Öğrenme Tasarımı

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

Öğrenme Tasarımı (öğretim tasarımı olarak da bilinir) — öğrenme gereksinimlerinin analizi ile öğretim materyalleri ve etkinliklerinin tasarımı, geliştirilmesi, uygulanması ve değerlendirilmesi yoluyla etkili öğrenme deneyimleri yaratmanın sistematik süreci. YZ, içerik üretimini otomatikleştirerek, uyarlanabilir öğrenme yollarını mümkün kılarak, veri kaynaklı yinelemeyi destekleyerek ve öğretim tasarımcısının rolünü değiştirmekten çok güçlendirerek öğrenme tasarımını dönüştürmektedir.

Dikkate Alınması Gereken Sorular

• Deneyimlediğiniz ya da tasarladığınız bir kursu ya da dersi düşünün. “Ne öğretileceği” (öğretim programı) nerede bitiyor, “nasıl öğretileceği” (öğrenme tasarımı) nerede başlıyor — ve ikisi nasıl etkileşti?
• Yaygın bir varsayım, daha iyi YZ akıcılığının otomatik olarak daha iyi eğitim içeriği ürettiğidir. Sayfa, bunu, öğrenme etkililiğini belirleyen şeyin YZ akıcılığı değil, açık pedagojik yapı olduğuna dair kanıtlarla karşılar. Öğretmeyi başaramayan etkileyici çıktıları nerede gördünüz?
• Bir YZ aracı tek bir istek metninden tam bir kurs üretebiliyorsa, hangi insan kararları daha az değil daha çok önem kazanır? Sayfa, YZ’nin öğretim tasarımcısının rolünü değiştirmekten çok güçlendirdiğini savunuyor — bu güçlendirilmiş rol nasıl görünürdü?
• ADDIE gibi bazı öğretim tasarımı modelleri katı, doğrusal adımlar olarak kullanılır. Oysa sayfa bunları yinelemeli, esnek planlama sezgisel kuralları olarak ele alır. Bir süreç fazla kelimesi kelimesine izlendiğinde iyi tasarım ne zaman zarar görebilir?
• Sayfa, pedagojik temelli istek metni yazmanın — örneğin öğrenme kuramına dayalı beş adımlı bir çerçevenin — üst düzey sonuçları belirgin biçimde iyileştirdiğini gösteriyor. Bir YZ mentoru kuruyor olsanız, öğretme stratejisini izlenebilir ve yeniden üretilebilir kalması için açık bir tasarım katmanına ne kodlardınız?

Giriş

Öğrenme tasarımı, YZ yetenekleri ile etkili pedagoji arasında köprü kurar. Müfredat Tasarımı program düzeyinde ne öğretileceğini eleştirirken, öğrenme tasarımı kurs ve ders düzeyinde nasıl öğretileceğini ele alır. Bu bilgi tabanındaki makaleler hem öğrenme tasarımcıları için bir araç olarak YZ’yi hem de etkili YZ mentorluğu sistemleri kurmak için öğrenme tasarımı ilkelerini inceler.

Bu tasarım işinin pratikte neleri içerdiği de kendisi ampirik bir sorudur. Tang ve ark. (2026), bir tasarım aracına gömülü sohbet robotuyla çalışan beş acemi öğrenme tasarımcısının 1.378 tasarımcı-sohbet robotu dönüşünü kodladı ve diyalogun içerik üretiminden çok amaçlanan öğrenme sonuçları ve pedagojik yaklaşım üzerinde kümelendiğini buldu. Tasarımcılar, öğretim programı bileşenlerini somut görevlere dönüştürürken hizalama denetimi olarak sonuçlara tekrar tekrar döndü ve yardımcının rolü aşamalar boyunca değişti: terimleri netleştirmekten görev tasarımını desteklemeye, bir teslim tarihinden önce doğrulama turu yürütmeye geçti. Bu kanıta göre tasarım desteği, materyal üretmekten çok tasarım niyetini tutarlı tutmakla ilgilidir.

Öğrenme analitiği ve üretken YZ, tasarımın farklı bölümlerini destekler: bir Avustralya üniversitesindeki 11 odak grubunda analitik söylemi en çok bağlam ve kurs düzeyinde problem çözmeyle birlikte göründü (0,32), oysa GenAI söylemi değerlendirme tasarımı (0,26) ve öğrencinin özbelirlemesi için tasarım (0,15) üzerinde yoğunlaştı (Claassen ve ark. (2026)).

Temel araştırma temaları

YZ destekli içerik üretimi, en doğrudan dönüştürücü uygulamadır. Curriculum as Code, üretken YZ’yi LaTeX ve Python ile bütünleştirerek STEM materyali üretimini otomatikleştiren altı aşamalı bir mimari sunar; 8 modül ve 28 proje bağlamında doğrulanmış ve öğrenci kalite puanları 8,5-9,9/10 olmuştur. Instructional Agents, rol temelli aracıların (Öğretim Kadrosu, Öğretim Tasarımcısı, Kurs Koordinatörü) eksiksiz kurs materyalleri üretmek için işbirliği ettiği, ADDIE modeli çevresinde yapılandırılmış çok aracılı bir çerçeve kullanır. CourseBlueprint, kurs derlemlerine dayalı uyarlanabilir pedagojik video üretimi için yapılandırılmış bir hat sunar ve eğitim içeriği üretiminde yalnızca YZ akıcılığı değil, açık pedagojik yapının gerekli olduğunu gösterir. Üretken YZ platformları, ürettikleri içerikte öğrenme tasarımı ilkelerini de somutlaştırabilir: matematiksel modelleme problemleri üreten bir YZ destekli platform, kurulmuş tasarım ilkelerini erişimle güçlendirilmiş üretim ile birleştirdi; geleneksel içerik üreticilerde bulunmayan, pedagojik temelli görevler ve öneriler üretmek üzere ADDIE yaklaşımıyla geliştirildi. Yine de bu tür YZ destekli içerik ve ders üretiminin getirisi, öğretmenin kendi uzmanlığıyla belirlenir: Choi ve ark. (2026), deneyimli öğretmenlerin YZ üretimli ders fikirlerini öğrencilere ve bağlama göre eleştirel biçimde uyarladığını (yeniden istek metni yazarak ve çıktıyı derinleştirerek), acemilerin ise YZ önerilerini doğrudan kabul etme eğiliminde olduğunu buldu — dolayısıyla YZ içerik araçlarının pedagojik değeri aracın tek başına değil, öğretmenin deneyimi ve YZ yeterliliğine bağlıdır. öğretmen–YZ öğrenme görevi ortak tasarımı (Wang, Liu & Islam 2026) üzerine sistematik bir derleme, örüntüyü 28 çalışma boyunca (2015–2025) ölçekli olarak doğrular: GenAI başlıca ders planlama, istek metni üretimi ve yaratıcı fikir üretimi için kullanılır ve baskın işbirliği kipi, daha bütüncül bir ortak tasarımcıdan çok yardımcı/içerik üreticisi olarak YZ’dir — verimlilik, duyarlılık, Yaratıcılık ve eşitlik yinelenen olanak sağlayıcılar olarak öne çıkar. Talebzadeh (2026), öğretmen uzmanlığı bulgusunu grup etkinliği tasarımı için keskinleştirir: deneyimli öğretmenler, YZ tanıdıklığı ne olursa olsun, acemilerden YZ tasarımlı işbirlikçi etkinliklerde daha zengin, daha bütünleştirici ve ZPY’ye daha iyi hizalanmış rol mimarileri üretir ve YZ çıktısını etkili ayrıştırılmış grup öğrenmesine dönüştüren kaldıraç olarak “pedagojik istek metni okuryazarlığı”nı çerçeveler.

Üretilen materyallerin yetersiz kaldığı yer öğretim programına uyumdur: yedi matematik öğretmeni, YZ üretimli verimli başarısızlık problemlerini genel kalitede insan yapımı olanlara yakın puanladı (25 üzerinden M = 17,19’a karşı 17,43) ancak öğretim programı hizalamasında daha düşük puanladı (M = 2,57’ye karşı 3,29); bu nedenle üretilen problemlerin uzunluk, okuma düzeyi ve görseller için düzenlenmesi gerekti (Rhaimi ve ark. (2025)).

Pedagojik temelli YZ mentorluğu, öğretim tasarımı ilkelerini YZ sistem tasarımına uygular. Brisson ve ark., mentorluk stratejisinin açık bir dış katmanda kodlandığı, didaktik olarak yönlendirilmiş bir Büyük Dil Modelleri (LLM) öğretmen yardımcısı kurdu — içerik seçimini ve didaktik yapılandırmayı izlenebilir ve yeniden üretilebilir kılarak Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments’daki opaklık kaygılarını doğrudan ele alır. Hou ve ark., üretken Öğrenme Kuramı’na dayalı beş adımlı bir istek metni çerçevesinin üst düzey bilişsel sonuçları belirgin biçimde iyileştirdiğini göstererek, öğrenme etkililiğini belirleyen şeyin YZ erişimi değil, öğretimsel yönlendirme olduğunu ortaya koyar. Her ikisi de İskeleleme (Scaffolding) ve Akıllı Özel Öğretim’e bağlanır.

Çerçeveler ve değerlendirme yapılandırılmış yaklaşımlar sunar. WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators ve CoTAL, insan döngüde tasarım ilkelerini gösterir. Generative AI (GenAI) as a mindtool that supports generative learning (GL), YZ’yi “zihin aracı” olarak konumlandırır — öğrenen düşüncesini değiştirmekten çok genişleten bir bilişsel ortak — ve öğretim tasarımı kuramını YZ bütünleşmesine doğrudan uygular. LUDIA, eğitimciler için erişilebilir bir YZ düşünce ortağı yaratmak üzere Evrensel Öğrenme Tasarımı ilkelerini uygular ve öğretim tasarımını Kapsayıcı Öğrenme’a bağlar. AIRIS (Activate–Inquire–Reflect, Etkinleştir–Sorgula–Yansıt), bilişsel olarak etkinleştirilmiş YZ kullanımı için bir görev yapılandırma çerçevesidir; YZ’nin katkısını, tahmin, yorumlama ve değerlendirmenin öğrenende kalacağı biçimde sınırlar — Öz Düzenlemeli Öğrenme, Bilişsel Yük Kuramı ve İnsan–YZ İşbirliği’a dayanan sorgulama döngülerinin YZ’ye özgü bir uyarlaması. Bu tasarım çerçevelerini tamamlayan Dohn ve ark. (2026) taksonomisi, bir tasarım yöntemi değil bir sınıflandırma sunar: alt kategori (Öğrenme Hedefi, İçerik, Temsil Biçimi, Epistemik Angajman, Sosyal Tasarım, Yapıtlar) — tasarımcıların ve araştırmacıların, öğrenenlerin GenAI ile neden, ne, nasıl, neyle ve kiminle etkileşime girdiğini açık hale getirerek GenAI öğrenme etkinliklerini betimlemesine, karşılaştırmasına ve hayal etmesine olanak tanır; postdijital diyalog yoluyla bir sınır nesnesi olarak kurulmuştur. Akıllı sınıf çerçeveleri bunu öğretmen eğitimine genişletir: Zhu, Liang, Mao ve Wang (2026), akıllı eğitim için üç boyutlu bir çerçeve önerir — öğrenme etkililiği, bilgi ve iletişim teknolojisi (ICT) ve sınıf organizasyonu — ve bunu ders öncesi, ders içi ve ders sonrası aşamalarda otomatik puanlama, kişiselleştirilmiş öneriler ve çok yönlü YZ geri bildirimi bütünleştiren bir matematik yüksek lisans kursunda somutlaştırır. Yarı deneysel bir çalışma, öğrencilerin kesin, mesleki temelli öğretim hedefleri formüle etme yeteneğinde belirgin kazanımlar gösterdi ve aktarılabilir bir D-T-E Modeli (Disiplinsel Talep–Teknolojik Güçlendirme–Değerlendirme Döngüsü) ortaya çıkardı — akıllı eğitim kavramlarını pratik öğretim tasarımı uygulamasına taşıyan öğretmen eğitimcileri için disipline özgü yönlendirme.

Erişim için tasarım. Halani’nin yedi kaldıraçlı çerçevesi, her kurs ortamına öğrenci YZ ile yalnız kaldığında bunlardan hangilerinin hâlâ işlediğini sorar; notun neyi onayladığını değiştirmek ya da düşünme olmadan tamamlanamayacak görevler gibi yapısal hamleler, öğrencilere sürecin önemli olduğunu söylemekten daha uzağa erişir (Halani, 2026).

Aracı düşünmeyi koruyacak biçimde kısıtlayın. Dokuz haftalık bir argümantif yazma tasarımı, soru soran ve öğrenci metni üretmeyi reddeden öğretmen tarafından sınırlandırılmış sohbet robotlarını sıraladı ve dört lise öğrencisi pasif YZ tüketicisinden çıktılara karşı çıkan değerlendiricilere dönüştü — kazanımları izleyen şey sınırsız üretkenlik değil, stratejik kısıttı (Konradt, Boote & Taub (2026)).

Bir tasarım kaldıracı olarak rubrikle yönlendirilmiş istek metni. Yaşar ve ark. (2026), rubriğin insan pedagojik niyeti ile makine çıkarımı arasında aracı bir arayüz işlevi gördüğünü gösterdi: değerlendirme ölçütlerini sabit araçlar yerine gözden geçirilebilir tasarım yapıtları olarak ele almak ve LLM ile yinelemeli biçimde ortak inceltmek, öğrenci tasarım işleri üzerinde LLM–insan uyuşmasını %54,75’ten %81,25’e çıkardı. LLM’ler için tasarlanan rubrikler kesinlikle esneklik arasında denge kurmalıdır — çok belirsiz olması serbest yoruma davetiyedir, çok katı olması modeli örüntü eşleştirmeye indirger — ve role duyarlı istek metni (öğretim elemanı, akran değerlendirici, hibe değerlendirici) farklı değerlendirici geri bildirimler üretti. Bu durum, rubrik mühendisliğini YZ değerlendirme davranışını şekillendirmenin somut bir öğrenme tasarımı uygulaması olarak konumlandırır; insan döngüde gözetimi esasa ilişkin olmaya devam eder.

Öğretim tasarımı için YZ aracıları, alanı etken YZ’ye taşır. ISD-Agent-Bench, LLM temelli öğretim tasarımı aracılarını değerlendirmek için ilk standartlaşmış, kuram temelli kıyaslama ölçütüdür — 25.795 senaryoluk Bağlam Matrisi (ADDIE’den 51 bağlamsal değişken × 33 ISD alt adımı), klasik ISD çerçevelerine (ADDIE, Dick & Carey, Rapid Prototyping ISD) dayanan aracıların kuramdan yoksun aracıları geride bıraktığını göstererek öğretim tasarımının yapılandırılmış bir disiplin olduğunu, jenerik bir istek metni görevi olmadığını ampirik olarak doğrular. Araçlar tasarımların yalnızca yapıcıları değil, aynı zamanda eleştirmenleridir: Wang, Mitchell & Piech (2025), gerçek öğrenenler katılmadan önce bir öğrenme tasarımını değerlendirmek için çok adımlı bir çevrimiçi dersi bir öğrenci gibi dolaşan tek bir özerk web aracısı kullanır — öğrenci deneyimine dair betimlemesi, acemilerin nerede terk edeceğini öngörür ve eyleme dönüştürülebilir tasarım geri bildirimi sunar; genel bir CS1 kursunda her taban çizgisini ve hatta benzetilmiş bir öğrenci kohortunu geride bırakır. Bu durum, lansman öncesi etken değerlendirmeyi insan tasarım yinelemesine düşük maliyetli bir tamamlayıcı olarak çerçeveler. Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design ve Instructional Agents, öğretim tasarımı modelleri çevresinde rol temelli aracıları orkestre eden çok aracılı çerçeveleri incelerken AI-TPACK, öğretmenlerin ve aracıların teknolojik-pedagojik-içerik bilgisini birlikte nasıl uyguladığını inceler. Bu çalışma, öğretim tasarımını kıyaslama ölçütü, AIEd Değerlendirmesi ve ölçekte öğretim programı tasarımına bağlar.

İlgili kavramlarla bağlantılar

Öğrenme tasarımı, Eğitimde YZ’nin köprü disiplinidir — Müfredat Tasarımı (ne öğretileceği) ile İskeleleme (Scaffolding) (öğrenenleri nasıl destekleneceği), Eğitsel Gelişim (eğitimciler nasıl hazırlanacak) ve Üretici YZ (araçların kendileri) arasında bağlantı kurar. YZ araçlarının öğrenme tasarımcılarının ve öğretmenlerin ne yaptığını yeniden şekillendirmesi nedeniyle Öğretmenlik ile sıkı biçimde eşleşiktir ve etkili YZ bütünleşmesinin eğitimcilerin YZ yeteneklerini ve sınırlarını anlamasını gerektirmesi nedeniyle YZ Okuryazarlığı ile de öyledir. Tasarım işi nihai olarak bir etkinlik sırasına çözülür: pedagojik örüntüler denenmiş hamle sıralarını derler, böylece bir tasarımcı bir derste YZ’nin nereye ait olduğuna değil, yalnızca nelerin dahil edileceğine karar verebilir. Öğrenme bilimleri, bu ilkelerin arkasındaki araştırma alanıdır: bu sayfa öğrenme deneyimleri yaratmanın mesleki uygulamasını kapsarken, öğrenme bilimleri o uygulamayı ve tasarımlarını ampirik olarak inceler ve öğrenme tasarımının ardından işlevsel kıldığı bilişsel, motivasyonel ve sosyal ilkeleri üretir.

Öğrenme tasarımı öğrenme kazanımlarını nasıl belirler

Öğrenme tasarımı, YZ’nin öğrenme kazanımları mı yoksa yalnızca YZ ile şişirilmiş bir performans mı ürettiğine karar veren kaldıraçtır. Bilgi tabanının kanıtı bu konuda tutarlıdır: aynı YZ aracı, öğrenme deneyiminin çevresinde nasıl tasarlandığına bağlı olarak büyük kazanımlar ya da net zarar verir. Hou ve ark., öğrenme kuramına dayalı beş adımlı bir istek metni çerçevesinin üst düzey bilişsel sonuçları belirgin biçimde iyileştirdiğini, yalnızca YZ erişiminin ise iyileştirmediğini gösterdi; zihin aracı ve AIRIS çerçeveleri, öğrencinin bilişsel çabasını (görev verimliliği yerine) kalıcı kazanımlar sağlayacak biçimde korur. Öğrenme Kazanımları’i koruyan tasarım seçimleri — öğrenci denemesi gerektiren iskeleleme, yardımsız sonuç ölçüleriyle Biçimlendirici Değerlendirme ve öğrenenin etken olarak kalmasını sağlayan pedagojik yapı — alanın (bkz. Öğrenme Kazanımları) YZ’nin koçluk ettiğinde güçlü bir kazanım, yanıt verdiğinde bir zarar olduğu bulgusunu yansıtır. Tersine, kötü tasarlanmış YZ bütünleşmeli dersler, görünürdeki başarının hiçbir öğrenmeyi maskelemediği performans-öğrenme boşluğuna düşer.

Tasarımcılar ve geliştiriciler için pratik yönlendirme

Öğretim tasarımcıları, kurs geliştiricileri ve YZ destekli öğrenme deneyimleri kuran mühendisler için bilgi tabanının bulguları eyleme dönüştürülebilir uygulamaya çevrilir. Uygulamaların kendilerinden önce işaretlenmeye değer bir sınır: bu sayfanın betimlediği öğrenme tasarımı, bilinen bir kohort için bir kursun tasarımıdır; oysa tasarımcının asla tanışmayacağı kişilerce öğretilen, birçok kursun kullanacağı bir ürüne gömülen aynı ilkeler, varsayılanların, yapılandırılabilirliğin ve belgelendirmenin pedagojik ağırlık taşıdığı Eğitim Teknolojisi Geliştiricileri işidir:

YZ üretimini yapılandırılmış bir öğretim modeline dayandırın. YZ içeriği, arkasındaki pedagojik yapı kadar iyidir — kaliteyi belirleyen açık yapıdır, YZ akıcılığı değil. Tanınmış bir model (ADDIE, Dick & Carey, hızlı prototipleme) çevresinde tasarım yapın ve pedagojik kararları modelden çıkarmasını beklemek yerine açıkça kodlayın.(CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora)(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)(A didactical-driven teacher assistant for a dimensional modeling course)

İlke düzeyinde bir çerçeveyi de benimseyin, yalnızca bir öğretim modeli değil. Kurs düzeyinde bir model tek bir tasarımı yapılandırır; yayımlanmış bir çerçeve, birçok tasarımın tatmin etmesi gereken ölçütleri belirler. Tümüyle okumaya değer bir örnek, Digital Promise’un Powerful Learning with Emerging Technology adlı yayınıdır; bu çalışma yönlendirmesini üç ilke altında düzenler — Kanıta Dayalı, Öğrenen Merkezli, Beceri Geliştirme — her biri uygulamalara ve stratejilere genişletilir ve Gizlilik, açıklanabilirlik ile adaleti isteğe bağlı eklerden çok belirli uygulamalara güvenlik yükümlülüğü olarak bağlar.(Powerful Learning with Emerging Technology) YZ yapılandırmasını gelişkinliğe değil, göreve eşleyin. Nalyvaiko (2026), dört katman ayırır — istek metni, bağlam, koşum ve doğrulanmış döngü — ve asgari yeterli katman ilkesini uygular: eklenecek orkestrasyon koordinasyon, doğrulama, gizlilik ve kavrayış maliyetleri getirdiğinden, doğrulanabilir bir sonuç için yeterli en az karmaşık yapılandırmayı kullanın.

İçerik üretimi için rol temelli çok aracılı iş akışları kullanın. Tek bir jenerik istek metni yerine, tanımlanmış bir hat boyunca işbirliği yapan farklı aracıları/rolleri (öğretim kadrosu, öğretim tasarımcısı, kurs koordinatörü) orkestre edin — bu, gerçek kurs ekiplerinin nasıl çalıştığını yansıtır ve tek bir istek metninden daha eksiksiz materyaller verir.(Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design)(Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design)

YZ erişiminin yanında öğretimsel yönlendirme sağlayın. Öğrenenler YZ ile doğrudan mı yoksa YZ üretimli materyallerle mi etkileşime girsin, öğrenme kuramına dayalı yönlendirme (örn. üretken öğrenme ilkelerine dayalı adımsal bir istek metni iskelelemesi) üst düzey sonuçları güçlendirir; yalnızca erişim güçlendirmez. Öğrenme etkinliğini zihnin nasıl öğrendiği çevresinde tasarlayın ve YZ’yi düşünceyi değiştirmekten çok genişleten bilişsel bir “zihin aracı” olarak ele alın.(The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering)(Generative AI (GenAI) as a mindtool that supports generative learning (GL))

Unutmayı modelleyin ve bozulmanın en ağır olduğu yerde incelemeyi planlayın. G4L, bilgi bozulmasını geçen süre ve tekrarlamalarla yönlendirilen bir Ebbinghaus unutma eğrisiyle temsil eder ve en son puanlananı yeniden sunmak yerine bozulmaya en açık birimlere öncelik verir (Csépányi-Fürjes & Kovács, 2026).

Fowlin ve ark. (2026), YZ’nin nereden gireceğine karar vermek için eyleme dönüştürülebilir bir hamle ekler: bir etkinliği, bağımsız yapılması en iyi olanlarla YZ ile eşleştirilmesi en iyi olan bileşenlere ayırın ve bölüşümde eğitimcinin yargısını merkezde tutun (Fowlin ve ark. (2026)).

İçeriği izlenebilir ve incelenebilir kılın. Bir insan tasarımcının YZ çıktısını öğrenenlere ulaşmadan önce incelemesine ve düzeltmesine izin verin ve pedagojik gerekçenin (neden bu içerik, bu sırada) denetlenebilir olacağı biçimde YZ üretimini yapılandırın — hem kaliteyi hem de Güven kaynaklı öğretimi baltalayan opaklık kaygılarını ele alın.(WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators)(CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback)

• YZ üretimli medyayı sentezden önce değil, senaryo aşamasında inceleyin. PedaCo, eğitimci incelemesini senaryo üzerine koyar — pedagojik hataların düzeltilmesinin ucuz olduğu yer — hiçbir şey görselleştirilmeden önce; derecelendirilmiş öğretimsel geçerlilik 3,07’den 3,86’ya yükseldi, oysa otomatik sentez sonrası katman yalnızca beş boyuttan ikisini iyileştirdi (Kim, Baek ve Kwak (2026)).

Erişilebilirlik’ı baştan tasarlayın. Çeşitli öğrenenlere hizmet etmeleri için YZ araçları ve YZ üretimli materyaller kurarken UDL ilkelerini uygulayın, erişilebilirliği sonradan eklemek yerine.(LUDIA: A Design and Evidence Statement)

Sunum ortamı için plan yapın. çevrimiçi öğretim ve öğrenme için öğretim tasarımı, yüz yüze tasarımın tarafsız bir çevirisi değildir — ortam, iskelelemenin, değerlendirmenin ve etkileşimin neyin uygulanabilir olduğunu değiştirir ve YZ, tasarımcıların planlaması gereken hem olanakları (ölçeklenebilir kişiselleştirme, kesintisiz destek) hem de riskleri (dürüstlük, bilişsel yük boşaltma) çoğaltır. YZ’nin pedagojik sarmalayıcısını çevrimiçi bağlamlarda yüz yüze olduğu kadar bilinçli tasarlayın.

Sezgileri değil, bir kıyaslama ölçütüne karşı değerlendirin. Bir öğretim tasarımı aracısı kuruyorsanız, bunu standartlaşmış, kuram temelli bir kıyaslama ölçütüne karşı (örn. ISD-Agent-Bench) değerlendirin, böylece gerçek bir ISD çerçevesine dayanmanın jenerik bir LLM’ye kıyasla çıktıyı gerçekten iyileştirip iyileştirmediğini ölçebilirsiniz.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• YZ, öğretim tasarımı uygulamasını yeniden şekillendiriyor. Kibar & Ilgaz (2026), 28 çalışmayı (2020-2025) sistematik olarak gözden geçirir ve YZ’nin tasarımcılara içerik üretimi, şablonlar ve kişiselleştirme konusunda yardımcı olduğunu ve yalnızca bir araçtan çok bir iş arkadaşı/ortak çalışan/iş ortağı olarak kavramsallaştırıldığını bulur — ancak pedagojik hizalama ve uygulayıcı hazırlığı sorun olarak kalmaya devam eder.

Bağlı kavramlar

• AIEd Araştırmasını Yorumlamak ve Uygulamak
• Pedagojik İşbirliği — Pedagogical Partnerships
• Çevrim İçi Öğretim ve Öğrenme — Online Teaching and Learning
• Müfredat Tasarımı
• İskeleleme (Scaffolding)
• Eğitsel Gelişim
• Öğretmenlik
• YZ Okuryazarlığı
• Üretici YZ
• Akıllı Özel Öğretim
• Kişiselleştirilmiş Öğrenme
• Uyarlanabilir Öğrenme
• Biçimlendirici Değerlendirme
• Yükseköğretim
• K-12
• Etkenik YZ
• Kapsayıcı Öğrenme
• Evrensel Tasarımla Öğrenme
• Öğrenme Kuramları
• Öğrenme Bilimleri
• Öğrenme Kazanımları
• Davranışçılık
• Eğitim Teknolojisi Geliştiricileri
• Pedagojiler ve Öğretim Stratejileri — Umbrella: pedagogies and teaching strategies in AI education
• Paydaşlar — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)

Bağlı makaleler

• Powerful Learning with Emerging Technology — Powerful Learning with Emerging Technology
• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA and GenAI in learning design decision-making
• Investigating the Role of Chatbots in Facilitating Learning Design — Chatbot use in learning design: designers dwell on outcomes and pedagogy rather than content generation (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (Choi et al. 2026)
• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI in higher ed: engagement + mediating role of teaching methods
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Collaborative Making of a Boundary Object for Classifying Generative AI Learning Activities — Taxonomy (boundary object) for classifying GenAI learning activities
• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design
• A didactical-driven teacher assistant for a dimensional modeling course
• The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• LUDIA: A Design and Evidence Statement
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — AI Web Agents: autonomous web agent evaluates lesson designs and predicts student dropout before students engage (Wang, Mitchell & Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: A Framework for Cognitively Activated AI Augmentation in Physics
• Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design
• Designing for Reach: Seven Levers and the Student Alone with AI — Designing for Reach: Seven Levers and the Student Alone with AI
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — When Saying No Makes Better Videos: Dual Gatekeeping for Pedagogically Grounded AI Content Creation
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: AI to Support Productive Failure Problem Design
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — AI and Instructional Design Practice: A Systematic Review (Kibar & Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Making AI annoying on purpose: constraint in AI-supported writing (Konradt, Boote & Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Smart-classroom model and D-T-E loop improving M.Ed. instructional design proficiency in mathematics (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — AI-powered platform generating mathematical modeling problems (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs as agents of iterative pedagogical design