Bölm 12 Çok Modlu Öğrenme Analitiği

Katrien Verbert ve Erik Duval

Bilgisayar Bilimleri Bölümü, KU Leuven, Belçika

DOI: 10.18608 / hla17.012

ÖZ

Bu bölüm, kullanıcılara öğrenme süreci hakkında fikir vermek için öğrenme izlerini görselleştiren öğrenme analitiği gösterge panellerini sunmaktadır. Bu gösterge panellerinin hangi verileri kullandıkları, kimler için tasarlandıkları, hedeflerin ne olduğu ve verilerin nasıl görselleştirilebileceği ile ilgili örnekler verilmiştir. Bununla beraber, uygulayıcılar ve araştırmacılar için öğrenme analitiği gösterge panellerinin geliştirilmesine nasıl başlanacağına dair kılavuz bilgiler sunulmuştur.

Anahtar Kelimeler: Bilgi görselleştirme, öğrenme analitiği gösterge panoları

Son yıllarda, öğrenme verilerine dair anlayışı desteklemek için birçok öğrenme analitiği gösterge panellerinin dağıtımı yapılmıştır. Bu gösterge panellerinin amaçları, öğrenme etkinlikleri hakkında geri bildirim sağlama, yansıma ve karar vermeyi destekleme, bağlılığı ve motivasyonu artırma ve okul terkini azaltmayı kapsamaktadır. Bu öğrenme analitiği gösterge panelleri öğretmenlerin, öğrenenlerin ve diğer paydaşların çeşitli (çevrimiçi) ortamlarda toplanan ilgili kullanıcı izlerini keşfetmelerine ve anlamalarına yardımcı olmak için bilgi görselleştirme tekniklerini uygular. Genel amaç (insan için) öğrenmeyi geliştirmektir.

Bu bölümün amacı, öğrenme analitiği gösterge panellerinin geliştirilmesi ve değerlendirilmesine başlamak isteyen uygulayıcılar ve araştırmacılar için bir rehber sağlamaktır. Aşağıdaki maddeleri ele almak için rehberlik ediyor ve birkaç örnek sunuyoruz:

  1. Ne tür veriler görselleştirilebilir?

  2. Görselleştirme kimin için amaçlanmıştır (öğrenen, öğretmen, yönetici, araştırmacı, diğer)?

  3. Veriler nasıl görselleştirilebilir?

  4. Hangi etkileşim teknikleri uygulanabilir? Teknik uygulamalar için hangi araçlar, kütüphaneler, veri formatları, ekler kullanılabilir? Görselleştirmeyi geliştirmek için hangi iş akışı ve tanılar kullanılabilir?

Bu dört soruya ek olarak, yaklaşımın yararlılığını ve potansiyel etkisini hesaplayan değerlendirme hususları üzerinde duruyoruz.

ARKA PLAN

İnsan Zihnini Genişletmek

Akıllı izleme sistemleri (Brusilovsky, 2000) ve eğitsel veri madenciliği sistemleri (Santos ve diğerleri, 2015) gibi insanlar adına karar vermeye çalışan akıllı sistemler ile insanları bilgiye dayalı kararlar almaya teşvik eden sistemler arasında güçlü bir karşıtlık vardır.. Örneğin, görsel analiz sistemleri (Shneiderman & Bederson, 2003) bağlama, yapılabilen kararlara ve bu kararların olası etkilerine açık bir genel bakış sağlar.

Veri madenciliği, bilgisayarların yoğun hesaplamalar yapmasını, görselleştirme teknikleri ise insanların sahip olduğu olağanüstü duyuşsal yetenekleri vurgular. İki yaklaşım arasındaki fark, kendi kendini süren bir araba ile insanın sürdüğü araba arasındaki fark gibidir. Veri madenciliği, uzaktan kumanda için otomatik örüntü eşleştirme kullanırken, gösterge paneli, aracını kontrol altında tutan bir insan sürücüye yardımcı olmak için görsel iletişim sağlar.

Bu kavramsal iki yaklaşımın da belli bir felsefi veya etik yönü var: öğrenenlere her zaman ne yapacaklarını söylenirse, 21. yüzyılda iş birliği, iletişim, eleştirel düşünme ve yaratıcılık becerilerini nasıl geliştirebilirler? Ya da daha temel bir düzeyde, topluma tam olarak katılım için gerekli bilgi, beceri ve tutumlarla donatılmış vatandaşlar olabilirler mi? Bu bölümde, öğrenme analitiği için görsel yaklaşımlarla (Engelbart, 1995) insan zekâsını geliştiren yöntemlere odaklanıyoruz.

Bilgi Görselleştirme

Bilgi görselleştirme, bilişi güçlendirmek için etkileşimli görsel tasarımların kullanılmasıdır (Card, Mackinlay ve Shneiderman, 1999). Genellikle, 2 boyutlu veya 3 boyutlu alanda basit bir tasarımı olmayan soyut verilere odaklanır. Görsel analiz, modelleri daha iyi anlamak veya hassaslaştırmak için model oluşturma ve bunları görselleştirmeye özel önem vermektedir. Bilginin görselleştirilmesinde çok faydalı bir amaç, örüntü keşfi (eğilimler, boşluklar, aykırı değerler, kümeler) için insanın duyuşsal yeteneklerine güvenmektir. Bu örüntüler genellikle rakamsal olarak görünenden daha belirgin hale gelir. Ware’ in (2004)’de açıkladığı gibi:

İnsanın görsel sistemi, muazzam güç ve incelik içeren bir örüntü arayıcısıdır. Göz ve beynin görsel korteksi, insan bilişsel merkezlerine en yüksek bant genişliği kanalını sağlayan büyük ölçüde paralel bir işlemci oluşturur. Daha yüksek seviyelerde işleme ile algı ve biliş birbiriyle yakından ilişkilidir, “anlama” ve “görme” kelimelerinin eş anlamlı olmalarının nedeni budur. (s. xvi).

Bu nedenle, görselleştirme, geleneksel istatistiksel hesaplamalardan daha kesin ve açık olma potansiyeline sahiptir (Tufte, 2001).

Statik görselleştirmeler (ör. bir resim) genel olarak bir kullanıcının bir veri kümesi hakkında sahip olabileceği sınırlı sayıda soruya cevaplar sağlar. Mesela, bilgi grafikleri gazetecilikte hikâye anlatımı için sıklıkla kullanılmaktadır. Bununla birlikte, uyarıcı bir görselleştirmeye bakmak çoğu zaman yalnızca verilerle etkileşime girerek cevaplanabilecek yeni sorulara yol açmaktadır (Few, 2009). Görselleştirmeye dinamik etkileşim teknikleri eklemek, bu nedenle, genellikle, keşifsel veri analizini teşvik eden anlamlı görselleştirme araçları tasarlamak için gereklidir.

Görselleştirmenin bir diğer avantajı, verilerle ilgili sorunları; örneğin, verilerin toplanma şeklini, ortaya çıkarma yeteneğidir. Özellikle (yarı) otomatik izleyicilerin sıklıkla öğrenen etkinlik izlerini yakaladığı öğrenme analitiği durumunda, bu avantaj kalite kontrolü için değerlidir.

NEDEN, KİMİN İÇİN, NİÇİN, NASIL?

Aşağıdaki bölümde, kapsamlı olmayan bir genel bakış yer almaktadır; yaklaşımlardaki çeşitliliği tanımak önemlidir. Bu çeşitlilik, çok farklı izleyici ve nedenler için, çok çeşitli şekillerde geniş kapsamlı görselleştirilebilir öğrenme analitiği verileri göz önüne alındığında şaşırtıcı değildir.

Verbert vd. (2014), “küçük mobil uygulamalardan büyük kamuya açık ekranlardaki öğrenim alanlarına” kadar değişen bir öğrenme analitiği gösterge panosu uygulamaları anketi sunmaktadır (s. 1499). Gösterge panelleri “farkındalık, yansıma ve duyuları teşvik etmek ve öğrenenlerin hedeflerini tanımlamalarını ve bu hedeflere yönelik ilerlemelerini takip etmelerini sağlamak için genel olarak öğrenme faaliyetlerinin izlerini yakalamak ve görselleştirmek” diyorlar. (s. 1499). Makale, çeşitli gösterge paneli türleri arasında yararlı bir ayrım yapar:

  1. Gösterge panelleri öğretmenin öğretiyi adapte edebilmesi veya ders oturumları sırasında öğrencilerin ilgisini çekmesi için geleneksel yüz yüze dersleri destekler.

  2. Gösterge panelleri, örneğin hem bireysel öğrenenlerin hem de öğrenen gruplarının faaliyetlerini görselleştirerek yüz yüze grup çalışması ve sınıf düzenini destekler.

  3. Çevrimiçi veya karma öğrenmeyi destekleyen gösterge panelleri: ilk bilinen örnek, öngörülen öğrenme sonuçlarını, şu ana kadarki derslerdeki notlara, görev süresine ve geçmiş performansa dayalı olarak trafik ışığı olarak görselleştiren Course Signals’dir (Arnold ve Pistilli, 2012).

Kurs etkinliklerinin öğretmenler tarafından ayrıntılı analizine yönelik daha detaylı ve karmaşık görselleştirmeler, Öğrenci Etkinlik Ölçerinin (Student Activity Meter) odak noktasıdır (Govaerts, Verbert, Duval ve Pardo, 2012). PPUSA, öğrenenlerin sosyal etkinliklerinin görselleştirilmesine odaklanmaktadır (Bakharia ve Dawson, 2011).

İzlenenlerle ilgili olarak, yeni çevrimiçi izleyiciler kullanıma sunuldukça, öğrenenlerin ve öğretmenlerin yaptıklarını daha ayrıntılı olarak yakalama olasılıkları artmaya devam ediyor. Ayrıca, benzer şekilde insanların analog dünyada yaptıklarını yakalayabilen yeni algılayıcılar da çoğalmaktadır. Bu ikinci veri kaynağı şu ana kadar çoğunlukla otomatik olarak yakalanması mümkün olmayan, fizyolojik, duygusal ve diğer türden öğrenen özelliklerini raporlayan algılayıcılar içeren mobil cihazlarla, özellikle hızla gelişmektedir. İzlemenin yanı sıra, öz raporlama da değerli bir veri kaynağı olabilir. Her ne kadar hataya açık ve sistematik olarak sürdürmek zor olsa da öz raporlama farkındalık, yansıtma ve öz analiz için bir fırsat sunar.

Bir gösterge panelinde neler olabileceği ile ilgili olarak, Verbert vd. (2014) aşağıdaki veri türlerini listeler:

  1. Eserler blog gönderileri, paylaşılan belgeler,yazılım ve öğrenen proje portföyüne dâhil edilebilecek diğer eserler, öğrenenler tarafından üretilen eserler.

  2. Yüz yüze grup çalışmasında konuşma, blog yorumları, Twitter veya tartışma forumu etkileşimlerini içeren sosyal etkileşim.

  3. Kaynak kullanımı, belgelerin (kılavuzların, web sayfalarının, slaytların), videoların görünümlerinin vb. İzleyici yazılımları ve göz izleme gibi teknikler, kaynakların tam olarak hangi kısımların kullanıldığı ve nasıl kullanıldığı hakkında ayrıntılı bilgi sağlayabilir.

  4. Harcanan zaman, öğretmenlerin risk altındaki öğrencileri tanımlaması ve öğrencileri kendi çabalarını akranlarınınkilerle karşılaştırması için faydalı olabilir.

  5. Test ve öz değerlendirme sonuçları öğrenme sürecinin bir göstergesi olabilir.

Şekil 12.1. (Üstte) Navi Badgeboard — Kişisel Rozet Genel Bakışı: Bir öğrencinin rozetine belirli bir dönem için genel bakış; (altta) Navi Surface: yüz yüze seans sırasında masa yüzeyi1 ekran uygulamasını aktif olarak kullanan öğrenciler (Charleer vd., 2013).

Şekil 12.1 en yeni gösterge panolarımızdan birini sunmaktadır (Charleer, Klerkx, Odriozola, Luis ve Duval, 2013). Kontrol paneli bloglardan ve Twitter’dan gelen sosyal verileri izler. Üretilen yapay ürün olarak sınıflandırılan bu veriler daha sonra öğrenciler için görselleştirilir. Amaç, öğrenme gelişimi hakkındaki farkındalığı desteklemek ve sınıfta tartışmayı sağlamaktır. Bu farkındalığı ve tartışmayı desteklemek için öğrencilerin sosyal etkileşimleri, öğrencilerin kazanması için öğrenme rozetleri şeklinde soyutlanır. Öğrenciler daha sonra, ikonların ve renk ipuçlarının görselleştirilmesi yoluyla hangi rozetleri kazandıklarını (Şekil 12.1, üstte) keşfedebilirler. Gri rozetler henüz kazanılmadı. Şekil 12.1’in alt kısmı, bu rozetlerin daha fazla araştırılmasını sağlamak için bir düğüm bağlantı şeması kullanan bir masaüstünde ortak kullanım için geliştirilen bir görselleştirmeyi göstermektedir. Diğer şeylerin yanı sıra, öğrenciler öğrenme sürecini karşılaştırmak ve tartışmak için hangi öğrencilerin belirli rozetleri kazandığını keşfedebilirler.

Şekil 12.2. Belirli bir rotada başarısız olma olasılığını temsil eden Muva gösterge paneli (Ochoa vd., 2016).

Şekil 12.2’de, öğrenenin belirli bir derse başlamadan önce başarısız olma ihtimalini (Ochoa, Verbert, Chiluiza ve Duval, 2016) tahmin etmek için notları kullanan bir gösterge paneli gösterilmektedir. Bu gösterge panelinde öğretmenlere öğrencilere öğrenim yörüngelerinde tavsiyede bulunmaları desteklenir. Daha spesifik olarak, bu pano, belirli bir öğrenenin ilgilendiği dersten başarısız olma olasılığını (%68) sunmaktadır. Gösterge paneli, geçmiş performansa dayalı başarısızlık riskinin düşük (yeşil), orta (sarı) veya yüksek (kırmızı) olduğunu belirtmek için renkli ipuçları kullanır. Sonuca bağlı olarak, öğretmen öğrenciye dersi almasını ya da bir önkoşul dersi almak gibi alternatifleri tartışmasını tavsiye edebilir. Bu gösterge paneli aynı zamanda öğretmenin bu verinin üretilmesi için hangi verinin dikkate alınması gerektiğini belirtmesini sağlayan, öğretmene veri aralığını yıl cinsinden belirleyebilmesini sağlayan kaydırıcılar dâhil olmak üzere çeşitli etkileşim tekniklerini de destekler. Örneğin, 10. Sınıfta Biyoloji dersinden zayıf olan bir öğrenci daha sonra çok çalışarak 12.sınıfta başarılı olmuşsa 10. sınıf notu göz ardı edilebilir.

NASIL BAŞLADI?

İnsanların, örüntüleri keşfetmelerine ve anlamalarına yardımcı olacak gelişmiş duyuşsal yeteneklerinden yararlanmak için, bir tasarımcının verileri görsel olarak temsil etmesi veya kodlaması gerekir (Card vd., 1999). Aşağıda belirtilen birkaç adım bu tasarım sürecinde ayırt edilebilir.

Hedeflerinizi Anlayın

İlk adım, sorun alanını, veri kümesini, aracın amaçlanan son kullanıcıları, gerçekleştirmeleri gereken tipik görevleri vb. Bu aşamada aşağıdaki soruların cevaplanması gerekir:

  1. Neden: Görselleştirmenin amacı nedir? Verilerle ilgili hangi soruları cevaplamalıdır?

  2. Kime: Görselleştirme kimler için tasarlanmıştır? Alanda uzman kişiler var mı, görselleştirme mi?

  3. Ne: Görselleştirme hangi verileri gösterecek? Bu veriler zaman, hiyerarşi veya ağ gibi belirli bir iç yapı sergiliyor mu?

  4. Nasıl: Görselleştirme hedefi nasıl destekleyecek? İnsanlar görselleştirme ile nasıl etkileşime girebilecek? Amaçlanan çıktı cihazı nedir?

Veri kümesini dikkatlice inceleyerek ve anlayarak, verilerle ilgili çeşitli sorular oluşturulabilir. Bu soruları akılda tutmak, gösterge panosu için veri alırken ve filtrelerken yararlı olabilir. Örneğin, aşağıdaki öğrenen izlerini içeren bir veri kümesini göz önünde bulundurun:

  • öğrenme kaynaklarına erişim

  • dijital ders kitaplarında geçirilen süre

  • tartışma için katkılar

  • ödevlere harcanan zaman

Bu izlerden, ilgili birkaç soruyu tasarım sürecinde başlangıç noktası olarak tanımlayabiliriz. Bir öğretmen bunun gibi sorular sorabilir:

  • Öğrenciler kursun materyallerine bakmaya ne zaman başladı?

  • Bir öğrenenin ders kitabını okumak için harcadığı ortalama süre nedir?

  • Peter görevinde kaç saat çalıştı?

  • Peter tartışma forumunda ne sıklıkla bir soru sordu?

Bir öğrenen muhtemelen benzer sorular soracaktır:

  • Bir ödev için diğer öğrencilere kıyasla ne kadar zaman harcıyorum?

  • Tartışma forumuna diğer öğrencilere kıyasla ne kadar katkıda bulunurum?

Her iki durumda da yalnızca “ne”, “ne zaman”, “ne kadar” ve “ne sıklıkta” ile başlayan soruları kasıtlı olarak sıralıyoruz. Bu doğrudan sorular doğrudan bir veri kümesinde eşlenebilir. “Bu öğrenen neden bu kursa iki kez kaydolmak zorundaydı?” Gibi sorular, cevap niteliğinde daha açıklayıcıdır. Göstergeler, ders materyali için yeterince zaman harcamamış, tartışma forumundaki diğer öğrencilere etkileşimde bulunmamış, ders materyalini çok geç incelemeye başlamış olabilir. Cevaplanması gereken bir başka zor soru da “Öğrenciler ödev 1 veya ödev 2 üzerinde çalışmaya daha istekli mi?” Çok fazla veri toplansa bile, birçok (bilinmeyen) değişkene dayanarak insan motivasyonlarını içeren soruları cevaplamak zordur. Özellikle tasarımın ilk aşamasında, doğrudan, spesifik sorulara odaklanmak çoğu zaman tavsiye edilir ve daha kolaydır.

Verilerinizi Elde Etme ve Verilerinizi (Ön)İşleme

Görsel bir gösterge panosu oluşturmak genellikle bir veri toplama ve ön işleme adımı gerektirir. Görselleştirme uzmanları, bu adımın diğer tüm adımlara göre zamanın ve çabanın %80’ini attığını öne sürüyor. McDonnel ve Elmqvist (2009) aşağıda takip eden vasıtaları tanımlamaktadır:

  1. Ham verinin elde edilmesi: Verilerin nereden geleceği önemlidir (ör. ÖYS’nin günlük dosyaları, değerlendirme sonuçları, diğer) ve verilerin ne zaman güncelleneceği (belirli aralıklarla sürekli, hiçbir zaman). Verilere bir Uygulama Programlama Arayüzü (API), bir dışa aktarma dosyası veya başka bir kaynak aracılığıyla ulaşılabilir mi?

  2. Verilerin temizlenmesi: bazı değerler eksik veya hatalıysa veya toplam değerleri hesaplamak için önceden işlenmişse (ortalama, minimum, maksimum, vb.). Veri analizinde dağıtım da bir sorun olabilir: belirgin aykırı değerler, kümeler, vb. var mı?

  3. Verilerin hazırlanması ve filtrelenmesi: 1. adımdaki ilk soruları kullanarak, analiz edilen ham veri havuzundan ilgili verileri seçin.

Harita Tasarımı

Görsel haritalama tasarımında önemli olan, kullanıcıların cevaplayabilmesini istediğiniz soruları en iyi şekilde cevaplayan, yani amaçlanan hedef kitle için görselleştirme hedefinize hizmet eden bir sunum seçmektir. Çok sayıda alternatif var. Başlamanın bir yolu, her bir veri karakteristiğinin ölçümüne veya ölçeğine bakmaktır. Nominal veya nitel ölçekler, kategoriler veya ait oldukları diğer nitel sınıflandırmalar gibi kesikli giriş alanlarına göre nesneleri farklılaştırır. Sayısal ölçekler sürekli giriş alanlarına sahiptir (ör. [0,100]). Sıralamalı ölçekler, elemanların sırasının önemli olduğu ancak değerler arasındaki kesin farkın olmadığı kesikli girdi alanlarına sahiptir. Veri karakteristiğinin ölçeğine bağlı olarak, bu verilerin görsel olarak nasıl kodlanacağı seçilebilir. Şekil 12.3’te Mackinlay’ın (1986) nicel, sıralı ve kategorik ölçekleri kodlamak için görsel özelliklerin sıralaması gösterilmektedir. Örneğin, bir elemanın uzamsal konumu, niceliksel, düzenlenmiş ve kategorik farklılıkları kodlamak için kullanışlıdır. Bu nedenle dağınık noktalar çeşitli bilgileri iletmek için bu kadar sık kullanılıyordu. Diğer taraftan, uzunluk, nicel farklılıkları kodlayabilir ancak düzenli ve kategorik farklılıkları kodlamak için daha az değerlidir. Şekil, niceliksel ve sıralanmış farklılıkları görselleştirmek için sıralamanın altındadır ancak kategorik verileri göstermek için daha sık kullanılır.

Şekil 12.3. Mackinlay’ın (1986) nicel, sıralı ve kategorik ölçeklerdeki veri özellikleri için görsel özelliklerin sıralaması.

Kâğıt çizimleri gibi düşük kaliteli prototipler, tasarım-haritalama aşamasında genellikle faydalıdır. Şekil, “Öğrenme Analitiği Yaz Enstitüsü” (ÖAYE) 2014’te düzenlenen “Kendi Verilerinizi Getirin: Görsel Öğrenme Analitiği” dersi katılımcılarına verilen bir alıştırmayı göstermektedir. Katılımcılar, öğrenme analitiği konusunda iyi bilgiye sahip ancak görselleştirme konusunda sınırlı bilgiyi içeren araştırmacıları dâhil etti. İki sayıdan oluşan basit bir veri kümesini görselleştirmek için mümkün olan tüm yolları çizmeleri 15 dakika almaları istenmiştir {75, 37}. Alıştırma, katılımcılara eskiz başladıkları andan itibaren verilerin görsel kodlamalarında beyin fırtınası yapmanın zor olmadığını gösterdi. Bu iki kişilik iki ekibin her birinin 15 dakikada üretebileceği eskizlerin sayısına da yansımıştır (bk. Şekil 12.4a ve 12.4b).

Çizim yaparak, veri kümesi hakkında daha fazla fikir ve sorular ortaya çıkar, bu da görselleştirme için yeni fikirlere yol açar. Örneğin:

  • Şekil 12.4c: Katılımcılar, asıl rakamlar arasındaki farkı, yaşları ile ilişkilendirerek, 37 kişinin kolayca ağırlık kaldırabildiğini, 73 kişiden birinin ise bastona ihtiyaç duyabildiğini gösterdi.

  • Şekil 12.4d: kas boyutunu arttırır.

Şekil 12.4 İki sayıdan küçük bir veri kümesinin eskizleri {75, 37}

  • Şekil 12.4e: 75’e karşı 37 çizgiye eşit boyutta bir dairenin gölgelendirmesini kullanır.

  • Şekil 12.4f: Kartezyen koordinat sisteminde bir pozisyon kullanıyor.

  • Şekil 12.4g: sayılar arasındaki kısmi bir bütün ilişkiyi görselleştirir.

  • Şekil 12.4h: Her iki sayı arasında zamana dayalı bir ilişki olduğu varsayılarak negatif bir eğilim çizgisine varılır.

  • Şekil 12.4i: nokta bulutları kullanır.

  • Şekil 12.4j: Ağırlıktaki bir farkı göstermek için dengesiz bir ölçeği görselleştirir.

  • Şekil 12.4k: Şekil büyüklüğü ile sayı büyüklüğünü ilişkilendirir.

Görsel bir kodlama seçtikten sonra, görselleştirme araçları (Tableau ve hatta Microsoft Excel gibi) veya mevcut görselleştirme kütüphaneleri (işleme veya D3.js gibi) kullanılarak yüksek kalitede prototipler oluşturulabilir.

Açıkçası bazı alternatifler bağlamsallaştırmaya (ör. ağırlık ve yaş) ve kullanıcılar tarafından yorumlanabilme yeteneğine (ör. dengeli bir ölçeğin zihinsel modeli) bağlı olarak diğerlerinden daha iyi sonuç verir. Bu nedenle, bir veri kümesini görselleştirmenin en iyi yolu yoktur ancak bazı tekniklerin diğerlerinden daha iyi çalıştığı kanıtlanmıştır, örneğin:

  • Pasta grafikleri genellikle kötü bir fikirdir (Few, 2009).

  • Çubuk grafikler oldukça güçlü olabilir.

  • Koordinat eksenleri olan grafikler zengin keşfi mümkün kılar.

  • 3 boyutlu grafikler genellikle herhangi bir ek bilgi iletmez ve okuyucuyu gereksiz ve ikincil ipuçlarıyla uğraşmaya zorlar (Levy, Zacks, Tversky ve Schiano, 1996).

  • Dağılım grafikleri ve paralel koordinatlar, korelasyonları betimlemek için iyi temsillerdir. Ayrıca, Harrison, Yang, Franconeri ve Chang (2014), yığılmış grafik varyasyonları arasında, yığılmış çubuğun hem yığılmış alan hem de yığılmış çizgiden önemli ölçüde daha iyi performans gösterdiğini tespit etmiştir. Elliot (2016) bu çalışmalara güzel bir genel bakış sunmuştur.

Belgeleme

Herhangi bir tasarım alıştırmasında olduğu gibi, açık olması önemlidir:

  1. Gerekçe: Niçin belirli kararlar alındı, niyet neydi?

  2. Alternatifler: Hangi alternatifler göz önünde bulunduruldu ve neden durdurulmadı?

  3. Evrilme:Tasarım eski çizimlerden tam gelişmiş bir uygulamaya nasıl gelişti? Kavramsal nedenlerden dolayı neyin değişmesi ve neyin uygulanması veya diğer nedenlerle (lojistik, zaman eksikliği, diğer sebepler)?

Etkileşim Teknikleri Ekleme

Görsel analiz tipik olarak yinelemeli bir bakış açısı oluşturma, keşif ve iyileştirme sürecinde ilerler (Heer ve Shneiderman, 2012). Hangi etkileşim tekniklerinin belirli bir görselleştirme uygulaması için faydalı olduğunu analiz etmeden önce, öğrencilerin sınıfta nasıl olduklarını anlamak isteyen öğretmenlerin gerçekleştirdiği tipik analitik görevleri anlamak için yararlıdır. Bu amaçla literatürde çeşitli görev taksonomileri tanımlanmıştır. Ortak görevler şunlardır:

  • Benzerlikleri ve farklılıkları bulmak için değerleri ve örüntüleri karşılaştırma.

  • Öğeleri çeşitli veri değerlerine veya metriklere göre sıralama.

  • Bir dizi koşulu sağlayan filtreleme değerleri.

  • Belirli değerlerin görsel olarak göze çarpmasını sağlamak için verilerin vurgulanması, diğer tüm verilerin kaybolması gibi, filtreleme verilerinde olduğu gibi.

  • Benzer ögelerin birlikte kümelenmesi veya gruplanması; örneğin, niceliksel verileri toplayarak (ör. ortalama, sayma, vb.) daha yüksek veya daha düşük bir ayrıntı düzeyinde görüntülemek için.

  • Açıklayıcı bulgular ve düşünceler.

  • Etkili navigasyonu etkinleştirmek için verilere belirli bir görünümü imleme veya kaydetme.

Heer ve Shneiderman (2012) görsel analiz için etkileşimli dinamikler üzerine temel bir okumadır. Yazarlar başarılı görsel analitik araçlara katkıda bulunan etkileşimli dinamiklerin bir taksonomisini sunmaktadır. Her görev kategorisi için, mevcut görselleştirme sistemleri, fırçalama ve bağlama, çubuk grafik sürgüleri, büyütülebilen haritalar, dinamik sorgu filtresi ekran araçlarını, küçük çoklu ekranlar veya kafes grafikleri, çoklu eş güdümlü görünümler ve görsel analiz geçmişleri gibi eldeki görevi destekleyen faydalı etkileşim teknikleri ile açıklanmaktadır.

Sürekli Değerlendir

Tasarım sürecinde, somut kişilik ve senaryoların detaylandırılması tasarım, geliştirme ve görselleştirmenin neyle ilgili olduğuna dair değerlendirmenin odaklanmasına yardımcı olduğu için çok faydalı olabilir. Çok fazla “eye candy2” etkisine kapılmak ve görselleştirmenin ne, kim ve niçin tasarlandığının unutulması çok kolaydır. Genel olarak, kullanıcı merkezli tasarım (KMT) yaklaşımı, hedef kullanıcıları sürekli tasarım-uygulama-değerlendirme döngülerinde tutan yinelemeli gelişim ile devam eder. Bu şekilde gelişim, öğretmen veya öğrenenler için her zaman en alakalı konulara odaklanabilir.

Bilgi görselleştirme sistemlerinin değerlendirilmesi esastır. Farklı görselleştirme ve etkileşim tekniklerini değerlendiren kontrollü deneyler veya bir görselleştirmenin öğrenme üzerindeki etkisini değerlendiren alan çalışmaları da dâhil olmak üzere bir teknikler listesi kullanılabilir (Plaisant, 2004). Sonuncusu doğal ortamlarda (dersliklerde) meydana gelir ancak çoğu kez zaman alıcıdır ve çoğaltılması ve genelleştirilmesi zordur (Nagel vd., 2014). Verbert vd. (2014) aşağıdaki değerlendirme tekniklerini önermektedir:

  1. Etkileşim, daha yüksek notlar veya son test sonuçları, daha yüksek akılda tutma oranları, iyileştirilmiş öz değerlendirme ve genel kurs memnuniyeti ile ilgili olabilecek etkinlik.

  2. Öğrenen veya öğretmenin zamanı verimli kullanması.

  3. Kullanılabilirlik ve faydalılık değerlendirmeleri genellikle öğretmenlerin risk altındaki öğrenenleri belirleyebilmelerine veya öğrenenlerin bir kursta ne kadar iyi performans gösterdikleri ile ilgili düşüncelerini sormalarına odaklanır.

Genel değerlendirme araçları arasında, işlem süresi, yapılan hatalar, öğrenilme süresi, vb. değerlendirilen anketler veya kontrollü deneyler bulunmaktadır (Dillenbourg vd., 2011).

SONUÇ

Bilgi görselleştirme kavramları ve yöntemleri aşağıdaki ler için anahtar role sahiptir,

  • Öğrenenlerin öğrenme eylemleri ve bunların etkileri hakkında bilgi edinmek için.

  • Öğretmenlerin, derslerindeki ince etkileşimlerden haberdar olmaları için.

  • Araştırmacılar, büyük kullanıcı izleri veri kümelerindeki örüntüleri keşfetmek ve bu verileri akranlarına iletmek için.

Bu bölümde gösterildiği gibi, görselleştirme, öğrenme sürecini şekillendirmeye yardımcı olmak ve ilgili metriklere eyleme dönüştürülebilir bir şekilde genel bir bakış açısı sunan ve örüntülerin keşfedilmesini destekleyen bir öğrenme analitiği gösterge panoları oluşturarak ilerlemesi ve etkisi üzerine yansımalarını teşvik etmek için benzersiz bir potansiyele sahiptir.

Öğrenme analitiği için etkili bir bilgi görselleştirme sistemi tasarlamak ve yaratmak bir sanattır, çünkü tasarımcı hem görsel teoriden algoritmaya hem de tasarımdan görsel tasarımdan algoritma tasarımına kadar değişen teknikler yanında öğrenme teorileri ve paradigmaları konusunda da uzmanlık ister. (Nagel, 2015; Spence, 2001). Bu bölümde, ham veri analizinden hedef kullanıcılar tarafından değerlendirilen etkili gösterge panellerine kadar bir görselleştirme tasarım sürecindeki çeşitli adımları kısaca açıkladık.

KAYNAKÇA

Arnold, K. E., & Pistilli, M. D. (2012). Course Signals at Purdue: Using learning analytics to increase student success. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK’12), 29 April–2 May 2012, Vancouver, BC, Canada (pp. 267–270). New York: ACM.

Bakharia, A., & Dawson, S. (2011). SNAPP: A bird’s-eye view of temporal participant interaction. Proceedings of the 1st International Conference on Learning Analytics and Knowledge (LAK’11), 27 February–1 March 2011, Banff, AB, Canada (pp. 168–173). New York: ACM.

Brusilovsky, P. (2000). Adaptive hypermedia: From intelligent tutoring systems to web-based education. In G. Gauthier, C. Frasson, K. VanLehn (Eds.), Proceedings of the 5th International Conference on Intelligent Tutoring Systems (ITS 2000), 19–23 June 2000, Montreal, QC, Canada (pp. 1–7). Springer. doi:10.1007/3-540- 45108-0_1

Card, S. K., Mackinlay, J., & Shneiderman, B. (Eds.). (1999). Readings in information visualization: Using vision to think. Burlington, MA: Morgan Kaufmann Publishers.

Charleer, S., Klerkx, J., Odriozola, S., Luis, J., & Duval, E. (2013). Improving awareness and reflection through collaborative, interactive visualizations of badges. In M. Kravcik, B. Krogstie, A. Moore, V. Pammer, L. Pannese, M. Prilla, W. Reinhardt, & T. D. Ullmann (Eds.), Proceedings of the 3rd Workshop on Awareness and Reflection in Technology Enhanced Learning (AR-TEL’13), 17 September 2013, Paphos, Cyprus (pp.69–81).

Dillenbourg, P., Zufferey, G., Alavi, H., Jermann, P., Do-lenh, S., Bonnard, Q., Cuendet, S., & Kaplan, F. (2011). Classroom orchestration: The third circle of usability. Proceedings of the 9th International Conference on Computer-Supported Collaborative Learning (CSCL 2011), 4–8 July 2011, Hong Kong, China (vol. I, pp.510–517). International Society of the Learning Sciences.

Elliot, K. (2016). 39 studies about human perception in 30 minutes. Presented at OpenVis 2016. https://medium.com/@kennelliott/39-studies-about-human-perception-in-30-minutes-4728f9e31a73#.rs7z3ch6i

Engelbart, D. (1995). Toward augmenting the human intellect and boosting our collective IQ. Communications of the ACM, 38(8), 30–34.

Few, S. (2009). Now you see it: Simple visualization techniques for quantitative analysis. Berkeley, CA: Analytics Press.

Govaerts, S., Verbert, K., Duval, E., & Pardo, A. (2012). The student activity meter for awareness and self-reflection. CHI Conference on Human Factors in Computing Systems: Extended Abstracts (CHI EA’12), 5–10 May 2012, Austin, TX, USA (pp.869–884). New York: ACM.

Harrison, L., Yang, F., Franconeri, S., & Chang, R. (2014). Ranking visualizations of correlation using Weber’s law. IEEE Transactions on Visualization and Computer Graphics, 20(12), 1943–1952.

Heer, J., & Shneiderman, B. (2012, February). Interactive dynamics for visual analysis. Queue – Microprocessors, 10(2), 30.

Levy, E., Zacks, J., Tversky, B., & Schiano, D. (1996, April). Gratuitous graphics? Putting preferences in perspective. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI’96), 13–18 April 1996, Vancouver, BC, Canada (pp.42–49). New York: ACM.

Mackinlay, J. (1986). Automating the design of graphical presentations of relational information. Transactions on Graphics, 5(2), 110–141.

McDonnel, B., & Elmqvist, N. (2009). Towards utilizing GPUs in information visualization: A model and implementation of image-space operations. IEEE Transactions on Visualization and Computer Graphics, 15(6), 1105–1112.

Nagel, T., Maitan, M., Duval, E., Vande Moere, A., Klerkx, J., Kloeckl, K., & Ratti, C. (2014). Touching transport: A case study on visualizing metropolitan public transit on interactive tabletops. Proceedings of the 12th International Working Conference on Advanced Visual Interfaces (AVI 2014), 27–29 May 2014, Como, Italy (pp.281–288). New York: ACM.

Nagel, T. (2015). Unfolding data: Software and design approaches to support casual exploration of tempo-spatial data on interactive tabletops. Leuven, Belgium: KU Leuven, Faculty of Engineering Science.

Ochoa, X., Verbert, K. Chiluiza, K., & Duval, E. (2016). Uncertainty visualization in learning analytics. Work in progress for IEEE Transactions on Learning Technologies.

Plaisant, C. (2004). The challenge of information visualization evaluation. Proceedings of the 2nd International Working Conference on Advanced Visual Interfaces (AVI’04), 25–28 May 2004, Gallipoli, Italy (pp.109–116). New York: ACM.

Santos, O. C., Boticario, J. G., Romero, C., Pechenizkiy, M., Merceron, A., Mitros, P., Luna, J. M., Mihaescu, C., Moreno, P., Hershkovitz, A., Ventura, S., & Desmarais, M. (Eds.). (2015). Proceedings of the 8th International Conference on Educational Data Mining (EDM2015), 26–29 June 2015, Madrid, Spain. International Educational Data Mining Society.

Shneiderman, B., & Bederson, B. B. (2003). The craft of information visualization: Readings and reflections. Burlington, MA: Morgan Kaufmann Publishers.

Spence, R. (2001). Information visualization: Design for interaction, 1st ed. Salt Lake City, UT: Addison-Wesley.

Tufte, E.R. (2001). The visual display of quantitative information, 2nd ed. Cheshire, CT: Graphics Press LLC.

Verbert, K., Govaerts, S., Duval, E., Santos, J., Assche, F., Parra, G., & Klerkx, J. (2014). Learning dashboards: An overview and future research opportunities. Personal and Ubiquitous Computing, 18(6), 1499–1514.

Ware, C. (2004). Information visualization: Perception for design, 2nd ed. Burlington, MA: Morgan Kaufmann Publishers.


1 orj. tabletop

2 Çevirenin notu: görsel efekt

License

Share This Book