Araştırma makalesi

Mühendislik Yüksekokullarındaki Akıllı Öğretim Yönetim Sistemleri için Veri Güdümlü Öğrenci İlgi Alanı Belirleme

1 görüntüleme

⸱

DOI:

10.3791/71574

⸱

1 Eylül 2026

1School of Foreign Languages, Bengbu University

Bu makalede

Özet

Meta-Öğrenme Hibrit Kuantum-Klasik Sinirsel Sınıflandırıcı (ML-HQNC) protokolü, mühendislik öğrencilerinin ilgi alanlarını belirlemek için kuantum esintili bilişsel modelleme, veri ön işleme, özellik seçimi ve hibrit sinirsel öğrenmeyi entegre eder. Bu protokol, çok boyutlu eğitim verileri kullanılarak mühendislik öğrencisi ilgi alanı tanımlaması üzerinden örneklendirilen, eğitim analitiği için tekrarlanabilir, hibrit ve kuantum esintili bir makine öğrenimi iş akışı sunmaktadır.

Özet

Bu protokol, çok boyutlu eğitsel ve davranışsal verileri kullanarak mühendislik öğrencilerinin ilgi alanlarını belirlemek için kuantum esintili bir hesaplama çerçevesi sunmaktadır. Amaç; eğitsel karar verme süreçlerini ve kişiselleştirilmiş öğrenmeyi desteklemek amacıyla veri ön işleme, davranışsal örüntü analizi, özellik seçimi ve hibrit sinirsel öğrenmeyi entegre eden sistematik ve tekrarlanabilir bir iş akışı sağlamaktır. İş akışı, semantik gürültüyü azaltarak ve veri kalitesini artırarak eğitsel verileri ön işlemek ve normalize etmek için Box-Cox Robust IQR Scaling (BCRIS) ile başlar. Ardından öğrenci öğrenme davranışları, belirsiz koşullar altındaki davranışsal geçişleri ve gelişen öğrenme tercihlerini temsil eden Quantum Cognitive State Model (QCSM) kullanılarak analiz edilir. Daha sonra özellikyle ilgili fazlalıkları azaltmak ve bilgilendirici davranışsal özellikleri belirlemek için Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) algoritması kullanılarak ilgili özellikler seçilir. Son olarak, Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC), öğrenci ilgi alanlarını sınıflandırmak için kuantum esintili öğrenmeyi derin sinir ağları ile entegre eder. Protokol, halka açık bir eğitsel veri seti kullanılarak doğrulanmıştır. Model performansı; doğruluk, F1-skoru ve alıcı işletim karakteristiği eğrisi altındaki alan (AUC) dahil olmak üzere geleneksel metriklerin yanı sıra İlgi Tespiti Hassasiyeti (IDP), Kuantum Örüntü Kararlılık İndeksi (QPSI) ve Alanlar Arası Adaptasyon Kazancı (CDAG) kullanılarak değerlendirilmiştir. Çerçeve, değerlendirilen veri setinde %96,17'lik bir genel sınıflandırma doğruluğu elde etmiştir. Bu protokol, akıllı eğitsel yönetimi ve kişiselleştirilmiş öğrenme uygulamalarını desteklemek amacıyla çok boyutlu eğitsel verilerin analizine yönelik tekrarlanabilir bir hesaplama iş akışı sunmaktadır.

Giriş

Bilgi teknolojileri ve bilgisayar ağlarındaki hızlı ilerlemelerin etkisiyle, eğitim yönetim sistemleri eğitim sektörü genelinde giderek daha fazla kullanılmaktadır. Yükseköğretimin süregelen büyümesine, özellikle mühendislik öğrencileri arasında artan öğrenci kayıtları eşlik etmiş ve bu durum eğitim yönetimi verilerinde önemli bir artışla sonuçlanmıştır. Bu büyüme, sürdürülebilir eğitimin gelişimini desteklemekte, eğitimde bilişimleşmeyi hızlandırmakta ve öğretim yönetiminin tutarlılığını ve verimliliğini artıran standartlaştırılmış eğitim yönetim sistemlerinin kurulmasını kolaylaştırmaktadır. Makine Öğrenmesi (ML), sistemlerin verileri analiz etmesini, kalıplardan öğrenmesini ve açık bir programlama olmaksızın öngörücü performansı sürekli olarak geliştirmesini sağlayan hesaplamalı teknikler sunar1,2.

Eğitim kalitesi, yükseköğretimin temel bir bileşenidir. Son yıllarda, mühendislik öğrencilerinin ders içeriğini anlama düzeylerini ve yeni bilgiler edinme becerilerini değerlendirmek amacıyla sınavlar yaygın olarak kullanılmakta, böylece eğitim kalitesinde sürekli iyileştirmeler teşvik edilmektedir. Çevrimiçi eğitim platformları aracılığıyla erişilebilen çeşitli öğrenme kaynaklarından yararlanılarak ve farklı öğrencilerin ihtiyaçlarını karşılamak için çok sayıda öğrenme teorisi uygulanarak öğrenci merkezli ortamlar oluşturulabilir. Etkili öğretim, üniversitelerde ve yüksekokullardaki mühendislik öğrencilerinin öğrenim çıktılarını iyileştirmede kilit bir rol oynamaktadır3,4. Ayrıca etkili öğretim, olumlu bir öğrenme ortamını destekler, öğrencilerin ders içeriğini anlamalarına yardımcı olur ve akademik performansı artırır. Eğitim kalitesi; müfredat yapısı, sınıf ortamı ve öğretim içeriği dahil olmak üzere, öğrenme süreci boyunca birden fazla gösterge kullanılarak değerlendirilir.

Yükseköğretim, öğrencilerin entelektüel, kişisel ve sosyal gelişimini destekler. Aynı zamanda, davranışsal, duygusal ve bilişsel boyutları içeren öğrenci katılımı ve akademik kararlılık, öğrenme çıktılarının önemli belirleyicileri haline gelmiştir. Yüksek düzeydeki öğrenci katılımı, uzun vadeli akademik başarıya önemli ölçüde katkıda bulunur5,6. Eğitim teknolojisindeki ilerlemeler; Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) tekniklerini kullanarak öğrencilerin bilişsel, davranışsal ve akademik özellikleri arasındaki karmaşık doğrusal olmayan ilişkileri modelleyerek, veri odaklı eğitim analitiği için yeni fırsatlar yaratmıştır.

Öğrenci davranışlarının gelişimini hesaba katarken, sınıf içi dinamiklerin etkili bir şekilde gözlemlenmesi ve değerlendirilmesi temel bir zorluk olmaya devam etmektedir. Eğitim kalitesini değerlendirmek ve mühendislik öğrencilerinin davranışlarını analiz etmek için kullanılan geleneksel yaklaşımlar genellikle zaman alıcıdır ve öznel insan yargılarına açıktır. Sınıf içi etkinlikler sırasında öğrencilerin dikkat dağınıklığı, öğrenme çıktılarını ve akademik performansı olumsuz etkilemektedir7,8. Bununla birlikte, içsel ve dışsal dikkat dağıtıcılar ile motivasyondaki dalgalanmalar nedeniyle, mühendislik öğrencilerinin dikkatini sürekli tutmak zorlayıcı olmaya devam etmektedir.

Çevrimiçi öğrenmenin, akıllı sınıfların ve diğer etkileşimli eğitim teknolojilerinin yaygınlaşmasıyla birlikte, öğrenci katılımını değerlendirmek ve geliştirmek giderek daha önemli hale gelmiştir. Mühendislik öğrencilerinin farklı grupları arasında kapsayıcılığın sağlanması; gizlilik ve etik standartları korurken, teknoloji odaklı yaklaşımları eğitim uygulamalarıyla bütünleştiren kapsamlı çerçevelere duyulan ihtiyacı daha da belirginleştirmektedir. Ayrıca, sınırlı model şeffaflığı ve metodolojik yanlılık ile eğitimde fırsat eşitliği dahil olmak üzere teknoloji entegrasyonuyla ilişkili zorluklar9,10, öğrenicileri sürekli izleme yoluyla destekleyebilecek kestirimsel sistemlerin geliştirilmesini engellemeye devam etmektedir.

Makine öğrenimi yaklaşımları, öğrenci riskini ve okul terki oranlarını tahmin etmek gibi eğitimsel zorlukları ele almak için yaygın olarak kullanılmaktadır. Bu yaklaşımlar, yüksek riskli öğrencileri tanımlama yeteneği göstererek akademik başarıyı artıran müdahaleleri desteklemiştir11. Yükseköğretim kurumlarındaki hem idari hem de akademik süreçleri geliştirmek için Yapay Zeka (AI) tabanlı eğitim yönetim sistemleri de geliştirilmiştir. Eğitim veri setleri genellikle ders notları, devam kayıtları ve kayıt geçmişi gibi akademik kayıtları içerir12.

Önceki çalışmalar, öğrenci davranışlarını üç perspektiften analiz etmiştir: değerlendirme verileri, yöntemler ve sonuçlar13,14. Üniversite öğrencilerinin davranışsal özelliklerini analiz etmek amacıyla bilgi okuryazarlığına dayalı tahmin modelleri geliştirilmiştir. Bu çalışmalar öncelikle Derin Öğrenme (DL) yöntemlerini kullanarak öğrenen davranışı değerlendirmesine odaklanmaktadır. Ancak, akıllı öğretmen davranışı değerlendirmesi üzerine yapılan araştırmalar henüz başlangıç aşamasında olup, bu alandaki ilerlemeyi sınırlamaktadır. Sınıf içi etkinlik tespitini iyileştirmek için eğitim veri setlerine Hızlı Bölge Tabanlı Konvolüsyonel Sinir Ağları (Fast R-CNN'ler) uygulanmış ve geleneksel yöntemlere göre önemli performans artışları sergilemiştir15.

Kendi kendini izleme mekanizmaları içeren Çift Yönlü Uzun Kısa Süreli Bellek (Bi-LSTM) modelleri, üniversite öğrencilerinin not tahminlerinin doğruluğunu da artırmıştır. Benzer şekilde, çevrimiçi öğrenme davranışı veri kümeleri kullanılarak geliştirilen tahmin modelleri, geliştirilmiş öngörücü performans sergilemiştir16,17,18. Ek olarak, kümeleme analizi yoluyla farklı öğrenci gruplarının özelliklerini belirlemek için k-ortalama kümeleme (KMC) kullanılmış ve öğretim, yönetim ve öğrenmedeki iyileştirmeleri destekleyen öğrenci davranışlarına dair içgörüler sağlanmıştır. Sınıf içi öğretim davranışlarının tespitini ve değerlendirmesini geliştirmek için derin öğrenme tabanlı stratejiler de önerilmiştir. Bu yaklaşımlarda, sınıf içi davranışsal özellikler, Destek Vektör Makinesi (SVM) için doğrusal olarak ayrılabilir başlangıç değerleri kullanılarak özellik temsilleri ile hiper düzlemler arasında ilişkiler kurmak amacıyla kullanılır19,20. Ancak, tıkanma, ince taneli davranışsal detaylar ve çevresel etkileşimler gibi zorluklar, sınıf ortamlarında mühendislik öğrencisi davranış tanıma doğruluğunu sınırlamaya devam etmektedir.

Derin öğrenme, siyasi ve ideolojik eğitimdeki eğitimsel değerlendirmeler de dahil olmak üzere, üniversite derslerinin sonuç temelli değerlendirmelerine de uygulanmıştır21,22. Bu öngörü modellerinin etkinliği, halka açık eğitim veri setleri kullanılarak gösterilmiştir. İleri beslemeli Spiking Sinir Ağları (FSNN'ler), çevrimiçi öğrenme platformlarından ve öğrenme yönetim sistemlerinden toplanan verileri kullanarak öğrencilerin akademik performanslarını öngörmek için kullanılmıştır. Şekil 1'de gösterildiği gibi, önerilen hesaplama iş akışı; veri ön işleme, davranışsal örüntü analizi, öznitelik seçimi ve sınıflandırmadan oluşan ardışık aşamalar aracılığıyla mühendislik öğrencilerinin ilgi alanlarını belirlemek için bir eğitimsel değerlendirme veri setini bünyesinde barındırır. Tablo 123,24,25,26,27,28,29,30,31,32, öğrenme yönetim sistemleri dahilinde öğrenci ilgisini belirlemek için kullanılan tekniklerle birlikte, önceki çalışmalarda rapor edilen temsili yöntemleri ve bunlarla ilişkili kısıtlamaları özetlemektedir.

figure-introduction-1
Şekil 1: Öğrenci ilgi alanı belirleme çerçevesi. Veri toplama, ön işleme, davranışsal örüntü analizi, özellik seçimi ve sınıflandırmayı içeren, önerilen mühendislik öğrencisi ilgi alanı belirleme çerçevesinin genel iş akışı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 1: Öğretim yönetiminde öğrenci davranış analizi. Öğretim yönetimindeki öğrenci davranış analizine yönelik temsilci yöntemlerin, tekniklerin, veri setlerinin, değerlendirme metriklerinin ve bildirilen kısıtlamaların özeti. Bu tabloyu indirmek için lütfen buraya tıklayın.

Swin Transformer ve Hafif Özellik Piramidi Ağları (FPN), çok ölçekli özellik haritalarını verimli bir şekilde işleyerek öğrencilerin sınıf içi davranışlarının tespit edilmesinde uygulanmıştır33. Buna ek olarak, Meyve Sineği ile Optimize Edilmiş Ayarlanabilir Yinelemeli Sinir Ağı (PFFO-ARNN), öğrencilerin çevrimiçi öğrenme davranışlarını analiz etmek ve ders başarısını tahmin etmek için kullanılmıştır34. Üniversite öğrenim yönetim sistemlerinden toplanan öğrenci davranış verilerine dayalı çalışmalar, geleneksel derin öğrenme yöntemleriyle sınıf içi davranışların izlenmesinin verimsiz ve zaman alıcı olduğunu da vurgulamıştır35. Tablo 236,37,38,39,40,41,42,43,44,45,46,47, mühendislik eğitimindeki akıllı öğretim yönetim sistemleri için temsili sınıflandırma yöntemlerini, veri setlerini, değerlendirme metriklerini ve rapor edilen kısıtlamaları özetlemektedir.

Tablo 2: Mühendislik eğitimi için derin öğrenme tabanlı akıllı öğretim yönetim sistemleri. Temsili derin öğrenme tabanlı öğretim yönetim sistemlerinin, veri setlerinin, değerlendirme metriklerinin ve bildirilen kısıtlamaların karşılaştırması. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Önceki bir çalışma48, Derin İnanç Ağları (Deep Belief Networks - DBN'ler) tabanlı karma bir öğretim kalitesi değerlendirme modeli geliştirmiş ve üniversitelerde öğretim kalitesini değerlendirmek için karma bir değerlendirme stratejisi önermiştir. Önerilen yaklaşım, hem sınıflandırma doğruluğu hem de yürütme süresi açısından geleneksel Genetik Algoritmayı (Genetic Algorithm - GA) geride bırakarak 5,4 ms'nin altındaki sürelerde %95'in üzerinde doğruluk sağlamıştır. Model, etiketlenmiş eğitim veri setleri kullanılarak eğitilmiş ve bağımsız bir test stratejisi kullanılarak değerlendirilmiştir49,50. Bildirilen sonuçlar, %0,593'lük bir Ortalama Mutlak Hata (Mean Absolute Error - MAE) ve %0,785'lik bir Kök Ortalama Kare Hata (Root Mean Square Error - RMSE) ile güçlü bir öngörü performansı göstermiştir.

KANFormer51 gibi son zamanlardaki dikkat artırımlı mimariler, karmaşık özellik etkileşimlerini yakalayarak öğrenci performans tahmini başarısını artırmak için çok kafalı öz-dikkat mekanizmasını Kolmogorov-Arnold ağları ile entegre etmektedir. Transformer tabanlı bilgi izleme modelleri de öğrencilerin öğrenme yörüngelerini modellemek için dikkat mekanizmalarından yararlanarak gelişmiş tahmin doğruluğu ve yorumlanabilirlik sergilemiştir52. Transformer ve dikkat tabanlı mimariler, bağlamsal bağımlılıkları ve uzun menzilli özellik etkileşimlerini modelleyerek eğitimsel tahmin görevlerinde performansı artırmış olsa da; bu yaklaşımlar öncelikle kuantum esintili bilişsel modelleme, optimize edilmiş özellik seçimi ve hibrit meta-öğrenme yoluyla belirsizliğe duyarlı öğrenci ilgi alanı tespitinden ziyade öğrenci performans tahmini veya bilgi izleme üzerine odaklanmaktadır.

Eğitimsel analitik için makine öğrenimi ve derin öğrenimdeki son gelişmelere rağmen, mühendislik öğrencilerinin ilgi alanlarını belirlemeye yönelik mevcut yöntemlerin çeşitli sınırlamaları bulunmaktadır. Birçok geleneksel yaklaşım, gelişen öğrenme tercihleri, davranışsal belirsizlikler, bağlamsal ilişkiler ve semantik etkileşimler dahil olmak üzere öğrenci davranışının çok yönlü doğasını göz ardı ederek öncelikle tahmin doğruluğuna odaklanmaktadır. Ayrıca, bu yöntemler genellikle doğrusal olmayan davranışsal modelleri yeterince yakalayamayan veya dinamik öğrenme ortamlarına uyum sağlayamayan geleneksel öznitelik mühendisliği ve deterministik öğrenme stratejilerine dayanmaktadır. Sonuç olarak, karmaşık eğitim verilerinin analizini iyileştirmek için güçlü veri ön işleme, akıllı davranışsal modelleme, adaptif öznitelik seçimi ve hibrit öğrenme tekniklerini entegre eden daha kapsamlı bir çerçeveye ihtiyaç duyulmaktadır.

Bu sınırlamaları gidermek için önerilen çerçeve; mühendislik öğrencilerinin ilgi alanlarını belirlemek amacıyla güçlü veri ön işleme, kuantum esintili davranışsal modelleme, optimize edilmiş özellik seçimi ve hibrit kuantum-klasik sinirsel öğrenmeyi birleşik bir hesaplama iş akışına entegre eder. Bu birbirini tamamlayıcı bileşenleri birleştiren önerilen protokol, kişiselleştirilmiş öğrenmeyi ve eğitimsel karar verme süreçlerini desteklemek için karmaşık eğitim verilerinin analizine yönelik sistematik ve tekrarlanabilir bir yaklaşım sunar.

Bu çalışmanın amacı, mühendislik öğrencilerinin ilgi alanlarının belirlenmesi için çok boyutlu eğitimsel ve davranışsal verileri kullanarak CQEI çerçevesini geliştirmek ve doğrulamaktır. Çerçeve; öğrencilerin öğrenme davranışlarını analiz etmek ve doğru ilgi alanı tespitini kolaylaştırmak için güçlü veri ön işleme, kuantum tabanlı bilişsel durum modelleme, optimize edilmiş özellik seçimi ve Meta-Öğrenme Hibrit Kuantum-Klasik Sinirsel Sınıflandırıcıyı (ML-HQNC) bir araya getirir. Performans; doğruluk, F1-skoru ve alıcı işletim karakteristiği eğrisi altında kalan alan (AUC) gibi standart metriklerin yanı sıra İlgi Tespiti Hassasiyeti (IDP), Kuantum Desen Kararlılığı Endeksi (QPSI) ve Alanlar Arası Uyarlanabilirlik Kazancı (CDAG) kullanılarak değerlendirilir. Bu tamamlayıcı bileşenleri tek bir hesaplama iş akışında entegre eden önerilen çerçeve, eğitim analitiği ve akıllı eğitimsel karar verme süreçleri için sistematik bir yaklaşım sunmaktadır.

Protokol

Bu çalışmada, Kaggle deposundan elde edilen, kamuya açık ve anonimleştirilmiş bir veri seti kullanılmıştır. Doğrudan herhangi bir insan katılımcı alınmamış veya dahil edilmemiş olup, kişisel olarak tanımlanabilir herhangi bir bilgi toplanmamıştır. Bu nedenle, kurumsal etik onay ve bilgilendirilmiş onam gerekmemiştir. Bu çalışmada kullanılan araştırma araçları Materyaller Tablosunda listelenmiştir.

1. CQEI çerçevesine genel bakış
Önerilen Kuantum Esintili Kavramsal Eğitim Zekası (CQEI) çerçevesi, Kaggle deposundan elde edilen Öğretim Kalitesi Değerlendirme Veri Kümesini kullanarak mühendislik öğrencilerinin ilgi alanlarını belirlemek amacıyla veri ön işleme, davranışsal örüntü analizi, öznitelik seçimi ve sınıflandırmayı entegre etmiştir. Veri kümesi, ilk olarak anlamsal gürültüyü azaltmak ve giriş özniteliklerini normalize etmek için Box–Cox Robust IQR Ölçekleme (BCRIS) yöntemi kullanılarak ön işlemeden geçirilmiştir. Öğrenci davranışsal örüntüleri daha sonra Kuantum Bilişsel Durum Modeli (QCSM) kullanılarak analiz edilmiştir. Ardından, kuantum-optimal seçimi, geri bildirim önemini ve geçici davranışsal varyasyonları modelleyerek öznitelik redundansını azaltırken bilgilendirici öznitelikleri belirlemek için Kuantumla Güçlendirilmiş Sürü-Balina Optimizasyonu Öznitelik Seçimi (QES-WOFS) algoritması uygulanmıştır. Son olarak, Meta-Öğrenme Hibrit Kuantum-Klasik Sinirsel Sınıflandırıcı (ML-HQNC), öğrencilerin ilgi alanlarını belirlemek için kuantum esintili öğrenmeyi derin rezidüel anlamsal katmanlarla entegre etmiştir.

Önerilen ML-HQNC çerçevesinin genel iş akışı Şekil 2'de gösterilmiştir. Protokol; eğitim veri setinin Kaggle deposundan edinilmesiyle başlayan, ardından Box–Cox Robust IQR Scaling (BCRIS) kullanılarak veri ön işleme, Quantum Cognitive State Model (QCSM) kullanılarak özellik dönüşümü ve davranışsal temsil ve Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) algoritması kullanılarak özellik seçimi ile devam eden altı ardışık aşamadan oluşmaktadır. Seçilen özellikler daha sonra Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) ile model eğitimi ve doğrulaması için kullanılmış ve çerçeve nihayetinde doğruluk, F1-skoru, alıcı işletim karakteristik eğrisi altındaki alan (AUC), İlgi Tespit Hassasiyeti (IDP), Kuantum Desen Kararlılığı İndeksi (QPSI) ve Alanlar Arası Uyarlanabilirlik Kazancı (CDAG) kullanılarak değerlendirilmiştir.

figure-protocol-1
Şekil 2: Meta-Öğrenme Hibrit Kuantum-Klasik Sinirsel Sınıflandırıcı (ML-HQNC) çerçevesi. Veri ön işleme için Box–Cox Robust IQR Ölçekleme (BCRIS), davranışsal örüntü analizi için Kuantum Bilişsel Durum Modeli (QCSM), özellik seçimi için Kuantumla Güçlendirilmiş Sürü–Balina Optimizasyonu Özellik Seçimi (QES-WOFS) algoritması ve öğrenci ilgi sınıflandırması için hibrit kuantum-klasik sinirsel öğrenmeyi entegre eden önerilen ML-HQNC çerçevesinin genel mimarisi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

2. Öğretim kalitesi değerlendirme veri seti
Önerilen çerçeve, Kaggle deposundan elde edilen ve kamuya açık olan Öğretim Kalitesi Değerlendirme Veri Seti kullanılarak geliştirilmiştir. Veri seti, Kapsamlı Eğitim Yönetim Platformu (CEMP) aracılığıyla toplanan; akademik performans, değerlendirme puanları, devam durumu, öğretim özellikleri ve öğrenci davranış göstergelerini temsil eden 14 çok boyutlu özelliğe sahip 1.014 eğitim kaydı içermektedir. Bu öznitelikler, mühendislik öğrencilerinin ilgi alanlarının belirlenmesiyle ilişkili doğrusal olmayan ilişkileri modellemek için gereken çok boyutlu eğitim bilgilerini sağlamıştır.

Şekil 3'te gösterildiği gibi, veri seti eğitim (%80) ve test (%20) alt kümelerine ayrılmıştır. Önerilen modeli eğitmek için toplam 800 kayıt kullanılırken, 200 kayıt performans değerlendirmesi için ayrılmıştır. Veri setine şu adresten herkese açık olarak erişilebilir: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. Eğitim ve test veri setleri, daha sonra öğrenme modelini oluşturmak ve öngörü kapasitesini artırmak amacıyla önerilen çerçeve kullanılarak işlenmiştir.

Temel veri seti "Teaching Quality Evaluation Dataset" olarak adlandırılmış olsa da, bu çalışma mühendislik öğrencilerinin ilgi alanlarını belirlemeyi amaçlamıştır. Veri setinde yer alan eğitimsel, davranışsal ve öğretimsel öznitelikler, önerilen çerçevenin eğitimi ve değerlendirilmesi için girdi değişkenleri olarak kullanılmıştır. Sonuç olarak, rapor edilen tüm tahmin sonuçları ve performans metrikleri, öğretim kalitesini değerlendirmekten ziyade, çerçevenin mühendislik öğrencilerinin ilgi alanlarını belirlemedeki etkinliğini tanımlamaktadır. Veri ön işleme aşamasından önce, içe aktarılan veri setinin tüm 1.014 kaydının başarıyla yüklendiğinden, veri seti şemasının beklenen formatla eşleştiğinden ve eksik veya yinelenen kayıtların belirlenip giderildiğinden emin olmak için doğrulama yapılmıştır.

3. Box–cox robust IQR ölçekleme (BCRIS) kullanılarak veri ön işleme
Eğitim veri setini ön işlemek ve normalize etmek için, uç değerlerin etkisini azaltmak amacıyla Box–Cox dönüşümünüle çeyrekler açıklığı (IQR) tabanlı robust ölçeklemeyi birleştiren Box–Cox Robust IQR Scaling (BCRIS) yöntemi kullanılmıştır. Simetri düzeltmesi ve medyan merkezli normalizasyon, sonraki analizler için uygun, istatistiksel olarak kararlı ve ölçeklenebilir öznitelik temsilleri oluşturmuştur. Önerilen eğitimsel zeka çerçevesi dahilinde BCRIS; çok boyutlu eğitimsel, öğretimsel ve davranışsal göstergeleri varyansı kontrol edilmiş öznitelik temsillerine dönüştürmüştür. Eğitim ve test veri setlerinin tutarlılığını artırmak amacıyla attendance_rate, interactive_sessions_percentage ve ilgili eğitimsel değişkenler dahil olmak üzere öznitelikler normalize edilmiştir. Detaylı matematiksel açıklamalar Ek Dosya 1'de (Bölüm S1) sunulmuştur. BCRIS yöntemi, sonraki istatistiksel analizler öncesinde heterojen eğitim verilerini normalize ederken, alt akış modellemesi için gerekli olan temel davranışsal özellikleri koruyan kuantum uyumlu bir ön işleme stratejisi sağlamıştır. Davranışsal analizden önce, normalize edilmiş veri setinin geçersiz veya eksik değerler içermediğinden, semantik gürültünün azaltıldığından ve işlenen özniteliklerin sonraki davranışsal modelleme için uygun olduğundan emin olmak adına ön işleme hattı doğrulanmıştır.

4. Kuantum bilişsel durum modeli (QCSM) kullanılarak özellik dönüşümü ve davranışsal temsil
Mühendislik öğrencilerinin ilgi alanlarının dinamiklerini kuantum tabanlı olasılıksal temsillerle modellemek için Kuantum Bilişsel Durum Modeli (QCSM) uygulanmıştır. Öğrenci ilgisi; bilişsel kavramların hiyerarşisini, belirsizliği, kavramsal örtüşmeyi, birden fazla konuyla eş zamanlı ilgilenmeyi, tereddütlü veya kararsız öğrenme davranışlarını ve öğrenme tercihlerindeki değişim olasılığını yansıtan birden fazla kavramsal durumun çakışması olarak temsil edilmiştir. Mühendislik Öğretim Kalitesi Değerlendirme veri setindeki Student_Avg_Score, Attendance_rate ve Student_Feedback_Rating gibi çok boyutlu göstergeler, normalize edilmiş bir kuantum durum uzayında genlik ağırlıklı bilişsel geçişler olarak temsil edilmiştir. QCSM, öğrenci ilgisinin zaman içindeki stabilitesini ve evrimini yansıtan kuantum tabanlı bilişsel temsiller oluşturmak için kuantum durum geçişlerini girişim tabanlı kavramsal hizalamayla birleştirmiştir. Detaylı matematiksel formülasyonlar Ek Dosya 1 (Bölüm S2) içinde sunulmuştur. QCSM; bilgi edinimi, kavramsal değişim, öğrenme katılımı ve konu ilgisini normalize edilmiş kuantum durum temsilleri aracılığıyla ifade etmek için olasılıksal bilişsel durumları modellemiştir. Davranışsal temsiller, çıkarılan bilişsel durum özelliklerinin öğrenme davranışlarını ve konu geçişlerini doğru şekilde yakaladığından emin olmak için tüm öğrenci kayıtları üzerinden doğrulanmıştır.

5. Kuantum Güçlendirilmiş Sürü-Balina Optimizasyonu Özellik Seçici (QES-WOFS) algoritması kullanılarak özellik seçimi
Çok boyutlu eğitim verilerinden optimal özellik alt kümesini belirlemek ve bilgi değeri yüksek davranışsal özellikleri tespit etmek için Kuantum Güçlendirilmiş Sürü-Balina Optimizasyonu Özellik Seçimi (QES-WOFS) algoritması kullanılmıştır. Kuantum esintili arama mekanizmaları, özellik optimizasyonu için küresel ve yerel arama stratejilerinin entegrasyonunu geliştirmiştir. interactive_sessions_percentage, assignments_time_percentage ve course_completion_rate dahil olmak üzere eğitim değişkenleri, hedef sonuçla olan korelasyonlarına göre değerlendirilmiştir. Aday özellik alt kümeleri kuantum olasılık temsilleri kullanılarak modellenmiş, kuantum tünelleme mekanizması ise yerel optimumların ötesinde olasılıksal geçişlere imkan sağlamıştır. Özellik önemi, her bir özelliğin sınıflandırma performansına ve adaptif sürü durumlarına olan katkısını nicelleştirmek için marjinal olabilirlik kullanılarak tahmin edilmiştir. QES-WOFS algoritması, gürültüye, dönemden döneme değişen varyasyonlara ve periyodik davranışsal dalgalanmalara karşı dayanıklılığı artırarak, kararlı ve davranışsal olarak anlamlı özellikleri seçmiştir.

Balina Optimizasyon Algoritması'nın (WOA) veya Parçacık Sürü Optimizasyonu'nun (PSO) bağımsız olarak kullanılmasından kaynaklanan kısıtlamaları aşmak için, QES-WOFS algoritması PSO tabanlı küresel keşfi WOA tabanlı yerel sömürü ile birleştirmiştir. Bir kuantum tünelleme mekanizması, yerel optimumların ötesinde olasılıksal geçişlere olanak tanıyarak popülasyon çeşitliliğini artırmış, özellik redundansını azaltmış ve mühendislik öğrencilerinin ilgisini belirlemek için optimal bir özellik alt kümesine doğru yakınsamayı iyileştirmiştir.

Ayrıntılı matematiksel formülasyonlar Ek Dosya 1'de (Bölüm S3) sunulmuştur. QES-WOFS algoritması, en bilgilendirici eğitimsel özellikleri belirlemek için kuantum olasılıksal öznitelik kodlama, PSO uyarlamalı bir hız stratejisi ve balinalardan esinlenilmiş bir spiral arama mekanizmasını birleştirmiştir. Hiperparametreler, eğitim veri seti kullanılarak ampirik olarak optimize edilmiştir. Aday değerler sistematik deneyler yoluyla değerlendirilmiş ve en yüksek doğrulama performansını veren kombinasyon seçilmiştir. Özellikle, Box–Cox dönüşüm parametresi (λ = 0.25), kontrastif kayıp marjı (m = 1.0) ve kuantum tünelleme katsayıları (α = 0.7 ve β = 0.3), doğrulama doğruluğu, F1-skoru ve yakınsama davranışına göre seçilmiştir. Sınıflandırıcı eğitimi öncesinde, QES-WOFS algoritmasının optimal öznitelik alt kümesini seçtiğinden ve gereksiz veya düşük öneme sahip özellikleri elediğinden emin olmak için öznitelik seçimi sonuçları doğrulanmıştır.

6. Meta-öğrenme hibrit kuantum-klasik sinirsel sınıflandırıcı (ML-HQNC) kullanılarak model eğitimi ve doğrulaması
Meta-Öğrenme Hibrit Kuantum-Klasik Sinirsel Sınıflandırıcı (ML-HQNC), mühendislik öğrencilerinin ilgi alanlarını belirlemek amacıyla derin sinir ağlarının kuantum tabanlı hesaplamalarla birleştirilmesiyle uygulanmıştır. Çok başlı kuantum dikkat mekanizmaları ve derin rezidüel semantik katmanlar, varyasyonel kuantum devreleri (VQC'ler) kullanılarak temsil edilen çok boyutlu eğitim verileri içindeki karmaşık doğrusal olmayan ilişkileri yakalamıştır. student_average_grade, attendance_rate ve student_feedback_rating dahil olmak üzere davranışsal kaynaklı özellikler, normalize edilmiş girdilerin örtüşen ve olasılıksal etkileşim modellerini modellemek için genlik tabanlı kuantum temsillerine dönüştürüldüğü bir kuantum durum uzayına yansıtılmıştır. Normalize edilmiş öğrenci davranışsal özellik vektörleri, Ek Dosya 1 (Bölüm S4)'de verilen denklemlere göre hesaplanmıştır. ML-HQNC daha sonra mühendislik öğrencilerinin ilgi alanlarını sınıflandırmış ve tanımlamıştır.

ML-HQNC sınıflandırıcısı, eğitim sırasında epizodik bir meta-öğrenme stratejisi kullanmıştır. Eğitim veri setinden rastgele seçilen bir meta-öğrenme görevi her bir epizoda atanmıştır. Sınıf dağılımı korunarak, eğitim verileri bir destek kümesine (%80) ve bir sorgu kümesine (%20) ayrılmıştır. Destek kümesi, iç optimizasyon döngüsü aracılığıyla göreve özgü parametre adaptasyonu için kullanılırken; sorgu kümesi, adapte edilmiş modeli değerlendirmiş ve paylaşılan parametreleri güncellemek için kullanılan meta-kaybı hesaplamıştır. Her bir eğitim döngüsü sırasında toplam 100 meta-öğrenme görevi oluşturulmuştur. İç döngü adaptasyonu için 0,001 iç öğrenme oranıyla beş gradyan güncelleme adımı kullanılırken; meta-parametreler 0,0005 dış öğrenme oranına sahip Adam optimize edici ile optimize edilmiştir. Modeli çeşitli davranışsal kalıplara maruz bırakmak ve daha önce görülmemiş öğrenci profillerine genelleme yeteneğini artırmak için rastgele görev örneklemesi her eğitim epoku için tekrarlanmıştır. Kuantum kontrastif hizalama için kayıp tahmini Ek Dosya 1'de (Denklemler 41–45) açıklanmıştır. Model eğitimi, hesaplama hataları olmaksızın başarılı bir yakınsama sağlandığından ve eğitim ile doğrulama kaybı eğrilerinin ardışık epoklar boyunca stabilize olduğundan emin olmak için doğrulanmıştır.

Sonuçlar

Önerilen ML-HQNC çerçevesi; Doğruluk, Kesinlik, Duyarlılık, F1-skoru ve alıcı işletim karakteristik eğrisi altındaki alan (AUC) dahil olmak üzere geleneksel sınıflandırma metriklerinin yanı sıra önerilen İlgi Tespiti Kesinliği (IDP), Kuantum Desen Kararlılık İndeksi (QPSI) ve Alanlar Arası Uyarlanabilirlik Kazancı (CDAG) değerlendirme metrikleri kullanılarak Fast R-CNN, Bi-LSTM, CNN ve XGBoost ile karşılaştırılmıştır. Bu metriklerin matematiksel tanımları Ek Dosya 1'de (Bölüm S5) sunulmuştur.

Önerilen çerçevenin sağlamlığını değerlendirmek için tüm deneyler, farklı rastgele başlangıç değerleri kullanılarak beş kez tekrarlanmıştır. Bildirilen performans değerleri, beş çalıştırma boyunca ortalama ± standart sapma olarak sunulmuştur. Önerilen çerçeve ile temel modeller arasındaki istatistiksel anlamlılık, eşleştirilmiş t-testi kullanılarak değerlendirilmiş ve p < 0,05 değeri istatistiksel olarak anlamlı kabul edilmiştir.

Ek Tablo 1'de özetlendiği üzere, simülasyon deneyleri 1.014 kayıt içeren Öğretim Kalitesi Değerlendirme Veri Kümesi kullanılarak gerçekleştirilmiştir. Model eğitimi için toplam 800 kayıt kullanılırken, 200 kayıt test için ayrılmıştır. Önerilen ML-HQNC çerçevesi ve karşılaştırma modelleri, Python kullanılarak Jupyter Notebook ortamında uygulanmıştır. Herkese açık olan Öğretim Kalitesi Değerlendirme Veri Kümesi'nde orijinal hedef değişken olarak Teaching_Quality özniteliği kullanılmış olup bu öznitelik Good ve Excellent olmak üzere iki sınıftan oluşmaktadır. Bu etiketler, ML-HQNC çerçevesinin eğitimi ve değerlendirilmesi için tahmin hedefleri olarak kullanılmıştır. Ortaya çıkan tahmin kategorileri Tablo 3'te özetlenmiştir. Ek Tablo 2, Box–Cox Robust IQR Ölçeklendirme (BCRIS) ön işleme aşamasının doğrulama sonuçlarını özetlemektedir. Ön işleme hattı, öznitelik dönüşümü ve model eğitimi öncesinde eksik ve yinelenen kayıtları temizlemiş, aykırı değerlerin etkisini azaltmış, öznitelik dağılımlarını normalize etmiş ve semantik ile davranışsal tutarlılığı artırmıştır.

Tablo 3: Öğretim Kalitesi Değerlendirme Veri Setinin hedef değişkeni. Orijinal Teaching_Quality hedef değişkeninin ve model eğitimi ile değerlendirmesi için kullanılan sınıflandırma kategorilerinin (İyi ve Mükemmel) açıklaması. Bu tabloyu indirmek için lütfen buraya tıklayın.

Ek Tablo 3, Kuantum Bilişsel Durum Modeli (QCSM) tarafından oluşturulan temsili özellikleri sunmaktadır. Çıkartılan özellikler; bilişsel durum, etkileşim, belirsizlik, konu geçişleri ve davranışsal tutarlılık dahil olmak üzere öğrenci öğrenme davranışlarını tanımlamakta olup, sonraki QES-WOFS özellik seçimi aşamasına girdi teşkil etmiştir. Ek Tablo S4, QES-WOFS algoritması tarafından seçilen nihai özellikleri; özellik kategorileri, göreli etki düzeyleri ve önerilen çerçeve içindeki fonksiyonel rolleriyle birlikte listelemektedir. Çıkartılan çok boyutlu davranışsal özelliklerin karakteristikleri Ek Tablo 5'te özetlenmiştir. Ek Tablo 6, iki tahmin sınıfı (İyi ve Mükemmel) için davranışsal temsil sırasında oluşturulan temsili kenar yapılarını sunmaktadır.

Şekil 4 ve Tablo 4'te gösterildiği üzere, önerilen ML-HQNC çerçevesi, değerlendirilen yöntemler arasında en yüksek F1-skoruna (%87,9) ulaşmıştır. Fast R-CNN, Bi-LSTM, CNN ve XGBoost için karşılık gelen F1-skorları sırasıyla %77,9, %80,2, %82,8 ve %85,8'dir. İstatistiksel anlamlılık, çift taraflı bağımsız t-testi (p < 0,05) kullanılarak değerlendirilmiştir.

Şekil 5 ve Tablo 5, İlgi Tespit Hassasiyeti (IDP) sonuçlarını özetlemektedir. Önerilen ML-HQNC çerçevesi %89,3'lük bir IDP elde ederken; Fast R-CNN, Bi-LSTM, CNN ve XGBoost için bu değerler sırasıyla %79,11, %82,12, %84,6 ve %87,10 olmuştur. Şekil 6 ve Tablo 6, Kuantum Desen Kararlılık İndeksi (QPSI) sonuçlarını sunmaktadır. Önerilen çerçeve %92,7'lik bir QPSI değeri elde ederken; Fast R-CNN, Bi-LSTM, CNN ve XGBoost sırasıyla %81,1, %84,11, %87,4 ve %90,9 değerlerine ulaşmıştır. Şekil 7 ve Tablo 7, Çapraz Alan Uyumluluk Kazanımı (CDAG) sonuçlarını özetlemektedir. Önerilen ML-HQNC çerçevesi; Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) ve XGBoost (0,86) ile karşılaştırıldığında en yüksek CDAG değerini (0,95) elde etmiştir. Şekil 8 ve Tablo 8'de gösterildiği üzere, önerilen ML-HQNC çerçevesi en yüksek sınıflandırma doğruluğunu (%96,17) sağlamıştır. Fast R-CNN, Bi-LSTM, CNN ve XGBoost için karşılık gelen doğruluk oranları sırasıyla %85,10, %87,21, %90,14 ve %93,19'dur. Şekil 9 ve Tablo 9, her bir yöntem tarafından gereken hesaplama süresini sunmaktadır. Önerilen ML-HQNC çerçevesi 9,02 ms süre gerektirirken; Fast R-CNN, Bi-LSTM, CNN ve XGBoost sırasıyla 31,2 ms, 27,5 ms, 22,4 ms ve 17,6 ms süre gerektirmiştir. Şekil 10, alıcı işletim karakteristiği (ROC) analizini sunmaktadır. Önerilen ML-HQNC çerçevesi, değerlendirilen sınıflandırma eşiği genelinde yüksek bir gerçek pozitif oranı ve düşük bir yanlış pozitif oranı olduğunu gösteren 0,944'lük bir AUC değeri elde etmiştir.

figure-results-1
Şekil 4: Farklı veri seti boyutları genelindeki F1-skor karşılaştırması. ML-HQNC ve rakip modeller tarafından farklı veri seti boyutlarında elde edilen F1-skorlarının karşılaştırması. Sonuçlar, beş bağımsız deneysel çalışma (n = 5) üzerinden ortalama ± standart sapma olarak bildirilmiştir. Hata çubukları bir standart sapmayı temsil etmektedir. İstatistiksel anlamlılık, iki yönlü bağımsız t-testi (p < 0.05) kullanılarak değerlendirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 4: Farklı veri seti boyutları genelindeki F1-skoru karşılaştırması. ML-HQNC ve rakip modeller tarafından elde edilen F1-skorunun karşılaştırılması. Sonuçlar beş bağımsız deneysel çalışma (n = 5) üzerinden ortalama ± standart sapma olarak bildirilmiştir. Bu tabloyu indirmek için lütfen buraya tıklayın.

figure-results-2
Şekil 5: Farklı veri seti boyutları genelinde İlgi Tespiti Hassasiyeti (IDP) karşılaştırması. ML-HQNC ve rakip modeller tarafından farklı veri seti boyutlarında elde edilen İlgi Tespiti Hassasiyetinin (IDP) karşılaştırılması. Sonuçlar, beş bağımsız deneysel çalışma üzerinden ortalama ± standart sapma olarak bildirilmiştir (n = 5). Hata çubukları bir standart sapmayı temsil etmektedir. İstatistiksel anlamlılık, iki yönlü bağımsız t-testi kullanılarak değerlendirilmiştir (p < 0.05). Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 5: Farklı veri seti boyutları genelinde İlgi Algılama Hassasiyeti (IDP) karşılaştırması. ML-HQNC ve rakip modeller tarafından elde edilen İlgi Algılama Hassasiyetinin (IDP) karşılaştırması. Sonuçlar, beş bağımsız deneysel çalışma (n = 5) üzerinden ortalama ± standart sapma olarak rapor edilmiştir. Bu tabloyu indirmek için lütfen buraya tıklayın.

figure-results-3
Şekil 6: Farklı veri seti boyutlarında Kuantum Desen Kararlılığı İndeksi (QPSI) karşılaştırması. Farklı veri seti boyutlarında ML-HQNC ve rakip modeller tarafından elde edilen Kuantum Desen Kararlılığı İndeksi'nin (QPSI) karşılaştırması. Sonuçlar beş bağımsız deneysel çalışma üzerinden ortalama ± standart sapma (n = 5) olarak rapor edilmiştir. Hata çubukları bir standart sapmayı temsil etmektedir. İstatistiksel anlamlılık, iki yönlü bağımsız t-testi (p < 0.05) kullanılarak değerlendirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 6: Farklı veri seti boyutları genelinde Kuantum Desen Kararlılık İndeksi (QPSI) karşılaştırması. ML-HQNC ve rakip modeller tarafından elde edilen Kuantum Desen Kararlılık İndeksi'nin (QPSI) karşılaştırması. Sonuçlar, beş bağımsız deneysel çalışma üzerinden ortalama ± standart sapma olarak bildirilmiştir (n = 5). Bu tabloyu indirmek için lütfen buraya tıklayın.

figure-results-4
Şekil 7: Farklı veri seti boyutlarında Alanlar Arası Uyarlanabilirlik Kazancı (CDAG) karşılaştırması. Farklı veri seti boyutlarında ML-HQNC ve rakip modeller tarafından elde edilen Alanlar Arası Uyarlanabilirlik Kazancı'nın (CDAG) karşılaştırması. Sonuçlar, beş bağımsız deneysel çalışma (n = 5) üzerinden ortalama ± standart sapma olarak raporlanmıştır. Hata çubukları bir standart sapmayı temsil etmektedir. İstatistiksel anlamlılık, çift taraflı bağımsız t-testi (p < 0.05) kullanılarak değerlendirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 7: Farklı veri seti boyutları genelinde Alanlar Arası Uyarlanabilirlik Kazancı (CDAG) karşılaştırması. ML-HQNC ve rakip modeller tarafından elde edilen Alanlar Arası Uyarlanabilirlik Kazancının (CDAG) karşılaştırılması. Sonuçlar, beş bağımsız deneysel çalışma üzerinden ortalama ± standart sapma (n = 5) olarak bildirilmiştir. Bu tabloyu indirmek için lütfen buraya tıklayın.

figure-results-5
Şekil 8: Farklı veri seti boyutları genelinde sınıflandırmale doğruluk karşılaştırması. ML-HQNC ve rakip modeller tarafından farklı veri seti boyutlarında elde edilen sınıflandırma doğruluğunun karşılaştırılması. Sonuçlar, beş bağımsız deneysel çalışma (n = 5) üzerinden ortalama ± standart sapma olarak bildirilmiştir. Hata çubukları bir standart sapmayı temsil etmektedir. İstatistiksel anlamlılık, iki yönlü bağımsız t-testi (p < 0.05) kullanılarak değerlendirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 8: Farklı veri seti boyutlarında sınıflandırma doğruluğunun karşılaştırılması. ML-HQNC ve rakip modeller tarafından elde edilen sınıflandırma doğruluğunun karşılaştırılması. Sonuçlar, beş bağımsız deneysel çalışma üzerinden ortalama ± standart sapma olarak bildirilmiştir (n = 5). Bu tabloyu indirmek için lütfen buraya tıklayın.

figure-results-6
Şekil 9: Farklı veri kümesi boyutları arasında hesaplama süresi karşılaştırması. ML-HQNC ve rakip modellerin farklı veri kümesi boyutlarındaki hesaplama yürütme sürelerinin karşılaştırması. Sonuçlar, beş bağımsız deneysel çalışma (n = 5) üzerinden ortalama ± standart sapma olarak bildirilmiştir. Hata çubukları bir standart sapmayı temsil eder. Düşük değerler, daha kısa hesaplama yürütme süresini belirtir. İstatistiksel anlamlılık, iki yönlü bağımsız t-testi (p < 0.05) kullanılarak değerlendirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 9: Farklı veri seti boyutlarında hesaplama süresi karşılaştırması. ML-HQNC ve rakip modellerin hesaplama yürütme sürelerinin karşılaştırması. Sonuçlar, beş bağımsız deneysel çalışma üzerinden ortalama ± standart sapma olarak raporlanmıştır (n = 5). Düşük değerler, daha kısa hesaplama yürütme süresini göstermektedir. Bu tabloyu indirmek için lütfen buraya tıklayınız.

figure-results-7
Şekil 10: Alıcı işletim karakteristik eğrisi altındaki alan (AUC) karşılaştırması. Mühendislik öğrencilerinin ilgi alanlarının belirlenmesinde ML-HQNC ve rakip modeller tarafından elde edilen AUC değerlerinin karşılaştırması. Bildirilen AUC değerleri tek bir deneysel çalışmaya karşılık gelmektedir; bu nedenle hata çubukları ve istatistiksel anlamlılık analizleri sunulmamıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Ek Şekil 1, temsili davranışsal değişkenlerin korelasyon matrisini sunmaktadır. Avg_Score ile Course_Completion_Rate (0,81) ve Attendance_Rate ile Course_Completion_Rate (0,75) arasında güçlü pozitif korelasyonlar gözlemlenmiştir. Avg_Score ile Course_Completion (0,72) ve Attendance_Rate ile Time_Assignment_Percentage (0,74) arasında orta düzeyde korelasyonlar gözlemlenmiştir. Ek Şekil 2 ve 3, Tablo 10 ile birlikte eğitim ve test doğruluk haritalarını özetlemektedir. Önerilen ML-HQNC çerçevesi, karşılaştırma yöntemlerinin performansını aşarak %96,1 eğitim doğruluğu ve %93,8 test doğruluğu elde etmiştir. Ek Şekil 4 ve 5, Tablo 11 ile birlikte yakınsama analizini özetlemektedir. Önerilen ML-HQNC çerçevesi, optimizasyon süreci boyunca kararlı bir yakınsama ile en düşük eğitim kaybını (0,21) ve test kaybını (0,26) elde etmiştir.

Tablo 12, önerilen ML-HQNC çerçevesinin genel performansını ve karşılaştırma yöntemlerini tüm değerlendirme metrikleri üzerinden özetlemektedir. Önerilen çerçeve; Doğruluk, F1-skoru, AUC, IDP, QPSI ve CDAG için en yüksek performansı sergilerken, değerlendirilen yöntemler arasında en kısa hesaplama süresine ihtiyaç duymuştur. Tablo 13, önerilen çerçevenin bileşen bazlı ablasyon analizini sunmaktadır. BCRIS ön işleme aşamasının, QCSM davranışsal temsilinin, QES-WOFS özellik seçimi algoritmasının ve tam ML-HQNC sınıflandırıcısının kademeli olarak dahil edilmesi, sınıflandırma performansında artımlı iyileştirmeler sağlamış ve her bir bileşenin genel çerçeveye katkısını ortaya koymuştur.

Tablo 10: Eğitim ve test doğruluk karşılaştırması. ML-HQNC ve rakip modeller tarafından elde edilen eğitim ve test doğruluklarının karşılaştırılması. Rapor edilen değerler tek bir deneysel çalışmaya karşılık gelmektedir. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 11: Eğitim ve test kaybı karşılaştırması. ML-HQNC ve rakip modeller tarafından elde edilen eğitim ve test kaybının karşılaştırması. Bildirilen değerler tek bir deneysel çalışmaya karşılık gelmektedir. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 12: Genel performans karşılaştırması. Çeşitli değerlendirme metrikleri kullanılarak ML-HQNC ve rakip modellerin karşılaştırılması. Sonuçlar, beş bağımsız deneysel çalışma (n = 5) üzerinden ortalama ± standart sapma olarak rapor edilmiştir. Bu tabloyu indirmek için lütfen buraya tıklayın.

VERİ KULLANILABİLİRLİĞİ:
Bu çalışmada kullanılan orijinal Öğretim Kalitesi Değerlendirme Veri Seti, Kaggle deposundan (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset) kamuya açık olarak temin edilebilir. Veri setine erişim için kullanıcı kimlik doğrulaması gerekebilir ve erişim, Kaggle'ın kullanım koşullarına tabidir. Orijinal veri setinin lisans koşullarına uyum sağlarken yeniden üretilebilirliği desteklemek amacıyla; sentetik veri seti, kaynak kod, uygulama ve yapılandırma dosyaları, özellik açıklamaları, ön işleme iş akışı ve raporlanan deneyleri yeniden üretmek için gerekli destekleyici dokümanlar da dahil olmak üzere çalışma kapsamında oluşturulan kaynaklar, açık erişimli bir Zenodo deposuna kaydedilmiştir: https://doi.org/10.5281/zenodo.21393413.

figure-results-8
Şekil 3: Öğretim Kalitesi Değerlendirme veri seti öznitelik koleksiyonu. Mühendislik öğrencilerinin ilgi alanlarının belirlenmesi için kullanılan Öğretim Kalitesi Değerlendirme Veri Setinin yapısı ve öznitelik bileşimi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Ek Şekil 1: Özellik korelasyon matrisi.Önerilen ML-HQNC çerçevesi tarafından kullanılan temsili eğitimsel ve davranışsal değişkenler arasındaki ikili ilişkileri gösteren korelasyon matrisi. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 2: Eğitim doğruluğu karşılaştırması. ML-HQNC ve rakip modellerin eğitim süreci boyunca elde ettikleri eğitim doğruluğunun karşılaştırılması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 3: Test doğruluğu karşılaştırması. Test süreci boyunca ML-HQNC ve rakip modeller tarafından elde edilen test doğruluğunun karşılaştırılması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 4: Eğitim kaybı analizi. Model optimizasyonu sırasında ML-HQNC ve rakip modeller tarafından elde edilen eğitim kaybının karşılaştırılması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 5: Test kaybı analizi. Model değerlendirmesi sırasında ML-HQNC ve rakip modeller tarafından elde edilen test kaybının karşılaştırılması.  Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 1: Simülasyon parametreleri ve deneysel ayarlar. Önerilen ML-HQNC çerçevesini değerlendirmek için kullanılan simülasyon parametrelerinin, uygulama ortamının, veri seti bölümlendirmesinin ve deneysel ayarların özeti. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 2: Box–Cox Robust IQR Ölçeklendirme (BCRIS) ön işleme aşamasının doğrulama sonuçları. Eksik değerler, yinelenen kayıtlar, aykırı değerlerin yönetimi, özellik normalizasyonu ve veri tutarlılığı dahil olmak üzere, ön işleme öncesi ve sonrası temsilci veri seti özelliklerinin karşılaştırılması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 3: Kuantum Bilişsel Durum Modeli (QCSM) tarafından oluşturulan temsili özellikler. Bilişsel durum, etkileşim, belirsizlik, konu geçişi ve davranışsal tutarlılık özellikleri dahil olmak üzere, veri ön işlemesinin ardından QCSM tarafından oluşturulan temsili davranışsal özellikler. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 4: Kuantum Destekli Sürü-Balina Optimizasyonu Özellik Seçimi (QES-WOFS) algoritması tarafından seçilen özellikler. QES-WOFS algoritması tarafından seçilen nihai özellik alt kümesi; ilgili özellik kategorileri, göreceli etki düzeyleri ve önerilen çerçeve içindeki fonksiyonel rolleriyle birlikte verilmiştir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 5: Öğretim kalitesi tahmin kategorileri. Önerilen ML-HQNC çerçevesi tarafından kullanılan tahmin kategorilerinin ve temsili davranışsal özelliklerin açıklaması. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 6: Marj duyarlılık analizi. Model değerlendirmesi sırasında kullanılan marj duyarlılık analizinin özeti. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 1: Ek Yöntemler, Matematiksel Formülasyonlar, Değerlendirme Metrikleri ve Ek Tablolar.Bu dosya, ana protokolde açıklanan Box–Cox Dayanıklı IQR Ölçeklendirme (BCRIS), Kuantum Bilişsel Durum Modeli (QCSM), Kuantumla Güçlendirilmiş Sürü-Balina Optimizasyonu Öznitelik Seçimi (QES-WOFS) ve Meta-Öğrenme Hibrit Kuantum-Klasik Sinirsel Sınıflandırıcı (ML-HQNC) için ayrıntılı matematiksel formülasyonları içermektedir. Ayrıca değerlendirme metriklerinin tanımlarını, simülasyon parametrelerini, deneysel ayarları ve ana metinde sunulan sonuçları destekleyen S1–S6 Ek Tabloları da içermektedir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Önerilen ML-HQNC çerçevesi; kuantum tabanlı davranışsal modelleme, adaptif özellik seçimi ve meta-öğrenmeyi birleşik bir hesaplama iş akışına entegre ederek, mühendislik öğrencilerinin ilgi alanlarının belirlenmesinde artırılmış performans sergilemiştir. Fast R-CNN, Bi-LSTM, CNN ve XGBoost ile karşılaştırıldığında, çerçeve hem geleneksel sınıflandırma metriklerinde hem de önerilen davranışsal değerlendirme metriklerinde tutarlı bir şekilde daha yüksek performans elde etmiştir. Bu bulgular, kuantum tabanlı bilişsel durum temsilinin adaptif özellik optimizasyonu ile birleştirilmesinin, güçlü bir sınıflandırma performansı korunurken çerçevenin karmaşık eğitimsel davranışları modelleme yeteneğini geliştirdiğini göstermektedir. Düşük hesaplama süresi ve eğitim ile test performansı arasındaki küçük fark, stabil optimizasyona ve iyi bir genelleme yeteneğine işaret etmektedir.

Önerilen değerlendirme metrikleri, davranışsal modelleme hakkında ek bilgiler sunarak geleneksel sınıflandırma ölçütlerini tamamlamıştır. İlgi Algılama Kesinliği (IDP) ilgi tanımlamanın doğruluğunu nicelleştirmiş, Kuantum Desen Kararlılık Endeksi (QPSI) kuantum tabanlı davranışsal temsillerin kararlılığını değerlendirmiş ve Alanlar Arası Uyarlanabilirlik Kazancı (CDAG) çerçevenin farklı veri bölümleri genelinde genelleme yapma yeteneğini ölçmüştür. Bu ölçütler birlikte, model performansının yalnızca geleneksel tahmin metrikleriyle yapılandırılandan daha kapsamlı bir değerlendirmesini sağlamıştır.

Bileşen bazlı ablasyon analizi (Tablo 13), önerilen iş akışının her bir aşamasının katkısını daha ayrıntılı bir şekilde ortaya koymuştur. Box–Cox Robust IQR Scaling (BCRIS) ön işleme aşamasının dahil edilmesi, aykırı değerlerin etkisini azaltarak ve normalize edilmiş öznitelik temsilleri oluşturarak veri tutarlılığını artırmıştır. Quantum Cognitive State Model (QCSM), çok boyutlu eğitimsel değişkenleri belirsizliği, etkileşimi ve gelişen öğrenme tercihlerini yakalayan davranışsal temsillere dönüştürmüştür. Ardından, Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) algoritması kullanılarak yapılan öznitelik seçimi, bilgilendirici davranışsal özellikleri korurken öznitelik fazlalığını azaltmıştır. Son olarak, bu bileşenlerin Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) içerisinde entegre edilmesi, temel modellerle karşılaştırıldığında sınıflandırma performansını ve genelleme yeteneğini iyileştirmiştir.

Önerilen protokol, dijital öğrenme ortamlarından toplanan çok boyutlu eğitimsel ve davranışsal verileri kullanarak mühendislik öğrencilerinin ilgi alanlarının tespit edilmesine yöneliktir. Hesaplamalı iş akışı; öğrenci öğrenme davranışlarını analiz etmek ve gelişen ilgi alanlarını belirlemek için sistematik bir yaklaşım sunarak kişiselleştirilmiş öğrenmeyi, akademik danışmanlığı, müfredat planlamasını ve akıllı eğitim yönetimini destekleyebilir. Bu çerçeve, özellikle davranışsal, akademik ve bağlamsal değişkenler içeren yapılandırılmış eğitim veri setleri için uygundur.

Başarılı uygulama, yüksek kaliteli eğitim verilerinin ve yeterli hesaplama kaynaklarının mevcut olmasına bağlıdır. Veri kalitesi, ön işlemeyi ve sonraki davranışsal modellemeyi doğrudan etkilediği için analizden önce eğitim veri setleri; eksik değerler, yinelenen kayıtlar ve tutarsızlıklar açısından incelenmelidir. Kararlı öznitelik temsilleri ayrıca uygun ön işlemeye, öznitelik dönüşümüne ve hiperparametre optimizasyonuna bağlıdır. Model eğitimi sırasında yakınsama, eğitim ve doğrulama kaybı eğrileri aracılığıyla izlenmeli ve kararlı öğrenme davranışını sürdürmek için gerektiğinde optimizasyon parametreleri ayarlanmalıdır.

Çerçeve, değerlendirilen veri kümesini kullanarak etkili bir performans göstermiş olsa da, bazı sınırlamalar göz önünde bulundurulmalıdır. Protokol, halka açık tek bir eğitim veri kümesi kullanılarak doğrulanmıştır ve genelleştirilebilirliği daha detaylı değerlendirmek için daha büyük, çok kurumlu ve daha çeşitli eğitim veri kümeleriyle ek değerlendirmeler yapılması gerekmektedir. Ayrıca, hibrit kuantum esintili öğrenme çerçevesi; ön işleme, optimizasyon ve hibrit öğrenme bileşenleri nedeniyle geleneksel makine öğrenimi yaklaşımlarına göre daha fazla hesaplama kaynağı gerektirmektedir. Çerçeve aynı zamanda iyi açıklanmış eğitim verilerine bağımlıdır ve performans; eksik, gürültülü veya yüksek düzeyde dengesiz veri kümelerinden etkilenebilir.

Gelecekteki çalışmalar; çerçevenin daha detaylı çok sınıflı öğrenci ilgi alanı tanımlama sürecine genişletilmesine, metinsel geri bildirimler, zamansal öğrenme davranışları ve gerçek zamanlı öğrenme yönetim sistemi aktivite günlükleri gibi ek eğitimsel veri modalitelerinin dahil edilmesine ve protokolün çeşitli mühendislik eğitimi ortamlarında değerlendirilmesine odaklanacaktır. Hesaplamalı iş akışının daha fazla optimize edilmesi, ölenebilirliği artırabilir ve büyük ölçekli eğitim yönetim sistemlerinde kurulumu kolaylaştırabilir.

Özetle, önerilen ML-HQNC çerçevesi, çok boyutlu eğitimsel veriler kullanarak mühendislik öğrencisi ilgi alanı tanımlaması için yeniden üretilebilir bir hesaplamalı iş akışı sunmaktadır. Güçlü ön işleme, kuantum esinli davranışsal modelleme, adaptif özellik seçimi ve hibrit kuantum-klasik sinirsel öğrenmeyi entegre eden bu çerçeve, stabil optimizasyonu ve verimli hesaplamayı korurken geliştirilmiş sınıflandırma performansı sağlamıştır. Bu özellikler, çerçevenin akıllı eğitimsel analitik ve mühendislik eğitimi yönetimi alanlarındaki potansiyel uygulamasını desteklemektedir.

Açıklamalar

Yazar, herhangi bir çıkar çatışması olmadığını beyan eder.

Teşekkürler

Yazar, bu çalışmayı kolaylaştıran akademik destek ve araştırma ortamını sağladığı için Bengbu Üniversitesi'ne (Bengbu, Çin) teşekkür eder. Bu çalışma için herhangi bir dış finansman alınmamıştır. Bu çalışma, Bengbu Üniversitesi'nin 2025 Yıllık Okul Düzeyi Kalite Mühendisliği Projesi (No. 2025zhkc1) tarafından desteklenmiştir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Temel Modeller (Fast R-CNN, Bi-LSTM, CNN, XGBoost)Açık kaynaklı uygulamalarFast R-CNN (2015); TensorFlow/Keras uygulaması v2.16; XGBoost v2.1.1Karşılaştırmalı performans değerlendirmesi için kullanılan kıyaslama modelleri.
BCRIS Ön İşleme ModülüBu çalışmada geliştirilmiştirVersiyon 1.0Box-Cox dönüşümü ve sağlam IQR normalleştirmesini uygulayan özel ön işleme modülü.
Jupyter NotebookProject JupyterVersiyon 7.2.2Uygulama, eğitim ve test için kullanılan etkileşimli geliştirme ortamı.
ML-HQNC SınıflandırıcıBu çalışmada geliştirilmiştirVersiyon 1.0Meta-öğrenme çerçevesine sahip, önerilen hibrit kuantum-klasik sinir ağı sınıflandırıcısı.
PythonPython Software FoundationVersiyon 3.11.9Model geliştirme ve deneyleme için kullanılan programlama dili.
PyTorchPyTorch FoundationVersiyon 2.5.1Model uygulaması ve eğitimi için kullanılan derin öğrenme çerçevesi.
QCSM ModeliBu çalışmada geliştirilmiştirVersiyon 1.0Davranışsal örüntü temsili için önerilen Kuantum Bilişsel Durum Modeli.
QES-WOFS AlgoritmasıBu çalışmada geliştirilmiştirVersiyon 1.0Önerilen Kuantum Destekli Sürü–Balina Optimizasyonu Öznitelik Seçimi algoritması.
Scikit-learnScikit-learn DevelopersVersiyon 1.6.1Ön işleme, öznitelik seçimi ve değerlendirme için kullanılan makine öğrenimi kütüphanesi.

Kaynaklar

  1. Xu Q, Deng H. Research on education management system based on machine learning and multidimensional data modeling. Applied Mathematics and Nonlinear Sciences. 2024;9(1). https://dialnet.unirioja.es/servlet/articulo?codigo=9386765
  2. Li D. An interactive teaching evaluation system for preschool education in universities based on machine learning algorithm. Comput Hum Behav. 2024;157:108211. https://doi.org/10.1016/j.chb.2024.108211
  3. Chunhua H, Kaabar MKA, Qiuju X, Zhang G. Fuzzy comprehensive evaluation of students' classroom experience in online teaching. International Journal of Emerging Technologies in Learning. 2023;18(21):79-88.
  4. He Z, et al. Assessment of influencing factors of college and universities' teaching effects using fuzzy and deep learning techniques. Scientific Reports. 2026;16:5168. https://doi.org/10.1038/s41598-026-35940-5
  5. Liu J. Innovation and practice of educational management system in colleges and universities based on the concept of data analysis education. Applied Mathematics and Nonlinear Sciences. 2023;9(1). https://www.researchgate.net/publication/377568313
  6. Li C, Cao Z. Deep learning-based AI model for predicting academic success and engagement among physical higher education students. Scientific Reports. 2025;15:45471. https://doi.org/10.1038/s41598-025-29000-7
  7. Kong Y, Dong R, Zhang H. Classroom behavior analysis and digital teaching quality evaluation based on spatiotemporal graph neural network. Discover Artificial Intelligence. 2025;5:404. https://doi.org/10.1007/s44163-025-00623-z
  8. Zedan F, Jabali RR, Raiyn J. Detecting student inattention using deep learning and behavioral analysis. Journal of International Education Practice. 2026;9(1):1-17.
  9. Feng F. Deep learning-based model for analyzing student engagement in activities. Scientific Reports. 2025;16:2552. https://doi.org/10.1038/s41598-025-32521-w
  10. Turkmenbayev A, et al. The application of machine learning in predicting student performance in university engineering programs: A rapid review. Frontiers in Education. 2025;10:1562586. https://doi.org/10.3389/feduc.2025.1562586
  11. Albreiki B, Zaki N, Alashwal H. A systematic literature review of student performance prediction using machine learning techniques. Education Sciences. 2021;11(9):552. https://doi.org/10.3390/educsci11090552
  12. Lai Q. Research on the refinement of college student education management based on artificial intelligence. Discover Artificial Intelligence. 2026;6:31. https://doi.org/10.1007/s44163-025-00651-9
  13. Yuanyuan L, et al. Research on the application framework of intelligent technologies to promote teachers' classroom teaching behavior evaluation. Frontiers of Education in China. 2023;18(1):12–35. https://doi.org/10.3868/s110-008-023-0012-8
  14. Shi Y, Sun F, Zuo H, Peng F. Analysis of learning behavior characteristics and prediction of learning effect for improving college students' information literacy based on machine learning. IEEE Access. 2023;11:50447-50461.
  15. Liu S, Zhang J, Su W. An improved method of identifying learner's behaviors based on deep learning. Journal of Supercomputing. 2022;78(10):12861-12872.
  16. Yang J. Accurate prediction and analysis of college students' performance from online learning behavior data. IEIE Transactions on Smart Processing and Computing. 2023;12(3):404-411.
  17. Xie Y, Zhang S, Liu Y. Abnormal behavior recognition in classroom pose estimation of college students based on spatiotemporal representation learning. Traitement du Signal. 2021;38(6):1769-1778.
  18. Shen X, Yuan C. A college student behavior analysis and management method based on machine learning technology. Wireless Communications and Mobile Computing. 2021;2021:6611630. https://doi.org/10.1155/2021/6611630
  19. Li G, et al. A convolutional neural network-based approach for the recognition and evaluation of classroom teaching behavior. Scientific Programming. 2021;2021:5513886. https://doi.org/10.1155/2021/5513886
  20. Feng C, et al. IMRMB-Net: A lightweight student behavior recognition model for complex classroom scenarios. PLoS ONE. 2025;20(2):e0318817. https://doi.org/10.1371/journal.pone.0318817
  21. Zhang Y, Liu T, Ru B. Effect evaluation and student behavior design method of moral education in colleges and universities under the environment of deep learning. Scientific Programming. 2022;2022:6056117. https://doi.org/10.1155/2022/6056117
  22. Liu C, Wang H, Yuan Z. A method for predicting the academic performances of college students based on education system data. Mathematics. 2022;10(19):3737. https://doi.org/10.3390/math10193737
  23. Vora DR, Iyer KR. Deep learning in engineering education: performance prediction using cuckoo-based hybrid classification. In: Machine Learning and Deep Learning in Real-Time Applications. Studies in Computational Intelligence, Vol. 841, pp. 187-218. Springer; Singapore; 2020.
  24. Li H, Liu Z. An intelligent educational system: analyzing student behavior and academic performance using multi-source data. Electronics. 2024;14(16):3328. https://doi.org/10.3390/electronics14163328
  25. Zhang Y, Li J. Deep learning-based model for predicting student learning behavior: a pathway to early intervention and enhanced outcomes. Journal of Computational Methods in Sciences and Engineering. 2025;25(2):1169-1184.
  26. Jia Q, He J. Student behavior recognition in classroom based on deep learning. Applied Sciences. 2024;14(18):7981. https://doi.org/10.3390/app14187981
  27. Luo H. Prediction of student decision-making behaviour based on machine learning algorithms. Pakistan Journal of Life and Social Sciences. 2024;22(2):11045-11058.
  28. Abdi A, Sedrakyan G, Veldkamp B. Students' feedback analysis model using deep learning-based method and linguistic knowledge for intelligent educational systems. Soft Computing. 2023;27(38):14073-14094.
  29. Ning X. Behavior recognition of college students based on improved deep learning algorithm. International Journal of Web-Based Learning and Teaching Technologies. 2023;18(1):1-16.
  30. Sravya MN, Prashanth D, Saifa S, Reddy LS. A comprehensive analysis of learning behaviour characteristics and predictive modeling of learning outcomes to enhance college-level academic performance. International Journal of Pharmacy and Medical Sciences. 2025;5(2):94-100.
  31. Kalita E, et al. Predicting student academic performance using Bi-LSTM: a deep learning framework with SHAP-based interpretability and statistical validation. Frontiers in Education. 2025;10:1581247. https://doi.org/10.3389/feduc.2025.1581247
  32. Alias MAH, Hambali N, Aziz MAA. Feature selection techniques and classification algorithms for student performance classification: a review. International Journal of Electrical and Computer Engineering. 2024;14(3):3230-3242.
  33. Wang Z, et al. Students' classroom behavior detection system incorporating deformable DETR with Swin Transformer and lightweight feature pyramid network. Systems. 2023;11(7):372. https://doi.org/10.3390/systems11070372
  34. Zou X. Design of student behavior analysis and management system based on deep learning. International Journal of High Speed Electronics and Systems. 2024;33(1):2450005. https://doi.org/10.1142/S012915642450005X
  35. Zhang Q. The impact of machine learning-based student behaviour detection on teaching in classroom scenarios. Journal of Information and Knowledge Management. 2025;24(1):2450101. https://doi.org/10.1142/S021964922450101X
  36. Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
  37. Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
  38. Han X, Chen X. The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning. Scientific Reports. 2025;15:14733. https://doi.org/10.1038/s41598-025-14733-x
  39. Guo S, et al. The analysis of teaching quality evaluation for college sports dance by convolutional neural network model and deep learning. Heliyon. 2024;10(8):e36067. https://doi.org/10.1016/j.heliyon.2024.e36067
  40. Gao Y. Deep learning-based strategies for evaluating and enhancing university teaching quality. Computers and Education: Artificial Intelligence. 2025;8:100362. https://doi.org/10.1016/j.caeai.2025.100362
  41. Li Y, Lu B. Intelligent educational systems based on adaptive learning algorithms and multimodal behavior modeling. PeerJ Computer Science. 2025;11:e3157. https://doi.org/10.7717/peerj-cs.3157
  42. Geng F, John AD, Chinnappan CV. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework. Progress in Artificial Intelligence. 2023;12(2):147-162.
  43. Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
  44. Chen W, Min L. The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience. 2025;26(3):458-466.
  45. Zhang Y. A comprehensive evaluation system for physical education teaching effectiveness supported by multimodal machine learning. Discover Artificial Intelligence. 2026;6:75. https://doi.org/10.1007/s44163-026-00075-x
  46. Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
  47. Ding J, Su Y. A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing. 2024;28(2):685-701.
  48. Li Y, Zhang L, Tian Y, Qi W. Research on teaching practice of blended higher education based on deep learning route. Computational Intelligence and Neuroscience. 2022;2022:5751843. https://doi.org/10.1155/2022/5751843
  49. Jiang X, Du Y, Zheng Y. Evaluation of physical education teaching effect using Random Forest model under artificial intelligence. Heliyon. 2024;10(1):e23576. https://doi.org/10.1016/j.heliyon.2024.e23576
  50. Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
  51. Alnasyan B, Basheri M, Alassafi MO, Alnasyan K. Kanformer: An Attention-Enhanced Deep Learning Model for Predicting Student Performance in Virtual Learning Environments. Social Network Analysis and Mining. 2025;15:25. https://doi.org/10.1007/s13278-025-01446-7
  52. Lu Y, Tong L, Cheng Y. Advanced Knowledge Tracing: Incorporating Process Data and Curricula Information via an Attention-Based Framework for Accuracy and Interpretability. Journal of Educational Data Mining. 2024;16(2):58-84.

Yeniden basım ve izinler

Etiketler

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.