İlkokul öğrencilerinin okuma seviyelerinin ses üzerinden yapay zekâ ile sınıflandırılması

Abstract

Yapay zekâ, özelleştirilebilir eğitim ve öğretim sürecine destek sunarak, eğitim ortamlarını bireylerin ihtiyaçlarına, kapasitelerine, ilgi alanlarına ve yeteneklerine göre uyarlayabilir. Son zamanlarda yapılan araştırmalar yapay zekânın eğitim için stratejik değerinin giderek daha fazla arttığını göstermektedir. Yapay zekâ hem öğretmenlerin hem de öğrencilerin yükünü azaltan ve öğrenciler için etkili öğrenme deneyimleri sunan bir öğrenme aracı olabilmektedir. Bu amaçla buradaki çalışmada 20 ilkokul öğrencisine belirlenen sabit bir okuma metnini okumaları ve ses kaydı almaları istenmiştir. Alınan bu ses kayıtlar öğretmen tarafından iyi, orta ve kötü okuma seviyesi olmak üzere etiketlenmiştir. Tüm sesler öncelikle her cümle ayrı bir ses dosyası olacak şekilde parçalanmıştır. Böylece toplam 449 adet ses dosyası elde edilmiştir. Ardından Yerel İkili Örüntü yöntemi ile bu ses dosyalarından 256 sütunlu bir öznitelik vektörü oluşturulmuştur. Elde edilen bu öznitelik dosyası üzerinde çeşitli sınıflandırma algoritmaları kullanılmıştır. En yüksek başarı oranı %77,5 oran ile Cubic SVM algoritmasından elde edilmiştir. Bu çalışma ile öğrencilerin kendi okuma seviyelerini gözlemleyebileceği ve ona göre daha çok okuma yaparak seviyesini daha yukarı çıkartmasını sağlayabileceği düşünülmektedir. Buradaki veriseti dışında daha büyük veriseti kullanarak bu çalışmanın genişletilmesi mümkündür. Ayrıca farklı öznitelik çıkartma yöntemleri kullanılarak buradaki başarı oranı arttırılabilir.

By supporting the customizable education and training process, artificial intelligence can tailor educational environments to individuals' needs, capacities, interests, and abilities. Recent research shows that the strategic value of artificial intelligence for education is increasing more and more. Artificial intelligence can be a learning tool that reduces the burden of both teachers and students and provides effective learning experiences for students. For this purpose, in this study, 20 primary school students were asked to read a fixed reading text and take a voice recording. These audio recordings were labeled by the teacher as good, medium and bad reading levels. All sounds are first fragmented so that each sentence is a separate sound file. Thus, a total of 449 sound files were obtained. Then, a 256-column feature vector was created from these audio files with the Local Binary Pattern method. Various classification algorithms are used on this feature file. The highest success rate was obtained from the Cubic SVM algorithm with a rate of 77.5%. With this study, it is thought that students can observe their own reading levels and increase their level by reading more. It is possible to expand this study by using a larger dataset other than the dataset here. In addition, the success rate can be increased by using different feature extraction methods.