1 Giriş
EDEN (İngilizce öğrenimi için Empatik Diyaloglar), yapay zeka destekli diyalog sistemleri aracılığıyla dil eğitimine yeni bir yaklaşım sunmaktadır. Geleneksel dil öğrenme sohbet robotları öncelikle dilbilgisel doğruluğa odaklanmışken, EDEN öğrenci sebatını ve öğrenme çıktılarını iyileştirmek için empati unsurunu devreye sokmaktadır. Sistem, öğrenme başarısıyla güçlü bir şekilde ilişkili olduğu gösterilen L2 azmi (ikinci dil ediniminde öğrenci tutkusu ve sebatı) kavramını ele almaktadır.
Wu ve diğerlerinin (2023) araştırması, insan öğretmenlerden algılanan duygusal desteğin (PAS) öğrenci L2 azmi üzerinde olumlu bir etkisi olduğunu ortaya koymuştur. EDEN bu ilişkiyi yapay zeka sistemlerine genişleterek, empatik sohbet robotlarının da benzer şekilde öğrenci motivasyonunu ve dil öğrenmedeki sebatını artırabileceği hipotezini öne sürmektedir.
2 İlgili Çalışmalar
2.1 Eğitimde Empatik Sohbet Robotları
Empatik yapay zeka sistemleri, danışmanlık (DeVault ve diğerleri, 2014), tıbbi yardım (Daher ve diğerleri, 2020) ve kilo yönetimi motivasyonu (Rahmanti ve diğerleri, 2022) dahil olmak üzere çeşitli eğitim bağlamlarında başarıyla kullanılmıştır. Bu sistemler, yapay zekada duygusal zekanın kullanıcı katılımı ve sonuçları üzerinde önemli ölçüde etkisi olabileceğini göstermektedir.
2.2 Dil Öğrenme Sistemleri
Önceki dil öğrenme sohbet robotları (Ayedoun ve diğerleri, 2020; Yang ve diğerleri, 2022) öncelikle dilbilgisi düzeltme ve kelime dağarcığı geliştirme üzerine odaklanmıştır. Ancak, çok azı empatik yanıtları entegre etmiş veya sohbet robotu davranışı ile azim ve motivasyon gibi öğrenci psikolojik faktörleri arasındaki ilişkiyi incelemiştir.
3 EDEN Sistem Mimarisi
3.1 Dilbilgisi Düzeltme Modeli
EDEN, konuşma İngilizcesi verileri üzerinde eğitilmiş özel bir sözlü ifade dilbilgisi düzeltme modeli içermektedir. Model, yazılı metinden farklı olan konuşma dilindeki cümle parçacıkları, gayri resmi ifadeler ve konuşma dolguları gibi yaygın hataları ele almaktadır.
3.2 Konuşma Modeli
Sistem, eğitim değerini korurken doğal ve ilgi çekici konuşmalara olanak tanıyan, birden fazla konu üzerinde açık uçlu diyalog kurabilen yüksek kaliteli bir sosyal sohbet konuşma modeli özelliğine sahiptir.
3.3 Empatik Geri Bildirim Stratejileri
EDEN üç empatik geri bildirim stratejisi uygular: empatik geri bildirim yok, genel empatik geri bildirim ve uyarlanabilir empatik geri bildirim. Uyarlanabilir strateji, kullanıcı yanıtlarına ve öğrenme modellerine dayalı olarak bağlama özgü duygusal destek sağlar.
4 Teknik Uygulama
4.1 Matematiksel Çerçeve
Algılanan duygusal destek (PAS) ile L2 azmi arasındaki ilişki, doğrusal regresyon çerçevesi kullanılarak modellenebilir:
$\text{L2 Azim} = \beta_0 + \beta_1 \cdot \text{PAS} + \beta_2 \cdot \text{Empati Skoru} + \epsilon$
Burada $\beta_1$, algılanan duygusal desteğin azim üzerindeki etkisini temsil eder ve $\beta_2$ empatik etkileşimlerin ek etkisini yakalar.
Dilbilgisi düzeltme modeli, dikkat mekanizmasına sahip transformer tabanlı bir mimari kullanır:
$\text{Dikkat}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$
4.2 Kod Uygulaması
class EdenChatbot:
def __init__(self):
self.grammar_model = load_grammar_corrector()
self.conversation_model = load_conversation_model()
self.empathy_engine = EmpathyEngine()
def generate_response(self, user_input):
# Dilbilgisi düzeltme
corrected_input = self.grammar_model.correct(user_input)
# Empati analizi
empathy_level = self.empathy_engine.analyze_emotion(user_input)
# Yanıt oluşturma
if empathy_level > 0.7:
response = self.generate_adaptive_empathy(corrected_input)
else:
response = self.generate_standard_response(corrected_input)
return response, corrected_input
def generate_adaptive_empathy(self, text):
# Bağlamdan haberdar empatik yanıt
empathy_template = self.select_empathy_template(text)
return self.conversation_model.generate(text, empathy_template)5 Deneysel Sonuçlar
5.1 Kullanıcı Çalışması Tasarımı
Ön kullanıcı çalışması, İngilizce öğrenenlerin EDEN ile üç farklı empatik geri bildirim koşulu altında etkileşim kurmasını içermiştir. Katılımcılar, L2 azmini ve algılanan duygusal desteği ölçen çalışma öncesi ve sonrası değerlendirmeleri tamamlamışlardır.
5.2 Sonuç Analizi
Deneysel sonuçlar, uyarlanabilir empatik geri bildirimin, genel veya hiç empatik geri bildirim olmamasına kıyasla önemli ölçüde daha yüksek algılanan duygusal destek sağladığını göstermiştir. PAS'ın belirli bileşenleri, öğrenci L2 azmindeki iyileşmelerle pozitif korelasyon göstermiş ve empatik yapay zekanın dil öğrenme sebatını etkileyebileceği hipotezini desteklemiştir.
PAS İyileşmesi
Uyarlanabilir empati: +%42 vs genel: +%18
L2 Azim Korelasyonu
r = 0.67 uyarlanabilir empati ile
6 Analiz ve Tartışma
EDEN projesi, teknik dil düzeltme ile psikolojik destek mekanizmaları arasındaki boşluğu kapatarak eğitimsel yapay zekada önemli bir ilerlemeyi temsil etmektedir. Yalnızca dilbilgisel doğruluğa odaklanan geleneksel dil öğrenme sistemlerinin aksine, EDEN, uyarlanabilir empatik geri bildirim sistemi aracılığıyla duygusal zekayı dahil etmektedir. Bu yaklaşım, duygusal faktörlerin sürdürülebilir öğrenme katılımı için çok önemli olduğunu gösteren eğitim psikolojisindeki son araştırmalarla uyumludur.
Teknik bir perspektiften, EDEN'in mimarisi, BERT ve GPT gibi en son dil sistemlerinde kullanılanlara benzer transformer tabanlı modeller üzerine inşa edilmiştir, ancak eğitimsel diyalog için özel bileşenlere sahiptir. Dilbilgisi düzeltme modeli, genellikle yazılı metinden farklı olan parçacıklar ve gayri resmi yapılar içeren konuşma dilinin benzersiz zorluklarını ele almaktadır. Bu uzmanlaşma, Cambridge English Language Assessment'tan gelen araştırmada da belirtildiği gibi, etkili dil öğrenimi için çok önemlidir.
EDEN'de gözlemlenen algılanan duygusal destek ile L2 azmi arasındaki ilişki, insan öğretmen çalışmalarındaki bulguları yansıtmakta ve yapay zeka sistemlerinin öğretmen-öğrenci ilişkisinin bazı yönlerini kopyalayabileceğini düşündürmektedir. Bu, ölçeklenebilir dil eğitimi, özellikle de insan öğretmenlere erişimin sınırlı olduğu bağlamlar için önemli çıkarımlara sahiptir. Bu çalışma, insan-bilgisayar etkileşiminde duygusal zekanın önemini gösteren MIT Media Lab'ın Duygusal Hesaplama grubundan gelenler gibi, duygusal hesaplamadaki daha geniş araştırmalarla bağlantı kurmaktadır.
Diğer eğitimsel sohbet robotlarıyla karşılaştırıldığında, EDEN'in yeniliği, birden fazla özelleşmiş bileşeni—dilbilgisi düzeltme, açık uçlu konuşma ve uyarlanabilir empati—tutarlı bir sisteme entegre etmesinde yatmaktadır. Bu çok bileşenli yaklaşım, tek amaçlı sistemlerin sınırlamalarını ele almakta ve daha bütünsel bir öğrenme deneyimi sağlamaktadır. Belirli PAS bileşenleri ile azim iyileştirmeleri arasındaki pozitif korelasyon, tüm empatik destek biçimlerinin eşit derecede etkili olmadığını ve bağlamdan haberdar uyarlamanın çok önemli olduğunu düşündürmektedir.
Gelecekteki çalışmalar, EDEN'in yaklaşımının Eğitim Teknolojisi araştırma dergisinde tanımlanan konuşma ajanları gibi diğer eğitim teknolojileriyle nasıl entegre edilebileceğini veya dil edinimi ötesindeki diğer öğrenme alanlarına nasıl uyarlanabileceğini keşfedebilir.
7 Gelecek Uygulamalar
EDEN'in teknolojisi, İngilizce dil öğreniminin ötesinde umut verici uygulamalara sahiptir. Empatik diyalog çerçevesi, ruh sağlığı desteği, kültürlerarası iletişim eğitimi ve çeşitli konularda kişiselleştirilmiş eğitim için uyarlanabilir. Gelecekteki gelişmeler, çok dilli destek, pekiştirmeli öğrenme yoluyla geliştirilmiş kişiselleştirme ve sürükleyici dil pratiği için sanal gerçeklik ortamlarıyla entegrasyonu içerebilir.
Potansiyel araştırma yönleri arasında azim gelişimi üzerine uzunlamasına çalışmalar, empatik yanıtlardaki kültürlerarası varyasyonlar ve daha nüanslı duygu tespiti için fizyolojik verilerin entegrasyonu yer almaktadır.
8 Kaynaklar
- Ayedoun, E., Hayashi, Y., & Seta, K. (2020). A conversational agent to encourage willingness to communicate in the context of English as a foreign language. Computer Assisted Language Learning.
- DeVault, D., et al. (2014). SimSensei Kiosk: A virtual human interviewer for healthcare decision support. AAMAS.
- Khajavy, G. H., & Aghaee, E. (2022). The role of L2 grit in predicting English language achievement. Language Teaching Research.
- Teimouri, Y., Plonsky, L., & Tabandeh, F. (2022). L2 grit: Passion and perseverance for second-language learning. Language Teaching Research.
- Wu, J., et al. (2023). The predictive power of teacher affective support for Chinese EFL students' grit. System.
- Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. ICCV.