---
type: "Akademik Makale Analizi"
title: "Eğitim Verilerinde Duygu Analizi ve Görüş Madenciliği: Kapsamlı Bir Derleme"
description: "Eğitim sektöründe duygu analizi ve görüş madenciliği, öğrencilerin geri bildirimlerini pedagojik ve kurumsal düzeyde değerlendirmek amacıyla giderek daha fazla kullanılmaktadır. Öğrenim yönetim sistemleri, ders değerlendirme anketleri ve çevrim içi tartışma forumları üzerinden toplanan nitel metinle"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/egitim-verilerinde-duygu-analizi-ve-gorus-madenciligi-kapsamli-bir-derleme"
doi: "10.1016/j.nlp.2022.100003"
authors: ["Thanveer Shaik", "Xiaohui Tao", "Christopher Dann", "Haoran Xie", "Yan Li", "Linda Galligan"]
citation: "Shaik, T., Tao, X., Dann, C., Xie, H., Li, Y., Galligan, L. (2022). Sentiment analysis and opinion mining on educational data: A survey. Natural Language Processing Journal, 2, 100003-100003. https://doi.org/10.1016/j.nlp.2022.100003"
publicationType: "scoping-review"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 10
tags: ["Duygu Analizi", "Görüş Madenciliği", "Öğrenci Geri Bildirimi", "Yapay Zekâ", "BERT", "Derin Öğrenme"]
timestamp: "2026-08-04T12:17:59.338Z"
---

# Eğitim Verilerinde Duygu Analizi ve Görüş Madenciliği: Kapsamlı Bir Derleme

Özgün başlık: Sentiment analysis and opinion mining on educational data: A survey
DOI: https://doi.org/10.1016/j.nlp.2022.100003
Künye (APA 7): Shaik, T., Tao, X., Dann, C., Xie, H., Li, Y., Galligan, L. (2022). Sentiment analysis and opinion mining on educational data: A survey. Natural Language Processing Journal, 2, 100003-100003. https://doi.org/10.1016/j.nlp.2022.100003

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

# Alan bağlamı

Eğitim sektöründe duygu analizi ve görüş madenciliği, öğrencilerin geri bildirimlerini pedagojik ve kurumsal düzeyde değerlendirmek amacıyla giderek daha fazla kullanılmaktadır. Öğrenim yönetim sistemleri, ders değerlendirme anketleri ve çevrim içi tartışma forumları üzerinden toplanan nitel metinler, öğrenme ve öğretme süreçlerinin geliştirilmesinde kritik rol oynamaktadır. Ancak bu metinlerin manuel olarak etiketlenmesi büyük kaynak ve zaman gerektirdiğinden, yapay zekâ ve doğal dil işleme tekniklerine dayalı otomatik duygu analizi yaklaşımlarına olan ihtiyaç her geçen gün artmaktadır.

# Akademik özet

Eğitim kurumlarında dijitalleşmenin ve çevrim içi öğrenme platformlarının yaygınlaşmasıyla birlikte öğrenci geri bildirimlerinin hacmi hızla artmıştır. Ders sonu değerlendirme anketleri, öğrenim yönetim sistemlerindeki forum gönderileri ve kitleye açık çevrim içi derslerdeki yorumlar, öğretim süreçlerinin ve kurumsal kararların iyileştirilmesi açısından zengin bir nitel veri kaynağı sunmaktadır. Ancak bu büyük ölçekli metinsel verilerin insan uzmanlarca manuel olarak incelenmesi ve duygusal tonlarına göre etiketlenmesi sürdürülebilir değildir. Bu bağlamda doğal dil işleme ve yapay zekâ teknolojilerine dayalı duygu analizi ve görüş madenciliği yöntemleri, öğrencilerin duygu, düşünce ve beklentilerini otomatik olarak çözümlemede kritik bir araç olarak öne çıkmaktadır.

Bu derleme çalışması, eğitim verileri üzerinde gerçekleştirilen duygu analizi uygulamalarını, etiketleme yaklaşımlarını ve yapay zekâ algoritmalarını sistematik olarak incelemeyi amaçlamaktadır. Yazarlar analizi doküman seviyesi, cümle seviyesi, varlık seviyesi ve unsur seviyesi olmak üzere dört farklı boyutta ele almaktadır. Çalışmada sözlük ve derlem tabanlı denetimsiz etiketleme yöntemlerinin yanı sıra destek vektör makineleri, rastgele orman, konvolüsyonel sınır ağları, uzun kısa süreli bellek ağları ve BERT gibi dönüştürücü tabanlı güncel yapay zekâ mimarileri detaylıca değerlendirilmektedir. Ayrıca verilerin eğitimsel süreçlere etkisi değerlendirme, karar alma, pedagojik kavramları geliştirme ve sınav/ödev analizi alt başlıklarında kategorize edilmektedir.

İncelenen literatür bulguları, eğitime özgü geliştirilen duygu analizi modellerinin genel amaçlı ticari araçlara kıyasla daha yüksek doğruluk ve anlamsal hassasiyet sergilediğini göstermektedir. Makine öğrenimi ve derin öğrenme algoritmalarının, özellikle unsur tabanlı duygu analizi (ABSA) ile birleştirildiğinde öğretim elemanı, ders içeriği, ödevler ve teknik altyapı gibi spesifik unsurlara yönelik öğrenci tutumlarını başarıyla tespit ettiği belirlenmiştir. Buna karşın, çoklu kutupluluk, eş seslilik ve çok anlamlılık, olumsuzluk ekleri ve ifadeleri ile görüş spamı tespiti gibi teknik zorlukların duygu analizinin eğitim alanındaki başarısını sınırlayan temel etmenler olduğu vurgulanmaktadır.

Sonuç olarak çalışma, eğitim verileri üzerinde yürütülen duygu analizinin yalnızca teknik bir sınıflandırma görevi olmadığını, pedagojik karar alma ve öğrenci başarısını artırma süreçlerinin ayrılmaz bir parçası olduğunu göstermektedir. Gelecek araştırmalar için genel dil modelleri yerine doğrudan eğitim söylemine ve terminolojisine uygun eğitime özgü denetimsiz etiketleme ve sözlük sistemlerinin geliştirilmesi gerekliliği ortaya koyulmaktadır. Ayrıca çok modlu verilerin entegrasyonu ve pekiştirmeli öğrenme tabanlı eğitsel diyalog sistemleri aracılığıyla kişiselleştirilmiş öğrenme deneyimlerinin desteklenmesi, alanın gelecekteki en önemli çalışma yönleri olarak işaret edilmektedir.

# Araştırmanın amacı

Çalışmanın temel amacı, eğitim alanındaki duygu analizi ve görüş madenciliği uygulamalarını doküman, cümle, varlık ve unsur düzeylerinde incelemek, denetimsiz duygu etiketleme teknikleri ile yapay zekâ yöntemlerinin rolünü ve karşılaşılan temel zorlukları kapsamlı bir şekilde ortaya koymaktır.

# Yöntem ve tasarım

Bu çalışma, eğitim alanındaki duygu analizi ve görüş madenciliği literatürünü sistematik bir alan taraması (scoping review / survey) yaklaşımıyla incelemektedir.

# Bulgular ve önermeler

1. Çevrim içi öğrenme platformlarından elde edilen öğrenci yorumlarının unsur tabanlı analizi üzerine yapılan incelemelerde, Rastgele Orman (Random Forest) algoritmasının unsur belirleme ve duygu sınıflandırmada %98'in üzerinde yüksek başarım gösterdiği saptanmıştır.
2. Kitlesel açık çevrim içi ders (MOOC) değerlendirmelerinde geleneksel makine öğrenmesi ve derin öğrenme modelleri karşılaştırıldığında, GloVe kelime gömme yöntemiyle desteklenen LSTM derin öğrenme modelinin %95,80 ile en yüksek sınıflandırma doğruluk oranına ulaştığı görülmüştür.
3. Yükseköğretim kurumları için geliştirilen çok katmanlı Aspect2Labels (A2L) karar destek sisteminin, etiketlenmemiş öğrenci yorumlarını %91,3 doğrulukla etiketleyerek karar alma süreçlerini kolaylaştırdığı belirlenmiştir.
4. Duygu analizinde olumsuzluk ifadelerinin işlenmesi teknik bir zorluk teşkil etmekte olup, BiLSTM modelinin önceden etiketlenmiş metin derlemleri üzerinde %93,34 F1 skoru sağlayarak olumsuzluk bağlamını tespit etmede üstün performans gösterdiği anlaşılmıştır.

# Yazarın tartışması

Eğitim verilerinde yürütülen duygu analizi ve görüş madenciliği çalışmaları, öğrenci geri bildirimlerinin yalnız sayısal puanlarla sınırlı kalmayıp nitel değerlendirmeler üzerinden anlamsal derinlik kazanabileceğini göstermektedir. Makine öğrenmesi ve derin öğrenme algoritmaları, geniş ölçekli öğrenci yorumlarını hızla sınıflandırarak ders içeriği, öğretim yöntemi ve öğretim elemanı performansına ilişkin değerli örüntüler sunmaktadır.

Yazarlar, geleneksel manuel etiketleme süreçlerinin zaman ve kaynak maliyeti nedeniyle kitlesel verilerde uygulanamaz hale geldiğini ve bu durumun yapay zekâ tabanlı denetimsiz ile yarı denetimli yöntemlerin kullanımını zorunlu kıldığını açıklamaktadır. Sözlük tabanlı ve derlem tabanlı yaklaşımlar ilk aşama etiketleme olanağı sağlarken, transformer ve dikkat mekanizmalı derin öğrenme mimarileri anlamsal bağlamı daha yüksek doğrulukla yakalamaktadır.

Tartışma bölümünde literatürdeki çalışmalarla kurulan ilişkiler, Unsur Tabanlı Duygu Analizi (ABSA) ve olumsuzluk ifadelerinin yönetimi gibi teknik alanlarda derin öğrenme modellerinin (LSTM, BiLSTM, BERT) geleneksel duygu sözlüklerine göre üstünlük sağladığını ortaya koymaktadır. Ancak genel alanda eğitilmiş duygu sözlüklerinin eğitim pedagojisine özgü terimleri kavramadaki yetersizliği, alana özgü modellerin geliştirilmesi gerekliliğini doğrulamaktadır.

Sonuç olarak, eğitim kurumlarının karar alma ve müfredat iyileştirme süreçlerinde duygu analizinden sürdürülebilir biçimde yararlanabilmeleri için eğitime özgü veri derlemleri ile ontolojik bilgi tabanlarının inşa edilmesi büyük önem taşımaktadır. Gelecek araştırmaların çok modlu verileri entegre eden ve pedagojik bağlamı dikkate alan yapay zekâ çözümlerine yönelmesi beklenmektedir.

# Yazarın sonucu

Yazarlar, mevcut çalışmalarda genel amaçlı denetimsiz duygu etiketleme tekniklerinin eğitim verilerindeki anlamsal özgünlükleri tam olarak karşılayamadığını vurgulayarak, gelecekteki araştırmaların eğitim alanına özel veri derlemleri ve sözlükler oluşturmaya, olumsuzluk ve anlamsal belirsizlikleri aşabilecek bilgi tabanlı yapılara odaklanması gerektiğini sonuçuna varmaktadır.

# Literatürdeki işlevi

Bu derleme makalesi, eğitim alanında hızla biriken nitel verilerin (öğrenci geri bildirimleri, forum yazışmaları, anket yorumları) anlamsal olarak çözümlenmesine yönelik mevcut yapay zekâ ve doğal dil işleme literatürünü sistematik bir çerçeveye oturtmaktadır. Çalışma, genel amaçlı duygu analizi araçlarının eğitim bağlamındaki sınırlılıklarını tartışarak alana özgü modellerin ve yöntemlerin gerekliliğini vurgulayan rehber bir konumda yer almaktadır. Doküman, cümle, varlık ve unsur düzeylerindeki yaklaşımları sınıflandırarak eğitim yöneticilerine ve araştırmacılarına hangi düzeydeki analizin hangi pedagojik çıktıya hizmet edeceğini açıkça göstermektedir. Böylece literatürdeki dağınık çalışmaları pedagojik ve teknik ortak paydalarda birleştirme işlevi görür.

Önceki çalışmalarla ilişkisi: Yazarlar, geleneksel duygu analizi literatüründe kullanılan Bing Liu, SentiWordNet ve Vader gibi genel amaçlı sözlüklerin eğitim ortamlarının kendine özgü terminolojisini ve pedagojik dilini yakalamada yetersiz kaldığını gösteren önceki çalışmalara dayanmaktadır. Önceki araştırmaların çoğunlukla tek bir algoritma veya dar kapsamlı veri setleri üzerine yoğunlaştığını belirterek, bu çalışmada makine öğrenmesi, derin öğrenme ve transformer modellerinin eğitim verilerindeki performansını toplu ve karşılaştırmalı bir biçimde sunmaktadır. Çalışma, literatürdeki yöntemsel evrimi denetimli manuel etiketlemeden, denetimsiz sözlük ve derlem tabanlı etiketlemeye ve nihayetinde dikkat mekanizmalı yapay zekâ çözümlerine doğru izleyerek önceki çalışmaların güçlü ve zayıf yönlerini sentezlemektedir.

Literatür taramasına katkısı: Bu çalışma, eğitimsel veri madenciliği ve doğal dil işleme alanındaki derleme literatürüne çok boyutlu bir taksonomi kazandırmaktadır. Özellikle duygu analizinin eğitimdeki pedagojik kararlar, öğretim elemanlarının değerlendirilmesi, ders materyallerinin iyileştirilmesi ve öğrenci başarısının erken tahmini üzerindeki pratik etkilerini somut örneklerle açıklamaktadır. Araştırma, olumsuzluk ifadelerinin yönetimi, çoklu kutupluluk, çok anlamlılık ve sahte geri bildirimlerin tespiti gibi teknik zorlukları sistematik olarak ele alarak gelecekteki araştırmaların odaklanması gereken boşlukları berraklaştırmaktadır. Böylece araştırmacılara yalnızca mevcut yöntemlerin bir listesini sunmakla kalmayıp, eğitime özgü etiketleme tekniklerinin inşasına yönelik metodolojik bir yol haritası çizmektedir.

# Tez ve makale araştırmalarında kullanım

- **Eğitim kurumlarında ders ve eğitmen değerlendirmelerinde kullanılan nitel geri bildirimlerin otomatik analizi için Rastgele Orman (Random Forest) algoritması yüksek doğruluk sağlar.** — Bu makalede incelenen Coursera ders yorumları üzerindeki analiz bulguları, Rastgele Orman algoritmasının unsur belirleme ve duygu sınıflandırmada üstün başarısını kanıtlamak için birincil literatür kanıtı olarak sunulabilir.
- **Kitlesel açık çevrim içi derslerin değerlendirilmesinde, derin öğrenme tabanlı LSTM modellerinin kelime gömme (Word Embedding) teknikleriyle entegrasyonu performansı artırır.** — Tezin kavramsal çerçevesinde derin öğrenme mimarilerinin eğitimdeki kullanımını temellendirirken, GloVe gömmeleriyle desteklenmiş LSTM modelinin ulaştığı %95,80'lik doğruluk oranına atıfta bulunarak model tasarımı desteklenecektir.
- **Duygu analizi modellerinin gerçek dünya eğitim verilerinde başarıya ulaşabilmesi için olumsuzluk ifadelerinin (negation handling) doğru işlenmesi kritik bir öneme sahiptir.** — Tezin tartışma bölümünde, geliştirilen modelin olumsuzluk ifadelerini tespit etmedeki başarısı değerlendirilirken, literatürdeki BiLSTM modelinin %93,34'lük F1 skoru referans gösterilerek karşılaştırma yapılacaktır.

# Türetilebilir araştırma soruları

- **Öğrenci geri bildirimlerinde ders içeriği ve öğretim elemanı performansına yönelik unsurlar, Rastgele Orman modeliyle ne derece doğrulukla sınıflandırılabilir?**
  - Desen: Yükseköğretim kurumlarından toplanan ve etik izinleri alınmış 10,000 Türkçe öğrenci geri bildirimi veri seti olarak kullanılacaktır. Metinler önce unsurlarına göre etiketlenecektir. Örneklem büyüklüğü istatistiksel güç analizi ile belirlenecektir. Rastgele Orman modeli ve destek vektör makineleri kullanılarak karşılaştırmalı sınıflandırma analizi gerçekleştirilecektir.
  - Gerekçe: Makalenin 2. bölümünde Coursera verileri üzerinde Rastgele Orman modelinin unsur belirlemede %98,01 ve duygu sınıflandırmada %99,43 F1 skoru elde ettiği bulgusundan esinlenerek Türkçe yükseköğretim bağlamına uyarlanmıştır.
- **Kitlesel açık çevrim içi ders yorumlarında GloVe kelime gömme yöntemiyle eğitilmiş LSTM modeli, geleneksel makine öğrenmesi modellerine göre ne kadar performans farkı göstermektedir?**
  - Desen: Kitlesel eğitim platformlarındaki ders değerlendirme yorumlarından elde edilen büyük ölçekli veri seti üzerinde GloVe kelime gömme yaklaşımı uygulanacaktır. Derin öğrenme mimarilerinden LSTM modeli tasarlanarak doğruluk, kesinlik ve F1 skorları hesaplanacaktır. Örneklem büyüklüğü model kararlılığına göre belirlenecektir.
  - Gerekçe: Makalenin 4.1. bölümünde Onan (2020) çalışmasına dayandırılarak sunulan, LSTM ve GloVe gömme kombinasyonunun MOOC değerlendirmelerinde %95,80 ile en yüksek başarıyı elde etmesi bulgusuna dayanmaktadır.
- **Türkçe öğrenci yorumlarındaki karmaşık olumsuzluk yapıları ve anlamsal kaymalar, BiLSTM mimarisi kullanılarak hangi doğruluk derecesinde çözümlenebilir?**
  - Desen: Türkçe eğitim geri bildirimlerinden derlenen, olumsuzluk ekleri ve yapıları içeren metinler (örneklem gücü analizine dayalı büyüklükte) manuel olarak etiketlenecektir. BiLSTM modeli kurularak olumsuzluk ipuçları ve bunların diğer kelimelerle ilişkileri modellenecektir. Sonuçlar geleneksel destek vektör makineleriyle karşılaştırılacaktır.
  - Gerekçe: Makalenin 5.1. bölümünde olumsuzluk yönetiminin duygu analizindeki kritik rolü ve BiLSTM modelinin %93,34 F1 skoru ile diğer modellere üstünlük sağladığına dair literatür bulgularından yola çıkılmıştır.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Abstract | 1 | — | In this review article, 1) we consider the role of emotional analysis in education from four levels: document level, sentence level, entity level, and aspect level, |
| ev-s-1 | Abstract | 1 | — | In this review article, 1) we consider the role of emotional analysis in education from four levels: document level, sentence level, entity level, and aspect level, |
| ev-s-2 | 2. Sentiment Analysis in Education | 9 | — | RF has the best performance with an F1 score of 98.01% and 99.43% in aspect identification and aspect sentiment classification respectively. |
| ev-s-3 | 4.1. Learning and Teaching Systems Evaluation | 20 | — | Out of all, the deep learning model LSTM with the GloVe word-embedding technique had the highest classification accuracy of 95.80%. |
| ev-s-4 | 4.3. Decision Making | 23 | — | The authors annotated unlabelled student comments using the proposed A2L approach and achieved 91.3% accuracy. |
| ev-s-5 | 5.1. Negation Handling | 26 | — | BiLSTM model outperformed other models with an F-Score of 93.34% in negation handling tasks. |
| ev-s-6 | 6. Future Directions of SA in Education | 30 | — | Focusing on education- based unsupervised annotation techniques can overcome lexical ambiguity, and data labelling challenges and understand the core factors of educational context |
| ev-l-2 | 2. Sentiment Analysis in Education | 9 | — | RF has the best performance with an F1 score of 98.01% and 99.43% in aspect identification and aspect sentiment classification respectively. |
| ev-l-3 | 4.1. Learning and Teaching Systems Evaluation | 20 | — | Out of all, the deep learning model LSTM with the GloVe word-embedding technique had the highest classification accuracy of 95.80%. |
| ev-l-4 | 5.1. Negation Handling | 26 | — | BiLSTM model outperformed other models with an F-Score of 93.34% in negation handling tasks. |

# İlgili kavramlar

- [Türkiye'nin Tarımsal Kredi Performansının K-ortalamalar Kümeleme Algoritması ile Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/turkiyenin-tarimsal-kredi-performansinin-k-ortalamalar-kumeleme-algoritmasi-ile-analizi.md)
- [Lineament Analizine Dayalı Olarak Almalyk-Angren Sanayi Bölgesinin Sismik Aktivitesinin İncelenmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/lineament-analizine-dayali-olarak-almalyk-angren-sanayi-bolgesinin-sismik-aktivitesinin-incelenmesi.md)
- [Yazılım Geliştirmede Üretken Yapay Zeka Modellerinin Performans ve Güvenilirliği: C# Tabanlı Bir Analiz](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yazilim-gelistirmede-uretken-yapay-zeka-modellerinin-performans-ve-guvenilirligi-c-tabanli-bir-analiz.md)
- [Dinamik Hareket Uyumlaması İçin İnsan İlhamlı Duyumotor Denetleyici: Mafsallı Robot Kolları Üzerine Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dinamik-hareket-uyumlamasi-icin-insan-ilhamli-duyumotor-denetleyici-mafsalli-robot-kollari-uzerine-bir-inceleme.md)
- [Twitch Platformundaki Nefret Baskınları: Canlı Yayın Topluluklarında Gerçek Zamanlı İnsan-Bot Koordineli Saldırıların Anlaşılması](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/twitch-platformundaki-nefret-baskinlari-canli-yayin-topluluklarinda-gercek-zamanli-insan-bot-koordineli-saldirilarin-anlasilmasi.md)
- [Üretken Yapay Zekanın İlaç Yönetimi Görevlerinde Kullanım Bağlamı Değerlendirme Çerçevesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/uretken-yapay-zekanin-ilac-yonetimi-gorevlerinde-kullanim-baglami-degerlendirme-cercevesi.md)
- [Zaman Serisi Tahmini İçin Derin Öğrenme: Model Mimarisi Paradigmaları, Özellik Çıkarımı ve Gelecek Yönelimleri Üzerine Kapsamlı Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/zaman-serisi-tahmini-icin-derin-ogrenme-model-mimarisi-paradigmalari-ozellik-cikarimi-ve-gelecek-yonelimleri-uzerine-kapsamli-bir-inceleme.md)
- [Betonarme Yapıların Kentsel Dönüşümünde Hızlı Tarama Parametrelerinin Değerlendirilmesi ve Öneriler](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/betonarme-yapilarin-kentsel-donusumunde-hizli-tarama-parametrelerinin-degerlendirilmesi-ve-oneriler.md)

# Şeffaflık

- Analiz tarihi: 2026-08-04T12:17:59.338Z
- Kanıt sayısı: 10
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/egitim-verilerinde-duygu-analizi-ve-gorus-madenciligi-kapsamli-bir-derleme