AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Eğitimde NLP

Oluşturuldu 2026-10-14

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

Eğitimde NLP (Doğal Dil İşleme), dil teknolojilerini öğrenmeye uygular: Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction, A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol, LLM-assisted sentiment analysis for integrated computational and qualitative mixed methods education research: A case study of students' written reflection assignments ve What Makes Words Hard? Sakura at BEA 2026 Shared Task on Vocabulary Difficulty Prediction, LLM’lerin öğrenci dilinin ölçekte çözümlemesini nasıl ilerlettiğini göstermektedir (Eğitimde Ölçme, educational-nlp).

Üzerinde Düşünülebilecek Sorular

  • Bir LLM duygu durumu için binlerce öğrenci denemesi veya tartışma gönderisini çözümlediğinde, neyi doğru yapıyor olabilir ve öğrenmenin diline ilişkin neyi gözden kaçırdığından şüphe edersiniz?
  • Doğal dil işleme artık kelime dağarcığının ve test maddelerinin zorluğunu tahmin edebilir ve öğretme geri bildirimini ölçekte sınıflandırabilir. Bu öngörüler uyarlanabilir sistemleri besliyorsa, makinenin dil üzerine yargılarının, onları kullanan öğrenenler için gerçekten doğru olup olmadığını kim denetler?
  • Öğrenci dilini çözümlemek, onu anlamaktan nasıl farklıdır? NLP, duygu durumu ve geri bildirim çözümlemesini ölçeklendirdiğinde korelasyon ile gerçek içgörü arasındaki çizgi nerede bulanıklaşabilir?
  • Bu kavram NLP’yi özel ders, öğrenci modelleme ve ölçmeye bağlar. Okumadan önce, “bir öğrenciyi anlamanın” ne kadarının yalnızca yazılı veya sözlü dilinden yakalanabileceğini düşünüyorsunuz — ve ne dışarıda kalıyor?

Giriş

Eğitimde NLP’nin işlevi

Eğitimde doğal dil işleme, hesaplama yöntemlerini öğretme ve öğrenme diline — öğrenci denemelerine, yanıtlara, tartışma gönderilerine, geri bildirime ve öğretim metnine — uygular. LLM’ler, otomatik olarak çözümlenebilecekleri belirgin biçimde genişletmiştir; önceden ölçekte pratik olmayan öğrenci dilinin ayrıntılı anlaşılmasını mümkün kılmıştır.

Bilgi tabanında belgelenen uygulamalar

  • Öğrenci dilinin çözümlenmesi. LLM-assisted sentiment analysis for integrated computational and qualitative mixed methods education research: A case study of students' written reflection assignments, eğitim araştırmalarına LLM temelli duygu durumu çözümlemesi uygular; ölçekte öğrenci metinlerinden duygusal ve değerlendirici sinyaller çıkararak Öğrenme Analitiği ve Duygusal Hesaplama alanlarını besler.

  • Öngörü ve ölçüm. Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction ve What Makes Words Hard? Sakura at BEA 2026 Shared Task on Vocabulary Difficulty Prediction, madde ve metin zorluğunu tahmin etmek için dil modellerini kullanır — Eğitimde Ölçme, Uyarlanabilir Öğrenme ve Madde Tepki Kuramı modellerinin temel girdileri.

  • Anlamsal benzerlik, müfredat hizalaması için zayıf bir sinyaldir. 3.837 diş hekimliği amaç–özet çiftini tarayarak, yerleştirme (embedding) erişimi artı bir doğal dil çıkarımı denetimi, yüksek benzerlikli eşleşmelerin (kosinüs 0,90–1,00) %22,9’unu nötr veya çelişkili bulmuş ve uzman etiketli doğruluğu 0,69’dan 0,73’e yükseltmiştir (Yasmin ve ark. (2026)).

  • Okunabilirlik ve müfredat uyumu. Bird (2026), dönüştürücü metin sınıflandırmasını hesaplamalı dilbilim özellikleriyle birleştirerek İngiliz edebiyatını İngiltere Ana Aşamalarına (UK Key Stage) göre sınıflandırır ve 0,996 F1 değerine ulaşır — Eğitimde Ölçme ve okuma düzeyi uyumu için What Makes Words Hard? Sakura at BEA 2026 Shared Task on Vocabulary Difficulty Prediction ve Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction’e veri güdümlü bir tamamlayıcı.

  • Söylem düzeyinde sınıflandırma, yüzey özelliklerinin gözden kaçırdığını yerele indirir. Yalnızca son dört dönüştürücü katmanı üzerinde ince ayarlanmış bir BERT modeli, bitişik cümle çiftlerini nedensel, karşıt, ilerleyici veya tutarsız olarak sınıflandırır ve kırılma noktasını bir teşhis olarak yayar; 28.736 cümle çiftinde en az 0,891 ortalama F1 değerine ulaşır (Wang ve ark., 2026).

  • Tüm ders modellemesi, sözcük düzeyinde sınıflandırmayı geride bırakır. Yalıtılmış sözcükler yerine ders deşifre metinlerinin tamamını puanlamak, akıl yürütme zinciri tespitinde en son teknoloji ayrımcı temel çizgilere karşı 14,2 yüzde puanlık artış sağlamış; lehçeden bağımsız bir karşıtlık hedefinin eklenmesi ise Afrikalı Amerikan Konuşma İngilizcesinde yanlış negatifleri 18,4 puan düşürmüştür (Fang ve Liu, 2026).

  • Geri bildirim ve sınıflandırma. A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol, öğretme geri bildirimini sınıflandırmak için bir Karşılaştırma testi (Benchmark) sağlar; Geri Bildirim Döngüsü araştırmasını ve LLM Eğitimi ve İnce Ayar alanını ilerletir.

  • Değerlendirme yorumlarında NLP ölçeklenir ancak kullanıma ulaşmaz. Öğrencilerin öğretimi değerlendirmesine ilişkin açık uçlu yanıtlara (2015–2026) NLP uygulayan 421 çalışmanın bir PRISMA-ScR kapsam derlemesi ve kanıt haritası, duygu durumu çözümlemesinin hâlâ en yaygın görev olduğunu (300/421, %71,3) ve 49,7 puanlık bir eyleme dönüştürülebilirlik kopukluğunu bulur: 258 çalışma (%61,3) kullanılabilir bir çıktı göstermiş, ancak yalnızca 49’u (%11,6) hedeflenen bir kullanıcının değerlendirmesine ulaşmış; yalnızca 8 çalışmada (%1,9) resmî bir adalet metriği ve 33 çalışmada (%7,8) dışsal doğrulama yer almıştır (Eicher ve da Silva (2026)).

  • Açıklamalar atıflarla birbirinin yerine kullanılamaz. Bueno ve ark. (2026), SHAP atıflarının, derecelendirme ölçeği puanlarını güvenilir biçimde yönlendiren cümleleri belirlediğini ve model aileleri arasında aktarıldığını, oysa LLM üretimi gerekçelerin sınırlı ve tutarsız etki gösterdiğini bulmuştur — ince ayarlı PLM’lerin doğrulukta istek metniyle kullanılan LLM’leri geride bırakmasına rağmen.

  • Fen alanında kısa yanıt değerlendirmesi. Dönüştürücü temelli kısa yanıtlı fen sorularının otomatik puanlanmasına (2017–2024 başı) ilişkin Morley ve ark.’nın kapsam derlemesi, BERT ailesi modellerinin daha büyük LLM’ler istek metniyle benimsenmeden önce alanın serbest metin puanlama için baskın iş atı haline geldiğini ve alan bilgisiyle güçlendirilmiş modellerin — ek ön eğitim, derecelendirme ölçeği veya ders kitabı verisi, öğrenme-öğretme — bu olmadan kullanılanları tutarlı biçimde geride bıraktığını göstermektedir (Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4).

  • Açık uçlu puanlamada bağlam duyarlılık ve referans eşleştirme. 1.885 yazılım mühendisliği açık uçlu yanıt üzerinde on bir üretici YZ ve cümle gömme modelini kıyaslayan Pecuchova, Benko ve Drlik (2025), bağlam duyarlı LLM’lerin (GPTo1 en iyi, neredeyse kusursuz insan uyumu), kosinüs benzerliğine dayalı referans modellerini (BERT, RoBERTa, T5, USE) geride bıraktığını göstermektedir; referans modelleri, geçerli ancak farklı ifade edilmiş yanıtları sistematik biçimde yanlış sınıflandırmıştır. Yazarların NLI çözümlemesi, anlamsal olarak doğru birçok yanıtın referans yanıtlara göre çelişki kategorisine düştüğünü ortaya koymuştur — eğitimde NLP puanlamasının, katı referans hizalaması yerine öğrencilerin kısa, çeşitli ve kendi sözcükleriyle yaptığı ifadeleri karşılaması gerektiğinin kanıtı. Bu karşıtlık öğretmen bilgisi için keskinleşir: 268 ABD’li ortaokul matematik öğretmeninin açık uçlu yanıtlarını kodlayan çalışmada, hem klasik kodlayıcılar (RoBERTa, Sentence-BERT) hem de saf tek istek metniyle çalışan GPT-4o, pedagojik içerik bilgisinde (PCK) insan kodlayıcıların belirgin biçimde gerisinde kalmıştır; oysa açıklama noktalarını insan kodlama kılavuzuna yinelemeli biçimde ekleyen üç ajanlı bir LLM koşumu, PCK’de önemli uyuma ve çok daha ele alınabilir içerik bilgisi maddelerinde insana yakın uyuma ulaşmıştır — güvenilirlik, daha büyük bir modelden değil, yönergelerin gerçek anlaşmazlıklara karşı iyileştirilmesinden gelmektedir; en karmaşık öğretme akıl yürütme maddeleri ise hâlâ uzman incelemesi gerektirmektedir (Copur-Gencturk ve ark., 2026).

  • Öğrenci üretimi soruların sınıflandırılması. Lee, Atif ve Kang (2026), 11 BT öğrencisinden 12 kursta gelen 434 özgün öğrenci sorusunu üç Yapılandırmacılık öğretim rolüne — bilgi aktarıcı, kolaylaştırıcı ve birlikte öğrenen — sınıflandırmış ve görev üzerinde dört dönüştürücü modeli kıyaslamıştır. DeBERTa, %86,36 doğrulukla (F1 86,52%) önde gelmiş; olgusal bilgi aktarıcı sorularda %96,67 kesinlik, ancak kolaylaştırıcı sorgularında yalnızca %78,79 kesinlik göstermiştir; ince ayarlı BERT, daha düşük kesinlikle en iyi birlikte öğrenen duyarlılığına (%92,00) ulaşmıştır. Sonuç, güçlü toplam puanların daha üst düzey kategorilerde zayıf ayrımı maselediği kalıbı yansıtır: roller arasındaki kavramsal örtüşme, öğrenci niyetindeki belirsizlik ve bilişsel derinlik olarak yanlış okunan alana özgü teknik ifadeler, yüzey sözcüksel özellikleri bozguna uğratır; bu durum bağlam duyarlı gömmeler, çok turlu diyalog sinyalleri ve niyet duyarlı özellikler lehine olarak savunulur (Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs, From Memorization to Creation: Evaluating the Cognitive Depth of LLM-Generated Educational Questions).

  • Taksonomi sınıflandırıcıları üretilen içerikte doğruluğun çoğunu kaybeder. Küratörlüğünü yapılmış bir madde bankasında makro-F1 0,88 puan alan bir Bloom düzeyi sınıflandırıcı, iki YZ üretimi soru kümesinde 0,48 ve 0,20’ye düşmüş; kayıp, model boyutundan çok açık Bloom tetikleyici fiillerinin yokluğunu izlemiştir; yalnızca LLM’ler (0,41 ile 0,79) ve üretilen maddeler üzerinde yeniden eğitilmiş sınıflandırıcılar (0,82’ye kadar) ayakta kalmıştır (Castanares ve ark., 2026).

  • Ön eğitim verisi için derlem ölçekli küratörlük. Garrod ve ark. (2026), tek bir “bu eğitsel mi?” puanının yerine yirmi incelenebilir derecelendirme ölçeği boyutunu — olgusal doğruluk, pedagojik yapı, düzey uygunluğu ve temel okuryazarlık ölçütleri bunlar arasında — koyar ve GPT-4.1-mini’nin ikili tercihlerini, ayrılmış hâkim tercihlerini ortalama 0,917 doğrulukla kurtaran yeniden kullanılabilir Edu-QuRater’lara damıtır; ardından FineWeb-Edu-Fortified’in 322,25 milyon satırının tamamını etiketler; burada süzülmüş karışımlar, aşağı akış kıyaslama doğruluğunu FineWeb-Edu temel çizgisinin üzerine çıkarmıştır. Bu durum, öğrencilerin ürettiği dili çözümlemenin ötesinde eğitimde NLP için bir rol işaretler: diğer modellerin üzerinde eğitildiği öğretim metnini taramak.

  • Bildirimleri yorumdan ayırarak denetlenebilir kodlama. Bernado ve ark. (2026), tek etiketli istek metni yerine, şeffaf bir sınıflandırıcının yapı etiketine eşlediği 221 insan tarafından okunabilir bildirimden oluşan bir şema koyar — 74’ü derlem kaynaklı, 48’i yapı kaynaklı, 100’ü otomatik kelime varlığı kontrolü — TalkMoves öğretmen konuşması derleminde makro-F1 0,673 ve Cohen’ın κ değeri 0,688’e ulaşır; bu, yayımlanmış doğrudan istek metni üst sınırı olan 0,61 makro-F1 ve 0,58 κ’nın üzerinde, ancak ince ayarlı RoBERTa-base sınıflandırıcının 0,76’sının gerisindedir. Krippendorff’un α ≥ 0,5 gerekliliği, 74 derlem kaynaklı bildirimden yalnızca 33’ünü ayakta tutmuştur; yalnızca kelimelerden oluşan bir temel çizgi ise 0,339 makro-F1 almıştır; dolayısıyla kazanım, anahtar kelime sıklığından değil, öğrenilen davranış bildirimlerinden gelmektedir.

  • El yazısı cevap kağıtları mevcut ayrıştırıcılara direnir. Çok satırlı çözümler, iç içe geçmiş düz metin ve formüller, elle çizilmiş tablolar ve üstünü çizme ile silmeden kaynaklanan gürültü, basılı belge ve yalıtılmış ifade kıyaslamalarının dışına çıkar; bu nedenle gerçek sekizinci sınıf matematik kağıtlarından oluşan HANS veri kümesi — 745 öğrenciden 5.213 cevap görüntüsü ve 18 problem türü — bu gürültüyü belgeler ve tanımayı iyileştiren bir gürültü bastırma modelini destekler (Wu ve ark. (2026)).

  • Ölçekte konsept etiketleme. Yang ve ark. (2026), bilgi konsepti etiketlemeyi bir Seç–Gerekçelendir–Yargıla hattına böler — küçük bir model aday konseptleri ön listeler, LLM ön liste üzerinde akıl yürütür, ardından yargılar — modelin karar uzayını daraltarak üç kıyaslama üzerinde etiketleme doğruluğunu yükseltir.

Özel ders ve ölçmeye bağlantı

Eğitimde NLP, hem öğrenen dilinin çözümlenmesini (Öğrenen Modellemesi ve Uyarlanabilir Öğretim, Bilgi İzleme) hem de uyarlanabilir öğretim içeriğinin üretimini (Akıllı Özel Öğretim, İskeleleme (Scaffolding)) destekler. AI-Generated Interactive Fiction for Educational Use: A Pilot Study of Perceived Comprehensibility, Coherence, and Engagement, öğrenmeye yönelik NLP güdümlü içerik üretimini gösterir; Comprehensive Review of Intelligent Tutoring Systems ise NLP’yi daha geniş Akıllı Özel Öğretim manzarası içinde konumlandırır. LLM temelli çözümleme arttıkça, NLP kaynaklı içgörülerin gerçekten öğrenmeyi iyileştirdiğini doğrulamak için RCT ve AIED’de Araştırma Yöntemleri çerçeveleri önem kazanır.

Model sıkıştırma aynı araca takımının parçasıdır: iki aşamalı bir hat, uydurulmuş bir kara kutu tahmincisini ve sonradan yorumunu küçük bir açık ağırlıklı modele damıtır; böylece 2B parametreli bir “mentee” (öğrenci model), sıradan bir dizüstü bilgisayarda çevrimdışı hem bir tahmin hem de doğal dilde bir açıklama döndürür (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

Bağlı kavramlar

Bağlı makaleler

Üst veri

Öğrenme ve öğretimİskeleleme (Scaffolding), Sokratik Yöntem
Teknolojiler ve tekniklerEğitimde NLP, Akıllı Özel Öğretim, Öğrenen Modellemesi ve Uyarlanabilir Öğretim, Bilgi İzleme, Uyarlanabilir Öğrenme
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.