Sentor Dersliği: Yapay zekânın K-12 Eğitiminin Geleceğindeki Yeri

Sentor (Centaur; Kentaur): Yarı insan ve yarı at bedenli mitolojik karakter.

Şunu bir düşünün: Son iki yüzyıldır dünya çapında milyonlarca öğrenci hep aynı geometrik düzenle karşılaştı. Dikdörtgen sınıflar (derslikler), çizgi halinde dizilmiş sıralar, önde duran tek bir öğretmen. Sanayi Devrimi’nin mirası olan bu “fabrika modeli” eğitim sisteminin temel varsayımı basitti: Aynı yaştaki, aynı mahalleden gelen çocuklar kabaca aynı şekilde öğrenirler.

Ancak her deneyimli eğitimci şunu bilir ki bu yalnızca bir varsayım.

Gerçekte her öğrenci farklı. Biri ikinci dereceden denklemleri sezgisel olarak kavrarken duygusal düzenlemede zorlanır; diğeri derinlikli şiirler yazarken zaman yönetiminde başarısız olur. İnsan öğrenmesinin bu girintili çıkıntılı yapısı, her zaman standardizasyonun önündeki en büyük engel oldu.

I. Dersliğin Geometrisi ve Sentor‘un Vaadi

K-12 eğitiminin yüzyıllardır çözemediği bu “farklılaştırma ikilemi”ni eğitim psikoloğu Benjamin Bloom 1984’te çarpıcı bir şekilde ortaya koydu: Bire bir özel ders alan öğrenciler, geleneksel sınıflardaki akranlarına göre iki standart sapma daha iyi performans gösteriyordu. Bu bulgular “2 Sigma Sorunu” olarak literatüre geçti. Trajik olan ise çözümün pratikte uygulanamaz olmasıydı: Toplum her çocuğa özel öğretmen tutacak kadar zengin değildi.

İşte tam bu noktada yapay zekâ devreye giriyor. Şu anda eğitimde “fabrika modeli”nden “ağ tabanlı model”e doğru tarihi bir dönüşüm yaşıyoruz. YZ, algoritmik kişiselleştirme yoluyla Bloom’un 2 Sigma problemini çözme potansiyeli sunuyor. Geniş veri kümelerini analiz ederek her öğrencinin zihinsel topoğrafyasını haritalandırabiliyor ve onların özel bilişsel ve duygusal ihtiyaçlarına göre uyarlanmış içerik sunabiliyor [1].

Ancak bu değişim sadece teknik bir iyileşme değil pedagojik ilişkinin köklü bir yeniden yapılandırması. İnsan sezgisinin algoritmik hassasiyetle buluştuğu hibrit model olan “Sentor Öğretmen” kavramı, öğrenmenin doğası hakkında derin sorular ortaya atıyor:

YZ destekli kişiselleştirme, öğrencilerin özerkliğini zayıflatıyor mu?
Bilişsel işlerin makinelere devredilmesi öğretmenin mesleki sezgisini köreltir mi?
Bu araçlar Göteborg’un son teknoloji donanımlı okullarından Nairobi’nin kaynak kısıtlı sınıflarına kadar eşitlik açığını kapatabilir mi?

Bu makale, YZ temelli farklılaştırmanın kapsamlı bir analizini sunuyor. “Teknoloji ütopyası” ve “distopik korku” ikiliğinin ötesine geçerek çeşitli kültürel ve ekonomik bağlamlarda gerçek uygulamaları inceliyor. Otomasyon (öğretmenin yerini alma; İng. automation) ve güçlendirme (öğretmeni güçlendirme; ing. augmentation) arasındaki gerilimi araştırırken, YZ’nin zayıf internet erişimine rağmen kaynak kıtlığını çözdüğü üçüncü dünya başarı hikayelerini kuzey ülkeleriyle karşılaştırıyor. Temel mesaj net: Eğitimde YZ’nin amacı öğrenciyi sistem için değil, sistemi öğrenci için optimize etmek olmalı.

II. Farklılaştırmanın Bilişsel Haritalaması

YZ’nin “öğrenciye göre farklılaştırma”yı nasıl desteklediğini anlamak için önce şunu netleştirmemiz gerekli: Farklılaştırma yalnızca “hızlı öğrenme” değil. Öğrencilerin aynı standartlaştırılmış materyalde “farklı hızlarda ilerleme”si değil, öğrenme yolunun kendisinin “niteliksel dönüşüm”ü.

Gerçek farklılaştırma dört boyutta işlemekte [2]:

İçerik: Ne öğrenildiği
Süreç: Nasıl öğrenildiği
Çıktı: Öğrenmenin nasıl sergilendiği
Ortam: Öğrenmenin nerede gerçekleştiği

a. Üretken YZ ve İçerik Farklılaştırması

Uyarlanabilir platformlar (akıllı öğretim sistemleri) on yıllardır var olsa da 2022’den bu yana Üretken YZ (ing. Generative AI; kıs. GenAI) ve büyük dil modellerinin (LLM) patlaması oyunun kurallarını değiştirdi: Artık sadece “içerik seçimi” değil, “içerik üretimi” mümkün.

Seviyelendirilmiş Okuma: Bir öğretmen iklim değişikliği hakkında karmaşık bir makaleyi ChatGPT’ye yükleyip 4., 8. ve 12. sınıf okuma seviyelerinde üç farklı versiyon isteyebilir. Böylece farklı okuma becerilerine sahip öğrenciler aynı kavramları kendi seviyelerinde (yakınsal/yakınsak gelişim bölgesi; İng. zone of proximal development; kıs. ZPD) öğrenebilir [3].

Kişiselleştirilmiş Analojiler: Bir öğrenci örn. “hücre zarı” kavramını anlamakta zorlanıyorsa, YZ öğretmeni onun ilgi alanlarına göre özel analojiler oluşturabilir: Tarih meraklısı için “kale duvarı”, futbolsever için “kaleci”… Bu yaklaşım yeni bilgilere kişiselleştirilmiş anlamsal köprüler kurar.

b. Etki Kanıtı: Son On Yılın Bilimsel Bulguları

“Eğitimde yapay zekâ”ya (İng. artificial intelligence in education; kıs. AIEd) duyulan coşku çoğu zaman pazarlama söylemleriyle şişirilmiş olsa da son yıllardaki hakemli yayınlar sağlam, kanıta dayalı bir tablo çiziyor.

Etki Büyüklüğü: Meta-analizler YZ’nin henüz Bloom’un “2 Sigma” (etki büyüklüğü = 2,0) işaretine tutarlı biçimde ulaşmadığını ancak etkilerinin istatistiksel ve eğitimsel açıdan anlamlı olduğunu [4] gösteriyor. 2024’te 13 ampirik çalışmayı kapsayan bir meta-analiz Hedges’in g etki büyüklüğünü 0,86 olarak buldu [1]. Eğitim araştırmalarında 0,4 genellikle “denemeye değer” eşiği olduğundan 0,86 oldukça güçlü bir etki demek.

Alan Ayrımı: YZ’nin başarısı alanlara göre değişmekte. Matematik, fizik ve bilgisayar bilimleri gibi “iyi tanımlanmış alanlarda” mükemmel çalışıyor çünkü algoritmalarla kolayca eşleştirilebilen açık temel gerçekler ve mantıksal yapılar var. Ancak eleştirel düşünme, belirsizlik ve öznel yorumlamanın merkezi olduğu edebiyat veya sanat gibi “zayıf tanımlanmış alanlarda” etki büyüklükleri daha küçük ve ölçülmesi daha zor [5].

Yaş Grubu Farklılıkları:

K-5 (Anaokulu-5. Sınıf): Küçük çocuklar için dokunsal ve sosyal öğrenme kritik öneme sahip. Ekran tabanlı YZ müdahaleleri oyun tabanlı öğrenmeyi yerinden etme riski taşıyor [6]. Bu yaş grubunda en etkili YZ uygulaması “gizli değerlendirme” (resmi testlerle öğrenme akışını kesmeden arka planda ilerlemeyi izlemek).
6-12. Sınıflar: Yüksek öz düzenleme ve üstbilişsel becerilere sahip büyük öğrenciler için YZ kişiselleştirmesi güçlü sonuçlar vermekte. Özellikle telafi eğitiminde etkili ve yıllarca birikmiş bilgi boşluklarını kapatmalarına yardımcı oluyor [7].

Tablo 1: Geleneksel ve YZ Destekli Farklılaştırma Karşılaştırması

Farklılaştırma Tipi	Geleneksel Yöntem	YZ Destekli Yöntem
İçerik	Öğretmen 2-3 farklı zorluk seviyesinde okuma materyali seçer.	Üretken YZ öğrencinin okuma düzeyine uyacak şekilde metni gerçek zamanlı yeniden yazar [3].
Süreç	Öğretmen öğrencileri yeteneklerine göre gruplandırır.	Algoritmalar gerçek zamanlı performansa göre öğrencileri dinamik olarak yeniden gruplar (günlük/saatlik) [7].
Köprü Kurma	Öğretmen zorlandığını belirten öğrenciye ipucu verir.	Akıllı öğretim sistemi duraklama kalıplarını saptayarak “tam zamanında” ipucu sağlar [4].
Değerlendirme	Ünitenin sonunda genel (summatif) değerlendirme gerçekleşir.	Oyun oynama/etkileşim sırasında sürekli veri toplama (gizli değerlendirme) olur [8].

III. Öğrenmenin Duygusal ve Sosyal Boyutları

YZ bugün bilişsel farklılaştırmada güçlüyse de duygusal farklılaştırma karmaşık ve etik açıdan sorunlu bir alan olmaya devam ediyor. Öğrenme doğası gereği duygusal bir eylem: Hayal kırıklığı, can sıkıntısı, kaygı ve merak öğrenmenin yakıtı. “İnsan-öğretmen” ortamı sezgiyle okuyabilir: Kambur bir duruşu, donuk bir bakışı, tereddütlü bir tonu anında fark ederek dersine yön verebilir. Bu YZ’nin henüz ulaşamadığı bir yetkinlik.

a. Duygusal Bilişim: “Hisseden” Makine mi?

Duyuşsal bilişim (İng. affective computing) bu duygusal boşluğu kapatmaya adanmış bir disiplindir. Doğal dil işleme, yüz tanıma ve duygu analizi kullanan sistemler artık “öğrenme duygularını” tespit edebiliyor [7].

Saptama Mekanizmaları: Gelişmiş platformlar tuş vuruşu dinamiklerini (yazma hızı, silme sıklığı vb.), yüz ifadelerini ve ses tonlamasını analiz ederek öğrencinin durumunu anlamaya çalışıyor. Öğrenci hayal kırıklığına uğramışsa zorluk düşürülüyor; sıkılmışsa zorluk artıyor veya oyunlaştırılmış unsurlar ekleniyor.

Motivasyonel Destek: Bir öğrenci art arda üç hata yaptığında sistem sadece “yanlış” demek yerine şöyle yanıt verebilmekte: “Yaklaştın! İkinci adıma tekrar bakmayı dene. Dün benzer bir problemi çözmüştün.”

b. Yapay Empati Paradoksu

Son araştırmalar şaşırtıcı bir bulgu ortaya koydu: Ruh sağlığı bağlamında YZ’nin ürettiği yanıtlar bazen insan uzmanlardan daha empatik algılanıyor [9].

Yargılamasız Alan: Hipoteze göre YZ öğrenciye yargılanmadığı güvenli bir alan sunuyor. Öğrenciler bilgisizliklerini veya kafa karışıklıklarını bir öğretmene veya yaşıtlarına itiraf etmektense YZ’ye açmakta daha rahat hissedebiliyor çünkü sosyal sermaye risk altında değil. YZ’nin yorulmak bilmeyen sabrı (asla iç çekmez, asla saate bakmaz vb.) kaygı düzeyi yüksek öğrenciler için güçlü bir duygusal destek olabilmekte.

Simülasyona Karşı Gerçek Empati: Elbette simüle edilmiş empati ile ilişkisel empati arasında kritik bir ayrım var: YZ empatinin dilsel işaretlerini taklit edebiliyor ama bir insan-öğretmenin sağladığı ilişkisel güvenliğin yerini alamaz [10]. Bir başka deyişle bir makine bilişsel yükü paylaşabilir ama duygusal yükü paylaşamaz.

Sosyal Körelme Riski: Öğrenciler YZ’yi öncelediklerinde dayanıklılık ve müzakere becerilerini geliştirme fırsatlarını kaçırma riskleri artıyor. Kişiselleştirilmiş YZ ile izole olma hali, sosyal ve duygusal öğrenme için kritik olan yüz yüze etkileşimlerin azalması sonucunu beraberinde getiriyor [11].

c. Analoji: Uçuş Simülatörü ve Yardımcı Pilot

YZ’nin rolünü bir uçuş simülatörüne benzetebiliriz. Simülatör kaza riski olmadan becerileri uygulamak için güvenli bir ortam sağlar ama gerçek yolcuların uçakta olmasının getirdiği sorumluluk duygusunu taklit edemez. Benzer şekilde YZ de destekleyici bir öğrenme ortamını simüle edebilir ancak öğrencinin geçmişini, hayallerini ve aile bağlamını bilen bir insan-öğretmenin derin, dönüştürücü rehberliğini ona sağlayamaz. Bu anlamda YZ faydalı bir yardımcı pilot olabilir ama kaptan, öğretmen olmalıdır.

IV. Küresel Bağlam: İki Ayrı Ucun Öyküsü

Eğitimde yapay zekâ anlatısı çoğu zaman Silikon Vadisi ve Batılı teknoloji devleri tarafından domine ediliyor. Ancak YZ ile farklılaşmanın en yenilikçi uygulamalarından bazıları üçüncü dünya ve İskandinav ülkelerinde gerçekleşiyor. Kültürel ve ekonomik bağlam, YZ’nin “lüks bir eklenti” mi yoksa “kritik bir altyapı” mı olarak hizmet edeceğini belirliyor.

a. Nordik Model: Güven, Gizlilik ve Asistan Olarak Makine

Finlandiya ve İsveç’te YZ entegrasyonuna yaklaşım sosyal güven, öğretmen özerkliği ve güçlü veri gizliliği haklarına dayanıyor. Burada farklılaşma öğrencileri sınava göre standartlaştırmak değil, kolektif bir çerçeve içinde bireysel gelişimlerini desteklemek anlamına geliyor.

Finlandiya’nın Eduten (ViLLE) Platformu: Turku Üniversitesi’nde geliştirilen bu platform “öğretmenler tarafından + öğretmenler için” tasarlanmış YZ’nin önemli bir örneği [12] ve ABD’deki ticari “kara kutu” algoritmalarından farklı olarak Fin pedagojik ilkeleri temel alınarak geliştirilmiş.

Strateji: Platform öğrencileri yaklaşık yüzde 85’lik (motivasyon için optimal akış oranı) başarı oranında tutacak egzersizler atamak için YZ kullanıyor [13].
Öğretmenin Rolü: YZ notlandırma ve ödev farklılaştırması gibi zahmetli işleri üstlenirken öğretmene kimin yardıma ihtiyacı olduğunu gösteren bir gösterge paneli sağlıyor [12].
Gizlilik: Sistem GDPR (kişisel verilerin korunması) standartlarına uyarak veri minimizasyonuna öncelik veriyor [8].

İsveç’in YZ Okuryazarlığı Vurgusu: Müfredat algoritmaları kullanmadan önce nasıl çalıştıklarını anlamayı önceliklendiriyor. Bu eleştirel pedagoji öğrencilerin kişiselleştirmenin pasif alıcıları değil sistemlerin aktif eleştiricileri olmalarını sağlıyor [14].

b. Sıçrama ve Düşük Maliyetli İnovasyon

Gelişmekte olan ülkelerde YZ’nin itici gücü optimizasyon değil erişim. Öğretmen kıtlığı ve yüksek sınıf mevcudu (genellikle 50+ öğrenciye 1 öğretmen) koşullarında YZ araçları can simidi işlevi görmekte [15].

Kenya’nın M-Shule Projesi: Yüksek bant genişliği gerektiren video platformlarına erişimin zayıf olduğu koşullarda M-Shule projesi, Kenya’da kişiselleştirilmiş öğrenmeyi SMS üzerinden sağladı [16].

Mekanizma: Sistem öğrencilerin SMS testlerine verdikleri yanıtları analiz ediyordu ve bir sonraki mesaj dizisinin zorluk seviyesini buna göre ayarlıyordu.
Etki: Değerlendirmeler özellikle ev işleri nedeniyle devamsızlık yapan kız çocuklarında okuma-yazma ve matematik becerilerinde iyileşme gösterdi [17]. YZ eş zamanlı olmayan öğrenmeye olanak tanıyarak okul gününün zamansal sınırlarını ortadan kaldırdı.

Uruguay’ın Ceibal Projesi: “Her çocuğa ve öğretmene bir dizüstü bilgisayar” sağlayarak evrensel erişim altyapısı sağlayan bir proje oldu. Ülke çapında YZ’ye dayalı uyarlanabilir matematik platformu (kıs. PAM) devlet tarafından işletildi [18]. Uzak bir köydeki çocuk da Montevideo’daki çocuk da aynı nitelikte YZ destekli öğretmene bu proje çerçevesinde erişebildi [19].

Hindistan’ın Mindspark Platformu: “Öğrenme krizi”ni (5. sınıftaki öğrencilerin 2. sınıf okuma seviyesinde olması) teşhis etmek için YZ kullanan Mindspark, öğrencilerin resmi notunu değil gerçek yeterlilik düzeylerini baz aldı. “Doğru Seviyede Öğretim” (İng. Teaching at the Right Level; kıs. TaRL) yaklaşımı özellikle en düşük performans gösteren öğrenciler için güçlü sonuçlar verdi [20].

c. Karşılaştırmalı Bakış

Bu çok kültürlü analizden çarpıcı bir kontrast çıkıyor: Küresel Kuzey’de YZ zaten varlıklı olan ortamı daha da zenginleştirirken diğer tarafta (üçüncü dünyada) birçok öğrenci için ise farklılaştırılmış eğitimin birincil kaynağı rolüne bürünüyor. Bu iki kademeli bir küresel sistem yaratma riskini beraberinde getirmekte: Zenginler için insan-öğretmenler, yoksullar için robot-öğreticiler. Bu riski bertaraf etmek için gelişmekte olan ülkelerin yerel öğretmenleri atlamak yerine onları güçlendiren sistemlere geçmesi gerektiği söylenebilir [21].

V. Güçlendirmeye Karşı Otomasyon Paradoksu

YZ’nin eğitim farklılaştırmasındaki en tartışmalı konu bir öğretmene yardımcı olmak ile onu tamamen değiştirmek arasındaki ince sınır. Literatür “güçlendirme (İng. augmentation; öğretmenin işlevini güçlendirme)” ve “otomasyon (İng. automation; öğretmeni YZ ile değiştirme)” arasında net bir ayrım yapıyor [10] ve bu ayrım öğretmenlik mesleğinin geleceğinin dayandığı temel nokta.

a. Otomasyon Tuzağı

Farklılaştırılmış eğitimde otomasyon tipik olarak “çalma listesi (İng. playlist) eğitimi” şeklinde kendini gösteriyor: Öğrenciler sıralar halinde oturur, kulaklık takar ve öğrenme yollarını belirleyen bir ekranla etkileşim kurar. Bu senaryoda öğretmen bir “kolaylaştırıcı” veya sadece disiplin sağlayıcısı haline gelir.

Beceri Kaybı Riski: YZ tüm işi yaparsa öğretmenler “tanılayıcı sezgi”lerini kaybedebilir. Tıpkı otomatik pilota güvenen bir pilotun manuel acil durumda zorlanabileceği gibi, YZ’ye güvenen bir öğretmen de zorlanmanın ince ipuçlarını (sesteki endişeyi, karalanan yanıtları) fark etme yetkinliğini kaybedebilir [11].

Müfredatın Daraltılması: Otomasyon kolay ölçülebileni tercih eder. YZ matematiksel gerçekleri ayırt edebilir ama yaratıcı yazmayı veya yurttaşlık bilgisini değerlendiremiyorsa müfredat sessizce ilkine (kolay ölçülebilenlere) kayabilir [22].

b. Güçlendirmenin Modeli: Sentor-Öğretmen

Güçlendirme (İng. augmentation) ise “insan yeteneklerini genişletmek” hedefiyle YZ’yi kullanır. “Sentor” (yarı insan ve yarı at bedenli mitolojik karakter) metaforuyla sembolize edilen bu modelde insan-YZ hibrit takımları hem saf yapay zekâyı hem de sadece insanlardan oluşan ekipleri alt edebilmeyi vadediyor. YZ “yüksek hacim + düşük karmaşıklık” görevleri (örn. not verme, veri analizi vb.) üstlenirken öğretmen ise “düşük hacim + yüksek karmaşıklık” görevlerine (örn. mentorluk, karmaşık müdahale, duygusal düzenleme vb.) odaklanıyor.

Örnek: YZ destekli öğretmen “Bu öğrenciye kesirleri öğret.” demez. Bunun yerine YZ’den kesirler için üç farklı analoji (pasta dilimleri, müzik ritimleri, pil şarj seviyeleri) üretmesini ister ve öğrenci hakkındaki kişisel bilgilerini kullanarak hangisinin ona hitap edeceğini seçer [6].

Şehir Planlama Analojisi: Şehir planlamasında YZ, planlamacıların daha iyi şehirler tasarlamasına yardımcı olmak için trafik modellerini analiz eder ama şehrin kendisini inşa etmez. Benzer şekilde eğitimde de YZ, öğrenme süreçlerini analiz eder ve “tıkanıklıkları” (öğrencilerin sıkıştığı yeri) belirleyerek öğretmenin “kavşakları” (ders planını) yeniden tasarlamasına yardımcı olur [23].

Tablo 2: YZ Entegrasyonu Spektrumu

Özellik	Otomasyon (Robot-Öğretici)	*Güçlendirme (Sentor-Öğretmen)*
Karar Verme	Algoritma bir sonraki dersi belirler.	Algoritma seçenekler sunar; öğretmen karar verir.
Öğretmen Rolü	İzleme ve teknolojik destek sağlar.	Öğrenme mimarı / mentor olur.
Dönüt	Standartlaştırılmış, önceden yazılmış yanıtlar sağlar.	YZ dönüt taslağı oluştururken öğretmen ise düzenler ve kişiselleştirir.
Hedef	Verimlilik ve standardizasyon sağlar.	Eylemlilik ve derinlemesine kavrayış sağlar.

VI. Beklenmedik Sonuçlar ve Etik Tehlikeler

Okullar YZ araçlarını benimsemek için acele ederken araştırmalar satın alma sürecinde göz ardı edilen önemli “ikinci dereceden” etkileri ortaya koyuyor: YZ’nin eğitimi farklılaştırma yeteneğini güçlü kılan mekanizmalar aynı zamanda onu tehlikeli de kılmakta.

a. YZ’yi Eğitme Verilerinin Yanlılığı ve “WEIRD” Problemi

YZ modelleri geçmiş veriler üzerinde eğitiliyor. Ancak şu var ki başlıca LLM’ler ve uyarlanabilir eğitim araçlarının çoğu “WEIRD” (Western/Batılı, Educated/Eğitimli, Industrialized/Sanayileşmiş, Rich/Zengin, Democratic/Demokratik) tabir edilen topluluklardan elde edilen veriler üzerinde eğitilmekte.

Kültürel Yanlılık: Yukarıda sözü edilen modeller üçüncü dünya ülkelerinde uygulandığında kültürel bağlamdan yoksun kalabiliyor ve yerel dilleri, bilgi sistemlerini veya Batı dışı akıl yürütme biçimlerini “hatalar” olarak yorumlayabiliyor.

Algoritmik Kırmızı Çizgi: Mevcut veriler belirli demografik grupların belirli konularda zorlandığını gösteriyorsa YZ bu gruptan yeni bir öğrencinin başarısız olacağını “varsayarak” zorluk seviyesini düşürebilir. Bu ise düşük beklentilerin kendi kendini gerçekleştiren kehanetine dönüşür: YZ bu gruplardaki öğrenciler için asla kaçamayacakları bir girdap oluşturur [11].

b. Kişiselleştirmenin Yankı Odası

Sosyal medyada yankı odalarını biliyoruz: Algoritmalar bize yalnızca aynı fikirde olduğumuz şeyleri gösteriyor. Benzer şekilde eğitimde “aşırı kişiselleştirme” de bir “öğrenme yankı odası” meydana getirme riski taşıyabilmekte.

Körelme: Bir YZ sürekli öğrencinin tercih ettiği öğrenme stiline uyum sağlarsa (örn. sadece videolar gösterirse) öğrenci metinlerden veya derslerden öğrenme alışkanlığı geliştirmede geri kalabilir.

“Verimli Mücadele”nin Kaybı: Öğrenme, zorluk (İng. friction) gerektiren bir proses. YZ her zorlanmada zorluk düzeyini düşürürse öğrenci “verimli mücadele”den (yani derin nöroplastisite için gerekli bilişsel çabadan) mahrum kalır. Böyle bir tabloda sistem, “öğrenme”yi değil “öğrencinin tıklamaya devam etmesi”ni optimize eder [24]. Dolayısıyla “öğrenme verimliliği”, “devamlılık” uğruna feda edilir.

c. Veri Gizliliği ve “Gözetim Kapitalizmi”

Eğitimde farklılaştırma büyük miktarda veri gerektiriyor. Sistemin farklılaştırmayı nasıl yapacağını bilmesi için ise öğrencinin hızını, hata kalıplarını ve duygusal durumunu bilmesi gerekmekte.

Çocukluğun “Veri”ye Dönüşümü: Dijital eğitim platformları öğrenci başına günde binlerce veri topluyor; sıkı düzenleme olmadığında ise bu veriler ticarileştirilebilir. Bir öğrencinin “öğrenme profili”nin (örn. ‘matematikte yavaş öğrenen’, ‘motivasyonu kolay düşen’ vb.) yetişkinliğe kadar onu takip etmesi ve potansiyel kariyer patikasını (örn. üniversite kabulünü, iş olanaklarını vb.) etkilemesi bir tehlike olarak değerlendirilebilir [6].

d. Sosyal Öğrenme Erozyonu

Vıgotski öğrenmenin temelde “sosyal” bir şey olduğunu savunmuştu: Fikirleri paylaşarak, anlamı müzakere ederek ve başkalarına öğreterek öğreniyoruz. Son derece kişiselleştirilmiş YZ eğitimi ise aksine izole edici: Bir öğrenci ve bir ekran. Araştırmalar bunun kısa vadede bireysel beceri kazanımını iyileştirse de uzun vadede iş birliği, tartışma ve müzakere gibi sosyal-duygusal becerileri bozabileceğini gösteriyor [25]. Kişiselleştirilmiş ekranlara bakan otuz öğrenciden oluşan bir sınıf, günün sonunda bir “öğrenme topluluğu” değil ancak bir “insan topluluğu” olarak nitelenebilir.

VII. Eşit Uygulama İçin Tasarım İlkeleri

Riskleri azaltırken YZ’nin eğitimde farklılaştırma gücünden nasıl yararlanabiliriz? UNESCO, Dünya Ekonomik Forumu ve akademik araştırmalardan [26] elde edilen çerçevelere dayanarak şu tasarım ilkelerini önerilebilir:

a. “Yama” ile Değil “Tasarım” ile Eşitlik

Eşitlik sonradan akla gelen bir şey olamaz. Sistemler zarar meydana geldikten sonra düzeltilmek yerine önleyici yaklaşımla kullanıma sunulmadan önce denetlenmeli.

“Engelli Rampası” Etkisi: YZ marjinal durumlar için tasarlanmalı: Örn. öğrenme güçlüğü çeken bir öğrenci için işe yarayan sistem, büyük olasılıkla herkes için işe yarar ve tasarı sürecinde bu yaklaşım gözetilmeli.
Şeffaflık ve Açıklanabilirlik: Farklılaştırmanın mantığı görünür olmalı. Öğretmen ve öğrenci “YZ neden bu görevi verdi?” diye sorabilmeli ve anlaşılabilir yanıt alabilmeli. Kara kutu algoritmalarının (yani çalışma mekanizması bilinmeyen ve/veya keşfedilemeyen araçların) yüksek riskli eğitimde yeri yok [27].

b. “İnsan Odaklı Süreç” Zorunluluğu

Eğitim politikası, yüksek riskli konularda “tamamen otomatik karar verme”ye izin vermemeli:

Notlandırma: YZ not önerebilir ama son kararı insan vermeli.
Müdahale: YZ eğitim süreçlerinde müdahale önerebilir ama bunu insan ekibi (öğretmenler, veliler, psikologlar) değerlendirmeli [26].
Yetki: Öğretmenler YZ’nin önerilerini geçersiz kılma yetkisine sahip olmalı.

c. Veri Egemenliği ve Minimalist Yaklaşım

K-12 okulları veri konusunda “minimalist” yaklaşım benimsemeli: Sadece belirli pedagojik müdahale için gerekli verileri toplamalı ve sonrasında silmeli. Bu özellikle “dijital sömürgecilik”in gerçek bir korku olduğu üçüncü dünyada kritik bir gereklilik. Uluslar eğitim verilerine sahip olmalı ve öğrencilerin öğrenme modellerinin fikri mülkiyeti ulusal varlık olarak kalmalı [21].

d. Pedagoji İlkelerine Uyum

YZ, müfredatı yönlendirmemeli. Müfredat, hedefleri belirleyen şeydir; YZ ise yalnızca “lojistik motoru” olarak eylem yürütmeli. “Önce pedagoji, sonra teknoloji” ilkesi gereği bir okul proje tabanlı öğrenmeyi önemsiyorsa YZ, amaçsız zorunluluk için değil projeleri destekleme amacıyla kullanılmalı [28].

VIII. Eğitimciler İçin Uygulanabilir Çıkarımlar

Sahada çalışan uygulayıcılar için teori ilk günden itibaren eyleme dönüşmeli. İşte K-12 eğitiminde YZ farklılaştırmasını sorumlu biçimde uygulamaya yönelik pratik bir çerçeve:

a. “YZ’ye Hazırlık” Yapılacaklar Listesi

Aşama 1 / Araç Temini ve Politika (Bölgesel Ölçek):

Denetim: YZ aracının sağlayıcısı etki değerlendirme raporu sundu mu? Araç nasıl eğitildi? Eğitim verileri öğrenci popülasyonumuzu temsil ediyor mu?
Veri gizliliği: Araç yerel yasalara (GDPR, FERPA, KVKK vb.) uygun mu? Öğrenci verilerinin sahibi kim? İstek üzerine silebilir miyiz?
Birlikte çalışabilirlik: Araç mevcut sistemlerle (örn. LMS, öğrenci bilgi sistemi vb.) iletişim kuruyor mu yoksa ayrı veri siloları mı oluşturacak?

Aşama 2 / Uygulama (Okul Ölçeği):

Öğretmen eğitimi: Öğretmenler sadece aracı kullanmak için değil onu yanlışlamak için de eğitiliyor mu? “Güçlendirme” ve “otomasyon” arasındaki farkı anlıyorlar mı?
Sınırlılık: Ekran süresine sınırlar koyun. YZ farklılaştırmasını grup çalışması ve çevrim dışı eğitimle dengeleyin.
Veli iletişimi: Veliler YZ’nin çocuklarının öğrenme sürecini nasıl şekillendirdiği konusunda bilgilendiriliyor mu?

Aşama 3 / Sınıf Pratiği (Öğretmen Ölçeği):

“Neden” testi: Bir öğrenciye neden yanındaki öğrenciden farklı ödev yaptığını açıklayabilir misiniz? (‘Bilgisayar öyle söyledi’ yeterli değil; örn. ‘Kavramı dün iyice öğrendin, bugün ise yeni bir probleme uyguluyorsun’ olmalı.)
İzleme: YZ’nin sağladığı boş zamanı özellikle sessiz veya içine kapanık öğrencilerle etkileşim kurmak için kullanın.
Eleştirel YZ okuryazarlığı: Aracı bir derse dönüştürün. Öğrencilere “Yapay zekânın size katkı sağladığını düşünüyor musunuz ve neden?” diye sorun.

b. Strateji: Üç Katmanlı Farklılaştırma Modeli

Öğretmenler kademeli yaklaşım kullanarak YZ’ye dayalı farklılaştırmayı hemen uygulamaya koyabilir:

Katman 1 (Tüm Öğrenciler): YZ’yi üretken temel (İng. scaffolding) oluşturmak için kullanın.

Eylem: ChatGPT gibi araçları kullanarak “seviyelendirilmiş metinler” oluşturun. Karmaşık bir haber makalesinden 4., 8. ve 12. sınıf okuma seviyelerinde versiyonlar isteyin. Böylelikle tüm öğrenciler aynı içeriğe kendi “yakınsal gelişim alanlarında (ZPD)” erişmiş olacaklar [3].

Katman 2 (Hedeflenmiş Gruplar): YZ’yi düzeltme ve uygulama için kullanın.

Eylem: Verilerle belirlenen beceri eksikliklerini gidermek için örn. günde 20 dakika uyarlanabilir eğitim platformları kullanın. Bu, temel eğitime “günlük takviye” yaklaşımıdır.

Katman 3 (Yoğun Destek): YZ’yi destekleyici teknoloji olarak kullanın.

Eylem: Konuşmayı metne dönüştürme, metni konuşmaya dönüştürme, görüntü tanıma vb. araçları kullanarak örn. engelli öğrencilerin mekanik engellerden etkilenmeden anlama becerilerini göstermeleri sağlanabilir [22].

IX. Sonuç: Döngüdeki “İnsan” Etmeni

Araştırmalar kesin bir dille şunu ortaya koyuyor: YZ farklılaştırma için güçlü bir teknoloji. İnsan gözünün göremediği kalıpları tespit edebiliyor ve herhangi bir insan elinden daha hızlı içerik üretebiliyor. Bu yetenekleriyle kıtlık ortamlarında can simidi, bolluk ortamlarında ise optimize edici enstrüman. “Dersliğin alışılageldik geometrisi”ni ve 2 Sigma Sorunu‘nu (bkz. Bölüm 1) büyük ölçüde çözme konusunda ilk gerçek umudu vadediyor.

Ancak bu makalede derlenen bulgular bizi tekil, belki de sezgisel olmayan bir sonuca götürmekte: Nihai farklılaştırıcı unsur halen “öğretmen”. Bir makine, öğretimin içeriğini farklılaştırabilir ama eğitimi (çocuğun gelişimini) bütünsel olarak farklılaştırabilen yalnız ve yalnız bir insandır.

YZ bir öğrenciye yanlış yaptığını söyleyebilir ama yalnızca bir “öğretmen” ona yetenekli olduğunu söyleyebilir.
YZ verimliliği optimize edebilir ama “insanlığı” optimize edebilen yalnız ve yalnız bir “öğretmen”dir.

Önümüzdeki on yılın riski YZ’nin işe yaramaması değil “çok fazla işe yaraması”: Bizi “verimli ama yalnız”, ekran tabanlı bir tüketim dünyasına hapsetmesi.

Farklılaştırılmış öğrenmenin geleceği “robot-öğretici” ve “insan-öğretmen” arasında seçim yapmakta değil; Sentor-öğretmen hibrit bir ideal yol olarak önümüzde şekilleniyor. Tehlike ise teknolojinin kendisinde değil onu yönlendirme sorumluluğumuzdan vazgeçmemizde yatıyor.

Eğer YZ’nin insanı “başka bir şeyle değiştirmek” yerine “güçlendirdiği” Sentor derslikleri oluşturursak, sonunda “öğrenciyi sisteme uydurmak” yerine “öğrenciye uyan bir eğitim sistemi” meydana getirebiliriz.

Kaynakça

[1] Zhang, J., Jantakoon, T., & Laoha, R. (2025). Meta-analysis of artificial intelligence in education. ERIC. https://files.eric.ed.gov/fulltext/EJ1465704.pdf

[2] Goyibova, N., Muslimov, N., Sabirova, G., Kadirova, N., & Samatova, B. (2025). Differentiation approach in education: Tailoring instruction for diverse learner needs. Cureus, 16(12), e75432. https://pmc.ncbi.nlm.nih.gov/articles/PMC11786651/

[3] Microsoft. (2025). 2025 AI in education: A Microsoft special report. https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/bade/documents/products-and-services/en-us/education/2025-Microsoft-AI-in-Education-Report.pdf

[4] Hu, S. (2024). The effect of artificial intelligence-assisted personalized learning on student learning outcomes: A meta-analysis based on 31 empirical research papers. https://www.researchgate.net/publication/384474169_The_Effect_of_Artificial_Intelligence-Assisted_Personalized_Learning_on_Student_Learning_Outcomes_A_Meta-Analysis_Based_on_31_Empirical_Research_Papers

[5] Chen, Y., Huang, L., & Gou, T. (2024). Applications and advances of artificial intelligence in music generation: A review. arXiv. https://arxiv.org/html/2409.03715v1

[6] Akgun, S., & Greenhow, C. (2021). Artificial intelligence in education: Addressing ethical challenges in K-12 settings. AI and Ethics, 1(4), 431-440. https://pmc.ncbi.nlm.nih.gov/articles/PMC8455229/

[7] Chen, Y. (2025). Evaluation of the impact of AI-driven personalized learning platform on medical students’ learning performance. https://pmc.ncbi.nlm.nih.gov/articles/PMC12465117/

[8] Kivinen, K., Aslama Horowitz, M., Haasio, A., Havula, P., Laru, J., Miinin, M., Pönkä, H., Ruiz, P., Saariaho, A., Silander, P., & Toikkanen, T. (2025). AI guide for teachers: Digital information literacy. https://www.oph.fi/sites/default/files/documents/AI_Guide_for_Teachers_Digital_Information_Literacy.pdf

[9] Franke Föyen, L., Zapel, E., Lekander, M., Hedman-Lagerlöf, E., & Lindsäter, E. (2025). Artificial intelligence vs. human expert: Licensed mental health professionals’ perceptions. https://pmc.ncbi.nlm.nih.gov/articles/PMC12169703/

[10] Thunderbird School of Global Management at Arizona State University. (2025). From automation to augmentation: Human skills in the age of AI. https://thunderbird.asu.edu/thought-leadership/insights/from-automation-to-augmentation

[11] Merino-Campos, C. (2025). The impact of artificial intelligence on personalized learning in higher education: A systematic review. Journal of Educational Technology, 4(2), 17. https://www.mdpi.com/2813-4346/4/2/17

[12] Eduten. (2024). The power of personalized learning. Medium. https://eduten.medium.com/the-power-of-personalized-learning-f620cf968a70

[13] Kippo, J. (2024). Maths assignments tailored with Eduten’s data improve learning outcomes. https://arkisto.sitra.fi/en/cases/maths-assignments-tailored-with-edutens-data-improve-learning-outcomes/

[14] Steinbauer-Wagner, G., Kandlhofer, M., Chklovski, T., Heintz, F., & Koenig, S. (2021). A differentiated discussion about AI education K-12. https://www.researchgate.net/publication/351568923_A_Differentiated_Discussion_About_AI_Education_K-12

[15] Arias Ortiz, E., Castro, N., Forero, T., Gambi, G., Giambruno, C., Pérez-Alfaro, M., & Rodríguez Segura, D. (2025). AI and education: Building the future through digital transformation. Inter-American Development Bank Publications. https://publications.iadb.org/publications/english/document/AI-and-Education-Building-the-Future-Through-Digital-Transformation.pdf

[16] Sahai, A. K. (2025). Realising AI in Africa’s education systems. https://cioafrica.co/realising-ai-in-africas-education-systems/

[17] Mongeau, C., & M-Shule Team. (2020). M-Shule. https://solve.mit.edu/challenges/learning-for-girls-and-women/solutions/29949

[18] Muthukrishna, M., Dai, J., Panizo Madrid, D., Sabherwal, R., Vanoppen, K., & Yao, H. (2025). AI can revolutionise education but technology is not enough: Human development meets cultural evolution. Learning and Individual Differences, 123, 102517. https://www.tandfonline.com/doi/full/10.1080/19452829.2025.2517740

[19] Molina, E., Cobo, C., Rovner, H., Novali, A., & Pineda, J. (2024). Ceibal: Transforming education in Uruguay through technology (Digital Innovations in Education Brief No. 2). The World Bank. https://documents1.worldbank.org/curated/en/099038209252435210/pdf/IDU-120af840-9d68-4ceb-b767-7c9bcf6bbc5d.pdf

[20] de Barros, A., & Ganimian, A. (2017). T The impacts of computer-based individualized instruction on math learning in India. https://www.povertyactionlab.org/evaluation/impacts-computer-based-individualized-instruction-math-learning-india-0

[21] Nyakundi, D., Oginga, A., & Omar, S. (2024). The role of artificial intelligence in African education systems: The use of automated decision-making in form one placements in Kenya. https://cipit.org/wp-content/uploads/2024/09/The-Role-of-Artificial-Intelligence-in-African-Education-Systems-The-Use-of-Automated-Decision-Making-in-Form-One.pdf

[22] Office of Communications, College of Education, University of Illinois. (2024). AI in schools: Pros and cons. College of Education, University of Illinois. https://education.illinois.edu/about/news-events/news/article/2024/10/24/ai-in-schools–pros-and-cons

[23] ESRI. (2024). Generative AI in urban planning - a prototype. https://www.esri.com/arcgis-blog/products/city-engine/design-planning/generative-ai-in-urban-planning

[24] Dong, B., Lechot, C., Kudinov, D., Snider, J., & Wallace, S. (2024). The case(s) against personalized learning. https://www.edweek.org/technology/the-cases-against-personalized-learning/2017/11

[25] Klimova, B., & Pikhart, M. (2025). Exploring the effects of artificial intelligence on student and academic well-being in higher education: A mini-review. https://pmc.ncbi.nlm.nih.gov/articles/PMC11830699/

[26] Wynants, S., Childers, G., De La Torre Roman, Y., Budar-Turner, D., & Vasquez, P. (2025). ETHICAL principles AI framework for higher education. https://genai.calstate.edu/communities/faculty/ethical-and-responsible-use-ai/ethical-principles-ai-framework-higher-education

[27] Sanchez, T. W., Brenman, M., & Ye, X. (2024). The ethical concerns of artificial intelligence in urban planning. Journal of the American Planning Association. https://www.tandfonline.com/doi/full/10.1080/01944363.2024.2355305

[28] Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 44(4), 795-803. https://journals.aom.org/doi/10.5465/amr.2018.0072