AI Summary & Key Takeaways
AI InsightThe findings revealed significant individual differences among the students.
📌 3 Key Takeaways
Abstract
This study aims to analyse international students' written Turkish texts using automatic linguistic metrics and to reveal the potential of these metrics in evaluating student performance. The research is designed as a descriptive preliminary study that could provide data for learning analytics applications. The study group consists of 12 international students learning Turkish as a foreign language at a university and possessing writing skills at the A2–B1 levels. Participants produced texts based on three writing tasks titled “My Day”, “What I Did on Holiday”, and “My Dream Job”; data were collected through document review over six weeks during the spring term of the 2024–2025 academic year. The collected texts were processed using the Python programming language and the Zemberek NLP library, and basic linguistic criteria such as word count, word variety ratio, average sentence length, average number of sentences, and spelling errors were analysed. The findings revealed significant individual differences among the students. The average word count was determined to be 654, the word variety ratio 0.239, the average sentence length 4.92 words, the average number of sentences 136, and the average number of spelling errors 9.17. These values provide objective data on students' productivity level, vocabulary diversity, syntactic preferences, and spelling accuracy. Considering the agglutinative and morphologically complex structure of Turkish, the study demonstrates that automatic written assessment systems can make significant contributions to the educational process. However, it emphasises the need to develop more advanced deep learning models, for teachers to use data-based feedback mechanisms, and for ethical data management principles to be applied. In conclusion, automatic text analysis offers opportunities for objective assessment in Turkish language teaching; however, additional data sources and more comprehensive research are needed to create a holistic learning analytics model.
Özet
Bu çalışma, yabancı öğrencilerin Türkçe yazılı metinlerini otomatik dilsel metrikler aracılığıyla analiz etmeyi ve bu metriklerin öğrenci performansını değerlendirmedeki potansiyelini ortaya koymayı amaçlamaktadır. Araştırma, öğrenme analitiği uygulamalarına veri sağlayabilecek betimleyici nitelikte bir ön çalışma olarak tasarlanmıştır. Çalışma grubunu bir üniversitede Türkçeyi yabancı dil olarak öğrenen ve A2–B1 düzeylerinde yazma becerisine sahip 12 uluslararası öğrenci oluşturmaktadır. Katılımcılar, “Benim Bir Günüm”, “Tatilde Ne Yaptım?” ve “Hayalimdeki Meslek” başlıklı üç yazma görevi doğrultusunda metin üretmiş; veriler 2024–2025 öğretim yılı bahar döneminde altı haftalık süreçte doküman incelemesi yoluyla toplanmıştır. Toplanan metinler Python programlama dili ve Zemberek NLP kütüphanesi kullanılarak işlenmiş ve kelime sayısı, sözcük çeşitliliği oranı, ortalama cümle uzunluğu, ortalama cümle sayısı ve yazım hatası gibi temel dilsel ölçütler analiz edilmiştir. Bulgular öğrenciler arasında belirgin bireysel farklılıklar bulunduğunu göstermiştir. Ortalama kelime sayısı 654, sözcük çeşitliliği oranı 0,239, ortalama cümle uzunluğu 4,92 kelime, ortalama cümle sayısı 136 ve ortalama yazım hatası 9,17 olarak belirlenmiştir. Bu değerler, öğrencilerin üretkenlik düzeyi, söz varlığının çeşitliliği, sözdizimsel tercihleri ve yazım doğruluğu hakkında nesnel veriler sunmaktadır. Çalışma, Türkçenin eklemeli ve morfolojik açıdan karmaşık yapısı göz önüne alındığında otomatik yazılı değerlendirme sistemlerinin eğitim sürecine önemli katkılar sağlayabileceğini göstermektedir. Bununla birlikte daha gelişmiş derin öğrenme modellerinin geliştirilmesi, öğretmenlerin veri temelli geri bildirim mekanizmalarını kullanması ve etik veri yönetimi ilkelerinin uygulanması gerektiği vurgulanmaktadır. Sonuç olarak otomatik metin analizi Türkçe öğretiminde nesnel değerlendirme fırsatları sunmaktadır ancak bütüncül bir öğrenme analitiği modeli oluşturmak için ek veri kaynaklarına ve daha kapsamlı araştırmalara ihtiyaç duyulmaktadır.