Editörler: Hatice Ferhan Odabaşı Buket Akkoyunlu Aytekin İşman ıı Editörler Editörler: Prof. Dr. Hatice Ferhan ODABAŞI Prof. Dr. Buket AKKOYUNLU Prof. Dr. Aytekin İŞMAN Eğitim Teknolojileri Okumaları / 2017 Kitap içeriğinin tüm sorumluluğu yazarlara aittir. Copyright. TOJET - The Turkish Online Journal of Educational Technology Bu kitabın .pdf formatına www.tojet.net internet adresinden ulaşabilirsiniz. Baskı Nisan 2017, Sakarya Yayın Proje Yönetimi: Aytekin İŞMAN Dizgi - Graik: Ahmet GENÇ Kapak Tasarımı: Mehmet GRUŞÇU Baskı: Genç Reklam İletişim _______________________________ Prof. Dr. Hatice Ferhan ODABAŞI ferhanodabasi@gmail.com Prof. Dr. Buket AKKOYUNLU buketakkoyunlu@gmail.com Prof. Dr. Aytekin İŞMAN aytekinisman@gmail.com Şehit Prof. Dr. İlhan VARANK anısına... ııı Prof. Dr. İlhan Varank Özgeçmiş Trabzon / Of kütüğüne bağlı 3 çocuklu Varank ailesinin ortanca çocuğu olan Prof. Dr. İlhan Varank 06 Ağustos 1971 tarihinde Zonguldak’ta doğdu. İlhan Varank öğrenim hayatının ilk, orta ve lise kısmını İstanbul’da tamamladı. 1990 yılında Balıkesir Üniversitesi Necatibey Eğitim Fakültesinde Matematik Öğretmenliğini kazanarak üniversite hayatına başladı. 1994 yılında mezun olduktan sonra bir yıl Balıkesir’de dershanede matematik öğretmenliği yapan Prof. Dr. İlhan Varank, daha sonra, Milli Eğitim Bakanlığı bursu ile Amerika Birleşik Devletlerinde yüksek lisans ve doktora yapmak üzere gönderildi. Ohio State Üniversitesi'nde Bilgisayar Destekli Eğitim alanında yüksek lisansa başladı ve 1998 yılında yüksek lisans eğitimini tamamladı. Doktora eğitimi için Florida State Üniversitesi’ne başvurdu ve 2003 yılında doktora çalışmasını tamamladı. 2003 yılında Türkiye’ye dönerek, Afyon Kocatepe Üniversitesi'nde Dr. Araştırma görevlisi olarak göreve başladı ve Yardımcı Doçent olarak görev yapmaya devam etti. Prof. Dr. İlhan Varank, 2005 yılında Almanya Freiburg Üniversitesi’nde, 2006 yılında Finlandiya Turku Üniversitesi’nde, 2007 yılında Umman Sultan Qaboos Üniversitesi’nde ve 2012 yılında Portekiz Fernando Pessoa Üniversitesi’nde ziyaretçi öğretim üyeliği yaptı. 2010 yılında Doçent Dr. olarak Yıldız Teknik Üniversitesi BÖTE Bölümünde çalışmaya başlayan Varank, Fatih Projesi ile 2011 - 2013 yılları arasında Eğitim Teknolojileri Genel Müdürlüğünde Grup Başkanı, Mili Eğitim Bakanlığında Bakan Danışmanı ve Fatih Projesinde Baş Araştırmacı görevlerini yürüttü. 2015 yılında Profesör unvanını alan Prof. Dr. İlhan Varank, evli ve 2 çocuk babasıydı. 15 Temmuz 2016 gecesi yaşanan elim olaylarda 45 yaşında şehit olan Prof. Dr. İlhan Varank’ın anısını yaşatabilmek dileğiyle... ıv Önsöz ÖNSÖZ Değerli Meslektaşlarımız, Eğitim Teknolojileri Okumaları serimizin üçüncüsünü sizlerle buluşturmanın mutluluğu içindeyiz. Bu sene de dünyada ve ülkemizde alanımızdaki en güncel ve yenilikçi konuları, değerli akademisyenlerimizin katkıları ile 46 bölümlük bir okuma halinde sizlere sunuyoruz. Mutluluğumuzun yanında, alanımızdaki değerli akademisyenlerden Prof. Dr. İlhan Varank hocamızı kaybetmenin acısı da gönlümüzde. Hocamızı 15 Temmuz'da yaşadığımız menfur girişimde şehitler hanesine yazdırdık. Oysa ömrünün en verimli çağında olan hocamızla belki bu kitapta bir bölümle, belki bir jüri üyeliğiyle, belki bir panelde, belki de bir projede birlikte olacaktık. Öğrencileriyle heyecanlı dersler işleyecekti, hararetli tartışmalara girecekti. Çocuklarının mezuniyetini dinleyecek, "Dede oldun be İlhan!" diyecektik... Sevgili İlhan Varank'ın anısını yaşatmak için bu yılki kitabımızı onun adına çıkarmaya karar verdik. Katkı sağlayan herkese teşekkür ederiz. Eğitim ve aracılığıyla üretilen bilgi, bir toplum için yapılması gereken en önemli görev günümüzde. Biz üretmeye devam edeceğiz, görevimizin, geleceği ve bugünü aydınlatmak olduğunun bilinciyle ve sorumluluğuyla... Kitabın oluşumuna katkı sağlayan bölüm yazarlarımıza ve kitap bölümlerinin tek tek kontrollerini yapan Yrd. Doç. Dr. Gökhan DAĞHAN ve Arş. Gör. Nihal MENZİ ÇETİN'e teşekkür ederiz. İyi okumalar... Prof. Dr. H. Ferhan ODABAŞI Prof. Dr. Buket AKKOYUNLU Prof. Dr. Aytekin İŞMAN Bölümler ve Yazarlar v BÖLÜMLER VE YAZARLARI 1.BÖLÜM:ALGORİTMİK DÜŞÜNME İÇİN PROGRAMLAMA ÖĞRETİMİ ADIMLARI Yrd. Doç. Dr. Ali Kürşat ERÜMİT (Karadeniz Teknik Üniversitesi) Öğr. Gör. Ali İhsan BENZER (Karadeniz Teknik Üniversitesi) Dilara Arzugül AKSOY (Karadeniz Teknik Üniversitesi) Ayşegül AKSOY (Karadeniz Teknik Üniversitesi) Güven ŞAHİN (Karadeniz Teknik Üniversitesi) 2.BÖLÜM:AVRUPA DİJİTAL YETERLİKLER ÇERÇEVESİ: ÖĞRETİM PROGRAMLARI İLE BÜTÜNLEŞTİRME Yrd. Doç. Dr. Gonca Kızılkaya CUMAOĞLU (Yeditepe Üniversitesi) Yrd. Doç. Dr. Yelkin Diker COŞKUN (Yeditepe Üniversitesi) 3.BÖLÜM:BİLGİ GÜVENLİĞİ FARKINDALIK EĞİTİMİ Yrd. Doç. Dr. Can GÜLDÜREN (Ufuk Üniversitesi) Prof. Dr. Haize KESER (Ankara Üniversitesi) 4.BÖLÜM:BİLGİSAYAR DESTEKLİ TESTLER İÇİN YENİLİKÇİ MADDELER Prof. Dr. Nükhet DEMİRTAŞLI (Ankara Üniversitesi) 5.BÖLÜM:BİLİŞİMSEL DÜŞÜNME VE PROGRAMLAMA Prof. Dr. Hasan KARAL (Karadeniz Teknik Üniversitesi) Arş. Gör. Merve YILDIZ (Erzincan Üniversitesi) Erhan ÇİFTÇİ (Karadeniz Teknik Üniversitesi) 6.BÖLÜM:BÖTE İÇİN YENİ BİR DERS ÖNERİSİ YÖNETİM BİLİŞİM SİSTEMLERİ Dr. Mehmet Bilge Kağan ÖNAÇAN (Milli Savunma Üniversitesi) 7.BÖLÜM:DİJİTAL OKURYAZARLIK VE BİLİMSEL İLETİŞİM Arş. Gör. Nihal Menzi ÇETİN (Hacettepe Üniversitesi) Prof. Dr. Buket AKKOYUNLU (Çankaya Üniversitesi) 8.BÖLÜM:DÖNÜŞTÜRÜCÜ ÖĞRENME KURAMI BAKIŞ AÇISI İLE TEKNOLOJİ ENTEGRASYONU Yrd. Doç. Dr. Özden Şahin İZMİRLİ (Çanakkale Onsekiz Mart Üniversitesi) Doç. Dr. Işıl Kabakçı YURDAKUL (Anadolu Üniversitesi) 9.BÖLÜM:DÖNÜŞTÜRÜLMÜŞ ÖĞRENME MODELİNDE DÜŞÜNME BECERİLERİ: KENDİ ARACINI GETİR UYGULAMASIYLA İNFOGRAFİK TASARIM ETKİNLİĞİ Arş. Gör. Abdullah Yasin GÜNDÜZ (Hacettepe Üniversitesi) Dr. Pınar Nuhoğlu KİBAR (Hacettepe Üniversitesi) Prof. Dr. Buket AKKOYUNLU (Çankaya Üniversitesi) 10.BÖLÜM:EĞİTİM TEKNOLOJİLERİ BAĞLAMINDA OKURYAZARLIK Yrd. Doç. Dr. M. Betül YILMAZ (Yıldız Teknik Üniversitesi) 11.BÖLÜM:EĞİTİMDE BÜYÜK VERİ Arş. Gör. Dr. Zeki ÖZEN (İstanbul Üniversitesi) Arş. Gör. Dr. Elif KARTAL (İstanbul Üniversitesi) İlkim Ecem EMRE (İstanbul Üniversitesi) 12.BÖLÜM:ERKEN YAŞTA PROGRAMLAMA EĞİTİMİ: ARAŞTIRMALARDAKİ GÜNCEL EĞİLİMLERLE İLGİLİ BİR İNCELEME Yrd. Doç. Dr. Hatice DURAK (Bartın Üniversitesi) Yrd. Doç. Dr. Fatma Gizem Karaoğlan YILMAZ (Bartın Üniversitesi) Yrd. Doç. Dr. Ramazan YILMAZ (Bartın Üniversitesi) Prof. Dr. Süleyman Sadi SEFEROĞLU (Hacettepe Üniversitesi) 13.BÖLÜM:ELEKTRONİK PERFORMANS DESTEK SİSTEMLERİ Dr. Barış SEZER (Hacettepe Üniversitesi) 14.BÖLÜM:ETKİLEŞİMSEL UZAKLIK: ALANYAZIN İNCELEMESI Arş.Gör. Fatih TÜRKAN (Anadolu Üniversitesi) Prof.Dr. Abdullah KUZU (Anadolu Üniversitesi) 15.BÖLÜM:GRAFİKSEL VE DOKUNULABİLİR KULLANICI ARAYÜZLERİ VE PROGRAMLAMA ÖĞRETİMİNDE UYGULAMA ÖRNEKLERİ Arş. Gör. Alper BURMABIYIK (Anadolu Üniversitesi) Prof.Dr. Abdullah KUZU (Anadolu Üniversitesi) 16.BÖLÜM:İLERİ YAŞTA BİLGİ VE İLETİŞİM TEKNOLOJİLERİ KULLANIMI: SORUNLAR VE ÖNERİLER Arş. Gör. Yasemin KAHYAOĞLU (Anadolu Üniversitesi) Doç. Dr. Adile Aşkım KURT (Anadolu Üniversitesi) 17.BÖLÜM:İŞİTME ENGELLİ BİREYLERE YÖNELİK GELİŞTİRİLEN TEKNOLOJİ ENTEGRASYONU UYGULAMASININ SAMR MODELİ AÇISINDAN İNCELENMESİ Arş. Gör. Fatih YAMAN (Anadolu Üniversitesi) Yrd. Doç. Dr. Onur DÖNMEZ (Ege Üniversitesi) Doç. Dr. Işıl Kabakçı YURDAKUL (Anadolu Üniversitesi) 106 Eğitim Teknolojileri Okumaları 2017 BÖLÜM 11 EĞİTİMDE BÜYÜK VERİ Arş. Gör. Dr. Zeki ÖZEN Arş. Gör. Dr. Elif KARTAL İlkim Ecem EMRE İstanbul Üniversitesi Özet İçinde yaşadığımız bilgi ça ğında enş önemli güç ve sermaye adından da anlaılabilece ği gibi “bilgi”dir ve bilginin temelini veri şturu olu şına bir anlam ifade etmemekte; ancak yorumlandı ğı
Veri, tek ba takdirde ş bilgiye dönü erekğ katma de er yaratmaktadır ğunlukla ş bilgi ve ileti im
Bugün veri ço teknolojileri İ T) aracılı ğıyla üretilmekte, saklanmakta, şlenmekte i ve farklı sistemler veya kullanıcılar B tarafından tüketilmektedir Günümüzdeşletmeler, i veri bir miktarının fazla olması, verinin çok hızlı şekildeğ üretilmesi ve veri kaynaklarının fazlalı ı gibi sebepler ile büyük veri analizini karar verme klasik etmektedir matematiksel yöntemler ile ya da çıplak gözle süreçlerine
Çünkü dâhil data) olarak adlandırılan yapıda gizlidir bulunamayacak çeşitli örüntü ve şablonlar bugün büyük veri big
Büyük veri, üyüyen en basit ve farklı anlamıyla, türde çok veribüyük kaynaklarından hacimli, hızlı eldeb edilen veri setlerini ileti ifade etmektedir şim, spor gibi birçok alanda gerçekle ştirilen çe şitli
Bankacılık, uygulamaların ğ yanı sıra, büyük veriitimde e
E ğde önemli bir rol oynamaktadır itim sektöründe büyük veri; eğitim kalitesinin artırılması, ğrenciye ğö özgü ö renmenin ş iselle ştirilmi ş öğrenme) ğ sa lanması, ki ö r ğenci ş performansının iyile tirilmesi, ğitim e müfredatının ğ planlanması, eitimde verimsiz idari süreçlerin ş belirlenerek iyile tirilmesi, ders içeriklerinin yeniden yapılandırılması, ğitmen ve e idarecilerin ğitsel veri madencili ği, ö r ğenci performansını takip etmesi gibi birçok amaçla kullanılmaktadır
E ö r ğenme analiti ği veğakademik analitikler, itimde e
Bubüyük veriden yararlanılan alanlardır noktadan hareketle bu çalı şmada yazarlar; a çıkarak, büyük everi kavramının tanımı ve yapısından yol ğitimde büyük veri konusunu ele almı ştı
Bu kapsamda, e ğitimde büyük veri kullanım alanlarına, gerçek hayattan örnek uygulamalara, büyük verininğitimde e sağladı ğ ı avantajlara ğ ve eitimde kullanımına yönelik endi şelere bu bölümde yer verilmi şti
Anahtar Sözcükler: veri,ğbüyük veri, eitimde büyük veri Hazırlık Soruları 1 2 3 Büyük veri nedir? Büyük verinin yapısıylaşkili ili önemli unsurlar nelerdir? E i ğtimde büyük veri nasıl kullanılmaktadır? Giriş Bilgi ş ve ileti imB İteknolojilerinde T) neredeyse her gün yeni bir geli şme
ortaya Eskidençıkmaktadır kâ ğ ıt kalemle ş yapılan pek çok lem, i B İT sayesinde ş artık elektronik ortamda gerçekle tirilebilmektedir
E i ğtimde özellikle-öe r ğenme kavramı ile öğrenme yönetim sistemi, içerik yönetim sistemi, sanal sınıf v
pek çok ş yeni teknoloji de kullanılmaya ba lanmıştır ğrenciden ğ e itmene, ğ idari personelden eitim 
Ö kurumu ğ yöneticisine, kısaca itimdeki e tüm paydaşlarada) aitta veri elektronik ortama şınmı ş tır Bir
eğitim kurumundaki öğrenci ve çalı şanların ki şisel bilgileri, dersler, ders içeriklerine ait video, ses kaydı, metin dosyaları, ğrenme ö ortamında kullanılan -postalar, e ş sosyal medya payla ımları gibi farklı veri bilindi ği gibi sadece bilinçli formatlardaki veri yine elektronik ortamdapolanmaktadır de
Büyük olarak meydana gelmemektedir ş toplanan veriyiveriden olu turan asıl kısım, gerçekle ştirdi ğimiz
Büyük eylemler ş sonucu çe itli sensörler, an kullanıcı kameralar farkındaveya akıllı sistemler tarafınd olmadan arka planda veridir durum üretilen e itimde farklı kaynaklardan hızlı bir biçimde gelen büyük
Buğ Eğitimde Büyük Veri 107 hacimli ve çok çeşitli veriyi, yani büyük veriyi ortaya çıkarmı ştır  Bu nedenle ilk olarak büyük veri kullanımını te şvik eden sebepleri ortaya koymak faydalı olacaktırbazıları şu şekilde  Bu sebeplerden sıralanabilir (Jain,  : 1 Düşük maliyetli veri depolama imkânı: Günümüzde veri depolama geçmi şe şkıyasla ucuzlamı ve kolaylaşmıştır veri saklama, ğ depolamilk ça larda ğ insanların maara  Tarihtelgi duvarlarına çizdikleri şekillere kadar dayandırılsa da Morgan, 2013); elektronik ortamdaki gelişmenin in son görülmesi 50 yıllık iç zaman dilimini incelemek yeterli olacaktır  Ortalama 1,44 megabaytlık 700 megabaytlık hafızaya sahip CD’ler, floppy 4,4 diskler, gigabaytlık DVD’lerden sonra bugün, terabayt boyutunda veri saklama kapasitesindeki dâhili/harici diskleri veri depolamada kullanmaktayız. Tablo 1’de, 1981 ile 2010 yılları arasındaki 1GB’lık veri depolama maliyetleri incelendiğinde maliyetlerin düştüğü rahatlıkla görülebilir (Quigley, 2011). 1981 yılından 2010 yılına 1GB başına düşen veri depolama maliyeti üç milyon kat ucuzlamıştır (Tablo 1). Tablo 1 Yıllara göre 1GB'lık veri depolama maliyeti Yıl Tutar ($) 1981 300.000 1987 50.000 1990 10.000 1994 1.000 1997 100 2000 10 2004 1 2010 0,10 2. lemci teknolojisindeki ilerlemeler: Geçmişten günümüze bilgisayarlarda depolama kapasitesindeki artışa paralel olarak bilgisayarların işlemci hızları da artmıştır. Bilgisayarlarda kullanılan tek çekirdekli işlemciler yerini çok-çekirdekli işlemcilere bırakmıştır. Hızlı ve çok çekirdekli işlemciler sayesinde birim zamanda yapılan işlem sayısı artmıştır. Bu durum analizlerdeki gecikme süresini düşürerek, gerçek zamanlı veri analizlerinin yapılmasını da kolaylaştırmıştır. 3. Daıtık hesaplama sayesinde analizlerdeki gecikme süresinin düşürülmesi: Dağıtık hesaplama sayesinde, işlemler farklı parçalara ayrılarak farklı bilgisayarlara dağıtılmakta ve bu sayede tüm hesaplama süresinden kazanç sağlanmaktadır. 4. Sanallaştırma imkânı: Sanallaştırma teknolojisi sayesinde aynı fiziksel donanım üzerinde birden fazla sanal ortamı bir arada bulundurmak mümkündür. Örneğin; aynı bilgisayara hem Windows hem de Linux işletim sistemleri için yer ayırıp, farklı programların aynı donanım üzerinde çalışması, farklı dosya türlerinin barındırılması ve bunlar üzerinde işlem yapılması sağlanmaktadır. Sanallaştırma, kaynak verimliliğini arttırmakta yani donanımdan elde edilen performansı yükseltmektedir. 5. Bulut bilişim: Bulut bilişim, bilişim uygulaması ya da servislerinin ihtiyaç duyulduğu kadarının tedarik edilebildiği bir teknolojidir. Bulut bilişim, veri depolama konusunda da büyük kolaylıklar sağlamaktadır. Örneğin; bir şirket veri depolama için ayrı bir sunucu kurmak yerine, bulut bilişim hizmetlerinden faydalanarak ihtiyacı kadar veri depolama alanını elde edebilir. Böylece sunucu maliyeti, bakım-onarım hizmetleri ve personel maliyetleri düşürülmüş olur. 6. Gelişmiş analitik teknikler: Çağımızda özellikle kurum ve kuruluşlar için geleceği öngörmek, yarına hazırlıklı olmak oldukça önemlidir. Stratejik karar almak için yöneticilerin akıllı sistemlere ihtiyacı vardır. Yapay zekâ, makine öğrenmesi ve veri madenciliği gibi çalışma alanlarında, söz edilen öngörülerin, çıkarımların, gizli örüntülerin keşfedilebilmesini sağlayan gelişmiş analitik teknikler kullanılmaktadır. 7. Büyük veri araştırmalarına kaynak ayrılması: Büyük veri, işlenerek katma değer yaratır hale getirilebildiğinden potansiyel bir rekabet avantajı sağlama aracı olarak görülmektedir. Bu durum sadece kurum ve kuruluş bazında değil, uluslararası arenada ülkeler arasında da benzer öneme sahiptir. Büyük veri ile ilgili araştırma ve geliştirme çalışmaları için yapılan en önemli teşviklerden biri 2012 yılında Amerika Birleşik Devletleri Başkanı Obama’nın “Büyük Veri Araştırma ve Geliştirme Girişimi” adı altında büyük veri alanında yapılacak çalışmalar için iki 1 Eğitim Teknolojileri Okumaları 2017 yüz milyon dolar ayırmı olmasıdır. 8. Çalışmanın ilerleyen bölümlerinde yazarlar; büyük veri tanımı ve yapısından yola çıkarak, eğitimde büyük veri konusunu ele almıştır. Bu kapsamda, eğitimde büyük veri kullanım alanlarına, gerçek hayattan kullanım örneklerine, büyük verinin eğitimde kullanım avantajlarına ve eğitimde kullanımına yönelik endişelere yer verilmiştir. 1. Büyük Veri Büyük veri; gelişmiş sezi, karar verme ve süreç otomasyonunu etkinleştiren, maliyet-etkin, yenilikçi bilgi işleme biçimlerini talep eden yüksek hacimli, yüksek hızlı ve/veya yüksek çeşitlilikteki bilgi varlıklarıdır (Gartner IT Glossary, 2012). Bir başka tanıma göre ise büyük veri, geleneksel veri tabanı ve yazılım teknikleri ile işlenemeyen, büyük hacimli, yapılandırılmış ve yapılandırılmamış veridir (Tejedor, 2013). Büyük veriyi klasik veriden ayıran özellikler, büyük verinin yapısında saklıdır. IBM büyük veriyi 3V ile karakterize etmektedir (Şekil 1) (Zikopoulos ve diğ., 2012). Bunlar sırasıyla, veri hacmi, veri çeşitliliği ve veri hızıdır (Marr, 2014; Zikopoulos ve diğ., 2012). Şekil 1: Büyük veri yapısındaki 3V (Zikopoulos ve diğ., 2012) Veri Hacmi (Volume): Günümüzde her birey her an yeni veri üretmektedir. Yalnızca Google'da günde 3,5 milyar, yılda ise 1,2 trilyon arama yapılmakta, Facebook kullanıcıları dakikada ortalama 31,25 milyon ileti göndermekte, YouTube’a her dakika 300 saat uzunluğunda video yüklenmektedir (Marr, 2015). Veri hacmi konusunda 2020 yılı için; gezegendeki kişi başına saniyede yaklaşık 1,7 megabayt yeni veri yaratılmış olacağı, biriken sayısal veri evreni boyutunun ise mevcut 4,4 zettabayttan 44 zettabayta (44 trilyon gigabayta) büyüyeceği yönünde tahminler yapılmaktadır (Marr, 2015). Veri Hızı (Velocity): Son yıllarda veri üretim hızında büyük bir artış söz konusudur. Örneğin, dünyada bugün mevcut olan verinin %90’ı yalnızca son iki sene içerisinde üretilmiştir (Wang, 2016). Diğer bir ifadeyle her iki senede bir şu ana kadar üretilmiş veri miktarı kadar veri üretilmektedir. Veri Çeşitliliği (Variety): Sensörlerin, akıllı cihazların ve sosyal medya kullanımının yaygınlaşmasıyla veri daha karmaşık bir hale gelmiş olup, bugün sayabileceğimiz potansiyel veri kaynaklarından bazıları aşağıda verilmiştir (Zikopoulos ve diğ., 2012) • • • • • • • • • • ham veri, yapılandırılmış veri, yarı-yapılandırılmış veri, web sayfalarından gelen yapılandırılmamış veri, web kayıt dosyaları, arama indeksleri, sosyal medya paylaşımları, e-postalar, dokümanlar, aktif ve pasif sistemlerden aktarılan veri. Eğitimde Büyük Veri 109 2. Byük Verinin Uygulama Alanları Büyük veri günümüzde bankacılıktan spora, sigortacılıktan ulaşıma pek çok farklı alanda kullanılmaktadır. Şekil 2 incelenirse (Lucas, 2013); bankacılık ve güvenlik, iletişim, medya ve hizmetler, hükümet ile üretim ve doğal kaynaklar sektörleri veri hacmi bakımından en yüksek potansiyele sahip alanlar olarak görülmektedir. Bankacılık ve güvenlik, sağlık hizmeti sağlayıcıları ile üretim ve doğal kaynaklar veri hızı; iletişim, medya ve hizmetler ile hükümet ise veri çeşitliliği bakımından yüksek potansiyel taşıyan alanlardır. Yine Şekil 2’ye göre eğitim sektörü bu üç farklı boyuta göre değerlendirildiğinde düşük potansiyel gösterse de, bilişim teknolojilerinin eğitimde giderek artan kullanımı sayesinde gelecekte büyük verinin eğitim alanında daha fazla kullanılacağını söyleyebiliriz. Şekil 2: Sektörlerdeki büyük veri potansiyeli (Lucas, 2013) Farklı sektörlerdeki büyük veri kullanımına ilişkin pek çok örneği sıralamak mümkündür (Marr, 2016) • Hangi sektörde olursa olsun, bir kurumun müşterilerine ait büyük veriyi analiz ederek kampanyalar düzenlemesi ya da yeni müşterileri hedeflemek için çeşitli stratejiler geliştirmesi olasıdır. Satın alma davranışlarını inceleyerek müşterisinin bebek beklediğini tahmin etmiş olan Target firması bu konudaki en bilindik örneklerden biridir. • Büyük veri yalnızca müşteriler üzerine odaklanarak avantaj yaratmada değil, aynı zamanda iş süreçlerini anlama ve optimize etmede de kullanılarak kurum içi fayda yaratılabilir. Bank of America, çağrı merkezi çalışanlarının gün içindeki hareketlerini takip ederek yaptığı analiz sonucunda en iyi performans gösteren çalışanlarının grup halinde ara verenler olduğunu keşfederek, kurum içinde grup halinde ara verme politikası geliştirmiş ve çalışanların performansı bu duruma bağlı olarak artmıştır. • Büyük veri ile çalışma yapılabilecek bir başka alan ise bireylerle doğrudan ilişkili verinin toplanarak takip edilmesi üzerinedir. Bu kapsamda, kalp atış hızı, nabız, adım sayısı vb. bilgileri toplayan uygulamalar sağlık ve spor alanlarında kullanılmaktadır. Örneğin, hasta ve doktorların faydalanabileceği karar destek sistemlerinin geliştirilmesinde veya oyuncunun oyun sırasındaki performans verisini kullanarak oyun sonucunun tahmin edilmesinde büyük veriden faydalanılmaktadır. • İnternetteki alışveriş sitelerine entegre edilen tavsiye sistemleri, akıllı şehircilik uygulamaları vb. gelişmeler, büyük veri analizinden faydalanılan alanlar arasında yer almaktadır. 110 Eğitim Teknolojileri Okumaları 2017 • Örneklerden anlaşılacağı gibi büyük veri uygulamalarında klasik matematiksel işlemler üzerinden mevcut durumun raporlanması değil, ileri dönük tahminlerin gerçekleştirilmesi, gizli örüntülerin çıkarılması ön plandadır. Büyük veri analizlerinde veri dinamik, bir başka deyişle canlıdır. Bu nedenle büyük veri analizleri ile gerçek zamanlı (real time) analizler de yapılabilmektedir. Tüm bunlar bir araya getirildiğinde gerçeğe daha yakın analiz sonuçlarına ulaşılmaktadır. Elbette büyük veri analizleri yapılırken birbirinden farklı veri kaynaklarından elde edilen veri bir araya getirilerek işlenmektedir. Oldukça fazla miktarda ve akıcılığı hızlı olan büyük verinin işlenmesi bir süreç olarak ele alınmalıdır. Bu sürecin hangi adımlardan oluşması gerektiği bir sonraki bölümde anlatılmaktadır. 3.Büyük Veri Analiz Süreci Agrawal ve diğ. (2011), büyük veri analiz sürecini beş adımda açıklamıştır. Bunlar sırasıyla; verinin elde edilmesi - kaydedilmesi, bilgi çıkarımı ve veri temizleme, veri entegrasyonu - gruplandırma ve gösterim, sorgu işleme - veri modelleme - analiz ve son adım ise sonuçların yorumlanmasıdır. 1. Verinin Elde Edilmesi - Kaydedilmesi: Büyük veri analizi sürecinin en başında elbette büyük verinin kaydedilmesi ve analiz için depolanma aşaması gelmektedir. Bu bağlamda, büyük verinin elde edilmesi - kaydedilmesi ve depolanması için gerekli alt yapı oluşturulmamışsa, büyük veri analizinden söz etmek de mümkün olmayacaktır. Daha önceki bölümlerde büyük verinin bir sensör, bir web kayıt dosyası ya da bir veritabanı gibi farklı veri kaynaklarından gelebileceği ifade edilmişti. Bu noktada, verinin analizler için nasıl depolandığı önem taşımaktadır. Günümüzde büyük verinin depolanması için oluşturulmuş özel dosya sistemleri mevcuttur. Quantcast File System, Hadoop Distributed File System (HDFS), Ceph, Lustre, GlusterFS ve Parallel Virtual File System (PVFS) büyük verinin depolanması için geliştirilen bazı dosya sistemi örnekleridir (linuxlinks.com, 2015). Büyük verinin tutulduğu dosya sistemleri; dosyaların düzenlenmesi, depolanması, adlandırılması, paylaşılması ve korunması konularında klasik dosya sistemi ile benzerlik göstermekle birlikte; 2. dağıtık erişim ve konum şeffaflığı, 3. hataların üstesinden gelebilme, 4. farklı donanım ve işletim sistemlerinde geçerlilik, 5. performansı en iyi düzeye getirmek için, tek tek nesneleri, onları kullanan işlemlerin yakınında konumlandırabilme, 6. ağda erişim problemi yaşandığında durumu tolere edilebilme ve uygun senkronizasyon mekanizmasını sağlama gibi ek özelliklere sahip olmalıdır (Kune ve diğ., 2016). 7. Bilgi Çıkarımı ve Veri Temizleme: Büyük veri elde edildikten sonra verinin olduğu gibi analize dâhil edilmesi söz konusu değildir. Veri; resim, video, ses kaydı, metin, lokasyon (GPS) formatlarında olabilir. Farklı formatların bir arada bulunduğu durumlarda veriden bilgi çıkarma süreci de daha zor bir hal almaktadır. Sonuca götürecek olan değişkenlerin veri içinde belirlenmesi, birbiriyle ilişkilendirilmesi gerekmektedir. Ayrıca, veriyi analize uygun hale getirmek için veri içindeki nitelikler, aykırı değer (olier) olarak sayılabilecek kayıtlar, varsa boş değerler gözden geçirilir ve analizden yüksek performans elde edilebilmesi için düzenleyici bir takım işlemler veriye uygulanır. 8. Veri Entegrasyonu, Gruplandırma ve Gösterim: Yapısı gereği farklı kaynaklardan gelen verinin kimi zaman anlık akış esnasında analize girmesi söz konusu olabilmektedir. Bu nedenle veri depolanırken, verinin bütünlüğü, yapısı, farklı veri tipleri arasındaki ilişkiler düşünülerek saklanmalıdır. Bu durum analizlerden elde edilecek performansı artırarak analizlerin süresini azaltır. 9. Sorgu leme, Veri Modelleme ve Analiz: Klasik veritabanlarında, küçük veri grupları üzerinde sorgu işleminin gerçekleştirilmesi ile büyük veri analizleri için yapılan sorgular arasında farklılıklar vardır. Büyük veri analizlerindeki en büyük sorun; klasik veritabanları ile veri madenciliği ve istatistiksel analizler gibi klasik SQL sorguları ile gerçekleştirilmeyen (non-SQL) süreçler arasındaki koordinasyon eksikliği olarak görülmektedir. 10. Büyük veri analizlerinde verinin fazla miktarda olması nedeniyle hesaplamada tek bir bilgisayarın işlemci gücü ve kapasitesi yerine, birden fazla bilgisayarın bir araya getirilmesiyle elde edilen toplam işlemci gücü ve toplam kapasitenin kullanılmasına dayanan küme halinde Eğitimde Büyük Veri 111 hesaplama (clustered computing) yönteminden (Ellingwood, 2016a) faydalanılmaktadır. Analizler iki farklı yöntemle gerçekleştirilebilmektedir (Ellingwood, 2016a, 2016b) 11. Toplu İşleme (Batch Processing): Toplu işleme, verileri büyük kümeler halinde işleyen bir hesaplama stratejisidir. Genellikle çok büyük veri kümeleri üzerinde çalışan, zaman açısından hassas olmayan işler için idealdir. Apache Hadoop yazılım kütüphanesi bu prensibe bağlı çalışan açık kaynak kodlu bir uygulama çerçevesidir (Apache Software Foundation, 2016a). 12. Akış İşleme (Stream Processing): Veri öğeleri, bir sistem üzerinden hareket ederken hesaplamaların gerçekleştirilmesidir. Apache Storm, akış işleme yöntemini kullanarak hizmet sunan bir akış işleme çerçevesidir (Apache Software Foundation, 2015). 13. Bu iki türe ilaveten hem toplu işleme hem de akış işleme gerçekleştirebilen Apache Spark (Apache Software Foundation, 2016b) gibi hibrit sistemler de mevcuttur. 14. Sonuçların Yorumlanması: Analiz sonuçları elde edildikten sonra, ihtiyaç duyulan en önemli unsur bu sonuçları katma değere dönüştürecek kararların alınabilmesidir. Analiz sonuçlarının görselleştirilmesi, sonuçların yorumlanmasını, örüntülerin keşfini kolaylaştırmakta ve karar verme sürecine destek olmaktadır. 4. Eğitimde Büyük Veri Büyük verinin eğitim alanında kullanımı, eğitimin geleceğini şekillendiren önemli bir konu olarak görülmektedir (Eynon, 2013; Long ve Siemens, 2011). Bu anlamda büyük veri ve onun etrafında ele alınan kavramlar, eğitim alanındaki kişi ve kurumlara katkı sağlayacak değer potansiyelini içinde barındırmaktadır (Eynon, 2013; Long ve Siemens, 2011). Büyük veri analizinden elde edilecek sonuçların eğitim kurumunu ve öğrenciyi daha ileri götürmesi, eğitim süreçlerindeki karar verme aşamalarına katkı sağlaması beklenmektedir. Eğitimde büyük verinin ortaya çıkışı, BİT’in eğitime entegre edilmesine dayanmaktadır. Uzaktan eğitim, sanal sınıf uygulamaları ve bulut tabanlı bilgi paylaşımı modern eğitim alanında giderek popülerlik kazanırken; bu uygulama ve teknolojiler artan öğrenci sayıları ile geleneksel sınıf içi eğitimi veren üniversite ve kurumlara meydan okumaktadır (Edbrix, 2016). Özellikle e-öğrenmenin yaygınlaşması ile eğitmen ve öğrencilerin öğrenme yönetim sistemleri (Learning anagement Systems - LMS) üzerinde bıraktıkları ayak izi, eğitim alanında biriken veri miktarını günden güne artırmaktadır. Bir öğrencinin öğrenme yönetim sistemi üzerinden; • • • • • • • • aldığı dersler, derslerdeki notları, dersleri takip ederken hangi içeriğe kaç dakika ayırdığı, hangi ders içeriğini kaç defa izlediği, hangi ders içeriğine en son ne zaman eriştiği, sistemi en sık kullanma zamanları (sabah, öğle, akşam), çeşitli sensörler yardımı ile toplanan yüz ifadesi verisi, sosyal medya paylaşımları gibi pek çok veri, eğitimde büyük verinin parçaları olarak karşımıza çıkmaktadır. Üstelik sisteme kayıtlı tüm öğrenciler için benzer birçok kaydın tutulduğu göz önünde bulundurulursa, ortaya çıkan büyük veri içerisinde gizli olan; ancak eğitimdeki paydaşlar için faydalı olacak çözümlerin geliştirilmesinin önemli olduğu görülmektedir. Büyük veri, eğitim sektöründe özellikle eğitsel veri madenciliği ve öğrenme analitiği konularında kullanılmaktadır (Ali ve diğ., 2016). Prinsloo ve diğ. (2015), Şekil 3’te büyük verinin yükseköğretimde öğrenme analitiği ve akademik analitik olarak saydığı kullanım alanlarını şematize etmiştir. Eğitim Teknolojileri Okumaları 2017 112 Şekil 3: !yü k verinin e"itimde kullanım alanları (Prinsloo ve diğ., 2015) Öğrenme analitiği; veri analitiğini ve öğrenmeyi birleştiren ve bilgisayar bilimi, veri bilimi ve sosyal bilimler gibi çeşitli alanlardan araştırmacıları bir araya getiren disiplinlerarası yeni bir alan olarak görülürken; bu alandaki araştırmaların amaçları arasında kestirimci analiz, sosyal ağ ve duygu analizi, kişiselleştirilmiş öğrenme ve daha iyi müfredat tasarımları yer almaktadır (Ali ve diğ., 2016). Eğitsel veri madenciliğinde öğrencilerin daha iyi öğrenmesine yardımcı olmak için, öğrencilerin dijital ve çevrimiçi eğitim sistemi (öğrenme yönetim sistemleri veya kitlesel açık çevrimiçi dersler) ile olan etkileşiminin oluşturduğu veriye veri madenciliği ve makine öğrenmesi teknikleri uygulanmaktadır (Ali ve diğ., 2016). Hesaplamalı istatistik, veri madenciliği, doğal dil işleme, makine öğrenmesi, insan bilgisayar etkileşimi ve görselleştirme gibi bilgisayar bilimleri; karar bilimi, istatistiksel veri analizi, sınıf/öğrenme teknolojisi, öğrenme bilimleri, enformasyon bilimleri, organizasyon ve yönetim bilimlerine katkı sağlamakta ve bunların tümü eğitsel veri bilimleri şemsiyesi altında toplanmaktadır (Piety ve diğ., #$%&' Piety ve diğ., #$%(). 5. Eğitimde Büyük Veri Kullanımının Avantaj ve Çekinceleri West (2012)’e göre “eğitimin kişiselleştirilebilmesi teknolojinin en büyük avantajlarından biridir ve bü yü k veri eğitimin kişiselleştirilmesinde öğretmenlere yardımcı olmaktadır”. Büyük veri analizi; araştırmacılara, yetkililere veya öğrencilere öğrenmeyle ilgili süreçler hakkında daha kapsamlı bilgi sağlarken, öğrenci performansı ve öğrenme yaklaşımlarının da analiz edilmesine imkân sunar. Böylelikle, her bir öğrenci için detaylı analizler yapılıp öğrenci ihtiyaçları veya gereksinimleri kişiye özgü bir biçimde araştırılabilir (West, 2012). Long ve Siemens (2011) büyük verinin yükseköğretimde kullanımının sağlayacağı katkıları şu şekilde sıralamıştır: • Kaynak kullanımı, müfredatın belirlenmesi gibi karmaşık karar verme süreçlerine yardımcı olabilir. • Öğrencilerin öğrenme örüntülerinin belirlenmesi ve böylelikle riskli öğrencilerin tespit edilmesi, risklerin ortadan kaldırılması ve başarı oranının artırılması sağlanabilir. • Eğitim sisteminde yapılacak değişiklikler belirlenmesinde faydalı olabilir. • Kurumsal üretkenliğin ve verimliliğin artırılmasında, güncel verileri kullanarak gelişmelere çabuk ayak uydurmada etkili olabilir. • Öğrencilerin bulunabilir. • Pappas (2014) ise e-öğrenme sürecinde büyük veri kullanımı ve büyük veri analizlerinin sağlayacağı bazı belirgin avantajları şu şekilde ifade etmiştir: • Öğrencilerin bilgiyi nasıl daha iyi aldıkları ve öğrenme ihtiyaçlarının ne yönde olduğu anlaşılabilir. Örneğin; metne dayalı bir ders içeriği ile bir video ders içeriğinin toplamda kaç dakikada tamamlandığı, başarı notu vb. özellikler kullanılarak öğrencinin dersi hangi içerik kendi durumlarını takip için akademik ederek, eksik ve pedagojik yaklaşımların yönlerini geliştirmelerine katkıda Eğ itimde Büyük Veri 113 türünden daha iyi öğrendiği konusunda fikir edinilebilir ve bu doğrultuda öğrencinin ders materyali düzenlenebilir. • Ders ya da modül içinde düzeltilmesi gereken alanlar tespit edilebilir. Örneğin; etkileşimli bir ders içeriğinde öğrencilerin çoğu içeriğin belirli bir yerinde diğer yerlere göre daha fazla zaman harcıyorsa, içeriğin ilgili parçasında gerekli düzenlemeler yapılabilir. • Hangi e-öğrenme modülünün en çok ziyaret edildiği ve paylaşıldığına dair analiz imkânı sunar. • Anında veri akışı sağlandığından değerlendirme yapmak için uzun süre bekleme durumu ortadan kalkar. Böylelikle, sistemin revizyonu hızlı bir biçimde yapılmış olur. • Öngörü sağlayan makine öğrenmesi ve veri madenciliğinde kullanılan algoritmalar yardımıyla derslerde öğrenci performansını artırmaya yönelik iyileştirmeye gidilebilir. Örneğin, öğrencilerin neden mezun olamadığı, derste niçin başarısız olduğu ya da öğrencinin belirli bir beceriyi neden edinemediği gibi sorulara eğitmenlerin cevap verebilmesini sağlayabilir. Eğitimciler, davranış ve performans analizleri yardımı ile öğrenci sınavda başarısız olmadan veya mezun olamama durumu meydana gelmeden önce müdahale edebilir (Reid-Martinez ve Mathews, 2015). Har Camel (2016) büyük verinin eğitimde kullanımının yararlarını beş maddede incelemiştir* • Kişiselleştirilmiş Öğrenme: Günümüzde artık öğrenme ortamlarının bireylere özgü hale getirilmesi amaçlanmaktadır. Büyük veri, öğrencilere ne öğrenmesi gerektiğinin ötesinde onların ihtiyaçları, tercihleri, arzuları veya kültürel geçmişlerine dayalı olarak nasıl öğrenmeleri gerektiği konusunda kişiye özgü - kişiselleştirilmiş - öğrenme imkânı sağlayabilir. Öğrenme ortamları kişiselleştirilirken, öğrenciye sunulan içerik türü, içeriğin boyutu vb. özellikler, öğrencinin öğrenme biçiminin keşfedilmesinde ve öğrenciye özgü öğrenme planının geliştirilmesinde kullanılabilmektedir. • Uyarlanabilir Öğrenme: Uyarlanabilir öğrenme sistemleri, öğrenci verisini sürekli biçimde toplayıp yorumlamakta, bireyin ihtiyaç ve kabiliyetlerine göre öğrenme seyrini ve ortamını değiştirmektedir. • Doğru Değerlendirme: Öğrenciler bir aktiviteyi gerçekleştirirken onların kameralar, sensörler vb. araçlarla gözlemlenmesi sayesinde öğrencilerin başarı durumlarını daha doğru ölçen yeni değerlendirme tekniklerini kullanmak mümkündür. • Etkili Geri Bildirim: Büyük veri öğrencilerden aldığı girdiye kısa süre içerisinde cevap vererek daha akıllı ve etkili bir geri bildirim döngüsü sağlayabilir. • Performans Tahmini: Öğrenciler, dijital platformlarla etkileşimde bulunurken onlara ait etkinlik kayıtları da arka planda tutulmaktadır. Bunların analizi ile öğrencilerin davranışları, becerileri ve performansları öngörülebilir. Bu sayede de öğretmenler, performansı düşük öğrencilerin gelişimine odaklanabilirler. Büyük veri analizlerinin öğrenci performansını iyileştirmesinin yanında okulu bırakan öğrenci oranını düşürmesi de beklenmektedir. Büyük veri analizleri ile öğrencilerin yakından takibi, anında geri bildirim alınması ve kişisel ihtiyaçlarına göre yönlendirme yapılması sayesinde okul bırakma oranının düşürülmesi sağlanabilir (van Rijmenam, 2015). Bu ise hem eğitim kurumuna hem de topluma katkı sağlayacaktır. Diğer sektörlerde olduğu gibi eğitim sektöründe de veri arttıkça raporlanması ve anlaşılması daha da zorlaşmaktadır. Büyük verinin eğitimde kullanılmasının sağlayacağı bir diğer yarar, verinin görselleştirilmesi ile kavramlar veya nesneler arasındaki ilişkilerin daha kolay ortaya çıkarılması, anlaşılması ve eğilimlerin belirlenmesidir (Sin ve Muthu, 2015). Görselleştirme elde edilen sonuçların yorumlanmasını kolaylaştırmaktadır. Arshavskiy (2016), büyük verinin eğitim alanında etkisinin gelecekte e-öğrenme içeriğinin nasıl tasarlandığı, nasıl sunulduğu ve nasıl izlendiği üzerine olacağını belirtmiştir. Ayrıca büyük verinin bir kurumun hangi öğrenme yönetim sistemini kullanacağına karar verme, içeriğin en etkili sunum kanalını belirleme, veriye dayalı ders kişiselleştirme, e-öğrenme stratejileri için bütçe tahsis etme ve dersle etkileşim sırasında birey ve grup davranışı analizlerinde etkili olacağını ifade etmiştir. Büyük veri analizleri, maliyetleri azaltma yönünde de eğitime katkı sağlayabilir. K-12 okul yöneticileri ve yükseköğretim yöneticilerine uygulanan bir ankette, katılımcıların %44’ü büyük verinin eğitim kurumunun performansını izleme, tahmin etme ve analiz etmede faydalı olacağını belirtirken, %22’si verimsiz idari süreçlerin ortaya çıkarılmasına yardımcı olacağını ifade etmiştir (Reid-Martinez ve Mathews, 2015). Büyük veri kullanımının eğitime sağlayacağı katkıların yanı sıra, yaratabileceği bazı zorluk ve çekincelere de araştırmacılar tarafından dikkat çekilmiştir. Eynon (2013) bunlar arasında öncelikle veri gizliliği ve etik kural ihlallerini saymıştır. Reid-Martinez ve Mathews (2015), öğrenme yönetim sistemleri, 114 Eğ itim Teknolojileri Okumaları 2017 yazılımlar, kameralar, sensörler, mikrofonlar vb. araçlarla çeşitli formatlarda toplanan öğrenci verisinin güvenliğinin tartışılması gereken önemli bir konu olduğunu ifade etmiştir. Örneğin; 2014 senesinde Maryland Üniversitesi öğrenci, akademisyen ve idari personeline ait yaklaşık üç yüz bin kişinin verisi ele geçirilmiştir (Reid-Martinez ve Mathews, 2015). Benzer durumların yaşanmaması için eğitim kurumları tarafından veri güvenliğine azami derecede dikkat gösterilmelidir. Öğrenme yönetim sistemi hizmet sağlayıcılarının elinde öğrenciye ait mahrem bilgilerin yer alması bir başka endişe kaynağıdır. Öğrencinin disiplin kayıtları, ailevi problemleri veya öğrenme engeli hakkındaki bilgilerin bir şirketin elinde bulunması, üzerinde ciddiyetle durulması gereken bir konudur (Har Camel, 2016). İşletmenin veri üzerinde veri madenciliği çalışmaları yapması, bu veriyi satması, pazarlaması veya bu veri üzerinden reklam profili oluşturması gibi ihtimallerin veri gizliliği açısından sorun teşkil edeceği düşünülmektedir (Har Camel, 2016). Büyük verinin eğitim alanında kullanılmasına yönelik bir başka çekince de öğrencilerin kamera, sensör, mikrofon vb. araçlarla çevrimiçi olarak sürekli izlenmesinin öğrencilerin yaratıcılığını kısıtlayabileceği (gözetim etkisi - surveillance effect), konuşma ve düşünme özgürlüğünü sınırlayabileceği endişesidir (Har Camel, 2016). Büyük veri analizleri ile öğrencileri riskli, düşük riskli gibi gruplar altında etiketlemek de ayrı bir endişe kaynağıdır. Örneğin; “risk altında” kategorisinde etiketlenen bir öğrencinin ileride kendini geliştirmesine rağmen bu etiketin belki de silinmeyecek olması kaygı yaratmaktadır (Har Camel, 2016). 6. Eğitimde Büyük Veri Kullanımına İlişkin Örnekler Eğitim giderek artan bir şekilde internete ve veriye dayalı hale dönüşmektedir. İngilizcede “data-driven education” olarak geçen kavram; verinin eğitimin de temelinde olduğunu ve bu alandaki gelişmeleri yönlendirdiğini ifade etmektedir (New, 2016). Eğitimde büyük veriyi kullanmak için önce onu yaratmak ve daha sonra onu çeşitli yöntemlerle analiz etmek gerekmektedir. Eğitimde, öğrencinin bir öğrenme yönetim sistemi veya kitlesel açık çevrimiçi derslere (Massive Open Online Courses - MOOCs) erişimi ve kullanımı sırasında tutulan veri, büyük verinin birer parçası olarak kullanılabilir (Dede ve Ho, 2016). Ayrıca öğrencilerin sosyal medya etkileşimleri de eğitsel amaçlı büyük verinin bir parçasını oluşturmaktadır. Büyük verinin bunlar gibi çeşitli türlerinin analizi, öğrenmeyi iyileştirme amaçlı çeşitli fırsatlar sunmaktadır (Dede ve Ho, 2016). Eğitsel veri madenciliği ve öğrenme analitiği büyük veri uygulamaları için araştırmacılara yol göstermektedir (Eynon, 2013; Long ve Siemens, 2011; West, 2012). Elde edilen verinin analizi farklı seviyelerde fayda sağlamaktadır. Öğrenme analitiği öğrenme süreçleriyle ilgili analizleri kapsarken, akademik analitikler daha çok yöneticileri veya karar vericileri ilgilendiren kurumsal seviyedeki analizleri kapsamaktadır. Buna göre Tablo 2 incelenirse öğrenme analitiğinin iki farklı seviyeyi hedef aldığı görülecektir (Long ve Siemens, 2011). • Ders seviyesindeki analizler; sosyal ağlar, kavramsal gelişme ile akıllı müfredat araştırmalarını ele alır. • Bölüm seviyesinde ise; öğrencilerin başarı veya başarısızlık durumlarına ait örüntülerin keşfi ya da bu durumu tahmin etmeye yönelik araştırmalar yapılabilmektedir. Bu kapsamda öğrencilerin başarı durumlarına göre farklı öğrenme yöntemleri ele alınabilir. Tablo 2 Farklı seviyelerde büyük veri analizi (Long ve Siemens, 2011) Analiz seviyesi Faydalanıcı Öğrenme Ders Öğrenciler, fakülte Analitiği Bölüm Öğrenciler, fakülte Akademik Kurumsal Yöneticiler, fon sağlayıcılar, pazarlamacılar Analitikler Bölgesel Fon sağlayıcılar, yöneticiler Ulusal, uluslararası Ulusal hükümetler, eğitim otoriteleri Akademik analitikler içinse üç farklı seviye belirlenmiştir (Long ve Siemens, 2011). • Kurumsal seviyede; öğrenci profilleri, akademideki performans ve bilgi akışı ele Eğ itimde Büyük Veri 115 alınabilir. • Bölgesel analizlerde; bölge bazında farklılık ve benzerliklerin ortaya konması ile karşılaştırmalar yapılabilir. • Ulusal ve uluslararası seviyede ise tüm bunlardan yola çıkılarak eğitim sistemi ile ilgili analizler ve tespitler yapılabilir. Büyük verinin eğitimde pratik uygulamaları ile ilgili örnekler mevcuttur. Büyük veriyi eğitimde kullanmak amacıyla kurulan Silikon Vadisi girişimlerinden biri olan AltSchool firması, sınıflara koyduğu kameralar ile öğrencilerin yüz ifadelerini ve sınıftaki aktiviteleri kaydetmektedir (Herold, 2016). Böylece, her bir öğrencinin derse katılım düzeyi, ruh durumu, sınıf kaynaklarını kullanımı, sosyal alışkanlıkları, dil ve kelime dağarcığını kullanımı, dikkat süresi ve akademik performansı gibi unsurlar araştırılmaktadır. Okullardan toplanan bu veri kullanılarak; örneğin 6. sınıf öğrencilerinin beden eğitimi veya egzersizden sonra matematik dersinde daha başarılı olduğu, fen sınıfındaki kızların dersten çabuk sıkıldığı, erkeklerin ise laboratuvar malzemelerini daha sık kullandığı için sıkılmadığı keşfedilmiştir (Herold, 2016). Elde edilen bu bilgiler kullanarak eğitmenler ders planlaması yapabilir, öğrenciye özel ödev verebilir, kız ve erkek öğrencilerin dersleri daha iyi öğrenmeleri için çeşitli aktiviteler planlayabilir (Herold, 2016). Arizona State University, özel bir yazılım ile öğrencilerin tuş vuruş ve fare kullanım verisini toplamaktadır. Bu verinin analiz edilmesi sayesinde eğitmenler, öğrenme hedeflerinin gerisinde kalan öğrencileri tespit ederek onların öğrenme sürecini tamamlamalarını sağlamaktadır (WISE ed.review, 2016). Arizona State University’de öğrenme sürecinin öğrencilere göre özelleştirilmesiyle başarı oranının %13 arttığı ifade edilmiştir. Amerika Birleşik Devletleri’ndeki bazı okullarda riskli durumdaki öğrencileri belirlemeye yönelik veri madenciliği tekniklerinden yararlanılmaktadır. Benzer uygulamalarda hangi öğrencilerin başarısız olacağının ya da hangi öğrencilerin risk altında olduğunun belirlenebilmesi ve tahmin edilebilmesi için analiz çalışmaları yapılmaktadır (Chicago Public Schools, 2014; West, 2012). Chicago Public Schools tarafından kullanılan IMPACT (Instructional Management Program and Academic Communication Tool) adlı yazılım öğrencilerin performans takibinin yapılmasını sağlamaktadır. Bir başka örnek ise SNAPP (Social Networks Adapting Pedagogical Practice) uygulamasıdır. Öğretim üyeleri SNAPP ile öğrencilerin çevrimiçi bloglardaki etkileşimini görselleştirmekte ve uygulamayı onların en çok ilgilendiği dersi bulmak için kullanmaktadır (Sin ve Muthu, 2015). Öğrencilerin sosyal medya hareketlerinin takibi ile onların ilgi alanlarına giren konular ve dersler belirlenmektedir. CourseSmart isimli analitik uygulamayla öğrencilerin dijital ders materyalleriyle etkileşimi takip edilmekte ve analiz edilmektedir. Örneğin; öğrencinin sayfayı görüntülemesi, ders materyali üzerinde not alması veya önemli gördüğü yerlerin altını çizmesi gibi etkileşimler izlenmektedir. Bu analizler, eğitmenlere derste alınan klasik yoklamanın ötesinde öğrencilerin derse katılım ve takip bilgisini vermektedir (The Big Data Landscape, 2014). Kişiselleştirilmiş öğrenmeye örnek olarak ise öğrenme yönetim sistemi hizmet sağlayıcısı olan Knewton verilebilir. Knewton, sistemi kullanan öğrencilerin nasıl öğrendiğini ve ne bildiğini analiz etmekte ve sonraki dersler için tavsiyelerde bulunmaktadır. Öğretmenler de bu sistem sayesinde öğrenciler arasındaki farklılıkları ve bilgi düzeyini tespit etmektedir (The Big Data Landscape, 2014). 7. Sonuç BİT’in kullanımının günden güne artması, veri toplama, saklama ve işleme alanındaki yenilikler, büyük veri kavramını ortaya çıkarmış ve hem sektörel hem de akademik çalışmalarda bu kavramın popülerlik kazanmasını sağlamıştır. Bilgisayar ve internet tabanlı teknolojilerde yaşanan gelişmeler büyük verinin etkisinin eğitime de yansımasına etki etmiştir. Bugün eğitimde büyük veri çalışmalarından faydalanılarak; öğrencilerin akademik performans takibi, performans tahmini, müfredat düzenleme ve eğitimdeki aksaklıkların tespitine yönelik birbirinden farklı pek çok çalışma yapılabilmektedir. Büyük verinin eğitimde kullanımı üzerine yapılan çalışmalarda önemli görülen unsurlar üç ana başlıkta toplanabilir. Bu unsurların başında büyük veri çalışmalarına altyapı sağlaması amacıyla veri toplanması ve depolanması için eğitim ortamının uygun donanım ve yazılımla inşa edilmesi gelmektedir. Büyük veri çalışmaları için donanım tarafında güçlü işlemcili, yüksek kapasiteli bilgisayarlar tercih edilirken, yazılım tarafında bulut bilişim teknolojisinden, büyük veri uygulamalarına izin veren ortamlardan ya da büyük veri dosya sistemlerinden faydalanılabilir. 116 Eğ itim Teknolojileri Okumaları 2017 İkinci önemli unsur, büyük verinin analizi aşamasında yer almaktadır. Analize girecek olan değişkenlerin seçimi ile analizde yapay zekâ ve makine öğrenmesi gibi farklı öngörü sağlayan tekniklerden yararlanmak, büyük veri içinde gizli örüntü ve şablonların keşfedilmesine, geleceğe yönelik tahminler yapılmasına imkân vermektedir. Yine bu kapsamda; önceki bölümlerde de bahsedildiği gibi özellikle eğitime odaklanmış olan eğitsel veri madenciliği, öğrenme analitiği gibi birbiriyle bağlantılı kavramlar büyük veri analizinde kullanılarak eğitimin iyileştirilmesi ya da öğrenci performansının artırılması sağlanmaktadır. Eğitimde büyük veri kullanımı konusunda üçüncü belki de en önemli unsur, öğrenciye has bir eğitim planı ve içerik seçimi ile kişiselleştirilmiş öğrenme ortamının yaratılabilmesidir. Bu sayede, öğrencinin tercihine ve öğrenme biçimine uygun planlamalarla öğrenmede başarı artabilmektedir. Büyük verinin eğitimde kullanımında dikkat edilmesi gereken hususlar da bulunmaktadır. Öğrencilere ait mahrem nitelikte veri, kanun ve yönetmeliklerle korunmalı; veri gizliliği ile ilgili etik sorunlar göz ardı edilmemelidir. Bir yandan, sınıf içine yerleştirilen kameralar, sensörler ve diğer aygıtlar ile toplanan veri analiz edilerek akademik ve pedagojik iyileştirmeler yapılabilmektedir. Diğer yandan, öğrencilerin sürekli izlenmesi ve kayıt altına alınması, öğrencinin yaratıcılığını ve ifade özgürlüğünü sınırlaması ve özel hayat mahremiyetini ihlal etmesi gibi endişelere sebep olmaktadır. Bu sebeple, bu uygulamaların getirisi ile götürüsü arasındaki denge hassas bir şekilde kurulmalı, uygulamalar titiz bir şekilde takip edilmeli ve denetlenmelidir. Özetle, eğitimde büyük veri analizlerinde asıl hedef büyük verinin işlenerek yorumlanması ve sonuçlardan özellikle karar verme süreçlerinde faydalanılmasıdır. Bu sayede verilen kararlar eğitim sektöründeki paydaşlara katma değer olarak geri dönecektir. Böylelikle hem öğrenci, hem eğitmen hem de eğitim alanındaki karar vericiler açısından verimli sonuçlar elde edilecektir. Yansıtma Soruları 1. Eğitimde toplanan hangi veri, büyük veri olarak kabul edilebilir? 2. Eğitimde büyük veri kullanımının getirileri nelerdir? 3. Eğitimde büyük veri kullanımında öne çıkan çekinceler nelerdir? Kaynaklar Agrawal, D., Bernstein, P., Bertino, E., …, Widom, J. (2011). Challenges and opportunities with Big data 2011-1. 20 Aralık 2016 tarihinde http://docs.lib.purdue.edu/cctech/1/ adresinden erişilmiştir. Ali, A., Qadir, J., Rasool, R., Sathiaseelan, A., Zwitter, A., & Crowcroft, J. (2016). Big data for development: Applications and techniques. Big Data Analytics, 1(2), 1-24. doi: 10.1186/s41044-0160002-4 Apache Software Foundation. (2015). Apache Storm. 26 Aralık 2016 tarihinde http://storm.apache.org/ adresinden erişilmiştir. Apache Software Foundation. (2016a). What is apache hadoop? http://hadoop.apache.org/ adresinden erişilmiştir. Apache Software Foundation. (2016b). Apache spark - lightning-fast cluster computing. 26 Aralık 2016 tarihinde http://spark.apache.org/ adresinden erişilmiştir. Arshavskiy, M. (2016). Big data in eLearning: Relevance, importance, and opportunities. eLearning Industry. 13 Aralık 2016 tarihinde https://elearningindustry.com/big-data-in-elearning-opportunities adresinden erişilmiştir. Chicago Public Schools. (2014). IMPACT instructional management program and academic communications tool. 29 Aralık 2016 tarihinde http://impact.cps.edu/faq.shtml adresinden erişilmiştir. Dede, C., & Ho, A. (2016). Big data analysis in higher education: Promises and pitfalls. 1 Aralık 2016 tarihinde http://er.educause.edu:81/articles/2016/8/big-data-analysis-in-higher-educationpromises-and-pitfalls adresinden erişilmiştir. Edbrix. (2016). Role of big data and analytics in e-learning. 8 Aralık 2016 tarihinde http://www.edbrix.com/single-post/2016/05/05/Role-of-Big-Data-and-Analytics-in-Elearning adresinden erişilmiştir. Ellingwood, J. (2016a). An introduction to big data concepts and terminology. DigitalOcean. 20 Aralık 2016 tarihinde https://www.digitalocean.com/community/tutorials/an-introduction-to-big-dataconcepts-and-terminology adresinden erişilmiştir. Ellingwood, J. (2016b). Hadoop, Storm, Samza, Spark, and Flink: Big data frameworks compared. DigitalOcean. 20 Aralık 2016 tarihinde https://www.digitalocean.com/community/tutorials/hadoopstorm-samza-spark-and-flink-big-data-frameworks-compared adresinden erişilmiştir. Eğ itimde Büyük Veri 117 Eynon, R. (2013). The rise of big data+ What does it mean for education, technology, and media research? Learning, Media and Technology, 38(3), 237–240. doi+ 10.,-.-/,0256..272013.7710.5 Gartner IT Glossary. (2012). Big data. Gartner IT Glossary. 19 Aralık 2016 tarihinde http+//www.gartner.com/it-glossary/big-data/ adresinden erişilmiştir. Har Camel, Y. (2016). Regulating “big data education” in Euro89+ Lessons learned from the US. Internet Policy Review, 5(1). doi: 10.14763/2016.1.402 Herold, B. (2016). The future of big data and analytics in K-12 education - Education week. 27 Aralık 2016 tarihinde http://www.edweek.org/ew/articles/2016/01/13/the-future-of-big-data-andanalytics.html adresinden erişilmiştir. Jain, R. (2013). Big data fundamentals. 21 Aralık 2016 tarihinde http+//www.cse.wustl.edu/~jain/cse570-13/ftp/m_10abd.pdf adresinden erişilmiştir. Kune, R., Konugurthi, P. K., Agarwal, A., Chillarige, R. R., & Buyya, R. (2016). The anatomy of big data computing. Software: Practice and Experience, 46(1), 79–105. linuxlinks.com. (2015). 6 best file systems for big data - Linux links - the Linux portal site. 9 Ocak 2017 adresinden tarihinde http+//www.linuxlinks.com/article/20130411155608341/FileSystems.html erişilmiştir. Long, P., & Siemens, G. (2011). Penetrating the fog+ Analytics in learning and education. EDUCAUSE Review, 46(5), 30. Lucas, W. (2013). Big data overview, use cases, technology and opportunities. http+//www.slideshare.net/wilson_lucas/everis-big-datawilsonv14 adresinden erişilmiştir. Marr, B. (2014). Big data: The 5 vs everyone must know. LinkedIn Pulse. 21 Aralık 2016 tarihinde https://www.linkedin.com/pulse/20140306073407-64875646-big-data-the-5-vs-everyone-must-know adresinden erişilmiştir. Marr, B. (2015). Big data+ 20 mind-boggling facts everyone must read. Forbes. 20 Aralık 2016 tarihinde http+//www.forbes.com/sites/bernardmarr/2015/09/30/big-data-20-mind-boggling-facts-everyonemust-read/ adresinden erişilmiştir. Marr, B. (2016). How is big data used in practice? 10 use cases everyone must read. Advanced Performance Institute. 19 Aralık 2016 tarihinde http://www.ap-institute.com/big-dataarticles/how-is-big-data-used-in-practice-10-use-cases-everyone-should-read.aspx adresinden erişilmiştir. Morgan, C. (2013). The history of data storage and backup part two: Tablets, patterns, and paper Storagecraft. StorageCraft Technology Corporation. 22 Aralık 2016 tarihinde http+//www.storagecraft.com/blog/the-history-of-data-storage-and-backup-part-two-tabletspatterns-and-paper/ adresinden erişilmiştir. New, J. (2016). Building a data-driven education system in the United States. 21 Aralık 2016 tarihinde http://www2.datainnovation.org/2016-data-driven-education.pdf adresinden erişilmiştir. Pappas, S. (2014). Big data in eLearning+ The future of eLearning industry. eLearning Industry. 27 Aralık 2016 tarihinde https+//elearningindustry.com/big-data-in-elearning-future-of-elearning-industry adresinden erişilmiştir. Piety, P. J., Hickey, D. T., & Bishop, M. J. (2014). Educational data siences: Framing emergent practices for analytics of learning, organizations, and systems. LAK ’14 Proceedings of the Fourth International Conference on Learning Analytics and Knowledge içinde (ss. 193–202). Fourth International Conference on Learning Analytics and Knowledge (LAK14), sunulmuş bildiri, Indianapolis+ ACM Press. doi+ 10.1145/2567574.2567582 Piety, P., Pea, R., & Behrens, J. (2013). Big data in education, arguing for an educational decision sciences. American Educational Research Association Annual Meeting içinde. San Francisco, CA. Prinsloo, P., Archer, E., Barnes, G., Chetty, Y., & Zyl, D. V. (2015). Big(ger) data as better data in open distance learning. The International Review of Research in Open and Distributed Learning, 16(1), ;.2–306. doi: 10.19173/irrodl.v16i1.1948 Quigley, R. (2011). The cost of a gigabyte over the years / The Mary Sue. 22 Aralık 2016 tarihinde http+//www.themarysue.com/gigabyte-cost-over-years/ adresinden erişilmiştir. Reid-Martinez, K., & Mathews, M. (2015). Big data in education (No: 2015/3). The Center for Digital Education. Sin, K., & Muthu, L. (2015). Application of big data in education data mining and learning analytics—A literature review. ICTACT Journal on Soft Computing, 5(4), 1035–1049. Tejedor, R. C. (2013). The three generations of big data processing. 19 Aralık 2016 tarihinde adresinden http+//www.slideshare.net/Datadopter/the-three-generations-of-big-data-processing erişilmiştir. The Big Data Landscape. (2014). Big data and higher education: These apps change everything. The Big Data Landscape. 6 Ocak 2017 tarihinde http://www.bigdatalandscape.com/blog/big-data-highereducation-apps-change-everything adresinden erişilmiştir. van Rijmenam, M. (2015). Datafloq - Four ways big data will revolutionize education. Datafloq. 6 Ocak 2017 tarihinde https://datafloq.com/read/big-data-will-revolutionize-learning/206 adresinden erişilmiştir. Wang, Y. (2016). Big opportunities and big concerns of big data in education. TechTrends, 60(4), 3.1– 5.27 doi+ 10.1007/s,,<;.-016-0072-1 West, D. M. (2012). Big data for education: Data mining, data analytics, and web dashboards. ==> Eğ itim Teknolojileri Okumaları 2017 Governance Studies at Brookings, 1–10. WISE ed. review. (2016). Learning world: How big data is transforming education. 4 Aralık 2016 tarihinde http://www.wise-qatar.org/learning-world-big-data-education adresinden erişilmiştir. Zikopoulos, P., Eaton, C., deRoos, D., Deutch, T., & Lapis, G. (2012). Understanding big data: Analytics for enterprise class hadoop and streaming data. McGraw-Hill Osborne Media.