Ülkemizde yüksek öğrenim alanı uzun yıllardır yasal olarak görece katı kurallarla sınırları belirlenen ve özellikle öğrenciler açısından mobiliteyi kısıtlayan bir yaklaşıma sahipti. Ancak yakın zamanda yapılan bazı değişiklerle bu sınırlar gevşetilerek öğrenci hareketliliğine imkan sağlayan bir esneklik getirildi ve şimdilerde yükseköğrenimdeki öğrencilerin regülasyonlar doğrultusunda okul değiştirme olanağı var.
Eğer çeşitli sebeplerden bulundukları üniversiteden/yükseköğrenim kurumundan memnun değillerse farklı bir kuruma geçiş yapabiliyorlar ve buna da “yatay geçiş” deniyor. Pek istenmeyen bir durum olsa da eğer öğrenci tamamen mutsuzsa kazandığı okulu bırakıp başka bir üniversiteye geçiş yapabiliyor. Ancak bunun çeşitli komplikasyonları var.
Öncelikle yatay geçişler veya okulu bırakma eğilimi eğitim kurumları açısından çok sorunlu. Yükseköğrenim kurumlarının hedefi, konusunda uzman, topluma faydalı, başarılı iyi insanlar yetiştirmek ve bunun için ciddi kaynak ayırıyor, sistemler geliştiriyorlar. Öğrenci kayıpları okulun sadece mali disiplini açısından değil, kurumsal kaynakların doğru ve verimli yönetilebilmesi bakımından da denge bozucu bir niteliğe sahip. Zaten kısıtlı olan ulusal eğitim kaynaklarının boşa sarfına neden olan bu durum öğrenciler açısından da ciddi bir zaman israfı anlamını taşıyor.
Öğrencilerin ayrılma nedenlerini önceden tespit edip onların okula bağlılıklarını artırmak ve başarı seviyesini artırıcı önlemler almak bu nedenle çok önemli,. Hallerinden çok da mutlu olmayan öğrencileri tespit etmek ve bunun nedenlerini araştırarak gidermek için yine teknolojiyi kullanmak ve zamanında gerekli işlemleri yapmak gerekiyor. Nitekim üniversitelerde bu konuda süreç yönetimi ve sistem geliştirme arayışındalar.
Bu amaçla son dönemde en çok faydalanılan teknolojileri şöyle sıralayabiliriz:, Büyük Veri, Yapay Zekâ (Veri Analitiği, Veri Madenciliği, uzman sistemler, makine öğrenmesi, derin öğrenme) ve İş Zekası. Süreç boyunca temel amaç veriyi toplamak, derlemek, sınıflandırmak, ilişkilendirmek, veri içinde desenler bulmak, model oluşturmak ve veriyi uygulamak olarak özetlenebilir. Kısaca değerlendirelim:
Veri toplamak
Öğrenciye dair birçok veri okullardaki BT (Bilişim Teknolojileri – IT Information Technology ) sistemlerinde tutuluyor . BT sistemlerinin öğrenciye dair ulaşılabilen tüm bilgi, ilişkilendirilmek ve işlenmek üzere bir yerde toplandığı yerler farklı mecralarda biriktirilebiliyor. Örneğin;
- SIS – Student Information System – Öğrenci Yönetim Sistemi
Dersler, sınavlar, notlar, Öğrenci kişisel bilgisi, GPA (Not ortalaması), ulaşım bilgisi, adres …
- CRM – Customer Relationship Management – İlişki Yönetim sistemi
Öğrencinin şikâyetler, istekleri, Öğrenci ile mail, telefon vb yöntemle kurulan ilişki tarihçesi - Finans sistemi
Öğrenci ödemeleri, burslar, borçlar - LMS – Learning Management System – Öğrenme Yönetim Sistemi
Çevrimiçi (Online) dersler, ders içerikleri, notlar, sınav/ara sınavlar, tartışmalar - Anket sistemleri
Ders, eğitmen memnuniyeti anketleri - ELS – English Language School – Yabancı Dil Öğretim Sistemleri
Yabancı dil öğrenme başarısıVeriyi hazırlamak
Öğrencinin okula bağlılığını azaltacağı düşünülen tüm veri, çeşitli BT sistemlerinden elde edilerek bir veri tabanında toplanır, temizlenir, çift kayıtlar düzeltilir, ilişkilendirilir ve işlenmeye hazır hale getirilir.
Veri modelleme
Veri üzerinde veri madenciliği yapılarak örüntüler (pattern) aranır. Amaca özel bir model hazırlanır. Bu model daha sonra makine öğrenmesi (machine learning) yöntemiyle kendisini geliştirir. Bu yöntemle öğrencilerin okuldan başlıca ayrılma nedenleri tespit edilir ve yeni veri üzerinde çalıştırılarak modelin işaret ettiği ayrılma olasılığı olan öğrencilerle ilgili ön çalışma yapılarak öğrenci bağlılığı, memnuniyeti ve başarısı desteklenir.
Bu tarz çalışmalarIn hem ülkemizde hem de yurt dışında yapıldığını görmek mümkün:
- The Information School, University of Washington, Seattle : Predicting Student Dropout in Higher Education [1]
- Technological Institute of the Philippine : Çalışma: Predicting Student Attrition Using Data Mining Predictive Models [2]
Bu çalışmada 2004-2010 yılları arasında okulu bırakma sebebinin akademik başarı ile doğru orantılı olduğu tespit edilmiş.
32.500 öğrenci verisi üzerinde yapılan bu çalışmada Matematik, İngilizce, Kimya, Fizik gibi derslerden alınan notların, okula kayıt yılının ve doğum yılının okulu bırakma ile ilgili göstergeler olabileceği tespit edilmiş.
Yapılan tespitlerin temel amacı teşhis koyarak doğru tedaviyi uygulamaya koyabilmek. Tüm bu süreçlerde Yapay Zekanın öğrenci başarısını, mutluluğunu ve dolayısıyla eğitim kurumlarının performansını destekleyebildiği görülüyor. Endüstri 4.0 ile gelen bu yeni teknolojilerin hem hayatımızı hem de gençlerin iyi eğitilmesine verebileceği katkı ile, geleceğimizi de iyileştireceğine inanarak bir an önce dijital dönüşüme ayak uydurmamız gerektiği ortada.
[1] Predicting Student Dropout in Higher Education
[2] Çalışma: Predicting Student Attrition Using Data Mining Predictive Models
- Technological Institute of the Philippine : Çalışma: Predicting Student Attrition Using Data Mining Predictive Models [2]