AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Eşitlik

Oluşturuldu 2026-10-14

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

Eşitlik — YZ’nin tüm öğrenenlere adil biçimde hizmet etmesi gerektiği ilkesi ile YZ eğitim araçlarına erişimde, bunlar içindeki temsilde ve bunlardan sağlanan faydalarda sistemik eşitsizliklerin incelenmesi. Bilgi tabanındaki eşitlik araştırmaları erişim boşluklarını ve dijital uçurumu, YZ sistemlerinde önyargı ve adaleti, kültürel olarak duyarlı ve dilsel olarak kapsayıcı tasarımı, engelli öğrenenler için erişilebilirliği ile YZ’nin fayda ve zararlarının gruplar arasındaki dağılımını incelemektedir. Eşitlik, tekniği (önyargı azaltma, adil algoritmalar) yapısal olanla (altyapı, politika) ve pedagojiyi (kültürel olarak ilgili öğretmenlik) birbirine bağlar.

Dikkate Alınması Gereken Sorular

  • Bir okula veya sınıfa YZ araçlarının sağlanması başarı boşluklarını kendiliğinden kapatmaz — hatta yalnızca erişim bile bunları genişletebilir. ‘Erişim yeterli değilse’, YZ’nin gerçekten tüm öğrenenlere adil biçimde hizmet edebilmesi için başka neyin yerinde olması gerekir?

  • Öğrenenleri simüle etmek için kullanılan veriler bile önyargı taşır: LLM’ler öğrenci vineleri ürettiğinde farklı modeller daha fazla Küresel Kuzey veya Küresel Güney profilini ve cinsiyetli zamirleri üretti. Modellerin kendisi eşit olmayan önsel bilgileri kodladığında, öğrenenlerin YZ üretimi temsillerine ne kadar güvenmeliyiz?

  • YZ eğitiminde eşitlik çoğu zaman üç kaygı çerçevesinde ele alınır: araçları kim alır (erişim), bunlarda kim temsil edilir (temsil) ve kim fayda görür (sonuçlar). Bir grubun erişim sağladığı hâlde yine de fayda görmediği bir durum düşünebilir misiniz? Boşluğu açıklayan nedir?

  • ‘Yapısal sessizlik’ üzerine yapılan araştırmalar, yeterince temsil edilmeyen dilleri konuşanların YZ altyapısı — eğitim derlemleri, belirteçleme, kıyaslamalar — yüzünden herhangi bir model eğitilmeden önce dezavantajlı duruma düştüğünü savunur. Dezavantaj altyapının içine gömülüyse, onu düzeltmeye nereden başlanır?

Giriş

YZ eğitiminde eşitlik, üb örtüşen kaygıyı ele alır: YZ araçlarını kim alır (erişim), YZ sistemlerinde kim ve ne temsil edilir (temsil) ve kim fayda görür (sonuçlar). YZ, tasarıma, altyapıya ve politikaya bağlı olarak mevcut eşitsizlikleri hem genişletebilir hem daraltabilir. Eşitlik bu nedenle algoritmik adalet, dijital erişim, dilsel kapsayıcılık, Erişilebilirlik ve kültürel olarak ilgili öğretmenlik üzerine uygulanan çapraz kesen bir bakış açısıdır.

Erişim ve altyapı eşitliği

  • Dijital uçurum: Eşitsiz erişim YZ destekli öğrenme araçlarına sosyoekonomik hatlar, bölgeler ve uluslar arasında eşitsiz erişim, temel bir engeldir. Kanıtlar, üretici YZ faydalarının ülkeler ve kurumlar arasında nasıl eşitsiz dağıldığını belgelemektedir.
  • Uçurumun bir parçası araç erişimi değil, araç kalitesidir: Canonigo (2026), aynı modelin ücretsiz ve ücretli katmanlarına her birini üç kez olmak üzere 50 matematik istek metni göndermiş ve ücretsiz katmanın 150 yanıtının 49’unda (%32,7) hatalı olduğunu, ücretli katman için bu oranın 150’de 18 (%12) olduğunu bulmuştur (χ2(1) = 17,5, p < 0,001); araştırmadaki iki okuldan kaynakları daha düşük olanındaki öğretmenler ücretsiz modeli “matematik için sınırda işe yaramaz” olarak nitelendirmiştir. Yazarlar bunu, Dijital Uçurum cihaz erişiminin ötesine araç kalitesine taşıyan bir algoritmik uçurum olarak okumaktadır; dolayısıyla “YZ erişimi” olan bir okul bile öğrencilerine somut biçimde daha az güvenilir bir öğretmen vermekte olabilir. Yazarların kendi çekinceleri şudur: karşılaştırma keşfedici nitelikteydi ve istek metinleri rastgele dağıtılmamıştı, bu nedenle boşluğun büyüklüğü kesin değil, yalnızca bir eğilim gösterir. Aynı çalışma, boşluğun aldığı yönün araca bağlı olarak sabit olmadığını gösterir: öğretmenlerin öğrencilerden YZ çıktısını kendi çalışmalarıyla karşılaştırmalarını istediği ve modele çözümleri saklaması için önceden talimat verildiği yerlerde çıktı eleştiri için bir nesne hâline gelirken, aracısız kalan sınıflarda öğrencilerin önce algoritmaya danıştığını ve öğretmenin bir doğrulayıcıya dönüştüğünü görülmüştür (“Artık kahin değilim; editoryum”).
  • Erişim yeterli değildir: YZ araçlarını yapısal engellere çözüm getirmeden sağlamak boşlukları kapatmaz — erişim, gerçek kullanımı mümkün kılan beceriler, destek ve koşullarla eşlik edilmelidir.

Farklılaştırılmış destek, eşit faydanın kanıtı değildir: matematikte YZ özel ders çalışmasına ilişkin bir derleme, kapsayıcılık iddialarını desteklenmemiş bulmaktadır; çünkü çalışmalar kazanımların yetenek, cinsiyet, sosyoekonomik durum, dil, engellilik ve coğrafi gruplar arasında tutarlı biçimde dağılıp dağılmadığını nadiren sınamakta ve bu sistemlerin başarı boşluklarını azalttığı kanıtlanamamaktadır (Ogunsakin ve ark. (2026)).

  • Farklılaştırılmış insan-YZ özel dersleri, hibrit modellerin boşlukları daraltabileceğinin kanıtıdır — kaynak tahsisi ihtiyaca göre yapıldığında. Bir farklılık-süreksizlikleri (difference-in-discontinuities) çalışması (5-8. sınıfta 635 öğrenci; medyanın altında kalanlara proaktif insan özel dersi, medyanın üstünde kalanlara reaktif talep üzerine destek, karşılaştırma grubu olarak yalnızca YZ temelli bir uygulama) hibrit özel derslerin görev üzerinde geçirilen süreyi %25, beceri yeterliliğini %36 ve akademik gelişimi genel olarak %61 artırdığını bulmuştur — ve iki kol farklı mekanizmalarla karşılaştırılabilir katılım ve yeterlilik kazanımları elde etmiştir. Eşitlik açısından önemli ayrıntı şudur: proaktif özel derslerde ortalama gelişim marjinal olarak daha yüksekti (%75, p = ,065) ve bu, eşik değerinin oldukça altında kalan öğrenciler arasında yoğunlaşmıştı — bu, bütün öğrenenleri aynı biçimde yukarı çekmek yerine boşluğu sıkıştıran bir örüntüdür — her oturumda bir öğretmen iki gruba da hizmet etmiştir. Yazarlar uygun biçimde ihtiyatlıdır: DiDC tasarımı yarı-deneyseldir, ikili medyan eşiği grup içi ihtiyaç farklılıklarını gözden kaçırır ve %75’lik etki marjinaldir. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)

  • Akademisyenler uçurumun genişleyeceğini beklemektedir. Watson ve Rainie (2026), 1.057 ABD’li üniversite ve yüksekokul akademisyenine anket yapmış ve %81’inin üretici YZ’nin dijital eşitsizlikleri genişleteceğini beklediğini (%58’i bunu çok fazla bekliyor) — rapordaki en güçlü eşitlik beklentisi olan bu oran, kurumlarının öğretmenleri araçları öğretme ve rehberlik için kullanmaya hazırlamadığını söyleyen %68’in yanında yer almaktadır. Aynı anket araçların ne kadar eşitsiz benimsendiğini göstermektedir: katılımcıların %26’sı üretici YZ’yi hiç kullanmamakta olup bu oran sanat ve beşeri bilimler akademisyenlerinde %40’a, sosyal bilimcilerde %28’e çıkmaktadır; böylece kullanmama ve hazır olmama belirli disiplinlerde yoğunlaşmaktadır. Rapor, yazarlarının genellenebilir olmadığını belirttiği olasılık dışı bir örneğe dayanmaktadır; dolayısıyla bunlar sektörün dile getirdiği kaygılarıdır, ölçülmüş etkiler değildir.

  • Altyapı dezavantajı: Structural Silence, YZ altyapısının — eğitim derlemleri, belirteçleme, kıyaslamalar, dağıtım mimarileri — yeterince temsil edilmeyen dilleri konuşanları model eğitilmeden önce sistematik biçimde dezavantajlı duruma düşürdüğünü göstererek veri kümesi kıtlığını tesadüfi değil, yapısal bir sorun olarak yeniden çerçevelemektedir.

  • Sentetik verilerde modele özgü demografik önseller: López-Pernas ve ark. (2026), LLM’ler öğrenci vineleri ürettiğinde her modelin farklı demografik eğilimler dayattığını bulmuştur — GPT daha fazla Küresel Kuzey profili üretmiş ve they/them zamirlerini kullanmış, Qwen daha fazla Küresel Güney profili üretmiş, Mistral ise she/her yönünde eğilim göstermiştir. Bir Büyük Dil Modelleri (LLM) tarafından öğrenen verisinin kurgulanması bile, ileri adımlardaki önerilere sızarak yayılabilecek bölgesel ve cinsiyete dayalı önseller taşır; bu, yeterince incelenmemiş bir eşitlik riskidir.

  • Sosyoekonomik eğimler: YZ ve yaşam boyu öğrenme politikası ile verimlilik boşluğu deneyleri, YZ’nin farklı öğrenen grupları arasındaki boşlukları daraltıp daraltamayacağını incelemektedir.

  • Engelli öğrenenler için köprüler kurmak: Khlaif ve ark. (2026), GenAI’ın görme engelli üniversite öğrencilerinde dijital, coğrafi ve sosyoekonomik uçurumları ortadan kaldırdığını; kapsayıcılığı hem altyapısal hem kültürel bir mesele olarak çerçeveleyerek dijital eşitlik söylemini erişimin ötesine ait olma, söz sahibi olma ve temsile taşıdığını bulmuştur.

Hazırlık tercihten daha önemlidir ve reddetme hakkı eşitsiz dağılmıştır. Güçlü akademik özgüvene sahip öğrenciler ceza almadan YZ’yi reddedebilirken; dil desteği, erişilebilirlik desteği veya hızlı geri bildirime ihtiyaç duyan öğrenciler reddi bir fırsat kaybı olarak yaşar ve sıradan personel, sorumluluğu azaltmadan hazırlık süresini kısan araçları benimseme baskısı hissedebilir. Bir anlama yükümünün eğitim, güvenli altyapı ve net politika olmadan dayatıldığı yerde bu, gizli bir iş yüküne dönüşür ve reddetme teknolojiye dirençten çok kurumsal yetersiz hazırlığa verilebilecek öngörülebilir bir yanıt hâline gelir (Zagami 2026).

Kira üç para biriminde ödenir ve sahip olunan yetkinlik mezunla birlikte gider. de Barba (2026), ticari bir araçta bulunan yeteneğin yalnızca sağlayıcının koşullarıyla kullanılabileceğini, dolayısıyla kurumsal lisansların ev sahibini ortadan kaldırmak yerine yerini değiştirdiğini savunur: erişim genellikle kayıtla birlikte sona erer ve kiralanmış yetenek yalnızca ödemeye devam edebilen mezunlar için varlığını sürdürür. Erişim tartışmalarının gözden kaçırdığı iki dağılımı daha ekler — bireysel maliyetler uyum sürecinde yoğunlaşır, burada önceden alana ilişkin bilgisi daha az olan öğrenenler en uzun süreyi harcar; kiralanmış standartlar modelin referans noktalarını taşır ve kültürel ve dilsel referans noktaları modelden farklı olan öğrenenlerin standartlarının daha fazlasının yerini alacağı öngörülür. Aynı araç erişimi genişletirken standartları aynı anda yerinden eder; bu nedenle bir kursun kendi başına inşa etmesi gereken yetenekleri adlandırmayı pedagojik olduğu kadar bir eşitlik önlemi olarak da ele alır.

Temsil eşitliği

  • Eğitim verilerinde ve çıktılarda önyargı: YZ eğitim verileri büyük ölçüde baskın kültürel bakış açılarını yansıtır. Cinsiyet önyargısı aktarımı araştırmaları, LLM destekli yazmanın öğrenci çalışmalarını cinsiyet önyargısıyla kirletebileceğini göstermektedir; tarih eğitimi filtreleri ve YZ puanlama, Batı-merkezci ve dilsel olarak önyargılı varsayımları kodlayabilir.

  • Marjinalleştirilmiş bilgiler: Marjinalleştirilmiş bilgiler üzerine araştırmalar, üretici YZ’nin baskın olmayan bilgi sistemlerini ve yükseköğretimdeki engellilik bakış açılarını nasıl marjinalleştirdiğini incelemektedir.

  • Müfredat çeşitlendirmesi: Öğretmenler müfredat materyallerini çeşitlendirmek için giderek daha fazla LLM kullanmaktadır (Wang ve ark., 2025, bunu yapanların oranını %78 olarak bulmuştur), ancak YZ tarafından derlenen okuma listeleri BIPOC yazarları hâlâ yeterince temsil etmemekte ve STEM YZ özel dersleri varsayılan olarak Batı-merkezci problem bağlamlarına dönmektedir.

  • Üretilen görseller baskın görsel normları tekrar eder; bu da eleştirel kullanımı bir ek beceri değil, bir yetkinlik yapar. Jiang ve ark. (2026), GenAI görsel üretiminin görsel önyargı gibi baskın çok kipli normları tekrar ettiğini gözlemlemekte ve bunu göz ardı eden çok kipli değerlendirmenin eşitsizlikleri otomatikleştirip yeniden üretme riski taşıdığını vurgulamaktadır; bu nedenle ikinci dil öğretmenleri için önerdikleri çerçeve, öğrencilerin önyargılı model çıktılarını tespit etmesine, değerlendirmesine ve karşı-anlatı kurmasına yardımcı olma yetkinliğini zorunlu kılmaktadır (Jiang ve ark., 2026).

Sonuç eşitliği

  • Farklılaşan etki: YZ araçları, eşitlik bakış açısı olmadan tasarlandıklarında boşlukları genişletebilir — sistematik derlemeler ve puanlama önyargısı çalışmaları öğrenen grupları arasında eşitsiz fayda ve zararları göstermektedir. Faydanın derlenmiş kanıtı da aynı sınırı taşır: Jing ve ark. (2026), 35 çalışmadaki üniversite öğrencileri için orta ile büyük arası genel bir kazanım tahmin etmekte (g=0,53, %95 GA [0,48, 0,64]) ve yüksek maliyetli araçlara eşitsiz erişimin bu etki büyüklüklerinin yakalayamadığı risklerden biri olduğunu belirtmekte; akademik performans ve mesleki beceriler için anlamlı Egger testleri, huni grafiği asimetrisini ve küçük çalışma etkilerini çözümsüz bırakmaktadır.

  • İki mertebe farklı maliyet aralığında eşdeğer öğrenme. StudentBench, YZ özel derslerinin istatistiksel olarak uzman insan özel derslerine denk olduğunu bulmuştur; öğretmenler arasındaki yayılım öğrenme kazancımın her bir yüzde puanı için 0,005 ila 1,40 ABD doları arasında değişirken bir açık kaynak model, insan kazanımlarını puan başına maliyeti 918 kat daha düşük seviyede (puan başına 0,0052 ABD dolarına karşılık 4,81 ABD doları) yakalamış; bu da öğrenmenin birim maliyetini yalnızca bir kalite değişkeni değil, bir erişim değişkeni yapmaktadır (Northcutt ve ark. (2026)).

  • Önyargı yükseltmesi: YZ önerileri ve otomatik geri bildirim, mevcut öğretmen ve sistem önyargılarını güçlendirebilir (onlara meydan okumak yerine). Marked Pedagogies, LLM yazma geri bildirimi araçlarının, geri bildirim bir öğrencinin etnik kökeni, dili, engelliliği, başarısı veya motivasyonuyla kişiselleştirildiğinde — özdeş kompozisyonlarda bile — stereotiple uyumlu övgüye ve geride bırakılmış eleştiriye sistematik biçimde kaydığını göstermekte ve “kişiselleştirme”yi otomatik geri bildirimde somut bir önyargı vektörü hâline getirmektedir.

  • Adalet bilincine sahip sistemler: Önyargı Azaltma ve temel gerçek güvenilirliği araştırmaları, YZ özel derslerinde, puanlayıcılarda ve öneri sistemlerinde önyargıyı tespit etme ve düzeltme yöntemleri geliştirmektedir.

  • Adaletleştiriciler yeni öğrenenlere genellenemeyebilir: Fragkiadakis ve ark. (2026), öğrencinin gerçek zamanlı dikkatini tahmin eden bir Çok Kipli YZ transformatöre cinsiyet ve yaş odaklı hata boşluğu düzenlemeleri eklemiş ve bunların doğrulama verilerinde demografik eşitsizlikleri daralttığını, ancak bu kazanımların dışarıda bırakılmış katılımcılara veya tekrarlanan katılımcı düzeyinde bölmelere tutarlı biçimde aktarılmadığını (düzenlenmiş model boşluğu yalnızca 10 eğitim koşusunun 4’ünde azaltmıştır) bulmuştur. Tek bir bölmede sertifikalanmış adalet, gerçekten yeni öğrenenlerde buharlaşabilir — eğitim YZ’si yalnızca toplu ölçütler yerine katılımcıların dışarıda bırakıldığı, tekrarlanan tohumlu değerlendirme gerektirir.

  • Farklı biçimde dağıtılan sıradaki fırsat kararları. Vaka vaka bakıldığında savunulabilir görünen önyargı, öğrenenleri sistematik biçimde sınıflandırabilir: Entezami ve ark. (2026), üç LLM’ye yazılım mühendisliği derslerinde 11.200 takım ataması yaptırmış ve erkeklerin Arayüz Tasarımına (Interface Design) ulaşma olasılığının Çekirdek Geliştirmeye (Core Development) ulaşmaya göre en az %80 daha düşük olduğunu (GPT-5.2 OR < 0,01) ve uyrukluğun atamaları liyakattan bağımsız biçimde etkilediğini bulmuştur. Beceriler bunu çözmemektedir — beceriye dayalı atamaların %99,2’si iki geçerli takımdan birine karşılık gelirken cinsiyet yine de eşit biçimde geçerli olan seçenekler arasında seçim yapmıştır; bu nedenle örüntüyü yalnızca toplu istatistikler ortaya çıkarır. Tek kişilik kurs görsellerinde erkek ve açık tenli yönünde bir eğilim gözlenirken (Veritabanı, Hata Ayıklama ve Bireysel Programlama istek metinlerinde %95’ten fazlası açık tenli), çok kişilik görseller nispeten çeşitli olmuştur.

  • Öğrenci etkinliği: YZ’nin özellikle tarihsel olarak marjinalleştirilmiş öğrenenler için öğrenci sözünü ve Öğrenen Etkenliği güçlendirmesini değil, yerini almasını sağlamak.

  • Psikolojik ve bilişsel eşitlik karşılaştırması: Liang ve ark. (2026), Hong Kong ortaokullarında bir yıllık okul YZ eğitiminin psikolojik YZ hazır bulunuşluk boşluklarını (özgüven, Motivasyon, etik farkındalık) daralttığını ancak bilişsel olanları daraltmadığını bulmuştur — kendi başına hareket eden (“yüksek etkinlikli”) öğrenenler ile akranları arasındaki nesnel YZ Okuryazarlığı boşlukları sürmüş, bu da müfredatın “tabanı yükseltip oyun alanını eşitlemediği” bir Matthew etkisi örüntüsüdür. Süregelen kendi başına hareket eden katılım olmadan yalnızca bir müfredata erişim, psikolojik ama tam bilişsel eşitliği geliştirmeyebilir.

  • Otomatik notlandırma, başarı ve dil. 761 özgün kompozisyon üzerinde üç öncü modelin OpRaise karşılaştırması, YZ–insan uyuşmazlığının öğrencilerin başarı düzeyine ve insan notlandırmasında görülmeyen biçimlerde yüzeysel dil özelliklerine (kelime dağarcığı yelpazesi, bağlaçlar, cümle karmaşıklığı) bağlı olarak değiştiğini ve üç Birleşik Krallık kurumunda kohortları farklı olan üç kurum arasında doğruluğun farklılaştığını bulmuştur; yazarlar bunu doğrudan Birleşik Krallık Eşitlik Yasası kapsamındaki kurum yükümlülüklerine bağlamakta ve bazı öğrenci gruplarının diğerlerinden daha fazla etkilenebileceği gerekçesiyle, otomatik notlandırma kararlarının öğrencileri etkilediği durumlarda GDPR Madde 22 kapsamındaki açıklama hakkına dikkat çekmektedir. YZ notları dağılımın ortasına doğru sıkıştığı için en çok maruz kalan öğrenciler, başarı aralığının en üst ve en altındaki öğrencilerdir.

  • Değerlendirme kuralları dilsel dezavantajı dürüstlük riskine dönüştürebilir. Li (2026), GenAI’ı yetkisiz yardımın tek bir kategorisi olarak ele alan dürüstlük kurallarının, İngilizce’yi ek dil olarak kullanan öğrencilere daha yüksek uyum yükü getirdiğini savunur; çünkü bu öğrencilerin dil desteğini meşru biçimde kullanımı daha sık ve yinelemeli olup şüphe, yüzeysel akıcılığı en çok değişen yazarlar üzerinde yoğunlaşır — bu, bir davranıştan çok kural tasarımı sorunudur ve zayıf kanıya dayalı seçici uygulama riskini artırır. Önerilen sınır, araç temelli değil amaç ve yapı temellidir: dilbilgisi, noktalama ve cümle düzeyinde netlik düzenlemeleri, anlama için çeviri ve öğrencinin önemli ölçüde yeniden yazdığı ilk taslak çalışma, yeni fikir, yeni kaynak veya analizin maddi bir yeniden sıralanması eklemedikleri için izin verilen destek sayılır; buna karşılık argüman veya karşı argüman üretmek, olgulara disiplin kuralları uygulamak, analitik sırayı yeniden yapılandırmak veya atıf üretmek ikame sayılır. Yapı ifadeleri çoğu zaman akıcılığı ve deyişi akıl yürütmenin vekili olarak ödüllendirdiğinden, EAL öğrencileri puanlarında yapıyla ilgisiz varyansla karşılaşır; çözümler ise izin verilen ve yasaklanan işlevler hakkında önceden kesinlik getirmek, rutin desteğin bir bibliyografik kayıttan daha az maliyetle beyan edileceği biçimde ayarlanmış açıklama, tespitle değil aşamalı teslimler ve kaynak izleri ile yapılan çıkarım, ve sevk ve yaptırımların kohort düzeyinde izlenmesidir. Çerçeve normatif ve test edilmemiştir — Li, EAL öğrencilerinin GenAI kullanım oranları hakkında herhangi bir iddiada bulunmamaktadır.

  • Öğrencilerin kendileri destek-ikame çizgisini doğru ama çekinerek değerlendirmektedir. Reed ve ark. (2026), 531 üniversite öğrencisine altı etik vinet sunmuş ve %57,6’sının (ortalama %88,54) altısını da doğru sınıflandırdığını bulmuştur: doğrulama destekli kullanımlar yaygın biçimde kabul görmüştür — öğretmen doğrulamasıyla not özetleme (%91,7), kendi yazdığı bir metinde dilbilgisi iyileştirme (%84,9), YZ üretimi arama terimlerinin ardından bağımsız bir literatür taraması yapma (%91,1) — ikame niteliğindeki kullanımlar ise büyük çoğunlukla reddedilmiştir. Belirsizlik, bir kuralın gerçekten çözmesi gereken durumlarda toplanmıştır: doğrulanamayan YZ üretimi atıflar (%9,9 “emin değilim”) ve asgari düzeyde düzenlenmiş YZ üretimi metin (%9,6); yazarlar bunu, yardım ile anlamlı yazarlık arasındaki sınırın öğrencilere açık olmadığına dair kanıt olarak okumaktadır. Nesnel YZ Okuryazarlığı sınıflandırma doğruluğunu yalnızca zayıf biçimde öngörmüştür (Spearman’ın ρ = 0,234), örneklem büyük ölçüde bir eyalet orta batı üniversitesindeki beyaz, kadın ve birinci sınıf öğrencilerinden oluşmuştur ve yazarlar doğru yargının etik davranış olmadığını vurgulamaktadır.

  • İstek metni ayrıcalığı: Jin ve ark., “istek metni ayrıcalığı”nı belgelemektedir — istekleri ustaca ifade eden kullanıcılar, aynı amacı daha az becerikli biçimde dile getiren kullanıcılardan sistematik olarak daha iyi LLM çıktısı elde eder; bu da istek metni yazma becerisini sessizce eşitsiz bir kaynak hâline getirir. Önerdikleri Prompt Equity Transformer, eşit çıktıyı yeni başlayanlardan uzman düzeyinde istek metni yazmayı talep etmek yerine bir erişilebilirlik özelliği olarak ele alarak istek metni optimizasyonunu sistemin içine taşır.

  • Etkileşim yönetimi boşluğu. Brunnström ve Palmqvist (2026), GenAI’ı eşitleyici olarak görme konusunda çelişkili bir sonuca varmaktadır: verimli kullanım, aşırı soyut bir yanıtı tanımayı, basitleştirme istemeyi ve bir oturumu küçük hedefler çerçevesinde yapılandırmayı gerektirdiğinden, yönlendirilmemiş GenAI “hâlihazırda avantajlı öğrencilere en çok yarayabilir” — güçlü çalışma alışkanlıklarına ve bir YZ’yi yönlendirme özgüvenine sahip olanlar — daha zayıf çalışma becerilerine veya daha düşük akademik Öz Yeterlilik sahip öğrenciler ise ek karmaşıklık ve hüsranla karşılaşır. Eksik akademik konuşma ortaklarının yerini almak yerine araç, kazanımı kendi boşluğunu yaratan yeni bir yetkinlik getirir; yazarlar onu öğretme sorumluluğunun yalnızca öğrencinin üzerinde bırakılamayacağı sonucuna varır (YZ Okuryazarlığı, Öz Düzenlemeli Öğrenme).

  • Beceri boşluğu ve kaynak boşluğu mekanizmaları aynı sorun değildir. Kumar, Wongsirichot ve Nanthaamornphong (2026), 72 bilişim eğitimi çalışmasının sistematik derlemesinde literatürün karıştırma eğiliminde olduğu iki mekanizmayı ayırır. Beceri boşluğu tek bir sınıf içinde işler: daha güçlü ön bilgiye sahip öğrenciler YZ yardımını kalıcı beceriye dönüştürürken, zorlanan öğrenciler onu verimli çabayı ortadan kaldıran bir koltuk değneği olarak kullanır ve dönem sonunda yetkinlik dağılımını genişletir — çözüm, gösterilmiş yetkinliğe bağlı kademeli erişimdir. Kaynak boşluğu kurumlar ve ulusal bağlamlar arasında işler: güvenilir internet ve ücretli API abonelikleri, bunlara sahip olmayan öğrencilere göre daha yetenekli araç kullanımını sürdürür — çözüm, paylaşılan araç erişimine kurumsal yatırım ve evrensel erişilebilirliği varsaymayan politikalar yapımıdır. Eşitlik, derlemenin üç çerçeve gereksiniminden en zayıf olanıdır (altı çalışma) ve yazarlar bu zayıflığı bulgu olarak okur: eşitlik odaklı müdahale araştırmalarının yokluğunun kendisi eşitlik sorunudur (Değerlendirme Geçerliliği, İskeleleme (Scaffolding)).

  • En iyi kanıtlanmış yöntemler en ölçeklenemez olanlardır. 73 bilişim eğitimcisiyle yapılan bir atölyede, sözlü ve etkileşimli değerlendirme bireysel anlayışın kullanılabilir en güçlü kanıtı ve önerilen en az ölçeklenebilir çözüm olarak bildirilmiştir — tek bir oturumda 400’den fazla öğrencinin ve birkaç öğretim asistanının bulunduğu bir ortamda dile getirilmiştir; bu nedenle doğrulanmış öğrenmeyle en net biçimde ilişkili stratejiler, en az öğrenciye ders veren kurumlarda yer alır; bu bir kohort içinde değil, kurumlar arasında bir eşitlik boşluğudur (Akbar ve ark., 2026).

  • Özel ders kalitesi öğrenen demografisiyle değişir. EduFair-Bench, sabit bir LLM öğrenciyi cinsiyet, göçmenlik geçmişi, ana dil ve sosyoekonomik durumu kapsayan dokuz demografik düzeyin her birinde her özel dersciyle eşleştirir ve beş tur düzeyinde pedagojik ölçüt puanlar. LLM özel derslerinde en büyük sapmalar açık demografik koşullarda görülür — matematikte |r| = 0,144’e kadar ilişkilenen adım adım iskeleleme ve kimyada her model için 0,10’u aşan düzeltici ton (0,102-0,168) ve fizikte (0,129-0,294) — ve 15 model-alan hücresinin 11’inde yanlış yanıt koşulunun puanı doğru olandan yüksektir; bu da tonun öğrencinin akıl yürütmesinin kalitesinden çok öğrencinin demografik etiketini izlediğini göstermektedir. Pedagojiye özgü pekiştirmeli öğrenme, bu boşlukları ortadan kaldırmak yerine yeniden dağıtmıştır. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)

  • Örtük demografik sinyaller, belirtilen niteliklerden daha az denetlenebilir bir önyargı kanalıdır. Rooein, Benedetto ve Hovy (2026), her görev girdisini sabit tutup yalnızca demografik bağlamı altı talimata uyarlanmış LLM ve üç eğitim görevi boyunca değiştirerek 192.480 çıkarım çağrısı üretmiş ve açık sinyalleri (belirtilen öğrenci nitelikleri) on istek metinlik bir konuşma geçmişiyle taşınan örtük sinyallerden ayırmıştır. Otomatik kompozisyon puanlamada çoğu model açık koşullandırma altında nispeten kararlı iken, örtük koşullandırma puanları yukarı çekmiştir — Llama-70B kendi varsayılanının 1,57 puan üzerinde puan vermiştir (p < 0,001). Metadilbilimsel soru yanıtlamada örtük koşul ters yönde kaymıştır: daha düşük eğitim düzeyleri için verilen yanıtlar daha az olumlu duygu almış, 0-4 ölçeğinde en düşük ile daha yüksek eğitim düzeyleri arasında madde içi standart sapmanın 0,07 olduğu durumda ortalama 0,3’lük bir boşluk oluşmuştur. Eşitlik güçlüğü yapısaldır — ipucu, bir politikanın yasaklayabileceği belirtilmiş bir nitelik veya bir denetimin inceleyebileceği bir istek metni alanı değil, etkileşimin kendisinin bir özelliğidir.

  • Doğrulama kazancı daha zayıf öğrenenlere yönlendirebilir. Dang & Nguyen (2026), birinci sınıf bir iktisat dersinde uzman doğrulamalı YZ çalışma materyallerinin 2,34 notluk bir kazançla ilişkili olduğunu, ancak bunun yaklaşık üçte dördünün en alt beşlikte ortaya çıktığını ve %60 sınırının altındaki notların payının 24,7 puan düştüğünü bulmuştur — bu da kontrol yükünü öğrencilerden hesap verebilir bir öğretmene taşımaktadır.

Dilsel, kültürel ve engellilik kapsayıcılığı

  • Dil: YZ araçlarının çoğu İngilizce’yi önceliklendirerek çok dilli öğrenenleri marjinalleştirir. Akademik yazmada dilsel çeşitlilik, yeterince temsil edilmeyen diller ve Dil Öğrenimi araştırmaları bu konuyu ele almaktadır.
  • Yalnızca erişim değil, tanınma: eşitlik bulgusu olarak YZ’nin kültürle düzleşmesi: Renkli beş ortaokul çırağıyla yapılan 9 aylık bir anlatı soruşturmasında Gyekye (2026), öğrencilerin adaleti görünür önyargının yokluğuyla — YZ yanıtlarında kimliğe özgü deneyimlerin ve kültürel işaretlerin temsil edilmediği bir “kültürel düzlük” — özdeşleştirdiklerini ve etkinliği reddetme (kurumsal uyum olarak kullanmama) ile müzakere (YZ çıktılarını kurumsal olarak okunabilir kılma) yoluyla inşa ettiklerini bulmuştur. Çalışmanın Recognition Bandwidth (Tanınma Bant Genişliği) kavramı, öğrenenlerin YZ çıktılarında kendilerini görme alanını adlandırır; Institutional AI Literacy (Kurumsal YZ Okuryazarlığı) ise kurumsal beklentiler çerçevesinde YZ ile yolları bulma kapasitesini adlandırır. Beş öğrencilik, tek programlı nitel bir çalışmadır; eşitlik katkısı, adalet-olarak-tarafsızlığın kendisinin dışlama mekanizması olabileceğini göstermesindedir.
  • Bir YZ özel dersçisinden kim fayda görür — keşfedici alan kanıtı: Öğretmen aracılığıyla yürütülen bir YZ matematiği platformunun tüm ilçe kapsamlı uygulamasında Goblins (Alam ve ark. 2026), BEP’si olan öğrenciler (+0,122 SS), İngilizce öğrenenler (+0,191 SS) ve Hispanik öğrenciler (+0,084 SS) için karşılaştırma gruplarına göre daha büyük başarı ilişkileri bulmuştur; bu, çok kipli girdinin ve yedi dilli ses desteğinin katılım engellerini düşürdüğüyle tutarlıdır. Yazarlar, keşfedici ve yeterli güce sahip olmayan alt grupların erişilebilirlik özelliklerinin farklılaşmaya neden olduğunu gösteremeyeceğini açıkça belirtir — bu, erken, hipotez üreten bir sinyaldir, bir eşitlik bulgusu değildir.
  • Kültür: Kültürel olarak ilgili pedagoji ve topluluk merkezli AIED, baskın normları dayatmaktan ziyade öğrenenlerin kültürel bağlamlarını yansıtan YZ çağrısında bulunmaktadır.
  • Engellilik ve nöroçeşitlilik: Erişilebilir öğrenme, evrensel tasarım, Nöroçeşitlilik ve özel eğitim araştırmaları, YZ’nin engelli öğrenenleri nasıl destekleyebileceğini veya dışlayabileceğini incelemektedir — nöroçeşitli bilişim öğrencileri, dislektik öğrenenler ve erişilebilir eğitim materyalleri bunlara örnektir.
  • Dil, kültür ve maliyet birlikte: Bashir ve Afzal (2026), İyi Olma Hali YZ’sinde eşitliğe uygun tasarımı dil, kültür ve maliyetin tek bir sorusu olarak çerçeveler — yalnızca İngilizce olan araçlar, sıkıntısını Urduca veya Roman Urduca ifade eden öğrencilere hizmet edemez; Batı veri kümeleri yerel olarak belirgin olan stres kaynaklarını yakalayamaz ve pahalı ticari sistemler, kaynakları daha düşük üniversitlere hizmet edemez (Sukoon). Yazarların yanıtı, düşük kaynak gereksinimi için barındırılan bir API üzerinden erişilen Açık Kaynak çok dilli bir LLM, iki dilli bir değerlendirme arayüzü ve doğrulanmış 20 özellikli bir ölçek üzerinde eğitilmiş bir sınıflandırıcıyı birleştirmiştir; bunu yaparken eğitim verisinin hedef kitleyi temsil etmediğini, “bazı alanlarda... araçlar mevcut ama genellikle pahalı” olduğunu ve uyarlamanın öğrencilerle doğrulanmamış, yalnızca istek metni düzeyinde gerçekleştiğini kabul ederler — eşitlik niyetinin gösterilmiş eşitlikten uzaklığına dair dürüst bir hesaptır.

Özel popülasyonlar ve küresel eşitlik

  • Özel popülasyonlar: Özel Eğitim, nöroçeşitli öğrenenler, dislektik öğrenenler ve engelli öğrenenler, ihtiyaçları YZ sistem tasarımında sıklıkla göz ardı edilen grupları temsil eder.
  • Küresel Güney bakış açıları: Afrikalı öğrenci motivasyonları, Vietnamlı YZ ders planlaması ve Ganalı öğretmen kabulü, Batı-merkezci AIED araştırmalarında sıklıkla eksik olan Küresel Güney bakış açıları sunmaktadır. Kurumsal düzeyde Adeniranye ve ark. (2026), 45 Nijerya üniversitesindeki YZ bütünleştirmesinin yönetim türünden çok kurum yaşı ve coğrafya tarafından yönlendirildiğini, birbirini güçlendiren ağ bağlarının iyi bağlantılı kurumların avantajı katmerlendirmesine izin verdiğini göstermektedir — eşitlik boşluklarının bireysel erişim yoluyla değil, yapısal olarak yeniden üretildiğine dair kanıttır.
  • Küresel kapasite: Kanıtlar, üretici YZ faydalarının ülkeler ve kurumlar arasında nasıl eşitsiz dağıldığını belgelemekte ve YZ ve yaşam boyu öğrenme politikası yapısal sosyoekonomik eğimleri ele almaktadır.
  • Engellilik ve Küresel Güney kesişimi: Khlaif ve ark. (2026) — üç Filistin üniversitesindeki 21 görme engelli üniversite öğrencisine ilişkin nitel bir vaka çalışması — GenAI’ın dijital, coğrafi ve sosyoekonomik uçurumları birleştirdiğini ve teknoloji kabul modellerini kullanılabilirliğin, uygun maliyetliliğin ve erişilebilirliğin birbirini güçlendirdiği engellilik bağlamlarına taşıdığını göstermektedir.
  • Bilişimde cinsiyet eşitliği: GenAI’ın eşitlik odaklı kullanımları hâlâ yeterince araştırılmamıştır. Avrupa’daki yalnızca kız öğrencilere yönelik bir GenAI üretici atölyesi girişimi, kızların bilişimdeki temsilinde süregelen cinsiyet eşitsizliklerini ele almak amacıyla iki GenAI aracını feminist pedagojiyle birleştirmiş; uygulayıcılar kızların katılımını ve etkileşimini desteklemek için özel adımlar atmıştır — bu, eşitlik odaklı GenAI tasarımına bir örnektir. Kasıtlı biçimde cinsiyetlendirilmiş YZ ayrıca müdahalenin kendisi olarak da işlev görebilir: Rücker ve Becker-Genschow (2026), Ada Lovelace’ın kişiliğine dayalı (hem bir rol modeli hem de bir öğrenme asistanı olarak kullanılan) kadın kimlikli, alana özgü bir matematik sohbet robotunun dokuzuncu sınıf öğrencileri arasında matematik yeteneğine ve matematiğin erkeklere ait bir alan olduğuna ilişkin cinsiyet stereotipi inançlarını anlamlı biçimde azalttığını göstermiştir — bu etki her iki cinsiyette de görülmüş ve teknolojik kabul yüksek ile cinsiyetçi olmayan düzeyde olmuştur. Bu, temsili yalnızca denetlenecek bir önyargı değil, bir tasarım kolu olarak yeniden çerçevelemektedir: sistematik biçimde tasarlanmış YZ kişilikleri, cinsiyet önyarığını yeniden üretmekten kaçınmakla kalmayıp ona karşı çıkabilir.

Eğitimde YZ için çıkarımlar

  • Adalet sonradan düşünülen bir şey değil, tasarımdır: Önyargı azaltma ve adalet bilincine sahip algoritmalar, YZ özel derslerine, puanlayıcılara ve öneri sistemlerine yerleştirilmeli ve doğrulukla birlikte eşitlik açısından değerlendirilmelidir.
  • Altyapı eşitliktir: Dijital uçurumun ve yeterince temsil edilmeyen dillerin altyapısının ele alınması, eşitlikçi YZ için ikincil bir kaygı değil, ön koşuldur.
  • Temsil içerikte ve değerlendirmede önemlidir: YZ tarafından derlenen materyaller ve otomatik değerlendirme, çeşitli öğrenenleri, kültürleri, dilleri ve bilgi sistemlerini yansıtmalı, onları cezalandırmamalıdır.
  • Erişimi destekle eşleştirin: Araç sağlamak yetersizdir; öğrenenler fayda görmek için becerilere, koşullara ve kültürel olarak ilgili İskeleleme (Scaffolding) ihtiyaç duyar.
  • Resmî eğitimin ulaşamadığı kitlelere ulaşın: Kamu hizmeti medyası için YZ Okuryazarlıkları çerçevesi, hizmetin farklı biçimde tasarlanmadığı sürece hâlihazırda avantajlı olanlara ulaşmaya devam edeceğini; dijital veya başka biçimlerde marjinalleştirilmiş gençleri resmî eğitim yoluyla en az fırsata sahip olanlar olarak adlandırır ve çözüm olarak evrensel yayın değil, hedefli ortaklıklar ve ulusal ölçekte hizmet sunumunu önermektedir.
  • Politika ve yönetişim: Kurumsal YZ politikası (Eğitimde YZ Politikası, YZ Yönetişimi), eşitliği yol gösteren bir ilke olarak içermelidir.

Bağlı Kavramlar

Bağlı Makaleler

Bağlı SSS

Üst veri

DisiplinLanguage Learning
SeviyeHigher Ed, K 12
Hedef kitleLearners, Instructors
Teknolojiler ve tekniklerÜretici YZ, Akıllı Özel Öğretim
Eşitlik, etik ve sorumlu kullanımÖnyargı Azaltma, Kültürel Olarak Duyarlı Pedagoji, Dijital Uçurum, Eşitlik, Kapsayıcı Öğrenme, Nöroçeşitlilik
Eğitimde YZ’nin temelleriYZ Okuryazarlığı, Öğretmenlik
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.