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.