İstenen Zorluklar

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

İstenen zorluklar — daha zor, çaba gerektiren hatırlama koşullarının — aralıklı tekrar, hatırlama alıştırması, iç içe düzenleme ve üretme — kolay, toplu (massed) koşullara göre uzun vadeli öğrenmeyi daha çok iyileştirdiği bulgusu (Bjork), bilişsel işi ortadan kaldıran YZ’ye karşı kuramsal karşı ağırlıktır. YZ çağında ilke, üretken mücadeleyi ortadan kaldıran araçların anlık performansı yükseltirken dayanıklı öğrenmeyi baltalayabileceği konusunda uyarır. İstenen zorluklar, bilişsel sürtünme ve üretken sürtünme, bu kasıtlı çaba için örtüşen eş anlamlılar olarak kullanılır**: bilgi tabanı bunları farklı alanlardan görülen aynı temel fikir olarak ele alır ve etiketler arasındaki ince ayrımları aşağıdaki bölümde açıklar. Yakın ittifak içindeki kavramlar — kafa karışıklığı ve üretken mücadele — bu çaba gerektiren işlemenin beklenen (ve istenen) olduğu bölgeyi işaret eder.

Düşünülmesi Gerekenler

• Bir şeyi, o anda kolay ve akıcı hissettiği için anladığınızı düşünüp, sonradan hatırlamanız gerektiğinde başarısız olduğunuz hiç oldu mu? Bu, yetkinlik yanılsamasıdır. Sizin için bunu ne yarattı?
• İstenen zorluklar, çaba gerektiren koşulların — aralıklı tekrar, hatırlama alıştırması, iç içe düzenleme — kolay ve toplu olanlara göre daha dayanıklı öğrenme inşa ettiğini söyler. Kendi öğrenmenizde, muhtemelen daha iyi işleyecek olan bir ‘daha zor’ stratejiye hangi noktada direndiniz?
• Üretken yapay zeka varsayılan olarak sürtünmeyi ortadan kaldıran bir makinedir: anında yanıt verir ve talep üzerine parlak çıktı üretir. Mücadeleyi ortadan kaldırmak anlık performansı yükseltirken dayanıklı öğrenmeyi baltalıyorsa, bir YZ’nin bir öğrenciye yardım mı edip etmediğini zarar mı verdiğini nasıl anlarsınız?
• Bu sayfa, istenen zorlukları (bilişsel psikolojiden gelen bellek optimizasyonu) üretken/bilişsel sürtünmeden (UX tasarımından gelen katılım Güvenlik Rayları) ayırır. Aynı eğitim hedefinin neden ikisine de ihtiyaç duyduğunu — ve bunların nerede ayrışacağını — görebiliyor musunuz?
• Bazı YZ ders yardımcılarının ‘aşırı iskeleleme’ yaptığı, istenen zorlukların gerektirdiği çaba gerektiren işlemeyi ortadan kaldırdığı bulunmaktadır. Bir YZ ders yardımcısını değerlendiriyor olsaydınız, üretken mücadeleyi koruduğunu, yanıt vermeye çökmek yerine size hangi somut davranış söylerdi?
• Kafa karışıklığı burada bir hata değil, bir kaynak olarak çerçevelenir — üretken biçimde çözüldüğünde derin işlemeyi yönlendirir, ancak ele alınmadığında hayal kırıklığına dönüşür. Korunmaya değer üretken mücadele ile salt zararlı hayal kırıklığı arasındaki çizgi nerede?

Giriş

İstenen zorluklar, öğrenmeyi o anda daha zor hissettiren uygulama koşullarıdır — çaba gerektiren hatırlama, üretme ve açıklama, aralıklı tekrar, iç içe düzenleme — ama kolay hissedinen koşullardan daha güçlü tutundurma ve Öğrenmenin Aktarımı üretirler. Aynı olgu literatürde bilişsel sürtünme ve üretken sürtünme olarak da görünür; bunlar, bir öğrenen ile kolay bir yanıt arasına kasıtlı biçimde direnç koymayı vurgulayan, insan–bilgisayar etkileşimi ve UX tasarımından ödünç alınmış etiketlerdir; aileler örtüşür ama özdeş değildir ve ayrımlar aşağıda ortaya konur. Üretken yapay zeka sürtünmesiz olacak biçimde optimize edildiğinden, kavram niş bir bulgu olmaktan çıkıp birinci dereceden bir tasarım kaygısı hâline gelmiştir: anında yanıt veren sistemler, öğrenmeyi belki de yapmakta olan zorluğu ortadan kaldırır (Bilişsel Yükü Dışarı Aktarma, İskeleleme (Scaffolding)).

Çaba–Öğrenme Ödünleşimi

İstenen zorluklar şu içgörüye dayanır: öğrenmeyi o anda daha zor hissettiren koşullar — çaba gerektiren hatırlama, üretme veya açıklama gerektirenler — sıklıkla kolay hissedinen koşullardan daha güçlü tutundurma ve aktarım üretir. Tersine, kolay hisseden koşullar (akıcı sunum, anında yanıtlar) bir yetkinlik yanılsaması üretebilir: Öğrenenler tanımanın sorunsuz olduğunu gördükleri için materyali bildiklerini hissederken, sonradan serbest hatırlama başarısız olur. Bu, performans–öğrenme boşluğunun kuramsal çekirdeğidir: uygulama sırasında iyi görünen performans, dayanıklı öğrenmeyle aynı şey değildir.

Kafa Karışıklığı, Bilişsel Sürtünme ve Üretken Mücadele

İstenen zorlukların işlediği bölgeyi üç ilişkili yapı tanımlar:

• Kafa karışıklığı — öğrenenin zihinsel modeli ile gelen bilgi arasındaki boşluğu sinyalleştiren bir öğrenme epistemik duygusu (bkz. Duygusal Hesaplama ve Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving). Kafa karışıklığı tek biçimli olarak kötü değildir: üretken sorgulama yoluyla çözüldüğünde derin işlemeyi yönlendirebilir, ancak ele alınmadığında hayal kırıklığına ya da bağlılık kaybına dönüşebilir. YZ sistemleri giderek artan ölçüde kafa karışıklığını algılar (örneğin işaretleme düğmeleri, duygusal algılama) ve onu kişiselleştirilmiş destek için çıpa olarak kullanır — From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review çalışmasında olduğu gibi, işaretlenen kafa karışıklığı noktaları tekrar çıpalarına dönüşür ve öğretme-geri dönüşü istekleri kavramsal boşlukları ortaya çıkarır.
• Bilişsel sürtünme — bir öğrenciyi kolay bir yanıta ulaşmadan önce düşünmeye zorlayarak öğrenme ortamının koyduğu kasıtlı direnç. Anında yanıt veren YZ araçları bu sürtünmeyi ortadan kaldırır; saklayan, ipucu veren ya da iskeleleyen tasarımlar onu korur. Stop Writing for Me: Generative Refusal in AI Tools for Thought, Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning ve Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher çalışmalarının her biri, kasıtlı biçimde korunan sürtünmenin akıl yürütmeyi nasıl desteklediğini inceler.
• Üretken mücadele — bir öğrencinin destek almadan (veya alırken) önce bir zorlukla boğuştuğu problem çözme aşaması. Bilgi tabanının kanıt tabanı hem değerini hem maliyetini belgeler: Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build, mücadeleyi ortadan kaldırmanın çalışma süresini azalttığını ama öğrenmeyi bozduğunu gösterirken, Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior ve Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments, ders yardımcılarının öğrenenleri üretken mücadele bölgesinde tutup tutamayacağını, yanıt vermeye çökmek yerine inceler.

Üretken başarısızlık bu fikrin yapılandırılmış, kuram temelli sürümüdür: Kapur’un üretken başarısızlığı (PF), üretken mücadeleyi iki aşamalı bir tasarım olarak biçimlendirir (öğretimden önce üretme ve keşif, ardından pekiştirme ve bilgi birleştirme). YZ çağı PF literatürü, bilgi tabanına istenen zorluğu korumak için somut bir tasarım söz varlığı sunar — Kim ve ark. (2026), YZ’nin mücadeleyi silmesini önleyen YZ tasarım ilkeleri (insan–YZ işbirliği, yansıtıcı tasarım, yönlendirici olmayan destek) türetir; Puech ve ark. (2025), Büyük Dil Modelleri (LLM) ders yardımcılarının çözümleri saklamaları ve birden çok denemeyi ortaya çıkarmaları için yönlendirilebileceğini gösterir; Wang & Shan (2026), “Güvenlik Boşluğu”nu — YZ destekli performans ile desteksiz yetenek arasındaki sapma — mücadeleyi ortadan kaldırmanın maliyeti olarak biçimlendirir; ve ProductiveMath, PF problemleri tasarlamanın yükünü azaltmak için YZ kullanır. Bunlar, istenen zorluk ilkelerinin somut YZ tasarım tercihlerine dönüştüğünü gösterir.

İstenen Zorluklar ve Bilişsel Sürtünme ile Üretken Sürtünme Karşılaştırması

YZ sürtünmesiz olacak biçimde tasarlandığından — anında özet üretir, denklem çözer ve makale yazar — bir öğrencinin öğrenmesi için gereken mücadeleyi farkında olmadan atlatabilir. Bununla mücadele etmek için eğitimciler ve teknologlar iki örtüşen ama ayrı çerçeveye dayanır: istenen zorluklar ve üretken (veya bilişsel) sürtünme. Her ikisi de öğrenen için işleri zorlaştırmayı savunur, ancak farklı alanlardan gelir ve öğrenme sürecinin farklı kısımlarını hedefler. Bu bilgi tabanında aynı kasıtlı-çaba fikrinin eş anlamlıları olarak ele alınırlar; aşağıdaki tablo etiketler arasındaki ince ayrımı ayrıntılandırır.

Özellik	İstenen Zorluklar	Üretken / Bilişsel Sürtünme
Temel amaç	Uzun vadeli belleği ve bilgi aktarımını en üst düzeye çıkarmak	Bilişsel Yükü Dışarı Aktarma’i önlemek ve etkin katılımı sürdürmek
Bilimsel kök	Biliş bilimi ve psikoloji (Bjork, 1994)	İnsan–Bilgisayar Etkileşimi (HCI) ve UX tasarımı
“Tehdit”	Yetkinlik yanılsaması (şimdi kolay hissettiği için bildiğinizi düşünmek)	Otomasyon önyargısı (makinenin düşünmesine izin vermek)
YZ uygulaması	Uygulamayı zamanlayan ve yapılandıran algoritmalar (aralıklı tekrar, iç içe düzenleme, hatırlama)	Öğrenenin işi yapmasını zorunlu kılan sohbet robotu sınırlayıcıları ve arayüz engelleri

İstenen zorluklar: bellek optimize edici. Robert ve Elizabeth Bjork (1994) tarafından ortaya atılan bu çerçeve bilişsel psikolojiden gelir. Temel fikri, daha zor hissettiren ve başlangıç performansını yavaşlatan öğrenme stratejilerinin aslında daha iyi uzun vadeli tutundurma ve aktarım üretmesidir. İstenen zorluklar beynin bilgiyi nasıl kodladığı ve hatırladığı ile ilgilidir: öğrenme o anda fazla kolay ya da akıcı hissediyorsa (örneğin vurgulanmış bir ders kitabını yeniden okumak gibi), beyin büyük olasılıkla belleğin yerleşmesi için gereken derin işlemeyi yapmıyor demektir. YZ’de bu çerçeveyi kullanan bir araç oturumun Pedagojiler ve Öğretim Stratejileri’sini değiştirir — örneğin özet sunmadan önce öğrenciden belleğinden hatırlamasını istemek (hatırlama alıştırması), unutmadan hemen önce tekrarı planlamak (aralıklı tekrar) ya da problemleri kategoriye göre gruplamak yerine türleri karıştırmak (iç içe düzenleme) gibi. Bu çaba gerektiren stratejilerin yararının kendisi içeriğe bağlıdır: Rachatasumrit, Koedinger & Carvalho (2025), hatırlama alıştırmasının çoğunlukla kelimesi kelimesine belleği güçlendirdiğini (unutmayı geciktirerek), genelleştirilebilir bir yeteneğin edinilmesinin ise çözümlü örneklerin uygulamayla bütünleştirilmesini gerektirdiğini göstermektedir — dolayısıyla yardımcı olan “zorluk”, öğrenilen bilgi türüyle eşleştirilmelidir, tek biçimde uygulanmamalıdır.

Üretken (bilişsel) sürtünme: katılım sınırlayıcısı. Bu çerçeve, “sürtünmenin” normalde düşman olduğu UX ve etkileşim tasarımından gelir (tek tıkla ödeme, anında arama). Eğitim teknolojisinde sıfır sürtünme sıfır düşünme demektir: üretken sürtünme, kullanıcının bilişi makineye devretmesini önlemek için yazılıma kasıtlı “yavaşlatıcılar” yerleştirir. Bu, insan ile makine arasındaki etkileşim ile ilgilidir; kullanıcıyı etkin biçimde katılımda tutar ve otomasyon önyargısını — YZ çıktısını değerlendirmeden körü körüne güvenmeyi — önler. YZ’de bu çerçeveyi kullanan bir araç, kısayolları önlemek için davranışını ve tasarımını değiştirir — örneğin doğrudan yanıtı saklayıp öğrencinin hangi sembolleri fark ettiğini soran bir Sokratik sınırlayıcı, bir tez ve taslak girilene kadar metin üretmeyi reddeden çaba denetim noktaları ya da çözüm ortaya çıkmadan önce bir yanıta bağlanmayı ve akıl yürütmeyi açıklamayı gerektiren gecikmiş Geri Bildirim.

Kısacası: öğrencinin ağır işi YZ’ye bırakmak yerine materyalle gerçekten etkileşimde bulunmasını sağlamak için üretken sürtünmeyi kullanırsınız; o materyalle etkileşimi nasıl yürüttüğünü yapılandırmak, böylece bir ay sonra hatırlamalarını sağlamak için istenen zorlukları kullanırsınız.

YZ Çağında İstenen Zorluklar

YZ destekli öğrenme için merkezi gerilim, üretken yapay zeka’nın varsayılan olarak sürtünmeyi ortadan kaldıran bir teknoloji olmasıdır: talep üzerine yanıt verir, üretir ve parlak yapıtlar ortaya koyar. Bilgi tabanı boyunca bu iki yönde işler:

• Mücadeleyi ortadan kaldırmanın maliyeti. YZ, aralıklı tekrarı, hatırlamayı ve üretimi sildiğinde öğrenenler anlık performans kazanımları gösterebilir ama dayanıklı öğrenme ve aktarımdan vazgeçer. Bu doğrudan Aşırı Güven ve YZ Yanlış Kullanımı ve Öğrenmeye Zarar bulgularına bağlanır: istenen zorluğu ortadan kaldıran bir YZ, bilgi tabanının kanıt tabanında belgelenen performans–öğrenme boşluğunu üretir. Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning açıkça kasıtlı sürtünme çağrısında bulunur. Barcaui’nin (2025) rastgele atamalı deneyi, ilkeye bir YZ ortamında doğrudan gecikmeli bir sınama sunar: sınırsız ChatGPT ile YZ/ML konularını çalışan 120 lisans öğrencisi, 45 gün sonra yapılan sürpriz tutundurma testinde geleneksel öğrenenlere göre %68,5’e karşılık %57,5 puan almıştır (t(83) = −3,19, p = .002, Cohen’ın d = 0,68) ve açık çalışma süresi değişkeni olarak tutulduğunda eksiklik devam etmiştir (F(1, 82) = 7,89, p = .006). Bozulma teknik konularda en büyük olmuştur (d = 0,92) — yani YZ’nin en çok yardım sunduğu ve ilkenin üretken olduğunu söylediği mücadeleye en çok ihtiyaç duyulan materyalde.
• Aynı model, iki sınırlayıcı, ters sonuçlar: sınırsız GPT-4 verilen öğrenciler onu bir destek (koltuk değneği) olarak kullanmış ve kaldırıldığında denetim grubundan daha kötü performans göstermiş; sınırlandırılmış bir ders yardımcısı verilen öğrenciler ise denetim grubu gibi performans göstermiştir — model değil, sürtünme aracın yardımcı olup olmadığına karar vermiştir (Arthars ve ark. (2026)).
• Mücadeleyi yeniden tasarlamak. Öğretim tasarımları üretken işlemeyi kasıtlı biçimde koruyabilir: önce taslak rutinleri, ipucu-ver-ama-yanıt-verme ders desteği, gecikmiş geri bildirim ve öğretme-geri dönüşü/açıklama protokolleri. Bunlar, YZ Kötüye Kullanımını Azaltma ve The Effects of Structured LLM-Generated Feedback on Programming Assignment Performance başlıkları altında incelenen somut iskelelerdir. 2026 kavramsal genişletmesi (Gupta), aynı mantığı yapılandırılmış akademik görevlerin ötesine, ilişkisel karşılaşmalar içindeki zorluğa taşır: yurt dışında eğitimde eğitim sorusunun ne kadar üretken YZ bulunduğu değil, hangi zorlukları çözdüğü olduğunu savunur ve kullanımları kullanım hacminden ziyade sisteme aktarılan yorumlayıcı Öğrenen Etkenliği’ye göre sıralayan bir aracılık eğimi önerir.

Ters U ve çaba paradoksu. Zohar, Bloom ve Inzlicht (2026), YZ’nin sürtünme ortadan kaldırmasının neden kendiliğinden iyi olmadığına dair son dönemin en keskin ifadesini sunar. YZ’yi önceki emek tasarrufu sağlayan teknolojilerden iki gerekçeyle ayırır: fiziksel ya da büro işi yerine entelektüel ve yaratıcı işi hedefler ve sürtünme ortadan kaldırması aşırıdır — önceki teknolojiler fazlalık sürtünmeyi, “öğrenme ya da anlam için az yarar sağlayan sıkıcı veya aşılamaz engelleri” ortadan kaldırırken, bir sohbet robotu bir öğrencinin fikir üretmeden değerlendirmeye “anlamlı bir çaba göstermeden, çıktıyı sorgulamadan ve sahiplik, tutundurma ya da eleştirel düşünceyi besleyen bilişsel süreçlere katılmadan” ilerlemesini sağlar. Örgütleyici iddiaları, çaba–anlam ilişkisinin eğrisel olduğudur: ılımlı sürtünme anlamı ve motivasyonu güçlendirirken aşırı sürtünme bunaltır, dolayısıyla YZ’nin riski aşırı sürtünme değil, çok az sürtünmeye taşmaktır. Pedagojik olarak iki sonuç önemlidir — çabanın kendisi eğitilebilir bir beceridir (ürün yerine süreci ödüllendirmek çaba gösterme ve sebat etme eğilimini artırır) ve çabanın motivasyonel yararları, tam olarak YZ’nin onun yerini aldığı alanlarda aşınır; bu da artan bağımlılık döngüsü üretir (Bilişsel Yükü Dışarı Aktarma, Motivasyon).

Tasarım Sonuçları

1. Çabasız akıcılığı optimize etmeyin. Her zaman anında yanıt veren bir YZ ders yardımcısı memnuniyeti yükseltirken dayanıklı öğrenmeyi düşürebilir; önce hatırlama ve üretme gerektiren müdahaleleri yeğleyin.
2. Kafa karışıklığını bir hata değil, bir kaynak olarak ele alın. Kafa karışıklığı noktalarını yok sayıp düzeltmek yerine algılayın ve kişiselleştirilmiş tekrar çıpaları olarak hedefleyin — KnowLoop Recognize→Resolve→Consolidate modeli somut bir örüntüdür.
3. Bilişsel sürtünmeyi kasıtlı biçimde koruyun. Hedef akıl yürütme, üretim değilse ipucu-ver-ama-yanıt-verme İskeleleme (Scaffolding), sıralı geri bildirim ve yanıt vermeyi reddetmeyi kullanın.
4. Sürtünmeyi öğrenenin hazır bulunuşluğuna göre ayarlayın. İstenen zorluklar, çaba gerektiren işlemeye katılabilen öğrenenlere yarar sağlar; desteksiz aşırı zorluk hayal kırıklığı riski taşır. İskeleleme (Scaffolding), öğrenenleri üretken mücadele bölgesinde tutmalıdır, ötesine geçirmemelidir.

TutorMoments, istenen zorluk ilkelerini değerlendirme ölçütü olarak işlevsel kılar: Zhang ve ark. (2026), YZ ders yardımcılarının erişim için iskeleleyerek (gerektiğinde) ve titizlik için zorlayarak (hazır olduğunda) üretken mücadeleyi koruyup korumadığını sınar ve LM ders yardımcılarının varsayılan olarak aşırı iskeleleme yaptığını — istenen zorlukların gerektirdiği çaba gerektiren işlemeyi ortadan kaldırdığını — bulur.

Bağlı kavramlar

• Pedagojik Kalıplar — Çaba gerektiren sıralamanın akıcı olanı neden geçtiği
• Öğreterek Öğrenme
• Öz Düzenlemeli Öğrenme
• Metabiliş
• Öğrenmenin Aktarımı
• İskeleleme (Scaffolding)
• Öğrenme Kazanımları
• Bilişsel Yükü Dışarı Aktarma
• YZ Yanlış Kullanımı ve Öğrenmeye Zarar
• YZ Kötüye Kullanımını Azaltma
• Duygusal Hesaplama
• Etkin Öğrenme
• Yapılandırmacılık
• Motivasyon
• Öğrenme Kuramları
• Verimli Başarısızlık — Üretken Başarısızlık
• Hatırlatma (Retrieval), Aralıklı Tekrar (Spacing) ve Karıştırma (Interleaving) — bu ilkeyi somutlaştıran işlevsel teknikler: test etkisi, aralıklı tekrar, iç içe düzenleme

Bağlı makaleler

• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — Bilişsel koltuk değneği olarak ChatGPT: istenen zorluğu ortadan kaldırmanın gecikmeli rastgele sınaması (Barcaui 2025)
• Against frictionless AI — Sürtünmesiz YZ’ye karşı: yararlı sürtünmeyi korumaya dair ters-U savı
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning
• The Effects of Structured LLM-Generated Feedback on Programming Assignment Performance
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
• Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review
• Stop Writing for Me: Generative Refusal in AI Tools for Thought
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher
• Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — GenAI araçlarına yerleştirilen üretken sürtünme öğrenmeyi destekler
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — Yardımın Yararsız Olduğu Zaman: üretken mücadele açısından YZ ders yardımcılarının değerlendirilmesi
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Üretken Başarısızlığa Dayalı Öğrenmeyi Destekleyen YZ Sistemlerinin Tasarımı
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Üretken Başarısızlık için LLM’lerin Pedagojik Yönlendirilmesi
• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — Güvenlik Boşluğu: Üretken Mücadelenin Geri Kazandırılması
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: PF Problem Tasarımını Destekleyen YZ
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — YZ’yi kasten sinir bozucu yapmak: YZ destekli yazmada kısıtlama (Konradt, Boote & Taub 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Yansıtıcı YZ Katılımında Yeteneği Sürdüren Bağımlılığa Doğru Açık Sorular