ÇEVRİMİÇİ SINAVLARDA İSTENMEYEN DAVRANIŞ TESPİTİNE YÖNELİK YENİ BİR YAKLAŞIMIN GELİŞTİRİLMESİ

Abstract

Uzaktan öğretim, birçok eğitim kurumu tarafından yaygın olarak kullanılmaktadır. Koronavirüs'ün sebep olduğu pandemiden dolayı tüm dünyada olduğu gibi ülkemizde de uzaktan eğitimin önemi daha çok artmıştır. Eğitim öğretim faaliyetlerinin çevrimiçi ortama taşınması ile beraber etik olmayan davranışlarda ortaya çıkmıştır. Özellikle çevrimiçi sınavlarda kopya ve intihal gibi davranışlar hem öğrenenler hem de eğitim kurumları için bir endişe kaynağı olmuştur. Bu tez çalışması, çevrimiçi uzaktan eğitimde ders alan öğrencilerin, uzaktan eğitim sistemi aracılığı ile çevrimiçi ortamda yapay ve gerçek sınav verilerinden oluşan veri setini kullanarak, istenmeyen davranış örüntülerini tahmin ve sınıflandırma yaparak iyileştirilmiş ve optimize edilmiş en iyi yapay zekâ modellerini ortaya çıkarmayı amaçlamaktadır. Çalışma kapsamında çevrimiçi sınav verisi, iki farklı senaryo kullanılarak, araştırmacılar tarafından regresyon ve sınıflandırmada en iyi model tahmin ve sınıflandırma performansını ortaya çıkarmak için makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak analiz edilmiştir. Senaryo-1 kapsamında, istenmeyen davranış örüntülerinden "kopya çeken" öğrencileri tespit etmede önerdiğimiz model beş katmanlı DNN modelidir. Senaryo-2 kapsamında ikili sınıflandırmada istenmeyen davranış tespitinde "kopya çeken" öğrencileri tespit etmede Rastgele Orman modeli ve üçlü sınıflandırmada XGBoost modeli önerdiğimiz en iyi model olarak tespit edilmiştir. Ayrıca en iyi performans gösteren algoritmaların, model başarımında performansı artıran etkenleri tespit etmek amacıyla açıklayıcı yöntemler kullanılmıştır. Bu çalışmanın bir sonucu olarak performansı iyileştirecek en uygun parametre seçimi ve katman fonksiyonlarının uygulanması, hedef değişkenleri ve klasik matematik modelleri kullanılarak çözülemeyen karmaşık problemleri tahmin etmede etkili olabileceği gösterilmiştir. Sonuçlar, öğrencilerin çevrimiçi uzaktan eğitim sınav verilerinin makine öğrenmesi modellerine ve DNN modeline rahatlıkla uygulanabileceğini kanıtlamaktadır. Önerilen modeller, eğitim kurumlarına, çevrimiçi sınav uygulamalarının değerlendirilmesinde ve akademik bütünlüğü sağlamada bir yol haritası ve öngörü sağlayabilir.

Distance learning is widely used by many educational institutions. Due to the pandemic caused by the coronavirus, the importance of distance learning has increased in our country as well as all over the world. With the transfer of educational activities to the online environment, unethical behaviors have also emerged. Behaviors such as cheating and plagiarism, especially in online exams, have become a source of concern for both learners and educational institutions. This thesis aims to reveal the best improved and optimized artificial intelligence models by predicting and classifying undesirable behavior patterns using a dataset consisting of artificial and real exam data of students taking online distance education courses in an online environment through a distance education system. Within the scope of the study, online exam data was analyzed by researchers using machine learning and deep learning algorithms to reveal the best model prediction and classification performance in regression and classification using two different scenarios. The model we proposed in Scenario-1 to detect students who "cheat" from undesirable behavior patterns is a four-layer DNN model. Within the scope of Scenario-2, the SVM model was found to be the best model we proposed in detecting students who "cheat" in the undesirable behavior analysis in binary classification and the RF model in ternary classification. In addition, explanatory methods were used to identify the factors that increase the performance of the best performing algorithms in the model performance. As a result of this study, it has been shown that the most appropriate parameter selection and application of layer functions that will improve performance can be effective in predicting complex problems that cannot be solved using target variables and classical mathematical models. The results prove that students' online distance education exam data can be easily applied to machine learning models and DNN models. The proposed models can provide educational institutions with a roadmap and insight in evaluating online exam applications and ensuring academic integrity.