---
title: "Uyarlanabilir Öğrenme Gerçekte Nasıl Çalışır? | Fermat"
description: "Eğitimde yapay zekanın pedagojik temeli: bilgi izleme, kavram yanılgısı haritalama ve aralıklı tekrar planlama. Alanın nasıl işlediği, neyi yapabildiği ve nerede insan öğretmenin yerini alamadığı."
url: https://fermatvip.com/yapay-zeka-egitimde-nasil-calisir
lang: tr
publisher: Fermat Eğitim Kurumları (İzmir, Konak/Alsancak)
date_modified: 2026-08-02
---

# Uyarlanabilir Öğrenme Gerçekte Nasıl Çalışır? Ölçme, Modelleme, Uyarlama

Eğitimde yapay zekanın pedagojik temeli: bilgi izleme, kavram yanılgısı haritalama ve aralıklı tekrar planlama. Alanın nasıl işlediği, neyi yapabildiği ve nerede insan öğretmenin yerini alamadığı.

Fermat Akademik Planlama Birimi · 1 Nisan 2026 · güncellendi 2 Ağustos 2026 · 12 dakikada okunur

Kısa cevap (yönetici özeti): Eğitimde yapay zekanın işi "soru çözmek" değildir. Üç adımlı bir döngü yürütür: **ölçer** (öğrencinin hangi kazanımda nerede olduğunu olasılıksal olarak tahmin eder), **modeller** (bu tahmini her yeni veriyle günceller) ve **uyarlar** (bir sonraki içeriği bu modele göre seçer). Bu döngünün pedagojik değeri, öğretmenin yerine geçmesinden değil; onun göremeyeceği kadar ince ve sık bir geri bildirim üretmesinden gelir.

Değerli velilerimiz ve sevgili öğrencilerimiz;

"Yapay zeka destekli eğitim" ifadesi bugün o kadar yaygın kullanılıyor ki, altında ne olduğu çoğu zaman belirsiz kalıyor. Bu yazıyı, alanın *gerçekte nasıl işlediğini* — Fermat'a özgü olanı değil, genel mekanizmayı — açıklamak için hazırladık. Amacımız hem bir kurumu değerlendirirken doğru soruları sorabilmenizi sağlamak hem de sınırları açıkça yazmak.

bu yazının haritası

*01* Birinci adım: ölçmek*02* İkinci adım: modellemek — hata da bir…*03* Üçüncü adım: uyarlamak — ne, ne zaman*04* Peki bu neden tek başına yeterli değil?*05* Ölçmenin gölge tarafı: gösterge hedefe…*06* Öğrenci verisi ne kadar süre anlamlı kalır?*07* Bir kurumun "yapay zeka" vaadi nasıl…

## Birinci adım: ölçmek

Her uyarlanabilir sistemin başlangıç noktası bir tahmindir: *bu öğrenci bu kazanımı biliyor mu?* Bu soruya "evet/hayır" ile yanıt vermek yanıltıcıdır — bir soruyu doğru yapmak bilmeyi kanıtlamaz (şans, eleme, ezber), yanlış yapmak da bilmemeyi kanıtlamaz (dikkat, süre, okuma).

Bu nedenle alan, ikili yargı yerine **olasılık** ile çalışır. Bilgi izleme (knowledge tracing) yaklaşımlarında her kazanım için bir "bilme olasılığı" tutulur ve öğrenci her soru çözdüğünde bu olasılık güncellenir. Doğru cevap olasılığı yükseltir, yanlış cevap düşürür; ancak hiçbiri sıfır ya da bire götürmez. Model, tek bir gözlemle karar vermez.

Bunun pratik önemi büyüktür: sistem "matematikte zayıf" gibi kaba bir etiket üretmez; "üstel fonksiyonların grafik dönüşümünde bilme olasılığı düşük, ancak logaritma özelliklerinde yüksek" düzeyinde bir ayrım yapar. Müdahalenin isabetli olmasını sağlayan da bu çözünürlüktür.

## İkinci adım: modellemek — hata da bir veridir

Ölçmenin ikinci katmanı, yanlışın *türünü* ayırt etmektir. Bu, alanın en değerli ve en az anlaşılan kısmıdır.

Pratikte dört ayrı kayıp türü vardır ve çözümleri birbirinin yerine geçmez: **bilgi eksiği**, **kavram yanılgısı**, **süre yönetimi** ve **okuma-dikkat**. Bir sistem yalnızca doğru/yanlış sayıyorsa bu dördünü ayıramaz ve ürettiği öneri kaçınılmaz olarak kaba kalır: "bu konuyu tekrar et."

Kavram yanılgısının tespiti burada özel bir yer tutar. Yanılgı, rastgele hatadan farklı bir imza taşır: öğrenci belirli bir çeldiriciyi *ısrarla* seçer. Örneğin limitin, fonksiyonun o noktadaki değeri sanılması ya da türevin yalnızca eğim ezberine indirgenmesi; farklı sorularda aynı yanlış yolu üretir. Chi ve arkadaşlarının (1989) kendini açıklama çalışmaları bu noktada tamamlayıcıdır: yanılgı, öğrenci kendi çözümünü gerekçelendirdiğinde tam olarak görünür hâle gelir — yani makinenin işaret ettiği yeri insan öğretmen doğrular.

## Üçüncü adım: uyarlamak — ne, ne zaman

Model kurulduktan sonra soru şuna döner: bu öğrenciye şimdi ne verilmeli?

Burada iki ayrı literatür devreye girer. **İçerik seçimi** tarafında Vygotsky'nin (1978) yakınsak gelişim alanı kavramı yol göstericidir: verilecek içerik, öğrencinin tek başına yapabildiğinin hemen üstünde olmalıdır. Çok kolay içerik zaman harcar, çok zor içerik öğrenme değil kaçınma üretir.

**Zamanlama** tarafında ise aralıklı tekrar literatürü belirleyicidir. Cepeda ve arkadaşlarının (2006) niceliksel sentezi, aynı toplam sürenin aralıklara yayıldığında belirgin biçimde daha kalıcı olduğunu ortaya koymuştur; Roediger ve Karpicke (2006) ise geri getirme pratiğinin yeniden okumaya üstünlüğünü göstermiştir. Aralıklı tekrar algoritmalarının yaptığı iş tam olarak budur: bir kazanımın ne zaman yeniden karşımıza çıkacağını, unutma eğrisine göre planlamak.

Dunlosky ve arkadaşlarının (2013) on tekniği karşılaştıran derlemesi de aynı iki tekniği — kendini test etme ve dağıtık pratik — "yüksek fayda" sınıfına yerleştirir. Yani uyarlanabilir sistemlerin dayandığı ilkeler yeni değildir; yeni olan, bunları her öğrenci için ayrı ayrı ve otomatik olarak uygulayabilme kapasitesidir.

Çok kolay içerik zaman harcar, çok zor içerik öğrenme değil kaçınma üretir.

Üçüncü adım: uyarlamak — ne, ne zaman

## Peki bu neden tek başına yeterli değil?

Alanı dürüst anlatmanın yolu, sınırlarını yazmaktan geçer.

**1. Model yalnızca gördüğü veriyi bilir.** Öğrenci sistem dışında çalışıyorsa, dinlenmişse, hastalanmışsa ya da o gün dikkati dağınıksa model bunu bilmez — sinyali "bilgi kaybı" olarak yorumlayabilir. Bu yorumu düzeltecek olan öğretmendir.

**2. Ölçülemeyen şeyler ölçülenlerden önemli olabilir.** Motivasyon, kaygı, evdeki koşullar, akran ilişkileri. Bunların hiçbiri soru verisinde görünmez; ancak akademik performansın belirleyicileri arasındadır.

**3. Geri bildirimin biçimi otomatikleştirilemez.** Hattie'nin (2009) sentezinde geri bildirim en yüksek etkili değişkenler arasında raporlanır; ancak aynı çalışma kişiye yönelik geri bildirimin göreve yönelik olandan zayıf olduğunu da gösterir. Aynı bilgiyi hangi öğrenciye nasıl söyleyeceğine karar vermek pedagojik bir yargıdır.

**4. En yüksek öğrenme etkileşimden gelir.** Chi ve Wylie'nin (2014) ICAP çerçevesinde çıktılar pasif → aktif → yapıcı → *etkileşimli* sırasında yükselir; en üst basamak karşılıklı akıl yürütme gerektirir. Bir sistem yapıcı katılımı destekleyebilir, ancak etkileşimli katılımın karşılığı sınıftır.

VanLehn'in (2011) karşılaştırmalı derlemesi bu tabloyu özetler: belirleyici olan öğretmenin insan mı yazılım mı olduğu değil, geri bildirim döngüsünün *inceliğidir*. Sistemler bu inceliği artırmakta başarılıdır; pedagojik karar ise insana aittir.

Uyarlanabilir bir sistemin başarısı, öğretmeni ne kadar ikame ettiğiyle değil; öğretmene ne kadar iyi bir *görüş alanı* sağladığıyla ölçülür.

## Ölçmenin gölge tarafı: gösterge hedefe dönüşünce

Uyarlanabilir sistemlerin az konuşulan bir riski var ve bunu yazmadan alanı dürüst anlatmış olmayız.

Bir sistem belirli göstergeleri ölçtüğünde, o göstergeler zamanla *hedef* hâline gelme eğilimi taşır. Campbell'in (1976) formüle ettiği ilke bu tehlikeyi tarif eder: bir gösterge karar verme amacıyla ne kadar çok kullanılırsa, bozulmaya o kadar açık hâle gelir ve ölçmesi gereken süreci o kadar çarpıtır.

Eğitimdeki karşılığı somuttur. Çözülen soru sayısı ölçülüyorsa, öğrenci soru sayısını artırma eğilimine girer — anlamadan geçse bile. Doğru oranı ölçülüyorsa, zor soruyu seçmekten kaçınır. Her iki durumda da gösterge iyileşir, öğrenme kötüleşir.

Bu riskin panzehiri sistemi değil, *kullanımı* tasarlamaktır. Kurumumuzda öğrenciye gösterilen ölçüt asla tek bir sayı değildir; kazanım kapsamı, hata sınıfı dağılımı ve zorluk düzeyi birlikte sunulur. Tek bir sayı optimize edilebilir; üç boyutlu bir tablo optimize edilemez, ancak yorumlanabilir. Ve yorumlayan taraf öğretmendir.

## Öğrenci verisi ne kadar süre anlamlı kalır?

Bir başka pratik sınır: modelin tuttuğu bilgi zamanla eskir. Üç ay önce "biliyor" olarak işaretlenmiş bir kazanım, aradaki tekrar aralığına göre bugün bilinmiyor olabilir.

Bu, sistemin hatası değil unutmanın doğasıdır. Ebbinghaus'tan (1885/1913) bu yana defalarca yinelenen unutma eğrisi, tekrar edilmeyen bilginin öngörülebilir bir hızla kaybolduğunu gösterir. İyi tasarlanmış bir sistem bu nedenle bilme olasılığını yalnızca yeni gözlemlerle güncellemez; *zaman geçtikçe de aşağı çeker*.

Pratik sonucu şudur: bir kazanımın "tamamlandı" olarak işaretlenmesi kalıcı bir durum değil, tarihli bir kayıttır. Sezon boyunca hiç geri dönülmeyen bir konu, kayıtta yeşil görünse bile sınavda kırmızı çıkar.

## Bir kurumun "yapay zeka" vaadi nasıl değerlendirilir?

Velilere pratik ölçütler:

- **Çıktı görülebiliyor mu?** Sistemin ürettiği rapor bir örnek üzerinden gösterilebiliyor mu, yoksa yalnızca anlatılıyor mu?
- **Çözünürlük ne düzeyde?** "Matematikte zayıf" bir etikettir; "şu kazanımda şu tür hata" bir tanıdır. Aradaki fark, sistemin gerçekten kazanım düzeyinde çalışıp çalışmadığını gösterir.
- **Çıktı öğretmene ulaşıyor mu?** Yalnızca öğrenciye rapor üreten bir sistem, kurumsal bir katman değil kişisel bir araçtır.
- **Ödev çözüyor mu, öğretiyor mu?** Bu ayrım pedagojik duruşun turnusol testidir. Hazır çözüm veren bir araç, Bjork ve Bjork'un (2011) tanımladığı üretken zorlanmayı ortadan kaldırır.
- **Sınırları söyleniyor mu?** Neyi yapamadığını söylemeyen bir vaat, ölçülmemiş bir vaattir.

## Fermat'ın konumu

Kurum içinde geliştirdiğimiz **FermatAI**, yukarıdaki üç adımlı döngüyü öğrenci bazında yürütür: çözülen soruları kazanım düzeyinde işler, hangi becerinin hangi bağlamda tekrar tekrar kaybettirdiğini haritalar ve öğretmen kadrosunu bu haritayla besler. Deneme sonuçları haftalık yorumlanır ve program buna göre güncellenir.

Kurumsal ilkemiz açıktır: **pedagojik sonuç doğuran hiçbir eylem, insan öğretmenin onayı olmadan nihai hâle gelmez.** Sistem bir öneri katmanıdır, karar katmanı değil. Mimarinin ayrıntısı için [IEPA mimarisi](https://fermatvip.com/fermatai-iepa-mimarisi) yazımıza, açık erişimli akademik kayıtlar için [Araştırma & Yayınlar](https://fermatvip.com/fermatai-arastirma-yayinlari) sayfamıza bakabilirsiniz.

## Sıkça sorulan sorular

**Bu sistemler öğrenci verisini nasıl koruyor?** Öğrenci verisi kişisel veridir ve kurumsal sorumluluk altındadır. Kurumumuzda bireysel öğrenci verileri kamuya açık hiçbir yüzeyde yayımlanmaz.

**Az veriyle de çalışır mı?** Sınırlı olarak. Modelin isabeti gözlem sayısıyla artar; ilk haftalarda üretilen tahminler tedbirle okunmalıdır. Bu, sistemin zayıflığı değil olasılıksal doğasının sonucudur.

**Öğrenci sistemi kandırabilir mi?** Rastgele işaretleyerek modeli bozabilir; ancak bu yalnızca kendi haritasını bozar. Katılımın gerçek olması, sistemin ön koşuludur.

**Her ders için aynı ölçüde işe yarar mı?** Kazanımların net tanımlandığı ve soru üzerinden ölçülebildiği alanlarda (matematik, fen) daha güçlüdür; yorum ve üretim gerektiren alanlarda insan değerlendirmesi ağır basar.

**Eğitimde yapay zeka tam olarak ne yapar?** Üç iş yapar: ölçer (öğrencinin hangi kazanımda nerede olduğunu tahmin eder), modeller (bu tahmini zamanla günceller) ve uyarlar (bir sonraki içeriği bu modele göre seçer). Öğretmenin yerine geçmez; gördüğü tabloyu netleştirir.

**Bilgi izleme (knowledge tracing) nedir?** Öğrencinin bir kazanımı bilme olasılığını, çözdüğü sorular üzerinden sürekli güncelleyen bir modelleme yaklaşımıdır. Tek bir doğru cevabı 'öğrendi' saymaz; olasılığı kademeli olarak günceller.

**Kavram yanılgısı nasıl tespit edilir?** Doğru/yanlış bilgisinden değil, hangi çeldiricinin seçildiğinden. Belirli bir yanlış seçeneğin ısrarla işaretlenmesi, rastgele hatadan farklı bir sinyaldir ve yapılandırılmış bir yanılgıya işaret eder.

**Aralıklı tekrar algoritmaları ne işe yarar?** Bir kazanımın ne zaman tekrar edilmesi gerektiğini, unutma eğrisine göre planlarlar. Amaç tekrarı artırmak değil, doğru zamana yerleştirmektir.

**Yapay zeka öğretmenin yerini alır mı?** Alamaz. VanLehn'in (2011) karşılaştırmalı derlemesi, sistemlerin geri bildirim döngüsünü sıklaştırmada başarılı olduğunu ancak pedagojik karar, motivasyon ve ilişkisel boyutun insan öğretmene ait kaldığını ortaya koyar.

Kurumumuzda bireysel öğrenci verileri kamuya açık hiçbir yüzeyde yayımlanmaz.

Sıkça sorulan sorular

## Sonuç: araç değil, döngü

Eğitimde yapay zekayı bir "araç" olarak düşünmek eksik bir çerçevedir; asıl olan kurduğu *döngüdür*: ölç, modelle, uyarla, yeniden ölç. Bu döngünün değeri hızından değil, kapanabilmesinden gelir — ve döngüyü kapatan halka her zaman öğretmendir.

Fermat Eğitim Kurumları olarak İzmir Alsancak'ta bu döngüyü en fazla 8 kişilik sınıflarımızın sağladığı görünürlükle birlikte yürütüyoruz. Sistemin ürettiği çıktıyı yerinde görmek için sizi kurumumuza bekliyoruz.

## Seçilmiş literatür

Bu yazıda başvurulan başlıca kaynaklar; iddiaların izlenebilir olması ve okuyucunun kendi doğrulamasını yapabilmesi için aşağıda listelenmiştir.

- VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. *Educational Psychologist* , 46(4), 197–221.
- Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed Practice in Verbal Recall Tasks: A Review and Quantitative Synthesis. *Psychological Bulletin* , 132(3), 354–380.
- Roediger, H. L., & Karpicke, J. D. (2006). Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. *Psychological Science* , 17(3), 249–255.
- Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving Students' Learning With Effective Learning Techniques. *Psychological Science in the Public Interest* , 14(1), 4–58.
- Chi, M. T. H., & Wylie, R. (2014). The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes. *Educational Psychologist* , 49(4), 219–243.
- Chi, M. T. H., Bassok, M., Lewis, M. W., Reimann, P., & Glaser, R. (1989). Self-Explanations: How Students Study and Use Examples in Learning to Solve Problems. *Cognitive Science* , 13(2), 145–182.
- Vygotsky, L. S. (1978). *Mind in Society: The Development of Higher Psychological Processes* . Harvard University Press.
- Hattie, J. (2009). *Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement* . Routledge.
- Bjork, R. A., & Bjork, E. L. (2011). Making Things Hard on Yourself, But in a Good Way: Creating Desirable Difficulties to Enhance Learning. In *Psychology and the Real World* . Worth Publishers.
- Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. *Educational Researcher* , 13(6), 4–16.
- Campbell, D. T. (1976). *Assessing the Impact of Planned Social Change* . The Public Affairs Center, Dartmouth College. (Bir göstergenin hedefe dönüştüğünde ölçme değerini yitirmesi.)
- Ebbinghaus, H. (1885/1913). *Memory: A Contribution to Experimental Psychology* (H. A. Ruger & C. E. Bussenius, Çev.). Teachers College, Columbia University. (Unutma eğrisinin ilk sistematik betimlemesi.)

Metinde anılan kurum kayıtlarımız — kalıcı tanımlayıcılarıyla. Kayıtlar CERN tarafından işletilen **Zenodo** altyapısında tutulur; eğitim bilimleri arşivi **EdArXiv** (Center for Open Science) ve sosyal bilimler ağı **SSRN** üzerinde de açık erişimdedir:

- Göksal, Z. (2026). *The Institutionally-Embedded Pedagogical Agent (IEPA): A Definition and Research Agenda* . Zenodo. [https://doi.org/10.5281/zenodo.21309306](https://doi.org/10.5281/zenodo.21309306)

**Randevu:** [fermatvip.com/randevu](https://fermatvip.com/randevu) — 0546 260 54 46

İlgili okumalar: [FermatAI ve IEPA: inşa anatomisi](https://fermatvip.com/fermatai-iepa-mimarisi) · [Çok-motorlu yapay zeka mimarisi](https://fermatvip.com/fermatai-cok-motorlu) · [Deneme sınavı nasıl analiz edilir](https://fermatvip.com/deneme-analizi-nasil-yapilir)

**Akademik künye —** Kurumumuzun eğitimde yapay zeka yaklaşımı dört kalıcı kayıtla açık erişimde belgelenmiştir. Kuram makalesi: DOI [10.5281/zenodo.21910882](https://doi.org/10.5281/zenodo.21910882). Monografi: DOI [10.5281/zenodo.21894382](https://doi.org/10.5281/zenodo.21894382). Tanım makalesi: DOI [10.5281/zenodo.21309306](https://doi.org/10.5281/zenodo.21309306). Teknik rapor: DOI [10.5281/zenodo.21203519](https://doi.org/10.5281/zenodo.21203519). Kayıtlar CERN tarafından işletilen Zenodo altyapısında tutulur; kuram makalesi ve teknik rapor ayrıca EdArXiv (Center for Open Science) ve SSRN üzerinde de açık erişimdedir. Tüm künyeler: [Akademik Temel](https://fermatvip.com/arastirma/) · [Araştırma & Yayınlar](https://fermatvip.com/fermatai-arastirma-yayinlari).

konuyla ilgili yazılar

### Kuruma-Gömülü Pedagojik Ajan (IEPA): Bir Eğitim Yapay Zekasının İnşa Anatomisi

çevir ↺

❝ Bir dil modelinin "bu veriyi paylaşmamalıyım" diye düşünmesine güvenmek, güvenlik değil temennidir.

[Yazıyı aç →](https://fermatvip.com/fermatai-iepa-mimarisi)

### Neden Tek Model Değil? Çok-Motorlu Mimarinin Gerekçesi ve Maliyet Denklemi

çevir ↺

❝ Mimarinin en kritik ama en az görünen parçası, modelin ne yapabildiği değil neye erişebildiğidir.

[Yazıyı aç →](https://fermatvip.com/fermatai-cok-motorlu)

### Deneme Sınavı Nasıl Analiz Edilir? Netin Ötesindeki Veri

çevir ↺

❝ "Matematikte 12 yanlışım var" cümlesi bir tanı değildir.

[Yazıyı aç →](https://fermatvip.com/deneme-analizi-nasil-yapilir)

---

*Bu metin https://fermatvip.com/yapay-zeka-egitimde-nasil-calisir sayfasının Markdown ikizidir; içerik HTML sayfasıyla aynıdır. Kurumun yapay zeka özet dosyası: https://fermatvip.com/llms.txt*