Uyarlanabilir Öğrenme Ortamlarının Akademik Başarıya Etkisi Üzerine Bir Meta-Analiz Çalışması

Yıl 2025, Cilt: 9 Sayı: 1, 1 - 12, 30.06.2025

Tuğba Oğuz , Yalçın Yavuz

Öz

Bu araştırma ile uyarlanabilir öğrenme ortamlarının, öğrencilerin akademik anlamda başarılarına olan etkisinin incelendiği deneysel çalışmaların toparlanarak uyarlanabilir öğrenme ortamlarının akademik başarı üzerine etkisinin tespit edilmesi ve araştırma bulgularının sentezlenmesi amaç edinilmiştir. Araştırma kapsamında yer alan çalışmalara, uyarlanabilir öğrenme ortamları, akademik başarı, kişiselleştirilmiş öğrenme ortamları gibi anahtar sözcükler kullanılarak “ERIC, Web of Science,Pro Quest Dissertations and These, YÖK Ulusal Tez Tarama Sistemi ve Google akademik” bilimsel veri tabanları kullanılarak ulaşılmıştır. Veri tabanlarından sistemli bir şekilde, uyarlanabilir öğrenme ortamlarının akademik başarıya etkisinin incelendiği 7 doktora tezi, 2 yüksek lisans tezi ve 7 makale olmak üzere toplam 16 çalışmaya ulaşılmıştır. Çalışmalardan elde edilen veriler “Comprehensive Meta-Analysis (CMA)” programı kullanılarak analiz edilmiştir. Araştırmada meta analiz kapsamına alınan çalışmaların heterojenliğinden dolayı rastgele etkiler modeliyle etki büyüklüğü hesaplanmıştır. Araştırmanın bulguları uyarlanabilir öğrenme ortamlarının akademik başarıya artı etki yaptığını göstermiştir

Anahtar Kelimeler

Uyarlanabilir öğrenme ortamları , Akademik başarı , Meta-Analiz

Etik Beyan

Çalışmamızın Meta-Analiz içerikte olup tarama sonucu oluşturulması sebebiyle Etik Kurul İzni Gerektirmeyen çalışmalar arasında yer aldığını beyan ederim.

Teşekkür

Yazar Tuğba OĞUZ 'a ve danışmanımız Doç. Dr. Burcu DUMAN' a teşekkürler. Ayrıca imkan sağlayan dergi editörlerine de teşekkür ederim.

A Meta-Analysis Study on the Effect of Adaptive Learning Environments on Academic Achievement

Öz

The primary aim of this study is to systematically compile experimental research examining the impact of adaptive learning environments on students’ academic achievement and to synthesize the findings through a comprehensive analysis. To this end, a thorough literature search was conducted across multiple academic databases—including ERIC, Web of Science, ProQuest Dissertations and Theses, the Turkish National Thesis Center (YÖK Ulusal Tez Merkezi), and Google Scholar—using keywords such as adaptive learning environments, academic achievement, and personalized learning. As a result of this screening process, a total of 16 studies meeting the inclusion criteria were identified: 7 doctoral dissertations, 2 master’s theses, and 7 peer-reviewed journal articles. For data analysis, the Comprehensive Meta-Analysis (CMA) software was employed, which is widely used to calculate overall effect sizes across multiple data sets in meta-analytical research. Given the heterogeneity among the included studies in terms of sample characteristics and implementation contexts, a random-effects model was adopted. This model accounts for potential variations across studies and allows for more generalizable conclusions. The findings indicate that adaptive learning environments have a statistically significant and positive impact on students’ academic achievement. These results highlight the effectiveness of student-centered, flexible learning approaches that consider individual differences, thereby underscoring the pedagogical value of adaptive technologies in education.

Anahtar Kelimeler

Adaptive learning environments , Academic achievement , meta-analysis

Kaynakça

• Alam, A., Ullah, S., & Ali, N. (2018). The effect of learning-based adaptivity on students’ performance in 3D-virtual learning environments. IEEE Access, 6, 3400–3407. https://doi.org/10.1109/ACCESS.2018.3400
• Alwadei, A. (2019). Adaptive learning analytics: Understanding student learning behavior and predicting academic success (Master’s thesis). University of Illinois at Chicago.
• Aslan, A., Göksu, İ., & Karaman, S. (2018). Uyarlanabilir uzaktan hizmet içi eğitimin başarı ve eğitimin tamamlama süresine etkisi ile öğretmen görüşleri. Buca Eğitim Fakültesi Dergisi, 45, 103–115.
• Aydoğdu, Y. Ö., Aydoğdu, Ş., & Ocak, M. A. (2019). Uyarlanabilir öğrenme ortamlarında Felder ve Silverman öğrenme stillerine göre geliştirilmiş içeriklerin öğrenci başarısı üzerindeki etkisinin incelenmesi. Eğitim Teknolojisi Kuram ve Uygulama, 9(1), 189–205. https://doi.org/10.12973/etku.2019.189205
• Bağcı, H., & Yalın, H. İ. (2018). Harmanlanmış öğrenme ortamında denetim odağına göre uyarlanmış 5E öğrenme modelinin öğrencilerin akademik başarısına etkisi. Kuramsal Eğitim Bilim Dergisi, 11(3), 562–585. https://doi.org/10.30831/akukeg
• Bai, J. L., Li, X., & Wang, J. S. (2013). Model adaptive learning in process control of strip cold rolling. Applied Materials and Technologies for Modern Manufacturing, Pts 1-4, 423–426, 775+.
• Borenstein, M., Hedges, L. V., Higgins, J. P. T., & Rothstein, H. R. (2009). Introduction to meta-analysis. Wiley.
• Canbaloglu, G., Treur, J., & Roelofsma, P. (2023). An adaptive self-modeling network model for multilevel organizational learning. In Proceedings of Seventh International Congress on Information and Communication Technology (ICICT 2022) (Vol. 2, pp. 179–191).
• Cesur, E. G. (2013). Uyarlanabilir öğretimin kaybolma ve bilişsel yüklenmeye etkisinin öğrencilerin bilişsel stilleri açısından incelenmesi (Yüksek lisans tezi). Ankara Üniversitesi Eğitim Bilimleri Enstitüsü.
• Chen, P. D., Lambert, A. D., & Guidry, K. R. (2010). Engaging online learners: The impact of web-based learning technology on college student engagement. Computers & Education, 54(4), 1222–1232. https://doi.org/10.1016/j.compedu.2009.11.008
• Demirören, S. (2014). Başarım ölçütlü uyarlanabilir öğrenmenin etkililiğinin ve verimliliğinin değerlendirilmesi. Eğitim Bilimleri ve Uygulama, 13(25), 47–64.
• Despotović-Zrakić, M., Marković, A., Bogdanović, Z., Barać, D., & Krço, S. (2012). Providing adaptivity in Moodle LMS courses. Educational Technology & Society, 15(1), 326–338.
• El Bachari, A., Abelwahed, E. H., & El Adnani, M. (2011). E-learning personalization based on dynamic learners’ preference. International Journal of Computer Science & Information Technology, 3(3), 200–216. https://doi.org/10.5121/ijcsit.2011.3309
• El-Sabagh, H. A. (2021). Adaptive e-learning environment based on learning styles and its impact on development students’ engagement. International Journal of Educational Technology in Higher Education, 18(53), 1–20. https://doi.org/10.1186/s41239-021-00277-7
• Erdoğdu, F. (2020). Uyarlanabilir motivasyon stratejileri kullanmanın öğrenci motivasyonu ve başarısına etkisi. Eğitim Teknolojisi Kuram ve Uygulama, 10(2), 189–204. https://doi.org/10.12973/etku.2020.189204
• Eryılmaz, M., & Şimşek, N. (2014). Uyarlanabilir ortamlarda öğrenci başarısının değerlendirilmesi. Eğitim ve Bilim, 39(173), 383–395.
• Graf, S. (2007). Adaptivity in learning management systems focusing on learning styles (Doctoral thesis). Vienna University of Technology Faculty of Informatics.
• Gültekin, M., & Burak, D. (2019). Türkiye’de uyarlanabilir öğrenme yaklaşımı kapsamında yapılan tezler üzerine bir içerik analizi. Eğitim Teknolojisi Kuram ve Uygulama, 9(2), 438–462.
• Güngören, Ö. C. (2015). Uyarlanabilir eğitsel web ortamlarının öğrencilerin akademik başarılarına ve motivasyonuna etkisi (Doktora tezi). Sakarya Üniversitesi Eğitim Bilimleri Enstitüsü.
• Hopcan, S. (2013). Öğrenme güçlüğü yaşayan 1.-3. sınıf öğrencileri için web destekli uyarlanabilir öğrenme sistemi geliştirilmesi, uygulanması ve değerlendirilmesi (Yüksek lisans tezi). Sakarya Üniversitesi Eğitim Bilimleri Enstitüsü.
• IEEE. (2014). Evaluating adaptive learning model. In 2014 International Conference on Interactive Collaborative Learning (ICL) (pp. 818–822).
• Kuniyoshi, K., & Kurahashi, S. (2020). How to use adaptive learning in the classroom? Teaching simulation with adaptive learning on the complex doubly structural network. In 2020 59th Annual Conference of the Society of Instrument and Control Engineers of Japan (SICE) (pp. 1043–1048).
• Luo, L., Yang, Y., & Wei, Y. (2017). Research on adaptive mobile collaborative learning system. In Data Science, Pt II(Vol. 728, pp. 414–423).
• Özyurt, Ö., Özyurt, H., Baki, A., & Güven, B. (2014). Reflections from a mathematics instruction conducted with individualized adaptive and intelligent e-learning environment. Education and Science, 39(174), 129–142.
• Park, O., & Lee, J. (2003). Adaptive instructional systems. In J. M. Spector, M. D. Merrill, J. Van Merriënboer, & M. P. Driscoll (Eds.), Handbook of research on educational communications and technology (pp. 651–684). Lawrence Erlbaum Associates.
• Qu, Y. T., Wang, C. N., & Zhong, L. L. (2009). The research and discussion of web-based adaptive learning model and strategy. In Hybrid Learning and Education, Proceedings (Vol. 5685, pp. 412–420).
• Wan, Z., Wang, X. D., & Wu, J. D. (2008). Model adaptive learning for steel rolling mill control. In 2008 IEEE International Symposium on Knowledge Acquisition and Modeling Workshop Proceedings, Vols 1 and 2 (pp. 903–906).
• Zhang, G., Zhou, D. D., & Bi, F. Y. (2012). Research on learner characteristics models of international and domestic adaptive learning systems. In Fifth International Conference on Advanced Computer Theory and Engineering (ICACTE 2012) (pp. 545–555).
• Zhang, H. B., & Galaup, M. (2023). Reflection on the construction and impact of an adaptive learning ecosystem. International Journal of Technologies in Higher Education, 20(2), 125–138.
• Zhang, J. H. (2010). An adaptive model customized for programming learning in e-learning. In Proceedings of 2010 3rd IEEE International Conference on Computer Science and Information Technology (ICCSIT 2010) (Vol. 6, pp. 443–447).
• Zhou, F. (2010). Personalized learning network teaching model. In 2010 International Colloquium on Computing, Communication, Control, and Management (CCCM 2010) (Vol IV, pp. 705–708).
• Zhou, F. (2012). Personalized learning network teaching model. In International Conference on Applied Physics and Industrial Engineering 2012, Pt C (Vol. 24, pp. 2026–2031).
• Zhu, C. B., Zhou, K., & Si, B. L. (2024). Adaptive learning rate in dynamical binary environments: The signature of adaptive information processing. Cognitive Neurodynamics, 18(6), 4009–4031. https://doi.org/10.1007/s11571-024-09999-2
• Zhu, Y., Liu, S., & Jin, S. J. (2016). Design of adaptive electrician learning system based on user model. In 2016 8th International Conference on Information Technology in Medicine and Education (ITME) (pp. 513–516).