Yapay Zekâ ve Eğitimde Fuzzy Kümelerinin Kullanımı

Münevver Sanca
Münevver Sanca

1) Zekâ, Akıl ve Yapay Zekâ nedir?

Yapay zekâ kavramını anlamak için öncelikle zekâ kavramını iyi anlamak ve analiz etmek gerekir. Türk Dil Kurumu’ na (2020) göre zekâ: “İnsanın düşünme, akıl yürütme, objektif gerçekleri algılama, yargılama ve sonuç çıkarma yeteneklerinin tamamı” olarak ifade edilmektedir.  Tam da bu noktada zekâ denildiğinde; düşünebilen, analiz edebilen, çıkarım yapabilen, öğrenebilen, olgu ve olaylar arasında ilişkiler kurabilen, yorum yapabilen insan zekâsı gelmektedir. Dicke ve Roth (2005)’ e göre problemlere çözüm üretebilme, alet kullanabilme, taklit etme, benlik algısına sahip olma, kuralları olan bir dili öğrenme ve alet yapabilme gibi özellikler, insan zekâsında bulunup diğer canlılarda bulunmayan özelliklerdendir. Tekin (2006) zekâyı, beynin bilgileri alabilme ve doğru analiz edebilmesi olarak tarif etmiştir. Türk Zekâ Vakfı’ na göre zekâ, insanların doğuştan kazandığı, genetik yollarla nesilden nesile aktarılabilen; tecrübe, çevresel faktörler ve öğrenme yoluyla biçimlenen bir yapıdır (Url-1, 2020).

Akıl kelimesi ise çoğunlukla insanların zekâ seviyesini ifade etmek amacıyla kullanıldığı için zekâyla aklın karıştırıldığı sonucu çıkarılabilir. Akıl aslında düşünme, algılama, anlama, karar verme, tedbir alma, kavrama ve bilgiyi elde edebilme gücüdür (Elmas, 2018). Akıl genetik yollarla aktarılır ve çevresel faktörlerle gelişmeye devam eder. Bu yüzden akıl sabit değil, aksine insanın ömrünün sonuna kadar gelişebilen tecrübelerden ibarettir.  Sonuç olarak akıl makine, yazılım veya başka tekniklerle taklit edilemezken zekâ taklit edilebilir (Elmas, 2018). Her birey doğuştan belirli bir zekâ türüne sahiptir ve zekâ belirli bir alanda çalışılarak, öğretimi yapılarak, bilgi ve becerilere dayalı olarak geliştirilebilir. Zekânın yazılımsal birtakım çalışmalarla veya bütünleşik yongalarla taklit edilmesi sonucunda ise karşımıza Yapay Zekâ kavramı çıkmaktadır (Elmas, 2018).

Yapay zekâ, sayısız uygulama ve çalışma alanına sahip olduğu için tek bir tanımı olmamakla birlikte kabul görmüş bazı yaygın tanımları vardır. Tekin (2006)’ e göre yapay zekâ, çeşitli makinelerin programlanma işleminin sonucunda zeki hale getirilmesi olarak ifade etmiştir. Yapay zekâ aynı zamanda bilgisayarların veya bilgisayar denetimli makinelerin akıl yürütme, anlam çıkarma, geçmiş tecrübelerden öğrenebilme gibi insana özgü olduğu kabul edilen ileri seviyedeki bilişsel süreçlerle ilgili görevleri yerine getirebilmeleri olarak da tanımlanmaktadır (Kayabaş ve Yıldırım, 2008; Kazu ve Özdemir, 2009). Nabiyev (2012)’ e göre bilgisayarların veya bilgisayarla desteklenmiş makinelerin çözüm yolları bulma, kavrama, anlama, anlam çıkartma, genelleme, geçmiş yaşantılarından öğrenme gibi genellikle insana özgü yetenekleri içeren yüksek mantık süreçlerine ilişkin görevleri yerine getirme yeteneğine “Yapay Zekâ” denir.  Bir başka deyişle yapay zekâ, bilgisayar biliminin en üst seviyesi, bireylerin bilişsel birtakım davranışlarının modellenmesinde kullanılan programlar bütünüdür (Rapaport, 2015). Demir (2020), yapay zekâyı bazı insan davranışlarının (akılcı davranışlar) makineler veya robotlar tarafından da yapılabilmesi, insan zekâsının taklit edilebilmesi ve insan aklının nasıl çalıştığını gösteren kuram olarak ifade etmektedir.

2) Yapay Zekânın Tarihsel Gelişimi

Yapay zekânın doğuşu ve gelişimi genel anlamda bilgisayarların gelişimiyle paralel olmasına karşın asla bilgisayarlarla sınırlı kalmamıştır. Yapılan literatür incelemeleri yapay zekanın tıp, mühendislik, mimari, lojistik ve endüstri alanları başta olmak üzere eğitim, psikoloji, felsefe gibi birçok alanla da ilişkili olduğunu destekler niteliktedir (Arslan, 2020). Bilimin ve teknolojinin gelişmesiyle insanlığa hizmet edecek akıllı robotların yapılacağı fikrini 1940’ larda bilgisayarların keşfedilmesi fikrinin desteklediği söylenebilir. 1950 yılında bilgisayarların insan gibi davranmayı öğrenebileceği ve bilgisayarla uzaktan iletişim kuran bir insanın, kendisiyle konuşan makineyi insan sanmasının mümkün olacağı İngiliz matematikçi Alan Turing tarafından öne sürülmüştür (Url-2, 2020). Turing, Mind (zihin) adlı felsefe dergisinde “Makineler düşünebilir mi?” sorusuna dikkat çekmiş ve “Karar verme ve problem çözme gibi becerileri insanlar kullanabiliyorsa makineler neden kullanmasın?” sorusuna yanıt aramıştır (Arslan, 2020). Aynı şekilde daha sonraki yıllarda adından sıkça söz edilen “Turing Testi” de bu makalede ortaya atılmıştır. Bir makine, uzaktaki bir insana kendisinin insan olduğuna inandırırsa Turing testini geçmiş sayılır. İnsan beyninde 100 milyardan fazla sinir hücresi (nöron) bulunur ve bu nöronlar sayesinde gündelik olaylara çok kısa sürede tepkiler verilebilir. Bilgisayarlar ise insanlara göre daha kısa sürede tepki vermelerine karşın Turing testini geçebilen olmamıştır. Fakat buna karşın günümüzde yapay zekâya sahip olan makineler Turing testini geçmese de insan zekâsının bir kısmına sahiptir. Örneğin satranç oynamak, farklı dilleri konuşabilmek, insan seslerini tanıyabilmek veya el yazısını tanımlayabilmek gibi özellikler sayılabilir.

İlk defa 1956 yılında Dortmund Konferansı’nda John McCarthy, Marvin L. Minsky, Nathaniel Rochester ve Claude E. Shannon tarafından sunulan bir mektupta yapay zekâ kavramı ifade edilmiştir (Alpaydın, 2013). Bu kavramın mucidi olan bilim insanı McCarthy’dir ve düzenlediği Yapay Zekâ Konferansı’nda yapay zekâyı tanımlarken “Öğrenme ve zekânın tüm özellikleri en ince detaylar ile tanımlanırsa, bilgisayarlar bunları simüle edebilir ve insan gibi düşünebilir” şeklinde bir ifade kullanmıştır (Url-2, 2020). Bu gelişmeleri takiben 1962 yılında ilk endüstriyel robot şirketi olan Unimation kurumuştur (Url-3, 2020). Devam eden yıllarda ise Newell ve Simon tarafından geliştirilen “genel problem çözücü” ve Massachusetts Institute of Technology [MIT]’ nin yapay zekâ laboratuvarlarında Joseph Weizenbaum tarafından geliştirilen ELİZA isimli programlardır (Weizenbaum, 1966). 1964-1966 döneminde geliştirilen ELİZA yapay zekâda doğal dil işleme programlarının ilk örneğidir. Bu dönem içerisinde yapay zekâ elde ettiği popülerlikle, Arthur Clarke ve yönetmen Steve Kubrick tarafından, bugün artık geçerli olmadığını gördüğümüz, şu cümleyi söylemiştir: “2001 yılına geldiğimizde insan zekâsına denk ya da onu aşan makinelerimiz olacak” (Arslan, 2020).

İlerleyen tarihlerde yapay zeka ile ilgili çalışmalar devam etmiş ve 1980’ li yıllarda John Hopfield ve David Rumelhart tarafından geliştirilen “Derin öğrenme (Deep Learning)”, bir başka deyişle bilgisayarın daha önceden bünyesinde var olan veya kullandığı bilgileri yeni işlemlerine entegre ederek kullanması olarak tanımlanabilecek teknik bir yapay zeka alanına kazandırılmıştır (Arslan, 2020). Aynı yıllarda, Edward Feigenbaum, uzman insanların karar mekanizmalarını andıran bir süreci taklit edebilen “Uzman sistemler (Expert System)” programı da geliştirmiştir. 1990’ lı yıllarda ise yapay zekâ daha farklı bir boyut almış ve insan beynini taklit etme yoluyla iletişim bakımından birbirine bağlı fakat bellek bakımından bağımsız bilgi işleme yapıları yani yapay sinir ağları gelişim göstermiştir.

1997 yılında ise satrançta büyük usta olarak anılan Gary Kasparov ile IBM tarafından yapılan satranç oynama programı Deep Blue maçında Deep Blue, Kasparov’ u yenmiştir (Url-4, 2020). Bu olay, zeki makineler konusunda toplum tarafından bir farkındalık oluşmasını sağladığı söylenebilir. Büyük veri çağını yaşadığımız bu günlerde yapay zekâ, çok farklı uygulama ve çalışma alanları bulmakla birlikte bankacılık, teknoloji, mühendislik ve eğlence gibi daha birçok alanda kullanılmaktadır (Elmas, 2018). Siri asistanlar, otonom (sürücüsüz) araçlar, akıllı eğitim sistemleri, sanal sınıf çalışmaları, otomasyon gibi birçok uygulama hayatımızı kolaylaştırmak için sürekli güncellenen yapay zekâ çalışmalarına ulaşılmıştır (Arslan, 2020).

3) Yapay Zekânın Uygulama Alanları

İnsanoğlu yıllardır bilimi veya başka bir yolu kullanarak insan aklını ve zekâsını merak etmiş, merak etmekle kalmayıp bu akıl ve zekâ varlıklarını taklit etmeye çalışmıştır. Bu yolda bazen modeller geliştirilmiş bezen ise benzer teoriler ortaya atılmıştır. Yapılan tüm bu çalışmalarla literatüre yeni terimler ve konular kazandırılmıştır. Teknolojinin de gelişmesiyle bu çalışmalar hız kazanmaya devam etmektedir. Uzman Sistemler, Bulanık Mantık, Genetik Algoritma ve Yapay Sinir Ağları yapay zekânın bazı uygulama alanları olmakla birlikte son zamanlarda geniş bir kitle tarafından uygulama ve araştırma alanını oluşturmaktadır (Elmas, 2018).

3.a.) Uzman Sistemler: Yapay zekânın bilinen en genel alt dallarından birisi şüphesiz uzman sistemlerdir (Bozdemir, 2019). Genel olarak bahsedilecek olursa, yapay zekâ uygulamalarının veya programlarının amacı, herhangi bir insanın çözebileceği problemi çözmekken, uzman sistemlerin amacı ise uzman bir bireyin çözebileceği problemleri çözmektir (Pirim, 2006). Bir başka deyişle bu sistemler geliştirilirken, uzmanların belirli bir konudaki bilgi ve tecrübelerinin bilgisayar programlarına aktarılması amaçlanır (Elmas, 2018). Kısaca kural tabanlı sistemlerden oluşan uzman sistemler, uzmanların bilgileriyle oluşturulan kurallardan, insanların sebep-sonuç ilişkilerine dayanarak bir sonuca ulaşması gibi işlemlerden çıkarımlar yaparak çalışır (Erdal, 2018). Aynı şekilde özel takım sorunlarının çözüme kavuşturulmasında, uzmanların bilgileriyle çıkarım yapma işlemini taklit etmeyi amaçlayan rehber programlardır (Allahverdi, 2002; Turban 1990). İlk uzman olan MYCIN’ nin 1970’de Stanford Üniversitesi’nde bakteriyolojik ve menenjetik rahatsızlıkların tanı ve tedavisinde kullanılmak amacıyla tasarlandığı kabul edilmektedir (Pirim, 2006).

3.b.) Genetik Algoritmalar: Darwin’ in evrim kuramlarından birisi olan “doğada en iyilerin yaşaması” kuralından esinlenerek ortaya atılan bir yapay zekâ alt dalıdır. Genellikle geleneksel yöntemlerle çözümü zor veya imkânsız olan problemlerin çözümünde kullanılır (Elmas, 2018). Önemli bilgisayar bilimcilerinden Alan Turing, John von Neuman, Nobert Wiener gibi bilim insanları, bilgisayar programlarının kendi başlarına karar verebilme, dış dünyayı kontrol edebilme ve uyarlanabilir (adaptif) öğrenme gibi gerçek dünyadaki bazı yeteneklere sahip olmaları gerektiğini savunmanın yanında bu bilim insanları elektronikle ilgili oldukları kadar psikoloji ve biyolojiyle de ilgilenmişlerdir (Gülcü, 2006). Bu sebepten dolayı ilk bilgisayarların sadece askeri bazı kodları deşifre etmenin dışında insan beynini modelleme, insanların öğrenme yollarını taklit etme, biyolojik evrim simülasyonlarını gerçekleştirmiş olması sıra dışı bir olay değildir (Mitchell, 2020). Evrim biliminin mühendislik problemlerinin çözüme kavuşturulması fikri ilk defa 1950’lerde birçok bilim insanının evrimsel sistemler üzerinde çalışmasıyla ve evrimsel bazı programların oluşturulmasıyla genetik algoritmalar gelişmiştir.

3.c.) Yapay Sinir Ağları: Günümüzde bilgiyi işleme şekli genellikle sayısal işlemlerden ibaret olan bilgisayarlar vasıtasıyla yapıldığı için bilgi işlemenin bilgisayarlarla sınırlı olduğu şeklinde bir yanılgıya sebep olmaktadır. Buna karşın bilgi biliminin temelini oluşturan sibernetiğe bakıldığında, bilgi işlemenin aslında habitatlarında hayatta kalmak için mücadele eden canlılarla beraber oluştuğu ve bilgisayarlarla işlenen bilginin bunun sadece bir kısmını oluşturduğu şüphesiz bir gerçektir (Elmas, 2018). Yapay sinir ağları, insan beyninin nöron ağlarını taklit ederek bilginin paralel olarak işlenmesini sağlar. Aynı zamanda insan beyninin özelliklerinden biri olan öğrenme yoluyla yeni bilgiler üretebilme ve keşfedebilme tarzında yetenekleri otomatik olarak gerçekleştirebilen bilgisayar sistemleridir (Öztemel, 2012). İlk yapay sinir ağı modeli 1943 yılında bir sinir bilimci olan McCulloch ve matematikçi Walter Pitts tarafından “Sinir Aktivitesinde Düşüncelere Ait Bir Mantıksal Hesap” isimli makale ile öne sürülmüştür (McCulloch & Pitts, 1943). Yapay sinir ağları biyolojik sinir ağlarını taklit eden yapay ağlardır (Eğrioğlu, 2009).

3.d.) Bulanık Mantık: Gündelik yaşantımızda cevabını bilmediğimiz ve hatta cevaplarını bilsek bile emin olamadığımız birçok durumla karşılaşırız. Benzer şekilde cevabına kesin gözüyle baktığımız problemlerin çözümlerine baktığımızda kesinlik göstermeyen durumlardan ibaret olduğunu fark edebiliriz. Bu durumun gerçek dünyanın bulanık, belirsiz, doğrusal olmama yani kesinlikten uzak olmasından kaynaklandığını söylemek mümkündür. Doğada karşılaştığımız bütün sorunların, zorlukların ve çıkmazların, karşılaştığımız bin bir türlü belirsizliğin modellenmesine vesile olması sonucunda bulanık mantık kavramı ortaya çıkmıştır (Kesenler ve Kesenler, 2017). Yaşadığımız çevre ve bu çevrenin bizden beklediklerinin sürekli değiştiği göz önünde bulundurulursa, hayatımızdaki her durumu bir kalıba ya da kurala sokmamızın enerji ve zaman kaybına sebep olacağı apaçık ortadadır. İşte bulanık mantık insan hayatındaki sayısız belirsiz durumun sembolize edilip makinelere aktarılmasıyla çözümler sunmaya yarayan bir daldır. Bulanık mantığın temelinde sözel ifadeler ve bu ifadeler arasındaki mantıksal ilişkiler yattığı için bir sistemde bulanık mantık uygulanırken sistemin matematiksel olarak modellenmesine gerek yoktur (Özdemir, 2009).

Bulanık mantık, bilgisayarların kullandığı Aristo mantığından (klasik mantık) gibi (0,1) olmak üzere iki değerli değil [0,1] aralığında yer alan çok seviyeli işlemleri ifade etmektedir (Elmas, 2018).  Klasik küme kuramının temelinde ait olma vardır ve bir eleman o kümenin ya elemanıdır ya da elemanı değildir. Kümeye ait olan elemanlar bir, ait olmayanlar ise sıfır değerini alırlar. Üyelik kesin sınırlarla birbirinden ayrıldığı için kısmi üyelikten söz edilemez (Özdemir, 2009). Bulanık mantık, klasik mantığa nazaran insan mantığına daha yatkın olduğu için birçok disiplin tarafından kullanılmaktadır (Özkan, 2018). Bulanık mantık, soğuk-sıcak, hızlı-yavaş, başarılı-başarısız- yüksek-alçak, doğru-yanlış gibi ikili değişkenlerden meydana gelen kesin dünyayı; az soğuk, az sıcak, az hızlı, çok hızlı, az başarılı, çok başarılı, az yüksek, çok yüksek, az doğru, çok doğru gibi daha esnek niteleyicilerle gerçek dünyaya indirger (Ertuğrul, 1996). Klasik mantığa göre bir cisim ya siyahtır ya da beyazdır. Fakat bulanık mantığa göre cisimler gri, beyaza yakın, siyaha yakın, siyah ya da beyaz renk değerlerini alabilmektedir. Benzer şekilde çok sıcak, çok kilolu, çok uzun, çok genç vb. ifadeler bulanık yani belirtisiz ifadelerdir ve bulanık mantık klasik mantığın dışına çıkılması fikriyle ortaya çıkmış bir mantık uygulamasıdır (Arslan, 2019).

Lutfi Aliasker Zadeh, bulanık mantık ve bulanık mantığın işleyişini anlatan bulanık küme teorisini 1965 yılında yayımladığı bir makalesinde tanıtmasıyla bulanık sistemlerin incelenmesi hız kazanmıştır (Pek, 2019). Zadeh, gerçek dünyada insanlığı ilgilendiren her şeyin net (kesin) kalıplara uyum sağlamasına gerek olmadığını ortaya atmıştır (Zadeh, 1988). Gerçek yaşamda keskin çizgilerin olmadığını ifade eden Zadeh, her şeyin var-yok, evet-hayır, doğru-yanlış gibi net kümelere hapsedilemeyeceğini savunmuştur. Zadeh’ e göre dünyadaki durumlara belirli bir üyelik dereceleri verilirse her şeyden belirli oranlarda varlık ya da belirli oranlarda yokluk olacağını kontrol edilebilir ve bu durum insan yaşamına daha uyumludur (Pek, 2019).

3.d.1.)Bulanık Mantık (Fuzzy Logic) ve Eğitim Bilimlerinde Kullanımı

Bulanık mantık, bilinen Aristo mantığına karşı olan bir mantık olması sebebiyle gerçek dünyanın kesin sınırlarla ayrılmış karmaşık dünyasına karşı olan, sınırları daha belirsiz olan bir mantık çeşididir. Bulanık mantık insan beyninin günlük hayattaki problemleri daha kolay ve anlaşılır hale getirerek çözmesini örnek aldığı için eğitim bilimleri dâhil olmak üzere mühendislik, tıp, eczacılık vb. birçok alanda kullanılmaktadır. Kesin olarak bilinemeyen olaylar günlük hayatta normal, yüksek, düşük, yaklaşık gibi kavramlarla ifade edilir. Örneğin, suya elini sokan bir kişi bu ısıyı bilemez ama su hakkında soğuk, ılık, sıcak, az sıcak, az soğuk gibi dilsel niteleyiciler kullanarak su hakkında bir yargıya varmaya çalışır.

Keskin, net ya da kesin küme kuramında bir eleman o kümenin elemanıysa üyelik derecesi “ 1”  ve üyesi değilse üyelik derecesi “0” değerini alır. Fakat bulanık kümelerde üyelik kavramı [0,1] aralığında herhangi bir değer alabilir (Url-5, 2020). Örneğin, bir klasik kümede bir sıvının sıcaklığı 20 oC ‘ nin üzerindeyse bu sıvı sıcaktır ve üyelik derecesi “1” olarak kabul edilirken başka bir sıvının sıcaklığı 19,5 oC ise bu sıvı sıcak değildir ve sıvının üyelik derecesi “0” olarak kabul edilir. Örnekte de görüldüğü gibi klasik mantıkta esneklik söz konusu değildir. Aynı örneği bulanık kümeler ve üyelik dereceleri bakımından inceleyecek olursak sıvıların sıcaklıkları 10-40 oC arasında ise bu sıcaklık değerleri bulanık kümenin üyeleridir. 20-40 oC arasındaki sıcaklık değerlerinin üyelik dereceleri “1” ve 10-20 oC arasındaki sıcaklık değerlerinin üyelik dereceleri “0” ile “1” arasında farklı dereceler alabilmektedir (Elmas, 2018).

Eğitim bilimlerinden bir örnek vermek gerekirse, öğrenci başarılarının yüzdelik dilimlerle ifade edildiği bir sistemde % 50’nin altındaki değerler “düşük başarı”, % 50 ile % 80 arasındaki değerler “orta düzeyde başarı” sınıfında değerlendirilir. Aynı şekilde % 80’den büyük değerler ise “yüksek düzeyde başarı” sınıfında değerlendirilirse, bu keskin sınıflamaya göre % 49.90 değeri “düşük” sınıfına dâhil olurken % 50 değeri “orta düzeye” denk gelir. Bu durumda bazı öğrenciler çok ufak bir farkla orta düzeyde veya yüksek düzeyde başarı kümesine dâhil olamamaktadır. Şekil 3 ve Şekil 4’ ‘ te öğrenci başarıları için bulanık ve kesin kümelerin gösterimi verilmiştir.

Şekil 5. Öğrenci başarısının kesin kümede gösterimi (Url-6, 2020).

 Şekil 6. Öğrenci başarısının bulanık kümede gösterimi (Url-6, 2020).

Yukarıdaki grafiklerde de görüldüğü gibi değerlendirmelerde yapılan bu kesin ayrımlar öğrencilerin değerlendirmesinde çoğu zaman önemli sorunlara ve eşitsizliklere neden olabilmektedir (Url-6, 2020). Öğrenciler hangi kademede olursa olsun akademik başarıyı belirlemede öğrencilerin bilişsel yeterliliklerini belirlemek için yazılı yoklama, çoktan seçmeli testler ve sözlü sınavlar kullanılmasının yanında duyuşsal özelliklerin belirlenmesinde bazı ölçekler tercih edilmektedir (Güler, 2011). Bundan dolayı bazı ölçüt ve ağırlıkları dikkate almamış olan bu yöntemler ölçme ve değerlendirme sürecinde öznelliğe ve buna bağlı olarak hatalı veya eksik değerlendirmelere sebep olabilmektedir (Bahadır, 2017).  Ek olarak, ortak ölçütlere göre yapılan hassas değerlendirmeler daha sübjektif olduğu için değerlendirmedeki eşitsizlikleri de ortadan kaldırmaktadır. Çünkü değerlendirme ölçütleri ne kadar detaylı ve ne kadar hassas olursa, değerlendirme sonucu da o kadar isabetli ve objektif olur (Küçük ve Arı, 2013).

Öcal (2015) belirtisiz mantıktan yararlanılarak ortaöğretim matematik öğretmenliği öğrencilerinin öğretmenlik uygulaması başarılarının değerlendirmiş ve belirtisiz mantık yöntemiyle hesaplanan başarı puanlarının geleneksel yöntemle hesaplanan başarı puanlarından daha yüksek olduğu sonucuna ulaşmıştır. Yapılan bu çalışmaların ortak bir sonuca yani belirtisiz mantık yöntemiyle daha nesnel ve esnek değerlendirmelerin yapılabileceğine ulaşılmıştır.  Öğrencilerin bireysel özelliklerinin bulanık mantık ile belirlenmesi modelini öneren Kazu ve Özdemir (2009), hızla gelişmekte olan yapay zekâ teknolojilerinin birçok amaçla çeşitli alanlarda kullanılabilirliğine dikkat çekmiş ve eğitim bilimlerinde özellikle değerlendirme aşamasında kullanılması gerektiğini ifade etmiştir. Arslan (2020)’ a göre yapay zekâ eğitime iki şekilde katkı sağlayabilir. Bunlardan birincisi eğitim yönetimi aşamasında öğrencilere ve eğitmenlere bilginin sunumu ve yönetimi; ikincisi ise öğrenme ve öğretme süreçlerinde doğrudan yer alarak öğretici rol almasıdır. Ertuğrul (2006), akademisyenlerin akademik performanslarını bulanık mantık yöntemiyle değerlendirmiş ve performans değerlendirmelerinde kesin kümeler yerine bulanık kümelere yer verilmesi gerektiğine, gerçek dünyanın kesin kümelerden oluşmadığına ve var olan sistem için istenen esneklik özelliğinin ise bulanık mantık yönteminde olduğunu savunmuştur.

Kaynakça:

  1. Allahverdi, N., (2002). Uzman sistemler. İstanbul: Atlas Yayıncılık
  2. Alpaydın, E. (2013). Yapay öğrenme. İstanbul: Boğaziçi Üniversitesi Yayınevi.
  3. Arslan, M. (2019). Öğretmen Performanslarının Bulanık Mantık Yöntemi İle Değerlendirilmesi, Yüksek Lisans Tezi, Van.
  4. Arslan, K. (2020). Eğitimde Yapay Zekâ ve Uygulamaları. Batı Anadolu Eğitim Bilimleri Dergisi, 11(1), 71-88.
  5. Bahadır, E. (2017). Bulanık Mantık Yaklaşımının Eğitim Çalışmalarında Kullanılmasının Alan Yazın Işığında Değerlendirilmesi. Uluslararası Sosyal ve Eğitim Bilimleri Dergisi4(7), 28-42.
  6. Başol, G., Çakan, M., Kan, A., Özbek, Ö. Y., Özdemir, D., ve Yaşar, M. (2013). Eğitimde Ölçme ve Değerlendirme. Ankara: Pegem Akademi Yayıncılık.
  7. Bozdemir, M. (2019). “Mekanik tasarım eğitimi için bir uzman sistem uygulaması”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 24(1), 219-230.
  8. Çelebi, Ö. F. (2015). Yapay Zekanın Felsefesi. https://www.academia.edu/search?utf8=%E2%9C%93&q=yapay+zekan%C4%B1n+felsefesiadresinden erişildi.
  9. Dicke, U. & Roth, G. (2005) “Evolution of the Brain and Intelligence” Trends in Cognitive Sciences, 9: 5 (250-257).
  10. Elmas, Ç. (2018). Yapay Zeka Uygulamaları. Ankara: Seçkin Yayıncılık
  11. Erdal, H. (2018). Yapay zekâ teknikleri ve uzman sistemlerin karasal akıllı ulaşım sistemlerinin denetiminde kullanımı. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi1(1), 32-39.
  12. Ertuğrul, İ.(1996), “Bulanık Mantık ve Bir Üretim Planlamasında Uygulama
    Örneği”, Pamukkale Üniversitesi, Sosyal Bilimler Enstitüsü, Denizli
  13. Egrioglu, E., Aladag, C. H., Yolcu, U., Uslu, V. R., & Basaran, M. A. (2009). A new approach based on artificial neural networks for high order multivariate fuzzy time series. Expert Systems with Applications36(7), 10589-10594.
  14. Gülcü, A. (2006). Yapay zekâ tekniklerinden genetik algoritma ve tabu arama yöntemlerinin eğitim kurumlarının haftalık ders programlarının hazırlanmasında kullanımı, Yayımlanmış yüksek lisans tezi, İstanbul.
  15. Güler, N. (2011). Eğitimde ölçme ve değerlendirme.  Ankara: Pegem Yayıncılık
  16. Kayabaş, İ., & Yıldırım, H. (2008). Yapay Sinir Ağlarının Uzaktan Eğitimde Destek Amaçlı
    Kullanımı. 8th International Educational Technology Conference. Anadolu Üniversitesi, Eskişehir.
  17. Küçük, A.ve Arı, A. (2013). Öğretmen adaylarının Öğretmenlik Uygulaması derslerinin değerlendirilmesinde Bulanık Mantık Yönteminin Uygulanması. Elektronik Mesleki Gelişim ve Araştırma Dergisi-Electronic Journal Of Occupational Improvement and Research, özel sayı, 11-25.
  18. Kazu, İ.Y., & Özdemir, O. (2009). Öğrencilerin Bireysel Özelliklerinin Yapay Zekâ İle
    Belirlenmesi (Bulanık Mantık Örneği). Akademik Bilişim 2009, Harran Üniversitesi, Şanlıurfa.
  19. Keskenler, M. F., & Keskenler, E. F. (2017). Bulanık mantığın tarihi gelişimi. Takvim-i Vekayi5(1), 1-10.
  20. Mitchell, M. : ìAn Introduction to Genetic Algorithmsî, The MIT Press, Cambridge, Massachusetts, London, England, (2002) 1.
  21. McCarthy, J. (2004). What is artificial intelligence?. Erişim adresi (11 Ocak 2019): http://wwwformal.stanford.edu/jmc/whatisai/.
  22. McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics5(4), 115-133.
  23. Nabiyev, V. V. (2012). Yapay Zekâ: İnsan-Bilgisayar Etkileşimi. Baskı Yeri: Seçkin Yayıncılık.
  24. Öcal, A. (2015). Belirtisiz Mantıktan Yararlanılarak Ortaöğretim Matematik Öğretmenliği Öğrencilerinin Öğretmenlik Uygulaması Başarılarının Değerlendirilmesi (Master’s thesis, Eğitim Bilimleri Enstitüsü).
  25. Özdemir, O. (2009). Bulanık mantık ile belirlenmiş öğrenme stillerine dayalı öğrenme ortamlarının öğrencilerin başarı ve tutumlarına etkisi/The effect of learning environment based learning styles determined by fuzzy logic to students? achievement and attitude.
  26. Özdemir, A., Alaybeyoglu, A., & Balbal, K. F. (2019). Bulanık Mantığın Eğitim Alanındaki Uygulamaları. Bilim Eğitim Sanat ve Teknoloji Dergisi3(1), 45-50.
  27. Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık
  28. Rapaport, W. J. (2015). Philosophy of Computer Science (DRAFT). Retrieved from http://www.cse.buffalo.edu/~rapaport/Papers/phics.pdf   adresinden erişildi.
  29. Pek, M. (2019). Bulanık mantık nedir ve uygulama alanları nelerdir?, [Çevrim-içi:
    https://mesutpek.com/bulanik-mantik-nedir-ve-uygulama-alanlari-nelerdir.html] adresinden erişildi.
  30. Pirim, A. G. H. (2006). Yapay zeka. Journal of Yaşar University1(1), 81-93.
  31. Russel, S.J. & Norvig, P., (1995), “Artificial Intelligence A Modern Approach”, Contributing
    writers: John F. Canny, Jitendra M. Malik, Douglas D. Edwards , Prentice Hall, Englewood Cliffs, New Jersey 07632, ISBN 0-13-103805-2, Eri¸sim: http://bit.ly/2fbdJ50, Eri¸sim tarihi: 04.09.2017
  32. Turban, E., (1990) Decision support and expert systems. Macmillan Pub. Comp., New York.
  33. Tekin, H. (2006). Yapay Zekâ, Journal of Yasar University, 1(1), 81- 93.
  34. Url-1. (2020). Zeka nedir?.  https://www.tzv.org.tr/#/zeka/zeka_nedir   adresinden erişildi.
  35. Url-2. (2020). http://www.uralakbulut.com.tr/wp-content/uploads/2012/12/yapayzeka.pdf adresinden erişildi.
  36. Url-3. (2020). https://turkiye.ai/yapay-zeka-zaman-cizelgesi/ adresinden erişildi.
  37. Url-4. (2020). https://seyler.eksisozluk.com/satranc-efsanesi-kasparov-ve-yapay-zeka-deep-bluenun-1996-ve-1997deki-tarihe-gecen-maclari  adresinden erişildi.
  38. Url-5. (2020). http://farabi.sutef.gen.tr/bulanik/bulanik/bolum02.htm  adresinden erişildi.
  39. Url-6. (2020).  http://www.egitisim.gen.tr/tr/index.php/arsiv/sayi-11-20/sayi-18-gundem-subat-2008/231-bulanik-mantik-ve-egitim-bilimlerinde-kullanilabilirligi  adresinden erişildi.
  40. Zadeh, L. A. (1998). Commercialism and human values. Azerbaijan International,
    25.04.1998, Bakü, Azerbaijan.
  41. Weizenbaum, J. (1966). ELIZA—a computer program for the study of natural language communication between man and machine. Communications of the ACM9(1), 36-45.

CEVAP VER

Lütfen yorumunuzu giriniz!
lütfen isminizi buraya girin