AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Geri Bildirim

Oluşturuldu 2026-10-14

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

Geri bildirim — öğrenenin performansı veya anlayışı hakkında, mevcut performans ile istenen performans arasındaki farkı kapatmayı amaçlayan biçimde sunulan bilgi. AI in education alanında geri bildirim merkezi ve hızla dönüşen bir tema haline geldi: AI systems artık geri bildirimi üretiyor, iletiyor ve hatta öğrencilere geri bildirimi nasıl kullanacaklarını öğretiyor; böylece geri bildirim sürecinin her aşamasını yeniden şekillendiriyor.

Dikkate Alınması Gereken Sorular

  • Geri bildirim çoğu zaman öğrenene aktarılan bir bilgi olarak düşünülür, oysa research, öğrenen onu anlamlandırıp üzerine hareket etmediği sürece bir şeyin geri bildirim olarak “sayılmayacağını” ileri sürer. Geri bildirim bir mesajdan çok bir ilişki ise, bunu nasıl iletmemiz gerektiği konusunda ne değişir?
  • Öğrencilerin geri bildirimin YZ’den mi yoksa insandan mı geldiğine ilişkin algısı, ondan ne kadar öğrendiklerini değiştirebilir. Sizce kaynak neden bu kadar önemli — ve bunun sizin bağlamınızdaki YZ tarafından üretilen geri bildirim için iması nedir?
  • Anında geri bildirim bir tuzak olabilir: “doğru cevap tuzağı”, düzeltmeleri basitçe kopyalayan öğrencilerin daha az öğrendiğini gösterir. Anında geri bildirim ne zaman işe yarar, ne zaman desteklemeyi hedeflediği öğrenmenin önünü keser?
  • Araştırmalar, özerkliği geliştirmek üzere tasarlanmış — önce teşvik, sonra ipucu, sonra cevap biçiminde iyi kurgulanmış bir geri bildirim dizisinin bile engagement artırmasına rağmen öğrenmeye zarar verdiğini buldu. Öğrenciler kendilerini daha az öğrendikleri geri bildirimden memnun hissediyorsa, neyi optimize etmeliyiz?
  • Geri bildirim parçaları olan bir sistem olarak tanımlanır: geri bildirim döngüsü, sunumun niteliği, öğrenenin kullanım kapasitesi ve değerlendirme bağlamı. Kendi kursunuzdaki geri bildirimi iyileştirmeye çalışsaydınız hangi parçayı önce düzeltirdiniz ve neden?

Giriş

Bu, bilgi tabanının geri bildirimle ilgili fikirlerini kapsayan şemsiyye kavramdır. Geri bildirim, değerlendirme ile öğrenmenin kesişiminde yer alır: geri bildirim olmadan değerlendirme performansı ölçer ama onu geliştirmez; etkili geri bildirimle değerlendirme bir öğrenme olayına dönüşür. Bilgi tabanı geri bildirimi çok yönlü bir sistem olarak ele alır — geri bildirimin kendi niteliği (YZ Geri Bildirim Kalitesi), öğrenme farkını kapatan döngü, öğrenenin onu kullanma kapasitesi (Geri Bildirim Okuryazarlığı) ve içinde işlediği değerlendirme bağlamları (Biçimlendirici Değerlendirme, Akran Değerlendirmesi, Otomatik Değerlendirme).

  • Yilmaz et al., öğrencilerin geri bildirim kaynağına (YZ mi, insan mı) ilişkin algısının, GenAI geri bildiriminden öz-düzenlemeli öğrenmeyi nasıl şekillendirdiğini gösterir — bu, geri bildirim etkililiği iddiaları için hayati bir niteleyicidir.
  • Nazaretsky et al. (2025) kaynağı içerikten ayırır: 472 EPFL öğrencisi, kendi işleri üzerine aldıkları içerik olarak karşılaştırılabilir insan ve GPT-4.0 geri bildirimini önce kör, sonra kaynak açıklandıktan sonra tekrar puanladı ve çoğu ikisini güvenilir biçimde ayırt edemedi (472 öğrenciden 287’si doğru tahmin etti). Etiket ortaya çıkar çıkmaz YZ versiyonunun puanı düştü, insan versiyonununki yükseldi — Özgünlük boyutunda anlamlı ölçüde (p < .01) — ve sağlayıcı güvenilirliği net biçimde ayrıştı (insan μ = 3.28’e karşılık YZ μ = 2.25, Cohen’un d = 0.57). İki versiyon doğruluk ve bilişsel nitelik açısından karşılaştırılabilir olduğundan önyargı metne değil sağlayıcıya bağlanır.

Geri bildirim sistemi

Geri bildirim, tek bir olay değil, birbiriyle etkileşen parçalardan oluşan bağlı bir sistem olarak en iyi anlaşılır; bilgi tabanı bunların her birini kendi kavramı olarak belgeler:

  • Geri bildirim döngüsü — geri bildirimin mevcut ile istenen performans arasındaki farkı kapattığı mekanizma; öğrenmeyi yürüten performans → geri bildirim → revizyon → gelişmiş performans döngüsü.
  • YZ Geri Bildirim Kalitesi — YZ tarafından üretilen geri bildirimin doğruluğu, yararlılığı, zamanlaması ve pedagogical değeri; sistemin sunum tarafı.
  • Geri Bildirim Okuryazarlığı — öğrencilerin geri bildirimi anlamak, değerlendirmek ve üzerine hareket etmek için gereken yetenekler ve eğilimler; sistemin kullanım tarafı.
  • Biçimlendirici Değerlendirme — geri bildirimin yalnızca yargılamak yerine öğrenme sürerken onu geliştirmek için kullanıldığı değerlendirme bağlamı.
  • Akran Değerlendirmesi — Öğrenenler arasında değiş tokuş edilen geri bildirim; giderek YZ ile güçlendirilen ve geri bildirim okuryazarlığının geliştirildiği bir alan.
  • Otomatik Değerlendirme — automated essay scoring güven duygusu bilincine sahip kısa cevap puanlamaya kadar YZ kaynaklı puanlama ve geri bildirim.

Geri bildirim döngüsü

Geri bildirim döngüsü, YZ sistemlerinin öğrenci işini değerlendirdiği, geri bildirim verdiği, öğrencinin tepkisini gözlemlediği ve sonraki öğretimi uyarladığı döngüsel süreçtir. YZ aracılı geri bildirim döngüleri birden çok zaman ölçeğinde işler:

  • Anında geri bildirim: Automated grading systems ve AI tutors, Problem Çözme sırasında gerçek zamanlı düzeltme sağlar. Correct-answer trap research, öğrenciler düzeltmeleri basitçe kopyaladığında anında geri bildirimin öğrenmenin önünü kestiğini gösterir. Bu anında düzeltici geri bildirimi bir özel öğretmen içinde LLM’lerle üretmek mümkündür ama kusursuz değildir: Apprentice Tutor College Algebra platformunda kaydedilen 6.926 işlem üzerinde Reddig, Arora & MacLellan (2025), GPT-4’ün öğrencinin özel hatasına yönelik ipucu ürettiği zamanların yaklaşık %66’sını buldu; oysa ipuçlarının ~%35’i fazla geneldi, hatalıydı ya da cevabı zamanından önce veriyordu ve LLM tabanlı otomatik nitelik kontrolleri insan yargısıyla uyumsuz kaldı — bu da denetlenmemiş YZ geri bildiriminin anında döngüde gerçek bir kısa devre riski taşıdığını pekiştiriyor.
  • Ödev düzeyinde geri bildirim: Biçimlendirici Değerlendirme sistemleri ve AI feedback quality research, YZ tarafından üretilen ödev geri bildiriminin sonraki işi geliştirip geliştirmediğini inceler. Sequenced feedback studies geri bildirim sırasının önemli olup olmadığını sınar.
  • Kurs düzeyinde döngüler: Learning analytics dashboards ve educational platforms, geri bildirimi ödevler arasında toplayarak örüntüler belirler ve müdahaleler önerir.

Bir geri bildirim döngüsünün etkililiği feedback quality bağlıdır — doğruluk, özgüllük, zamanlama ve eyleme dönüştürülebilirlik. AI peer feedback systems döngüye sosyal bir boyut katar.

Döngüdeki insan: geri bildirim döngüleri tamamen otomatik değildir — öğretmenler, YZ tarafından üretilen geri bildirimi öğrenenlere ulaşmadan önce sıklıkla aracılık eder. Öğretmenlere yönelik YZ geri bildirim araçlarının Studies of AI feedback tools for teachers (örneğin bir ML dedektörünü bir Büyük Dil Modelleri (LLM) yeniden ifade ediciyle birleştiren PolyFeed aracı), öğretmenlerin YZ önerilerini kabul etmek, düzenlemek veya reddetmek için profesyonel yargı kullandığını — “yardım et ama doğrula” örüntüsü — ve özgünlüğü ile sesi korumak için abartılı övgüyü ve jenerik önerileri sistematik biçimde yumuşattığını buluyor. Geri bildirimin ilişkisel/affective boyutu (öğrenci–öğretmen ilişkisi, teşvik) YZ devrine en güçlü direnişi gösteriyor; bu da döngünün bu bölümünün doğası gereği insani kaldığını düşündürüyor. Bu insan-döngüde aracılık İnsan-Denetiminde Yapay Zeka ve Öğretmenlik ile bağlantılıdır.

Luo ve Eaton’un politika incelemesi aynı noktayı netleştiriyor: en üst sıralarda yer alan 50 üniversiteden yalnızca 14’ünde öğretmenlerin geri bildirimde YZ kullanımına ilişkin özel yönergeler vardı ve öğrenciler açıklanmayan YZ geri bildirimini “içten olmayan” olarak nitelendirdi; bu da şeffaflık ve onamı nezaket kurallarından çok etik uygulamanın önkoşulu haline getiriyor (Luo & Eaton (2026)).

LearnLens bu aracılığı bir mekanizmaya dönüştürüyor: öğretmenin düzenlemesini bir düzeltmeden çok memnuniyetsizlik sinyali olarak ele alıyor, hızlı cevabı döndürmek yerine daha derin bir yansıtmaya ek hesaplama gücü harcıyor ve öğretmenlerin ödev başına medyan süresi 10–30 dakikadan beşin altına düştü (Zhao et al. (2025)).

İlişkisel okuma, ikame meselesinden daha derine iniyor. 12 öğrenci ve 18 eğitimciyle yürütülen atölyelerde, Bearman et al. (2026) öğrencilerin YZ’yi ek ama kusurlu bir kaynak olarak gördüğünü; onu rubrikler, ders notları, tartışma panoları ve eğitimci yorumlarına karşı tarttığını ve insan yanıtları yavaş geldiğinde bir bekleme düzeni olarak kullandığını buldu; bir öğrenci, ince eğitimci yorumlarını sıradaki adımı çözmek için bir chatbot yapıştırdı. YZ’nin varlığı, yalnızca yorum eklemekten çok ilişkileri değiştirdi; öyle ki bir öğrenci, akran tartışma panosundaki geri bildirime muhtemelen YZ tarafından yazıldığı için güvenmeyi bıraktı. Yazarlar bu nedenle “döngüde insan” öneriyor: makine çıktısının denetimi yerine, insanların zamanla daha güçlü geri bildirim ilişkileri kurmasına yardım etmesi.

Winstone et al. (2026) GenAI geri bildirimini özen meselesi olarak yeniden çerçeveliyor — bilgi aktarımından çok etik, ilişkisel bir uygulama — ve bir güvenli alan paradoksundan söz ediyor: aracın kişisel riski azaltması, öğrencileri profesyonel geri bildirim karşılaşmalarının sürtünmesine hazırlamaktan vazgeçebilir.

YZ geri bildirimi nasıl dönüştürüyor

YZ geri bildirimi birbirinin oyununu yükselten üç önemli yönde değiştirir:

  • Hacim ve anlıklık. YZ geri bildirimi anında ve ölçekte üretebilir; bu da öğrencilerin aldığı geri bildirim miktarını belirgin biçimde artırır. Multi-site GenAI feedback studies ve AI feedback in higher education, öğretmen geri bildirimiyle karşılaştırılabilir olarak deneyimlenen YZ geri bildirimini kabul edilebilirlik ve destekleyicilik açısından belgeliyor. PRISMA kılavuzlu bir systematic review (2023–2025 yıllarına ait 42 ampirik çalışma) bu ölçek yararını doğruluyor — LLM’ler puanlamayı hızlandırabilir ve özellikle büyük ya da higher-education kohortlarında hızlı, kişiselleştirilmiş geri bildirimi ölçekte sunabilir — ama bu tür geri bildirimin bazen fazla jenerik olduğunu ya da atanan nota uyumsuz kaldığını ve güvenilirliğin uzun, multilingual veya nüanslı görevlerde düştüğünü de uyarıyor (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback).

  • Kişiselleştirme bir önyargı vektörüdür. Sekizinci sınıf kompozisyonları sabit tutulduğunda, dört LLM ırk, dil veya engellilik açısından işaretlenmiş öğrenciler için aşırı övgü dolu geri bildirim verdi ve eleştiriyi geri tuttu — dolayısıyla bir geri bildirim sistemine hangi öğrenci niteliklerinin beslendiği bir adalet kararıdır, tarafsız bir karar değil (Tan, Phalen & Demszky (2026)).

  • Öğrenenden gelen değerlendirme talepleri. YZ geri bildirimi hatalı veya uydurma olabileceğinden, öğrenciler buna Güven edip edip üzerine hareket etmeyeceğine karar vermek zorundadır. Geri Bildirim Okuryazarlığı ve Güven Kalibrasyonu ile kritik hale geldiği yer burasıdır: Mendoza et al. (2026), yalnızca geri bildirim okuryazarı olan öğrencilerin YZ geri bildirimini Öz Düzenlemeli Öğrenme kazanımlarına dönüştürdüğünü gösterirken, the LLM fallacy öğrencilerin YZ geri bildirimini kendi yetkinliklerine fazla mal edebileceğini yakalar.

  • Geri bildirim okuryazarlığı kullanımla kurulur, demografik verilerle değil. 486 İngilizceyi yabancı dil olarak öğrenen lisans öğrencisinde, yalnızca YZ aracı kullanım sıklığı YZ geri bildirim okuryazarlığını öngördü (β = 0.29) — bölüm veya öğrenim yılı değil — dolayısıyla YZ aracılı geri bildirime erişimi iskelelemek, bir tasarım sorusu kadar bir eşitlik sorusudur (Liu & Deris (2025)).

  • Laboratuvar onayı, dönem içi kullanım değildir. 18 öğrencinin tamamı laboratuvar oturumlarındaki GenAI açıklama işlevine olumlu tepki verdi, oysa yarısından azı dönem boyunca onu kullandı; eğitimci geri bildirimi zaten net olduğunda uyuşmazlık, alaka dışılık ve yinelenme gerekçelerini ileri sürdü (Jin et al. (2025)).

  • Uygulamayı sınırlayan şey güven ve özendir, doğruluk değil. 17 İngilizceyi yabancı dil olarak öğrenen öğrenci, bir YZ yazma asistanına yüksek uzmanlık atfetti ama veri işleme konusunda güvenilirliğinden şüphe etti ve iyi niyetini en düşük puanladı; yalnızca genel dil konularında ona yetki verdi; birkaçı ayrıca öneri hacmini yönetilemez buldu (Serpil & Mor, 2026).

  • Görev düzeyinde uygunluk: geri bildirimi epistemik duruma göre ayıklamak. Venetsanos (2026), alanın dayandığı çerçevelerin — Hattie ve Timperley’in düzeyleri, Boud ve Molloy’in tasarım ilkeleri — geri bildirimin öğrenmede nerede işlediğini açıkladığını ama belirli bir geri bildirim görevinin kural denetimi, olgusal doğrulama mı yoksa yorumsal yargı mı içerdiğini açıklamadığını; otomasyonun savunulabilirliğine karar verenin ikinci ayrım olduğunu ileri sürüyor. Önerilen üçlü ayrım: alt düzey yapısal ve sunumsal geri bildirim (biçimlendirme, kaynak gösterme, dil bilgisi, cümle düzeyinde açıklık — açık standartlara karşı kural tabanlı ve güvenle otomatikleştirilebilir), ara düzey olgusal ve yordamsal doğrulama (bir hesabın belirtilen yöntemi doğru kullanıp kullanmadığı, belirtilen bir olgunun yetkili kaynaklarla uyuşup uyuşmadığı — akıl yürütmenin yargısı değil, kurulmuş bilgiyle karşılaştırma) ve yargının yorumsal olduğu, insan kalması gereken yüksek düzey critical evaluation ve sentez. Düzeyler bir merdiven değil boyutlardır: bir hesap aynı anda doğru sunulmuş, aritmetik olarak hatalı ve yöntemsel olarak uygunsuz olabilir ve doğrulama ile süreç geri bildirimini ve öz-düzenleme geri bildirimini birlikte çekebilir. Çerçevenin en keskin sınır durumu açıklıktır: cümle düzeyinde açıklık yüzey düzeyindedir, ama argümantasyon kaynaklı açıklık sıklıkla eksik kavramsal kavrayışın işaretidir; bu nedenle işaretlenen örnekler düz metin düzeltilerek geçiştirilmek yerine insan incelemesine yükseltilmelidir — yazımı düzeltmek asıl soruna dokunmaz bırakır.

  • Rol duyarlı geri bildirim. Yaşar et al. (2026), aynı LLM’den aynı öğrenci ürününü farklı rollerde — öğretim elemanı, akran değerlendirici, hibe değerlendirici — değerlendirmesi için prompting verildiğinde nitelikleri farklı geri bildirim üretildiğini gösterdi: öğretim elemanları teşvik edici ve sürece yönelikti, akranlar destekleyici ve konuşma diline yakındı, hibe değerlendiriciler resmî ve sonuç odaklıydı. Bu farklılıklar yalnızca üslupsal değil epistemikti; tasarım uygulamasının farklı yönlerini öne çıkardılar — bu, rol duyarlı istek metinlerinin tek bir jenerik yanıt yerine role duyarlı değerlendirici geri bildirim üretebildiğinin kanıtıdır.

  • Geri bildirim türü, geri bildirim yoğunluğundan daha önemlidir. 194 öğrenciyle yürütülen sekiz haftalık uyarlanabilir stokastik çalışmasında, yönlendirici, bilgilendirici ve dönüştürücü geri bildirimin farklı biçimde benimsendiği ve dönüştürücü geri bildirimin bilişsel aşırı yüklenmeye katkıda bulunduğu görüldü — dolayısıyla geri bildirim tasarımı, hacmi en üst düzeye çıkarmak yerine türü öğrenenin evresine uydurmalıdır (Mejeh & Fromm (2026)).

  • Geri bildirim yararına karşı değerlendirme otoritesi. AlGhamdi (2026), öğrencilerin YZ tarafından üretilen geri bildirimi aynı anda yararlı olarak kabul edip YZ’yi uygun puanlayıcı olarak reddedebileceğini gösterir — geri bildirim yararı (yüzey düzeyinde geri bildirimin bilgi değeri) ile değerlendirme otoritesini (notu kimin koyabileceğini) ayırarak. Şeffaf bir assessment design, Suudi bilgisayar bilimleri öğrencileri bunları analitik olarak ayrı yargılar olarak ele aldı; ChatGPT’nin netliğini revizyon için değerli bulurken puanlama otoritesini insan öğretim elemanı için ayırdı ve bunun diyalojik, kurumsal ağırlıklı nedenlerini dile getirdi. Bulgu, Geri Bildirim Okuryazarlığı kavramını geri bildirim niteliğini yargılamanın ötesine, değerlendirme otoritesinin kendisi üzerine akıl yürütmeye taşıyor ve YZ katılımına ilişkin transparency geri bildirimi pasif kabulden çok kritik yansımanın nesnesi haline getirebileceğini düşündürüyor.

  • Revizyonun tutumu, yalnızca niteliği değil, bir sonuçtur. Geri bildirim araştırmaları genellikle bir revizyonun metni iyileştirip iyileştirmediğini sorar. Zhao and Ji (2026), revize edilmiş metnin hangi retorik tutumu aldığını soruyor; aynı taslakların birinci versiyonlarını, peer feedback sonrası revizyonları ve aynı taslakların ChatGPT-4 revizyonlarını Değerlendirme Kuramı çerçevesinde kodlayarak 168 İngilizceyi yabancı dil olarak öğrenen öğrencinin argümantasyon kompozisyonunu inceliyor. Etkileşim dili üç durumda da eşit sıklıkta görüldü ama farklı biçimde yapılandı: akran geri bildirimi revizyonları daha büzücü hale geldi (daha çok Counter ve Endorse, daha az Entertain), oysa YZ revizyonları daha dengeli bir Contract/Expand karışımını korudu. Hiçbiri daha iyi yazım değil — önemli olan iki revizyon yolunun argümanı farklı bir diyalojik konumda bırakması; bu da tutumun kendisini bir geri bildirim konuşmasının adlandırabileceği ve bir yazarın seçebileceği bir şey yapıyor.

  • Bir açıklama ikna edici olabilir ve yine de güvenilir olmayabilir. Bueno et al. (2026), bir LLM gerekçesinin en etkili sıraladığı cümlelerin çıkarılmasının bir rubrik notunu neredeyse değiştirmediğini, oysa SHAP ile seçilen cümlelerin onu güvenilir biçimde değiştirdiğini ve model aileleri arasında aktarıldığını buldu; dolayısıyla akıcı bir gerekçelendirme, bir notun onun üzerine kurulu olduğunun kanıtı değildir.

  • Geri bildirim okuryazarlığı bir eğitim hedefi. Yalnızca geri bildirim sunmak yerine, YZ araçları giderek öğrencilere geri bildirimi kullanmayı öğretmek üzere tasarlanıyor — reframing automated feedback tools as literacy-building instruments, framing GenAI as an enabler of feedback engagement ve using GenAI critique tasks to build psychological, feedback, and AI literacies together.

  • Geri bildirim okuryazarlığı ve kalibrasyon ayrı kullanılabilir kaldıraçlardır. 120 lisans öğrencisiyle, bir Geri Bildirim Okuryazarlığı Senaryosu (Süz–Akıl Yürüt–Eyleme Geç–Denetle) yazım niteliğini, etkili kullanımı ve derin revizyonu yükseltirken; bir Değerlendirme–Performans Kalibrasyon Etkinliği öz-değerlendirme doğruluğunu artırdı ve aşırı özgüveni kıstı; ikisini birleştirmek ise en büyük yazım kazanımlarını ve YZ desteği geri çekildikten sonra en güçlü kalıcılığı üretti (Dai (2026)).

  • Açıklık, etkililik değildir. LLM ile yeniden yazılmış Python hata iletileri, standart yorumlayıcı çıktısından anlamlı biçimde daha okunabilir ve daha az bilişsel açıdan zorlayıcı olarak puanlandı, oysa düzeltme oranında, deneme sayısında veya düzeltme süresinde anlamlı bir kazanç üretmedi (Moraru, Biswas & Gadiraju (2026)).

Geri bildirimi etkili kılan şey: kalibrasyon kanıtları

Ngai & Gilbert (2026), geri bildirim tasarımına ilişkin AIED için doğrudan ilgili temiz bir deneysel sonuç sunuyor: davranışı değiştiren şey, öğrenenin kendi önceki tahmine bağlı, gerçeğe uygun, anında, deneme deneme geri bildirimdir — yalnızca tahmin veya inanç yeterli değildir. Dört gruplu tasarımda, öncesinde bir performans tahmini eşlik eden geri bildirim kalibrasyonu ve davranışı iyileştirdi, geri bildirimsiz tahminler hiçbir şey yapamadı ve açık bir aşırı/aşağı özgüven etiketi eklemek başka bir şey katmadı. LLM’ler bu süreçte kalibrasyon ortağı olarak da işlev görebilir: Yaşar et al. (2026), rubrik iyileştirmesinden sonra LLM’lerin performans eşiklerini uygulamada bazı insan puanlayıcılardan daha tutarlı olduğunu buldu — bu, normlaştırma oturumlarında ve formative peer feedback ortamlarında, modelin evaluative judgment değiştirmek yerine kalibre etmesine yardımcı olduğu durumlarda yararlıdır. Bu, bilgi tabanının geri bildirim sistemi görüşüyle örtüşür: geri bildirimin gücü, öğrenenin kendi tahmine karşı farkı kapattırmasındadır (sunum–kullanım eşleşmesi) ve etkili geri bildirim anında, doğru ve öğrenenin tahmin ettiği şeyle açıkça bağlantılı olmalıdır — YZ geri bildirim sistemleri ve Geri Bildirim Okuryazarlığı eğitimi için ortak bir tasarım ilkesi.

Çaba ise kendiliğinden eksik malzeme değildir. Giriş düzeyi Python öğrenen 302 ABD’li yetişkinle yürütülen, ön kayıtlı özneler arası bir deneyde, Asher, Gold & Carvalho (2025) kişiselleştirilmiş Claude Sonnet 3.5 açıklayıcı geri bildirimini üç adımlı yapılandırılmış bir öz-açıklama istek metniyle eşleştirdi — her hatalı kod bölümü için, doğru kodun ne yaptığı ve öğrenenin kendi denemesinin neden başarısız olduğu — ve eklenen yansıma hiçbir kazanım sağlamadı. Yansımalı Uygulama katılımcıları geri bildirimi incelemeye sade Uygulamadaki 2.1 dakikaya karşılık 4.1 dakika harcadı (t(267) = 11.30, p < .001); bu da yalnızca 3.4 problem yerine 2.0 probleme yer bıraktı (t(267) = 8.20, p < .001); her problem iki durumda da eşit değerdeydi (Yansıma × problem numarası OR = 1.03, z = 0.23, p = .486), dolayısıyla Uygulama daha yüksek ustalıkla sonuçlandı, %79’a karşılık %65 (d = .41) ve yakın-transfer, uzak aktarım veya kod değerlendirme maddelerinde hiç geride kalmadı. Yansıma, hedeflediği üstbilişsel yararı da sağlayamadı: öğrenme yargıları kollar arasında farklılaşmadı ve uygulama koşulları daha iyi kalibre oldu (11 puan aşağı özgüven; video izleyenlerde 20 puan aşırı özgüvene karşılık, d = −.93) ve yansımalı öğrenenlerden daha az distraction bildirdi (d = −.80); onların yansımaları yalnızca ortalama 35 kelimeydi. Yazarların okuması şudur: YZ geri bildirimi, öz-açıklamanın normalde eklediği İskeleleme (Scaffolding) zaten sağlamıştı — hatayı adlandıran, doğru yaklaşımı açıklayan ve altta yatan kavramı betimleyen bir mesaj, bir yansıma istek metnine yapılacak pek az iş bırakır — ve yabancı söz dizimini öğrenirken yansıma yazmanın, aktarılabilir beceriyi kuran çeşitli tekrarla doğrudan yarıştığıdır. Bu, işlem derinliği ekseninde İstenen Zorluklar ve Verimli Başarısızlık için bir sınır koşulu belirler: çaba, ek geri çağırma, uygulama veya karşılaştırma yönettiğinde karşılığını verir; öğrenen kendi özel hatasının kişiselleştirilmiş bir açıklamasını zaten alıyorsa yinelenir. Ayrıca feedback quality uptake nasıl etkileştiğine ilişkindir: geri bildirim ne kadar ayrıntılı ve hedefe yönelikse, değer katma şansı olan ek bir katman için alan o kadar dardır; bu da tasarım ilgisini tek bir bölümü derinleştirmekten, kıt uygulama dakikalarını hacim, problem çeşitliliği ve yansırmayı tespit edilmiş bir düzlük gibi anlara ayırmaya kaydırır — çalışma tek bir denetlenmemiş iyileştirmeyi sınadı ve yazarlar bu türevlerin hâlâ açık olduğunu not eder.

  • Odak ve adaptivity geri bildirimin ayrı boyutlarıdır. Üç üniversite yazım kursunda öğretmen ve LLM yorumlarının yedi geri bildirim odağı türüyle açıklanması, çoğu modelin neredeyse her türü karşıladığını, hiçbirinin öğretmenin türler arasındaki dağılımına uymadığını ve hiçbirinin, uzman bir öğretim elemanının yaptığı biçimde odağını taslak evrelerine göre kaydırmadığını gösterir (Almousa et al., 2026).

  • Toplu kazanımlar birbirini dengeleyen kaymaları gizleyebilir. 260 Çinli altıncı sınıf öğrencisiyle üç aylık WISE Agent geri bildirimi, toplam kritik düşünme eğilimi notunu değiştirmedi (t = −0.854, p = 0.394), oysa Doğru-arama yükseldi (p < 0.001) ve Bilişsel Olgunluk düştü (p = 0.019) — yazarların, öğrencilerin aşırı tahmin edilmiş anlayışını yeniden kalibre etmesi biçiminde okuduğu bir düşüş. (Zhu et al. (2026))

Değerlendirme bağlamlarında geri bildirim

Bilgi tabanının geri bildirim araştırmaları, her biri kendine özgü geri bildirim dinamikleri olan değerlendirme bağlamlarının tamamını kapsar:

  • Biçimlendirici geri bildirim, geri bildirim-öğrenmeye-yönelik çalışmaların kurucu alanıdır — formative assessment, öğrenme sürerken gelen geri bildirim yoluyla self-regulated learning besler (automated formative assessments, feedback enactment).
  • Toplayıcı geri bildirim, summative assessment bağlı geri bildirimdir — ünite sonu sınavları, oral exams ve gözetimli/kapalı kitap sınavları. YZ çağında toplayıcı ortam, YZ direncinin en çok önemli olduğu yerdir (bkz. Toplayıcı Değerlendirme): gözetimli bir sözlü sınav veya kapalı kitap değerlendirmesine ilişkin geri bildirim gerçek öğrenmeyi sınar, oysa YZ destekli ödevlere ilişkin geri bildirim şişirilebilir. Oral assessments, geri bildirim anını canlı ve etkileşimli bir diyaloğa dönüştürür — geri bildirim anında, konuşma diline yakın ve değerlendirmenin kendisinden ayrılmaz hale gelir; işte bu yüzden YZ ikamesine direnirler.
  • Akran geri bildirimi sosyal bir katman ekler — peer feedback geri bildirim okuryazarlığını geliştirir ve giderek YZ ile güçlendirilir (AI peer feedback, GenAI in EFL peer feedback). Bununla birlikte akran geri bildirimi, yalnızca gerçekten iletilen kadar iyidir: bir dönem boyunca süren alan deneyinde, akran geri bildirimi verilen öğrencilerin üçte ikisinden azı hiç metinsel geri bildirim almadı ve iletilenlerin çoğu hedefe yönelik olmayan övgüydü — dolayısıyla bireysel GPT-4 geri bildirimi güvenilmez akranların yerini aldığında, öğrenciler en yüksek katılımı sürdürdü ve en büyük içerik learning gains kaydetti (Geschwind et al., 2026); bu, YZ’nin üstünlüğünün doğuştan bir üstünlük değil bir güvenilirlik avantajı olduğunun kanıtıdır.
  • İstek metniyle iskeleleme, GenAI’yı bir geri bildirim kolaylaştırıcısına dönüştürür. Chang et al. (2026), akran geri bildirimi için yapılandırılmış istek metinleri (bağlam, hedef, rol) verilen öğrencilerin daha fazla açıklama ve öneri ürettiğini ve yalnızca bu grubun itiraz verileriyle ve karşı görüşü ele almada öne çıktığını buldu.
  • Otomatik geri bildirim iletişimi ölçekler — kompozisyon puanlamasından kısa cevap puanlamasına kadar automated scoring and feedback. Arthur (Yin et al. 2026) bunu yapılandırılmamış quantitative problemlere taşıyor: soru başına bir XGBoost teşhis omurgası, öğrencilerin gönderdiği sayısal cevaplardan rubrikle etiketlenmiş hataları çıkarır ve bunları doğal dil geri bildirimine dönüştürür; diyaloga dayalı bir düzen ise yalnızca güven düşük olduğunda ara adımları ister — geri bildirim doğruluğunu öğrencilerden istenen yük ile dengeleme.
  • Otomatik yazma değerlendirmesi, ölçülebilir bir maliyeti olan bir iletişim tarafı aracıdır. 2019–2024 yıllarına ait 50 ampirik çalışmanın bir incelemesinde, otomatik yazma değerlendirmesinin 25 çalışmada dil bilgisi, noktalama ve cümle kurulumunu iyileştirdiği ve 15 çalışmada öğretmenlerin mekanik düzeltme iş yükünü azalttığı; argüman, tutarlılık ve organizasyon için zaman açtığı görüldü; kazanımlar yalnızca araçlar yapılandırılmış taslak ve revizyon döngülerinin içinde yer aldığında sürdü, ağır bağımlılık daha zayıf critical thinking ve yaratıcılıkla ilişkilendirildi ve araçlar standartlaştırılmış İngilizce normlarını yeniden üretti; İngilizceyi yabancı dil olarak kullananlar bunu kendi retorik gelenekleriyle uyumsuz bildirdi (Gres et al., 2026).

Bağlamlar arası temel bir içgörü şudur: geri bildirimin güvenilirliği, bağlı olduğu değerlendirmenin bütünlüğüne bağlıdır: geri bildirim, yanıt verdiği ölçüt kadar güvenilirdir. YZ çağında bu, eğitimcileri authentic ve YZ dirençli summative formats yönlendirir; orada öğrencinin aldığı geri bildirim, YZ destekli çıktıdan çok gerçek öğrenmeyi yansıtır.

“Öğrenme için değerlendirme” paradigması, geri bildirimi bir bileşenden çok kuşatan bir felsefe olarak yeniden çerçeveler. Mesny, Roberge-Maltais & Galy (2026), daha geniş yükseköğretim literatürünü sentezleyerek formative, süregelen ve bireyselleştirilmiş geri bildirimi bu felsefenin merkezine yerleştirir; biçimlendirici ile toplayıcı amaçları dengeler ve student agency, öz-Eğitimde YZ Regülasyonu ve metacognitive beceriyi öne çıkarır. Bununla birlikte management education geri bildirim açısından zengin uygulamaların hâlâ eşitsiz biçimde benimsendiğini not ederler: öz- ve akran değerlendirmesi (akran geri bildiriminin bir alanı) literatürre hâkimken, geri bildirim kaynaklı ikinci şansları kullanarak öğrenmeyi iyileştiren yeniden değerlendirme neredeyse hiç yoktur.

  • Gösterilmiş eyleme dönüştürülebilirlik, hayata geçirilmiş eyleme dönüştürülebilirlik değildir. Öğrencilerin öğretimi değerlendirmeye ilişkin açık uçlu yorumlarına NLP uygulayan 421 çalışmanın kapsam tarama incelemesinde, %61,3’ü gösterilmiş bir sonuç düzeyinde veya daha üstünde çıktı üretirken, yalnızca %11,6’sında hedeflenen kullanıcıların onu değerlendirdiğine veya kullandığına dair kanıt vardı (Eicher & da Silva, 2026).

Sunum–kullanım eşleşmesi

Bilgi tabanının çekirdek geri bildirim içgörüsü şudur: geri bildirim niteliği ile geri bildirim okuryazarlığı tek bir sistemin iki yüzüdür: nitelikli geri bildirim, okuryazar bir alıcı olmadan etkisizdir ve okuryazar bir öğrenci kötü geri bildirimden pek kazanç sağlamaz. YZ Geri Bildirim Kalitesi sunum tarafını kapsar (geri bildirim doğru, zamanında ve eyleme dönüştürülebilir mi?), Geri Bildirim Okuryazarlığı ise kullanım tarafını kapsar (öğrenci onu yargılayıp üzerine hareket edebilir mi?). İkisini birbirine bağlayan şey geri bildirim döngüsüdür — nitelikli geri bildirimin, okuryazar bir öğrenen tarafından alındığında farkı kapattığı mekanizma. Dolayısıyla etkili YZ geri bildirimi tasarlamak, hem sistemi hem öğrenciyi tasarlamak demektir.

Hangi öğrenci tarafı kapasitelerin önemli olduğu ampirik olarak ayrılabilir: bir argümantasyon metni üzerine her biri standartlaştırılmış tek bir otomatik geri bildirim iletisi alan 1.507 ortaöğretim öğrencisi arasında, yalnızca geri bildirimle davranışsal etkileşim ve geri bildirime ilişkin araçsal tutumlar revizyon performansını öngördü — her iki boyutta 75’inci yüzdelik dilimdeki öğrenciler, 25’inci yüzdelik dilimdeki karşılaştırılabilir öğrencilere göre yaklaşık 0.10 veya 0.11 WLE puanı daha fazla, kabaca 46’ıncı ile 54’üncü yüzdelik dilim arasında bir iyileşme kaydetti — oysa genel alıcılık, bilişsel etkileşim ve deneyimsel tutumlar bununla ilişkisizdi ve perceived usefulness hiçbir boyutun performansa giden yolunu aracılık etmedi. Yararlılık bunun yerine diğer sonuç üzerinde işledi: genel alıcılığın durumsal ilgi üzerindeki etkisi tamamen algılanan yararlılık üzerinden yürüdü (dolaylı β = 0.09, %95 CI [0.06, 0.13]); dolayısıyla revizyon kazanımları geri bildirim üzerine eyleme geçmenin kalıcı alışkanlıklarını izlerken, ilgi belirli bir iletinin değerlendirilmesini izledi. (Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception)

Bir kaynak nasıl kalibre ettiği açısından değil, ne kadar iyi puanladığı açısından farklılaşabilir: bir randomize deneyde, akıl yürütme zinciriyle üretilen YZ geri bildirimi rubrik niteliğinde deneyimli bir öğretmeni geride bıraktı ama daha büyük revizyon kazanımları üretmedi, oysa öğretmenin geri bildirimi taslaklar boyunca kalibre kaldı ve GenAI geri bildirimi başlangıç kompozisyonunun gücünü izledi (Farrokhnia et al. (2026)).

İki katmanlı bir model, eşleşmenin yargıyı ona devretmeden bir makine çevresinde nasıl düzenlenebileceğini gösterir. El Khoury and Ma's worked example, bir agent her yazıya dair rubrik tabanlı bir kanıt raporu üretir; her puan alıntılanmış pasajlara bağlıdır ve öğretim elemanı ardından raporu inceler, bir değerlendirme toplantısı yürütür ve kanıtın o öğrenci için ne anlama geldiğine karar verir — yazarların “YZ kanıtı düzenler, öğretim elemanı onu yorumlar” biçiminde özetlediği bir bölünme. Kullanıma ilişkin iddiaları değerlendirme tabanlıdır: öğrencilerin akranları ve öğretim elemanlarıyla gezinmek zorunda olduğu sosyal hiyerarşilerin dışındaki geri bildirim ve yineleme denenmesi daha kolaydır ve öğrencinin kendi hızında provanın, ara sıra hissedilen özgüveni geri bildirimle etkileşime geçmenin yerleşik bir alışkanlığına dönüştüren şey olduğunu savunurlar.

Geri bildirim neden Eğitimde YZ açısından önemli

Geri bildirim, eğitimdeki en sonuç açısından önemli ve en iyi kanıtlanmış mekanizmalardan biridir; YZ hem onu güçlendirir hem karmaşıklaştırır. İyi kurgulanmış YZ geri bildirimi insan geri bildirimine eşdeğer olabilir veya onu aşabilir ve kohortlar arasında ölçeklenebilir, ama yeni öğrenen yetkinlikleri (Geri Bildirim Okuryazarlığı, YZ Okuryazarlığı) gerektirir ve riskler taşır (eleştirel olmayan kabul, Over-Reliance). YZ tarafından üretilen geri bildirim her yerde yaygınlaştıkça, bilgi tabanı geri bildirimi tek bir bileşen olarak değil — nitelik, döngü, okuryazarlık ve değerlendirme bağlamının birlikte çalıştığı bütün bir sistem olarak çerçeveler.

  • Geri bildirim, geri bildirimi vereni hedef alabilir. Özel öğretmen eğitimi, yeterince incelenmemiş bir geri bildirim bağlamıdır: özel öğretmenlerin açık uçlu yanıtlarını övgü türlerini etiketleyerek sıralayan otomatik sistemler (çaba temelli övgü — istenen, sürece yönelik tür — karşı sonuç temelli ve kişi temelli, en az istenen nitelik atıflı tür), davranışı değiştirebilen açıklayıcı geri bildirim sunabilir. Bağlayıcı kısıt, uzman tarafından etiketlenmiş veridir. Bir çoğaltma yaklaşımı — GPT-4o’nun 13 örneklik düşük kaynaklı bir kümeyi 520’ye genişleten sentetik etiketli yanıtlar üretmesi, ardından GPT-3.5’in ince ayarı — farkın çoğunu kapatır: çaba temelli övgüde F2 +%20,5, sonuç temelli övgüde +%17,3 ve görülmemiş kişi temelli kategoride +%16,5. Görülmemiş bir övgü türüne genelleme testi, bunu aşırı uyumdan ayıran geçerlilik sınamasıdır ve mekanizma klasik çoğaltmadan çok öğretmen-model damıtmasına yakındır. (Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation)

Bağlı kavramlar

Bağlı makaleler

Bağlı SSS

Bağlı kaynaklar

  • Clarity
    Daha net yazma için on sekiz kuralı metinler için taslak, yeniden yazma ve inceleme kipleri haline getiren açık kaynaklı bir Ajan Yeteneği ve özel tarayıcı düzenleyicisi.
  • Pedagojik İstek Metni Kitabı (The Pedagogical Promptbook)
    Kanıta dayalı öğretim ve öğretim tasarımı uygulamaları için değerlendirilmiş istek metinlerini (prompt) içeren, açık erişimli bir kitap; her bölüm istek metnini, geliştirme sürecini ve değerlendirme sonuçlarını yayımlar.
  • Snorkl
    A classroom tool that gives students instant AI feedback on recorded spoken and drawn explanations of their thinking, and gives teachers analytics on those explanations.

Üst veri

Değerlendirme ve ölçmeYZ Geri Bildirim Kalitesi, Değerlendirme, Otomatik Değerlendirme, Geri Bildirim, Geri Bildirim Okuryazarlığı, Biçimlendirici Değerlendirme, Akran Değerlendirmesi
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.