Bölüm 16 Heterojen Ağa Bağlı Öğrenme Ortamlarında Etkinlik ve Aktörlerin Çok Düzeyli Analizi

Daniel D. Suthers

İletişim ve Bilgisayar Bilimleri Bölümü, Hawaii Üniversitesi, ABD

DOI: 10.18608 / hla17.016

ÖZ

Günümüzde çevrim içi ağ ortamlarında öğrenme genellikle birden fazla medyaya ve siteye dağıtılır ve aynı anda birden fazla seviyede işlem aracılığıyla gerçekleştirilir. Bu öğrenmeyi sosyal ağlara gömülü olarak incelemek veya yalnızca ağa bağlı öğrenme ortamını pratik amaçlar için izlemek isteyenler için bir zorluktur. Etkinlik izleri çoklu veritabanlarında parçalara bölünebilir ve olayların kaydedildiği ayrıntı düzeyi analitik ihtiyaçlarla eşleşmeyebilir. Bu bölüm, bir veya daha fazla dijital ortamda katılımcı etkileşimini bilgi işlemsel olarak daha yüksek tanım düzeylerini türetmek suretiyle analiz etmek için analitik bir çerçeve olan Traces’ı sunar. Traces çerçevesi, sosyoteknik sistemlerdeki etkileşimi modellemek için kavramları, karşılık gelen gösterimleri olan modeller hiyerarşisini ve gösterimleri dönüştürerek bu seviyeler arasında çevirmek için kullanılan hesaplama yöntemlerini içerir. Potansiyel uygulamalar etkileşimli oturumları, oturumlardaki kilit aktörleri, aktörler arasındaki ilişkileri, süreç boyunca katılımdaki değişiklikleri ve öğrenen gruplarını veya topluluklarını kapsar.

Anahtar Kelimeler: Etkileşim analizi, sosyal ağ analizi, topluluk keşfi, ağa bağlı öğrenme ortamları, Traces analitik çerçevesi

Bu bölüm, bir veya daha fazla dijital ortamda (muhtemelen birden fazla ortamda) katılımcı etkileşimi izleme verilerini analiz edip neyin olup bittiğine dair daha yüksek bir açıklama düzeyi elde etmek isteyen okuyuculara hitap etmektedir. Bu daha yüksek tanımlama seviyelerinin örnekleri arasında etkileşimli oturumları, oturumlar boyunca öğrenenlerin gruplarını veya topluluklarını tanımlamak, önemli aktörler açısından etkileşimi karakterize etmek ve aktörler arasındaki ilişkileri tanımlamak yer alır. Burada açıklanan yaklaşım olan Traces çerçevesi, keşif odaklı araştırma için kullanılmaktadır ancak bu daha yüksek açıklama seviyelerindeki değişkenleri veya bu açıklamaları kullanarak üretim öğrenme ortamlarının canlı izlenmesini gerektiren hipotez test araştırmasını da destekleyebilir. Traces çerçevesi, sosyoteknik sistemlerdeki etkileşimi düşünmek ve modellemek için bir dizi kavramı, karşılık gelen gösterimleri olan bir model hiyerarşisini ve gösterimleri dönüştürerek bu seviyeler arasında çeviri için bilgi işlemsel yöntemleri içerir. Bu yöntemler deneysel yazılımlarda uygulanmıştır ve heterojen ağa bağlı öğrenme ortamındaki veriler üzerinde test edilmiştir.

Bu bölümün amacı, okuyucuyu, ağa bağlı öğrenme ortamlarında etkinlik ve aktörlerin çok düzeyli analizinin nasıl kullanılabileceğine dair kısa açıklamalarla çerçevenin kavramsal ve temsili yönlerini tanıtmaktır. Yer kısıtlılığı nedeniyle, uygulama ve araştırmamıza ilişkin ayrıntılı örnekler ve bilgiler dâhil edilmemiştir1.

MOTİVASYONLAR

Traces çerçevesi için motivasyonlar, kısmen, Web 2.0 olgusunun ortaya çıkmasına (O’Reilly, 2005) ve KAÇD’lere (Kitlesel Açık Çevrimiçi Ders) yakın zamanda yönelen ilgi de dâhil olmak üzere bu olgunun eğitsel uygulayıcılar ve öğrenenler tarafından formal ve informal öğrenmeye uyarlanmasına dayanmaktadır. (Allen ve Seaman, 2013). Bu tür ortamlarda öğrenme zamana ve sanal alana (medyaya) dağıtılır ve öğrenenler birden fazla ortama katılabilir. Öğrenmenin gerçekleşebileceği katılımcılar arasında dolaylı etkileşimi içeren, örneğin çevrimiçi topluluklar ve bKAÇD’ler (bağlantıcı bKAÇD’ler) (Siemens, 2013) dâhil olmak üzere herhangi bir sosyoteknik ağı içerdiğini tanımladığımız ağa bağlı öğrenme ortamlarına (ABÖO) odaklanıyoruz (Barab, Kling ve Gray, 2004; Renninger ve Shumar, 2002). Çerçeve, çok sayıda kişinin öncelikle eğitim yazılımı veya özel ders sistemleriyle etkileşime girdiği “gKAÇD” gibi bireyler tarafından yalıtılmış etkinlik için geçerli değildir.

Bu ağa bağlı ortamlardaki öğrenme ve bilgi oluşturma etkinlikleri genellikle birden fazla medyaya ve siteye dağıtılır. Sonuç olarak, bu tür bir etkinliğin izleri çoklu kayıt günlükleri arasında bölünebilir. Örneğin, ağa bağlı öğrenme ortamları arasında bir dizi tartışma, eş zamanlı sohbet, wiki, mikro blog, yazı tahtaları, profiller ve kaynak paylaşımı bulunabilir. Etkinlikler katılımcılar için tek bir birleşik etkinliğin parçası olduğu eylemlerini birbirinden ayırmak suretiyle farklı biçimlerde ve yerlerde kaydedilebilir. Birden fazla izleme verisi kaynağının tek bir transkripte birleştirilmesi, etkileşime ilişkin verileri yeniden bir araya getirmek için gerekli olabilir. Ayrıca, olayların kaydedildiği ayrıntı düzeyi analitik ihtiyaçlarla eşleşmeyebilir. Örneğin medya düzeyinde olaylar, bireysel eylemlerden ziyade eylemler, kişiler ve/veya medya arasındaki ilişkilerle ilgili analizler için yanlış ontoloji olabilir. Birincil analize başlamak için kayıt günlüğü dosyası gösterimlerinin diğer tanım düzeylerine çevirisi gerekebilir.

Daha yüksek tanım seviyelerinin türetilmesi aynı zamanda karmaşık ve çok düzeyli bir olgu olarak teorik öğrenme hesaplamalarıyla da motive edilir. Öğrenmenin sosyal ortamlarda nasıl gerçekleştiğine dair kuramlar, bireysel, küçük grup, ağ veya topluluk dâhil olmak üzere öğrenme aracısına göre değişmekte iken bilgi aktarımı, tartışma, hedefler arası anlamlandırma, katılım ve kimlikteki değişim ve kültürel sermayenin toplanması örneklerinde olduğu gibi öğrenme sürecine göre değişir (Suthers, 2006). Öğrenme, tüm bu aracılık seviyelerinde ve tüm bu süreçlerle potansiyel olarak çoklu zaman ölçeklerinde eşzamanlı olarak gerçekleştirilir (Lemke, 2000). Çok kademeli bir yaklaşım, toplumsal düzenin, sayısız bireysel eylemin bir araya gelmesinden ve muhtemelen beşerî unsurların da (Latour, 2005) yönlendirmesiyle birbirlerini etkilemelerinden kaynaklandığına dair teorik duruşumuzla da gerekçelendirilmektedir ve olguları anlamak için kullanılan aktör ilişkileri veya topluluk yapıları gibi metodolojik imalar kadar, bu olguların inşa edildiği bireysel eylemlerin akışına da bakmamız gerekir. Öylece, öğrenmenin tüm zenginliği ile anlaşılması, birey ve ortak aracı seviyeleri arasındaki ilişkileri ortaya çıkaran ve potansiyel olarak çoklu teori ve analiz yöntemlerini koordine eden verileri gerektirir (de Laat, 2006; Monge ve Contractor, 2003; Suthers, Lund, Rose, Teplovs ve Law, 2013).

TRACES ANALİTİK ÇERÇEVESİ

Bu bölüm Traces analitik çerçevesinin altında yatan tanımlama seviyelerini ve bunlara karşılık gelen temsilleri kapsamakta olup bir sonraki bölüm potansiyel uygulamalar hakkında bilgi verecektir. Yaklaşımı önizlemek amacıyla olayların günlükleri özetlenir ve sonradan etkileşim ve ilişkilerin analiz düzeylerini destekleyen bir dizi gösterimi türetmek için kullanılan tek bir soyut nüshada birleştirilir. Üç çeşit grafik, etkileşimi modellemektedir. Acil durum grafikleri, mesajlaşma ya da mesaj gönderme gibi olayların, zamansal ve mekânsal yakınlık ve içerik bakımından önceki olaylarla gözle görülür şekilde ilişkili olduğunu kaydeder. alım çizgeleri, her bir eylemin önceki eylemleri nasıl “üstlenebileceğini” modellemek için her bir olay çifti arasındaki çoklu olasılıkları toplar. Oturum grafikleri, alım çizgelerinin soyutlanmış versiyonlarıdır: olayları, oturumlar arasındaki alım ilişkileri ile uzamsal-zamansal oturumlara kümeler. Aktörler ve yapılar arasındaki ilişkiler, sosyogramlar elde etmek için etkileşimli grafiklerden ve associogram2 olarak adlandırdığımız özel bir bağlılık ağı türünden soyutlanır. Çeşitli analiz seviyelerinde kullanılan gösterimler Şekil 16.1’de şematik olarak gösterilmiştir.

Transcript Hakkında

Kaynak verileri sağlayan çeşitli etkinlik izleriyle (olayların günlük dosyaları gibi) başlıyoruz (Şekil 16.1a). Bunlar, zorunlu olarak sisteme özgü yöntemler kullanılarak, ikinci seviyede gösterildiği gibi bir olay akışına ayrıştırılır (Şekil 16.1b’deki kutular). Etkinlikler farklı ortamlardan gelebilir (ör. sohbetler, izlekli tartışma, sosyal medya), çeşitli türlerde olabilir (ör. sohbete girme, sohbetten çıkma, sohbete katkı sunma, mesaj gönderme, mesaj okuma, dosya indirme). Zaman damgaları, aktörler, içerik (ör. sohbet içeriği) ve ilgili olaya dâhil olan yerler (ör. sohbet odaları) ile ek açıklamalara sahip olmalıdırlar. Sonuç, dağıtılan faaliyetlerin soyut bir dökümüdür. Sisteme özgü faaliyet gösterimlerinden bir soyut döküme çevirerek, şimdiye kadar parçalanmış faaliyet kayıtlarını tek bir analitik yapıya dâhil ediyoruz.

Acil Durum Grafiği

Daha sonra, eylemlerin karşılıklı olarak nasıl bağlamsal açıdan kavramsallaştırıldığına dair bir model üretmek için olaylar arasındaki olasılıkları (Şekil 16.1b’deki oklar) hesaplıyoruz. İnsan eylemi, meydana geldiği ortamlara çeşitli şekillerde bağlıdır: bilgi işlemsel yöntemler, otomatik algılamaya tabi olan bazı olasılıkları yakalayabilir. Örneğin, proksimal olay adı verilen bir beklenmedik durum, zaman ve mekânsal açıdan birbirine yakın olarak meydana gelen olayların birbiri ile ilişkili olma olasılığını yansıtır. Yarı senkronize sohbeti analiz ederken, beklenmedik durumlar, yakın zamanda olmamak kaydıyla ayarlanabilir bir zaman dilimi içinde ve aynı odada gerçekleşen önceki katkılara yüklenir. Adres ve cevap olasılıkları, kullanıcının ismini, yaptığı en son katkıyı ve bir sonraki katkıyı içeren bir zaman dilimi içerisine yüklenir ve bu yapılırken de kullanıcı kimlikleri ile ilk isimlerini ayırıcı/eşleştirici kullanılır. Öznenin amacının sürekliliğini yansıtmak için aynı aktör durumları daha büyük bir zaman dilimi boyunca katılımcının önceki eylemlerine yüklenir. Kelime kökleri kümeleriyle temsil edildiği üzere, içerikte örtüşme, örtüşen köklerin sayısı ile ağırlıklandırılan kelime örtüşmesini üretmek için kullanılır. Etkileşimsel yapı analizi için doğal dil işleme yöntemlerine dayanarak daha ileri seviyedeki durumlar hesaplanabilir (Rose vd., 2008).

Şekil 16.1. Analiz düzeyleri ve gösterimleri.

Ortaya çıkan acil durum grafiği, bağlamsal eylem modeli olan ilk soyutlama katmanını (Şekil 16.1b) temsil eder. Bu grafikte, köşeler olaylardır ve beklenmedik durumlar, köşeler arasına yerleştirilen kenarlardır (örnekler az önce açıklanmıştır). Herhangi bir iki köşe arasında çok sayıda kenar olabilir (ör. aynı aktör tarafından hazırlanan sözcüksel örtüşmeli iki yakınsak olayın arasında en az üç beklenmedik olay olacaktır).

Alım grafiği

İki nedenden dolayı köşeler arasındaki çoklu kenarları tek kenarlara daraltmak gerekir. İlk olarak, çoğu grafik algoritması, herhangi iki köşe arasında en fazla yalnızca bir kenarı olduğunu varsaymaktadır. İkincisi, bir insan eyleminin önceki olayların bazı yönlerini bir şekilde önemli olduğu olayları arasındaki ilişkiyi ele almakla ilgileniyoruz. Etkileşimin temel yapı taşı olan alım (Suthers vd., 2010), etkileşim içinde ve etkileşim yoluyla öğrenmenin nasıl gerçekleştiğini analiz etmek için temel birimdir. Sohbetlerde ve tartışmalardaki önceki katkılara cevap vermek, alımın örnekleri arasındadır ancak alım sadece cevaplarla sınırlı değildir: kullanıcı, bir önceki kullanıcının katkısını başka yollarla uygun kılabilir. Alım, bir ortama özgü değildir: farklı ortamlarda ve farklı medya türlerinde gerçekleşebilir (Suthers vd., 2010). Acil durumlar sadece alım için toplu kanıt olarak ilgi çekicidir, bu yüzden acil durum grafiğini bir alım grafiğine soyutlarız.

Şekil 16.1c’de gösterildiği üzere, alım çizgeleri, olayları da ilişkilendirdikleri acil durum grafiğine benzer ancak belirli bir köşe çifti arasındaki çeşitli türdeki beklenmedik durum demetlerini isteğe bağlı olarak düşük ağırlıklı demetleri filtrelendiği ve beklenmedik durumlardaki kanıtların direncinin toplandığı tek bir grafik kenarı halinde toplarlar (Suthers, 2015). Farklı amaçlar için farklı ağırlıklar kullanılabilir (ör. oturum bulma, oturumların etkileşimli yapısını analiz etme, sosyogram oluşturma). Önemli olan şudur; şarta bağlılık ağırlıklarını gözden çıkarmayız: bunlar, sosyogramlarda toplanınca kullanıcılar arasındaki bağın alım ilişkisinin doğasını özetlemek için bir vektörde tutulur. alım çizgeleriyle ilginç birçok şey yapabiliriz ancak önce genellikle oturumları temsil ettiği için ayrı ayrı ele almak istediğimiz grafiğin bölümlerini belirleriz.

Oturumlar

Oturumları tanımlamak için uzamsal-zamansal yakınlıktaki olay kümeleri hesaplanır (Şekil 16.1c’de daire kutularda belirtilmiştir). Bunu yapma yöntemleri daha sonra tartışılacaktır. Oturum içi analizlere yönelik olarak her bir oturum için bir alım çizgesi ayrılmıştır. Bu noktada birçok yol mümkündür. Örneğin, etkileşimin sıralı yapısı, grup başarılarının gelişimini anlamak için mikro-analize tabi tutulabilir ancak bu analizin otomatikleştirilmesi zor olabilir. Küme tespiti veya tematik konuların izlenmesi gibi grafik yapı analizi yöntemleri uygulanabilir (Trausan-Matu ve Rebedea, 2010). Oturumlar arası analiz için her oturumu, oturumu temsil eden tek bir düğüme daraltırız ancak oturumlar arası alım bağlantılarını koruruz. (ör. Şekil 16.1c’de dört oturum ve iki oturum arası alım vardır.) Bu oturumlar arası bağlantılar, bir oturumdan diğerine zaman ve mekân üzerindeki potansiyel etkileri gösterir.

Sosyogramlar

Sosyoteknik ağlar genel olarak sosyal ağ analizi yöntemleri kullanılarak, insan aktörler arasındaki ilişkilerin varlığının ya da gücünün sosyogram ya da sosyometrik gösterimlerini kullanarak hem yerel (ego merkezli) hem de yerel olmayan (ağ) sosyal yapıları ortaya çıkarmak için bu temsillerin gücünden yararlanan grafik algoritmaları (Newman, 2010; Wasserman ve Faust, 1994) ile çalışılmaktadır. Oturumların içinde veya arasında, alım çizgelerini aktör-aktör sosyogramlarına katlayabiliriz (yönlü ağırlıklı çizgeler, Şekil 16.1d). Aktörler arasındaki bağ gücü, katkıları arasındaki alım gücünün toplamıdır. İki aktör arasındaki ilişkilerin kanıtları konusunda daha katı olmak istiyorsak, yakınlığı küçümseyen ve diğer aktör yönelimin doğrudan kanıtını vurgulayan farklı bir ağırlık kullanabiliriz. Bu sosyogramlar, temel aktörleri tanımlamak için merkezi ölçütler gibi geleneksel sosyal ağ analiz yöntemleri kullanılarak analiz edilebilir.

Asosyogramlar

Sosyogramın iki aktör arasındaki tekil bağı, etkileşime girdikleri medya ile birlikte bağın kurulduğu etkileşimi de özetleyip gizler. Aktörlerin nasıl etkileşime girdiğiyle ilgili bilgilerin bir kısmını korurken, grafik hesaplamaların bir özet gösterimi üzerindeki avantajlarını korumak için, birleştirilmiş ağlara benzeyen ama onlardan daha spesifik olan çift taraflı, çok modlu, yönlü ağırlıklı çizgeleri kullanıyoruz. İki taraflıdırlar çünkü tüm kenarlar aktörler ve eserler arasında ve çoklu model arasında kesin bir şekilde ilerler, çünkü yapay düğümler temsil ettikleri farklı türdeki aracılarda kategorize edilebilir; örneğin, sohbet odaları, tartışma forumları ve dosyalar. Yönlendirilmiş kenarlar (yaylar) okuma / yazma ilişkilerini veya bunların türevlerini gösterir: bir aktör bir eseri okuduysa (ör. bir tartışma mesajını açtıysa ya da biri sohbet ederken çevrim içi ise) yay aktörden o esere gider ve eğer aktör eseri değiştirdiyse (ör. bir tartışma mesajı gönderdiyse veya sohbet ettiyse) yay o eserden aktöre gider. Yayın yönü, bilgi akışının ters yönü olan bir bağımlılık biçimini belirtir. Yaylardaki ağırlıklar, ilgili aktör / yapay yapı çifti arasında belirtilen yönde meydana gelen olayların sayısını gösterir. “Üyelik ağı” yeterince spesifik olmadığından ve “çift taraflı çok modlu yönlü ağırlıklı çizge” çok uzun olduğundan, kendilerine özgü doğaları vurgulamak için bu grafikleri asosyogram olarak adlandırıyoruz (Suthers & Rosen, 2011). Bu terim, Latour’un (2005) kavramından ilham alarak, sosyal olguların beşerî ve beşerî olmayan aktörler arasındaki dinamik ilişki ağlarından ortaya çıktığını göstermektedir.

Örneğin Şekil 16.2 bir oynatıcı, dosyaların çoğunu yazarken ve tartışmaların çoğuna bir başkasını yazarken, iki oyuncu arasındaki asimetrik etkileşimi temsil eden Tapped In eğitimci ağından bir asosyogramın bir bölümünü göstermektedir. Bu iki aktör arasındaki tek bir bağlantıdan oluşan bir sosyogram bu bilgiyi yakalayamaz. Asosyogram, medyadaki faaliyetin dağılımı hakkında bilgi tutar. Ağ analitik yöntemleri eşzamanlı olarak hem insan aktörlerin hem de yapay eserlerin, oyuncu topluluklarının varlığı ve teknolojik olarak içine gömüldükleri medya gibi daha büyük ilgi alanlarını oluşturmaya nasıl katkıda bulunduğunu söyleyebilir (Licoppe ve Smoreda, 2005). Etkileşim doğrudan temsil edilmese de asosyogram aynı zamanda analizin etkileşim seviyesine bir köprü sunarak (Suthers vd., 2010), belirli medya ortamlarında etkinliği geri almamızı sağlar.

Şekil 16.2. Tapped In verilerinden bir asosyogram. Sağdaki düğümlerle temsil edilen aktörler, soldaki farklı renkteki düğümlerle temsil edilen dosyaları ve tartışmaları okuyup yazmışlardır.

ANALİTİK SEÇENEK ÖRNEKLERİ

Traces çerçevesi, analiz için birden çok yol sağlar. İlerleyen bölümlerde bu çerçeve ile desteklenebilecek çeşitli analizler göstereceğiz (Suthers ve Dwyer, 2015). Bu örnekler, deneysel yazılım uygulamamızla yaptığımız analizlerden alınmıştır.

Etkileşim Oturumlarını Belirleme

Etkileşim grafiklerinde oturumların tespiti için farklı seçenekler mevcuttur. Etkileşim, etkileşimsiz dönemler ile net bir şekilde birbirinden ayrılmaz ve kişi yüksek etkinlik kümelerini keşfetmek isterse, uyumlu alt grafikleri algılaması veya “topluluk keşfi” alım grafiğine uygulanan modülerlik bölümlemesi (Blondel, Guillaume, Lambiotte ve Lefebvre, 2008) gibi faydalı algoritmaları (Fortunato, 2010) yararlı olduğunu bulduk (Suthers, 2017). Eğer (Tapped In verilerimizde olduğu gibi) etkinlik odalara dağılmışsa ve bir oda içindeki etkinlik neredeyse her zaman seanslar arasında etkinlik dışı süreler içeriyorsa, seanslar bir acil durum grafiği oluşturmaya gerek kalmadan (daha sonra diğer amaçlar için yapılandırılabilir) verimli bir şekilde tanımlanabilir. Etkinlik her odada izlenir ve her seferinde S saniye etkinliği olmayan bir boşluk olduğunda odaya yeni bir oturum kimliği atanır. S, 240 saniye gibi ayarlanabilir bir parametredir. Suthers (2017) bu seçenekleri daha detaylı bir şekilde tartışmaktadır.

Şekil 16.3. Aracı alımı ile oturum grafiğinin yakın çekim görüntüsü. Düğüm ve kenar boyutu ağırlıklı derecedir.

Oturumlar Arasındaki Etkileri İzleme

Zaman ve mekândaki oturumlar arasındaki yerel olmayan etkilerle ilgilenebiliriz. Farklı seanslardaki olaylar arasındaki alım ilişkileri, seanslar arasındaki ağırlıklı alım ilişkilerinde toplanabilir (Şekil 16.1c). Suthers’tan (2015) bir örnek oturum grafiği, Şekil 16.3’te gösterilmektedir. Bazı oturumların aralarında daha ağırlıklı bağlantılar vardır. Kenarları ters sırada okuyarak (alım noktalarını zaman içinde geriye doğru), oturum 737’nin (Kabul odasındaki) oturum 755’i (Öğretmen Eğitimi odası) etkilediğini ve bunun da 848’i (NÖğretim odası) etkilediğini görüyoruz. Odaların ve katılımcıların incelenmesi, Kabul odasına giriş yapmış ya da orada bir araya gelmiş olan katılımcıların, daha sonra, okullarda mentorluk konusunda 755. oturum için Öğretmen Eğitimi odasına gittiğini gösterdi. Ardından 755 kolaylaştırıcısı, başka bir odada öğretmen eğitimi konusunda başka bir oturum yaptığını açıkladı: mentorluk oturumunda birkaç katılımcı, onu 848 oturumunda Öğretmen odasına kadar izledi. Diğer detaylar Suthers (2015) ‘da bulunmaktadır.

Zaman İçinde Katılımda Aktör Rollerinin Belirlenmesi ve Değişimin Takibi

Eğitimciler veya ABÖO kolaylaştırıcıları gerek gönüllüleri katılımcı odaklı ortamlarda teşvik etmeye yönelik örgün eğitim ortamlarındaki değerlendirme için, gerek anahtar katılımcıları neyin yönlendirdiğini incelemek gibi araştırma amaçları için çevrimiçi eğitim topluluklarındaki anahtar katılımcıları belirlemek isteyebilirler. Kimlerin ayrıldığını (serbest olduğunu) bilmek de önemlidir. Bu ihtiyaçlardan bazıları sosyal ağ analizi ile karşılanabilir. Olaylar arasındaki alım ilişkilerini oyuncuları arasındaki bağlara katlayarak alım çizgesinin herhangi bir tanecikliliği için sosyogramlar üretebiliriz (ör. bir oturum içinde veya bir süre içerisindeki oturumlar boyunca). Örneğin, bir kolaylaştırıcı, MT tarafından yönetilen, öğretmenlere rehberlik etme oturumu olan 755 oturumunda aktör etkinliğini özetleyen bir sosyogram görmek isteyebilir. Sosyogram Şekil 16.4’te gösterilmektedir. Düğüm büyüklüğü, aşağıda tartışıldığı gibi derece ağırlıklıdır.

Şekil 16.4. Önde gelen aktörleri ve onların etkileşimlerini gösteren Tapped In oturumundan bir sosyogram.

Sosyogramlar katkı sayısı hakkında bilgi ekler çünkü bazı sosyometreler aktörleri temsil eden düğümlerin ağ bağlamına duyarlıdır. Örneğin, dereceli ağırlık, diğer eylemlerin ne derece muhtemel olduğunu ve dolayısıyla potansiyel olarak belirli bir harekete geçtiğini gösterir. Bir aktörlerin bir oyuncu için toplanması, bir oyuncunun katkılarının ne kadarının başkaları tarafından alındığının tahminidir. Bu ölçüm hem aktörün etkinlik düzeyine hem de o etkinliğin diğerlerinin etkinlikleriyle ilişkisine duyarlıdır. Derece dışı ağırlık, bir aktörün diğerlerinin katkılarını ne kadar aldığının bir tahminidir. Özvektör merkeziliği3 (ve sayfa değeri (PageRank), Hubs ve Authorities gibi türevleri), bir komşunun merkeziliğini hesaba katan (Newman, 2010, s. 169) ve kendileri de merkezi olan diğerlerine ne kadar bağlı olduğunu gösteren yerel olmayan bir ölçüttür. Aradaki merkezilik, ağda potansiyel olarak aracılık rolü üstlenen aktörlerin bir göstergesidir: Yüksek aradaki merkezilik bir aktörü temsil eden düğümün diğer aktörler arasında nispeten daha kısa yollarda olduğu anlamına gelir (Newman, 2010, s. 185), böylece bilgi akışını potansiyel olarak kontrol eder veya bu aktörler arasındaki iletişimi düzenler. Aradaki merkezilik oturumlar arasındaki etkinliği incelerken ayrıcalıklı bir öneme sahiptir: farklı oturumlar genellikle farklı aktörlere sahiptir, bu yüzden çoklu oturumlara katılan bir aktör arasında yüksek bir aralık olacaktır.

Şekil 16.5. 14 haftalık bir süre içinde Tapped In’deki birçok aktörün Özvektör Merkeziliği.

Uzun zaman ölçekleri üzerine yapılan analizler, araştırmacıların yanı sıra eğitimciler için de ilgi çekici olabilir. Bir aktörlerin zaman içindeki gelişimleri sosyometriklerindeki değişimler bakımından izlenebilir. Örneğin, bir ağdaki tüm aktörler için sosyogramlara bir haftalık aralıklarla alım toplanabilir ve ardından trendlerin (popüler olan taraflar, eğilimler) belirlenmesi amacıyla sosyometrikler haftalık olarak grafiği çizilebilir. Bu eğilimlerin bir kısmı Suthers’tan (2015) alınan Şekil 16.5’te görülebilir. Aktörleri sürdüren özetler yüksek kalacak (ör. DW, gönüllü bir rehber) ve periyodik olaylar için geri dönenlere düzenli bir iğnecikli4 yapı gösterecektir (ör. aylık etkinlikleri kolaylaştıran MT). Sürekli artan veya azalan ölçümler, kişilerin az ya da çok meşgul olduklarını gösterir, sırasıyla (muhtemelen DA) ve tekli uçlar bir defalık ziyareti (AP) gösterir.

Yüzeysel olarak, bu analizler alan yazında bulunan birçok sosyometrik analizlere benzemektedir, bu nedenle Traces çerçevesinin ne eklediğini vurgulamalıyız. Traces çerçevesini uygulamamız, bu gizli bağları, olaylar arasındaki çoklu koşulların tanımlanması ve toplanması ve ardından olaylar arasındaki sonuç alım ilişkilerinin bir aktör-aktör çizgesine katlanmasıyla olay akışlarının otomatik etkileşim analizinden türetilmiştir. Bu örneğin, el ile içerik analizi veya yoğun emek gerektiren ilişkili verileri elde etmek için anketlerin kullanılması veya açık “arkadaşlık” ilişkilerine güvenme yöntemlerinden daha avantajlıdır: anketler ve arkadaş bağlantıları, söz konusu kişiler arasındaki gerçek etkileşimdeki gizli bağları yansıtmayabilir. Başka bir avantaj aşağıda açıklanmıştır.

        1. Aktörler Arasındaki İlişkilerin Belirlenmesi

Traces çerçevesi, katkıları arasındaki çoklu koşulların bir araya getirilmesiyle, aktörler arasındaki bağları türetir. Şarta bağlı durumlar, bu katkılar arasındaki ilişkinin nitel yapısını, örneğin zamansal ve mekânsal yakınlığı, aynı kelimeleri kullanmayı ve başka bir aktöre ismiyle hitap etmeyi belirtir. Şarta bağlı durumlar alım ilişkilerinde toplandığında, hangi türde acil durumun alım ilişkisine ne türde katkı sağladığını takip ediyoruz. Bu kayıt tutma, alımların bağlara katlanmasıyla sürdürülür, böylece herhangi bir aktör çifti için, altta yatan şartlar bakımından ilişkinin doğası hakkında temel koşullara göre bilgi sağlayan bir ağırlık vektörüne sahip oluruz. Örneğin DA ve MT arasındaki ilişkiyi belirli bir zaman diliminde birbirlerine ne sıklıkta sohbet ettikleri, sohbet içeriklerinin sözcüksel örtüşmeleri ve birbirlerine ne sıklıkta ismen hitap ettikleri bakımından ölçebiliriz. İlişkisel bilgiler, öğrencileri arasında iş birliğine dayalı öğrenme etkinliklerini yöneten eğitimciler veya araştırmacılar için ilgi çekici olabilir, hatta kişinin, öğrenciler ile olan kendi ilişkilerini incelemeleri bile mümkündür. Traces çerçevesi bunu, bağların etkileşimli kökenleri hakkındaki bilgileri koruyarak mümkün kılar (bk. Suthers, 2015).

Oturumlardaki Öğrenci Gruplarını veya Topluluklarını Tanımlama

Ağ analizi literatüründe “topluluk keşfi”, toplumun sosyolojik kavramlarından ziyade, çizge-teorik tanımlamalar altında bulunan karşılıklı ilişkili köşelerin alt çizgelerini bulmak anlamına gelir (ör. Cohen, 1985; Tonnies, 2001). Bununla birlikte, özellikle ağa bağlı toplumları çalışırken; birincisini, ikincisine kanıt olarak kullanabiliriz (Castells, 2001; Wellman vd., 2003). İyi bir çizge-teorik tanım, sosyolojik bir topluluktaki bireylerin kendi toplulukları dışındaki bireylere nazaran birbirleriyle daha yakından ilişkili olduğu fikrini içermelidir. Modülerlik metriğine dayanan algoritmalar bu amaçla alan yazında yaygın olarak kullanılmaktadır. Modülerlik metriği (Newman, 2010, s. 224), yüksek modüler bölmeleri bulmak için vektör bölmelerinin içindeki (örtüşmeyen) ağırlıklı bağların yoğunluğunu, rastgele bir çizgede beklenen ağırlıklı bağlarla karşılaştırır. Bir modülerlik ölçütü altında mümkün olan en iyi bölmenin bulunması büyük ağlarda bilgi işlemsel olarak işlevsel değildir ancak Louvain yöntemi olarak bilinen hızlı bir algoritmanın (Blondel vd., 2008) iyi yaklaşıklıklar verdiği gösterilmiştir. Şekil 16.6’da bir örnek gösterilmiştir.

Şekil 16.6. OpenOrd’da, Tapped In’deki sohbetler, tartışmalar ve dosyalar aracılığıyla ilişkilendirilen aktörler için birleşik asosyogram bulunan bölmelerin görselleştirilmesi.

Bölmeler elde edildikten sonra, ağın topluluk yapısı çeşitli şekillerde tanımlanabilir. Nicel özetler, bölme büyüklüğünün dağılımını içerebilir (ör. başlıca büyük bir topluluk var mı yoksa ağ birçok küçük ve birkaç büyük topluluk içeriyor mu?) ve parametrelerin büyüklükler arasındaki dağılımları (ör. oyuncu başına düşen etkinlik topluluk büyüklüğü ile nasıl ilişkilidir?) ve farklı medyanın kullanımı topluluk büyüklüğüne göre nasıl değişir?). Topluluk yapısının nitel betimlemesi her bölmeyi yorumlamak için oyuncuların ve etkileşim içinde oldukları ortamın niteliklerinin incelenmesini gerektirir. Şekil 16.6’da gösterilen bölümlemenin hem nitel hem de nicel bölme analiz örnekleri için bakınız Suthers, Fusco vd. (2013).

ÖZET VE ALAN YAZINDAKİ İLGİLİ ÇALIŞMALAR

Bu bölüm, medyaya, yerlere ve zamana dağıtılan faaliyet izlerini soyut bir transkripte birleştiren ve daha sonra etkileşim modelleri ve bağları oluşturmak için olaylar arasındaki gözlemlenebilir durumları kullanarak bağlantılı bir soyutlama hiyerarşisi sağlayan Traces analitik çerçevesini tanıtmıştır. Bir beklenmedik durum çizgesi üretmek için soyut transkriptteki olaylara beklenmedik durumlar uygulanır. Durumlar daha sonra aynı olaylar arasındaki alıma toplanır. Alımı çizen bölmeler yer ve zaman boyunca oluşan etkileri tanımlamak için kullanılabilir ve bölmeler içindeki alım, bir oturumun etkileşim yapısını incelemek için analiz edilebilir. Alım çizgeleri, sosyometriklerin uygulandığı olaylardan ziyade düğümlerin aktör olduğu ağların içine katlanabilir. Olaylar ayrıca, aktör-yapay ağlar veya aktörlerin medya nesnelerinin karşılıklı okunması ve yazılmasıyla birbirleriyle nasıl ilişkilendirildiğini yakalayan “asociogram” halinde katlanabilir. Çerçeve, toplam olayların (ör. “bağlar”, “roller” ve “topluluklar”) nasıl üretildiğini anlama ihtiyacını vurgular ve belirli etkileşimli olayların ortamını sağlar. Deneysel bir yazılım olarak uygulandı ve heterojen ağa bağlı öğrenme topluluğunun verileriyle test edildi.

Diğer yazarlar, özellikle ağa bağlı öğrenme ortamlarında sosyal ağ analizi de dâhil olmak üzere, çoklu analiz türlerini bir araya getirme ihtiyacını belirtmişlerdir. Örneğin de Laat, Lally, Lipponen ve Simons (2007) ve Martinez ve meslektaşları, (2006), katılım ağları çalışmalarında sosyal ağ analizini çeşitli nicel ve nitel yöntemlerle birleştirmenin faydasını göstermiştir. Diğerleri, etkileşim çizgelerini, aktörler arasındaki bağların sosyogramlarına yapılandırmış ve katlamıştır. Örneğin, Rosen ve Corbit (2009) zamansal yakınlığa dayalı çizgeler oluşturmuş ve Haythornthwaite ve Gruzd (2008), referanslardan ve isimlerden etkileşim ilişkilerinin çıkarılmasında ön çalışmayı tanımlamaktadır. Traces çerçevesi aynı kefededir ancak tartışmalı bir şekilde daha olgundur (kökleşmiştir). Oturum tanımlaması için daha zengin bir temel oluşturmak amacıyla olaylar arasındaki çoklu türdeki ilişkileri ve etkinliklerin ardından oturumlar içindeki aktörlerin ve etkinliklerin takip eden (müteakip / hem en sonraki) analizini dikkate alırız ve bu analizleri otomatikleştirdik ve bunları günümüzün dağıtılmış etkileşiminin birçok özelliğini sergileyen, farklı katılımcıların etkileşimde bulunduğu bir ortam olan zengin, tarihsel veri derleminde test ettik. Trausan-Matu’nun “polifonik analiz” konusundaki çalışmaları (Trausan – Matu ve Rebedea, 2010) bizim çoklu durumları kullanımımıza benzerlik göstermektedir ancak son zamanlarda daha yüksek analiz seviyelerine getirilmiştir. Charles (2013) tarafından yapılan bir tez, yaklaşımımıza alternatif bir uygulama sunmuştur ve durum dizilerini genişletmiştir. Bizim yaklaşımımız, etkileşimli yapının analizi için doğal dil işleme yöntemlerini uygulayan çalışmalarla ilgilidir ve esasen ek durumlar üreten kurallar bu tür araştırmalardan türetilebilir. Yazılımımız şu anda dağıtım için uygun bir formda olmamasına rağmen, yazar Traces çerçevesinin okuyucuya, heterojen ağa bağlı öğrenme ortamları ve diğer sosyoteknik sistemler için kendi analizlerini organize etmenin bir yolu olarak hizmet edebileceğine inanmaktadır.

TEŞEKKÜR BÖLÜMÜ

Nathan Dwyer, Kar-Hai Chu, Richard Medina, Devan Rosen ve Ravi Vatrapu, bu çalışmanın arkasındaki fikirleri geliştirdi. Nathan Dwyer ve Kar – Hai Chu da temel yazılım uygulamasını yazdı. Mark Schlager, Patti Schank ve Judi Fusco veri ve uzmanlığı paylaştı. Bu çalışma kısmen 0943147 numaralı UBV Ödülü tarafından desteklenmiştir.

KAYNAKÇA

Allen, I. E., & Seaman, J. (2013). Changing course: Ten years of tracking online education in the United States. Babson Survey Research Group. http://www.onlinelearningsurvey.com/reports/changingcourse.pdf

Barab, S. A., Kling, R., & Gray, J. H. (2004). Designing for virtual communities in the service of learning. New York: Cambridge University Press.

Blondel, V. D., Guillaume, J.-L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment. doi:10.1088/1742-5468/2008/10/P10008

Castells, M. (2001). The Internet galaxy: Reflections on the Internet, business, and society. Oxford, UK: Oxford University Press.

Charles, C. (2013). Analysis of communication flow in online chats. Unpublished Master’s Thesis, University of Duisburg-Essen, Duisburg, Germany. (2245897)

Cohen, A.P. (1985). The symbolic construction of community. New York: Routledge.

de Laat, M. (2006). Networked learning. Apeldoorn, Netherlands: Politie Academie.

de Laat, M., Lally, V., Lipponen, L., & Simons, R.-J. (2007). Investigating patterns of interaction in networked learning and computer-supported collaborative learning: A role for social network analysis. International Journal of Computer Supported Collaborative Learning, 2(1), 87–103.

Fortunato, S. (2010). Community detection in graphs. Physics Reports, 486, 75–174.

Haythornthwaite, C., & Gruzd, A. (2008). Analyzing networked learning texts. In V. Hodgson, C. Jones, T. Kargidis, D. McConnell, S. Retalis, D. Stamatis, & M. Zenios (Eds.), Proceedings of the 6th International Conference on Networked Learning (NLC 2008), 5–6 May 2008, Halkidiki, Greece (pp. 136–143).

Joseph, S., Lid, V., & Suthers, D. D. (2007). Transcendent communities. In C. Chinn, G. Erkens, & S. Puntambekar (Eds.), Proceedings of the 7th International Conference on Computer-Supported Collaborative Learning (CSCL 2007), 16–21 July 2007, New Brunswick, NJ, USA (pp. 317–319). International Society of the Learning Sciences.

Latour, B. (2005). Reassembling the social: An introduction to actor-network-theory. New York: Oxford University Press.

Lemke, J.L. (2000). Across the scales of time: Artifacts, activities, and meanings in ecosocial systems. Mind, Culture & Activity, 7(4), 273–290.

Licoppe, C., & Smoreda, Z. (2005). Are social networks technologically embedded? How networks are changing today with changes in communication technology. Social Networks, 27(4), 317–335.

Martínez, A., Dimitriadis, Y., Gómez-Sánchez, E., Rubia-Avi, B., Jorrín-Abellán, I., & Marcos, J. A. (2006). Studying participation networks in collaboration using mixed methods. International Journal of Computer-Supported Collaborative Learning, 1(3), 383–408.

Monge, P. R., & Contractor, N. S. (2003). Theories of communication networks. Oxford, UK: Oxford University Press.

Newman, M. E. J. (2010). Networks: An introduction. Oxford, UK: Oxford University Press.

O’Reilly, T. (2005). What is Web 2.0: Design patterns and business models for the next generation of software. http://www.oreillynet.com/pub/a/oreilly/tim/news/2005/09/30/what-is-web-20.html

Renninger, K. A., & Shumar, W. (2002). Building virtual communities: Learning and change in cyberspace. Cambridge, UK: Cambridge University Press.

Rosé, C. P., Wang, Y.-C., Cui, Y., Arguello, J., Stegmann, K., Weinberger, A., & Fischer, F. (2008). Analyzing collaborative learning processes automatically: Exploiting the advances of computational linguistics in computer-supported collaborative learning. International Journal of Computer-Supported Collaborative Learning, 3(3), 237–271. doi:10.1007/s11412-007-9034-0

Rosen, D., & Corbit, M. (2009). Social network analysis in virtual environments. Proceedings of the 20th ACM conference on Hypertext and Hypermedia (HT’09), 29 June–1 July 2009, Torino, Italy (pp. 317–322). New York: ACM.

Siemens, G. (2013). Massive open online courses: Innovation in education? In R. McGreal, W. Kinuthia, S. Marshall, & T. McNamara (Eds.), Open educational resources: Innovation, research and practice (pp. 5–15). Vancouver, BC: Commonwealth of Learning and Athabasca University.

Suthers, D.D. (2006). Technology affordances for intersubjective meaning-making: A research agenda for CSCL. International Journal of Computer-Supported Collaborative Learning, 1(3), 315–337.

Suthers, D.D. (2015). From micro-contingencies to network-level phenomena: Multilevel analysis of activity and actors in heterogeneous networked learning environments. Proceedings of the 5th International Conference on Learning Analytics and Knowledge (LAK’LA), 16–20 March, Poughkeepsie, NY, USA (pp. 368–377). New York: ACM.

Suthers, D.D. (2017). Applications of cohesive subgraph detection algorithms to analyzing socio-technical networks. Proceedings of the 50th Hawaii International Conference on System Sciences (HICSS-50), 4–7 January 2017, Waikoloa Village, HI, USA (CD-ROM). IEEE Computer Society.

Suthers, D. D., & Dwyer, N. (2015). Identifying uptake, sessions, and key actors in a socio-technical network. Proceedings of the 44th Hawaii International Conference on System Sciences (HICSS-44), 5–8 January 2011, Kauai, Hawai’i (CD-ROM). IEEE Computer Society.

Suthers, D. D., Dwyer, N., Medina, R., & Vatrapu, R. (2010). A framework for conceptualizing, representing, and analyzing distributed interaction. International Journal of Computer Supported Collaborative Learning, 5(1), 5–42. doi:10.1007/s11412-009-9081-9

Suthers, D. D., Fusco, J., Schank, P., Chu, K.-H., & Schlager, M. (2013). Discovery of community structures in a heterogeneous professional online network. Proceedings of the 46th Hawaii International Conference on the System Sciences (HICSS-46), 7–10 January 2013, Maui, HI, USA (CD-ROM). IEEE Computer Society.

Suthers, D. D., Lund, K., Rosé, C. P., Teplovs, C., & Law, N. (2013). Productive multivocality in the analysis of group interactions. Springer.

Suthers, D. D., & Rosen, D. (2011). A unified framework for multi-level analysis of distributed learning. In G. Conole, D. Gašević, P. Long, & G. Siemens (Eds.), Proceedings of the 1st International Conference on Learning Analytics and Knowledge (LAK’LA), 27 February–1 March 2011, Banff, AB, Canada (pp. 64–74). New York: ACM.

Tönnies, F. (2001). Community and civil society (J. Harris & M. Hollis, Trans. from Gemeinschaft und Gesellschaft, 1887) Cambridge, UK: Cambridge University Press.

Trausan-Matu, S., & Rebedea, T. (2010). A polyphonic model and system for inter-animation analysis in chat conversations with multiple participants. In A. Gelbukh (Ed.), Computational linguistics and intelligent text processing (pp. 354–363). Springer.

Wasserman, S., & Faust, K. (1994). Social network analysis: Methods and applications. New York: Cambridge University Press.

Wellman, B., Quan-Haase, A., Boase, J., Chen, W., Hampton, K., Diaz, I., & Miyata, K. (2003). The social affordances of the Internet for networked individualism. Journal of Computer-Mediated Communication, 8(3). doi:10.1111/j.1083-6101.2003.tb00216.x.


1 Teorik arka plan için bk. Joseph, Lid ve Suthers (2007) ve Suthers (2006); Analitik temsillerimizin geliştirilmesi için bk. Suthers, Dwyer, Medina ve Vatrapu (2010) ve Suthers ve Rosen (2011). Topluluk keşfi uygulamaları için bk. Suthers, Fusco, Schank, Chu ve Schlager (2013); Büyük ağa bağlı bir öğrenme ortamını izlemek için bu yeteneklerin bir etkinlik raportöründe nasıl birleştirilebileceğinin bir örneği için bk. Suthers (2015). Suthers vd. (2013) ve Suthers (2015), bu çerçeveyi geliştirmek için bir vaka çalışması olarak kullandığımız Tapped in Eğitimciler ağındaki verileri tanımlamaktadır. İlgili makalereri http://lilt.ics.hawaii.edu adresinde bulabilirsiniz.

2 orj. associogram

3 orj. Eigenvector centrality

4 orj. spiking

License

Share This Book