Model Kartı: NexusPrimer Adaptive Hint Predictor v2.0

Bu model, Samsun Üniversitesi YZM301 Yazılım Mühendisliği dersi kapsamında geliştirilen NexusPrimer interaktif kriz simülasyonunda öğrencilerin karar verme davranışlarını analiz ederek bir sonraki aşamada ipucuna ihtiyaç duyup duymayacağını tahmin etmek için eğitilmiştir.

1. Model Detayları

Model Adı: nexusprimer-hint-predictor
Sürüm: 2.0.0
Model Türü: Karar Ağacı Sınıflandırıcı (DecisionTreeClassifier)
Format: ONNX (Opset 17) & Scikit-learn Pipeline
Rastgele Tohum (Random State): 42 (tüm aşamalarda sabitlenmiş ve tekrarlanabilir)
Hedef Değişken: ipucu_gerekli (Binary: 0 = Gerekmez, 1 = Gerekir)

2. Modelin Amacı ve Çözdüğü Problem

Eğitim simülasyonlarında tüm öğrencilere tek tip ipucu vermek pedagojik olarak verimsizdir:

Yetkin öğrencilere sürekli ipucu vermek onları tembelliğe alıştırır ve simülasyonun zorlayıcılığını azaltır.
Zorlanan öğrencilere yeterli destek vermemek ise öğrenme kaybına yol açar.

Çözüm: Model, kullanıcının gerçek zamanlı davranış metriklerini analiz ederek ipucu ihtiyacını tahmin eder ve AI Tutor'un pedagojik derinliğini (Sokratik / Destekleyici mod) dinamik olarak ayarlar.

3. Kullanılan Veri Seti

Kaynak Dosya: data/oturumlar.csv
Toplam Veri: 60 karar satırı (20 oturum × 3 karar aşaması)
Gerçek Oturum Sayısı: 15 oturum (3 farklı kişi × 5 oturum = 45 satır)
Sentetik Oturum Sayısı: 5 oturum (15 satır, numpy.random seed=42)
Sınıf Dağılımı:
- Sınıf 0 (ipucu_yok): 31 örnek (%51.7)
- Sınıf 1 (ipucu_var): 29 örnek (%48.3)
- Azınlık/Çoğunluk Oranı: 0.94 (dengeli dağılım)

Etiketleme Metodolojisi

Etiketler objektif kullanıcı davranış kurallarına göre türetilmiştir:

ipucu_gerekli = 1 EĞER:
  - ipucu_sayisi >= 2  VEYA
  - karar_suresi_sn >= 30  VEYA
  - karar_degistirme_sayisi >= 2
Aksi halde 0.

4. Girdi Özellikleri (Feature Schema)

Model tam olarak 8 sayısal özellik alır (float32):

Sıra	Özellik Adı	Tip	Açıklama
0	`karar_suresi_sn`	float32	Karar verme süresi (saniye)
1	`onceki_yanlis_sayisi`	float32	Önceki kararlardaki hatalı seçim sayısı
2	`ipucu_sayisi`	float32	Mevcut kararda istenen ipucu sayısı
3	`karar_degistirme_sayisi`	float32	Karar değiştirme/tereddüt sayısı
4	`sahne_no`	float32	Mevcut sahne numarası (1, 2, 3)
5	`seviye`	float32	Deneyim seviyesi (0: Başlangıç/Orta, 1: Deneyimli)
6	`onceki_karar_suresi`	float32	Bir önceki kararın tamamlanma süresi
7	`kararsizlik_suresi`	float32	İlk aksiyona kadar geçen bekleme süresi

5. Değerlendirme ve Performans Ölçümleri

Veri Bölme: %80 Eğitim (48 örnek), %20 Test (12 örnek) — Stratified Split.
5-Fold Cross-Validation F1: 0.9351 ± 0.0563
Test Seti Sonuçları:
- F1-Score: 0.9091 (Kabul eşiği: 0.65 — BAŞARILI)
- Accuracy: 0.9167
- Precision: 1.0000
- Recall: 0.8333
Confusion Matrix:
```
[[6, 0],
 [1, 5]]
```

ONNX - Scikit-Learn Paritesi

Test seti üzerinde Sklearn olasılıkları ile ONNX Runtime Web çıktısı arasındaki maksimum fark: 4.62e-09 (Tolerans sınırı: 1e-4 — TAM GEÇERLİ).

6. Bilinen Sınırlılıklar ve Kullanılmaması Gereken Durumlar

Küçük Örneklem: Veri seti 60 satırdan oluşmaktadır. Hastane dışındaki genel yazılım mühendisliği bağlamlarına genellenemez.
Kural Bağımlılığı: Etiketler davranışsal bir sezgisel (heuristic) kurala dayandığından, kullanıcının dalgınlık veya dış etkenlerden ötürü ekranda beklemesi yanlış pozitif (false positive) üretebilir.
Kullanılmaması Gereken Alanlar: Bu model gerçek tıbbi teşhis, personel performans değerlendirmesi veya kritik sınav notlandırmasında KESİNLİKLE kullanılamaz. Sadece pedagojik simülasyon içi adaptasyon amaçlıdır.

7. Etik ve Gizlilik Değerlendirmesi

Model eğitiminde ve uygulamasında KVKK 6698 sayılı kanuna tam uyulmuştur.
Gerçek isim, T.C. kimlik no, e-posta, IP adresi, coğrafi konum veya cihaz parmak izi KESİNLİKLE toplanmamıştır.
Oturum kimlikleri istemci tarafında rastgele üretilmiştir.

Downloads last month: -