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.