Çokluortam Öğrenme Materyalinde Duygu Salınımını Belirleme
Öz
Çokluortam öğrenme materyallerinin (ÇÖM) duygusal tasarımı ile öğrenenlerde belirli bir duygu oluşturma (olumlu-olumsuz), öğrenenlerin motivasyonlarını düzenleme, bilişsel özelliklerini ve öğrenme çıktılarını etkileme gibi hedefler güdülmektedir. Bununla birlikte, ÇÖM’lerin duygusal niteliğini sağlamak için belirli yönergelerin geliştirilmesi önemlidir. Bu çalışmada, metinleri açısından olumlu ve olumsuz duygusal tasarıma sahip iki ÇÖM’ün duygu salınımını belirlemek için duygu haritası modeli (DHM) kullanılmıştır. DHM sözlük (lexicon) tabanlı bir metin duygu analizi (sentiment analysis) aracıdır. DHM sürecine göre; öncelikle olumlu ve olumsuz ÇÖM’ler cümle cümle ayrılmış ve her bir cümlenin duygu tonu hesaplanmıştır. Ardından olumlu ve olumsuz ÇÖM’ler için hesaplanan duygu ton değerleri Shewhart Kontrol Diyagramı üzerine yerleştirilerek metinlerin duygu salınımları görselleştirilmiştir. Duygu salınımı içerisinde; istikrarlı, belirgin, baskın, şiddetli duyguların yer aldığı bölgeleri belirlemek için analiz kuralları uygulanmış ve bu bölgeler diyagram üzerinde belirginleştirilmiştir. Sonuç olarak, olumlu ÇÖM’deki duygu salınımlarında olumsuz ÇÖM’e göre daha fazla istikrarlı bölgenin yer aldığı görülmüştür. Bu bağlamda, ÇÖM’lerde yer alan metinlerin DHM ile duygu analizinin yapılması, ÇÖM’lerin duygusal tasarımı ve öğrenme-öğretme süreçlerinde kullanımı tartışılmıştır.
Anahtar Kelimeler
duygu analizi , duygu haritası modeli , çokluortamla öğrenme , duygusal tasarım
Kaynakça
- Akgül, E. S., Ertano, C., & Diri, B. (2016). Sentiment analysis with Twitter. Pamukkale University Journal of Engineering Science, 22(2), 106-110.
- Bradley, M. M., & Lang, P. J. (1994). Measuring emotion: The self-assessment manikin and the semantic differential. Journal of Behavior Therapy and Experimental Psychiatry, 25(1), 49-59.
- Brom, C., Hannemann, T., Starkova, T., Bromova, E., & Dechterenko, F. (2016). Anthropomorphic faces and funny graphics in an instructional animation may improve superficial rather than deep learning: A quasi-experimental study. In J. Novoyn, & A. Jancarik (Eds.), Proceedings of the 15th European Conference on e-Learning, ECEL 2016 (pp. 89-97). Prague, Czech Republic: Academic Conferences and Publishing International Limited.
- Clark, R. C., & Mayer, R. E. (2016). e-Learning and the science of instruction: Proven guidelines for consumers and designers of multimedia learning (4th ed.). Hooken, New Jersey: John Wiley & Sons.
- Cobos, R., Jurado, F., & Blazquez-Herranz, A. (2019). A content analysis system that supports sentiment analysis for subjectivity and polarity detection in online courses. IEEE Revista Iberoamericana de Tecnologias del Aprendizaje, 14(4), 177-187.
- Dehkharghani, R., Saygin, Y., Yanikoglu, B., & Oflazer, K. (2016). SentiTurkNet: A Turkish polarity lexicon for sentiment analysis. Language Resources and Evaluation, 50(3), 667-685.
- Dong, C. (2007). Positive emotions and learning: What makes a difference in multimedia design? (Unpublished master’s thesis). New York University, New York, USA.
- Flemming, D. Cress, U., Kimming, S., Brandt, M., & Kimmerle, J. (2018). Emotionalization in science communication: The Impact of narratives and visual representation on knowledge gain and risk perception. Frontiers in Communication 3(3). DOI: 10.3389/fcomm.2018.00003
- Kühl, T., & Zander, S. (2017). An inverted personalization effect when learning with multimedia: The case of aversive content. Computers & Education, 108, 71-84.
- Liu, B. (2020). Sentiment analysis: Mining opinions, sentiments, and emotions (2nd Ed.). Cambridge: Cambridge University Press.