AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Uyarlanabilir Öğrenme

Oluşturuldu 2026-10-14

Bu İngilizce sayfanın bir ana dili konuşanı tarafından gözden geçirilmemiş otomatik çevirisidir.

Uyarlanabilir öğrenme — bireysel öğrenen özelliklerine ve performansına göre içerik, hız ve öğretim stratejilerini ayarlayan YZ kaynaklı eğitim sistemleri. Uyarlanabilir öğrenme, eğitimde YZ araştırmasının çoğunun işletimsel hedefidir: öğrenci modellerini kullanarak öğretimi kişiselleştirmek.

Düşünülmesi Gerekenler

  • “Uyarlanabilir”, “kişiselleştirilmiş”, “bireyselleştirilmiş” ve “özelleştirilmiş” öğrenme sıklıkla birbirinin yerine kullanılır — ama araştırmalar bunların aynı şey olmadığını göstermektedir. Her sözcüğün ne anlama geldiğini varsayıyorsunuz ve bu varsayımlar nerede yanlış olabilir?
  • Uyarlanabilir bir sistem, bildiklerinize ilişkin bir modele dayanarak içerik ve zorluğu ayarlar. Bu model öğrenmeniz hakkında yüzeysel veya güvenilmez sinyallere dayanırsa neyin ters gidebileceğini düşünüyorsunuz?
  • Temel bulgulardan biri, ustalığı doğru yanıtlardan çıkaran sistemlerin alıştırmayı çok erken kesebilmesi — bir eylemden kaçınmayı öğrenmeden önce. “Doğru” olmanın sizi gerçek bir duruma hazırlıksız bıraktığı bir beceri düşünebilir misiniz?
  • Aşırı uyarlama, öğrencilerin derinlemesine öğrenmesi için gereken üretken mücadeleyi ortadan kaldırabilir. YZ mücadele ettiğiniz anda işleri kolaylaştırmaya devam ederse öğrenen tam olarak neyi kaybeder?
  • Meta-analiz, uyarlama mekanizmasının — belirli araç kuşağından değil — öğrenme kazanımlarını ittiğini göstermektedir. “Nasıl”ın “hangi araç”tan daha önemli olduğu ortadaysa, uyarlanabilir yazılım seçerken neyi aramalısınız?
  • LLM temelli öğretmenler artık yalnızca zorluğu değil dili ve açıklama biçimini de uyarlayabilir. Bir şeyin açıklanma biçimini kişiselleştirmek ne zaman öğrenmeye yarar ve ne zaman öğrenenin kendi etkenliğini sessizce aşındırabilir?

Giriş

Temel mekanizmalar

Etkililik kanıtı

Bilgi tabanı karışık kanıt belgeler: uyarlanabilir sistemler, uyarlama güvenilir öğrenci modellerine dayandığında sonuçları iyileştirir; ama kötü kalibre edilmiş uyarlama öğrenmeye zarar verebilir. Kişiselleştirme araştırması, etkili uyarlamayı yüzeysel özelleştirmeden ayırır. Sistematik derlemeler, “uyarlanabilir”, “kişiselleştirilmiş”, “bireyselleştirilmiş” ve “özelleştirilmiş” öğrenmenin tutarsız biçimde kullanıldığını bulur — dolayısıyla etki büyüklükleri uyarlamanın nasıl işletimselleştirildiğine ağır biçimde bağlıdır ve alan bütünleşik bir çerçeve çağrısında bulunur.

959 kaydı 22 yükseköğretim müdahalesine indiren bir PRISMA 2020 derlemesi, uyarlanabilir yolları ve öneri sistemlerini önde gelen YZ uygulamaları arasında sayar; ama çalışmaların çoğu mevcut uygulamayı iyileştirmiş, dönüştürmemiştir (AlSheikh ve ark. (2026)).

Uyarlamayı iten pedagojik temellendirme, teknik yetenek değil. 127 akıllı öğretim çalışmasının 15 yıllık derlemesi, sistemlerin çoğunun teknolojinin ne yapabileceği çevresinde kurulduğunu, belirtilmiş bir pedagojik ilke çevresinde kurulmadığını bulur ve ortalama ITS kazancını insan özel dersinin yüzde 98’ine karşı yaklaşık %20 olarak konumlandırır (Zerkouk ve ark. (2025)).

İki yıllık bir ilçe RCT’sinde bağlayıcı kısıt uyarlama mekanizması değil benimsemeydi: kaydı tek adıma indirmek, ilk oturum benimsemesini yalnızca tasarım değişiklikleriyle yaklaşık %45’ten %83’e çıkarmış ve niyet-ile-tedavi kazanımları benimseme arttıkça yükselmiştir (Oreopoulos ve ark. (2026)).

44 çalışmanın PRISMA uyumlu bir derlemesi, katılım literatürünün davranışsal katılıma yattığını ve etken katılımda en ince olduğunu bulur; ALEKS ve W-Pal boylamsal çalışmalarında aracın yeniliği solduğunda zaman içinde azalan katılım biçiminde bir yenilik etkisi bildirir (Simon, Zeng ve Fryer (2026)).

YZ çağı: LLM temelli uyarlama ve riskleri

Üretken yapay zeka, uyarlanabilir sistemlerin yapabileceklerini genişletti — konuşmalı etken öğretmenler, RAG (Alım Artırımlı Üretim) temelli içerik ve Büyük Dil Modelleri (LLM) kaynaklı özel ders yalnızca problem zorluğunu değil dili ve açıklama biçimini de uyarlar (ör. LearnMate-2, DeepTutor: Towards Agentic Personalized Tutoring, çok etkenli uyarlanabilir özel ders). Bununla birlikte LLM temelli uyarlama yeni riskler getirir: güvenilir öğrenci modelleri olmadan uyarlama yüzeysel sinyallere dayanabilir; aşırı uyarlama öğrencilerin ihtiyaç duyduğu üretken mücadeleyi azaltabilir (İstenen Zorluklar, Bilişsel Yükü Dışarı Aktarma sayfalarına bakın); kişiselleştirme ile öğrenci Öğrenen Etkenliği’sini koruma arasındaki denge açık bir tasarım sorusudur (etken YZ sayfasına bakın). Uyarlamanın öğrenci kaynaklı bir çeşidi hiçbir öğrenci modeli olmadan çalışır: Sidorkin’in (2026) yüksek lisans kursunda okumalar, yalnızca öğrenciler onları yeniden çerçevelemek, derinleştirmek, sadeleştirmek veya yerelleştirmek için takip soruları sorduğunda ayarlanmıştır ve anlama yönelimli istekler güvenilir biçimde daha yoğun iskeleleme üretmiştir (temel metinden 3,4 kata 8,7 kata daha fazla tanımsal işaretleyici); bu nedenle her okuma için en az üç takip sorusu isteğe bağlamak materyali bir etkileşime dönüştürmüştür. Aynı zamanda uyarlama yükünü öğrenciye taşır: burada uyarlama yalnızca öğrenci ne isteyeceğini biliyorsa gerçekleşir.

Kişiselleştirilmiş öğrenme ve akıllı öğretimle ilişkisi

Uyarlanabilir öğrenme sıklıkla kişiselleştirilmiş öğrenme ile karıştırılır ama ikisi farklıdır. Uyarlanabilir öğrenme mekanizmadır — bir öğrenci modeline dayalı içerik, hız ve zorluğun gerçek zamanlı ayarı. Kişiselleştirilmiş öğrenme, bütün öğrenme deneyimini bir bireye uydarmanın daha geniş hedefidir; gerçek zamanlı uyarlama bunun bir uygulamasıdır. Uyarlanabilir sistemler kişiselleştirmeye giden kanonik araçlardır. Akıllı öğretim klasik platformdur: ITS teşhis (öğrenci modelleme, bilgi izleme) ile uyarlamayı birleştirir ve LLM temelli öğretmenler konuşmaya dayalı biçimde uyarlar. Kişiselleştirilmiş öğrenme ile birlikte uyarlanabilir öğrenme, öğrenci modelleme ve uyarlanabilir öğretim ailesinin uygulama tarafı bir üyesidir — öğrenci modelleme, Bilgi İzleme ve Bilişsel Tanılama ürettiği öğrenci temsillerini tüketir.

Araştırma kanıtı

  • Uyarlanabilir + YZ araçlarına ilişkin meta-analitik kanıt. Dünya Bankası meta-analizi, 14 RCT’yi birleştirerek uyarlanabilir bilgisayar destekli öğrenme, akıllı öğretim ve üretken YZ’yi ortak bir ölçekte toplar; iki teknoloji kuşağı arasında anlamlı fark olmaksızın ortalama öğrenme kazancını yaklaşık 0,125 standart sapma olarak tahmin eder — kazanımları itenin uyarlama mekanizması, belirli araç kuşağı olmadığının kanıtı.
  • Dinamik alanlarda karşılaştırılan uyarlanabilir algoritmalar. Grafik temelli ITS araştırması, dinamik müfredatlar için grafik temelli bir bilgi temsili çerçevesinde çoklu uyarlanabilir öğrenme algoritmasını (Bayesyen bilgi yayılımı ve sezgitsel bulanık mantık dâhil) karşılaştırır.
  • Bir uyarlama mekanizması olarak RL, ampirik olarak eşlenmiş. Riedmann, Schaper ve Lugrin (2025), 89 eğitimde RL çalışmasını sentezler ve uyarlamanın içerikle ilgili (öğretim sıralama/içerik planlama, n = 53) ve rehberlikle ilgili (ipuçları, Geri Bildirim, etkinlik seçimi, n = 36) mekanizmalara ayrıldığını bulur — RL’nin istatistiksel olarak anlamlı üstünlüğünü içerik planlamadan çok rehberlikle ilgili uyarlamada daha sık gösterir. Uyarlanabilir öğrenme için modelsiz RL önerir ve incelenen çalışmalarda klasik RL’nin Derin RL’yi geride bıraktığını uyarır.
  • Doğruluk temelli uyarlama alıştırmayı çok erken kesebilir. An, McLaren ve Stamper (2026), ustalığı doğruluktan çıkaran uyarlanabilir sistemlerin, öğrenenler öğrenilen eylemden kaçınılması gereken bağlamlarla karşılaşmadan alıştırmayı sonlandırma riski taşıdığını — aldatıcı aşırı genellemeyi tespit edilmemiş olarak bıraktığını — bulmuştur. Ustalık kesme kuralları devreye girmeden önce “eyleme geçme” dedektör görevleri eklenmesini önerirler; böylece uyarlama koşullu anlayışı (bir eylemden ne zaman kaçınılacağını bilmek), yalnızca doğruluğu değil, sınar.
  • Ustalık dizisi kalıcı öğrenme değildir. 6.000 öğrencili bir ortaokul saha deneyinde, YZ destekli üç doğru üst üste ustalık kuralı platform tanımlı erişimi yaklaşık 28,7 yüzde puanı yükseltmiş ama bir hafta sonra yapılan gecikmeli sınavı iyileştirmemiştir; dolayısıyla ustalık ölçütleri gecikmeli öğrenmeye karşı doğrulanmalıdır, onun yerine geçmemelidir (Oreopoulos ve ark. (2026)).
  • Yalnızca zorluğu değil bilişsel katılımın türünü uyarlayın. Tithi ve ark. (2026), 113 öğrencili bir mantık öğretmeninde rehberli (etkin) veya hatalı (yapılandırıcı) örnek çalışmalar atayan BKT ve derin-RL politikalarının rastgele atamayı geride bıraktığını bulmuştur (sınav sonrası 72,3 ve 72,5’e karşı 65,7); BKT düşük ön bilgili öğrencilere en iyi şekilde hizmet ederken DRL yüksek ön bilgililere hizmet etmiştir.
  • Daha fazla geri bildirim daha iyi geri bildirim değildir. Sekiz haftalık uyarlanabilir bir stokastik kursunda (194 öğrenci), buyurucu, bilgilendirici ve dönüştürücü geri bildirim farklı biçimde benimsenmiş ve dönüştürücü geri bildirim daha iyi düzenlemeyle değil bilişsel aşırı yüklenmeyle ilişkili çıkmıştır — uyarlama geri bildirim yoğunluğunu en üst düzeye çıkarmak yerine öğrencinin evresi ve ihtiyacına uymalıdır (Mejeh ve Fromm (2026)).
  • Uyarlama hedefi olarak katılım profilleri. An, Hammock ve Goel (2025), VERA’da 822 model kuran 315 çevrim içi öğrenciyi izlemiş ve katılımlarını Gözlem, İnşa ve Keşif profillerine sınıflandırmıştır; öğrenenlerin inşaya odaklı davranıştan daha bütüncül, hipoteze dayalı Keşfe doğru ilerlediğini, Gözlemin ise evreler arasında sürdüğünü bulmuşlardır. Uyarlanabilir ve kişiselleştirilmiş tasarımın bu profilleri tanıması ve geri bildirimi (ör. benzer modeller önermek veya daha derin kavramsal anlayışı desteklemek) yüzeysel gözlemcileri daha bütünleştirici, tam döngülü modellemeye doğru yönlendirmek için hedeflemesi gerektiğini savunurlar.
  • Okunan ama yazılmayan hafıza uyarlama değildir. CoLearn’in donmuş hafızalı kontrolü, öğrenci profilini okumaya devam ederken sabit öğeler sunmuştur ve gerçekten zayıf bir beceriye yönelik öğelerin payı 0,72’den 0,57’ye düşmüş, nihai ustalık hatası uyarlanabilir koşulun üzerine çıkmıştır (He ve ark. (2026)).
  • Kazanç daha akıllı bir öğretmenden değil sıralamadan geldi. Chung ve ark. (2026), LLM rehberli pekiştirmeli öğrenmeyle kişiselleştirilmiş bir öğretmen eğitmiş ve on lisenin bulunduğu Taipei’de beş aylık bir Python kursunda 770 öğrenciyi uyarlanabilir ile sabit kolaydan-zora problem dizileri arasında rastgele atamıştır. Uyarlanabilir sıralama, yüz yüze ve yardımsız final sınavı puanını 0,156 standart sapma (kontrollerle 0,156’ya karşı 0,150) yükseltmiştir — aracılık analizi etkiyi neredeyse tamamen katılıma atfetmiştir (görev üzerinde geçen süre yoluyla 0,185 standart sapma, denemeler yoluyla 0,149), daha kolay veya daha zor materyale değil; kazanımlar yeni başlayanlar ve alt kademe okullar için en büyük olmuştur. Uyarlanabilir kaldıraç alıştırmanın sırasıydı, sohbetin kalitesi değil.
  • Ustalık kararlarını kural temelli tutun ve makine öğrenmesini izlemeye hapsedin. Altıncı sınıfın 30 öğrencisi için sekiz haftalık uyarlanabilir bir STEM programı, yolları kural temelli ustalıkla yönetirken performansı makine öğrenmesiyle izlemiş ve uyarlamayı denetlenebilir tutmuştur; ama ön sınav olmadan ve koşul başına tek sınıfla kazançları yerelde doğrulanacak bir pilot şablonudur (Bin Bakheet ve ark., 2026).
  • Zayıf ortalamayı değil darboğaz özniteliğini uyarlayın. Bilgi durumlarının geçiş modellemesi, analitik düşünmeyi kazanılması en zor ve kaybedilmesi en kolay olarak sıralamıştır — en düşük ileri geçiş olasılığı 0,31 ve en yüksek geri 0,22–0,23 — işaretlenen özniteliğin yeniden alıştırılmasını genel ustalıktan daha keskin bir uyarlama hedefi yapmıştır (Feng ve Huang, 2026)).
  • Toplu puanlardan değil süreç dizilerinden uyarlama. Wong, Bulathwela ve Cukurova (2026), üçlülerdeki 65 öğrencinin diyalog dönüşlerinin sırasını madencilik yaparak iskeleleme kuralları türetmiş; uyarlanabilir öğrenmeyi toplanmış davranışsal veya performans ölçülerinden bireysel süreç dizilerine taşımıştır; azami iskeleleme görev üzerinde davranışı yükseltmiş ama betimlemesini de artırmış ve tasarım sınanmamıştır.

Bağlı kavramlar

Bağlı makaleler

Üst veri

Öğrenme ve öğretimİskeleleme (Scaffolding)
Teknolojiler ve tekniklerBilişsel Tanılama, Akıllı Özel Öğretim, Bilgi İzleme, Öğrenme Analitiği, Büyük Dil Modelleri (LLM), Kişiselleştirilmiş Öğrenme, Öğrenen Modellemesi ve Uyarlanabilir Öğretim
SourceHistoryEditChat

Bu sayfayı göm

Bu sayfayı bir öğrenme yönetim sistemine veya başka bir web sitesine gömmek için aşağıdaki kodu kopyalayın. Gömülü sürüm yalnızca sayfa içeriğini gösterir — site başlığını, gezintiyi ve alt bilgiyi gizler.