Bu çalışmada, öğrencinin öğretim aktivitelerine karşı olası tepkilerinin belirlenmesine yardımcı olmak amacıyla Gizli Markov modeli önerilmekte ve önerilen yapının avantajları irdelenmektedir.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} İdeal koşullarda Akıllı Öğretim Sistemlerinde öğrenci modeli, öğrencinin performans ve öğrenimini etkileyebilecek tüm davranış ve bilgileri kapsamalıdır.
📊
Key Findings & Data:Bu nedenle, öğrenci modelinin oluşturulması oldukça zordur.
💡
Conclusion & Impact:Bu çalışmada, öğrencinin öğretim aktivitelerine karşı olası tepkilerinin belirlenmesine yardımcı olmak amacıyla Gizli Markov modeli önerilmekte ve önerilen yapının avantajları irdelenmektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Akıllı Öğretim Sistemleri · Öğrenci modeli · Gizli Markov modeli
Özet
800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} İdeal koşullarda Akıllı Öğretim Sistemlerinde öğrenci modeli, öğrencinin performans ve öğrenimini etkileyebilecek tüm davranış ve bilgileri kapsamalıdır. Bu nedenle, öğrenci modelinin oluşturulması oldukça zordur. Ancak eğitimde son yapay zeka uygulamaları, önemli gelişmelerle sonuçlanmıştır. Bu çalışmada, öğrencinin öğretim aktivitelerine karşı olası tepkilerinin belirlenmesine yardımcı olmak amacıyla Gizli Markov modeli önerilmekte ve önerilen yapının avantajları irdelenmektedir.
Özek, M. B. (2011). DOĞU ANADOLU BÖLGESİNDE AKILLI ÖĞRETİM SİSTEMLERİ İÇİN ÖĞRENCİ DAVRANIŞLARININ MARKOV MODELİ İLE BELİRLENMESİ. Fırat Üniversitesi Doğu Araştırmaları Dergisi, Cilt: 9 Sayı: 2, 35–37. https://ajindex.com/articles/988524
Albrecht, D.W., Zukerman, I. and Nicholson, A. E. (1999). Bayesian Models for Keyhole Plan Recognition in an Adventure Game. User Modeling and User-Adapted Interaction, 8(1-2), 5-47.
Conati, C., Gertner, A.S. and VanLehn, K. (2002). Using Bayesian Networks to Manage Uncertainty in Student Modeling, User Modeling and User-Adapted Interaction. 12(4), 371–417.
Freyberger, J., Heffernan, N.T. and Ruiz, C., (2004). Using Association Rules to Guide a Search for Best Fitting Transfer Models of Student Learning. Proc. Workshop Analyzing Student-Tutor Interaction Logs to Improve Educational Outcomes at the 7th Ann. Intelligent Tutoring Systems Conf.
Huang, X., Yong, J., Li, J. Ve Gao, J. (2008). Prediction of Student Actions Using Weighted Markov Models. Proceedings of 2008 IEEE International Symposium on IT in Medicine and Education.
Uslu, E. (2007). Gizli Markov Modeli ile Geniş Sözlüklü Sürekli Konuşma Tanıma. Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
Mayo, M. and Mitrovic, A. (2001). Optimizing ITS Behavior with Bayesian Networks and Decision Theory. Int’l J. AI and Education, 12, 124–153.
Öz, E. ve Erpolat, S. (2010). Çok Değişkenli Markov Zinciri Modeli ve Bir Uygulama. Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 29(2), 577-590.
Sison. R., Shimura. M. (1998). Student Modeling and Machine Learning. Int’l J. AI and Education. 9, 128–158.
Suebnukarn, S. and Haddawy, P. (2006). A Bayesian Approach to Generating Tutorial Hints in a Collaborative Medical Problem-Based Learning System. Artificial Intelligence in Medicine. 38, 5–2.