Intelligent question classification for e-learning environments by data mining techniques

Abstract

Bu tezde, bilim dünyasında sıkça kullanılan ve bilinen üç yapay zeka metodu: ANN (Yapay Sinir Ağları), SVM (Destekçi Vektör Makinası) ve ANFIS (Adaptif Ağ Yapılı Bulanık Sonuç Çıkarım Sistemi) doğru soru seviyesi teşhisi, akıllı soru sınıflandırması ve akıllı öğrenme ortamlarındaki (E-Öğrenme, Uzaktan Eğitim Platformları) soru modellerinin güncellenmesi hedeflerini başarmak için ele alınmıştır. Bu tez, bu üç ünlü metodun web tabanlı ortamlardaki (E-Öğrenme) derslerin (Lisans Dersi: İnsan Uygarlıkları Tarihi) test ve değerlendirme aşamalarında, öğrencilerin verdikleri yanıtları, soru zorluk katsayılarını ve bu katsayıları Gauss Normal Eğrisi'ne koyarak ortaya çıkan soru zorluk sınıflarını birer girdi olarak kullanarak, soruların sınıflandırılmasında ne kadar etkin ve verimli olduklarını raporlamaktadır. ANN, SVM ve ANFIS'in bu bağlamdaki etkinlikleri 5018 satır veriden oluşan ve 13 farklı soru tipi içeren bir örnek veritabanı kullanılarak ve sınıf tahmin doğruluklarına, ayrıca performanslarına bağlı olarak değerlendirildi. Sonuç olarak, karşılaştırmasal test performans analizi, ANFIS (Adaptif Ağ Yapılı Bulanık Sonuç Çıkarım Sistemi)'in diğer iki metoda göre daha iyi sonuçlar verdiğini ortaya çıkardı.

In this thesis, three favorite artificial intelligence methods: ANN, SVM, and ANFIS are proposed as a means to achieve accurate question level diagnosis, intelligent question classification and updates of the question model in intelligent learning environments such as E-Learning or distance education platforms. This thesis reports the investigation of the effectiveness and performances of three favorite artificial intelligence methods: ANN, SVM, and ANFIS within a web-based environment (E-Learning) in the testing part of an undergraduate course that is ?History of Human Civilizations? to observe their question classification abilities depending on the item responses of students, item difficulties of questions and question levels that are determined by putting the item difficulties to Gaussian Normal Curve. The effectivenesses of ANN, SVM and ANFIS methods were evaluated by comparing the performances and class correctnesses of the sample questions (n=13) using the same 3 inputs as: item responses, item difficulties, question levels to 5018 rows of data that are the item responses of students in a test composed of 13 questions. The comparative test performance analysis conducted using the classification correctness revealed that the Adaptive-Network-Based Fuzzy Inference System (ANFIS) yielded better performances than the Artificial Neural Network (ANN) and Support Vector Machine (SVM).