AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Öğrenme Kazanımları

Oluşturuldu 2026-10-14

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

Öğrenme kazanımları — YZ destekli öğretim dahil eğitim müdahalelerinden kaynaklanan, öğrenci bilgisinde, becerilerinde ya da yetkinliklerinde ölçülebilir iyileşmeler. AI in education araştırmasında öğrenme kazanımları, YZ araçlarının gerçekten öğrenmeyi iyileştirip iyileştirmediğini değerlendirmek için birincil sonuç ölçüsü olarak işlev görür — yalnızca engagement ya da memnuniyet değil.

Dikkate Alınması Gereken Sorular

  • Bir etkinlikten çok şey öğrendiğinizi hissettikten sonra, başka bir şeyi ölçen bir testi başarısız olduğunuzu hiç hissettiniz mi? Sayfa, YZ destekli anında performansı kalıcı öğrenmeden ayırır — bu ikisi kendi deneyiminizde nasıl ayrışabilir?
  • Temel bir bulgu, üretken YZ’nin YZ destekli ödevlerdeki puanları şişirirken gözetimli, kapalı kitap ölçümlerindeki puanları düşürebilmesidir. Bir YZ aracının gerçekten öğrencilerin öğrenmesine yardım edip etmediğini değerlendiriyor olsanız, hangi sonuca güvenir ve neden?
  • Araştırmalar, yönlendirilmemiş YZ güveni daha kötü öğrenme kazanımlarını öngörürken yapılandırılmış kullanım daha iyilerini öngördüğünü gösteriyor — aynı araç, zıt sonuçlar. Gerçek bir sınıfta “yapılandırılmış” kullanımı “yönlendirilmemiş” kullanımdan ayıran nedir?
  • İpucu düğmeleri azalan öğrenmeyle ilişkilidir: daha fazla ipucu, daha az öğrenme. Takıldığınız anda bir ipucuna ya da bir cevaba uzanmak için hiç ayartıldınız mı? Bu, öğrenme için gerçekten ne kadar mücadelenin gerekli olduğu hakkında ne öneriyor?
  • Büyük bir meta analiz birçok çalışmayı havuzlaştırdı ve YZ destekli EdTech’in öğrenmeyi mütevazı bir miktarda yükselttiğini, üretken YZ için önceki uyarlanabilir araçlara göre hiçbir avantaj bulunmadığını saptadı. Tek bir YZ ürününün etkililiğiyle ilgili heyecan verici iddiaları nasıl okuduğunuzu bu ihtiyatlı, havuzlanmış kestirim nasıl değiştirmeli?

Giriş

Öğrenme kazanımları, herhangi bir eğitim teknolojisinin nihai sınavıdır. Bilgi tabanının araştırmasında bunlar, randomized controlled trialsde bağımlı değişkenler, yarı deneysel çalışmalarda test-öncesi/test-sonrası karşılaştırmaları ve YZ araç kullanımını akademik sonuçlara bağlayan korelasyonel analizler olarak görülür.

Terminoloji. Başarının sonuç anlamı — öğrenci başarısı, akademik başarı, öğrenme başarısı, önceki başarı, başarı boşlukları — burada öğrenme kazanımlarının eş anlamlısı olarak ele alınır ve bu ifadeler bu sayfaya bağlanır. Hissedilen anlam (“bir başarı duygusu”) ölçülmüş bir sonuçtan çok motivasyonel bir deneyimdir; bkz. Motivasyon ve Öz Yeterlilik. Başarı-hedef kuramı (“başarı hedefleri”, hedef yönelimleri) benzer biçimde motivasyonel bir yapıdır ve Motivasyon’a bağlanır.

Bilgi tabanından temel bulgular:

  • Adaptive pretesting araştırması, GenAI-enabled pretestingin anında testin ötesinde süregiden kalıcı öğrenme kazanımları üretip üretmediğini inceler.
  • Programlamada GenAI üzerine Meta-analyses of GenAI in programming, yapılandırılmış YZ kullanımından olumlu öğrenme kazanımları, yönlendirilmemiş güvenden ise olumsuz etkiler bulur — verimlilik ile kalıcı öğrenme arasında temel bir ayrım.
  • Hint button research, ipucu kötüye kullanımı ile öğrenme kazanımları arasında olumsuz ilişkiler gösterir — daha fazla ipucu daha az öğrenmeyle ilişkilidir.
  • Instructional guidance çalışmaları, öğrenme kazanımlarının YZ’nin NASIL kullanıldığına değil, yalnızca erişilebilir OLUP OLMADIĞINA bağlı olduğunu gösterir.
  • World Bank meta-analysis, uyarlanabilir ve YZ destekli EdTech’in ortalama olarak öğrenmeyi ~0,125 standart sapma yükselttiğini kestirmek üzere 14 RCT’den 191 etki büyüklüğünü havuzlaştırır — eğitim RCT’lerinin medyanının üzerinde — oysa üretken YZ için önceki uyarlanabilir araçlara göre hiçbir avantaj bulmaz.
  • Kazanımlar sabitler değil, içerik–uygulama etkileşimleridir. Rachatasumrit et al. (2025), en uygun örnek–problem oranının bilgi içeriğine bağlı olduğunu gösterir: saf retrieval practice, kelimesi kelimesine olgular için daha yüksek kazanımlar sağlarken örnek bütünleşmeli pratik (çözümlenmiş örneklerle problemleri dönüşümlü olarak sunmak) genelleştirilebilir beceriler için daha yüksek kazanımlar sağlar — “daha fazla pratik”in her zaman daha iyi olmadığına ve kazanımların alıştırma programının öğrenilen bilgi bileşenine eşleştirilmesine bağlı olduğuna doğrudan kanıt.

YZ çağının ölçüm sorunu

Bilgi tabanının öğrenme kazanımı araştırmasındaki temel tema, üretken YZ’nin öğrenme kazanımı üretmeden görünür performansı şişirebilmesi — ve bunun görünür olup olmadığını sonuç ölçüsü seçiminin belirlemesidir. Research ve large-scale field data keskin bir ayrışma gösterir: YZ kullanımı, YZ destekli ödevlerdeki puanları iyileştirirken gözetimli, kapalı kitap, yardımsız ölçümlerdeki puanları düşürür. Performance-vs-learning research ve rapid reviews dolayısıyla anında YZ destekli performansı kalıcı öğrenmeden ayırır ve gerçek öğrenme kazanımlarının güvenilir sinyali olarak yardımsız toplu ölçüleri (bkz. Toplayıcı Değerlendirme) ele alır.

Etkililik araştırması ne gösterir

Bilgi tabanının RCTsleri, meta-analyses ve alan çalışmaları boyunca öğrenme etkililiğinin (hangi YZ müdahalelerinin gerçekten öğrenme kazanımları ürettiği ve bunların ne kadar büyük olduğu) tutarlı bir tablosu ortaya çıkar:

  • Meta analitik kanıt genel olarak olumlu ama koşulludur. A comprehensive meta-analysis of 53 studies (Dong 2026), üretken YZ’nin akademik başarı, higher-order thinking ve yazmada genel olarak geleneksel yaklaşımları geride bıraktığını bulur — AI feedback özellikle etkilidir — oysa oyun destekli GenAI önemli bir ek yarar göstermez ve kazanımlar ülkeye ve sonuca göre değişir. The GenAI-and-programming meta-analysis, büyük verimlilik kazanımları ama önemli bir öğrenme kazanımı bulmaz (g ≈ 0), görev verimliliğini kalıcı öğrenmeden ayırır. A language-learning meta-analysis, YZ ile güçlendirilmiş embodied robotlardan olumlu ama mütevazı öğrenme kazanımları bulur. AI literacy için özellikle, a three-level meta-analysis of 59 studies, büyük bir genel etki kestirir (g = 0,837) — ancak geniş tahmin aralığı ve bilgi temelli müdahalelerin becerileri, tutumları ya da Etik hedefleyenleri geride bıraktığı bulgusu, ölçülen sonucun görünür kazanımı şekillendirdiği konusunda uyarır; bu, YZ ile ilgili kazanımların neyi ve nasıl değerlendirdiğinize bağlı olduğuna dair daha genel noktayı yankılar.

  • İyi tasarlanmış AI tutors gerçek kazanımlar üretir. İki yıllık küme RCT’si (Khanmigo), YZ mentorluğunun matematik başarısını dönem başına ~1,3 ulusal yüzdelik sıra yükselttiğini bulur (~0,06–0,0,8 SD/okul yılı, tam yıl için ~0,14 SD); kazanımlar YZ olmadan pratik yapmaya benzer — angajmanın, model yeteneğinden çok bağlayıcı kısıt olduğunu gösterir. NUMI, YZ desteğinin soru başına daha fazla zamanla hatalardan sonraki sonraki deneme doğruluğunu iyileştirdiğini gösterdi — kalıcı ustalık inşa eden bir “verimli yavaşlama”. Virtual tutoring, bağlayıcı kısıtın mentor kalitesi değil, benimseme ve süregelen katılım olduğunu buldu.

  • Sınıfın kendi pedagojisinden kurulmuş bir mentor, yalnızca ders anlatmayı değil etkin öğrenmeyi geride bıraktı. Harvard’ın giriş düzeyi fizik kursunda çapraz bir RCT’de, özelleştirilmiş bir YZ mentoruyla öğrenen öğrenciler son testte kursun sınıf içi etkin öğrenme derslerine karşı 3,5’e karşı medyan 4,5 puan aldı (taban çizgisi medyanı 2,75), doğrusal regresyon etki büyüklüğü 0,63 oldu ve görev üzerinde medyan 49 dakika, sınıfta 60 dakika harcadı (Kestin et al., 2025). Kontrol bir ders anlatımı değil araştırma temelli etkin öğrenme olduğundan, deney mentoru zorlu bir karşılaştırıcıya karşı ölçer — yazarların atfettiği tasarım, mentoru sınıfla aynı araştırma temelli uygulamalardan mühendislikle türetmek, artı talep üzerine kişiselleştirilmiş geri bildirim ve kendi hızında ilerleme sunmaktı.

  • YZ insan yardımına eşdeğer olabilir. ChatGPT-generated help, mathematics becerilerinde insan mentoru tarafından yazılan yardıma eşdeğer öğrenme kazanımları üretir — üretken YZ’nin uygun biçimde kullanıldığında insan İskeleleme (Scaffolding) kadar etkili olabileceğine kanıt.

  • Kazanımlar onunla kimin öğrettiğine bağlıdır. YZ desteği verilen düşük deneyimli mentorlar, öğrenci geçme oranlarını 9 yüzdelik puan yükseltti; daha deneyimli mentorlar için kazanımlar daha küçük oldu — en az deneyimli olanları en çok artıran bir güçlendirme örüntüsü (OECD, 2026).

  • Korumasız YZ öğrenmeye zarar verebilir. Koruma rayı RCT’si (PNAS 2025), korumasız bir ChatGPT tarzı mentorun yardımlı pratiği +%48 artırırken yardımsız sınav puanlarını %17 düşürdüğünü* buldu; korumalı (cevap değil ipucu) bir mentor zararı ortadan kaldırdı. Bu, öğrenme etkililiğinin tasarıma bağlı olduğunun en keskin gösterimidir: aynı araç sınıfı, nasıl yapılandırıldığına bağlı olarak güçlü bir öğrenme kazanımı ya da net bir zarar olabilir.

  • Ama korumasız erişim aynı zamanda kalıcı biçimde yardım da edebilir. Hazır bir ChatGPT hesabıyla yapılan bir RCT’de, erişim varken yardımsız test puanı 0,27 SD daha yüksek çıktı ve kazanım bir hafta sonra da sürdü — 747 eğitim RCT’si boyunca 0,10 SD’lik medyanın iki katından fazla (Contractor & Reyes, 2026).

  • Algılanan etkililik gerçek etkililikten ayrışır. Self-reported performance misaligns with measured performance ve the absent cognitive baseline, YZ yerli öğrencilerin öğrenmelerini olduğundan yüksek değerlendirdiğini gösterir — bu nedenle öz bildirime dayalı etkililik iddiaları, nesnel sonuç ölçüleri olmadan güvenilir değildir. Öz Bildirim Ölçütleri, bildirilen ile ölçülen sonuçların ayrıştığı vakaları toplar.

  • Kazanımlar, YZ puanlamadan değil öğretmen zamanının yeniden dağıtımından gelebilir. 178 Brezilya okulunda (~19.000 son sınıf öğrencisi) yürütülen bir randomize denemede, YZ ve insan kompozisyon puanlaması özdeş sınav kazanımları üretti; ancak YZ sınıflarında yazma üzerine birebir öğretmen konuşmaları ~%35 arttı ve alt çeyrek iki koşul altında da iyileşmedi (Ler, 2026).

Çıkarım: kanıt ağırlığı, YZ’den mütevazı, koşullu ve tasarıma bağlı öğrenme kazanımlarını destekler — YZ yanıt vermekten çok koçluk etmek üzere yapılandırıldığında, koruma rayıyla sınırlandığında ve yardımsız sonuç ölçüleriyle eşleştirildiğinde gerçek; öğrenenin kendi çabasının yerini aldığında ise yok ya da olumsuz. Öğrenme kazanımlarının bir sonuç olarak geçerli, YZ dirençli araçlarla ölçülmesi gerektiği ve AIEd Değerlendirmesi’in etkililik iddialarını methodological denetimle eşleştirmesi gerektiği budur.

  • YZ mentorluğu, standart test kazanımlarında uzman insan mentorluğuna eşdeğer olabilir. 2.383 katılımcılı bir değerlendirmede, havuzlanan YZ mentorluğu GRE öğrenme kazanımlarında uzman insan mentorluğuyla istatistiksel olarak eşdeğerdi (p = ,015), ikisi de mentorsuz kontrol grubunun üzerindeydi; yazarlar, mentorları karşılaştırmak için birim olarak kazanımın yüzdelik puanı başına maliyeti öneriyor (Northcutt et al., 2026).

YZ’nin öğrenme ve başarı üzerindeki etkilerinin alan düzeyinde haritası

Bilgi tabanının derlemi — meta analizleri, RCT’ler, yarı deneyler ve alan çalışmaları — incelikli, zaman zaman çelişkili bir tabluyu destekler. Bulgular olumlu, olumsuz ve koşullu etkilere kümelendi.

Olumlu etkiler (YZ gerçek öğrenme kazanımları üretebilir):

Olumsuz etkiler (YZ öğrenmeyi azaltabilir ya da iyileştiremeyebilir):

  • Korumasız YZ öğrenmeye zarar verebilir. PNAS koruma rayı RCT’si (Generative AI without guardrails can harm learning: Evidence from high school mathematics), korumasız bir ChatGPT tarzı mentorun yardımlı pratiği +%48 artırırken yardımsız sınav puanlarını %17 düşürdüğünü* buldu; Güvenlik Rayları zararı ortadan kaldırdı.
  • Daha hızlı tamamlama ≠ öğrenme. GenAI reduced study time matematik problemlerinde ve bunların inşa ettiği bilgide; performance-vs-learning research, YZ’nin YZ destekli performansı şişirirken gözetimli, kapalı kitap, yardımsız puanları düşürdüğünü gösterir.
  • Ödevi dışarıya devretmek öğrenmeye zarar verir. Field data, öğrenciler ödevi dışarıya devrettiğinde bir üretken YZ öğrenme cezası gösterir.
  • Büyük Dil Modelleri (LLM) güveni daha düşük notlarla ilişkilidir. Jošt et al., kod üretimi (rho = −0,305) ve hata ayıklama (rho = −0,360) için LLM kullanımı ile final notları arasında önemli olumsuz korelasyonlar buldu.
  • YZ bazıları için teaching ve başarıya zarar verebilir. A teacher-facing GenAI RCTsi, medyan altı öğretmenlerin öğrencilerinin geride kaldığını buldu (−0,129 SD).
  • İpucu kötüye kullanımı daha az öğrenmeyle ilişkilidir. Hint button research, verimsiz biçimde kullanılan daha fazla ipucunun daha az öğrenmeyle ilişkili olduğunu gösterir.
  • Meta analitik programlama kazanımları aldatıcıdır. The GenAI-and-programming meta-analysis, büyük verimlilik kazanımları ama önemli bir öğrenme kazanımı bulmaz (g ≈ 0), görev verimliliğini kalıcı öğrenmeden ayırır.

Koşullu ve karma etkiler (bağlam yönü belirler):

Meta analitik öğrenme kazancı kestirimleri şişkindir — temkinli okuyun

Bu sayfanın etkililik özetine hâkim olan öğrenme kazancı sayıları — özellikle meta analizlerden gelen havuzlanmış etki büyüklükleri — güçlü bir uyarıyla okunmalıdır: alanın olumlu sentez kestirimlerini yayın yanlılığı, yapı tutarsızlığı ve yöntemsel kısayollarla şişirdiğini gösteren bir meta araştırma dalgası vardır.

  • A study-level meta-meta-analysis of 1,840 effect sizes from 67 meta-analyses, yayın yanlılığı düzeltmeli ortalama YZ etkisinin bildirilen büyüklüğün kabaca üçte biri olduğunu bulur (0,67 medyanına karşı SMD ≈ 0,196), tahmin aralığı büyük zarardan büyük yarara uzanır ve tutarlı kazanımlar üreten hiçbir yumuşatıcı yoktur. Heterojenlik göz önüne alındığında tek bir uç çalışma neredeyse hiçbir bilgi katmaz — bu, mevcut türden daha fazla çalışmanın soruyu çözemeyeceği anlamına gelir; yalnızca yüksek kaliteli, önceden kaydedilmiş, tekrarlamaya yönelik deneyler çözecektir.
  • Sentez katmanının kendisi üzerine ikinci mertebe bir meta analiz. Emslander et al. (2026), alışılmış analiz birimini tersyüz eder: 45 meta analizi kendi verisi olarak ele alır ve çalışma örtüşmesini düzeltir (benzersizlikle ağırlıklandırılarak atılmak yerine 818 benzersiz birincil çalışma), çalışma örtüşmesi düzeltmeli 129 meta analitik etki büyüklüğünü g = ,57 [,50, ,65] olarak havuzlar; sonuç kümeleri STEM performansı için ,35’ten genel akademik sonuçlar için ,68’e uzanır. İki sonuç yukarıdaki sayılara ilişkindir. YZ türü etkiyi yumuşlatmadı (p = ,63) — intelligent tutoring systems, chatbots ve ChatGPT bu katmanda istatistiksel olarak ayırt edilemez, bu nedenle alanın havuzlanan kazanımlarını üretken YZ sürdürmüyor — ve tek açık yumuşatıcı eğitim düzeyiydi (yüksek öğretim ,61’e karşı daha genç örneklemler için ,30), bu kısmen bir çalışma tasarımı yapıtıdır; zaten derlemin %74’ü yüksek öğretim öğrencilerini test etti ve K-12 kanıtı nispeten incedir. Kalite değerlendirmesi derlemdeki en keskindir: 45 meta analiz, AMSTAR-uyarlanmış bir ölçekte 17 üzerinden ortalama 9,3 aldı, hiçbiri önceden kaydedilmedi ve 45’ten yalnızca 23’ü kendi bildirdikleri etkiyi saptamak için %80 güce sahipti. İki yayın yanlılığı testi de birbiriyle çelişir — simetrik huni grafiği (Kendall’in τ = −,01, p = ,868) PET-PEESE’e karşı (B = 0,9, p = ,009) şişkinliği gösterir — dolayısıyla SOMA’nın kendi orta etkisi üzerinde çözülmemiş bir yanlılık bulutuyla gelir.
  • A forensic audit of 14 high-impact AIED meta-analyses, hiçbirinin havuzlanmış öğrenme kazancı iddiası için geçerli bir dayanak sunmadığını bulur: hiçbirinde tutarlı bir sonuç yapı yoktu, hepsinde çözülmemiş aşırı heterojenlik vardı (bunu bildiren 13 meta analizinde I² %77,2 ile %94,4 arasındaydı ve bu 13’ün 12’si %80’i aştı), on ikisi bağımlı etki büyüklüklerini bağımsız olarak ele aldı ve hiçbiri yayın yanlılığını geçerli biçimde değerlendirmedi. Rastgele denetlenen birincil çalışmaların çoğunluğu meta analitik iddiayla örtüşmüyordu. Hatalar politika düzeyine ulaştı: denetlenen iki meta analiz, çalışma örneklem büyüklüğünü sınıf büyüklüğü olarak ele aldı ve yanlış hesaplanmış bir birincil çalışmanın gücüyle, 21 ila 40 öğrencinin ideal müdahale büyüklüğü olduğu sonucuna vardı ve GenAI müdahalelerinin bu sayıya göre tasarlanmasını önerdi.
  • Denetlenen kusurlardan ikisini düzelten — ve üçüncüsünü hâlâ gösteren — 2026’da bir STEM sentezi. Doğan and colleagues (2026), bağımlı etki büyüklüğü sorunundan kaçınmak için çalışma başına tek bir etki büyüklüğüyle 35 deneysel ve yarı deneysel STEM çalışmasını havuzladı ve simetriyi iddia etmek yerine tam bir yayın yanlılığı baterisi (huni grafiği, Begg ve Egger testleri, kırp-ve-doldur, Rosenthal’in arıza güvenli N = 2404) yürüttü — yukarıdaki denetimin incelediği her meta analizde bulduğu iki kısayol. İki uyarı ayakta kalır. Birincisi, yazarlar hiçbir biçimsel kalite değerlendirmesi uygulamadı ve katılım ölçütlerini titizlik eşiği olarak ele aldı, bu nedenle çok farklı tasarımlara sahip çalışmalar kaliteye göre ağırlıklandırılmaksızın havuza girdi. İkincisi, başlık heterojenliği tamamen hangi modeli okuduğunuza bağlıdır: aynı 35 çalışma sabit etkili modelde I² = %82,98, rastgele etkili modelde I² = %15,75 olarak bildirilir; bu nedenle sayıları model etiketi olmadan gören bir okuyucu, derlem homojen değilken homojen olduğu sonucuna varabilir. Havuzlanmış kestirimi (g = 0,670, %95 GA [0,491, 0,848]) dolayısıyla yukarıdaki bölümün betimlediği türden bir figürdür: çoğundan daha iyi kurulmuş ve yine de bir üst sınır.
  • A media/methods critique, birçok “öğrenme kazancı”nın geçerli biçimde ölçülmediğini gösterir — sonuçlar sıklıkla öz bildirilen beceriler ya da kalıcı, yardımsız öğrenme yerine YZ yardımı sırasında ölçülen performanstı.
  • İlk ChatGPT sentez dalgası performansı ölçtü, öğrenmeyi değil. Fütterer et al. (2026), ChatGPT’in eğitimsel etkilerini havuzlayan beş meta analizin kanıt tabanını yeniden kurdu: sınıflandırılabilir 69 birincil çalışma arasında %79,7’si yalnızca performansı ölçtü ve yalnızca %11,6’sı öğrenmeyi ölçtü. Yeniden üretilen havuzlanmış kestirimleri (g = 0,83, %95 GA [0,68, 0,97], I² = %94,06) dolayısıyla test performansını betimler ve tahmin aralığı [−0,75, 2,41] sıfırı geçer.

Yukarıdaki kazanım sayıları için özet: büyük havuzlanmış YZ etki büyüklüklerini nokta kestirimleri değil üst sınırlar olarak ele alın. İyi tasarlanmış RCTslerden ve yardımsız, standartlaştırılmış sonuç ölçülerine sahip alan çalışmalarından gelen öğrenme kazancı kanıtını tercih edin (yukarıda atıf yapılan koruma rayı RCT’si, Khanmigo ve NUMI deneyleri ve Dünya Bankası EdTech meta analizi) ve meta analitik kazanımları sentez kalitesi iyileşene kadar geçici ve muhtemelen olduğundan yüksek olarak okuyun. Sorun aynı zamanda düzeltmeden de büyüktür: denetlenen bir meta analizinin geri çekilmesinden sonra yayımlanan makalelerin %60’ı, onu büyük ChatGPT öğrenme kazanımları için yetkili destek olarak atıfta bulunmaya devam etti ve hiçbiri geri çekilmeyi kabul etmedi; bu nedenle geri çekilmiş bir kestirim yayılmaya devam eder. Meta analitik kanıt krizini artık ayrıntılı biçimde belgeleyen sayfa Limitations in AIEd Research sayfası budur.

Önemli olanı ölçmek

Öğrenme kazanımları Değerlendirme Geçerliliği’ya bağlanır — assessments daha derin anlayışı yakalayamazsa, öğrenme kazancı ölçüleri yanıltıcıdır. Aynı zamanda Over-Reliance ve Bilişsel Yükü Dışarı Aktarma’a kesişir; burada görünür performans iyileşmeleri öğrenme kayıplarını maskeleyebilir ve nedensel öğrenme kazanımlarını saptamak için altın standart tasarım olan randomize deneyler olan RCT’ye ve alanın etkililik kanıtını kurmak üzere çalışmalar boyunca etki büyüklüklerini havuzlayan Meta-Analiz ve Sistematik Derleme’ya da bağlanır.

  • Hata temelli YZ Pedagojiler ve Öğretim Stratejileri’sinden önemli test-öncesi/test-sonrası kazanımlar: Hosseini (2026)’nin veri tabanı tasarımı kursu (n=13), özdeş test-öncesi/test-sonrası maddelerde büyük, önemli öğrenme kazanımları gösterdi (ortalama 4,25→6,83/7, Cohen’in d’si = 1,49, p < ,001); kazanımlar önceki YZ ya da veri tabanı güveniyle ilişkisizdi — YZ bütünleşmeli eleştiri-inceleme tasarımı, başlangıçtaki algılardan bağımsız olarak öğrencilere yarar sağladı.

Bağlı kavramlar

Bağlı makaleler

Bağlı SSS

Üst veri

SeviyeHigher Ed, K 12
Hedef kitleLearners
Değerlendirme ve ölçmeDeğerlendirme
Araştırma yöntemleri ve değerlendirmeAIEd Değerlendirmesi
Sayfa türüEvaluation
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.