AI Summary & Key Takeaways
AI InsightWhen the ANN model has been evaluated in terms of its algorithms, the Levenberg-Marquardt algorithm predicted learning styles of students with success of 91.7%
📌 3 Key Takeaways
Abstract
The aim of this study is to perceive the learning styles of the students from the behaviours in e-learning environments with artificial intelligence models via web usage mining. Kolb's learning style classification and scale have been used for the learning styles of the students. 230 students participated in the study carried out by the education faculty students of Firat University. Data have been collected for learning styles before and after students started using the web-based system that has been prepared within the scope of the research. It has been found that students experience changes in learning styles while they are using e-learning environments. This suggests the need for systems that can take into account individual differences and the differences that students may experience with their interactions with the system. Artificial Neural Networks (ANN) and Decision Tree models have been applied in the studies to determine learning styles from students' web usage behaviours. In the e-learning environment, the duration and frequency of visits to ten learning activities offered to students make up the entries of data mining models, and learning styles make up the output of the data mining models. When all the results obtained from Decision Tree and ANN models are evaluated, it is understood that ANN model is more successful than Decision Tree model. When the ANN model has been evaluated in terms of its algorithms, the Levenberg-Marquardt algorithm predicted learning styles of students with success of 91.7%
Özet
Bu araştırmanın amacı öğrencilerin e-öğrenme ortamlarındaki davranışlarından öğrenme stillerinin web kullanım madenciliği aracılığıyla yapay zekâ modelleri ile algılanmasıdır. Araştırma kapsamında öğrencilerin öğrenme stilleri için Kolb'un öğrenme stilleri sınıflaması ve ölçeği kullanılmıştır. Fırat Üniversitesi Eğitim Fakültesi öğrencileri ile gerçekleştirilen çalışmaya, 230 öğrenci katılmıştır. Öğrencilerin araştırma kapsamında hazırlanan web tabanlı sistemi kullanmaya başlamadan önce ve sonra öğrenme stilleri için veri toplanmıştır. Öğrencilerin e-öğrenme ortamlarını kullandıkları süre içerisinde öğrenme stillerinde değişimler meydana geldiği tespit edilmiştir. Bu durum bireysel farklılıkları ve öğrencilerin sistemlerle etkileşimleri sonucu ortaya çıkabilecek farklılıkları da dikkate alabilen sistemlere olan ihtiyacı ortaya koymaktadır. Öğrencilerin web kullanım davranışlarından öğrenme stillerinin belirlenmesine yönelik yapılan çalışmalarda Yapay Sinir Ağları (YSA) ve Karar Ağacı modelleri uygulanmıştır. E-öğrenme ortamında öğrencilerin kullanımına sunulan 10 öğrenme etkinliğinin ziyaret süreleri ve sayıları veri madenciliği modellerinin girişlerini, öğrenme stilleri ise çıkışını oluşturmuştur. Karar Ağacı ve YSA modellerinden elde edilen tüm sonuçlar değerlendirildiğinde, YSA modelinin Karar Ağacı modeline göre daha başarılı olduğu anlaşılmıştır. YSA modeli kendi içerisindeki algoritmalar açısından değerlendirildiğinde ise Levenberg-Marquardt algoritması %91,7 başarı ile öğrencilerin öğrenme stillerini tahmin etmiştir