Ayşe Alkan

Artificial intelligence (AI), one of the most important dynamics of the digital age, is a rapid transformation observed in information technologies. Originating in Alan Turing’s (1950) question, “C...

Yapay zekanın (AI) eğitime entegresi, öğrencilerin hem kişisel hem de akademik gelişimleri için fırsatlar sunarak kullanımı yaygınlaşmaktadır. AI’nın hızla ilerlemesi, özellikle Yükseköğretimde öğrencilerine çeşitli fırsat ve zorluklar sunarak akademik gelişimlerini olumlu olumsuz anlamda etkilediği görülmektedir. Yapay zeka destekli araçlar, eğitim alanında öğrenci performanslarını daha nesnel ve etkili biçimde değerlendirilmesini sağlamaktadır. Ayrıca öğrenci ihtiyaçlarına daha hızlı, etkileşimli ve nitelikli geri bildirimler sağlamakta, değerlendirme süreçlerini optimize etmekte ve akademik başarının yükselmesini sağlamaktadır. Bununla birlikte sınırlılıkları ve olumsuzlukları değerlendirildiğinde; fırsat eşitsizliğini güçlendirme, etik sorunlar, dijital okuryazarlık eksikliği, öğrencilerin sosyal becerilerinin gelişememe riski, aşırı bağımlılık faktörleri sıralanabilmektedir. Bu araştırmada, özel bir çalışma grubu olan Meslek Yüksekokulu öğrencileriyle çalışılmış, öğrencilerin AI algıları ve bu kapsamda sunulan fırsatlar ve duyulan endişeler incelenmiştir. Araştırmanın çalışma grubunu, Kafkas Üniversitesi Teknik Bilimler Meslek Yüksekokulu Bilgisayar Teknolojileri Bölümü'nde 1. ve 2. Sınıfta öğrenim gören 60 öğrenci oluşturmaktadır. Nitel araştırma yöntemlerinden durum çalışması deseninde yürütülen araştırmada, veri toplama aracı olarak araştırmacılar tarafından geliştirilen yarı yapılandırılmış görüşme formu kullanılmıştır. Araştırmada elde edilen sonuçlara göre; Öğrencilerinin AI teknolojilerinin yenilikçi hareketlerden pozitif yönde etkilendiği ancak yaratabileceği etik sorunlar, veri güvenliği sorunu, işsizlik tehditi gibi olumsuzluklar konusunda kaygılı oldukları ortaya konulmuştur. Çalışmada ortaya konan sonuçların gelecekteki araştırmalara yön verebileceği ve alan yazına katkı sağlayacağı öngörülmektedir.

Makine öğrenimi, bir bilgisayarın verileri analiz etmeyi, modeller oluşturmayı ve karar vermeyi öğrenmesine olanak tanıyan bir yapay zekâ alanıdır. Makine öğrenimi, eğitimde önemli bir rol oynamaktadır. Bu araştırmada, Open University Learning Analytics veri seti üzerinde çeşitli makine öğrenimi teknikleri kullanılarak öğrencilerin akademik performanslarını tahmin etmek amacıyla sınıflandırmalar gerçekleştirilmiştir. Çeşitli yöntemlerin başarısı değerlendirilmiş, ayrıca sınıflandırıcıların tahmin başarısını arttırmak için literatürde sıkça görülen SMOTE, KMeansSMOTE, RandomOverSampler, ADASYN, BorderlineSMOTE ve SVMSMOTE fazla örnekleme teknikleri kullanılarak veri arttırma işlemi yapılmıştır. Ayrıca, EditedNearestNeighbours, AllKNN, NearMiss, NeighborhoodCleaningRule, OneSidedSelection, RandomUnderSampler ve TomekLinks az örnekleme teknikleri kullanılarak da veri azaltma işlemi yapılmıştır. Lojistik Regresyon, Linear Diskriminant Analizi, Rastgele Orman, K-en yakın komşu, Karar Ağaçları, Naive Bayes ve Destek Vektör Makineleri olarak yedi farklı makine öğrenme tekniği kullanılmıştır. Yeniden örnekleme olmadan sınıflandırmaya ayrıca altı farklı fazla örnekleme ve yedi farklı az örnekleme tekniği kullanılarak doksan bir sınıflandırma işlemi gerçekleştirilmiştir. Tüm sınıflandırma süreçleri dört farklı performans metriği ile raporlanmıştır. RandomOverSampler fazla örnekleme tekniği kullanılarak Rastgele Orman sınıflandırıcı ile %97, AIIKNN az örnekleme tekniği ile K-en yakın komşu sınıflandırıcıdan %96 doğruluk elde edilmiştir. Veri setinde sınıf dengesini sağlamak amacıyla fazla örnekleme ve az örnekleme yönteminin sınıflandırıcı başarısını arttırdığı görülmüştür.

With the digital transformation in education, big data analytics is increasingly being used to understand, monitor, and improve students' academic performance. Analyzing student behavior, engagement levels, prior achievements, and study habits enables the creation of more effective and personalized learning environments. This study aimed to predict academic achievement from student data using machine learning (ML) algorithms and to identify the factors affecting achievement. Seven different algorithms were implemented for this purpose: SVM, LR, KNN, RF, NB, DT, and LDA. The RF, SVM, and LDA algorithms achieved the highest accuracy rate of 91%. The LDA model was determined to be the most successful model in terms of accuracy and balance performance. Analysis revealed that variables such as class participation, study time, and prior achievement level significantly impact student achievement. The findings demonstrate that self-management, self-regulation, and intrinsic motivation skills play a critical role in academic success. Consequently, machine learning-based models have strong potential for predicting student achievement and identifying at-risk students early. This study highlights the importance of data-driven decision-making processes in education and guides future research on AI-supported applications

COVID-19's impact catalyzed the integration of distance education into our lives, shaping a crucial facet of modern learning. Initially, students, educators, and administrators encountered diverse challenges in navigating this paradigm shift. Swiftly addressing these hurdles promises enhanced efficacy in remote education. This research, blending experimental and descriptive methodologies, scrutinizes the "Students Adaptability Level in Online Education" dataset. It aims to assess students' adaptability in distance learning using five distinct machine learning techniques and identify pivotal factors influencing adaptation. Multiple classification endeavors aim to bolster predictive accuracy. Leveraging 14 resampling approaches, 70 classifications per algorithm—both with and without sampling—were conducted, each meticulously evaluated using four performance metrics. The Random Forest model, coupled with KMeansSMOTE oversampling, yielded a notable 93% accuracy, showcasing heightened classifier efficacy through resampling. Noteworthy correlations emerged, indicating that lesson durations of 1-3 hours, reliable internet connectivity, and financial assistance to families correlate with enhanced student adaptation. This study underscores the potential of resampling techniques in refining classification accuracy and underscores actionable strategies for optimizing distance education's effectiveness.

Artificial intelligence (AI) based education represents a significant transformation in the field of education of our age. Artificial intelligence (AI) technology has great potential to enrich the learning experience of special needs students, provide support to teachers, and reduce inequalities in education. Artificial intelligence (AI) technologies can be used to more effectively understand the learning needs of special needs students and provide customized learning experiences for them. Expert systems, adaptive tutorial systems, dialogue-based systems, learning analytics and educational data mining are widely used AI systems developed to increase productivity in educational environments, facilitate achievement of learning goals, provide instant feedback and enrich student interaction. Assessing the learning inclinations, strengths, and weaknesses of students with special needs enables AI to provide tailored learning content and resources that cater to their individual requirements effectively. In this article, tried to present a road map to teachers and researchers by examining the role of AI-based technologies in the education of special needs students, the AI-based technologies that can be used, and the issues to be considered when choosing these technologies.

The main goal of this study is to reveal special talented primary school students' perceptions of artificial intelligence, one of the popular concepts of recent times, through metaphors. In this study, the phenomenological design, which is within the scope of qualitative research, was used. In this study, Türkiye Science and Art Center included special talented primary school students in the education field. The 104 special talented primary school students participating in the research were 9-14 years old. Of these students, 53 were boys and 51 were girls. The participants were in the 3th grade, 4th grade, 5th, 6th, 7th and 8th grades of primary education. Purposive sampling method was chosen in the research. When the answers from the students were examined, a total of 36 different categories emerged in line with the relevant metaphors. When these categories are examined in detail, it is seen that the concept of artificial intelligence is represented by different metaphors. According to the findings, it was determined that primary school students simulated the concept of artificial intelligence to different metaphors such as robot, smiling robot, robot vacuum cleaner. As a result, it has been revealed that special talented student generally have positive opinions about the concept of artificial intelligence.

Yapay zekânın bir alt dalı olan makine öğrenmesi eğitim alanında hızla popülerlik kazanan bir bilgisayar bilimi dalıdır. Eğitimde öğrenci gelişiminin, eğitim programlarının etkisinin, öğretim yöntemlerinin etkililiğinin belirlenmesi adımı olan değerlendirme aşamasının önemi büyüktür. Öğrencilere ait veri yığınlarından anlamlı sonuçlar üretilmesini sağlayan makine öğrenmesi, değerlendirme aşamasında yön gösterici olmaktadır. Bu çalışmada kamuya açık olarak paylaşılan, “Students Performance in Exams” veri seti kullanılmıştır. Öğrencilere ait bilgilerin bulunduğu 8 öznitelikten oluşan veri seti üzerinde öğrenci başarısının tahminlenmesine yönelik makine öğrenmesi temelli sınıflandırmalar gerçekleştirilmiştir. K-en yakın komşu (KNN), Karar ağacı (KA), Naive Bayes (NB), Rastgele orman (RO), Destek vektör makinesi (DVM), Lojistik regresyon (LR), Lineer Diskriminant Analizi (LDA) ile toplamda yedi ayrı yöntemle ve 5 kat çapraz doğrulamayla yapılan sınıflandırma işlemleri sonucunda en yüksek doğruluk (accuracy) DVM algoritması ile elde edilmiştir.

Artificial intelligence (AI), which has attracted great attention in recent years, has been widely used in the field of education as in many other fields. AI in education is used to improve student learning, support teachers and provide a more personalized educational experience. AI plays an important role with adaptive learning systems in improving students' learning processes. These systems assess students' individual needs and provide them with appropriate learning materials. AI also monitors students' performance, identifies their weaknesses, and provides additional support in these areas. Thus, students are enabled to learn more effectively and to reveal their full potential. By supporting teachers, AI facilitates classroom management and helps teachers use their time more efficiently. Automated assessment systems allow teachers to quickly assess assignments and exams, while improving the process of providing feedback. In addition, AI also helps teachers understand students' interests and learning styles, so that more personalized instruction can be offered. Another important use of AI in education is student counseling. AI-based counseling systems can guide students in matters such as career choices, university applications, and academic planning. These systems can provide students with viable career options, support the application process, and help them identify their future goals. As a result, the use of AI in education has great potential to improve student learning processes, provide support to teachers and provide a more personalized educational experience. In this study; The subject of AI was examined in a general framework under the title of education and the role of AI in education was discussed. It is thought that AI will contribute to the field by revealing the teacher and how it can be used in the field of education.