AI-FML Uygulaması ile AIoT Kullanımında Öğrenci ve Makine Ortak Öğrenimi için Robotik Asistan Ajanı

İçindekiler

• 1. Giriş
• 2. Temel İçgörü: Ortak Öğrenme Paradigma Değişimi
• 3. Mantıksal Akış: Teoriden Pratiğe
• 4. Strengths & Kusurlar: A Critical Assessment
• 5. Uygulanabilir İçgörüler: Bunun EdTech İçin Anlamı
• 6. Technical Details: AI-FML Structure & Math
• 7. Experimental Results & Feedback
• 8. Vaka Çalışması: AIoT-FML Öğrenme Aracı Uygulamada
• 9. Özgün Analiz: Boşluğu Kapatmak
• 10. Future Applications & Outlook
• 11. Referanslar

1. Giriş

FUZZ-IEEE 2021'de kabul edilen bu makale, AIoT uygulamaları ile AI-FML pratiğinde öğrenci ve makine ortak öğrenimi için tasarlanmış bir Robotik Asistan Ajanı (RAA) sunmaktadır. Sistem, robot Kebbi Air üzerinde konuşlandırılmış bir AI-FML çerçevesi içinde bulanık mantık, sinir ağları ve evrimsel hesaplamayı entegre eder. Eylül 2019'dan bu yana, Tayvan'daki ilkokullarda İngilizce ve bilgisayar bilimi öğrenimini geliştirmek için kullanılmaktadır. RAA, öğrenci performansı hakkında akıl yürütür ve sonuçları bir AIoT-FML öğrenme aracında görüntüleyerek katılımı ve sonuçları iyileştirmeyi amaçlar.

2. Temel İçgörü: Ortak Öğrenme Paradigma Değişimi

Akademik jargonu bir kenara bırakalım. Buradaki temel içgörü, sadece başka bir AI eğitim sistemiyle ilgili değil. Öğrenme dinamiğinde temel bir değişimle ilgili: insan ve makine arasında ortak öğrenme. Bu tek yönlü bir bilgi aktarımı değil; öğrencinin AI-FML kavramlarını öğrendiği ve makinenin (robotun) kendi tahmin modellerini iyileştirmek için öğrencinin verilerinden öğrendiği simbiyotik bir döngüdür. Bu, pasif öğrenme araçlarından cesur bir ayrılıştır. Makale örtük olarak, AI'ı öğrenmenin en iyi yolunun onu öğretmek olduğunu ve AI'ı öğretmenin en iyi yolunun da onun bir insanla etkileşime girmesini sağlamak olduğunu savunuyor. Bu, güçlü ancak yeterince araştırılmamış bir pedagojik hipotezdir. Geleneksel 'öğrenci-tüketici' modeline meydan okur ve öğrenciyi bilginin ortak yaratıcısı olarak konumlandırır.

3. Mantıksal Akış: Teoriden Pratiğe

Makalenin mantıksal akışı takdire şayan bir şekilde sıkıdır. Hesaplamalı Zekanın temeli olarak AI-FML'nin (Bulanık Mantık, Sinir Ağları, Evrimsel Hesaplama) teorik temelini oluşturarak başlar. Ardından pratik sorunu tanıtır: bu soyut kavramı ilkokul öğrencileri için nasıl somut hale getirebiliriz? Çözüm, bir köprü görevi gören RAA'dır. Akış şöyledir: Teori (AI-FML) → Araç (RAA + Kebbi Air) → Uygulama (İngilizce öğrenimi) → Geri Bildirim Döngüsü (Öğrenci verileri modeli iyileştirir). Bu, klasik bir 'araştırmadan uygulamaya' hattıdır, ancak döngüyü kapatan kritik bir geri bildirim döngüsü vardır. Robot ile AI-FML platformu arasındaki iletişim için MQTT kullanımı, gerçek zamanlı, düşük gecikmeli etkileşim için akıllı ve pratik bir seçimdir. Mantık sağlamdır, ancak asıl test uygulamadadır ve bunu daha sonra eleştireceğiz.

4. Strengths & Kusurlar: A Critical Assessment

Güçlü Yönler:

• Yenilikçi Entegrasyon: AI-FML, fiziksel bir robot ve bir AIoT öğrenme aracını tek, tutarlı bir sistemde birleştirmek önemli bir mühendislik ve pedagojik başarıdır. Bu sadece bir simülasyon değil; somut, etkileşimli bir deneyimdir.
• Gerçek Dünya Uygulaması: Sistem, aylar süren bir dönem boyunca (Eylül 2019 - Ocak 2021) gerçek ilkokullarda test edildi. Bu büyük bir güçlü yöndür. Birçok yapay zeka eğitimi makalesi laboratuvarda kalır. Bu çalışma sınıfa gitti.
• Veri Odaklı Geri Bildirim: Öğrencilerin aylık sınav puanlarını kullanarak tahmine dayalı bir regresyon modeli eğitmek, öğrenme döngüsünü kapatmanın pratik ve ölçülebilir bir yoludur. Başarı için net bir metrik sağlar.

Kusurlar:

• Titiz Nicel Sonuçların Eksikliği: Makale "gelişmiş öğrenme performansı" ve "öğrenciler arasında popüler" ifadelerini kullanıyor, ancak sunulan alıntıda belirli, istatistiksel olarak anlamlı veriler bulunmuyor. Etki büyüklüğü neydi? Deney grubu kontrol grubuyla nasıl karşılaştırıldı? Bu olmadan, iddialar anekdotsal kalır. Bu, bir konferans makalesi için kritik bir zayıflıktır.
• Ölçeklenebilirlik Soruları: Sistem, belirli bir robota (Kebbi Air) ve özel bir AIoT aracına dayanmaktadır. Farklı donanımlara sahip yüzlerce sınıfa ne kadar kolay ölçeklenebilir? Maliyet ve karmaşıklık ele alınmamıştır.
• İngilizce Öğrenimine Aşırı Bağımlılık: İngilizce iyi bir kullanım örneği olsa da, makalenin başlığı daha geniş bir 'AI-FML pratiği' vaat ediyor. İngilizceye odaklanmak, potansiyel olarak güçlü bir çerçevenin dar bir uygulaması gibi hissettiriyor. RAA gerçekten AI-FML öğretiyor mu, yoksa sadece dil öğrenimi için bir kılıf olarak mı kullanıyor?

5. Uygulanabilir İçgörüler: Bunun EdTech İçin Anlamı

Eğitimciler ve Eğitim Teknolojisi geliştiricileri için eyleme dönüştürülebilir içgörüler açıktır:

1. Somutlaştırılmış Yapay Zekayı Benimseyin: Fiziksel bir robot, ekran tabanlı bir avatardan daha ilgi çekicidir. 'Kebbi Air' yaklaşımı, fiziksel varlığın öğrenci motivasyonu için, özellikle de genç öğrenciler için önemli olduğunun bir kavram kanıtıdır.
2. Sadece Aktarım İçin Değil, Birlikte Öğrenme İçin Tasarlayın: Sadece içerik aktaran sistemler kurmayı bırakın. Öğrenciden öğrenen sistemler kurun. Geri bildirim döngüsü, bu mimarinin en değerli parçasıdır. Öğrencinin verileri yapay zekayı iyileştirmeli, bu da öğrencinin deneyimini iyileştirmelidir.
3. Somut, Ölçülebilir Bir Problemle Başlayın: Makale, net ve ölçülebilir bir sonuç olarak akıllıca İngilizce sınav puanlarını seçmiştir. Genel olarak 'öğrenme' sorununu çözmeye çalışmayın. Belirli, ölçülebilir bir sorun seçin (örneğin, kelime dağarcığını hatırlama, matematik problem çözme hızı) ve yapay zekanızı bunun etrafında oluşturun.
4. Altyapıyı Hafife Almayın: MQTT protokolü ve AIoT-FML aracı önemsiz değildir. Herhangi bir gerçek dünya uygulaması, sağlam, düşük gecikmeli bir iletişim katmanına ihtiyaç duyar. Bu genellikle bu tür sistemlerin gizli maliyetidir.

6. Technical Details: AI-FML Structure & Math

AI-FML çerçevesi üç temel bileşenden oluşur:

• Bulanık Mantık: İnsan bilgisini ve mantıksal işlem kurallarını işler. Örneğin, bir öğrencinin 'İngilizce yeterliliği' bir bulanık küme olarak modellenebilir: $\mu_{Yüksek}(puan) = \frac{1}{1 + e^{-k(puan - \theta)}}$.
• Sinir Ağı: Tahmine dayalı modelleme için kullanılır. Makale, geçmiş performansa dayanarak gelecekteki sınav puanlarını tahmin etmek için bir regresyon modeli kullanmaktadır. Basit bir ileri beslemeli ağ şu şekilde temsil edilebilir: $\hat{y} = \sigma(W_2 \cdot \sigma(W_1 \cdot x + b_1) + b_2)$.
• Evrimsel Hesaplama: Optimizasyon için kullanılır, örn. bulanık üyelik fonksiyonlarının parametrelerini veya sinir ağı ağırlıklarını bir Genetik Algoritma (GA) kullanarak ayarlamak. Uygunluk fonksiyonu, tahminin Ortalama Karesel Hatası (MSE) olabilir: $MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$.

RAA, öğrenci performansı hakkında akıl yürütmek için bu bileşenleri kullanır. Örneğin, bir öğrencinin bulanık 'çabası' düşükse ve 'geçmiş puanı' düşükse, bulanık kural tetiklenebilir: 'EĞER çaba düşük VE geçmiş puan düşük İSE tahmini iyileşme düşüktür.' Bu bulanık çıktı daha sonra öğrenciye veya öğretmene net bir öneri sağlamak için durulaştırılır.

7. Experimental Results & Feedback

Alıntıda ayrıntılı sayısal tablolar bulunmamakla birlikte, sistemin Tayvan'daki iki ilkokulda uygulandığı belirtilmektedir. Deneysel sonuçlar niteliksel olarak açıklanmıştır:

• Öğrenci Geri Bildirimi: Öğrenme modeli, 'ilkokul ve lise öğrencileri arasında popülerdi.' Bu, yüksek katılım ve olumlu kullanıcı deneyimine işaret etmektedir.
• Öğrenme Performansı: İlkokul öğrencilerinin öğrenme performansı 'iyileşti.' Makale, aylık sınav puanları üzerinde eğitilen tahmine dayalı regresyon modelinin, risk altındaki öğrencileri belirlemeye ve hedefli destek sağlamaya yardımcı olduğunu ima etmektedir.
• AIoT-FML Aracı: Yeni AIoT-FML öğrenme aracı, Ocak 2021'de 'öğrencilerin temel uygulamalı pratikle İngilizce ve AI-FML öğrenmeye olan ilgilerini artırmak' amacıyla tanıtıldı. Bu, pasif öğrenmeden aktif öğrenmeye geçişi göstermektedir.

Not: Tam bir makale, kontrol ve deney grupları için ön test ve son test puanlarını karşılaştıran bir tablo içerir. Bu verilerin bulunmaması önemli bir sınırlamadır.

8. Vaka Çalışması: AIoT-FML Öğrenme Aracı Uygulamada

Sistemi kullanan 5. sınıf öğrencisi Mei'yi düşünün. İngilizce kelime bilgisi öğreniyor. AIoT-FML öğrenme aracı, sensörler ve ışıklar içeren fiziksel bir cihazdır. Senaryo:

1. Veri Toplama: Mei, araç üzerinde kelime alıştırması yapar. Tepki süresi ve doğruluğu kaydedilir.
2. Bulanık Çıkarım: RAA, onun 'yeterlilik seviyesini' değerlendirmek için bulanık kurallar kullanır. Örneğin: 'EĞER doğruluk yüksekse VE tepki süresi hızlıysa O ZAMAN yeterlilik yüksektir.'
3. Robot Etkileşimi: Robot Kebbi Air şöyle der: 'Harika iş, Mei! Bu kelimeleri iyice öğreniyorsun. Daha zor bir set deneyelim.' Eğer öğrenme seviyesi düşükse, robot şöyle diyebilir: 'Bu kelimeleri tekrar gözden geçirelim. Sana bir ipucu göstereceğim.'
4. Tahmin Modeli: Sinir ağı, bir sonraki aylık sınavdaki puanını tahmin eder. Tahmin düşükse, öğretmene ek yardım sağlaması için uyarı gönderilir.
5. Evrimsel Optimizasyon: Zamanla, GA bulanık kuralları ve sinir ağı ağırlıklarını ayarlayarak tahminlerin doğruluğunu ve robotun geri bildirimlerinin uygunluğunu iyileştirir.

Bu, birlikte öğrenme döngüsünün işleyişine somut bir örnektir. Öğrenci öğrenir, makine öğrenciden öğrenir ve sistem uyum sağlar.

9. Özgün Analiz: Boşluğu Kapatmak

Bu makale, yapay zekanın yalnızca bir araç değil, bir öğrenme ortağı olduğu bir geleceğe doğru takdire şayan, ancak eksik bir adımı temsil etmektedir. Birlikte öğrenme temel fikri, felsefi olarak Vygotsky'nin Yakınsal Gelişim Alanı (ZPD) ile uyumludur; burada öğrenme, 'daha bilgili bir başkası' tarafından yönlendirildiğinde en etkilidir. Burada robot ve yapay zeka sistemi o 'başkası' olarak hareket eder, ancak önemli bir farkla ki 'başkası' da öğrenciden öğrenmektedir. Bu, kişiselleştirilmiş özel dersleri demokratikleştirebilecek güçlü bir kavramdır.

Bununla birlikte, makalenin en büyük kusuru, titiz, nicel kanıtlardan yoksun olmasıdır. Eğitimde yapay zekanın mevcut durumunda, 'geliştirilmiş performans' iddiaları artık yeterli değildir. Etki büyüklüklerine, güven aralıklarına ve temel yöntemlerle karşılaştırmalara ihtiyacımız var. Örneğin, 2020 yılında Zawacki-Richter ve ark. tarafından yapılan bir meta-analiz Zawacki-Richter ve ark. (International Journal of Educational Technology in Higher Education International Journal of Educational Technology in Higher Educationdergisinde yayınlanan), eğitimde yapay zeka uygulamaları çoğalırken, etkililiklerine dair kanıtların genellikle zayıf ve parçalı olduğunu bulmuştur. Bu makale maalesef bu kategoriye girmektedir. İlgi çekici bir anlatı ve iyi tasarlanmış bir sistem sunuyor, ancak bir şüpheciyi ikna etmek için gereken somut verileri sağlayamıyor.

Ayrıca, makalenin pratik olmakla birlikte İngilizce öğrenimine odaklanması, kaçırılmış bir fırsat gibi hissettiriyor. AI-FML'nin gerçek gücü, karmaşık, doğrusal olmayan ilişkileri modelleme yeteneğinde yatmaktadır. Kelime ezberleme gibi nispeten doğrusal bir göreve uygulamak, bahşiş hesaplamak için süper bilgisayar kullanmaya benzer. Sistem, bulanık akıl yürütme ve sinir ağlarının daha derin kavramsal anlayışı modelleyebileceği matematik veya fen bilimleri gibi konulara uygulanırsa çok daha etkili olacaktır. Örneğin, bir öğrencinin fizikteki 'kuvvet' anlayışı doğası gereği bulanık ve çok boyutludur ve bu da onu bu çerçeve için mükemmel bir aday haline getirir.

Sonuç olarak, bu makale değerli bir kavram kanıtıdır. Bir robotun sadece bir öğretmen değil, aynı zamanda bir ortak öğrenen olabileceğini göstermektedir. Ancak bir konferans makalesinden ölçeklenebilir bir eğitim aracına geçmek için yazarların, sistemin çalıştığını kanıtlayan verileri sağlamaları ve bunu daha zorlu alanlara uygulamaları gerekir. Teknoloji umut vericidir; kanıtlar ise beklemektedir.

10. Future Applications & Outlook

RAA ve AI-FML çerçevesi, İngilizce öğreniminin ötesinde önemli bir potansiyele sahiptir:

• Kişiselleştirilmiş STEM Dersleri: Sistem, kalkülüs, fizik veya programlama gibi karmaşık STEM kavramlarını öğretmek üzere uyarlanabilir. Bulanık mantık, bir öğrencinin bir kavrama ilişkin 'sezgisel anlayışını' modellerken, sinir ağı problem setlerindeki performansını tahmin edebilir.
• Özel Eğitim: Robotun yargılayıcı olmayan, sabırlı etkileşim tarzı, otizm veya öğrenme güçlüğü çeken öğrenciler için oldukça etkili olabilir. Yapay zeka, öğrencinin duygusal durumuna (sensörler aracılığıyla tespit edilen) göre öğretim hızını ve tarzını gerçek zamanlı olarak uyarlayabilir.
• Kurumsal Eğitim: Sistem, çalışanların işe alım sürecinde veya beceri geliştirme eğitimlerinde kullanılabilir. Robot, çalışanlara yeni yazılımlar veya süreçler konusunda rehberlik eden bir 'dijital mentor' görevi görebilirken, yapay zeka onların öğrenme ilerlemesini takip eder ve bilgi eksikliklerini belirler.
• Üretken Yapay Zeka ile Entegrasyon: Gelecek sürümler, daha doğal ve konuşma tarzında geri bildirim sağlamak için GPT-4 gibi Büyük Dil Modelleri (LLM'ler) ile entegre olabilir. Robot, anında kişiselleştirilmiş açıklamalar veya analojiler üreterek öğrenme deneyimini daha da ilgi çekici hale getirebilir.
• Kültürler Arası Öğrenme: Sistem, birden fazla ülkede kullanılarak öğrencilerin farklı diller konuşan robotlarla birlikte öğrenmelerine olanak tanıyabilir, böylece küresel iş birliğini ve kültürel alışverişi teşvik edebilir.

11. Referanslar

1. C.-S. Lee, M.-H. Wang, Z.-H. Ciou, et al., "Robotic Assistant Agent for Student and Machine Co-Learning on AI-FML Practice with AIoT Application," in Proc. FUZZ-IEEE, 2021.
2. V. Loia ve G. Acampora, "Bulanık İşaretleme Dili: Akıllı Web için Yeni Bir Çözüm," in Proc. IEEE Int. Conf. Fuzzy Systems, 2004.
3. O. Zawacki-Richter, V. I. Marín, M. Bond ve F. Gouverneur, "Yükseköğretimde yapay zeka uygulamaları üzerine sistematik bir inceleme – eğitimciler nerede?," International Journal of Educational Technology in Higher Education, cilt 17, no. 1, 2020.
4. L. S. Vygotsky, Mind in Society: The Development of Higher Psychological Processes. Harvard University Press, 1978.
5. J. Zhu, T. Park, P. Isola ve A. A. Efros, "Döngüsel Tutarlılığa Sahip Çekişmeli Ağlar Kullanarak Eşleşmemiş Görüntüden Görüntüye Çeviri," içinde Proc. IEEE Int. Conf. Computer Vision (ICCV), 2017. (Metodolojik titizlik karşılaştırması için temel bir yapay zeka makalesi örneği olarak referans verilmiştir).