Öğrenci Problem Çözme ve Yardım Arama Davranışı Verilerinden Öğrenci Yardım Arama Davranışı Kalıplarını ve Yardım Arama Eğilimlerini Belirleme: Eğitsel Veri Madenciliği Yaklaşımı

Giriş

Öğrenme sürecinde öğrenciler, öğretmenler, akranlar, bilgisayar destekli öğrenme sistemleri (BDÖS) ve çevrim içi kaynaklar gibi çeşitli yardım kaynaklarından destek arayabilirler. Bu sürece yardım arama denir. Yardım arama, bilişsel, üstbilişsel, motivasyonel ve duygusal faktörleri içeren bir öz düzenlemeli öğrenme stratejisidir. Geleneksel olarak, yardım aramaya dair davranış kalıpları öğretmen gözlemleri veya öğrenci öz bildirim anketleriyle belirlenirken, son zamanlarda eğitsel veri madenciliği (EVM) yaklaşımları (kümeleme ve sınıflandırma yöntemleri dâhil) bu alanda veri odaklı öğrenci modelleri oluşturmak için uygulanmaktadır. Ancak, öğrenci problem çözme ve yardım arama verilerinden yardım arama kalıplarını ve eğilimlerini belirlemek için eğitsel veri madenciliği yaklaşımını uygulayan çalışmalar sınırlıdır.

Amaç

Bu çalışma, bir bilgisayar destekli öğrenme sistemindeki (BDÖS) öğrenci problem çözme ve yardım arama verilerini analiz etmek için eğitsel veri madenciliği yaklaşımını (kümeleme ve sınıflandırma dâhil) uygulayarak, öğrenci yardım arama davranış kalıplarını (mikro düzey) ve yardım arama eğilimlerini (makro düzey) belirlemeyi amaçlamıştır.

Yöntem

Bu çalışma, öğrenci problem çözme ve yardım arama davranışlarından öğrenci yardım arama kalıplarını ve eğilimlerini belirlemek için kümeleme (denetimsiz öğrenme) ve sınıflandırma (denetimli öğrenme) dâhil olmak üzere bir eğitsel veri madenciliği yaklaşımı uygulamıştır.

• Çalışma 1 (Mikro Düzey Yardım Arama Kalıplarını Belirleme):
• Veri Toplama: 2017-2019 yılları arasında bir BDÖS’ten (bilgisayar destekli öğrenme sistemi) 1588 adet problem çözme ve yardım arama kaydı toplanmıştır. Üniversite öğrencileri, bir programlama dersinde 12 adet program çıktı-tahmin problemi çözmüştür. BDÖS, 3 seviye araçsal yardım ve 1 seviye yönetici yardım (seviye 4) sağlamaktadır.
• Özellik Çıkarımı: Öğrenci problem çözme ve yardım arama kayıtlarından dokuz adet gözlemlenebilir özellik çıkarılmıştır. [Örn: İlk Çalışma Süresi (İÇS), Yeniden Çalışma Süresi (YÇS), Ortalama Yardım Seviyeleri (OYS), Kendi Başına Çözülen Problem Oranı (KÇPO), Araçsal Yardımla Çözülen Problem Oranı (AYÇPO), Yönetici Yardımla Çözülen Problem Oranı (YYÇPO), Çözme Süresi (ÇS), Çözülen Problem Sayısı (ÇPS), Denenen Çözüm Sayısı (DÇS)].
• Ön İşleme: Aşırı uç değerler (%90. veya %95. persentil ile değiştirilerek) ele alınmış ve tüm özellik verileri min-max normalizasyonu ile 0-1 arasına dönüştürülmüştür.
• Kümeleme: K-means kümeleme yöntemi kullanılmış. Küme doğrulama, istatistiksel analiz (ANOVA ve Scheffe’s post-hoc test) ile yapılmıştır.
• Çalışma 2, Bölüm 1 (Yardım Arama Kalıplarının Erken Tahmini):
• Veri: 2020 yılında aynı BDÖS ve problemler kullanılarak 62 katılımcıdan 571 yeni problem çözme ve yardım arama kaydı toplanmıştır.
• Sınıflandırma: Çalışma 1’deki küme merkezleri kullanılarak minimum mesafe sınıflandırıcısı oluşturulmuştur.
• Erken Belirleme: Sınıflandırıcının erken aşama verilerinden (ilk 3, 5 ve 7 dakika) yardım arama kalıplarını belirleme doğruluğu değerlendirilmiştir.
• Çalışma 2, Bölüm 2 (Yardım Arama Eğilimlerinin Belirlenmesi):
• Veri: 45 katılımcının (6 kolay, 6 zor olmak üzere 12 problem için) kayıtları dâhil edilmiştir.
• Özellik Çıkarımı: Kolay ve zor problemlerdeki beş yardım arama davranışı kalıbının oranları hesaplanarak on özellik çıkarılmıştır.
• Kümeleme: K-means kümeleme yöntemi kullanılmıştır. Küme doğrulama Mann Whitney U testi (2 küme için) veya Kruskal Wallis testi ve Dunn’s post-test (3+ küme için) ile yapılmıştır.

Temel Bulgular

Araştırmanın bulguları, eğitsel veri madenciliği yaklaşımının öğrencilerin problem çözme ve yardım arama davranışlarını analiz ederek, onların farklı öğrenme eğilimlerini ve risk seviyelerini nasıl belirleyebileceğini göstermektedir:

• Çalışma 1: Öğrenci Yardım Arama Davranışları (Mikro Düzey Kalıplar): Araştırmacılar, öğrencilerin yardım arama davranışlarını temel özelliklerine göre gruplandırdıklarında, bilinen üç ana kalıbı net bir şekilde belirlemişlerdir:
• “Bağımsız Problem Çözücüler”: Bu öğrenciler problemleri çoğunlukla kendi başlarına çözmeyi tercih ederler. Yapılan testlerde en yüksek başarıyı göstermişlerdir (ortalama puan 90.42).
• “Araçsal Yardım Arayanlar”: Bu öğrenciler, yardıma ihtiyaç duyduklarında ipuçları gibi yönlendirici destekleri kullanır ve bu yardımlarla problemleri başarıyla çözerler. Başarıları bağımsız çözücülere göre orta düzeydedir (ortalama puan 89.28).
• “Yönetici Yardım Arayanlar”: Bu öğrenciler, problemi çözmek için fazla çaba harcamak yerine, doğrudan çözümü veya cevabı almaya daha fazla eğilimlidirler. Öğrenme sonrası yapılan testlerde en düşük başarıyı (ortalama puan 78.74) göstermişlerdir ve bu davranış kalıbı “risk altındaki” bir öğrenci göstergesi olarak tanımlanmıştır.

Yapılan istatistiksel analizler (ANOVA), bu üç kalıbın davranışsal özelliklerinin birbirinden anlamlı derecede farklı olduğunu doğrulamıştır. Daha detaylı incelemeler, iki yeni yardım arama kalıbı daha ortaya çıkarmıştır:

o   “Statik Araçsal Yardım Arayanlar”: Bu öğrenciler, zorlandıklarında verilen örnek çözümleri (statik yardım) tekrar tekrar inceleyerek problemleri çözmeye çalışmışlardır.

o   “Statik Araçsal ve Yönetici Yardım Arayanlar”: Bu öğrenciler de örnek çözümleri incelerler, ancak sonrasında yine de yönetici yardımına (doğrudan çözüme) ihtiyaç duymuşlardır.

“Yönetici Yardım Arayanlar” ve “Statik Araçsal ve Yönetici Yardım Arayanlar” kalıpları, diğer kalıplara göre daha düşük başarı göstermişlerdir (sırasıyla ortalama puanlar 82.16 ve 73.16). Bu durum, bu kalıpların da “risk altındaki öğrenci” davranışları olduğunu pekiştirmektedir. 

• Çalışma 2, Bölüm 1: Davranış Kalıplarının Erken Tahmini

 Araştırma, öğrencilerin yardım arama davranış kalıplarını, öğrenme sürecinin çok başındaki (erken aşama) verilerden  doğru bir şekilde tahmin etmenin mümkün olduğunu bulmuştur. Bu tahminlerin doğruluğu, etkileşimin ilk  üç dakikasında %61, beş dakikasında %67 ve yedi dakikasında %75 gibi yüksek oranlara ulaşmıştır. Bu, öğretmenlerin risk altındaki öğrencileri çok erken fark etmek için etkili bir erken uyarı sistemi oluşturulabileceğini göstermektedir.

• Çalışma 2, Bölüm 2: Genel Yardım Arama Eğilimleri (Makro Düzey Eğilimler) 

 Öğrencilerin daha genel ve kalıcı yardım arama alışkanlıkları (eğilimleri) incelendiğinde, iki bilinen eğilim tanımlanmıştır: “Bağımsız Problem Çözücüler” ve “Yönetici Yardım Arayanlar”. Daha detaylı analizler, üçüncü ve yeni bir eğilim olarak “Statik Araçsal ve Yönetici Yardım Arayanlar” grubunu da ortaya çıkarmıştır. Bu öğrenciler, zor problemlerle karşılaştıklarında öncelikle mevcut örnek çözümleri incelemeye yönelirler ve ardından doğrudan çözüme ihtiyaç duyarlar. Bu eğilimler, özellikle zor problemler karşısında daha belirgin hâle gelmektedir.

Sonuç

Bu çalışma, öğrenci problem çözme ve yardım arama davranış verilerini analiz etmek ve veri odaklı öğrenci modelleri olarak yardım arama davranış kalıplarını ve eğilimlerini belirlemek için eğitsel veri madenciliği yaklaşımının (kümeleme ve sınıflandırma dâhil) uygulanabilirliğini ve etkinliğini göstermiştir. Çalışma bu bulgularla birlikte eğitimcilerin veri madenciliğini etkili kullanması durumunda doğru risk tespiti yapabileceğini, öğrencilere özelleştirilmiş desteğin sunulabileceğini ifade etmektedir. Çalışmanın bazı sınırlılıkları da mevcuttur. Bunlar arasında verilerin belirli bir BDÖS’ten ve programlama dersindeki üniversite öğrencilerinden toplanması nedeniyle genellenebilirliğin kısıtlı olması yer almaktadır. Gelecekteki araştırmalar, bu eğitsel veri madenciliği yaklaşımını farklı alanlarda ve farklı öğrenci popülasyonlarında test etmelidir. Ayrıca, motivasyon ve  duygusal faktörler gibi davranışsal verilerden gözlemlenmesi zor olan unsurları yakalamak için davranışsal kayıtların anket verileriyle birleştirilmesi önerilmektedir.

Kaynak: Chou, C.-Y., & Chen, W.-H. (2025). Identifying student help-seeking behavior patterns and help seeking tendencies from student problem-solving and help-seeking behavior data: An educational data mining approach. Educational Technology & Society, 28(2), 94 110. https://doi.org/10.30191/ETS.202504_28(2).RP06