ICAP Çerçevesi

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

ICAP Çerçevesi (Interactive–Constructive–Active–Passive; Etkileşimli–Yapıcı–Etkin–Edilgen) — Michelene Chi tarafından geliştirilen, öğrenen davranışını biliş açıdan en az katılımdan en çok katılıma doğru sıralanan dört bilgi değişimi kipine ayıran bir bilişsel katılım taksonomisi: edilgen, etkin, yapıcı ve etkileşimli. Eğitimde yapay zeka bağlamında ICAP hem bir tasarım hedefi (pasif tüketim yerine yapıcı ve etkileşimli katılımı çağrıştıran araçlar oluşturmak) hem de bir değerlendirme merceği (öğrenenlerin ve yapay zeka sistemlerinin gerçekten üst düzey kiplerde katılım gösterip göstermediğini ölçmek) sağlar.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

Düşünülmesi Gereken Sorular

• Bir video izleyerek veya okuyarak en son bir şey ‘öğrendiğiniz’ anı düşünün. ICAP çerçevesi bunu edilgen olarak adlandırırdı. Pasif maruziyetten aslında neyi hatırlıyorsunuz, başka birine anlatmaktan neyi?
• ICAP katılımı edilgenden etkine, etkinden yapıcıya, yapıcıdan etkileşimliye doğru sıralar. Kullandığınız yapay zeka araçları öğrenenleri genellikle hangi düzeyde tutuyor — ve uyarlanabilir alıştırmalarda ilerlemek için tıklamak gerçek katılım sayılır yoksa yalnızca bir etkinlik midir?
• Sayfa, en önemli sonuç doğuran dönüşümün Etkin’den Yapıcı’ya olan adım olduğunu savunuyor — bilgiyi yalnızca uygulamak yerine açıklama ya da yeni eser üretmek. Yeni bir şey üretmek neden anlayışı gerçekten değiştiren adım olabilir?
• Bir çalışma, katılım düzeylerini etiketlemede insan uzmanların yapay zeka modellerini çok aştığını buldu. Otomatik sistemler katılımı sistematik biçimde hafife aldığında, yapay zeka tarafından üretilen ‘katılım’ ölçütlerine nasıl davranmalıyız?
• ICAP, sizin yerinize yanıtlayan bir aracın sizi edilgen tuttuğunu, soru sorup yönlendiren bir aracın ise sizi yapıcı ve etkileşimli katılıma doğru ittiğini gösterir. Kendi öğrenenleriniz için hangi tasarım tercihini yapardınız?
• Çerçeve hem tasarım hedefi hem de değerlendirme merceği olarak kullanılır. Öğrencilerin gerçekten katıldığını, yalnızca etkin olmadığını anlamak için ICAP’ı kendi öğretiminizde veya tasarımınızda nasıl kullanabilirdiniz?

Giriş

ICAP, öğrenenlerin ne yaptığının ne kadar ve ne öğrendiklerini belirlediği varsayımına dayanır. Chi’nin çerçevesi, katılım edilgenden etkine, etkinden yapıcıya, yapıcıdan etkileşimliye geçtikçe bilgi değişiminin doğasının derinleştiğini ileri sürer: depolamadan dikkat etmeye, yeni bilgiyi önceki bilgiyle bütünlemeye, diyalog aracılığıyla bilgiyi birlikte üretmeye. Bu durum ICAP’ı — merkezinde yapay zeka desteğinin öğrenenlerin bilişsel katılımını destekleyip desteklemediği yoksa onun yerine mi geçtiği sorusunun yattığı — eğitimde yapay zeka için güçlü bir analitik araca dönüştürür.

Dört kip

Kip	Öğrenen davranışı	Bilgi değişiminin doğası
Etkileşimli	Bir başka öğrenen veya ajanla diyalog, anlamı birlikte kurmak; örn. bir görüşü savunmak, işbirlikçi problem çözme	Ortak, karşılıklı etkinlik yoluyla yeni bilgi üretmek
Yapıcı	Verileni aşan yeni çıktı üretmek; örn. kendi kendine açıklama, karşılaştırma, düşünme, çizim	Yeni bilgiyi önceki bilgiyle bütünleyerek yeni bir anlayış üretmek
Etkin	Materyali elleçlemek veya üzerinde eylemde bulunmak; örn. not almak, altını çizmek, düşünmek için durmak	Bilgiye dikkat etmek ve onu depolamak, bazen derin bütünleme olmadan
Edilgen	Açık bir eylem olmaksızın bilgi almak; örn. bir derse kulak vermek, okumak	Bilgiyi depolamak, sınırlı ileri işleme ile

Eğitimde yapay zekada ICAP

Yapay zeka araçları için bir tasarım hedefi

ICAP, eğitimde yapay zeka için merkezi tasarım sorusunu yeniden çerçeveliyor: öğrenenin yerine yanıt veren bir yapay zeka aracı onu edilgen/etkin kiplerde tutar; yönlendiren, soru soran ve iskele kuran bir araç ise öğrenenleri yapıcı ve etkileşimli katılıma doğru iter. Bu durum ICAP’ı Yapılandırmacılık pedagojisiyle ve Etkin Öğrenme araştırmalarıyla hizalar.(Multimodal Learning with Generative AI)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

Yapay zeka ajanları için bir değerlendirme merceği

ICAP aynı zamanda bir ölçüm çerçevesi olarak da işlev görür. Bir çalışmada araştırmacılar, işbirlikçi diyalogdaki bilişsel katılımı nitelemek için ICAP’ı 7 kademeli bir ölçeğe genişletti, ardından eğitilmiş insan etiketleyicileri LLM tabanlı etiketlemeyle karşılaştırdı (bağlam içi öğrenme, sıfır atışlı istek metni yazımı ve yansıtıcı ajanlar). İnsan etiketleyiciler arası güvenilirlik (kappa = 0,906–0,998), LLM etiketlemesini (kappa = 0,541–0,609) çok aştı; bu durum Öğrenme Analitiği hatlarında otomatik katılım ölçümünde ICAP’ın rolünü — ve güncel sınırlarını — ortaya koyuyor.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

İşbirlikçi diyalog kolaylaştırmasına yön vermek

Etkileşimli katılım ICAP’ın en üst kipi olduğundan, çerçeve, çevrimiçi işbirlikçi tartışmada yapay zeka aracılığının değerini konumlandırmaya yardımcı olur. LLM aracılığı zamanlaması üzerine araştırma, bir tartışmaya bir yapay zekanın ne zaman müdahale ettiğinin, etkileşimli bilgi ortak inşasını destekleyip desteklemediğini şekillendirdiğini gösteriyor — otonom moderasyon ajanlarının, aşırı istekli aracılıktan ziyade insana benzer bir ölçülülüğe doğru ayarlanması gerektiğini söyleyen ICAP kaynaklı bir ikaz.

ICAP ve öğrenme analitiği tasarımı

ICAP, yüzeysel ‘katılım’ ölçütlerine yönelik eleştirilerin temelini oluşturur: süzgeçlere tıklayarak bir panoyla etkileşime geçmek etkin katılımdır, etkileşimli değil. Etkin öğrenme analitiği tasarımları yalnızca veri göstermek yerine öz değerlendirme ve iki yönlü diyalogu çağrıştırır — doğrudan Chi’nin çerçevesinden çıkarılan bir çıkarım.(Interactive learning dashboards: rethinking learning visualisations as engagement tools)

Etkin→Yapıcı dönüşümü dönüm noktası olarak

ICAP bir hiyerarşi betimlese de, öğrenme açısından en önemli sonucu doğuran dönüşüm Etkin kiplerden Yapıcı kiplere atlayıştır (Chi & Boucher, 2023). Etkin katılım (bilgiyi benzer ama özdeş olmayan senaryolara uygulamak) öğrenenleri hazırlar; ancak yeni bilgi üretmeye onları donatan şey Yapıcı katılımdır — açıklama, özet veya yeni eser üretmek. İşte bu, eğitimde yapay zeka için asıl mesele: öğrenenleri Etkin kipte tutan bir araç (örneğin uyarlanabilir alıştırmalarda ilerlemek için tıklamak) verimli görünebilir ama onları hiçbir zaman kalıcı anlayış sağlayan yapıcı üretime yöneltmez. Etkin→Yapıcı sıçrayışını bilinçli biçimde iskeleye alan işbirlikçi ve okuryazarlık odaklı müdahaleler genellikle en güçlü kazanımları göstermektedir.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

ITS’te uyarlanabilir iskeleleme sinyali olarak ICAP

ICAP’ın kipleri, evrilen bir öğrenci modeline dayanarak bilişsel katılımı iskeleye almak için uyarlanabilir bir öğretmenin seçebileceği hedef durumlar biçiminde işlevselleştirilebilir. Bir mantık ITS’inde Dey Tithi ve ark., bir Etkin “Yönlendirilmiş” çözümlü örnek kipi ile bir Yapıcı “Hatalı” örnek kipi arasında dinamik biçimde seçim yaptı. Bayes Bilgi İzleme’yi (BKT) Derin Pekiştirmeli Öğrenme (DRL) ve uyarlanabilir olmayan bir temel çizgiyle 113 öğrenci üzerinde karşılaştırdıklarında, iki uyarlanabilir politika da son test performansını iyileştirdi — ancak farklılaşmış biçimde: BKT önceki bilgisi düşük öğrencilere en büyük kazanımları sağladı (onların geri kalanlara yetişmesine yardımcı oldu), DRL ise önceki bilgisi yüksek öğrenciler arasında en yüksek son test puanlarını üretti. Bu, bir akıllı öğretmenin ICAP kipini etkin biçimde kişiselleştirmenin öğrenenin güncel bilgisini modellemeye bağlı olduğunun somut bir gösterimidir — ve hiçbir tek kip ya da uyarlanabilir yöntemin her öğrenene uymadığının. Bu bağlantı, ICAP hiyerarşisini doğrudan Uyarlanabilir Öğrenme ve Bilgi İzleme tasarımına bağlar.

İnsana benzer ajanlar üretmek için bilişsel durum modeli olarak ICAP

Görev kiplerini seçmenin ötesinde, ICAP doğrudan üretken bir eğitim ajanının bilişsel modeline gömülmüştür. CogEvolution, girdileri dört ICAP düzeyi üzerinde bir olasılık dağılımına eşleyen ICAP tabanlı bir “bilişsel derinlik perseptronu” kurar ve bunu, evrimsel esinli durum güncellemeleriyle ve madde-tepki kuramı bellek erişimiyle birleştirerek bir öğrencinin bilişsel evrimini (kafa karışıklığı → kavrayış gibi geçişler dahil) benzetimler. Yapılan sınama deneyleri, ICAP algı modülünün çıkarılmasının ajanın yüzeysel öğrenmeyi derin öğrenmeden ayırt etme yeteneğini çökerttiğini gösteriyor — bu da ICAP taksonomisinin yalnızca dışsal bir değerlendirme merceği olmaktan öte, öğrenci benzetimi için ince ayarlı, içsel bir bilişsel katılım ölçüsü olarak hizmet edebileceğinin kanıtıdır.

ICAP, yansıtıcı GenAI etkileşiminin değerlendirilmesine zemin sağlar

ICAP’ın üretici, süreç düzeyinde katılıma verdiği önem, öğrencilerin üretken yapay zeka ile nasıl öğrendiğini değerlendiren değerlendirme çerçeveleri tarafından benimsenmiştir. DRIVE çerçevesi, temel kurgusunu — GenAI çıktısıyla derin yansıtıcı etkileşim — ICAP’ın derin öğrenmeye götürdüğünü belirttiği türden üretici katılımla açıkça hizalar ve bunu, yapay zeka tarafından üretilen içeriğin yüzeysel tüketimini çaba gerektiren, yansıtıcı bir yeniden işlenmesinden ayırt etmek için kullanır. Bu durum ICAP’ı, kullanımı yalnızca izlemek yerine anlamlı GenAI öğrenme etkileşimlerini tasarlamak ve ölçmek için kuramsal bir çıpa konumuna yerleştirir.

Tasarım ve araştırma için çıkarımlar

1. Üst düzey kipleri hedefleyerek tasarım yapın. Yapay zeka araçları, pasif içerik sunmak veya yanıt makinesi gibi davranmak yerine öğrenenleri üretmeye, açıklamaya ve diyaloga — yapıcı ve etkileşimli etkinliğe — yönlendirmelidir.(Multimodal Learning with Generative AI)
2. Öğrenenleri kipler boyunca katılıma çekin. Etkin YZ okuryazarlığı öğretimi öğrenenleri birden çok ICAP düzeyinde — pasif maruziyet, etkin elleçleme, yapıcı üretim ve etkileşimli diyalog — katılıma çeker; öğrenme hedefine uyan kipi seçer.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
3. Katılımı dürüstçe ölçün. ICAP, araştırmacılara ve tasarımcılara gerçek bilişsel katılımı sıradan etkinlikten ayırt etmeleri için ortak bir sözlük sunar — yüzeysel Öğrenci Kavraması’e bir düzeltici.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
4. İnsan–LLM etiketleme farkını izleyin. Katılımı kodlamak için otomatik sistemler kullanılıyorsa, eğitilmiş insanlara göre gösterdikleri sistematik yetersizlik hesaba katılmalıdır.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

Bağlı kavramlar

• Etkin Öğrenme
• İşbirlikçi Öğrenme
• Öğrenci Kavraması
• Öğrenme Analitiği
• Yapılandırmacılık
• Öğrenme Tasarımı
• Metabiliş
• YZ Okuryazarlığı
• İnsan-Denetiminde Yapay Zeka
• AIEd Araştırmalarındaki Sınırlılıklar

Bağlı makaleler

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Extended ICAP framework for measuring engagement with human vs. LLM annotation
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Collaborative AI literacy across the four ICAP modes
• Interactive learning dashboards: rethinking learning visualisations as engagement tools — ICAP as a critique of shallow learning-analytics engagement
• Multimodal Learning with Generative AI — ICAP and cognitive engagement in multimodal learning design
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — LLM facilitation timing in online collaborative discussions
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Adaptive ICAP scaffolding in an ITS (BKT vs DRL)
• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — ICAP cognitive-depth model in a generative student-simulation agent
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — ICAP-anchored assessment of reflective GenAI interaction