Akıllı Öğretim Sistemlerinde Öğrenci Performans Tahmini: Yöntemler, Zorluklar ve Gelecek Perspektifleri

Student Performance Prediction in Intelligent Tutoring Systems: Methods, Challenges, and Future Perspectives

Öz

Akıllı Öğretim Sistemleri (ITS) içinde öngörücü modellerin uygulanması, kişiselleştirilmiş öğrenmeyi ve risk altındaki öğrencilerin erken teşhisini geliştirerek önemli ilerlemeler kaydetmiştir. Ancak, model genelleştirilebilirliği, yorumlanabilirliği, veri kalitesi ve adaletiyle ilgili zorluklar devam etmekte olup, çeşitli eğitim ortamlarında yaygın olarak benimsenmelerini sınırlamaktadır. Bu inceleme, IEEE Xplore, Scopus, Science Direct, Google Scholar ve SpringerLink gibi veritabanlarından alınan, 2019 ile 2024 yılları arasında yayınlanmış 58 çalışmanın bulgularını sentezlemektedir. Literatür seçimi "student performance prediction" (öğrenci performans tahmini) ve "AI in education" (eğitimde yapay zeka) gibi anahtar kelimelere dayanmaktadır. Teknikler, veri kümeleri ve değerlendirme ölçütleri, tematik eğilimleri belirlemek ve ITS için zorlukları ve fırsatları vurgulamak için kategorilere ayrılmıştır. Bulgular, hibrit modellerin (örn. CNN-LSTM, RLCHI), topluluk öğrenmesinin ve çok modlu verilerin entegrasyonunun öngörücü performansı önemli ölçüde artırdığını göstermektedir. SHAP ve LIME gibi teknikler yorumlanabilirliği iyileştirirken, sosyo-demografik ve davranışsal verileri içeren modeller öğrenci öğrenme kalıplarına ilişkin daha iyi içgörüler sağlar. Bununla birlikte, genelleştirilebilirlik ve adalet, çeşitli veri kümeleri ve adalete duyarlı modelleme yaklaşımları gerektiren temel zorluklar olmaya devam etmektedir. ITS kişiselleştirilmiş öğrenmede önemli ilerlemeler kaydetmiş olsa da, model genelleştirilebilirliğini, yorumlanabilirliğini ve adaletini geliştirmek için daha fazla çabaya ihtiyaç vardır. Bu zorlukların ele alınması, kapsayıcı, uyarlanabilir ve eşitlikçi öğrenme ortamları geliştirmede ve ITS'nin çeşitli eğitim bağlamlarındaki etkisini en üst düzeye çıkarmada etkili olacaktır.