Neden 13 Model? Standart BKT'nin Ötesine Geçmek | Sibel Kaçar
Neden 13 Model? Standart BKT'nin Ötesine Geçmek
6 Mart 2026
AfetAkademi için öğrenme motorunu tasarlamaya başladığımda — 8–16 yaş arası çocuklara afet hazırlığını öğreten adaptif bir serious game — Bayesian Knowledge Tracing kullanmak istediğimi biliyordum. BKT zarif, yorumlanabilir ve Corbett & Anderson'ın 1995'teki çalışmasına dayanan onlarca yıllık araştırmayla desteklenmiş bir model.
"Ama gerçekten neyi modellemem gerektiğini düşündükçe fark ettim: beceri başına tek bir model yeterli olmayacaktı."
Bu yazı, nasıl 13 modele ulaştığımın hikayesi.
Standart BKT Ne Yapar — Ne Yapmaz
BKT'ye aşina değilseniz, temel fikir şu: Bir öğrencinin öğrendiği her beceri için tek bir olasılık değeri tutarsınız — P(L) — öğrencinin o beceriyi bilme olasılığı. Her denemede bu olasılığı dört parametre ile güncellersiniz:
Temiz, yorumlanabilir ve hesaplama açısından hafif. Her problemin net bir beceriyle eşleştiği matematik öğretim sistemleri için mükemmel çalışıyor.
Ama AfetAkademi bir matematik öğretim sistemi değil.
Problem: Tek Bir Sayı Yetmiyor
AfetAkademi'de çocuk dört karakterden birini oynuyor — Kaya(fiziksel güç), Zeki (analiz), Toprak (hız) ve Cıvıltı(keşif) — ve deprem, yangın, sel gibi afet senaryolarında ilerliyor. Her karakterin farklı bir problem türüne karşılık gelen özgün bir yeteneği var.
Bir oyuncu bir hedefi tamamladığında, aslında ne göstermiş oluyor?
- Hangi karakteri kullanacağını biliyor mu? (Karakter bilgisi)
- Bu becerinin neden burada geçerli olduğunu anlıyor mu? (Kavramsal bilgi)
- Doğru anda mı hareket etti? (Zamanlama)
- Adımları doğru sırayla mı izledi? (Sıralama)
- Gereksiz denemeler yapmadan verimli mi tamamladı? (Verimlilik)
- Harekete geçmeden önce tereddüt etti mi — bu düşük güvene işaret ediyor mu? (Özgüven)
- Yardım istedi mi — kaç kez? (Yardım arama)
- Geçen oturumda yaptığı aynı hatayı tekrar mı yaptı? (Hata kalıpları)
Tek bir P(L) değeri tüm bunları tek sayıya indirgiyor. Öğrenmenin dokusunu kaybediyorsunuz. Tam ve doğru müdahale etme yeteneğini kaybediyorsunuz.
Yalnızca "bu çocuk beceriyi biliyor mu?" sorusunu değil, "bu çocuk bunu nasıl biliyor ve boşluklar tam olarak nerede?" sorusunu yanıtlayabilen bir sisteme ihtiyacım vardı.
Mimari: 3 Temel Model + 10 Uzmanlık Modeli
İki katmanlı 13 model BKT mimarisi tasarladım.
Katman 1: Temel (Vakıf) Modeller (1–3)
Geniş bilgi durumlarını izler ve her hedef tamamlandığında güncellenir.
| # | Model | Anahtar | Ne İzliyor |
|---|-------|---------|------------|
| 1 | Character | `characterID` | Oyuncu bu karakteri ne zaman kullanacağını biliyor mu? |
| 2 | ProblemType| `Analysis`, `PhysicalPower`, `Speed`, `Exploration` | Bu problem sınıfını anlıyor mu? |
| 3 | CharacterProblem| `characterID_problemType` | Kesişim noktası — en spesifik temel sinyal |
Bu üç model hızlıca geniş bir tablo çiziyor. Bir çocuğun `zeki` için Karakter modeli düşük ama `Analysis` için ProblemType modeli yüksekse, bu çok spesifik bir sinyal: analizi kavram olarak anlıyor ama Zeki'nin bunun için doğru araç olduğunu içselleştirmemiş.
Katman 2: Uzmanlık (Pedagojik) Modeller (4–13)
`objectiveID` ile indekslenir — her hedef kendi uzmanlık modelleri setini alır. Yalnızca hedef tamamlanmasıyla değil, oyundaki farklı sistemler tarafından beslenir.
| # | Model | Besleyen Sistem | Ne İzliyor |
|---|-------|----------------|------------|
| 4 | MetaCognition| Sokratik diyalog, karakter seçim doğruluğu | Planlama ve öz-izleme |
| 13 | ErrorPatter| `HandleWrongAction` | Tekrarlayan hata tespiti |
Çok Faktörlü Final Skoru
13 modelin tamamında veri olduğunda sistem **ağırlıklı çok faktörlü skor** hesaplıyor:
| Model | Ağırlık |
|-------|---------|
| CharacterProblem (temel) | %15 |
| ConceptualKnowledge | %20 |
| MetaCognition | %20 |
| Efficiency | %10 |
| Timing, Order, Transfer, Retention | %5'er |
| Confidence, HelpSeeking, ErrorPattern | %5'er |
Bu skor sadece bir not değil. Bir tanı parmak izi. %90 ConceptualKnowledge ama %30 Confidence'a sahip bir çocuk, %60 ConceptualKnowledge ve %85 Confidence'a sahip olandan çok farklı bir öğrenci. Sistem onlara farklı davranıyor — BİLGE de öyle.
Somut Bir Örnek
11 yaşında bir çocuk (Orta yaş grubu: P(L₀)=0,20, P(T)=0,30, P(G)=0,10, P(S)=0,20) Zeki olarak oynuyor ve ilk denemede bir analiz hedefini doğru tamamlıyor.
Tek doğru deneme. 0,20 prior 0,80'e çıkıyor. Sistem tasarım gereği duyarlı — çünkü bir oyunda beceri başına 50 denemeniz yok. 3 ya da 4 var. Parametreler bunu yansıtmak zorunda.
Bu Neden Afet Eğitimi için Önemli
Standart BKT, öğretim sistemlerinde prosedürel bilgi için tasarlandı — matematik adımları, dilbilgisi kuralları, net doğru/yanlış cevapları olan şeyler. Ancak afet hazırlığı farklıdır.
Depremde pencerelerden uzaklaşmak gerektiğini bilmek, bildirimsel bilgi. Ne zaman uzaklaşacağını, hangi karakterin yeteneğini kullanacağını, hangi sırayla hareket edeceğini ve bunu donup kalmadan yapabilmeyi bilmek — bu belirsizlik altında davranışsal kalibrasyon.
13 model mimarisi bu boyutları ayırt etmemi sağlıyor. Her zaman doğru cevabı bilen ama harekete geçmeden önce tutarlı biçimde 8 saniye bekleyen bir çocuğun Confidence sorunu var, ConceptualKnowledge sorunu değil. Bunlar farklı müdahaleler gerektiriyor.
BİLGE — oyunun Sokratik AI mentoru — bu tanı profilini kullanarak ne tür destek sunacağına karar veriyor: boşta ipucu, Sokratik soru ya da hedef nesnenin görsel olarak işaretlendiği doğrudan yönlendirme.
Öğrendiklerim
Bu sistemi inşa etmek beklemediğim bir şey öğretti bana: En zor kısım matematik değildi. Neyi ölçeceğime karar vermekti.
Mimarideki her model, öğrenmede neyin önemli olduğuna dair bir karar temsil ediyor. MetaCognition önemli çünkü öz-izleme transferi öngörüyor. Confidence önemli çünkü tereddüt, salt doğruluk verisinin kaçırdığı davranışsal bir sinyal. ErrorPattern önemli çünkü tekrarlayan hatalar rastgele gürültü değil, sistematik bir kavram yanılgısına işaret ediyor.
Adaptif bir öğrenme sistemi inşa ediyorsanız — oyun ya da başka bir şey — tek bir satır kod yazmadan önce şu soruyu sormanızı öneririm:
> Bunu bilmek aslında ne anlama geliyor?
Cevap neredeyse her zaman tek bir olasılıktan çok daha karmaşık.
"Bu serinin devamı: Piaget Bağlantısı — Gelişim psikolojisini kullanarak BKT parametrelerini yaş grubuna göre nasıl kalibre ettim."
"AfetAkademi, afet hazırlığı eğitimi için adaptif bir serious game olup tez geliştirme sürecindedir. Unity 6 ile tek başıma, Firebase backend ile inşa edildi."