1. Bölüm'de standart tek model yaklaşımı yerine neden 13 modelli bir BKT mimarisi kurduğumu anlattım. 2. Bölüm'de Piaget'nin bilişsel gelişim aşamalarını bu mimarinin parametrelerine nasıl yansıttığımı yazdım. Ama bu hâlâ "arka plandaki motor"du. Bu yazıda, o motoru çocuğun ekranında gördüğü BİLGE mentor karakterine, görev sistemine ve sınıf içi senaryolara nasıl dönüştürdüğümü anlatacağım.

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.

Geleneksel afet eğitimleri, bireyleri teorik olarak bilgilendirse de yüksek stres altındaki kriz anlarında ihtiyaç duyulan psikomotor hızı ve karar verme yetkinliğini kazandırmakta yetersiz kalmaktadır. Literatürde "Bilgi-Eylem Boşluğu" olarak tanımlanan bu fenomen, bireyin kriz anında verdiği "donma" tepkisiyle somutlaşmaktadır. Bu yazı, söz konusu boşluğu kapatmak amacıyla tasarlanan, XR tabanlı ve yapay zeka destekli bir "Akıllı Afet Öğrenme Mimarisi"ni analiz etmektedir. Sistemik yaklaşımımız, bilişsel aşırı yükü yönetmek için Dağıtık Biliş (Distributed Cognition) modelini temel almakta ve Jungian bilinç fonksiyonlarını temsil eden karakterler aracılığıyla bilişsel görev paylaşımı gerçekleştirmektedir. Mimarinin analitik merkezinde, öğrenci performansını saniyede 60 kare hızında takip eden Bayesyen Bilgi İzleme (BKT)algoritması yer almaktadır. Çalışma, beyana dayalı ölçümler yerine Örtük Değerlendirme (Stealth Assessment)yöntemini kullanarak, milisaniyelik karar verme örüntüleri üzerinden gerçek hayatta kalma olasılığını tahminleyen kanıt temelli bir model sunmaktadır.