AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Akıllı Özel Öğretim

Oluşturuldu 2026-10-14

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

YZ destekli özel öğretim / akıllı özel öğretim — kişiselleştirilmiş, uyarlanabilir, ölçeklenebilir öğretimsel desteği sağlamak için YZ’nin kullanımı: öğrenci bilgisini modelleyen, öğretimi uyarlayan ve Problem Çözme’i iskeleyeleyen klasik Akıllı Özel Öğretim Sistemlerinden (AÖS), LLM’ler üzerine kurulu sohbet ve ajan temelli özel öğretmenlere kadar. Etkililik, modelden çok pedagojik tasarıma (İskeleleme (Scaffolding), geri bildirim kalitesi, özerklik dengesi) bağlıdır — bkz. Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact ve Sokratik Yöntem.

Dikkate Alınması Gereken Sorular

  • Bir YZ özel öğretmeninin etkililiğinin pedagojik tasarıma — iskelelemeye, geri bildirim kalitesine, özerklik ve rehberlik dengesine — bağlı olduğu söylenir, temeldeki modele değil. Seçmen gerekse, hangi tasarım tercihi bir öğrencinin fiilen öğrenip öğrenmediğini en çok belirler?
  • Klasik AÖS, isabet ve şeffaflığı için övülür ama esnekliğin olmamasından eleştirilir; LLM özel öğretmenleri esnektir ancak halüsinasyon görebilir veya öğrenmeyi atlayabilir. Doğru denge nerededir ve neden sizce?
  • Geniş ölçekli saha kanıtları, öğrencilerin bir YZ özel öğretmenini denediğini ama onu nadiren verimli kullandığını buldu — onu yalnızca hata oturumlarının küçük bir kesrimde, çoğunlukla sadece yanıtlarla olacak şekilde kullanarak. Öğrenciler güçlü bir özel öğretmene erişirken neden onu öğrenmelerine yardımcı olan biçimlerde kullanmasınlar?
  • Sayfa, bir öğreneni modelleyen ve öğretimi uyarlayan geleneksel AÖS’leri açık uçlu sohbet özel öğretmenleriyle karşılaştırır. Bir özel öğretmen doğal bir söyleşi yürütebildiğinde ama bir kararı neden verdiğini tam olarak bilmediğinde ne kazanılır ve ne kaybedilir?
  • Bir çalışma, YZ’nin "verimli bir yavaşlama" — soru başına daha fazla zaman — yarattığını, ancak hataları sonuç doğuran bir ustalık iş akışına gömüldüğünde öğrenmeyi yalnızca iyileştirdiğini buldu. Bu, çabayı ödemesi sağlayacak şekilde yapılandırmak konusunda ne öne sürer?
  • İpucu tasarımı istemeden öğrencilerin öğrenmeyi atlamasını mümkün kılabilirse, mücadeleyi yanıtı vermeden destekleyen iyi tasarlanmış bir ipucu sistemi neye benzerdi?

Giriş

YZ destekli özel öğretim, öğrencilere kişiselleştirilmiş, uyarlanabilir ve ölçeklenebilir öğretimsel destek sağlamak için yapay zekanın — özellikle büyük dil modelleri ve yapılandırılmış Akıllı Özel Öğretim Sistemleri — kullanımını kapsar. YZ özel öğretmenleri çok biçimli görünür: Sokratik diyaloga giren sohbet özel öğretmenleri, problem çözmeyi yönlendiren iskelelenmiş geri bildirim sistemleri, içerik sıralamasını kişiselleştiren uyarlanabilir öğrenme platformları ve uzun vadeli öğrenen modelleri sürdüren ajan temelli özel öğretmenler. YZ destekli özel öğretimin etkililiği, temeldeki modelden çok pedagojik tasarım tercihlerine — iskelelemeye, geri bildirim kalitesine ve özerklik ile rehberlik arasındaki dengeye — kritik biçimde bağlıdır.

Tarihsel olarak, Mishra ve ark., AÖS’yi AIED’nin 1970’lerin sonundan 1970’lere uzanan uzman sistemleri ve Anderson’ın ACT/ACT-R bilişsel özel öğretmenleri soyundan yerleştirir; bunların yapılandırılmış kontrolü Papert’nin yapılandırmacılığıyla tezat oluşturur.

Öğrenen modelleme ailesinde AÖS

Akıllı özel öğretim, öğrenen modelleme ve uyarlanabilir öğretim ailesinin klasik uygulama tarafı üyesidir. Kanonik mimarisi — alan modeli, öğrenci modeli ve pedagojik model — ailenin tanımladığı "öğrenenin modelini çıkar, sonra öğretimi uyarla" boru hattının tam karşılığıdır. AÖS, problem seçmek ve rehberlik iskeleyelemek için Bilgi İzleme ve Bilişsel Tanılama tarafından üretilen öğrenen temsillerini tüketir; özel öğretimin bu modelleme yöntemlerine bu kadar sıkı bağlı olmasının nedeni budur. Aile içinde, AÖS, uyarlanabilir öğrenmenin (gerçek zamanlı uyarlama mekanizması) ve kişiselleştirilmiş öğrenmenin (daha geniş hedef) yanında, öğrenen modellerini öğretime dönüştüren platformlar olarak yer alır.

AÖS ile LLM temelli özel öğretim karşılaştırması

LLM’lerin ortaya çıkışı, özel öğretim alanında verimli bir gerginlik yarattı. Geleneksel Akıllı Özel Öğretim Sistemleri (AÖS), isabet ve şeffaflık sunar — sistem neden belirli bir kararı verdiğini tam olarak bilirsiniz — ancak esneklikten yoksundur. LLM özel öğretmenleri doğal diyalog ve geniş bilgi sunar ancak halüsinasyon görebilir, aşırı iskeleyeleyebilir veya öğrenmeyi tümüyle atlayabilir. Modern araştırma, giderek artan biçimde yapılandırılmış AÖS bileşenlerini LLM esnekliğiyle birleştiren hibrit yaklaşımları inceler. Reddig, Arora & MacLellan (2025) bunu Apprentice Tutor College Algebra AÖS’inde somut olarak gösterir: GPT-4’e özel öğretmenin arayüz yapısını ve istek metni içindeki Bayesçi Bilgi İzleme beceri tahminlerini sağlamak, çarpanlara ayırmada mantık hatası tanısını %40’tan %81’e (ve hata kimliklendirmesini tümüyle %87,8’e) yükseltmiş ve ~%66 hata-hedefli ipucu üretmiştir — bir LLM’yi bir AÖS’nin yapılandırılmış çerçevesine gömmenin üretimi temellendirdiğine, halüsinasyonlu tanıları dizginlediğine ve bağlam-farkında düzeltici geri bildirim sağladığına dair doğrudan kanıt; ipuçlarının yaklaşık üçte biri çok genel, hatalı veya yanıtı ifşa eden kalmış olsa bile.

Pedagojiyi modele öğretmek, istek metniyle yönlendirmekten ayrı bir yoldur: LearnLM, pedagojik verileri Gemini’nin sonradan eğitimine karıştırdı; eğitim uzmanları tarafından GPT-4o’ya (%31’le), Claude 3.5 Sonnet’e (%11’le) ve temel Gemini 1.5 Pro’ya (%13’le) göre tercih edildi; ve — sonradan ince ayarlanmak yerine ortak eğitildiği için — kazanımlar gelecekteki temel model sürümlerinde de sürer (LearnLM Takımı (2025)).

TeachLM, kıt olan bileşenin özgün öğrenen–özel öğretmen etkileşimi olduğunu savunur: birebir özel öğretimin 100.000 saati üzerine ince ayarlanması öğrenci konuşma süresini yaklaşık ikiye katladı ve diyalog turlarını %50 artırdı; bu, daha önceki istek metni mühendisliğiyle oluşturulmuş bir özel öğretmenin insan özel öğretmenlerine göre farkı kapatamadığından sonradır (Perczel, Chow & Demszky (2025)).

Akıllı Özel Öğretim Sistemleri, Eğitimde YZnin en eski ve en çok araştırılan alanlarından birini temsil eder. Genel amaçlı LLM özel öğretmenlerinin aksine, AÖS geleneksel olarak yapılandırılmış yaklaşımlar kullanır: alan modelleri (ne öğretileceği), öğrenci modelleri (öğrencinin ne bildiği) ve pedagojik modeller (nasıl öğretileceği). Bu bileşenler, öğrenci ilerlemesinin ince taneli izlenmesini, yanlış kanı tanısını ve uyarlanabilir sıralamayı mümkün kılar.

AÖS üzerine temel araştırmalar

  • Bir özel öğretim platformunun mikro-rasgeleleştirilmiş denemeleri: Harrison ve ark. (2026), GCSE Biyoloji, Kimya ve Fizik’te Medly üzerine dört haftalık çok merkezli bireysel olarak rasgeleleştirilmiş bir değerlendirme yürüttü; 929 öğrenciden 644’ü sınav sonrası testi tamamladı; platforma tahsis, her zamanki gibi özyönetimli tekrara karşı Hedges' g = 0,33 (%95 GA 0,18 ila 0,48) üretti, üç derste de olumlu tahminler ve dezavantaja göre farklı etki kanıtı yoktu (Pupil Premium g = 0,28’e karşılık Pupil Premium dışı g = 0,35).

  • İpucu düğmesi araştırması, geleneksel AÖS ipucu tasarımının istemeden atlama stratejilerini mümkün kılabileceğini göstererek daha sofistike İskeleleme (Scaffolding) yaklaşımları çağırır.

  • DeepTutor: Towards Agentic Personalized Tutoring, atıf temelli özel öğretim ve zorluk ayarlı soru üretimi ile tam Açık Kaynak ajan tabanlı bir özel öğretim çerçevesi sunar.

  • Yorumlanabilir Bilgi İzleme, LLM logitlerinden yorumlanabilir bilişsel büyüklükler üreterek opaklık problemini ele alır.

  • Etkileşim ve yapı, yetenek değil, bağlayıcı kısıtlardır (geniş ölçekli saha kanıtı): Khanmigo (Oreopoulos & Low 2026) — 18 ortaokulda iki yıllık bir kümeleme RCT’si — öğrencilerin %96’sının YZ özel öğretmenini denediğini ancak medyan değerin onu yalnızca hata oturumlarının ~%17’sinde (çoğunlukla sadece yanıtlar veya istek tıklamaları) kullandığını buldu; böylece kazanımlar (~0,06–0,08 SS) YZ olmadan çalışmayla eşleşti. NUMI (Oreopoulos ve ark. 2026), YZ’nin "verimli bir yavaşlama" — soru başına daha fazla zaman ve hatadan sonra iyileşmiş toparlanma — yarattığını, ancak hatayı sonuç doğuran bir ustalık iş akışına gömüldüğünde gecikmiş öğrenmeyi güvenilir biçimde iyileştirdiğini buldu. Ders: YZ destekli özel öğretimin değeri, ham model yeteneğinden çok, öğrencileri onu verimli kullanmaya getirmeye ve çabanın ödemesini sağlayacak şekilde yapılandırmaya bağlıdır. (Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning)

  • Bir özel öğretim koşumu zayıf omurgalara yardım eder ve güçlü olanlara zarar verebilir. RegulaTutor (Li ve ark. 2026), bir modeli kanıta bağlı, ÖDS temelli aşamalarla sararak dört yerel kontrol noktasında tarihsel kanıt doğruluğunu ortalama 25,7 puan artırdı. Öğretimin değerlendirilen kalitesi neredeyse kımıldamadı (+0,016) ve kanıt kazanımları test edilen en güçlü omurgada tersine döndü (GPT-5.6-sol −4,87 puan).

  • OBE özel öğretmenleri için sonuç temelli bilgi izleme. Pradeesh ve ark. (2026), öğrenenin Sonuç-Temelli-Eğitim ders kazanımlarına hakimiyetini, öğrenilmiş kavram ilişkilerini kurs ile program kazanımları arasındaki müfredat doğrulamalı OBE "yakınlık eşlemeleriyle" değiştiren tekrarlayan bir modelle ve çok-kazanımlı etki için Bellek Artırılmış Sinir Ağı ekleyerek izler. Canlı mühendislik programı verisinde %89,81 AUC’ye ulaşarak DKT, DKVMN, EKT ve SimpleKT temellerini geçti — sonuç temelli özel öğretimde uyarlanabilir problem seçimini yönlendirebilen, bir programın kendi kazanımlarına uyumlu bir hakimiyet sinyali.

  • Hakimiyet modellerini geriye dönük uyuma göre değil gelecek oturumlarda doğrulayın. Bir AÖS’nin problem seçmek için kullandığı hakimiyet tahminleri zaman içinde genellenemeyebilir: Schuetze, Yan ve Carvalho (2025), BKT, BKT-with-Forgetting ve AFM’nin öğrenme eğilimlerini yalnızca art arda yeniden öğrenme veri kümesinin tüm oturumlarına geriye dönük uydurulduğunda yeniden ürettiğini buldu — ancak zaman temelli çapraz doğrulama altında (gerçek özel öğretim ortamı olan, bir oturumda eğitilip sonrakini tahmin etme) performansı %47–58 fazla tahmin ederler, aralık etkisi’ni yakalayamazlar ve pratik koşullarını hatalı sıralayabilirler. Böyle izleyicilere dayanan özel öğretmenler yürü-ileri biçimde değerlendirilmeli ve hakimiyetin sürdüğünü varsaymak yerine tutma aralığı ile oturumlar arası unutmayı göz önünde bulundurmalıdır.

  • Yapılandırılmamış, elle yazılmış çözüm problemlerinde hata teşhisi. Arthur (Yin ve ark. 2026), AÖS tarzı geri bildirimi bir Mühendislik Ekonomisi kursunda Hesaplanmış Formül Sorularına taşır; kalem-kağıt çözümlerin önceki YZ destekli özel öğretim çalışmalarının dayandığı yapılandırılmış dijital veriden yoksun olduğu bir alan. Genel amaçlı bir LLM yerine, her soru kendi ayrılmış XGBoost "çözüm teşhis omurgası" alır — öğrencilerin yalnızca gönderdikleri sayılardan öğretim görevlisinin rubrik hata etiketlerini tahmin etmek üzere derlenmiş, rasgele maskeleme-çoğaltılmış notlandırılmış gönderiler üzerine eğitilmiş (doğruluk 0,81, geri çağırma 0,79) — teşhis güveni 0,8 eşiğinin altına düştüğünde yinelemeli biçimde ara yanıtlar isteyen bir diyalog tabanlı etkileşimle eşlenir. Bu, bilgi temelli bir sınıflandırıcının tam yazılı çözümlerin bulunmadığı yerlerde bile çözüm teşhisini yapabileceğine dair bilgi tabanı ilkesinin somut bir örneğidir.

  • Arka plan değerlendiricisiyle tur düzeyinde uyarlanabilir özel öğretim. MeduAI-SP özel öğretmen ajanı (Yang ve ark., 2026), tur düzeyinde uyarlanabilir özel öğretimi örneklendirir: bir arka plan değerlendiricisi, her öğrenci ifadesini 30 maddelik OLDCARTS-bağlantılı hikâye kontrol listesine ve iletişim ölçütlerine karşı izleyerek yalnızca gerektiğinde yönlendirmeler tetikledi (4.815 iletinin %24,1’i). Derlem analizi, böyle bir desteğin en çok nerede gerektiğini ortaya çıkardı — öğrenci konuşması %62,2 mevcut hastalık hikâyesiydi, yalnızca %4,3 empatik/destekleyici iletişim ve %2,6 fiziksel muayene’ydi — bu, AÖS tarzı klinik özel öğretmenlerin yalnızca belirti toplamak değil, yetersiz kullanılan konsültasyon bileşenlerini ve geç karşılaşma muhakeme aşamalarını hedeflemesi gerektiğini ve taklit-hasta bağlılığının sonuç araştırması için yeterince yüksek olduğunu (hasta ifadelerinin yalnızca ~%0,68’inde açık bağlılık problemi) düşündürür.

  • Sınıfın kendi pedagojisinden inşa edilen bir YZ özel öğretmeni o sınıfı geride bıraktı: aktif öğrenme’ye karşı bir RCT. Harvard’ın en büyük giriş fizik kursunda (194 uygun öğrenci) bir çapraz RCT’te, sınıf içi derslerle aynı yedi araştırma temelli uygulamadan mühendislikle oluşturulmuş özel bir özel öğretmen, kursun sınıf içi aktif öğrenmesine karşı 3,5’e karşılık medyan 4,5 sınav sonrası test üretti (temel medyan 2,75), doğrusal regresyonla 0,63 etki büyüklüğü, sınıfta 60 dakikaya karşı medyan 49 dakika görev süresi, daha yüksek bildirilen etkileşim (4,1’e karşılık 3,6) ve motivasyon (3,4’e karşılık 3,1) ile (Kestin ve ark., 2025). Yazarlar avantajı, bir sınıfın sürdüremediği iki uygulamada bulur — isteğe bağlı kişiselleştirilmiş geri bildirim ve öz-yönlendirme — ve özel öğretmenin sınıf içi öğretimi değiştirmek değil, onu desteklemek gerektiğini vurgular.

  • Öğretmen aracılığı, uygulama bağlılığını kabaca ikiye katlar (tam ilçe saha kanıtı): Goblins (Alam ve ark. 2026) — büyük bir Arizona ilçesindeki tüm 6–8. sınıf matematik öğretmenlerine sunulan öğretmen aracılı çok kipelli bir YZ matematik platformu — mütevazı bir haftada 2 problem katılım barajında 6.065 öğrencinin ~%51’ine ulaştı; önceki değerlendirmelerdeki %5 (Khan Academy) ve %12 (IXL) eşiklerinin karşısında.

  • Ve içinde doz, etkiyi yönlendirir (aynı çalışma): ağırlıklı eğilimli bir tasarım, kullanımı ilçe içi MAP büyümesiyle 0,11 SS (ulusal Koşullu Büyüme Endeksinde 0,24 SS) ilişkilendirdi; temiz bir doz gradyanıyla — 10–19 problem/haftada 0,18 SS ve 20+’da 0,31 SS, haftada 3’ün üzerindeki tüm dozlarda anlamlı (p < 0,01). Keşfedici alt gruplar, BEP’li öğrenciler (+0,122 SS), İngilizce öğrenenleri (+0,191 SS) ve İspanyol kökenli öğrenciler (+0,084 SS) için daha büyük ilişkiler gösterdi. Tasarım yarı-deneyseldir — kullanıma öz-seçim, yazarların adlandırdığı zafiyettir — ancak bağlılık ve doz-yanıt, bağlayıcı kısıt dersini doğrudan örneklendirir.

  • Uzman insan özel öğretimine istatistiksel denklik. 2.383 yetişkinden 2.469 oturum boyunca, havuzlanmış YZ destekli özel öğretim, GRE öğrenme kazanımlarında canlı birebir uzman insan özel öğretimine eşit çıktı (p=.015, ±0,25-SS sınırlarına karşı; ayarlanmış fark −0,58 yüzde puanı) ve her ikisi bir video kontrolünü yaklaşık altı puanla geçti; on iki özel öğretmenden altısı bireysel denklik testlerini geçti, Gemma 4 31B insan kazanımlarına yüzde puan başına 918 kat daha düşük maliyetle eşleşti (Northcutt ve ark. (2026)).

  • İstek metni temelli mikro-kişiselleştirme (2026): Basu, Kakar & Goel (2026), Jill Watson Büyük Dil Modelleri (LLM)/RAG (Alım Artırımlı Üretim) öğretim yardımcısını bireysel sorular düzeyinde tamamen istek metni mühendisliğiyle kişiselleştirir — yanıtları altı öğrenen boyutuna göre koşullayarak (üstbilişsel Öz Değerlendirme, soyutlama, sözcük çeşitliliği, algı, işleme, anlama) ve her sorgunun bilişsel talebini bir Bloom Taksonomisi sınıflandırıcıyla sınıflandırarak, model yeniden eğitimi olmadan 96 öğrenen profili üretir. 2.910 yanıt üzerine NLP analizi ve bir insan çalışması, amaçlanan etkilerle uyumlu yanıt soyutlamasında, sözcük çeşitliliğinde, karmaşıklıkta ve işleme tarzında ölçülebilir, algılanabilir farklar buldu. Bu, konuşlandırılmış bir özel öğretmende uyarlanabilir davranışa ölçeklenebilir, modüler bir yol olarak yanıt-biçimi (içerik değil) uyarlamasını gösterir.

AÖS üzerine temel kavramlar

Tarihsel bağlam

AÖS alanı dönüm noktası sistemler (Cognitive Tutors, Andes, AutoTutor) üretmiştir ve gelişmeye devam etmektedir. Zerkouk ve ark.’nın kapsamlı AÖS derlemesi bu evrimi kataloglar. Yapılandırılmış AÖS ile açık uçlu LLM özel öğretimi arasındaki gerginlik, doğru yanıt tuzağı araştırmasında ve LLM özel öğretmenleri için iskelelemenin yeniden düşünülmesinde incelenir.

LLM’lerle YZ destekli özel öğretim: pratik rehberlik

YZ özel öğretmenlerini konuşlandıran eğitimciler ve onları inşa eden geliştiriciler için, bilgi tabanının bulguları somut uygulamaya dönüşür:

Özel öğretmenleri yalnızca çözmeye göre değil, öğretip öğretmediklerine göre değerlendirin. Çözme liderlik tablosunun tepesinde yer alan bir model mutlaka iyi bir özel öğretmen değildir — görev çözme yeteneği ile öğrenmeyi destekleyen davranış yalnızca kısmen ilişkilidir (r ≈ 0,42) ve çeşitli modeller pedagojiye göre puanlandığında sıralamayı değiştirir. Çözme ve pedagoji puanlarını ayrı ayrı bildirin ve inceleyin ve hızlı yanıtlar üretenlere göre yönlendirici sorular, ayarlanmış ipuçları ve ifşa etmeyen iskeleleme üzerine puan alan özel öğretmenleri önceliklendirin. (Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact) (Methodologies for Improving the Quality of AI Tutoring in K-12 Education)

  • Pedagojik kalite, öğrenmenin kanıtı değil bir tabandır. Alanı beş aşamalı bir döngü — öğrenen durumu çıkarımı, pedagojik eylem, özel öğretmen eğitimi, değerlendirme ve öğrenci simülasyonu — olarak kodlayan 88 LLM özel öğretim çalışmasının yapılandırılmış bir denetimi, pedagojik değerlendirmenin yaygın olduğunu (88’den 77’si) ama insan öğrenme kazanımını yalnızca 10 çalışmada, aktarmayı ya da gecikmeli hatırlamayı ise bir tek çalışmada bulmuştur (Adak ve ark. (2026)).

  • Geniş disiplinli bir rasgele deneme, iyi temellendirilmiş bir özel öğretmenden olumsuz etkiler buldu. Liu ve ark. (2026), 13 blok ve bir ABD devlet üniversitesinin 12 okulundan 11’ine 2.379 lisans öğrencisini ve 30 öğretmenini, her öğretmenin kendi ders materyalleri üzerinde erişimli bir GPT-4o özel öğretmenine erişime rasgele ayırdı; slaytlara ve ders-video zaman damgalarına atıflarla LMS’e gömülü. Tam eşleşme örnekleminde — aynı dersin bölümlerinde — erişim, final notlarını 4,12 puan (0,37 SS) ve GPA ölçekli harf notlarını 0,13 SS düşürdü; tüm örneklemde anlamlı bir başarı etkisi yoktu; etkileşim her iki örneklemde de düştü (kaydedilen katılımlar −0,90 SS, aktif günler −0,51 ila −0,61 SS). Muamele grubundaki öğrencilerin yalnızca yaklaşık %15’i aracı kullandı ve kullanıcılar ortalama yaklaşık dört oturum yaptı, ancak sınıf düzeyinde davranışsal farklar büyüktü ve sınıflanan 3.460 isteğin %73,8’i doğrudan yanıt isteğiydi, öğrencinin kendi denemesi üzerine çalışma veya geri bildirimden çok. Yazarlar bunu teknik-öğretimsel bütünleşme boşluğu olarak okur: muamele grubunda hiçbir öğretmen aracı ödevlere bütünleştirmediğini bildirmedi ve çoğu onu varsayılan doğrudan öğretim kipinde bıraktı; böylece kurs temellendirmesi ve kolay erişim verimli kullanım üretmedi.

Sıklık için değil, pedagojik yapı için tasarlayın. YZ destekli özel öğretimin eğitimsel ödülü, aracın nasıl kullanılıp tasarlandığına bağlıdır, ne sıklıkta kullanıldığına değil. Kurs hedeflerine, öğrenen yeterliliğine ve derlenmiş bir bilgi tabanına kapsamlı öğretmen tasarımlı özel öğretmenler, yapılandırılmamış genel amaçlı sohbet robotu kullanımını geride bırakır. (Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory) Önceden kaydedilmiş bir rasgele saha deneyi, bu iddiayı YZ’siz bir temel değil, gerçekçi alternatife karşı test etti: çevrimiçi-MBA kurumsal finans modülündeki 86 öğrenci, modülün kendi derslerine, okumalarına ve problem kümelerine dayalı bir özel öğretmene veya standart kaynakları koruyup tüketici YZ’sini serbestçe erişilebilir tutan bir bekletme grubuna atandı; özel öğretim alan öğrenciler 55 üzerinden 6,63 puan daha fazla kazandı (%95 GA [+1,95, +11,31], p = .007), ilişkisel kalite veya üzerindeki kısa yazılı yanıtların payı ise %8’den %49’a yükseldi (%8’den %27’ye karşılık). Kanal sıfır marjıydı — ses etkileşim yoğunluğunu neredeyse ikiye katladı ve sunumu 2,8 kat daha pahalıydı, ancak haftalık ustalık 11 üzerinden −0,01 puanla farklıydı (p = .98) — bu, sunum biçimini bir öğrenme teknolojisinden çok bir benimseme ve etkileşim kaldıracı yapar. Bekletme grubu farkı da kapatmadı: harici YZ kullandığını bildiren dokuz öğrenci, hiç kullanmadığını bildiren sekiz öğrenciden daha fazla kazanmadı (55’in +10,3’üne karşılık +12,8, p = .45).

İyileştirmeyi sürdürmek için yinelemeli canlı değerlendirme kullanın. LLM’ler opak olduğundan, değerlendirmeyi iyileşmenin motoru olarak ele alın: küçük bir kalite ve etkileşim metriği kümesini ölçün, modeller, istek metni, kişiselleştirme ve ajanlar üzerinde canlı deneyler yürütün ve verinin değişiklikleri yönlendirmesine izin verin — Khan Academy’nin K-12 özel öğretmenine (Khanmigo) uyguladığı aynı disiplin. (Methodologies for Improving the Quality of AI Tutoring in K-12 Education)

Öğrenenin özerkliğini, yetkinliğini ve ilişkiselliğini destekleyin. YZ özel öğretmenleri, bir yanıt makinesinden çok güvenli, yapılandırılmış bir pratik alanı gibi hissettiğinde en iyi şekilde çalışır. Anında, yargılamayan Geri Bildirim sağlayın; yetkinliğin erişilebilir olması için özel öğretmeni öğrenenin düzeyine kapsamlandırın; ve öğrenen etkisini, özel öğretmeni diğer öğretimin bir tamamlayıcısı (ikamesi değil) olarak tutarak koruyun. (Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory)

Yanıt ifşasına karşı korunun. LLM özel öğretiminin merkezi başarısızlık kipi yanıtı vermektir; bu, anlık performansı şişirirken kalıcı öğrenmeyi baltalar. Sokratik istek metinleri, ayarlanmış ipuçları ve ifşa etmeyen iskeleleme kullanın — ve sonuçları araç içi performansta değil, yardımsız, aktarım görevlerinde ölçün. (Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact) (Sokratik Yöntem)

Teşhisi geri bildirimden ayırın. LLM özel öğretmenleri doğru adımları güvenilir biçimde onaylar ama geçerli-ama-ikinci-iyi muhakemeyi aşırı reddeder ve yanlış çözümleri aşırı doğrular — ve isabetli teşhis, uygulanabilir geri bildirimi güvenilir biçimde sağlamaz. (Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most) Bağlantı ters yönde de keser: Reddig ve ark. (2025), GPT-4’ün bir hatayı yanlış teşhis ettikten sonra bile yanıtları ilgili, genel-ama-doğru bir biçimde ~%74 oranında (kavramı veya beklenen yanıt biçimini yeniden ifade ederek) kaleme aldığını, ancak olgusal olarak yanlış geri bildirimin neredeyse tamamının yanlış bir teşhisi izlediğini buldu — böylece hata kimliklendirmesi, uygulanabilir özel öğretimin özü olmaya devam eder. Hibrit bir mimari en iyi şekilde çalışır: çözüm teşhisini bilgi temelli bir sınıflandırıcıya bırakırken LLM’yi açık uçlu iskeleleme ve diyaloga odaklayın.

  • Adillik denetimi, özel öğretmen değerlendirmesinin bir parçası haline geliyor. EduFair-Bench, taklit öğrenciyi sabit tutar ve yalnızca demografik nitelikleri değiştirerek özel öğretim kalitesinin öğrenenler boyunca tek düze olmadığını ve ödül ayarlamalı pedagojinin bu farkları otomatik olarak ortadan kaldırmadığını gösterir (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics).

  • Daha fazla iskeleleme ve daha fazla bağlam otomatik olarak daha iyi değildir. 132 giriş seviyesi Python öğrencisiyle yürütülen bir 2×2 rasgele deneme, yalnızca sistem istek metni ve sağlanan bağlamda farklılaşan dört GPT-4o öğretim yardımcısını karşılaştırdı; tam problem bağlamına sahip Sokratik yardımcı — pedagojik sezgiye en yakın yapılandırma — diğer üçüne göre görev tamamlamayı anlamlı biçimde daha az destekleyici olarak değerlendirildi (ortalama sıra 48,63, μ = 3,53) (χ²(3) = 12,14, p = .007). Sokratik koşullar daha fazla sorgu gönderdi (bağlam olmadan problem başına μ = 11,1), bağlamsız öğrenciler ise daha uzun iletiler yazarak bağlamsal işi kendileri yaptı; ve tam anlama sonrası açıklamaların en düşük payı (%48) ile en yüksek harici LLM kullanımı (%23) de Sokratik + Tam Bağlam koşuluna düştü (Eastwood ve ark. 2026).

İlişkisel yoğunluk spektrumu olarak YZ destekli özel öğretim

Stanford SCALE / NSSA brifinginden (Turano ve ark. 2026) birleştirici bir bakış açısı, YZ destekli özel öğretimi bir tek parça değil, öğrenci ile özel öğretmen arasındaki insan bağlantısının derinliği ve tutarlılığı olan ilişkisel yoğunluk ile tanımlanan bir spektrum olarak yeniden çerçeveler. Brifing, modelleri tamamen insan yönlendirmeli özel öğretimden (yüz yüze veya uzaktan), YZ desteğiyle insan yönlendirmeli (YZ sahne arkasında özel öğretmene yardım eder) ve insan desteğiyle YZ yönlendirmeli (bir insan gözetler ve müdahale eder), yalnızca YZ özel öğretimine (doğrudan insan gözetimi yok) kadar eşler. Merkezi bulgu: doğrudan insan ilişkileri azaldıkça kanıt tabanı incelir ve öğrenci güvenliği, gelişimsel etki ve uzun vadeli etkililik hakkında çözülmemiş sorular birikir.

  • YZ, yüksek etkili özel öğretimi değiştirmez, destekler. Brifingin çekirdek mesajı, YZ’nin en iyi şekilde, yüksek etkili özel öğretimin içinde özel öğretmen etkililiğini ve eğitimci kapasitesini güçlendirmek için kullanılmasıdır (düzenli okul günü oturumları, ≤ 1:4 küçük grup oranları, iyi eğitimli tutarlı özel öğretmenler, veri yönlendirmeli öğretim, onaylanmış materyaller, güçlü öğrenci-özel öğretmen ilişkileri) — öğrenme kazanımlarını yönlendiren insan yönlendirmeli ilişkinin yerine geçmek değil. Bu, bilgi tabanının pedagojik olarak tasarlanmış YZ özel öğretmenlerinin genel amaçlı sohbet robotlarını geride bıraktığına dair daha geniş bulgusuna uygundur (Stanford kanıt tabanı, şemsiye derleme).
  • Doz, model yeteneği değil, bağlayıcı kısıttır. Brifing, YZ yönlendirmeli özel öğretimin doz kanıt tabanını (~haftada 90 dakika) yalnızca okul günü içinde planlandığında, denetlendiğinde ve korunduğunda devraldığını bildirir; tamamlayıcı bir matematik platformundaki 181.000 öğrenci üzerine yürütülen bir çalışmada yalnızca %5’i önerilen dakikalara ulaştı ve %41’i hiç giriş yapmadı; öğretmen/okul/ilçe faktörleri kullanım varyansının %57’sini açıklıyor. Bu, yukarıdaki saha deneyi kanıtlarıyla (Khanmigo, NUMI) birleşir: etkileşim ve bütünleşme, ham yetenek değil, YZ destekli özel öğretimin yardımcı olup olmadığını belirler.
  • İnsan gözetimi etkileşimi ve hizalamayı iyileştirir ama dozu değil. Brifingin RCT’leri, insan devreye girişlerinin ilkokul öğrencilerinin bir YZ platformuyla etkileşimini artırdığını ancak kazanımlarla ilişkili doza ulaşmadığını ve okuma başarısını iyileştirmediğini buldu. Pratik çıkarım: YZ destekli özel öğretimi insan yönlendirmeli özel öğretimle aynı koşullarda planlayın ve denetleyin ve etkileşimin uygulanması için tasarım yapın — cihaz üstü bir YZ özel öğretmeninin yeniden getirdiği katılım zorunluluğu, canlı okul günü özel öğretiminin ortadan kaldırdığı şeydir.
  • İlişki, indirgenemez öğedir. Brifing, YZ’nin henüz insan ilişkilerini taklit etmediğini ve ilişki kurmanın (özellikle tutarlı özel öğretmen-öğrenci eşleştirmeleri) etkileşimi, devamı, motivasyonu ve sonuçları iyileştirdiğini vurgular. Geliştiriciler, ilişkilerin yerine YZ’nin güçlü yönlerini kullanmayı tarif eder — SafeTutors ve duygusal özel öğretim araştırmasında yankılanan bir tasarım duruşu.
  • Güvenlik ve gizlilik, pazarlığa kapalı koruyucu sınırlardır. Doğrudan öğrenciye yönelik YZ için brifing, katı öğrenci verisi gizliliği korumaları, Güvenlik Rayları öğrenci güvenliği üzerine ve denetimsiz etkileşimin derinliğine dikkat talep eder — YZ eşlikçilerinin gelişmekte olan zihinler ve sosyal yararcı gelişim üzerindeki etkileri hakkında açık sorular kalmaktadır.

Bu ilişkisel yoğunluk çerçevesi, alana karşı "tek parça değil" karşıtıdır: herhangi bir YZ özel öğretmenini değerlendirmek, "YZ destekli özel öğretim işe yarıyor mu" sorusunu soyut olarak sormaktan ziyade, etkili özel öğretimin hangi koşullarını yeniden ürettiğini, değiştirdiğini veya düşürdüğünü sormakla başlamalıdır. Brifingin insan yönlendirmeli temeli de tümüyle yok olabilir: Kwara Eyaleti’ndeki üç öğretmen okulunda altı haftalık ön-test/son-test çalışması, 240 teknik-eğitim öğrencisine Nijerya teknik müfredatları üzerine ince ayarlanmış yerelleştirilmiş bir özel öğretmen verdi ve 120 geleneksel öğretim gören akranın yaklaşık iki katı pratik beceri kazancı bildirdi. Oradaki uygulamalar günlerce gecikmeli geri bildirimle 100:1’in üzerinde öğrenci-öğretim görevlisi oranlarında yürüdü; böylece yazarların gerekçesi destekleme değil, kıt öğretim kadrosu için eşitlikçi ikame idi — özel öğretmeni bol insan özel öğretimine bir tamamlayıcı değil, kırsal okullar için bir kapasite sübvansiyonu olarak konumlandırır. İki tasarım tercihi uygulayıcı dersini taşır: özel öğretmen bir hatayı yalnızca işaretlemek yerine açıklar ve bir "Açıkla" özelliği teknik terimleri Yoruba veya Nupe dilinde yeniden ifade ederek yalnızca bilgi durumuna değil öğrenenin dil bağlamına uyum sağlar; ipuçları yanıtlar yerine ve güvenle başarısız olunabilen bir alan, YZ destekli grubun çoğunda bildirilen özgüven artışına paye verilir, kontrollerin yarısından azında değil. Kanıt yalnızca gösterge niteliğindedir — etki büyüklüğü yok, adı anılmayan bir temel model, öz-bildirimli özgüven — ancak brifingin açık bıraktığı sınırı, YZ’nin yok öğretim kapasitesinin yerine geçmekten sorumlu tutulduğu ortamı işaretler. Bu, özel öğretim sayfasını K-12 politikasına (Eğitimde YZ Politikası), Gizlilik, Pedagojik Güvenlik ve tümünde insan-çevrimiçi kaygılara bağlar (Impact of real-time AI feedback on the technical skill acquisition of STEM students in Colleges of Education in Kwara State).

Pratik tasarım ve geliştirme rehberliği

Yalnızca performans için değil, öğrenme için tasarlayın. En güçlü nedensel bulgu, korumasız YZ özel öğretmenlerinin yardımlı pratik performansını yükseltip yardımsız öğrenmeyi azalttığıdır — performans–öğrenme boşluğu. Yanıt kopyalamaya karşı yanıt yerine ipuçları iskeleyeleyerek koruma sağlayın (çıktıyı ortaya çıkarmadan önce öğrenci denemesi isteyin) ve kazanımları araç içi performansta değil, yardımsız, kitapsız ölçülerde doğrulayın. (Generative AI without guardrails can harm learning: Evidence from high school mathematics) (Distinguishing performance gains from learning when using generative AI)

İpuçlarını gerçekten verimli, atlanabilir değil yapın. Klasik ipucu tasarımları, öğrenmeyi atlayan "düğmeyle geçme" stratejilerini mümkün kılabilir. Doğrudan bir sonraki yanıtı sunan ipuçlarına göre muhakeme adımlarını artımlı olarak ortaya çıkaran ipuçlarını (Sokratik istek metinleri) tercih edin ve aşırı yardım etmek yerine verimli mücadeleyi koruyun. (Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems) (Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)

İnsanı döngüde tutun. Öğretmenlerin özel öğretmenin dayandığı problem kümelerini ve yanlış kanı istek metinlerini kaleme almasına veya derlemesine izin verin ve özel öğretmenin muhakemesini yüzeye çıkararak kararlarını denetlenebilir kılın. Yorumlanabilir Bilgi İzleme ve açık, harici didaktik katmanlar, LLM özel öğretmeni davranışını izlenebilir ve tekrarlanabilir kılar. (Interpretable Knowledge Tracing) (A didactical-driven teacher assistant for a dimensional modeling course)

Diyalogu değil, öğreneni modelleyin. LLM diyaloğuna yapılandırılmış Öğrenen Modellemesi ve Uyarlanabilir Öğretim ve Bilgi İzleme bileşenlerini ekleyin; böylece sistem akıcı ama kör biçimde yanıt vermek yerine kanıttan zorluğu uyarlayabilir ve yanlış kanıları teşhis edebilir — kalite hem temel modele hem de onun nasıl uyarlandığına bağlıdır. (EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners)

Mümkün olduğunca açık araçlarla başlayın. Açık kaynak ajan temelli özel öğretim çerçeveleri (ör. DeepTutor: Towards Agentic Personalized Tutoring), inceleyebileceğiniz ve genişletebileceğiniz atıf temelli, zorluk ayarlı bir özel öğretmene giriş engelini düşürür. (DeepTutor: Towards Agentic Personalized Tutoring)

Bilgi bileşeni modelini öğrenme eğrilerine karşı denetleyin, sonra verinin gösterdiğinden yeniden tasarlayın. Bir sınıf çapraz çalışması, Huang ve ark.’nın veri güdümlü yeniden tasarım sürecini konuya göre değil, yeniden tasarım uygunluğuna göre seçilmiş bir ortaokul matematik AÖS’nin dört birimine uyguladı. DataShop’ta öğrenme eğrisi analizi, modellenmemiş bir enterpolasyon becerisi ve birleştirilmiş işaret taşıma durumları ortaya çıkardı; bu bilgi bileşenlerini ayırmak ve ustalaşılan adım atlamayla odaklı pratik eklemek, daha verimli görev süresi (38,9’e karşılık 31,6 aktif dakika, p < .001) ve aynı sınıf süresinde beş ek becerinin ustalaşmasını üretti — ancak öğrenme kazancı farkı yoktu. Boşluk, ince pratik dozuyla (her iki koşulda %70 AFM ustalığının altında) ve yeni ayrılmış beceride madde içermeyen bir son-testle açıklanır. Geliştiriciler için iki ders: son-testler yeni keşfedilen becerileri kapsamalı ve uyarlanabilir faydalar öğrencilerin fiilen aldığı pratikle sınırlıdır. (Evaluating a data-driven redesign process for intelligent tutoring systems)

Etkili özel öğretim sürekli uyarlama gerektirir: Zhang ve ark. (2026), LM özel öğretmenlerinin öğrenenlerin gelişen anlayışına öğretmen-notlu karar noktalarında uyum sağlayıp sağlamadığını değerlendirir. Sınır modellerinin aşırı yardımseverliğe yöneldiğini ve nadiren ciddiyet gerektirdiğini ve değerlendirme-farkında istek metinlerinin uyum yeteneğini iyileştirdiğini ama tümüyle çözmediğini bulurlar; her ek çıkmaz turu, sonraki turdaki toparlanma olasılığını %12,7 düşürdü ve sorgulama derinlikle değerini yitirdi (betikli soru × derinlik AOR = 0,78), oysa öğrencinin hatasını ele almak daha faydalı hale geldi (AOR = 1,14) — bir özel öğretmenin yalnızca yanıt saklaması değil, tırmanması da bir çıkmaz sürdükçe değişmelidir (Ahtisham ve ark. (2026)). Bu uyarlamanın RL güdümlü dalına sistematik bir bakış, 89 eğitimde RL çalışmasının derlemesinde klasik RL politikalarını derin RL’den daha tutarlı biçimde etkili bulan Riedmann, Schaper & Lugrin (2025)’den gelir; RL uyarlamasının yönlendirme ile ilgili görevlerde (ipuçları, Geri Bildirim) içerik programlamasından sık sık anlamlı kazanımlar sağladığını bularlar — bir AÖS’nin iskelelemeyi nasıl uyarladığının, hangi algoritmayı kullandığı kadar önemli olduğuna dair kanıt.

  • Bilişsel etkileşimin türünü uyarlamak, yalnızca yoğunluğunu değil. Tithi ve ark. (2026), zorluğu sabit tutup çözümlü örnek biçimini — yönlendirilmiş (aktif) veya hatalı (yapıcı) — bir BKT kuralı ve derin-RL politikası aracılığıyla değiştirdi; her ikisi de rasgele atamayı geçti (son-test 72,3 ve 72,5’e karşılık 65,7).

  • Aldatıcı aşırı genelleme (An ve ark. 2026), AÖS hakimiyet durdurma kurallarının (BKT, %95 eşiği) öğrenenlerin bir beceriyi ne zaman geri tutacaklarını öğrenmeden önce pratiği bitirebileceğini gösterir: aşırı genelleme yapan öğrenciler, ilk "eyleme geçme" maddelerinde eylemleri %61,5–%100 oranında yanlış uyguladı ve kısıtlama adlandıran Geri Bildirim ile hedefli geri tutma pratiği bunu taban seviyesine yakın bir düzeye indirdi. Doğruluğa dayalı hakimiyet çıkarımı, AÖS uyum yeteneği için gerekli ama yeterli değildir.

  • Dinamik alanlar için grafik temelli AÖS. Grafik temelli bir akıllı özel öğretim sistemi, Evolving Knowledge Space Graph’i üretici YZ içerik yaratımı ve Bayesçi bilgi yayılımıyla birleştirir — en yüksek bilgi kazanımlarını göstererek — dinamik müfredatlarda uyarlanabilir öğrenmeyi destekler.

  • Prosedürel alanlar için kural bütünleşik LLM özel öğretimi. Looi, Liu ve Sun (2026), ilkokul matematiğinde LLM özel öğretmenlerinin tutarsızlığı ve pedagojik opaklığını, teşhis → niyet seçimi → kısıtlı yanıt üretimi üç katmanlı mimarının etrafında düzenlenmiş kural yönlendirmeli bir sistem üzerine tasarım bilimi çalışmasıyla ele alır. Kural yönlendirmeli iskeleleme (denetlenebilir, tekrarlanabilir kurallarla yönetilen) ile ihtiyaca göre iskeleleme (denetlenmesi veya tekrarlanması zor yardımcı hamleler) arasındaki ayrımı resmîleştirirler. Kişilik tabanlı taklit diyaloglar ve 40 beşinci sınıf öğrencisiyle sınıf içi pilot aracılığıyla değerlendirilen kural yönlendirmeli iskeleleme, etkileşimsel tutarlılığı iyileştirdi, erken yanıt verme ve erken kapanışı azalttı ve bilişsel etkileşimi sürdürdü — oysa sınıf içi pilot, Simülasyon’ın gözden kaçırdığı etkileşimsel karmaşıklıkları, parçalanmış girdileri ve dikkat dalgalanmalarını yüzeye çıkardı. Bu, iyi tanımlı prosedürel alanlarda Büyük Dil Modelleri (LLM) özel öğretmenleri koruyucu sınırlara almak için somut bir plan.

  • Çok ajanlı özel öğretim ve otomatik değerlendirme. Çok ajanlı özel öğretim sistemleri, sentetik, iz temelli değerlendirmeyle kıyaslanmaktadır. ASTRA, sosyal olarak farklılaştırılmış ajanlarla yalnız-öğretmen, ikili-öğretmen ve ikili-çokajanlı yapılandırmaları destekler ve giriş seviyesi programlamada etkileşimin ve katılım dengesinin tekrarlanabilir analizini mümkün kılar. Paralel olarak, bağlam-farkında istek metinleri, süreç verisinden işbirlikçi problem çözme becerilerinin kodlanmasını otomatikleştirerek geniş ölçekli özel öğretim değerlendirmesini destekler.

  • Yalnızca öğrenen performansı için değil, öğrenenin değerleriyle tasarlayın. Gelişimsel matematikte topluluk kolej öğrencileri ve öğretmenleriyle Değere Duyarlı Tasarım çalışması, AÖS’nin etik boyutlarının ayrılamaz eklemeler olmadığını gösterir: öğrencileri ve öğretmenleri doğrudan dahil etmek, açıklanabilirlik (anlama kontrolü yorumu, öğrenme yolu bağlantısı, modelin güvenini iletmek), öğrenen kontrolü (yeniden değerlendirme, gözden geçirme, hız ve YZ yardımı düzeyi üzerinde kontrol) ve Gizlilik (veri yeniden amaçlama kontrolü, öğrenme analitiği ve duygusal durumları paylaşmak için izin istemleri) alanlarında 16 değer-hizalanmış özellik üretti. Çalışma, kalıcı bir tasarım gerginliğini — öğrenen etkisi karşı sistem yönlendirmeli iskeleleme — çerçeveler ve çoğu kurumun uyarlanabilir özel öğretimi tümüyle devre dışı bıraktığını not eder; böylece değer-farkında tasarım ayrıca AÖS YZ yeteneklerinin fiilen nasıl (ve nasıl olursa olsun) konuşlandırıldığına bağlıdır.

  • Öğretilebilir ajanlar ve etkisizleşmiş diyalogun sınıflandırılması: Rho ve ark. (2026), Math Nation’da (Cebir ve Geometri) bir GPT-4-Turbo öğretilebilir ajanı çalıştırdı; öğrenciler iki çözümlü yanıttan hangisinde bir yanlış kanı bulunduğunu belirledi, düzeltmeyi gerekçelendirdi ve ajanı öğretti — açıklama kalitesini puanlayan ayrı bir akran ajanlı öğrenerek öğretme yapısı. Açılan 6.933 problem ve kaydedilen 22.143 etkileşim üzerine, altı kategorili bir diyalog-etkisizleşmesi sınıflandırıcı kurdular (insan-çevrimiçi: 1,682 notlu ifade, ince ayarlı LLaMA 3, ağırlıklı F1 = 0,910, modele karşı insan κ = 0,624) ve onu 246 ortaokul öğrencisini incelemek için kullandılar. Yöntemsel katkı bulgu kadar önemlidir: bir sınıflandırıcı derlemin çoğunu etiketlediğinde, yaygınlık sonuçları insan notlu alt kümeye karşı zorlanmalıdır — ve burada manşet ilişki (daha yüksek son-test öngören Yanlış Yanıtlama ve Alay Etme) tam bu test altında buharlaştı.

Bağlı kavramlar

Bağlı makaleler

Bağlı SSS

Bağlı kaynaklar

  • DeepTutor
    DeepTutor ajan temelli özel ders çerçevesinin açık kaynaklı sürümü: özel ders, soru üretimi, ustalık çalışması, araştırma ve görselleştirme için tek bir çalışma alanı, incelenebilir öğrenen belleğiyle.
  • OpenMAIC
    MAIC’in açık kaynak sürümü: bir konuyu veya belgeyi slaytlara, sınavlara, etkileşimli simülasyonlara ve proje tabanlı etkinliklere dönüştüren, YZ öğretmenleri ve sınıf arkadaşları tarafından sunulan çok ajanlı bir sınıf.

Üst veri

DisiplinStem Education
SeviyeHigher Ed, K 12
Öğrenme ve öğretimİskeleleme (Scaffolding)
Teknolojiler ve tekniklerUyarlanabilir Öğrenme, Akıllı Özel Öğretim, Bilgi İzleme, Öğrenen Modellemesi ve Uyarlanabilir Öğretim
Değerlendirme ve ölçmeGeri Bildirim
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.