Edtech Platformu

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

Edtech Platformu — bir YZ yeteneğinin öğrenenlere ve eğitimcilere ulaştırıldığı dijital sistemler, öğrenme yönetim sistemleri (LMS), özel ders sistemleri ve çevrimiçi öğrenme ortamları. Eğitimde YZ bağlamında platform, bir YZ kapasitesinin öğrencilere ulaşıp ulaşmadığını, nasıl konuşlandırıldığını (açık mı özel mı, bütünleşik mi bağımsız mı) ve kimlerin ona erişebileceğini, uyarlayabileceğini ve değerlendirebileceğini belirleyen altyapı katmanıdır. Bu bilgi tabanındaki araştırmalar platformları birden fazla açıdan incelemektedir: tasarımları, benimsenme ve katılım kısıtları, kurumsal yönetişimleri ve eşitlik etkileri. (Access is Not Enough: Human Support Improves Engagement with AI Tutoring) (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research)

Üzerinde Düşünülebilecek Sorular

• Karşılaştığınız son YZ özel ders veya geri bildirim aracını düşünün. Şimdi onun fiilen nerede “yaşadığını” düşünün — onu paketleyen LMS, platform veya uygulama. Bu kap, tarafsız bir teslim aracı mı gibi görünüyor, yoksa onun tasarım tercihleri (açık mı özel mi, bütünleşik mi bağımsız mı, bulut mu yerel mi) onunla neler yapabileceğinizi değiştirmiş olabilir mi?
• Bir çalışma, öğrencilerin neredeyse yarısının iyi tasarlanmış bir YZ özel ders platformunu hiç kullanmadığını ve yoğun kullanıcıların daha yüksek başarılı öğrencilere doğru yığıldığını buldu. Bir araç “ilke olarak” etkiliyse ama öğrenciler onu kullanmıyorsa, asıl sorun yetenek mi yoksa platform mu? Bu, edtech’i değerlendirme biçiminiz için ne anlama gelirdi?
• Özel mülk YZ platformları araştırmacıları bir avuç kapalı sisteme hapsedebilirken, OATutor gibi açık platformlar herkesin çatallamasına (fork), denemeler yapmasına ve yayımlamasına izin verir. YZ eğitimi kapalı, opak platformlar aracılığıyla sunulduğunda — araştırma, eşitlik ve kurumsal özerklik açısından — ne kaybedilebilir?
• Bir platformun iş modeli — kimin ödediği, verinin kimin olduğu, neyin optimize edildiği — üzerinde gerçekte yaşanan öğrenmeyi ne ölçüde şekillendirir? Bu etkiyi görmek için nereye bakardınız?
• Bazı yeni “YZ-mayın” platformlar, birçok öğrenciye tek bir video sunan MOOC modelini her öğrenci etrafında kurulmuş çok ajanlı bir sınıfla değiştiriyor. Devam etmeden önce, öğretim ajanlarla bire bir, öğretmenlerle birden çoğa dönüştüğünde neyi kaybetmekten kaygılanırdınız?

Giriş

Platform, bir YZ modeli veya yeteneği ile öğrenci arasında yer alır. Özel ders, değerlendirme, geri bildirim ve yönetimi kullanılabilir bir şey halinde paketleyen kap odur ve — kritik biçimde — tasarım tercihleri, erişilebilirliği ve dayandığı iş modeli aracılığıyla öğrenme çıktılarını şekillendirir. Bu kavram; Moodle gibi öğrenme yönetim sistemlerini, MOOC’lar gibi büyük ölçekli çevrimiçi platformları, özel zeki özel ders sistemlerini ve ortaya çıkan ajan tabanlı veya YZ-mayın kurs platformlarını kapsar. Kabı adlandırmak yazarlarını adlandırmak anlamına gelmez: platform konuşlandırılmış sistemdir, oysa ne yapacağına karar veren paydaş Eğitim Teknolojisi Geliştiricileri’dır — burada bu önemlidir, çünkü aşağıdaki benimsenme, eşitlik eğilimi ve tedarik bulguları genellikle bir platformun sınıfa hiç ulaşmadan önce yapılan tasarım tercihlerinin sonuçlarıdır.

Eğitimde YZ bağlamında bir platformun işlevleri

Eğitimde YZ bağlamındaki platformlar birkaç ayrı işlev görür:

• Öğretim ve özel ders sunmak — LMS’e gömülü özel dersçilerden bağımsız uyarlanabilir özel ders platformlarına kadar YZ özel dersinin ve Akıllı Özel Öğretim sistemlerinin kabı.
• Öğrenme ortamını yönetmek — geleneksel LMS platformlarının sağladığı kurs organizasyonu, kayıt, ilerleme izleme ve yönetim.
• Değerlendirme ve geri bildirime ev sahipliği yapmak — Otomatik Değerlendirme, Biçimlendirici Değerlendirme ve geri bildirim döngülerinin çalıştığı yer.
• Öğrenme verisi toplamak ve çözümlemek — Öğrenme Analitiği ve Öğrenen Modellemesi ve Uyarlanabilir Öğretim için temel zemin.
• Erişimi ve konuşlandırmayı yönetmek — Açık Kaynak mı özel mülk mü, yerel mi bulut mu ve hangi kurumların ve öğrencilerin kullanabileceğine ilişkin kararlar.

Bilgi tabanı makalelerinden temel bulgular

Kullanım, yetenekten çok sınırlayıcı olan etkendir

Bir platform ilke olarak etkili olup uygulamada başarısız olabilir, eğer öğrenciler onu kullanmazsa. Bir YZ okuryazarlığı (okuma) özel ders platformuna ilişkin iki RCT’de, kontrol grubu öğrencilerinin neredeyse yarısının platformu hiç kullanmadığı ve kullanıcıların haftada yalnızca 2–5 dakika ortalama süre ayırdığı bulunmuştur — okuma kazanımları için gereken dozdan çok uzakta. Yüz yüze yürütülen bir katılım özel dersçisi kullanımı ve katılımı belirgin biçimde artırmış, ancak yine de başarı kazanımları üretmemiştir; platform kullanıcıları daha yüksek başarılı öğrencilere doğru yığılmış ve bu durum eşitlik kaygıları doğurmuştur. (Access is Not Enough: Human Support Improves Engagement with AI Tutoring)

Sıralama yetenek kadar önemlidir: 2020–2025 yıllarına ilişkin 100’den fazla YZ-ve-eğitim çalışmasının derlemesi, uçtan uca platformları bir benimseme yığınının en üstüne yerleştirir ve kurumların, bu platformları ölçeklendiren şeyi satın almadan önce biçimlendirici değerlendirme, liderlik kapasitesi ve paylaşılan normları karara bağlaması gerektiğini savunur (Raza ve Farooq (2025)).

Boşluk giriş düzeyinde değil, ileti düzeyindedir: iki yıllık bir küme RCT’sinde öğrencilerin %96’sı Khanmigo’yu denemiştir, ancak ortanca öğrenci onunla yalnızca hata yaptığı oturumların %17’sinde ileti göndermiştir ve iletilerin yaklaşık %14,5’i gerçek bir matematik sorusu veya akıl yürütme adımı taşımaktadır — öğrenci başına yıllık \$15 karşılığında (Oreopoulos ve Low, 2026).

Sınırlayıcı etken, YZ’nin platformun içinde nerede durduğudur: 6.000 öğrencili bir ortaokul denemesinde ölçülen etki, alıştırma ortamı içindeki yapılandırılmış dokunuş noktalarından gelmiştir — ustalığa ulaşan öğrenci başına 2,0 “başlamama yardım et” kullanımı, 2,3 hatadan sonra yürütülen gözden geçirme ve 3,2 adım açıklaması — oysa YZ erişiminin tek başına çok az katkısı olmuştur (Oreopoulos ve ark. (2026)).

Eğitimcilerin hangi araçları kullandığını bildirdikleri ve erişimi neyin kapattığı

Dokuz ülkeden 211 eğitimciyle kurulmuş 2026 tarihli bir tipolojiden gelen nadir bir sayım, sınıflara ulaşan araçların orantısız biçimde ücretsiz kademeye sahip olanlar olduğunu göstermektedir; çünkü herkesin erişebileceği ücretsiz bir sürüm, kabul ölçütü olarak belirlenmiştir ve en çok aday gösterilen girdiler amaca özgü platformlardan çok genel amaçlı asistanlar ve medya üreticileridir. Listelenen elli aracın yaklaşık yarısı görsel, ses, video veya slayt üretmektedir; belge temelli asistanlar (NotebookLM, Elicit, SciSpace, Humata, Research Rabbit) ise araştırma kategorisindeki en tutarlı kümeyi oluşturmaktadır. Özel özel ders sistemler, bildirilen kullanımın merkezinde değil, küçük ve derse özgü bir grup olarak görünür — bu durum yukarıdaki kullanım sorununu daha geniş bir çerçeveye yerleştirir; burada bir platform, öğrencilerin ve öğretmenlerin halihazırda açık tuttukları genel amaçlı araçlara karşı dikkat için yarışır. (Typology of Generative AI Tools for Education)

Platform modeli önemlidir: açık mı özel mülk mü

• Özel mülk platformlar araştırma için engeller yaratır: Uyarlanabilir Öğrenme deneylerini çoğaltmak veya genişletmek isteyen araştırmacılar genellikle küçük sayıda kapalı platformla sınırlıdır.

• Açık platformlar bu engeli düşürür. OATutor, ITS ilkeleri üzerine kurulu ilk açık kaynaklı uyarlanabilir özel ders sistemidir — Creative Commons cebir içerik kütüphanesi, Bilgi İzleme ustalık tahmini ve yerleşik A/B testi içeren, MIT lisanslı bir kod tabanı — araştırmacıların çatallamasına, denemeler yapmasına ve uçtan uca sistemin tamamını yayımlamasına olanak tanır. (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research)

• Şeffaflık ön yüklüdür. 48 platform politikasının aynı denetiminde veri toplama ve üçüncü taraflarla paylaşım nispeten iyi açıklanırken YZ’ye özgü açıklama ve hesap verebilirlik geride kalmış; 48 platformun 16’sı (%33), görünür YZ özelliklerine rağmen anlamlı bir YZ açıklaması yapmamıştır (Nair ve Greenstadt, 2026).

• LMS API’si, oyunla bütünleşen bir platformun neyi değerlendirebileceğini sınırlar. Blackboard içeriğinden oynanabilir bir dünya üreten bir hiper oyunlaştırma piloti, çoktan seçmeli veya açık uçlu soruları görüntüleyememiştir; çünkü öğrenci kapsamlı belirteçler hiçbir soru içeriği döndürmemiş ve çalışma zamanı yanıtlarını göndermek üzere hiçbir uç nokta bulunmamıştır (Yusubov ve ark., 2026).

• Yalıtım ve maliyet, platform tasarımı değişkenleridir. VISMATIC, JupyterHub’ın aksine yanal hareketi ve ana makine ele geçirmesini engelleyen köksüz kapları (rootless containers), API düzeyinde süreç telemetrisiyle eşleştirir; 10–20 öğrenci için kapasiteli tek bir Raspberry Pi 5 düğümünde 19 öğrenci ve 1.880 kayıtlı olayı çalıştırır (Arroyo ve ark. (2026)).

YZ-mayın platformlar çevrimiçi eğitimi yeniden şekillendiriyor

Platform paradigmasının kendisi evrim geçiriyor. MAIC (Massive AI-empowered Course — YZ Güçlendirmeli Kitlesel Kurs), MOOC’un “N öğrenciye bir video” modelini, öğrenci başına bir ajan anlamına gelen LLM tabanlı çok ajanlı bir sınıfla — “1 öğrenciye N ajan” — değiştirir; uzmanlaşmış Öğretmen, Asistan, Sınıf Arkadaşı ve Çözümleyici ajanlarını kullanarak ölçekte kişiselleştirilmiş, uyarlanabilir öğrenme sunar ve kurs üretimini ~\$25K/60 saatten 2 \\$’ın altında/30 dakikaya indirir. (From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents) Benzer biçimde, YZ ile bütünleşen LMS tasarımları, yalnızca iş akışı platformlarının ötesine geçerek politika kapılı (sınırlı) YZ, biçimlendirici ipucu verme, aralıklı tekrar ve öğretmen panolarıyla gerçek zamanlı öğretim desteğine geçmeyi önermektedir. (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High) Konuşlandırma yelpazesinin diğer ucunda, sınıfa gömülü YZ’nin canlı fiziksel ortamlarda uygulanabilir olduğunu kanıtlaması gerekir. Community Builder (CoBi) — konuşma tanıma ve dil anlama kullanarak küçük grup işbirlikçi söylemini görselleştiren, sınıf geneline yayılan bir platform — gürültülü ortaokul sınıflarında piyasa mikrofonları ve ölçeklenebilir bir bulut hattı kullanılarak başarılı biçimde konuşlandırılmış; gerçek zamanlı konuşma-YZ altyapısının özgün K-12 ortamlarında işleyebildiğini göstermiştir; ancak arayüz uyumsuzlukları (öğretmenin ve öğrencinin geri bildirimin grup mu sınıf düzeyinde mi olduğuna ilişkin görüşleri) konuşlandırma sürtünmesi yaratmıştır.

İlgi temelli ve bağlam duyarlı platform özellikleri

Platformlar performans verisinin ötesinde kişiselleştirme yapabilir. Taklif.AI, üniversite ödevlerini öğrencilerin ders dışı ilgi alanlarına ve kültürel bağlamlarına göre üreten, LLM güçlü bir platformdur; Kültürel Olarak Duyarlı Pedagoji ile uyumludur ve herkese uyan tek biçimli ödevlerden ilgi güdümlü katılıma geçişi sağlar. (Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments)

Tasarım ve araştırma için çıkarımlar

1. Yalnızca yetenek için değil, kullanım için tasarlayın. Bir platformun etkililiği, öğrencilerin onunla gerçekten etkileşime girip girmediğine bağlıdır; destek yapıları, başlangıç (onboarding) süreçleri ve zamanlama, YZ’nin kendisi kadar önemlidir. (Access is Not Enough: Human Support Improves Engagement with AI Tutoring)
2. Platform yapısını bir eşitlik kolu olarak ele alın. Bir platformdan kimin yararlandığı erişime, altyapıya ve katılım kısıtlarına bağlıdır — platform tasarımı bir Eşitlik merceğinden incelenmelidir. (Access is Not Enough: Human Support Improves Engagement with AI Tutoring)
3. Araştırma için açık, çoğaltılabilir platformları tercih edin. OATutor gibi açık kaynak platformlar, yeniden üretilebilir uyarlanabilir öğrenme araştırmalarını ve paylaşılan bir kanıt tabanını mümkün kılar. (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research)
4. YZ-mayın platformları yönetişim ve sınırlarla tasarlayın. Platformlar YZ ile bütünleştikçe gizlilik öncelikli mimari, veri minimizasyonu, denetlenebilir kayıtlar ve rol tabanlı erişim kritik önemdedir — bu durum Gizlilik ve YZ Yönetişimi kaygılarına bağlanır. (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High)

Gizlilik politikaya değil hattın içine yerleştirilebilir: anonimleştirilmiş duruş yörüngeleri üzerinde eğitilmiş bir sınıf olayı dedektörü, küçükler için yüz ve görünüm ipuçlarını sistemden uzak tutar; ancak her yöntem, önerilen modelin en iyi doğruluğunun %63,41 olduğu gerçek sınıflara sıfır-örnek aktarımda doğruluk kaybetmiştir (Parmar ve ark. (2026)).

5. Önerileri öğretmenin alan dilinde açıklayın. Bir platformun YZ özellikleri, açıklamaları anlaşılır ve pedagojik açıdan anlamlı olduğunda güven ve kullanım kazanır: bir YZ gruplama öneri aracıyla (GrouPer) yürütülen özne içi bir deneyde, Feldman-Maggor ve ark. (2025), müfredat diliyle çerçevelenen alana dayalı açıklamaların ham özellik önem derecesi açıklamalarına kıyasla öğretmenlerin anlaşılabilirlik, güven ve kabulunu belirgin biçimde daha fazla artırdığını bulmuştur — ve tam kabul için gerçek sınıf kullanımının hâlâ önemli olduğunu. (The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations)
6. Kanıt üreten sistemi, onu derecelendiren sistemden ayırın. Ajanlar bir öğrencinin adına bir kursu tamamlayabildiğinde, Srivastava (2026), bir platformun öğrenenin akıl yürütmesine ilişkin çağdaş, incelenebilir kanıt yayımlaması ve onun tek derecelendiricisi olmaması gerektiğini savunur — ortam, veren ve doğrulayıcı bağımsız olmalıdır. (Credentials That Carry Their Evidence: Credential design, dynamic tiering, and approved use when AI agents can do the work)
7. Temsilleri tasarım zamanında üretin, çalışma zamanında değil. Neshaei ve ark. (2026), çalışma zamanı uyarlamasının ölçekte doğrulanamayacağını savunur ve içeriği modaliteden bağımsız anlamsal kartlar olarak kodlamayı önerir; bu kartlardan etkileşimli, sesli, basitleştirilmiş metin ve düşük bant genişliği türevleri üretilir ve yayına girmeden önce öğretmenler tarafından onaylanır — öğrenci başına çıkarım maliyetini ortadan kaldırır; ancak hiçbir prototip rapor edilmemiştir.

Bağlı kavramlar

• Kişiselleştirilmiş Öğrenme
• Uyarlanabilir Öğrenme
• Akıllı Özel Öğretim
• Öğrenme Analitiği
• Öğrenen Modellemesi ve Uyarlanabilir Öğretim
• Bilgi İzleme
• Otomatik Değerlendirme
• Biçimlendirici Değerlendirme
• Üretici YZ
• Büyük Dil Modelleri (LLM)
• Açık Kaynak
• YZ Okuryazarlığı
• Öğrenci Deneyimi
• Öğretmenlik
• K-12
• Yükseköğretim
• Eşitlik
• Gizlilik
• YZ Yönetişimi
• Kültürel Olarak Duyarlı Pedagoji
• STEM Eğitimi
• Eğitim Teknolojisi Geliştiricileri

Bağlı makaleler

• Typology of Generative AI Tools for Education — What 211 educators reported using: 50 tools in nine categories
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Making AI tutoring productive: mastery-based math practice
• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — One Click Away: Khanmigo in a two-year school experiment
• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — Take-up and engagement are the binding constraints for AI tutoring platforms
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — An open-source adaptive tutoring platform for replicable research
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — Moving from MOOC to LLM-driven multi-agent AI classrooms
• AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High — AI-integrated LMS for middle school with bounded, privacy-first support
• Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments — Interest-based personalized assignment platform
• EduSim-LLM: An Educational Platform Integrating Large Language Models and Robotic Simulation for Beginners — An LLM-robotic simulation platform for education
• Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education — A generative social-robot teaching platform in higher education
• Hypergamigication Through Integrating Game Engines and Learning Management Systems: Ender's Game — A game-engine-based LMS integrating gamification
• The Missing Layer: Why EdTech Needs Design-Time Generative UI, Not Just Runtime Personalization — Designing edtech for generative UI
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — FERPA-compliant local LLM autograder platform
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — A secure sandbox platform for CS education
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — LLM-powered personalized adaptive learning platform
• Robust and Efficient Motion Reasoning for Privacy-Aware Classroom Incident Recognition — Privacy-aware computer vision in classroom platforms
• Review of Artificial Intelligence in Education from 2020 to 2025 — Comprehensive review of AIED research and systems
• Credentials That Carry Their Evidence: Credential design, dynamic tiering, and approved use when AI agents can do the work — Credentials that carry their evidence for AI-agent work
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech
• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data