EEG SİNYALLERİNİN VERİ MADENCİLİĞİ TEKNİKLERİYLE DEĞERLENDİRİLMESİ


Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Eğitim Bilimleri Enstitüsü, Eğitim Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: PINAR KARABAKLA

Danışman: Dilara Bakan Kalaycıoğlu

Özet:

Bu çalışma, multimedya öğrenme ortamlarında öğrencilerin EEG sinyallerinin veri madenciliği sınıflandırma teknikleri kullanılarak değerlendirilmesini amaçlamaktadır. Araştırmada, öğrencilerin video izleme sonrasında yöneltilen sorulara doğru cevap verip vermeme durumlarına göre Alfa, Beta, Delta, Teta ve Gama dalgalarını ölçen EEG (Elektroensefalografi) verileri kullanılmıştır. 25 öğrenciye ait EEG verileri toplanmış ve bu verilerle Bayes Sınıflandırma Algoritması, Lojistik Regresyon, C5.0, CHAID ve Yapay Sinir Ağları kullanılarak sınıflandırma analizleri yapılmıştır. Araştırmada kullanılan sınıflandırma modellerinin performansları doğruluk, duyarlılık, özgüllük ve F Puanı gibi kriterlere dayalı olarak karşılaştırılmıştır. Bayes sınıflandırma Algoritması, sorulan her iki soru özelinde doğruluk ve özgüllük açısından en yüksek performansı göstermiştir. Delta, teta, alfa, beta ve gama dalga boylarının farklı sorular için nasıl değiştiği incelenmiş ve bu dalga boylarının model performanslarına etkisi araştırılmıştır. Bulgulara göre hem birinci hem de ikinci soru için beta ve gama dalgalarının dikkat süreçleri açısından önemli olduğu görülmektedir. Çalışmanın bulgularına göre, daha etkileşimli ve ilgi çekici eğitim materyalleri geliştirilmelmesi ve özellikle çevrimiçi eğitim ortamlarında, videoların daha dinamik ve etkileşimli hale getirilmesi önerilmektedir. Eğitimciler, öğrencilerin bireysel dikkat seviyelerindeki farklılıkları göz önünde bulundurarak, kişiselleştirilmiş eğitim programları geliştirebilirler. EEG verileri ile öğrencilere özgü eğitim programları oluşturulabilir ve bu sayede dikkat eksikliği problemleri minimize edilebilir. EEG ve benzeri nörobilimsel araçlar, öğrencilerin dikkat seviyelerini anlık olarak izleme ve değerlendirme imkânı sunmaktadır. Eğitim kurumları, bu tür teknolojileri kullanarak öğrencilerin öğrenme süreçlerini optimize edebilir ve dikkat seviyelerini artırıcı stratejiler geliştirebilir. Bu çalışma, EEG verilerinin eğitimde dikkat süreçlerini izleme ve değerlendirme açısından büyük bir potansiyele sahip olduğunu göstermektedir. Gelecekteki çalışmalar, daha büyük veri setleri ve optimize edilmiş model parametreleri kullanarak bu sınırlılıkları aşabilir. Sonuç olarak, bu tez çalışması, eğitim süreçlerinin izlenmesi ve değerlendirilmesi açısından önemli bilgiler sunmaktadır.