Python/Flask

Ögrenme Haritasi / Learning Map Web

Proje ayni zamanda TUBITAK 2209/a kapsaminda desteklenmistir. Bu projede, ögrencilerin ögrenmek istedikleri konular temel alinarak yapay zekâ destekli kisisellestirilmis ögrenme planlari üreten bir web ve mobil uygulama gelistirilmistir. Ögrenciler yalnizca ögrenmek istedikleri konuyu sisteme yazarak; haftalik çalisma programi, önerilen kaynaklar (YouTube videolari, makaleler, kitaplar, Udemy kurslari) ve ögrenme sürecine dair görsellestirmeler elde edebilmektedir. Projenin temel amaci, ögrencilerin ögrenme süreçlerini bireysellestirerek verimliligi artirmak, motivasyonu desteklemek ve egitimde firsat esitligine katki saglamaktir. Uygulama, Flask tabanli web arka ucu ve React Native mobil istemci ile gelistirilmis olup, ögrencilerin ögrenme planlarini PDF olarak indirilebilen çiktilar ve API tabanli entegrasyon araciligiyla sunmaktadir. Proje kapsaminda baslangiçta EdNet veri seti kullanilmak istenmis ancak veri setinin çok büyük olmasi uygulamanin performansini ciddi sekilde yavaslatmistir. Bu nedenle, daha uygun boyuttaki ASSISTments veri seti tercih edilmistir. Veri yetersizligi sorununu asmak için ise OpenAI API entegrasyonu yapilarak, veri seti genisletilmis ve öneri sisteminin dogrulugu artirilmistir. [EN] Iste projenizin akademik ve profesyonel diline uygun, akici bir Ingilizce çevirisi: Ingilizce Çeviri (English Translation) The project was also supported within the scope of the TUBITAK 2209-A program. In this project, a web and mobile application was developed that generates AI-powered personalized learning plans based on the topics students wish to learn. By simply typing the topic they want to master into the system, students can obtain a weekly study schedule, recommended resources (YouTube videos, articles, books, Udemy courses), and visualizations regarding their learning process. The primary objective of the project is to increase efficiency, support motivation, and contribute to equal opportunity in education by individualizing students' learning experiences. The application is built with a Flask-based web backend and a React Native mobile client, delivering learning plans through downloadable PDF outputs and API-based integration. Initially, the EdNet dataset was intended to be used within the scope of the project; however, the massive size of the dataset severely degraded the application's performance. Consequently, the more appropriately sized ASSISTments dataset was preferred. To overcome the data scarcity issue, OpenAI API integration was implemented, which expanded the dataset and enhanced the accuracy of the recommendation system.