Yapay Zeka Destekli Sınav Analizi Araçları Nasıl Çalışıyor?

17 Eki 02:57

Geçen dönem bir üniversite danışmanlığı firmasında staj yaparken, öğrenci sınav sonuçlarını anlık analiz eden bir yapay zeka platformu kullandık. Sistem, öncelikle yanıtları metin olarak OCR’den geçirip token’lara ayırıyor, sonra her soru‑cevap çifti için BERT‑tabanlı bir modelle semantik benzerlik skorları hesaplayıp doğru‑yanlış etiketini çıkarıyordu. Bu aşamadan sonra, öğrenci profilindeki geçmiş puanlar, zaman içinde değişen cevap süreleri ve konu‑bazlı başarı oranlarıyla bir Gradient Boosting Trees (XGBoost) modeli eğitiliyor; model hem bireysel sınav puanını tahmin ediyor hem de zayıf kalınan konuları heatmap olarak gösteriyor. Veri gizliliği açısından, platform tüm verileri **kendi içinde anonimleştiriyor**; kişisel kimlik bilgileri sadece şifrelenmiş bir token ile tutuluyor, model eğitimi sırasında ise veriler **federated learning** ile birleştiriliyor, yani ham veri merkezi sunuculara gitmiyor. Bu sayede GDPR ve KVKK gibi düzenlemelere uyum sağlanıyor. Bence en kritik nokta, modelin sadece geçmiş performansa bakıp “bu öğrenci bu konuyu hâlâ zorlanıyor” demesi değil, aynı zamanda önerilen öğrenme materyallerini de kişiselleştirerek geri bildirim döngüsünü kapatması; yoksa tahminler bir bakıma “kara kutu” kalıyor ve öğrenciye somut bir fayda sağlamıyor. Kanka, eğer sen de benzer bir proje düşünüyorsan, veri anonimleştirmeyi ve federated learning’i erken aşamada entegre etmeyi kesinlikle atlamamalısın; yoksa hem performans hem de yasal riskler büyük olur.