Bu çalışma, dijital eğitim oyunlarının hangi bilişsel becerileri ölçtüğünü belirlemek için kullanılan Q matrisinin yalnızca uzman görüşüne bırakılmak yerine öğrenci performans verileriyle sınanıp sınanamayacağını araştırmıştır. Macaristan’daki Okosdoboz adlı oyunlaştırılmış eğitim platformundan alınan veriler; 261 öğrenci, 38 oyun görevi ve problem çözme, bellek, dikkat, planlama, sayısal düşünme, tepki süresi ve duygu tanıma gibi 18 bilişsel beceriyi kapsamaktadır.

Araştırmacılar, görevlerle beceriler arasındaki ilişkileri gösteren Q matrisini sabit bir girdi olarak kullanmamış; uzman etiketleriyle başlatılan fakat eğitim sırasında geri yayılım yoluyla değişebilen, öğrenilebilir bir model bileşenine dönüştürmüştür. Sinirsel Bilişsel Tanı Modeli, 20 ayrı eğitim çalıştırmasından elde edilen kararlı tahminler kullanıldığında uzmanlarca tanımlanan görev-beceri bağlantılarının yüzde 87’sini yeniden belirlemiştir. Model ayrıca bazı oyunların tek bir beceri yerine birden fazla bilişsel sürece bağlı olabileceğini gösteren ikincil beceri ilişkileri önermiştir.

NeuroCDM yaklaşımının Q matrisi geri kazanım oranı, Negatif Olmayan Matris Çarpanlarına Ayırma yöntemindeki yüzde 68’in üzerinde kalmıştır. On sekiz becerinin 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 matrisiyle AUC 0,86858 iken NCDM tarafından genişletilmiş matrisle 0,87338’e çıkmıştır. Bu yaklaşık 0,0048 AUC birimlik artış, modelin beceri yapısını daha ayrıntılı açıklayabileceğini düşündürse de büyük bir pratik performans sıçraması anlamına gelmemektedir.

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

Q matrisi nedir ve neden önemlidir?

Bilişsel tanı modelleri, yalnızca öğrencinin toplam puanını hesaplamak yerine hangi alt becerilerde güçlü ya da zayıf olduğunu tahmin etmeyi amaçlar. Bunun için her görevin hangi bilişsel özellikleri gerektirdiğini belirten bir eşleme tablosuna ihtiyaç duyulur. Bu tabloya Q matrisi adı verilmektedir.

Q matrisinin satırları görevleri, sütunları ise becerileri temsil eder. Geleneksel ikili bir matriste bir hücrenin 1 olması, ilgili görevin söz konusu beceriyi gerektirdiğini; 0 olması ise gerektirmediğini ifade eder. Örneğin bir oyun görevi planlama, dikkat ve görsel bellek gerektiriyorsa bu üç sütunda bağlantı bulunabilir.

Bu yapı yanlış tanımlandığında sorun yalnızca görev sınıflandırmasıyla sınırlı kalmaz. Öğrencinin beceri profili, görev güçlüğü, başarı olasılığı ve kişiselleştirilmiş içerik önerileri de yanlış hesaplanabilir. Araştırmanın çıkış noktası, özellikle oyunlaştırılmış görevlerde uzmanların tek bir “ana beceri” belirlemesinin gerçek bilişsel süreci aşırı basitleştirebileceğidir.

Araştırma hangi soruları sınadı?

Çalışma üç temel hipotez üzerinden yürütülmüştür:

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

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

Veriler nereden geldi?

Veriler, 2016’dan beri faaliyet gösteren Macaristan merkezli Okosdoboz eğitim platformundaki kayıtlı kullanıcıların oyun etkileşimlerinden alınmıştır. Platform okul müfredatına bağlı alıştırmalar ile bilişsel beceri 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 görevler korunmuştur. En sık oynanan görev 3.597 oturuma ulaşırken görev 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 göreve 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 görevi kendi puan dağılımı içinde standartlaştırılmıştır. Öğrenci i’nin görev 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 görevde aldığı ham puandır.
• μ_j, ilgili görevin ortalama puanıdır.
• σ_j, ilgili görevin puan standart sapmasıdır.
• z_i,j, öğrencinin aynı görevi 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 görevdeki örneklem ortalamasına eşit veya daha yüksek performans 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 performans 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 beceri düzeylerini temsil eden gizli yetenek vektörleri,
• Görevlerin güçlük ve özellik parametreleri,
• Her görevin her beceriye ne ölçüde bağlı olduğunu temsil eden öğrenilebilir Q matrisi.

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

Ham beceri 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, görevin ilgili beceriye 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 görevlerin eğitimi baskılamaması amacıyla görev düzeyinde ağırlıklandırma uygulanmıştır. Metinde bu yöntemin “frekansın ters karekökü” olduğu yazılmasına karşın verilen formül şöyledir:

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

Burada f_i, görevin 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 görevin model tarafından en önemli görülen üç becerisi çıkarılmıştır. Sinirsel ağların rastlantısal başlangıçlardan etkilenebilmesi nedeniyle model 20 kez eğitilmiştir. Bir beceri, bu çalıştırmaların en az yüzde 30’unda ilk üç beceri arasında görünüyorsa kararlı bir bağlantı olarak kabul edilmiştir.

Bu ölçüte göre model, uzmanların tanımladığı görev-beceri bağlantılarının yüzde 87’sini yeniden belirlemiştir. Sonuç, görevlerin çoğunda uzman sınıflandırması ile öğrenci performansından 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 matrisi 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 performansı 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?

Negatif Olmayan Matris Çarpanlarına Ayırma, öğrenci-görev matrisindeki gizli örüntüleri uzman etiketleri olmadan çıkaran doğrusal ve gözetimsiz bir yöntemdir. NMF’nin gizli bileşenleri doğrudan bellek, dikkat veya planlama gibi isimlere sahip olmadığı için araştırmacılar, her bileşeni uzman becerileriyle 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 sinirsel mimarinin üstünlüğünü değil, uzman ön bilgisinin modele dâhil edilmesinin avantajını da yansıtmaktadır.

G-DINA karşılaştırması nasıl yapıldı?

G-DINA, becerilerin ana ve ortak etkilerini temsil edebilen esnek bir bilişsel tanı modelidir. On sekiz beceri kullanıldığında olası gizli beceri profili sayısı:

\[ 2^{18}=262.144 \]

olmaktadır. Araştırmacılar bu uzayı veri miktarına göre fazla büyük bulmuş ve kavramsal olarak benzer bazı becerileri birleştirerek 12 özellikli bir Q matrisi 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 becerilerin birleştirilmesi, yerel bağımlılıkların artması ve G-DINA’nın çok daha geniş parametre uzayı karşılaştırmayı etkileyebilir. Yüzde 91,4’lük oran, orijinal 18 becerili analizdeki yüzde 87 ile aynı deneyin sonucu değildir; 12 birleşik özelliğe dayanan ayrı bir değerlendirmedir.

Q matrisi değiştiğinde tahmin başarısı ne kadar arttı?

Araştırmacılar dört farklı Q matrisiyle öğrenci performansını 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 becerileri buldu?

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

• The Bell Player: Uzman ana becerisi bellek olan görevde model de belleği ilk sıraya yerleştirmiştir.
• The Delivery Job: Tabloda ana beceri planlama, ek beceriler problem çözme ve uzamsal düşünme olarak gösterilmiş; model planlamayı tahmin etmiştir.
• The Amnesiac Principal: Ana beceri sayısal düşünme olarak işaretlenmiş; model sayısal düşünmenin yanında görsel bellek ve belleği de önermiştir.
• Wedding Photography: Uzman ana etiketi dikkat olan görevde model dikkati ve duygu tanımayı öne çıkarmıştır.
• Balaton Obstacle Course: Tepki süresi, algı ve hızla ilişkili görevde model bu üç özelliği birlikte belirlemiştir.
• Paintball: Uzman etiketlerinde ketleme ve yürütücü işlev bulunan görevde model de bu iki alanı öne çıkarmıştır.

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

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

Öğrenci beceri profilleri nasıl oluşturuldu?

Model her öğrenci için 18 beceriyi 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 beceri olasılığına,
• −0,3 ile 0,3 arası değerler 0,42–0,57 aralığına,
• 1,3’ün üzerindeki değerler 0,80’in üzerinde beceri 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, tepki süresi, algı ve hız alanlarında güçlü; dikkat alanında çok güçlü bir profil oluşturmuştur. Bellek, planlama, sayısal düşünme, dikkat değiştirme ve duygu tanıma zayıf görünmüştür. 20. sayfadaki görev kayıtları, öğrencinin bazı dikkat görevlerinde tekrarlar boyunca yüksek performans gösterdiğini; planlama ve bellek görevlerinde ise daha fazla zorlandığını göstermektedir.

Kullanıcı 60: Model çok sayıda bilişsel alanda zayıf bir profil çıkarmıştır. Öğrencinin bir bellek görevinde tek bir başarılı sonucu bulunmasına rağmen genel örüntü zayıf kaldığı için model bu beceriyi güçlü sınıfa taşımamıştır. Bu örnek, modelin tek bir doğru sonuca değil, görevlerin tamamındaki tutarlı örüntüye ağırlık verdiğini göstermektedir.

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

Bu üç görsel açıklayıcı vaka örnekleridir. Öğrenci profillerinin bağımsız öğretmen değerlendirmesi, standart bilişsel test, okul notu veya başka bir dış ölçütle doğrulandığı gösterilmemiştir. Dolayısıyla görseller modelin çıktılarının oyun kayıtlarıyla uyumlu göründüğünü göstermekte; beceri 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 matrisi 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 bilişsel tanı yaklaşımı G-DINA ile karşılaştırmıştır.
• Yalnızca görev-beceri eşleştirmesini değil, öğrenci düzeyindeki beceri profillerini de incelemiştir.
• Tek beceri varsayımının oyunlaştırılmış görevler için yetersiz olabileceğini somut görev örnekleriyle göstermiştir.

Çalışmanın başlıca sınırlılıkları nelerdir?

• Örneklem sınırlıdır: Platform geniş kullanıcı trafiğine sahip olsa da analitik örneklem yalnızca 261 öğrenciden ve 38 görevden 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, görev ortalamasının altında veya üstünde kalmaya dayanmaktadır.
• Zamansal değişim modellenmemiştir: Kayıtlar 2016–2025 döneminden gelmesine rağmen öğrencilerin becerilerinin tekrarlı oturumlar arasında değişmediği varsayılmıştır. Kullanıcı başına oturumların gerçekten ne kadar kısa bir zaman aralığında toplandığı raporlanmamıştır.
• Başlangıç çapası vardır: Model uzman Q matrisinden başlatılmış ve başarısı yine uzman matrisiyle uyum üzerinden değerlendirilmiştir.
• Veri bölme ayrıntısı eksiktir: Eğitim, doğrulama ve test kümelerinin oranları ve aynı öğrencinin ya da aynı görev 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 beceri 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 beceri 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 görev-beceri haritalarının büyük bölümü oyun performansı verileriyle uyumlu görünmektedir.
• Birçok oyun görevi tek bir bilişsel beceriden fazlasını gerektirebilir.
• Uzman etiketleriyle başlatılan sinirsel model, NMF’ye göre uzman matrisiyle daha yüksek uyum sağlayabilir.
• Modelin Q matrisi çıktısı, üç farklı ikili başarı eşiğinde benzer genel uyum oranları üretmiştir.
• Q matrisinin genişletilmesi tahmin AUC’sinde küçük bir iyileşme sağlamıştır.
• Oyun etkileşimlerinden açıklayıcı öğrenci beceri profilleri çıkarılabilmektedir.

Çalışma neyi kanıtlamamaktadır?

• Modelin öğrencilerin gerçek bilişsel becerilerini 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 matrisindeki her model farklılığının uzman hatası olduğunu kanıtlamamaktadır.
• Modelin önerdiği ikincil becerilerin görev çözümünde nedensel olarak gerekli olduğunu göstermemektedir.
• Geliştirilen beceri 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 performans değeri olarak kullanılamaz. Buna karşılık yöntem, Türkiye’deki oyunlaştırılmış 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 görev-beceri haritası hazırlayabilir. Sinirsel model daha sonra gerçek öğrenci yanıtlarıyla bu haritadaki bağlantıları sınayabilir. Uzman ile modelin uyuşmadığı görevler otomatik olarak değiştirilmemeli; görev metni, arayüz, 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 görevlerde ikincil beceriler önermesidir. En dikkatli yorumlanması gereken sonuç ise öğrenci düzeyindeki “güçlü” ve “zayıf” beceri 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, bilişsel tanı modelleri, oyunlaştırılmış 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, görev 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 tanımı, uzun veri dönemine rağmen sabit beceri varsayımı, uzman matrisiyle başlatılan model, veri bölme ayrıntılarının eksikliği, karşılaştırma modellerindeki yapısal farklılıklar, küçük AUC artışı, dış doğrulamanın bulunmaması ve yöntem metnindeki bazı iç tutarsızlıklar dikkate alınarak değerlendirilmelidir. Çalışma, sinirsel Q matrisi iyileştirmesinin umut verici olduğunu göstermekte; yüksek etkili öğrenci kararlarında kullanıma hazır, kesin olarak doğrulanmış bir tanı sistemi sunduğunu göstermemektedir.