Bu çalışma, dijital eğitim oyunlarının hangi когнитивдик көндүмleri ölçtüğünü belirlemek için kullanılan Q матрицасыnin yalnızca uzman görüşüne bırakılmak yerine öğrenci өндүрүмдүүлүк verileriyle sınanıp sınanamayacağını araştırmıştır. Macaristan’daki Okosdoboz adlı оюндаштырылган eğitim platformundan alınan veriler; 261 öğrenci, 38 oyun тапшырмаi ve problem çözme, эс тутум, көңүл буруу, пландоо, сандык ой жүгүртүү, реакция убактысы ve эмоцияны таануу gibi 18 когнитивдик көндүмyi kapsamaktadır.

Araştırmacılar, тапшырмаларle көндүмler arasındaki ilişkileri gösteren Q матрицасыni sabit bir girdi olarak kullanmamış; uzman etiketleriyle başlatılan fakat eğitim sırasında артка жайылтуу yoluyla değişebilen, үйрөнүлө турган bir model bileşenine dönüştürmüştür. Sinirsel Bilişsel Tanı Modeli, 20 ayrı eğitim çalıştırmasından elde edilen kararlı tahminler kullanıldığında uzmanlarca диагностикаmlanan тапшырма-көндүм bağlantılarının yüzde 87’sini yeniden belirlemiştir. Model ayrıca bazı oyunların tek bir көндүм yerine birden fazla когнитивдик sürece bağlı olabileceğini gösteren ikincil көндүм ilişkileri önermiştir.

NeuroCDM yaklaşımının Q матрицасы geri kazanım oranı, Терс эмес матрицалык факторизация yöntemindeki yüzde 68’in üzerinde kalmıştır. On sekiz көндүмnin hesaplama amacıyla 12 birleşik özelliğe indirildiği ayrı karşılaştırmada ise NCDM yüzde 91,4, G-DINA yöntemi yaklaşık yüzde 40 uyum göstermiştir. Bununla birlikte tahmin başarısındaki fark çok daha küçüktür: uzman Q матрицасыyle AUC 0,86858 iken NCDM tarafından genişletilmiş matrisle 0,87338’e çıkmıştır. Bu yaklaşık 0,0048 AUC birimlik artış, modelin көндүм yapısını daha ayrıntılı açıklayabileceğini düşündürse de büyük bir pratik өндүрүмдүүлүк sıçraması anlamına gelmemektedir.

Çalışma, oyun kayıtlarından öğrenciye özgü güçlü ve zayıf көндүм profilleri üretilebileceğini de göstermektedir. Ancak bu profiller klinik диагностика, özel öğrenme güçlüğü teşhisi veya kesin bireysel yetenek ölçümü değildir. Araştırma hakem değerlendirmesinden geçmemiştir; örneklemi küçüktür, veri бөлүм yöntemi yeterince açıklanmamıştır ve model uzman matrisinden başlatıldığı için uzman etiketleriyle elde edilen yüksek uyum tamamen bağımsız bir doğrulama olarak yorumlanamaz.

Q матрицасы nedir ve neden önemlidir?

Bilişsel диагностика modelleri, yalnızca öğrencinin toplam puanını hesaplamak yerine hangi alt көндүмlerde güçlü ya da zayıf olduğunu tahmin etmeyi amaçlar. Bunun için her тапшырмаin hangi когнитивдик özellikleri gerektirdiğini belirten bir eşleme tablosuna ihtiyaç duyulur. Bu tabloya Q матрицасы adı verilmektedir.

Q матрицасыnin satırları тапшырмаларi, sütunları ise көндүмleri temsil eder. Geleneksel ikili bir matriste bir hücrenin 1 olması, ilgili тапшырмаin söz konusu көндүмyi gerektirdiğini; 0 olması ise gerektirmediğini ifade eder. Örneğin bir oyun тапшырмаi пландоо, көңүл буруу ve görsel эс тутум gerektiriyorsa bu üç sütunda bağlantı bulunabilir.

Bu yapı yanlış диагностикаmlandığında sorun yalnızca тапшырма sınıflandırmasıyla sınırlı kalmaz. Öğrencinin көндүм profili, тапшырма güçlüğü, başarı olasılığı ve kişiselleştirilmiş içerik önerileri de yanlış hesaplanabilir. Araştırmanın çıkış noktası, özellikle оюндаштырылган тапшырмаларde uzmanların tek bir “ana көндүм” belirlemesinin gerçek когнитивдик süreci aşırı basitleştirebileceğidir.

Araştırma hangi soruları sınadı?

Çalışma üç temel hipotez üzerinden yürütülmüştür:

1. Doğrulama hipotezi: Sinirsel model, uzmanların oluşturduğu тапшырма-көндүм eşleştirmelerinin çoğunu gerçek өндүрүмдүүлүк verileri üzerinden yeniden belirleyebilmelidir.
2. Çok өлчөмluluk hipotezi: Tek көндүм ölçtüğü düşünülen bazı тапшырмаларde ikincil ve örtük көндүм gereksinimleri ortaya çıkmalıdır.
3. Düzeltme hipotezi: Model ile uzman görüşünün belirgin biçimde ayrıldığı тапшырмаларde, uzman tarafından ana көндүм olarak seçilen özellikten farklı bir көндүм ampirik olarak daha baskın görünebilmelidir.

Araştırmacılar ayrıca нейрондук yaklaşımı NMF ve G-DINA yöntemleriyle karşılaştırmış, farklı başarı eşikleri altında sonuçların değişip değişmediğini sınamış ve modelin öğrenci düzeyinde көндүм profili üretme kapasitesini örneklerle incelemiştir.

Veriler nereden geldi?

Veriler, 2016’dan beri faaliyet gösteren Macaristan борборлуу Okosdoboz eğitim platformundaki kayıtlı kullanıcıların oyun etkileşimlerinden alınmıştır. Platform okul müfredatına bağlı alıştırmalar ile когнитивдик көндүм geliştirmeye yönelik oyunlar sunmaktadır. Araştırmada kullanılan ham kayıtlar 2016–2025 dönemini kapsamaktadır.

Analize yalnızca en az 30 farklı oyun oturumu tamamlamış kullanıcılar alınmıştır. Öğrenci filtresinden sonra en az 27 kez oynanmış тапшырмалар korunmuştur. En sık oynanan тапшырма 3.597 oturuma ulaşırken тапшырма başına ortalama oynanma sayısı 515,6’dır. Dağılımın birinci çeyreği 120,25, medyanı 194 ve üçüncü çeyreği 490,75 olarak bildirilmiştir. Gerçekçi olmayan tamamlanma süreleri içeren oturumlar, kazara tıklama veya тапшырмаe yeterince katılmama ihtimalini azaltmak amacıyla çıkarılmıştır.

Kullanıcı verileri analizden önce takma kimliklerle işlenmiştir. Metne göre platformun kullanım ve gizlilik koşulları anonimleştirilmiş oyun verilerinin araştırma ve geliştirmede kullanılmasına izin vermekte, çocuk kullanıcıların kayıt işlemi için ebeveyn onayı gerekmektedir. Bununla birlikte bağımsız bir etik kurulun adı, onay numarası veya inceleme tarihi raporlanmamıştır.

Farklı oyunlardaki puanlar nasıl ortak bir ölçüye çevrildi?

Oyunların puanlama sistemleri birbirinden farklı olduğu için ham puanlar doğrudan karşılaştırılmamıştır. Her oyun тапшырмаi kendi puan dağılımı içinde standartlaştırılmıştır. Öğrenci i’nin тапшырма j’deki ham puanı için kullanılan z puanı şöyledir:

\[ z_{i,j} = \frac{x_{i,j}-\mu_j}{\sigma_j} \]

Burada:

• x_i,j, öğrencinin тапшырмаde aldığı ham puandır.
• μ_j, ilgili тапшырмаin ortalama puanıdır.
• σ_j, ilgili тапшырмаin puan standart sapmasıdır.
• z_i,j, öğrencinin aynı тапшырмаi oynayan diğer kullanıcılara göre konumudur.

Ardından sürekli puan ikili bir sonuca dönüştürülmüştür:

\[ y_{i,j} = \begin{cases} 1, & z_{i,j} \geq 0 \\ 0, & z_{i,j} < 0 \end{cases} \]

Bu nedenle modeldeki 1 değeri, oyunun nesnel olarak “doğru çözüldüğü” anlamına gelmemektedir. Öğrencinin aynı тапшырмаdeki örneklem ortalamasına eşit veya daha yüksek өндүрүмдүүлүк göstermesi anlamına gelmektedir. Sıfır ise ortalamanın altında kalmayı göstermektedir. Bu ayrım, sonuçların yorumlanması açısından önemlidir.

Görev içi standardizasyon farklı puan ölçeklerini ortaklaştırmıştır; ancak puanların ikili hale getirilmesi өндүрүмдүүлүк farklarının büyüklüğünü kaybettirmektedir. Ortalamanın çok az üzerinde ve çok fazla üzerinde olan iki sonuç aynı sınıfa; ortalamanın çok az altında ve çok düşük olan iki sonuç da diğer sınıfa girmektedir.

Sinirsel model nasıl çalıştı?

Araştırmada kullanılan NeuroCDM mimarisi üç temel bileşeni birlikte öğrenmektedir:

• Öğrencilerin көндүм düzeylerini temsil eden gizli yetenek vektörleri,
• Görevlerin güçlük ve özellik parametreleri,
• Her тапшырмаin her көндүмye ne ölçüde bağlı olduğunu temsil eden үйрөнүлө турган Q матрицасы.

Başlangıç Q матрицасы, pedagoglar ve psikologlar tarafından oluşturulan uzman etiketlerinden alınmıştır. Ancak matris eğitim sırasında sabit tutulmamış; tahmin hatası geriye doğru yayıldıkça тапшырма-көндүм ağırlıkları da güncellenmiştir. Böylece model, uzman yapısını tamamen reddetmek yerine onu veriyle ayarlayan hibrit bir yaklaşım kullanmıştır.

Ham көндүм bağımlılığı parametreleri yaklaşık −4,45 ile 3,01 arasında değişmiştir. Araştırmacılar bunları 0 ile 1 arasına taşımak için sigmoid dönüşümü kullanmıştır. Sigmoid dönüşümünü açıklayan standart matematiksel ilişki şöyledir:

\[ \operatorname{sigmoid}(a)=\frac{1}{1+e^{-a}} \]

Bu formül çalışmaya açıklık kazandırmak amacıyla verilen standart arka plan ilişkisidir. Dönüştürülmüş değerin yükselmesi, тапшырмаin ilgili көндүмye daha güçlü biçimde bağlı olduğu şeklinde yorumlanmıştır. Örneğin ham değerin 0,8 civarında olması sigmoid sonrasında 0,70’in üzerinde bir bağlantı gücüne karşılık gelmektedir.

Model hangi ayarlarla eğitildi?

Görevlerin oynanma sıklıkları büyük ölçüde farklı olduğu için sık oynanan тапшырмаларin eğitimi baskılamaması amacıyla тапшырма düzeyinde ağırlıklandırma uygulanmıştır. Metinde bu yöntemin “frekansın ters karekökü” olduğu yazılmasına karşın verilen formül şöyledir:

\[ w_i = \frac{1}{f_i} \]

Burada f_i, тапшырмаin eğitim verisindeki görülme sıklığı; w_i ise örneğin kayıp fonksiyonundaki ağırlığıdır. Verilen formül frekansın doğrudan tersidir; ters karekök değildir. Dolayısıyla yöntem açıklaması ile matematiksel gösterim arasında çözümlenmemiş bir raporlama tutarsızlığı bulunmaktadır. Uygulamada hangi ifadenin kodlandığı, yayımlanan metinden kesin olarak belirlenememektedir.

Yüzde 87 uyum nasıl hesaplandı?

Her тапшырмаin model tarafından en önemli görülen üç көндүмsi çıkarılmıştır. Sinirsel ağların rastlantısal başlangıçlardan etkilenebilmesi nedeniyle model 20 kez eğitilmiştir. Bir көндүм, bu çalıştırmaların en az yüzde 30’unda ilk üç көндүм arasında görünüyorsa kararlı bir bağlantı olarak kabul edilmiştir.

Bu ölçüte göre model, uzmanların диагностикаmladığı тапшырма-көндүм bağlantılarının yüzde 87’sini yeniden belirlemiştir. Sonuç, тапшырмаларin çoğunda uzman sınıflandırması ile öğrenci өндүрүмдүүлүкından öğrenilen yapı arasında uyum bulunduğunu göstermektedir.

Bununla birlikte yüzde 87, modelin hiç ön bilgi olmadan uzmanların ulaştığı sonuca bağımsız biçimde ulaşması anlamına gelmemektedir. Modelin Q матрицасы başlangıçta uzman etiketleriyle kurulmuş, daha sonra aynı uzman matrisiyle ne kadar uyuştuğu ölçülmüştür. Bu yaklaşım uzman bilgisini veriyle ayarlamak için uygundur; fakat tamamen bağımsız bir “uzman doğrulaması” değildir. Başlangıç koşulu modele uzman yapısına yakın kalması yönünde bir çapa sağlayabilir.

Başarı eşiği değiştiğinde sonuçlar korundu mu?

Araştırmacılar, ortalama өндүрүмдүүлүкı ayıran z = 0 eşiğinin sonucu belirleyip belirlemediğini görmek için z = 0,5 ve z = −0,5 eşiklerini de denemiştir.

Üç koşulda da oran yaklaşık yüzde 87–92 aralığında kalmıştır. Bu sonuç, uzman bağlantılarıyla uyumun yalnızca tek bir ikili sınıflandırma eşiğine bağlı olmadığını göstermektedir. Ancak en yüksek uyumun en gevşek eşikte elde edilmesi, eşik seçiminin tamamen önemsiz olmadığına da işaret etmektedir.

NMF karşılaştırması ne gösterdi?

Терс эмес матрицалык факторизация, öğrenci-тапшырма matrisindeki gizli örüntüleri uzman etiketleri olmadan çıkaran doğrusal ve gözetimsiz bir yöntemdir. NMF’nin gizli bileşenleri doğrudan эс тутум, көңүл буруу veya пландоо gibi isimlere sahip olmadığı için araştırmacılar, her bileşeni uzman көндүмleriyle sonradan eşleştirmiştir.

NeuroCDM yaklaşık 19 yüzde puanı daha yüksek uyum sağlamıştır. Ancak iki yöntem aynı bilgi düzeyiyle başlamamaktadır. NMF gözetimsizdir; NeuroCDM ise uzman matrisinden başlatılmıştır. Bu nedenle fark, yalnızca нейрондук mimarinin üstünlüğünü değil, uzman ön bilgisinin modele dâhil edilmesinin avantajını da yansıtmaktadır.

G-DINA karşılaştırması nasıl yapıldı?

G-DINA, көндүмlerin ana ve ortak etkilerini temsil edebilen esnek bir когнитивдик диагностика modelidir. On sekiz көндүм kullanıldığında olası gizli көндүм profili sayısı:

\[ 2^{18}=262.144 \]

olmaktadır. Araştırmacılar bu uzayı veri miktarına göre fazla büyük bulmuş ve kavramsal olarak benzer bazı көндүмleri birleştirerek 12 özellikli bir Q матрицасы oluşturmuştur. Bu durumda profil sayısı:

\[ 2^{12}=4.096 \]

düzeyine inmektedir. G-DINA ve NCDM bu azaltılmış 12 özellikli matris üzerinde karşılaştırılmıştır.

Bu sonuç NCDM’nin seyrek ve gürültülü veri altında daha kararlı olabileceğini düşündürmektedir. Ancak көндүмlerin birleştirilmesi, yerel bağımlılıkların artması ve G-DINA’nın çok daha geniş parametre uzayı karşılaştırmayı etkileyebilir. Yüzde 91,4’lük oran, orijinal 18 көндүмli analizdeki yüzde 87 ile aynı deneyin sonucu değildir; 12 birleşik özelliğe dayanan ayrı bir değerlendirmedir.

Q матрицасы değiştiğinde tahmin başarısı ne kadar arttı?

Araştırmacılar dört farklı Q матрицасыyle öğrenci өндүрүмдүүлүкını tahmin eden NCDM modelleri kurmuştur. Değerlendirme ölçütü, doğru ve yanlış sınıfları ayırma kapasitesini gösteren ROC eğrisi altındaki alan, yani AUC’dir.

Dört yapı da 0,86’nın üzerinde AUC üretmiştir. En yüksek sonuç NCDM tarafından genişletilmiş matriste görülse de uzman matrisine göre fark 0,0048 AUC birimi, yani yaklaşık 0,48 yüzde puanıdır. Çalışmada bu fark için güven aralığı, çapraz doğrulama dağılımı veya istatistiksel anlamlılık testi verilmemiştir. Bu nedenle modelin tahmin açısından “belirgin” üstünlüğü değil, küçük bir iyileşme sağladığı söylenebilir.

Model hangi ikincil көндүмleri buldu?

13. ve 14. sayfalardaki tablolar 38 oyunun 14’ünü ayrıntılı örnek olarak göstermektedir. Uzmanların ana ve ek көндүм etiketleri, NCDM’nin ilk üç көндүм önerisiyle yan yana verilmiştir.

• The Bell Player: Uzman ana көндүмsi эс тутум olan тапшырмаde model de belleği ilk sıraya yerleştirmiştir.
• The Delivery Job: Tabloda ana көндүм пландоо, ek көндүмler problem çözme ve uzamsal düşünme olarak gösterilmiş; model пландооyı tahmin etmiştir.
• The Amnesiac Principal: Ana көндүм сандык ой жүгүртүү olarak işaretlenmiş; model сандык ой жүгүртүүnin yanında görsel эс тутум ve belleği de önermiştir.
• Wedding Photography: Uzman ana etiketi көңүл буруу olan тапшырмаde model көңүл бурууi ve эмоцияны таанууyı öne çıkarmıştır.
• Balaton Obstacle Course: Tepki süresi, algı ve hızla ilişkili тапшырмаde model bu üç özelliği birlikte belirlemiştir.
• Paintball: Uzman etiketlerinde ketleme ve yürütücü işlev bulunan тапшырмаde model de bu iki alanı öne çıkarmıştır.

Görev tabloları, bazı oyunların gerçekten tek bir көндүмyle açıklanamayacağını göstermektedir. Örneğin bir teslimat rotası oluşturmak yalnızca пландоо değil, mesafe değerlendirme, problem çözme ve uzamsal düşünme de gerektirebilir.

Bununla birlikte raporda bir içerik tutarsızlığı vardır. “The Delivery Job” тапшырмаi tablodaki ana көндүм sütununda Planning olarak gösterilirken hemen önceki açıklamada тапшырмаin öncelikle Spatial Thinking gerektirdiği yazılmıştır. Bu durum, hangi uzman etiketinin “ana көндүм” olarak kabul edildiği konusunda editoryal belirsizlik yaratmaktadır.

Öğrenci көндүм profilleri nasıl oluşturuldu?

Model her öğrenci için 18 көндүмyi temsil eden gerçek sayılı gizli parametreler öğrenmiştir. Ham öğrenci gömme değerleri −2,72 ile 2,91 arasında değişmiş, ortalama −0,098 ve standart sapma 0,344 olarak bildirilmiştir. Değerlerin büyük bölümü sıfıra yakındır.

Sigmoid dönüşümü sonrasında yaklaşık olarak:

• −0,3’ün altındaki ham değerler 0,42’nin altında көндүм olasılığına,
• −0,3 ile 0,3 arası değerler 0,42–0,57 aralığına,
• 1,3’ün üzerindeki değerler 0,80’in üzerinde көндүм olasılığına,
• 2,7 civarındaki değerler yaklaşık 0,93’e

karşılık gelmektedir. Araştırmacılar 0,80’in üzerini güçlü yeterlik, −0,3’ün altındaki değerleri zayıf yeterlik ve sıfıra yakın bölgeyi orta veya belirsiz yeterlik şeklinde yorumlamıştır. Bu sınırlar çalışmada kullanılan yorumlama eşikleridir; bağımsız bir klinik veya psikometrik standartla doğrulanmamıştır.

Üç öğrenci örneği ne gösterdi?

Kullanıcı 1: Model problem çözme, реакция убактысы, algı ve hız alanlarında güçlü; көңүл буруу alanında çok güçlü bir profil oluşturmuştur. Bellek, пландоо, сандык ой жүгүртүү, көңүл буруу değiştirme ve эмоцияны таануу zayıf görünmüştür. 20. sayfadaki тапшырма kayıtları, öğrencinin bazı көңүл буруу тапшырмаларinde tekrarlar boyunca yüksek өндүрүмдүүлүк gösterdiğini; пландоо ve эс тутум тапшырмаларinde ise daha fazla zorlandığını göstermektedir.

Kullanıcı 60: Model çok sayıda когнитивдик alanda zayıf bir profil çıkarmıştır. Öğrencinin bir эс тутум тапшырмаinde tek bir başarılı sonucu bulunmasına rağmen genel örüntü zayıf kaldığı için model bu көндүмyi güçlü sınıfa taşımamıştır. Bu örnek, modelin tek bir doğru sonuca değil, тапшырмаларin tamamındaki tutarlı örüntüye ağırlık verdiğini göstermektedir.

Kullanıcı 42: Planlama тапшырмаinde çok sayıda başarılı sonuç bulunduğu için пландоо çok güçlü görünmüştür. Tepki süresi, algı ve hız içeren başka bir тапшырмаdeki başarısızlıklar ise özellikle hızın zayıf olarak belirlenmesine katkıda bulunmuştur. Bellek ve problem çözme sonuçları tutarlı olmadığından bu көндүмler nötr bölgede kalmıştır.

Bu üç görsel açıklayıcı vaka örnekleridir. Öğrenci profillerinin bağımsız öğretmen değerlendirmesi, standart когнитивдик test, okul notu veya başka bir dış ölçütle doğrulandığı gösterilmemiştir. Dolayısıyla görseller modelin çıktılarının oyun kayıtlarıyla uyumlu göründüğünü göstermekte; көндүм tahminlerinin dış geçerliğini kanıtlamamaktadır.

Çalışmanın güçlü yönleri nelerdir?

• Sentetik veri yerine gerçek ve gürültülü eğitim oyunu kayıtlarını kullanmıştır.
• Uzman bilgisini tamamen kaldırmak yerine veriyle güncellenebilen hibrit bir Q матрицасы geliştirmiştir.
• Modelin rastlantısal değişkenliğini azaltmak için 20 ayrı eğitim çalıştırması yapmıştır.
• Farklı z puanı eşikleriyle duyarlılık analizi uygulamıştır.
• Sinirsel yaklaşımı hem gözetimsiz NMF hem de geleneksel когнитивдик диагностика yaklaşımı G-DINA ile karşılaştırmıştır.
• Yalnızca тапшырма-көндүм eşleştirmesini değil, öğrenci düzeyindeki көндүм profillerini de incelemiştir.
• Tek көндүм varsayımının оюндаштырылган тапшырмалар için yetersiz olabileceğini somut тапшырма örnekleriyle göstermiştir.

Çalışmanın başlıca sınırlılıkları nelerdir?

• Örneklem sınırlıdır: Platform geniş kullanıcı trafiğine sahip olsa da analitik örneklem yalnızca 261 öğrenciden ve 38 тапшырмаden oluşmaktadır.
• Örneklem özellikleri açıklanmamıştır: Öğrencilerin yaşları, sınıf düzeyleri, cinsiyetleri, okul türleri, sosyoekonomik özellikleri veya bölgesel dağılımları verilmemiştir.
• Başarı ölçütü göreli bir ölçüttür: İkili sonuç nesnel doğru-yanlış değil, тапшырма ortalamasının altında veya üstünde kalmaya dayanmaktadır.
• Zamansal değişim modellenmemiştir: Kayıtlar 2016–2025 döneminden gelmesine rağmen öğrencilerin көндүмlerinin tekrarlı oturumlar arasında değişmediği varsayılmıştır. Kullanıcı başına oturumların gerçekten ne kadar kısa bir zaman aralığında toplandığı raporlanmamıştır.
• Başlangıç çapası vardır: Model uzman Q матрицасыnden başlatılmış ve başarısı yine uzman matrisiyle uyum üzerinden değerlendirilmiştir.
• Veri бөлүм ayrıntısı eksiktir: Eğitim, doğrulama ve test kümelerinin oranları ve aynı öğrencinin ya da aynı тапшырма tekrarlarının kümeler arasında nasıl ayrıldığı açıklanmamıştır.
• AUC farkı küçüktür: En iyi ve uzman tabanlı yapı arasındaki fark 0,0048’dir; belirsizlik veya anlamlılık analizi sunulmamıştır.
• Karşılaştırmalar tam eşdeğer değildir: NMF uzman etiketi olmadan çalışırken NCDM uzman yapısıyla başlatılmıştır. G-DINA karşılaştırması ise 18 yerine 12 birleşik көндүм üzerinden yapılmıştır.
• Ağırlık formülü tutarsızdır: Metin ters karekök ağırlıklandırmadan söz ederken formül frekansın doğrudan tersini göstermektedir.
• Görev açıklamalarında tutarsızlık vardır: “The Delivery Job” için ana көндүм metin ve tabloda farklı sunulmuştur.
• Dış doğrulama yoktur: Öğrenci profilleri standart test, öğretmen değerlendirmesi veya bağımsız psikometrik ölçümle karşılaştırılmamıştır.
• Adalet analizi yapılmamıştır: Modelin farklı öğrenci gruplarında eşit doğruluk gösterip göstermediği incelenmemiştir.

Çalışma neyi göstermektedir?

• Uzmanlarca hazırlanan тапшырма-көндүм haritalarının büyük bölümü oyun өндүрүмдүүлүкı verileriyle uyumlu görünmektedir.
• Birçok oyun тапшырмаi tek bir когнитивдик көндүмden fazlasını gerektirebilir.
• Uzman etiketleriyle başlatılan нейрондук model, NMF’ye göre uzman matrisiyle daha yüksek uyum sağlayabilir.
• Modelin Q матрицасы çıktısı, üç farklı ikili başarı eşiğinde benzer genel uyum oranları üretmiştir.
• Q матрицасыnin genişletilmesi tahmin AUC’sinde küçük bir iyileşme sağlamıştır.
• Oyun etkileşimlerinden açıklayıcı öğrenci көндүм profilleri çıkarılabilmektedir.

Çalışma neyi kanıtlamamaktadır?

• Modelin öğrencilerin gerçek когнитивдик көндүмlerini kesin biçimde ölçtüğünü kanıtlamamaktadır.
• Öğrenme güçlüğü, gelişimsel bozukluk veya özel eğitim gereksinimi teşhisi koymamaktadır.
• NCDM’nin bütün veri kümelerinde G-DINA veya NMF’den üstün olacağını göstermemektedir.
• Uzman Q матрицасыndeki her model farklılığının uzman hatası olduğunu kanıtlamamaktadır.
• Modelin önerdiği ikincil көндүмlerin тапшырма çözümünde nedensel olarak gerekli olduğunu göstermemektedir.
• Geliştirilen көндүм profillerinin kişiselleştirilmiş müdahalelerle öğrenci başarısını artırdığını test etmemektedir.
• Macaristan’daki bulguların Türkiye’deki öğrencilere doğrudan genellenebileceğini göstermemektedir.

Türkiye’deki eğitim sistemleri açısından ne ifade ediyor?

Çalışma Türkiye’den öğrenci veya okul verisi içermemektedir. Bu nedenle yüzde 87’lik uyum oranı Türkiye’deki dijital eğitim platformları için beklenen bir өндүрүмдүүлүк değeri olarak kullanılamaz. Buna karşılık yöntem, Türkiye’deki оюндаштырылган ölçme araçlarının ve dijital soru bankalarının geliştirilmesi açısından uygulanabilir bir araştırma çerçevesi sunmaktadır.

Türkiye’de yapılacak bir uygulamada önce öğretmen, psikolog, ölçme-değerlendirme uzmanı ve alan uzmanlarından oluşan ekipler тапшырма-көндүм картасы hazırlayabilir. Sinirsel model daha sonra gerçek öğrenci yanıtlarıyla bu haritadaki bağlantıları sınayabilir. Uzman ile modelin uyuşmadığı тапшырмалар otomatik olarak değiştirilmemeli; тапшырма metni, интерфейс, zaman baskısı, dil yükü ve kullanılan stratejiler uzmanlar tarafından yeniden incelenmelidir.

Yerel doğrulama çalışmasının farklı yaş, okul türü, bölge ve başarı düzeylerinden öğrencileri kapsaması; eğitim, doğrulama ve test ayrımının öğrenci düzeyinde yapılması; aynı öğrencinin tekrarlarının farklı kümelere sızmasının önlenmesi ve model tahminlerinin bağımsız testlerle karşılaştırılması gerekir. Öğrenci profilleri yalnızca öğretmene yardımcı bir veri kaynağı olarak kullanılmalı, yüksek etkili eğitim kararlarının tek dayanağı haline getirilmemelidir.

Çalışmanın Yöntemi ve Bulguları

Temel bulgular

Araştırmanın en güçlü sonucu, uzman eşleştirmelerinin çoğunun gerçek oyun verisiyle birlikte korunması ve modelin bazı тапшырмаларde ikincil көндүмler önermesidir. En көңүл бурууli yorumlanması gereken sonuç ise öğrenci düzeyindeki “güçlü” ve “zayıf” көндүм sınıflarıdır. Bu sınıflar modelin bütün yanıt örüntüsünü açıklayan gizli parametrelerden çıkarılmıştır; bağımsız psikometrik testlerle doğrulanmış doğrudan ölçümler değildir.

Kaynak ve Yöntem Notu

Çalışmanın özgün adı: Data-Driven Q-Matrix Refinement in Gamified Assessments: A Neural Cognitive Diagnosis Approach

Yazarlar ve sıraları: Judit Tevesz; Bertalan Forstner.

Eş birinci yazar veya eş katkı: Çalışmada eş katkı ya da eş birinci yazarlık beyanı bulunmamaktadır.

Sorumlu/iletişim yazarı: PDF’de ayrı bir sorumlu yazar işareti bulunmamaktadır. SSRN kaydı Judit Tevesz’i iletişim yazarı olarak göstermektedir.

Kurumlar: Çalışmanın içinde ve SSRN yazar profilinde kurum bilgisi sunulmamıştır. Resmî kurum kayıtlarında her iki araştırmacı Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics, Department of Automation and Applied Informatics ile ilişkilidir. Judit Tevesz doktora öğrencisi; Bertalan Forstner doçent ve bölüm başkan yardımcısıdır. Cognitive Computing Research Group bağlantıları da resmî kurum sayfalarında yer almaktadır.

Konu alanı: Eğitimde yapay zekâ, eğitimsel veri madenciliği, psikometri, когнитивдик диагностика modelleri, оюндаштырылган değerlendirme ve kişiselleştirilmiş öğrenme.

Kaynak türü: Gerçek platform verisine dayalı ampirik araştırma preprinti.

Yıl: 2026.

DOI:10.2139/ssrn.6992640

Dergi: Hakemli bir dergi sürümü doğrulanamamıştır.

Yayın platformu: SSRN.

Hakemlik durumu: Hakem değerlendirmesinden geçmemiştir. Çalışmanın her sayfasında “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

Resmî bağlantı:SSRN çalışma sayfası

Finansman: Çalışmada ayrı bir finansman beyanı bulunmamaktadır.

Çıkar çatışması: Çalışmada ayrı bir çıkar çatışması beyanı bulunmamaktadır.

Etik ve veri koruma: Kullanıcı kayıtlarının takma kimliklerle işlendiği, anonim oyun verilerinin araştırmada kullanımının platform koşullarında yer aldığı ve çocuk kayıtları için ebeveyn onayının gerektiği belirtilmiştir. Bağımsız etik kurul adı veya onay numarası raporlanmamıştır.

Bu Türkçe inceleme, çalışmanın metni, denklemleri, yöntem açıklamaları, тапшырма tabloları, duyarlılık analizi, karşılaştırmalı model sonuçları ve öğrenci profili görselleri birlikte değerlendirilerek hazırlanmıştır. Bilimsel içerik çalışmanın kendisine dayanmaktadır; dış kaynaklar yalnızca yazar sırası, iletişim yazarı, DOI, kurum bağlantıları, yayın platformu ve hakemlik durumunun bibliyografik doğrulanması amacıyla kullanılmıştır.

Sonuçlar; küçük ve seçilmiş örneklem, göreli başarı диагностикаmı, uzun veri dönemine rağmen sabit көндүм varsayımı, uzman matrisiyle başlatılan model, veri бөлүм ayrıntılarının eksikliği, karşılaştırma modellerindeki yapısal farklılıklar, küçük AUC artışı, dış doğrulamanın bulunmaması ve yöntem metnindeki bazı iç tutarsızlıklar көңүл бурууe alınarak değerlendirilmelidir. Çalışma, нейрондук Q матрицасы iyileştirmesinin umut verici olduğunu göstermekte; yüksek etkili öğrenci kararlarında kullanıma hazır, kesin olarak doğrulanmış bir диагностика sistemi sunduğunu göstermemektedir.