AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Gizli Profil Analizi

Oluşturuldu 2026-10-14

Bu İngilizce sayfanın bir ana dili konuşanı tarafından gözden geçirilmemiş otomatik çevirisidir.

Gizli profil analizi (LPA) — her bir durum aynı anda birkaç değişkenle tanımlandığında örneklemi gözlemlenmeyen alt gruplara (profillere) ayıran kişi merkezli bir yöntem. Karışım modelleme ailesinin sürekli gösterge üyesidir; kardeşi olan gizli sınıf analizi (LCA) aynı mantığı kategorik göstergelere uygular. Her ikisi de eğitimde yapay zeka araştırmalarına hâkim olan değişken merkezli modellerden farklı bir soru sorar: “ortalama olarak X, Y’yi ne kadar öngörür” değil, “o ortalamanın içinde kaç farklı öğrenen, öğretmen ya da yönetici türü saklıdır.” Bu bilgi tabanında yöntem, tek bir YZ aracının alt gruplar arasında çok farklı biçimde karşılık bulduğunu gösterir — Ganalı lisans öğrencileri arasında beş etik farkındalık profili, Ukraynalı eğitim yöneticileri arasında altı hazır bulunuşluk tipolojisi, Tayvanlı hizmet öncesi öğretmenler arasında dört üretken YZ kabul profili.

Değerlendirilmesi Gereken Sorular

  • Bir çalışma, öğrencilerin YZ’ye ilişkin ortalama rahatlığının 5 üzerinden 3,8 olduğunu bildirir. Bir grup hevesli ve bir diğeri sessizce dirençli ise bu ortalama neyi gizleyebilir?
  • LPA sürekli puanları modeller; LCA kategorileri modeller. Görüşme yanıtlarını “aşırı güventen söz ediyor: evet/hayır” biçiminde kodlarsanız hangisine ihtiyacınız vardır?
  • Beş profilli bir çözüm 0,816 entropi bildirir; dört profilli bir rakip 0,929 puan alır ama veriyi daha az zengin biçimde tanımlar. Hangisini yayımlarsınız?
  • Profiller nedensel değil, betimseldir. “Dirençli Şüpheciler” profili yüksek kullanım kolaylığı ama düşük benimseme niyeti gösteriyorsa bu neyi destekler ve neyi desteklemez?

Giriş

Eğitimde yapay zekaya ilişkin kanıtların çoğu değişken merkezlidir: ortalama ilişkileri tahmin eder ve ortalamalar homojenliği varsayar. Kişi merkezli yöntemler bunun yerine analiz birimi olarak kişiyi alır ve örneklemde kaç ayrı özellik yapılandırmasının var olduğunu sorar. LPA bu aileye aittir ve buradaki getirisi, öğrenen çeşitliliği güçlü bir iddiadan ölçülebilir bir bulguya dönüştürmesidir: rahatlatıcı bir örneklem ortalamasına rağmen etik farkındalık profilleri %26,1’den %4,5’e yayıldığında farklılaşma bir tasarım tercihi olmaktan çıkar.

Yöntem ne yapar ve ne zaman doğru araçtır

LPA, örneklemin göstergeler üzerinde kendi ortalamalarına ve varyanslarına sahip alt grupların bir karışımından çekildiğini varsayar. Araştırmacı göstergeleri ve grup sayısını sağlar; algoritma her durumun üyelik olasılığını tahmin eder ve en yüksek olasılığa göre atama yapar, grup başına bir ortalama profil, profil başına bir büyüklük ve durumların ne kadar temiz ayrıştığının bir özetini döndürür. Ailenin hangi üyesini kullanacağınız araştırma sorusu değil göstergeler belirler:

  • LCA — kategorik göstergeler. Becker ve arkadaşları, 1.189 fizik öğrencisinin açık uçlu yanıtlarından kodlanmış yanıt kategorilerini gösterge değişkenlerine dönüştürdü ve iki sınıf elde tuttu: Pragmatik Kullanıcılar (%70) ve Şüpheci Kullanmayanlar (%30); sözü edilmeyen bir konu “onay yok” olarak sayıldığından yazarlar analiz veri çerçevesinde sıfır-şişkinliğe dikkat çeker.
  • LPA — sürekli göstergeler, örneğin ölçek puanları ve yapı ölçütleri. Chen ve arkadaşları 128 Tayvanlı hizmet öncesi öğretmeni beş TAM/UTAUT2 yapısında profillendi; Acquah ve arkadaşları 509 Ganalı lisans öğrencisini üç etik farkındalık boyutunda profillendi; Schweder ve arkadaşları 2.464 öğrenciyi motivasyonel ihtiyaç doyumu üzerinden profillendi.
  • Gizli (profil) geçiş analizi aileyi zaman içinde genişletir; her dalga için profilleri ve bunlar arasında geçiş olasılığını tahmin eder. Liang ve arkadaşları 2.086 öğrencinin YZ öğrenme motivasyonunu bir yıl boyunca izledi; Wu 457 Japonca öğrencisini üç dalga boyunca izledi ve uyumsuz profil %26,48’den %17,74’e küçüldü.

Sıradan kümeleme (k-ortalamalar ve hiyerarşik) aynı kişi merkezli amacı izler ama durumları olasılık modeli tahmin etmek yerine geometrik uzaklıkla böler. Soru alt gruplarla ilgiliyse — “öğrenen”nin örnekleminizin toplulaştırma düzeyinde bir kurgu olup olmadığı ve alt grupların düzeyin yanı sıra şekilce de farklılaşıp farklılaşmadığı — LPA ya da LCA’ya başvurun. Ortalama bir tedavi etkisine gereksiniminiz olduğunda başvurmayın: bir uyarlanabilir özel ders asistanının rastgele denemesi içindeki beş profilli çözüm, son test farklılıklarını öngördü (kısmi η² = ,27) ama koşul × profil etkileşimi bulmadı (ps ≥ ,198).

Derlem bunu nasıl kullanır

Üç kullanım yinelenir.

  • Tasarım yapmadan önce heterojenliği ortaya koymak. Kremen ve arkadaşlarının 395 Ukraynalı eğitim yöneticisini içeren anketi, “yönetici”nin bir kurgu olduğunu göstermek için kişi merkezli LCA kullandı: altı tipoloji Yetkinlikle sınırlılık içeren (%25,6, istekli ama beceriksiz) ile Bariyersiz şüpheciler (en yüksek hazır bulunuşluk ama %74 YZ güvensizliği) arasında uzanır ve yazarlar bunları farklılaştırılmış eğitim için bir zorunluluk olarak okur.

  • Sistemler arası hizalama, bir kararlılık denetimi olarak. Fang ve Jin (2026), 49 eğitim sisteminde 40.680 öğretmenden dört inanç profili elde tuttu (Kayıtsız %6,13 ile Ölçülü Onay %56,29 arasında) ve hizalama referansını değiştirmek sınıflandırma uzlaşmasını %99,62’de bıraktı — buna karşın yarar profilleri 49 sistemin tümünde aynı biçimde sıraladı, risk sıralamadı.

  • Toplu değerin gizlediği alt grupları geri kazanmak. Acquah ve arkadaşları Kapsamlı Çok Yüksek’ten (%26,1) Düşük Etik Farkındalık’a (%4,5, iyilikseverlik 2,06) kadar beş etik farkındalık profili elde tuttu; örneklemin dörtte birinden yirmincidenden azına uzanan bir yayılım. Chen ve arkadaşları, Dirençli Şüpheciler’in yüksek algılanan kullanım kolaylığı ama çok düşük davranışsal niyet bildirdiğini buldu — kullanım kolaylığı/niyet paradoksunun ortalama düzeyli bir modele görünmez olduğuna dair derlemin en açık gösterimi.

  • Düzey yerine kalibrasyonu profillemek. Öğretmen YZ okuryazarlığı çalışması, LPA’yı özbildirim ile nesnel ölçümler arasındaki uzlaşmaya uyguladı ve altı profil elde etti: aşırı tahmin, düşük tahmin, hizalama ve önceden YZ okuryazarlığı deneyimi olmayan öğretmenler arasında yoğunlaşan bir düşük/düşük grup. Burada profiller bir puan bandı değil, araçlar arasında bir örüntüyü tanımlar.

Profiller daha sonra bağımsız bir değişken olarak hizmet eder: disiplin hizmet öncesi öğretmenler arasında üyeliği şekillendirdi (Cramér’in V’si = 0,532, STEM öğrencileri Teknoloji Öncüleri’nde yoğunlaştı) ve üyelik derlemin başka yerlerinde sonraki Öz Yeterlilik, tükenmişliği ve YZ kaygısını öngördü.

Profil sayısını seçmek

Tek bir istatistik çözümü seçmez; derlem, elde tutmayı birlikte birkaç ölçütten yapılan bir yargı olarak ele alır.

  • Bilgi ölçütleri (BIC, AIC). Düşük olması genellikle daha iyidir, ancak monoton bir düşüş bir soruna değil, kazananın ortaya çıktığına işaret eder. Ukraynalı yönetici çalışmasında BIC, iki sınıflı ile altı sınıflı aralıkta açık bir minimum olmadan monoton düştü ve yazarlar altı sınıflı çözümlerini bu kanıta dayanarak keşfedici olarak adlandırıyor.

  • Entropi. Sınıflandırma kesinliğinin bir özeti; 1’e yakın olması daha temiz atama anlamına gelir. Chen ve arkadaşları dört profil için 0,985 bildirir; Acquah ve arkadaşları beş profil için 0,816, dört profil için 0,929 bildirir ve daha kararlı bir gruplama için birleştirmeyi önerirler.

  • Yorumlanabilirlik ve profil büyüklüğü. YZ’ye güven profilleme çalışması, Calinski–Harabasz indeksi ikiyi tercih ettiği hâlde üç kümeyi korudu, çünkü üçü yorumlanabilirdi ve 0,288’lik bir siluet katsayısının zayıf ya da sınırda ayrımı işaret ettiğini not eder. Chen ve arkadaşları en küçük profillerinin (128 durumun %14,06’sı) kararlı olmayabileceği konusunda uyarır ve Gana çalışmasının en küçük profili yalnızca 23 öğrenciyi tutar; yazarları bunu birleştirmeyi önerir.

  • Yeniden örnekleme altında kararlılık. Bootstrap kararlılığı, profillerin yeni bir örneklemde yinelenip yinelenmeyeceğine ilişkin dürüst bir denetimdir: Ukraynalı altı sınıflı çözüm için ortalama ayarlanmış Rand indeksi 0,385 iken YZ’ye güven çalışmasında 100 rastgele başlatma boyunca 0,989’du — aynı yalnızca adı olan tasarım, çok farklı kanıt ağırlığı.

  • Bootstrap olabilirlik oranı testleri (BLRT) ve Lo–Mendell–Rubin testi, daha geniş karışım modeli literatüründe BIC ve entropinin standart yardakçılarıdır, ancak bu bilgi tabanındaki profil çalışmaları bunları bildirmez. Bir sayfa yalnızca BIC ve entropi bildirdiğinde sınıf sayısını geçici olarak ele alın.

  • Bu derlemin aksi hâlde atladığı olabilirlik oranı denetimi. Song ve ark. (2026), 379 işletme öğrencisinden dört profili elde tuttu (entropi 0,824) ve Lo–Mendell–Rubin kararını bildirdi: dörtte anlamlı (p = 0,035), beşte anlamsız (p = 0,376).

  • Rakip çözüm ve bir olabilirlik oranı testiyle savunulan elde tutma. Suriá-Martínez ve ark. (2026), dört profilli çözümün 102 öğrenciye biraz daha iyi uyduğunu ama anlamlı biçimde iyileşmediğini ve en küçük sınıfı %12,7’de bıraktığını bildirir; bu nedenle sayısal olarak daha iyi uyan model yerine üç profili elde tutarlar (entropi ,89). Yenilgiye uğrayan çözümü ve onu diskalifiye edeni bildirmek, elde tutulan sınıf sayısını okuyucuların denetleyebileceği bir yargı haline getiren şeydir; çalışmanın özel olarak geliştirilmiş 12 maddeli YZ kullanımı ölçüsü — yazarların ön nitelik olarak adlandırdığı 85 kişilik ayrı bir örneklemde doğrulanmıştır — kanıtının diğer sınırını işaret eder.

Yalnızca kazananı değil karşılaştırmaları bildirin: “beş profili elde tuttuk” diyen bir sayfa, rakip çözümü, entropi değerlerini ve en küçük profilin büyüklüğünü vermeden okuyuculara seçimi değerlendirme yolu bırakmaz.

Sonuçları okumak ve bildirmek, ve bunların nerede yanlış gittiği

Bir profili hem şekli hem düzeyiyle okuyun. Gana çalışmasında profiller özerklik, iyilikseverlik ve adalet yapılandırmasıyla farklılaşır — en büyük profil güçlü özerklik onayını daha düşük iyilikseverlikle eşler — böylece iki profil benzer genel düzeylerde durabilir ve yine de farklı öğretim gerektirebilir.

Her biri kaynak sayfalarda belirtilen dört uyarı:

  1. Profiller betimseldir. Örneklemde kimin bulunduğunu söyler, nedenini söylemez; enine kesit tasarımlar kararlılığı ya da hareketi gösteremez (hizmet öncesi öğretmen, Gana ve fizik çalışmaları). Yalnızca boylamsal analizler — bir yıllık geçiş çalışması ve Wu’nun üç dalgası — harekle ilgili iddiaları destekler ve oralarda bile hareket bir müdahale etkisi değil, ilişkidir.
  2. Üyelik tahmin edilir, gözlemlenmez. Durumlar en yüksek posterior olasılığa göre atanır; bu nedenle bir sınıra yakın bireyler gerçek bir belirsizlikle sınıflanır; düşük entropi ve zayıf siluet değerleri sınırların yumuşak okunması gerektiği anlamına gelir.
  3. Gösterge seçimi cevabı tanımlar. Profiller modele hangi değişkenlerin girdisine tamamen bağlıdır; bu nedenle çalışmanın hiç ölçmediği heterojenlik bulamayacağı heterojenliktir — Gana çalışması geçmişler arasında yalnızca cinsiyeti topladığı için üyeliği neyin öngördüğünü söyleyemez.
  4. Tespit edilen heterojenlik tespit edilen nedensellik değildir. Deneme profil × koşul sonucunun sıfır olması hatırlatıcıdır: bir denemede bir çıktıyı profillemek tedavinin bir yönlendirme testi değildir.

Eğitimde yapay zeka için sonuçlar

  1. Bir müdahaleyi önermeden önce heterojenliği ölçün. Bu derlemedeki profiller yinelenen biçimde örneklemin dörtte birini ya da daha fazlasını manşet ortalamasının altına yerleştirir; ortalama yerine var olan profiller için tasarım yapın.
  2. Çıktı farklılaşma olduğunda kişi merkezli yöntemleri tercih edin. Hizmet öncesi öğretmen ve yönetici çalışmalarının ikisi de bu kaymayı yöntemsel katkıları olarak sunar; çünkü ortalama öngörücüler, farklılaştırılmış desteği gerekçelendiren yapılandırmaları ortaya çıkaramaz.
  3. Elde tutma kanıtını tam olarak bildirin. BIC/AIC karşılaştırmalarını, entropiyi, profil büyüklüklerini ve bir kararlılık denetimini yayımlayın ve bir sınıf sayısının keşfedici olduğunu açıkça söyleyin.
  4. Profilleri etiket değil, tanı araçları olarak ele alın. Profil tahmini bir sınıra sahip bir araştırma yapısıdır; bu nedenle bireyleri adlandırılmış kategorilere atayan bir araç, herhangi bir ölçüm aracının uyarısını taşır — ve öğrenen grupları arasındaki farklı etkiler herhangi bir alt grup analizinin denetimini hak eder.

Bağlı kavramlar

Bağlı makaleler

Üst veri

Araştırma yöntemleri ve değerlendirmeNiceliksel Araştırma, AIED’de Araştırma Yöntemleri
SourceHistoryEditChat

Bu sayfayı göm

Bu sayfayı bir öğrenme yönetim sistemine veya başka bir web sitesine gömmek için aşağıdaki kodu kopyalayın. Gömülü sürüm yalnızca sayfa içeriğini gösterir — site başlığını, gezintiyi ve alt bilgiyi gizler.