KaydedilenlerDerginizi ekleyin

Dergiler / Açıköğretim Uygulamaları ve Araştırmaları Dergisi / 2026 / Cilt: 12 Sayı: 1

Sorgulama Topluluğu çerçevesinde metin sınıflandırması: Yapay sinir ağı temelli bir çalışma

Text classification within the community of inquiry: A neural network-based study

Dilara Boz(ANADOLU ÜNİVERSİTESİ)0009-0006-6361-8731
Sayfa
137–152
Yayın Tarihi
2026-02-03
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlar, modelin test veri seti üzerinde 0.79 doğruluk oranı ile metinleri sınıflandırabildiğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Metin sınıflandırması, çevrimiçi ortamlarda üretilen büyük ölçekli eğitim verilerinin sistematik bir şekilde analiz edilmesine katkı sağlamaktadır.
📊
Temel Bulgular & Veri:Bu çalışmanın amacı, Açıköğretim Uygulamaları ve Araştırmaları Dergisi’nde 2024-2025 yıllarında yayımlanan makalelerde Sorgulama Topluluğu çerçevesi bulunuşluklarının cümle düzeyinde nasıl temsil edildiğini analiz etmektir.
💡
Sonuç & Katkı:Elde edilen sonuçlar, modelin test veri seti üzerinde 0.79 doğruluk oranı ile metinleri sınıflandırabildiğini göstermektedir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:2024-2025 Verileri
⚙️Değişkenler:Yapay Sinir Ağları · Derin Öğrenme · Metin Sınıflandırma

Özet

Metin sınıflandırması, çevrimiçi ortamlarda üretilen büyük ölçekli eğitim verilerinin sistematik bir şekilde analiz edilmesine katkı sağlamaktadır. Ham verilerden karmaşık desenleri öğrenebilen yapay sinir ağı modelleri ise metin sınıflandırma alanında güçlü bir araç olarak nitelendirilmektedir. Bu çalışmanın amacı, Açıköğretim Uygulamaları ve Araştırmaları Dergisi’nde 2024-2025 yıllarında yayımlanan makalelerde Sorgulama Topluluğu çerçevesi bulunuşluklarının cümle düzeyinde nasıl temsil edildiğini analiz etmektir. Bu amaç doğrultusunda, R programlama dili aracılığıyla yapay sinir ağı modeli temelli metin sınıflandırma modeli uygulanmıştır. Elde edilen sonuçlar, modelin test veri seti üzerinde 0.79 doğruluk oranı ile metinleri sınıflandırabildiğini göstermektedir. Seçilen 10 akademik makale üzerindeki analiz sonuçları, metinlerde öğretimsel ve sosyal bulunuşluk boyutlarının baskın olduğunu, bilişsel bulunuşluğun ise çok daha düşük oranlarda gözlemlendiğini ortaya koymuştur.

Abstract

Text classification contributes to the systematic analysis of large-scale educational data generated in online environments. Artificial neural network models capable of learning complex patterns from raw data are considered a powerful tool in the field of text classification. The aim of this study is to analyze how the Community of Inquiry framework is represented at the sentence level in articles published in the Journal of Open Education Applications and Research between 2024 and 2025. To address this aim, an artificial neural network model-based text classification model was applied using the R programming language. The results obtained show that the model can classify texts with an accuracy rate of 0.79 on the test data set. The analysis results on the selected 10 academic articles reveal that teaching and social presences are dominant in the texts, while cognitive presence is observed at much lower rates.

🔖

Bu Makaleye Atıf Yap

Boz, D. (2026). Sorgulama Topluluğu çerçevesinde metin sınıflandırması: Yapay sinir ağı temelli bir çalışma. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, Cilt: 12 Sayı: 1, 137–152. https://doi.org/10.51948/auad.1869853

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (38)

  1. Aggarwal, C. C. ve Zhai, C. X. (2012). An introduction to text mining. C. C. Aggarwal ve C. X. Zhai (Ed.), Mining text data içinde (ss. 1–21). Springer.
  2. Aksoy, D. A., Bingöl, İ. ve Bozkurt, A. (2022). Sorgulama Topluluğu kuramı. E. Kurşun, S. Yıldırım ve S. Karaman (Ed.), Açık ve Uzaktan Öğrenme Kuramları içinde (ss. 209- 243). Nobel.
  3. Altıntaş, S. (2024). Akademisyenlerin açık eğitim kaynaklarına yönelik görüşlerinin incelenmesi. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 10(1), 92-131. https://doi.org/10.51948/auad.1345849
  4. Anderson, T., Liam, R., Garrison, D. R. ve Archer, W. (2001). Assessing teaching presence in a computer conferencing context. Journal of Asynchronous Learning Networks, 5(2), 1–17. http://dx.doi.org/10.24059/olj.v5i2.1875
  5. Aragon, S. R. (2003). Creating social presence in online environments. New Directions for Adult and Continuing Education, 2003(100). 57-68. https://doi.org/10.1002/ace.119
  6. Beaumont, A. J. ve Al-Shaghdari, T. (2020). To what extent can text classification help with making inferences about students’ understanding. [Konferans bildirisi]. Nicosia, G., Pardalos, P., Umeton, R., Giuffrida, G., Sciacca, V. (Ed.), Machine Learning, Optimization, and Data Science: 5th International Conference, LOD 2019, Siena, Italy, (ss. 372–383). Springer. https://doi.org/10.1007/978-3-030-37599-7_31
  7. Boz, D. ve Uçar, H. (2025). Humanizing online teaching: Bringing the distant near. Asian Journal of Distance Education, 20(1), 36-48. https://doi.org/10.5281/zenodo.14554012
  8. Chanaa, A. ve El Faddouli, N. (2021). E-learning text sentiment classification using hierarchical attention network (HAN). International Journal of Emerging Technologies in Learning (iJET), 16(13), 157–167. https://doi.org/10.3991/ijet.v16i13.22579
  9. Çınar, E., Orhan, G., ve Sezgin, S. (2024). Açık ve uzaktan öğrenmede etkileşim üzerine bir bibliyometrik analiz çalışması. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 10(2), 55-95. https://doi.org/10.51948/auad.1509279
  10. Erlin, Johan, Arita Fitri, T., Agustin ve Hamdani. (2021). Neural network method in text message categorization of online discussion. Journal of Artificial Intelligence and Applications, 1(2), 13–22. https://doi.org/10.33372/jaia.v1i2.704
  11. Garrison, D. R., Anderson, T. ve Archer, W. (2000). Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education, 2, 87–105. https://doi.org/10.1016/S1096-7516(00)00016-6
  12. Karakuş, S. ve Gençtürk Güven, E. (2025). COVID-19 sürecinde sosyal bilgiler öğretmenlerinin uzaktan eğitim deneyimleri: Fırsatlar ve engeller. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 11(2), 54-86. https://doi.org/10.51948/auad.1700578
  13. Kancınar, F. (2024). Üniversite öğrencilerinin pandemi dönemi uzaktan eğitim uygulamaları hakkındaki görüşleri (Atatürk Üniversitesi örnekleminde). Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 10(1), 132-154. https://doi.org/10.51948/auad.1309361
  14. Kaya, M. ve Çekerol, K. (2025). Çevrimiçi Uzaktan Eğitimde Öğreten Rollerinin Belirlenmesi: Delphi Tekniği Uygulaması. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 11(2), 87-105. https://doi.org/ 10.51948/auad.1738642
  15. Khan, F. M., Iqbal, Z., Akhtar, M. S. ve Khan, I. U. (2024). Machine learning-based students’ sentiment towards e-learning amid COVID-19 pandemic. The Asian Bulletin of Big Data Management, 4(1), 1–20. https://doi.org/10.62019/abbdm.v4i1.132
  16. Kowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L. ve Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4), 150. https://doi.org/10.3390/info10040150
  17. Malkamak, G.R. ve Ünsal, H. (2024). Covid-19 pandemisi sürecinde ortaokul öğrencilerinin uzaktan eğitime ilişkin görüşleri. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 10(2), 121-153. https://doi.org/10.51948/auad.1473809
  18. Martin, F., Wu, T., Wan, L., Xie, K. (2022). A meta-analysis of the community of inquiry presences and learning outcomes in online and blended learning environments. Online Learning, 26(1), 325-359. https://doi.org/10.24059/olj.v26i1.2604
  19. Mujilahwati, S., Sholihin, M., Wardhani, R. ve Zamroni, M. R. (2022). Python based machine learning text classification. Journal of Physics: Conference Series, 2394(1). https://doi.org/10.1088/1742-6596/2394/1/012015
  20. Munir, H., Vogel, B. ve Jacobsson, A. (2022). Artificial ıntelligence and machine learning approaches in digital education: A systematic revision. Information, 13(4), 203. https://doi.org/10.3390/info13040203
  21. Murtafi’ah, B. ve Pradita, I. (2024). Social presence as means to humanizing online classroom. Journal of Applied Research in Higher Education. 16(2), 391-404. https://doi.org/10.1108/JARHE-05-2022-0160
  22. Okur, H.İ., Tohma, K. ve Sertbas, A. (2023). Metin sınıflandırma yöntemleri: Türkçe uygulamalar ve İngilizce modellerin adaptasyonu üzerine kapsamlı bir inceleme. E. Gülbandılar (Ed.), Akıllı sistemlerin endüstriyel uygulaması I içinde (ss. 66–100). BİDGE Yayınları.
  23. Öncü, S. E. ve Süral, İ. (2024). Anadolu üniversitesi açıköğretim programlarındaki ders aidiyetlerinin incelenmesi. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 10(1), 49-70. https://doi.org/10.51948/auad.1342349
  24. Palanivinayagam, A., El-Bayeh, C. Z. ve Damaševičius, R. (2023). Twenty years of machine-learning-based text classification: A systematic review. Algorithms, 16(5), 236.https://doi.org/10.3390/a16050236
  25. Penggalih, S. A., Mujilahwati, S. ve Bettaliyah, A. A. (2025). Twitter sentiment analysis to assess public opinion on Jokowi’s performance over two periods using the recurrent neural network (RNN) method. Journal of Artificial Intelligence and Engineering Applications, 5(1), 1860–1869. https://doi.org/10.59934/jaiea.v5i1.1736
  26. Romero, C. ve Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), 601–618. https://doi.org/10.1109/TSMCC.2010.2053532
  27. Rourke, L., Anderson, T., Garrison, D. R. ve Archer, W. (1999). Assessing social presence in asynchronous text-based computer conferencing. The Journal of Distance Education, 14(2), 50–71.
  28. Sadaf, A. ve Olesova, L. (2024). Strategies to promote cognitive presence in asynchronous online discussions. M. F. Cleveland-Innes, S. Stenbom ve D. R. Garrison (Ed), The design of digital learning environments: Online and blended applications of the Community of Inquiry içinde (ss. 234–255). Routledge. https://doi.org/10.4324/9781003246206-16
  29. Sadaf, A., Wu, T. ve Martin, F. (2021). Cognitive presence in online learning: A systematic review of empirical research from 2000 to 2019. Computers and Education Open, 2, https://doi.org/10.1016/j.caeo.2021.100050
  30. Sarıbaş, S., Şahin, M. D. ve Saltık Ayhanöz, G. (2025). Ortaöğretim öğrencilerinin açık liseye ilişkin yaklaşımlarının bazı değişkenler bakımından incelenmesi. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 11(1), 182-221. https://doi.org/ 10.51948/auad.1575964
  31. Sebastiani, F. (2002). Machine learning in automated text categorization. ACM Computing. Surveys. 34(1), 1–47. https://doi.org/10.1145/505282.505283
  32. Shea, P., Vickers, J. ve Hayes, S. (2010). Online instructional effort measured through the lens of teaching presence in the community of inquiry framework: A re-examination of measures and approach. The International Review of Research in Open and Distributed Learning, 11(3), 127–154. https://doi.org/10.19173/irrodl.v11i3.915
  33. Thomas, B. ve J, C. (2020). Machine learning based text document classification for e-learning. International Journal of Recent Technology and Engineering (IJRTE), 8(5), 194–201. https://doi.org/10.35940/ijrte.e5748.018520
  34. Turgut, Y. E. ve Kutay, F. C. (2023). Türkı̇ye’de gerçekleştı̇rı̇len Sorgulama Topluluğu modelı̇ araştırmalarındakı̇ eğı̇lı̇mler. Eğı̇tı̇m Teknolojı̇sı̇ Kuram Ve Uygulama, 13(2), 328-351. https://doi.org/10.17943/etku.1188016
  35. Venkataratnam, B. ve Battu, N. (2025). Text classification using neural networks: A case study with reuters dataset. International Journal of Latest Technology in Engineering Management & Applied Science, 14(7), 405-408. https://doi.org/10.51583/IJLTEMAS.2025.1407000047
  36. Woogue, P.D.P., Pineda, G.A.A. ve Maderazo, C.V. (2017). Automatic web page categorization using machine learning and educational-based corpus. International Journal of Computer Theory and Engineering, 9(6), 427–432. https://doi.org/10.7763/IJCTE.2017.V9.1180
  37. Yıldırım, M. (2024). Açık ve uzaktan eğitimde çevrimiçi sınavlara ve teknolojiye yönetsel bir bakış. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 10(1), 1-17. https://doi.org/10.51948/auad.1386210
  38. Yolcu, H. H. (2024). Yapay genel zekâ çağında öğretmen rolünün yeniden tanımlanması: öngörüler. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 10(1), 155-167. https://doi.org/10.51948/auad.1383166