmas konusun-
daki yüksek veriminden dolay, en skça kullanlan ve yapay sinir a§ yöntemle-

rinden bir tanesidir. ÇKA alglama modeli, ba§lantl üç ana katman yapsndan

olu³ur: giri³ katman, bir (ya da daha fazla) sakl katman ve çk³ katman. Bu

katmanlar a§rlkl ba§lantlarla birbirine ba§ldr. Katman k'daki her bir dü§üm

giri³ini bir önceki katmandan alr. Bu giri³ de§erleri a§rlkl olarak toplandktan

sonra bir çk³ fonksiyonundan geçirilerek her bir dü§ümün çk³ de§erleri elde

edilir. Giri³ katmanndaki dü§ümlerin says giri³ vektöründeki özelliklerin sa-

ysna e³ittir. Sakl katman says ve bu katmanlardaki dü§üm saylar de§i³ken

parametreler oldu§undan tasarmcya ba§ldr ve daha yüksek verim için dikkat-

lice tasarlanmaldr. ÇKA örüntü tanmada kullanld§nda, çk³ katmanndaki

her bir dü§üm bir snf temsil edecek ³ekilde tasarlanr [13].

Genel olarak GY algoritmas kullanlan ÇKA modellerinde, ö§renme küme-

lerindeki örneklere ait giri³ verileri tek tek giri³ katmanna uygulanarak çk³

katmanna kadar dü§üm çktlar hesaplanr. Çk³ katmanndaki tüm dü§ümler

5
Multi Layer Perceptron

504
Girdi Saklı Çıktı
Katmanı Katman Katmanı
I1 H1

I2 O1

Hn On

ekil 1. Tipik tek bir sakl katmana sahip ÇKA yapay sinir a§ modeli. {I1 , I2 , I3 ...In },
girdi katmann, {H1 , ...Hn }, sakl katman, {O1 , ...On }, ise çkt katmann göstermek-
tedir.

için gerçek çkt ve ö§renme kümesinden uygulanan örnek için belirlenen çkt

arasndaki farka baklarak hata hesaplanr ve bu hatay azaltmak üzere her bir

dü§üm arasndaki ba§lant kuvvetleri her bir örnek üzerinden döngülü olarak

düzeltilir [13].

2.3 Ki³ilik Tabanl Snandrma Literatürü

Bireylerin karakterleri, motivasyon ve ki³isel tercihleri gibi psikometrik özellik-

lerinin ara³trmas yaplm³ olup bu özellikler yazlm mühendisli§i [14], oyun

geli³tirme [15] ve ekonomi dersleri [16] gibi pek çok farkl disiplinlerde kulla-

nlm³tr. MBTG [11], Keirsey'in mizaç snaycs [17] gibi farkl yöntemler,

katlmclarn ki³ilik tiplerini de§erlendirmek için kullanlm³tr.

Mairesse ve di§erleri [18], yaz³ma ve konu³ma yoluyla otomatik olarak ki-

³ili§i tahmin etmek amacyla sözel ipuçlarn kullanm³lardr. Önerilen yöntem,

bireylerin konu³ma ve yaz³malarna, gözlemsel olarak de§erlendirilen ki³ilik öz

snamalarna ba§l olarak BigFive ki³ilik özelliklerini ke³fetmeye dayanyordu.

Ayn ³ekilde, destek vektör makines, karar a§ac (KA) ve en yakn kom³u (EYK)

505
gibi de§i³ken yöntemler üç farkl modelin (üç adet makineli ö§renme yakla³m

kullanlm³tr: snandrma algoritmalar, regresyon ve sralama) performansn

denemek amacyla kullanlm³tr. Genel olarak, sonuçlar sralama model perfor-

manslarnnen yüksek oldu§unu göstermektedir. Ayrca, gözlemlenen ki³ilik veri

kümesi kullanlarak yaplan snama model performanslarnn, öz ki³ili§i dere-

celendirmesinin kullanlarak yaplm³ olan modellerden daha yeterli bulundu§u

tespit edilmi³tir. Buna ek olarak, ki³ilik özelliklerinin karakter seti çkarm aç-

sndan en önemli faktör oldu§u gözlenmi³tir.

Celli ve di§erleri [19] Facebook kullanclarnn (N = 100) prol resimlerine ve

öz-de§erlendirme BigFive özelliklerinin ki³ilik testine dayal olarak ki³ilik tipi ile

etkile³im tarznn tannmas amacyla destek vektör makinesi, yapay sinir a§lar,

karar a§ac, naif bayes, lo jistik regresyon ve kural ö§renimi gibi alt farkl maki-

neli ö§renme yöntemini test etmi³lerdir. Özellik çkarma i³lemi görsel-kelimeler-

çantas (GKÇ) tekni§i ile gerçekle³tirilmi³tir. Sonuçlar, her bir snandrc do§-

rulu§unun ki³ilik özelliklerine ba§l oldu§unu göstermektedir. Bu çal³mada elde

edilen ortalama performans ise % 66,5 olmu³tur.

Cowley ve di§erleri [20] oyun deneyimi ve oyuncu ki³ilik tipini ke³fetmek için

makine ö§renme yöntemlerinin kullanlmasnn emekleme döneminde oldu§una

de§inmi³tir. Çal³malarnda, snama için uygun kurallarn seçilmesi amacyla

karar a§ac metodunun iki çe³idini (yani CART ve C5.0) ve Pac-Man oyuncular

üzerinde oyuncu taksonomisine göre e§itmi³lerdir. E§itim seti 100 olay, test seti

ise 37 olay içermi³tir. Bu çal³mada snandrcnn test performans do§rula-

mas yakla³k % 70 olmu³tur.

Aruan ve di§erleri [21] birden fazla kullanc için uygun olan bir sanal ö§-

retmen a jan ve çok oyunculu online oyunlardan esinlenerek ortak alanlarda

probleme dayal ö§renme yöntemi geli³tirmi³lerdir. Arayüz destekli ortak alan

ve devasa çok oyunculu çevrim içi oyunu bak³ açsndan, kullanclar ile ilgili tek-

nolojik konular kullanlarak ö§renmenin iki farkl konusu birle³tirilmi³tir. Buna

ek olarak, baz uygulamalar ve kodlama amaca ula³mak için kullanlm³ olup

elde edilen sonuçlar kabul edilebilir olmu³tur.

Golbeck ve di§erleri [22] Twitter kullanclarnn ki³iliklerini tahmin etmek

için bir model önermi³lerdir. Bu model, Twitter kullanclar ve BigFive ki³i-

lik testi prollerinde kamuya açk bilgilere dayandrlm³tr. Özellikle, BigFive

testi kullanclarnn 279 adedine uygulanm³ ve onlarn en yaygn 2000 tweetleri

toplanm³tr. Daha sonra karakter, metin çözümleme arac ile veri çkarlm³-

tr. Son olarak, iki regresyon yöntemi (Gauss i³lemi ve ZeroR) ki³ilik tahmini

için kullanlm³tr. Sonuçlar her iki yöntem de ayn ³ekilde gerçekle³tirildi§i ve

do§ruluklarnn makul oldu§unu göstermektedir.

Lotte ve di§erleri [23] bir dizi en yaygn kullanlan snandrma yöntemlerini

(destek vektör makines (DVM), çok katmanl alglayc (ÇKA), vb.) gözden ge-

çirmi³ ve elektro-ensefalo-grasi (EEG) veri kümesini kullanarak beyin-bilgisayar

arayüzü (BBI) için uygun snandrma algoritmalar bulmak için performans-

lar kar³la³trm³lardr. Her bir snandrcnn sonuçlar ve etkinli§i analiz edil-

mi³ ve belirli bir görev için uygun snandrc seçerken kabul edilebilir bilginin

somut bir tavan sunmak için di§er snandrclar arasnda kar³la³trlm³tr.

506
Genel olarak, EEG veri kümesini kullanarak BCI alan için DVM'nin di§er s-

nandrclara göre daha iyi performans sergiledi§i tespit edilmi³tir. Bununla

beraber, sinir a§larnn genel olarak BCI alannda ara³trmada kullanlmas gibi

ÇKA performans da bu görev için kabul edilebilir olmu³tur.

Katlmclarn ki³iliklerini tespit etmek için özellikle KAÇK üzerinde yap-

lan çal³malar snrldr. Ayrca, ³imdiye kadar ki³ilik tiplerinin otomatik olarak

snandrlmas için çok az çal³ma yaplm³tr. (örn. [18]).

3 Yöntem

Bu çal³mada kullanlan yakla³m üç ana admdan olu³ur. lk admda, bireyle-

rin ki³ilik tiplerini de§erlendirmek için bir anket çal³mas yaplm³tr. Amaç,

MBTG aracn kullanarak katlmclarn ki³ilik tipini ortaya koymaktr. kinci

a³amada, birinci admda elde edilen sonuçlara göre bir veri kümesi üretilmi³tir.

Üçüncü a³amada, bu veri kümesi ki³ilik tiplerinin bir GY algoritmal (yapay si-

nir a§ temelli) çok katmanl ki³ilik snandrcsn e§itmek ve test etmek için

kullanlm³tr (bkz. ekil 2).

ekil 2. Ara³trmada Kullanlan Yöntem Admlar.

Bu çal³mann ana varsaym, davran³larn temel psikolo jik modellerin ara³-

trlabilir ve bir GY algoritmal ÇKA ki³ilik snandrcsn e§itmek için kul-

lanlabilir olmasdr. Veriler, katlmclarn (N=75) ki³ilik tercihlerini ke³fetmek

için 20 soru içeren bir anket vastasyla toplanm³tr.

507
Özellikle, KAÇK katlmclarn otomatik olarak ilgili ki³ilik tipi içinde snf-

landrmak amacyla makine ö§renme yöntemlerinin uygun bir snandrc mo-

delini e§itmek ve test etmek için kullanlmas yeni bir tür yakla³mdr. MBTG

testinin bir versiyonunu anket katlmclar tarafndan cevaplanmak üzere da§-

tlm³tr. MBTG test katlmclarnn cevaplar kullanlarak ve 20 cevap girdisi

ana özellikler olarak (örne§in; E-I, S-N, T-F ve J-P) 4 adet ki³ilik tipi ayraçlar

içinde normalize edilerek güvenilir bir veri kümesi olu³turulmas hedeenmi³tir.

Bütün bunlara ek olarak, ki³ilerin davran³ prollerinin daha iyi anla³lmas

ve snandrlabilmesi için çok katmanl alglayc (ÇKA) bir makine snandr-

mas snandrma yöntemi kullanlm³tr. ÇKA'nn ba³arl bir ³ekilde katlmc

prollerini snandrabilmesi için, toplanan veri seti, klasik yöntemler ³§nda;

e§itim seti (olaylarn % 80'i) ve test seti (olaylarn % 20'i) olmak üzere iki ayr

parça haline i³leme sokulmu³tur.

Tasarlanan GY algoritmal ÇKA'nn farkl mimari yaplar ve olas paramet-
6
releri en verimli modeli bulmak için incelenmi³tir . GY tabanl ÇKA, her bir

MBTG ki³ilik tipi için tanmlanm³, dört adet girdi katman dü§ümünden olu³-

maktadr. Çkt katman her bir dü§ümü tek bir ki³ilik tipini gösteren onalt adet

dü§üm içermektedir.

ekil 3. Önerilen GY-tabanl ki³ilik tipleri snandrc mimarisini göster-

mektedir.

16 Kişilik Tipi

…………………...

Kişilik Tipi Sınıflandırıcısı

E/I S/N T/F J/P

ekil 3. GY-tabanl ki³ilik tipleri snandrc mimarisi.

6
Ö§renen GY algoritmal ÇKA'nn yakla³k hata kareler ortalamasnn karekökü
0.09'den daha az ya da e³it olmaldr

508
4 Tart³malar

Çal³mann ilk a³amasnda katlmclarn MBTG yardm ile ki³ilik tipleri belir-

lenmi³tir. Çal³mann ilk ksmnda yaplan test sonucunda elde edilen MBTG

ki³ilik tipleri Tablo 2'de gösterilmi³tir.

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 göre katlmclarn da§lm (Ntoplam = 75)

Elde edilen sonuçlar ³§nda çal³mann devamnda GY ö§renme tabanl bir

çok katmanl alglayc ki³ilik tipleri snandrcs olarak e§itilmi³tir. Toplanan

verilerin 60 tanesi alglaycnn e§itilmesi için kullanlm³tr. Çarpraz gerçekleme

tekni§i (k=10) yardm ile otomatik ö§renme süreci srasnda olu³abilecek fazla

e§itim (veri ile model arasnda olu³abilecek a³r uyum) engellenmi³, bu sayede

elde edilen model görmedi§i durumlar içerisinde genelle³tirme yetene§ini kaybet-

memesi sa§lanm³tr.

Elde edilen snandrma sonuçlar Tablo 3 yanlma matrisi olarak sunulmu³-

tur.

Testler srasnda modelin performas %93.3 olarak bulunmu³tur. Test için

kullanlan 14 olay do§ru olarak, bir tanesi yanl³ olarak snandrlm³tr. Ayrca,

hata kareler ortalamasnn karekökü 0.08 olarak hesaplanm³tr.

Testler srasnda çok katmanl snandrcnn performans %93.3 olarak be-

lirlenmi³tir. Snandrcda ayrca on adet sakl katman, ö§renme oran=0.2,

momentum=0.3, ve epoch=500 olarak gözlenmi³tir. Bu bilgilerin ³§nda geri

yaylml çok katmanl alglaycnn iyi bir performans gösterdi§i kabul edilebilir.

Bu sonuçlar, otomatik yaz veya diyalog tabanl ki³ilik alglayclardan [18] daha

iyi sonuçlar vermektedir. Bunun yan sra elde edilen sonuçlar geri yaylml çok

katmanl alglayclar ile yaplan baz çal³malara yakn saylabilir.

4.1 Kstlamalar

Ki³ilik testlerine ba§l olan ara³trmalar bireylerin karakteristikleri ile ilgili kesin

delil elde etmek yerine ki³ilerin tercihleri ile ilgili kir elde etmeyi amaçlar. Bu-

nunla birlikte, elde edilen sonuçlar, yaplan testlerde ki³ilerin kendi karakterlerine

en uygun cevab seçti§i kabulüne dayanr. Ayrca yapay sinir a§lar veya benzeri

509
abcdef ghi j kl mnop < snandrlm³ ³ekli
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | a = ISTJ
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | b = ISFJ
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 | c = INFJ
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 | d = INTJ
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | e = ISTP
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | f = ISFP
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | g = INFP
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | h = INTP
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | i = ESTP
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | j = ESFP
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 | k = ENFP
0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 | l = ENTP
0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 | m = ESTJ
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 | n = ESFJ
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 | o = ENFJ
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 | p = ENTJ
Tablo 3. Snandrcnn yanlma matrisi.

ö§renme metotlar ile elde edilen sonuçlarn veri tabanl hazrlama, verinin bü-

yüklü§ü, e§itim ve test kümelerinin kalitesi gibi parametrelerden etkilendi§i göz-

lenmi³tir. Tüm bu kstlamalara ra§men çal³ma sonucunda elde edilen sonuçlar

³§nda, seçilen örneklemin, örnek popülasyonu temsil etti§i kabul edilebilir.

5 Sonuçlar ve Gelecek Çal³malar

Bu çal³mada kitlesel açk çevrim içi kurslara katlan bir grup katlc kullan-

larak bireylerin ki³ilik prolleri elde edilmi³tir. Daha sonra, bu bilgiler ³§nda

geri yaylml çok katmanl alglayc modeli kullanlarak bu tip kurslardaki ka-

tlmclarn snandrlmas sa§lanm³tr. Yapay sinir a§ eksik veri ³§nda bi-

reylerin ki³ilik tiplerini öngörmektedir. Bu tip çal³malar ile elde edilecek bilgi

yardmyla, katlmclarn ilgi alanlar, e§itsel içerik ve kendilerine sunulabilecek

modüller arasnda dinamik bir ba§lant kurulabilecektir. Bu ba§lant sayesinde,

katlmclarn ki³ilik prollerine göre ³ekillendirilmi³ dinamik bir e§itim yaps

kurgulanmas ve sunulmas imkanndan söz edilebilmektedir. Böylelikle, ki³ilerin

ö§renme stillerine uygun ve bireysel motivasyonlarn yitirmelerini engelleyecek

bir mekanizma tasarlanabilecektir.

Ara³trmann ba³nda sundu§umuz ara³trma sorularna geri dönecek olur-

sak farkl ki³ilik tiplerindeki katlmclarn öznel karakteristiklerine uygun olarak

snandrlmas ve eksik veri durumlarnda da bu örüntü snarnn gözlenebi-

lirli§i ile ilgili önemli bir adm atlm³tr. Elde edilen örüntüler sayesinde gelecek

çal³malar, ki³ileri KAÇK'larda en uygun snara yerle³tirebilme ve onlara po-

tansiyel çal³ma ³ekilleri ile ilgili çe³itli önerilerde bulunabilme gibi önemli fay-

dalar getirecektir.

510
KAÇK'larda gözlenen devamszlk di§er online sistemlerden farkl bir geli-

³im süreci izlemektedir. Önerdi§imiz yenilikçi yakla³m sayesinde, kitlesel açk

çevrim içi kurslardaki en büyük sorunlardan biri olan sürdürülebilirlik proble-

min çözümü için bir ön hazrlk çal³mas olu³turulmu³tur. Sunulan snandrma

modeli, makine-tabanl uyarlamal bir ö§renme ortam kurgusu için temel te³kil

edecektir. Snandrc, ilk testlerinde, %10 eksik veri ile %100 ba³ar ile ça-

l³maktadr. KAÇK Ö§renicilerinin al-ve-kaç do§asna daha uygun bir hizmet

verebilmek için ki³ilik prollerinin önerilen tan sistemi ile belirlenmesi bu birey-

lerin ö§renme ihtiyaçlarnn kar³lanmas için atlm³ olan önemli bir admdr.

Kaynaklar

1. Ehlers, U.D.: Open Learning Cultures: A Guide to Quality, Evaluation, and As-
sessment 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? Communi-
cations 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 upper-
level economics courses: The importance of race and gender. The Journal of Eco-
nomic Education 33 (2002) 314
17. Keirsey, D.: Please Understand Me II: Temperament, Character, Intelligence Aut-
hor: David Keirsey, Publisher: Prometheus Nemesis Book C. Prometheus Nemesis
Book Co (1998)

511
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 recog-
nition 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 implementa-
tion 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 In-
ternational Conference on, IEEE (2011) 149156
23. Lotte, F., Congedo, M., Lécuyer, A., Lamarche, F., Arnaldi, B., et al.: A review of
classication algorithms for eeg-based braincomputer interfaces. Journal of neural
engineering 4 (2007)

512