Mobil tabanlı programlama öğrenme uygulamaları seçiminde bulanık karar analizi

Abstract

Python programlama, yapay zekâ uygulamalarına artan ilgiyle son yıllarda büyük popülerlik kazanmıştır. Mobil cihazların yaygınlaşmasıyla Python programlamaya yönelik uygulamaların sayısı da artmıştır. Bu çalışmada, başta Python olmak üzere programlama öğretim uygulamalarının seçiminde kullanılabilecek bir bulanık karar modeli geliştirilmiştir. Modelin karar ağacı önerilen probleme-özgü kriterler ile oluşturulmuştur. Karar mekanizmasının işleyişinde ise Analitik Hiyerarşi Prosesi (AHP) ve İdeal Çözüme Dayalı Sıralama Tekniği (TOPSIS) temel alınmıştır. Model değerlendirme sürecinde 4 farklı programlama öğretim uygulaması kullanılmıştır. Uygulamaların seçimini etkileyebilecek ölçütler literatür taraması ve uzman görüşleri ile belirlenmiştir. Ardından, bu ölçütler karşılaştırma anketlerine dönüştürülmüştür. Yedi alan uzmanı çalışmaya katılmış ve anket sonuçları yarı yapılandırılmış görüşmeler ile analiz edilmiştir. Genişletilmiş Bulanık AHP ve TOPSIS ile elde edilen sonuçlar karşılaştırmalı raporlanmıştır. Değerlendirmeler dahilinde araştırmadaki mobil uygulamalardan en fazla ağırlığı 0,379 (Ci=0,585) önem derecesi ile Sololearn göstermiştir. Ağırlık değerlerine göre derecelendirme ölçütleri, ana kategorilerde "içerik" (0.438), "öğretim" (0.338) ve "uygulama" (0.224) olurken, alt kategorilerde "anlaşılabilirlik" (0,163), "doğruluk" (0,162), "geri bildirim" (0,131), "öğretim stratejisi" (0,129), "güncellik" (0,100), "kullanım kolaylığı" (0,081), "etkileşim araçları" (0,075), "çalışırlık" (0,053), "ücretlendirme" (0,036), "güvenlik" (0,036), "destek ve dokümantasyon" (0,019), "bütünlük" (0,013), "kişiselleştirilebilirlik" (0,002) ve "platform esnekliği" (0,000) olarak sıralanmıştır. Araştırma bulguları bu ölçütler dahilinde geliştirilen model ve katılımcıların görüşleri ile sınırlıdır. Gelecekte yapılacak çalışmalarda, karar modeli farklı veya daha geniş uzman grupla, Python veya diğer programlama dilleri için uygulanabilir. Bu çalışmanın, mobil öğrenme uygulamalarının değerlendirilmesinde literatüre katkı sağlayacağı düşünülmektedir.

Python programming has gained great popularity in recent years with increasing interest in artificial intelligence applications. With the spread of mobile devices, the number of applications for Python programming has also increased. In this study, a fuzzy decision model has been developed that can be used in the selection of programming teaching applications, especially Python. The decision tree of the model was created with the proposed problem-specific criteria. The decision mechanism is based on the Analytical Hierarchy Process (AHP) and the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Four different programming teaching applications were used in the model evaluation process. Criteria that may affect the selection of applications were determined through literature review and expert opinions. These criteria were then converted into comparison matrix-based surveys. Seven field experts participated in the study and the survey results were analyzed through semi-structured interviews. The results obtained with Extended Fuzzy AHP and TOPSIS are reported comparatively. Within the evaluations, Sololearn received the highest weight among the mobile applications in the research with an importance level of 0.379 (Ci = 0.585). Grading criteria according to weight values are "content" (0.438), "instruction" (0.338) and "application" (0.224) in the main categories, while in sub-categories "comprehensibility" (0.163), "accuracy" (0.162), "feedback" (0.131), "teaching strategy" (0.129), "currentness" (0.100), "ease of use" (0.081), "interaction tools" (0.075), "functionality" (0.053), "pricing" (0.036), "security" (0.036), "support and documentation" (0.019), "integrity" (0.013), "customizability" (0.002) and "platform flexibility" (0.000). Research findings are limited to the model developed within these criteria and the opinions of the participants. In future studies, the decision model can be applied to Python or other programming languages with a different or larger group of experts. It is thought that this study will contribute to the literature in the evaluation of mobile learning applications.