AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Meta-Analiz ve Sistematik Derleme

Oluşturuldu 2026-10-14

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

Meta-analiz ve sistematik derleme — araştırmacıların tek bir yeni deney yürütmek yerine bir çalışma kümesini toplamak ve değerlendirmek için kullandığı kanıt-sentez yöntemleri ailesi. Bir sistematik derleme, odaklı bir soru üzerine literatürü aramak, süzmek, değerlendirmek ve sentezlemek için şeffaf, yeniden üretilebilir bir protokol uygular; bir meta-analiz daha ileri giderek uygun çalışmalar boyunca etki büyüklüklerini istatistiksel olarak havuzlayarak ağırlıklı bir özet tahmini üretir ve aracı değişkenleri sınar. Eğitimde YZ’de bu yöntemler, YZ araçlarının işe yarayıp yaramadığına, hangi koşullarda yaradığına ve kimin için yaradığına ilişkin kanıt tabanını kurmakta — ve boşlukları, yanlılığı ve alanın yöntemsel kalitesini ortaya çıkarmada — merkezi öneme sahiptir.(A meta-analysis of the effect of generative AI on productivity and learning in programming)(Comprehensive Review of Intelligent Tutoring Systems)

Dikkate Alınması Gereken Sorular

  • YZ öğretmenliğinin işe yarayıp yaramadığına dair on çalışma okuduğunuzu hayal edin — ikisi büyük kazanımlar gösteriyor, üçü hiç göstermiyor, beşi küçük pozitif etkiler gösteriyor. Ne çıkarımda bulunmaya karar verirdiniz? O gerginlik, sistematik derlemelerin ve meta-analizlerin çözmek için inşa edildiği şeydir.
  • Sistematik derleme ve meta-analiz sık sık aynı şey olarak ele alınır, ancak sayfa onları ayırt eder: bir derleme belgelenmiş bir protokole göre sentezler, bir meta-analiz ise etki büyüklüklerini istatistiksel olarak havuzlar. Titiz bir derleme mevcut olsa bile havuzlama ne zaman uygunsuz veya imkânsız olurdu?
  • Sistematik derlemeler, kanıt hiyerarşisinin tepesinde, kısmen çalışmalar arasındaki küçük örneklemleri, heterojen tasarımları ve çelişen sonuçları telafi ettikleri için oturur. Havuzlanmış kanıt çok daha karışık olmasına rağmen tek bir çarpıcı çalışmanın görüşü şekillendirdiğini nerede gördünüz?
  • Meta-analizler ağırlıklı bir özet tahmini üretir — "0,125 standart sapma ortalaması etki" gibi tek bir sayı. Havuzlanmış bir ortalama, etkinin farklılaştığı koşullar, öğrenenler veya bağlamlar hakkında neyi gizler — ve buna göre hareket edip etmeyeceğiniz açısından bu neden önemlidir?
  • Her iki yöntem, neyin aranıp dâhil edileceğine ilişkin seçimlerin sonucu yanlılıklandırabileceği için, şeffaf ve yeniden üretilebilir bir protokole (sıklıkla PRISMA) bağlı kalır. Arama ve süzme kararlarını açıklamayan bir derlemeye ne kadar güvenerdiniz?

Giriş

Sistematik derlemeler ve meta-analizler, herhangi bir hızla ilerleyen uygulamalı alanı nitelendiren küçük örneklemleri, heterojen tasarımları ve çelişen sonuçları telafi ederek birçok bireysel çalışmayı sentezledikleri için geleneksel kanıt hiyerarşisinin tepesinde otururlar. Yeni araçların ve çalışmaların sürekli göründüğü eğitimde YZ’de derlemeler, stok alma çok önemli rolü oynar: neyin çalışıldığını haritalamak, bilineni toplamak ve kanıtın ince veya yöntemsel olarak zayıf olduğu yerleri işaretlemek. Bunlar, nitel sentez sağlayan anlatısal veya bütünleştirici bir literatür derlemesinden, belgelenmiş bir protokole ve (meta-analiz için) istatistiksel havuzlamaya bağlılıklarıyla ayrılır.(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

Sistematik derleme ve meta-analiz karşılaştırması

Sistematik derleme Meta-analiz
Temel etkinlik Çalışmaları belgelenmiş bir protokole göre arama, süzme, değerlendirme ve sentezleme Uygun çalışmalar boyunca etki büyüklüklerini istatistiksel olarak havuzlama
Çıktı Anlatısal/tematik sentez ve kanıt haritası, sıklıkla PRISMA akışıyla Güven aralıklarıyla havuzlanmış etki tahmini, artı aracı değişken analizi
İstatistiksel havuzlama İsteğe bağlı (birçok derleme niteldir) Gerekli
Ne zaman kullanılır Parçalanmış bir literatürü haritalarken, "ne çalışıldı ve ne gösteriyor?" sorusuna yanıt verirken Birden çok karşılaştırılabilir nicel çalışma varsa, "etki genel olarak ne kadar büyük?" sorusuna yanıt verirken
Güç Şeffaf, yeniden üretilebilir kapsam ve değerlendirme Artan güç ve kesinlik; aracı değişkenleri ve heterojenliği tespit eder

Her ikisi de raporlama standardı olarak PRISMA (Sistematik Derlemeler ve Meta-Analizler İçin Tercih Edilen Raporlama Maddeleri)’ni izler; bu, şeffaflık ve yeniden üretilebilirlik için şeffaflık ve yeniden üretilebilirlik amacıyla arama, süzme ve dâhil etme sürecini belgeler. Bütünleştirici bir derleme, istatistiksel havuzlamaya varmadan dururken şeffaflık için PRISMA ilkelerini izleyebilir.(A systematic review of AI-powered collaborative learning in higher education: Trends and outcomes from the last decade)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

Eğitimde YZ’de kanıt sentezi

Derlemelerin başardıkları

Eğitimde YZ’de sistematik derlemeler ve meta-analizler birkaç ayırt edici amaca hizmet eder:

  • Kanıt tabanını kurmak — YZ araçlarının (öğretmenlik, geri bildirim, değerlendirme, sohbet robotları) öğrenme kazanımları üretip üretmediğini ve bu kazanımların ne kadar büyük olduğunu belirlemek.
  • Alanı ve boşluklarını haritalamak — bir tarama derlemesi, neyin çalışıldığını, kanıtın nerede yoğunlaştığını ve nerede eksik olduğunu belgeler (örneğin iş yeri ortamları, İngilizce dışı çalışmalar, başarısızlık vakaları).(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)
  • Aracı değişkenleri ve koşulları tanımlamak — meta-analiz, etkilerin öğrenen popülasyonuna, alana, YZ sistemi tipine veya çalışma tasarımına göre farklılaşıp farklılaşmadığını sınar; bir aracın kimin için ve hangi koşullarda işe yaradığını ortaya koyar. Ancak bir aracı değişken, arkasındaki çalışmalar kadar güvenilirdir: üretken YZ destekli L2 yazmanın 2026 meta-analizinde, yöntemsel kontrolden sağ çıkan tek aracı değişken çalışmaların yanlılık riski sınıflandırmasıydı; buna karşılık alt grup analizinde anlamlı görünen bir öğretim-modeli farkı, çalışma kalitesi ve örneklem büyüklüğü girildiğinde çöktü. Etkiyi taşıyan pedagoji değil yöntemsel kaliteydi — dolayısıyla görünürde pedagojik aracı değişkenler, havuzlanmış tahminlerle aynı incelemeyi hak eder. Boş aracı değişkenler dersi ters yönde taşır. Yabancı dil becerileri için dijital ve YZ teknolojilerinin Chen ve Wei meta-analizinde (40 çalışma, 3.367 katılımcı, havuzlanmış g = 0,962), sağ kalan aracı değişkenler çalışma tasarımı (yarı-deneysel g = 1,019’a karşı gerçek deneysel g = 0,474), müdahale süresi ve araç sayısıydı; buna karşılık dil becerisi tipi, teknoloji tipi, eğitim düzeyi, ortam ve örneklem büyüklüğü anlamlı bir grup arası fark göstermedi; bu da yazarları etkililiğin bir teknoloji etiketine veya bir beceri kategorisine atfedilemeyeceği sonucuna götürdü. K-12 YZ eğitiminin Yu ve meslektaşlarının meta-analizi (16 çalışma, 57 etki büyüklüğü, g = 0,892), sınadığı üç aracı değişkenin (yayın kaynağı, yayın yılı, okul düzeyi) tümünü boş buldu ve artık heterojenliği (I2 = 94.68) alanın YZ Okuryazarlığı’yi nasıl ölçeceğine dair hiçbir zaman anlaşamadığının kanıtı olarak okudu. Bir aracı değişken boş döndüğünde ve heterojenlik yüksek kaldığında, sentez sonucu sıklıkla müdahalenin yanı sıra sonuç yapıtına veya birincil çalışma tasarımlarına ilişkindir.
  • Yöntemsel kaliteyi ortaya çıkarmak — derlemeler rutin biçimde, alanın yetersiz güçlü, ön-deneysel veya yarı-deneysel tasarımlara ve anında son testlere dayandığını ve bunun sonuçları ılımlılaştırdığını bulur.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)(Comprehensive Review of Intelligent Tutoring Systems) Gerçekte ne yapıldığının ince raporlanması bu tablonun parçasıdır ve sonraki herhangi bir sentezin söyleyebileceklerini sınırlar: Yalcin ve meslektaşlarının programlama eğitiminde üretken YZ sistematik derlemesi, 46 çalışmasının 26’sında bir öğretim yaklaşımını tanımlayamadı ve 46’nın 32’si konferans bildirilerinde göründü; böylece derleme derleminin yarısından azı için pedagoji kodlayabildi ve karışık etki kanıtıyla biter (bazı çalışmalar geliştirilmiş sınav ve kodlama performansı gösterirken, diğerleri öğretmen geri bildirimine karşı anlamlı fark bulamadı). Bir sentez, alanının raporlama alışkanlıklarını miras alır.

Süzme güvenilirliği yapıta bağlı olabilir: üretken YZ, yük boşaltma ve öğrenen özerkliği üzerine 123 çalışmanın PRISMA-ScR tarama derlemesinde, başlık/özet uzlaşısı (Fleiss’ κ = 0,7103) tam metinde κ = 0,4884’e düştü; yazarlar bunu geniş üretken YZ alaka düzeyi ile mekanizmaya özsel alaka arasındaki yorumsal sınıra bağlar (Wang ve ark. (2026)).

Bilgi tabanından örnekler

  • Üretken YZ ve programlamanın meta-analizi — verimlilik-öğrenme ödünleşimi üzerine kanıtleri havuzlar; önemli verimlilik kazanımları bulur ancak önemli öğrenme kazancı bulmaz (g ≈ 0); meta-analizin kısa vadeli verimliliği kalıcı öğrenmeden ayırma yeteneğini gösterir.(A meta-analysis of the effect of generative AI on productivity and learning in programming)

  • Bir TPACK merceğinden öğrenci öğrenmesinde üretken YZ meta-analizi — 71 çalışmayı (74 etki büyüklüğü) düzgün biçimde ayrışmayan orta-büyük bir etkiye havuzlar (g = 0,752): güçlü bilişsel (g = 0,831) ve duygusal (g = 0,729) kazanımlar ancak küçük, anlamlı olmayan bir davranışsal etkileşim etkisi (SMD = 0,057, p = 0,828) (Liu & Zhong, 2025).

  • Mesleki eğitim ve öğretimde YZ sistematik derlemesi — 26 çalışmanın ilk sistematik derlemesi; ismen Yapılandırmacılık ama pratikte davranışçı boşluğu ve iş yeri çalışmalarının yokluğunu belgeler.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

  • Yükseköğretimde üretken YZ sistematik derlemesi — beş yıllık bir pencere boyunca fırsatları, zorlukları ve pedagojik yenilikleri haritalar.

  • Kapsamlı ITS derlemesi — yöntemsel titizliğe odaklanan akıllı öğretim sistemlerinin sistematik bir derlemesi.

  • ChatGPT ve kritik/yaratıcı düşünmenin sistematik derlemesi — Büyük Dil Modelleri (LLM) kullanımının yüksek mertebeli düşünmeyi destekleyip desteklemediğine ilişkin kanıtları sentezler.

  • K-12’de YZ için kanıt tabanı — okullarda YZ öğretmenliğine ilişkin kanıtın gücünü gözden geçirir.

  • YZ okuryazarlığı müdahalelerinin meta-analizi — 59 çalışmanın (172 etki, 7.211 katılımcı) üç düzeyli meta-analizi; büyük bir genel etki (g = 0,837) tahmin ederken etkililiğin bölgeye ve öğrenme sonucu odağına göre değiştiğini gösterir (bilgi odaklı müdahaleler, beceriler, tutumlar veya Etik hedefleyenlerden daha iyi performans gösterdi).

  • YZ Okuryazarlığı Yedigen — PRISMA ilkelerini izleyen, meta-analizin önünde duran nitel sentezi gösteren bütünleştirici bir literatür derlemesi.(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

  • Yabancı dil becerileri için dijital ve YZ teknolojilerinin meta-analizi — Chen ve Wei (2026), 40 deneysel ve yarı-deneysel çalışmayı (3.367 katılımcı) büyük bir etkiye (g = 0,962, yüzde 95 GA 0,765 ila 1,159) havuzlar; yüksek heterojenlikle (I2 = 85,178) ve tahmini destekleyen yayın yanlılığı kontrolleriyle (Orwin’in başarısızlık-güvenli N = 5853; Egger sınavı p = 0,84465). Öğretici kısım tasarım aracı değişkenidir: yarı-deneysel çalışmalar g = 1,019 bildirirken gerçek deneysel çalışmalar g = 0,474 bildirdi ve doğrusal olmayan süre ve araç sayısı örüntüleri bir veya iki çalışmalık alt gruplara dayanır.

  • Yükseköğretimde üretken YZ ve öğrenme sonuçlarının meta-analizi — Jing ve meslektaşları (2026), 35 çalışma ve 175 etki büyüklüğünü g = 0,53’e havuzlar (yüzde 95 GA [0,48, 0,64]); en büyük mesleki becerilerde (g = 0,72), ardından akademik performansta (g = 0,46) ve duygusal tutumda (g = 0,44). Süre her boyutu aracılı kılar ve düşüş asıl mesele: akademik performans etkileri 0 ila 4 hafta müdahalelerde g = 5,07’den 4 ila 12 haftada g = 0,64’e ve 12 haftanın ötesinde g = 0,01’e düşer (Q = 35,19, p < 0,001). Disiplin tipi ve öğrenme yöntemi anlamlı aracı değişkenler değildi.

  • K-12 YZ eğitimi ve YZ okuryazarlığının meta-analizi — Yu ve meslektaşları (2026), 16 çalışmayı (57 etki büyüklüğü, 3.837 öğrenci, tüm etkiler pozitif) g = 0,892’ye havuzlar (yüzde 95 GA [0,548, 1,236]); kırpma-ve-doldurma ayarı onu g = 0,952’de bırakır. Sınanan üç aracı değişkenin (yayın kaynağı, yıl, okul düzeyi) tümü boş döndü ve yazarlar yüzde 94,68 heterojenliği ölçüme bağlar: çalışmalar YZ Okuryazarlığı’yi YZ bilgisinden ve etikten tutumlara, öz yeterliliğe ve kariyer ilgisine kadar her şey olarak işletmiş.

  • Programlama eğitiminde üretken YZ sistematik derlemesi — Yalcin ve meslektaşları (2026), 151 kaydı PRISMA ile 46 çalışmaya süzer; bunların 26’sı kullanılabilir bir öğretim yaklaşımı tanımı vermez ve 38’i tek bir aracı inceleyerek (yalnızca ChatGPT 46’nın 35’inde görünür). Derleme araçları, dilleri ve yerleri güvenilir biçimde haritalar ancak derleminin yarısından azı için pedagoji kodlayabilir; ince birincil çalışma raporlamasının bir sentezin ne sonuçlandırabileceğini sınırladığının temiz bir gösterimi.

  • Öğretimin öğrenci değerlendirmesinde NLP’nin tarama derlemesi ve kanıt haritası — Eicher ve da Silva (2026), 421 çalışmayı teknik bir eksende ve dört değer boyutunda puanlar; eyleme dönüştürülebilirliği, belirtilen yararlılıktan kararlar üzerindeki ölçülmüş etkiye kadar altı düzeyli bir ölçekte kodlar ve 421 çalışmanın 258’inde (yüzde 61,3) kullanılabilir bir çıktıya ulaşır; buna karşılık hedeflenen kullanıcı değerlendirmesi yalnızca 49’da (yüzde 11,6) olur. Bir boşluğu kodlanmış bir boyuta dönüştürmek, derlemenin "model işe yarıyor" ile "geri bildirim öğretimi değiştiriyor" arasındaki 49,7 puanlık sınırı merkezi bulgu olarak adlandırmasını sağlar, bir uyarıdan ziyade.

  • Sağlık senaryo öğrenmesinde üretken YZ’nin PRISMA 2020 derlemesi — Neto ve meslektaşları (2026), sağlık eğitiminde senaryo, vaka, problem- ve Simülasyon-temelli Karma Yöntemler Değerlendirme Aracı (MMAT) ile değerlendilen 23 dâhil çalışmaya süzmek üzere 1.151 kaydı taradı. Tematik sentezleri, istek metni tasarımını öğretim belirtimi olarak temel alan altı kesişen tema ortaya çıkardı ve doğrulama standartlaşmasındaki, boylamsal/karşılaştırmalı tasarımlardaki ve verimlilik nicelemendeki boşlukları belgeledi — titiz bir alana özgü üretken YZ sistematik derlemesi için bir şablon.

  • Dil eğitimcileri ve üretken YZ sistematik derlemesi — dil eğitimcilerinin üretken YZ’yi nasıl algıladığı, benimsediği ve entegre etmeyi öğrendiğine ilişkin 23 SSCI dizinli ampirik çalışmanın (Aralık 2022–Eylül 2024) PRISMA-uyumlu bir derlemesi; episteme (kuramsal anlayış), techne (pratik beceri) ve phronesis (pratik bilgelik) Aristotelesci bilgi tipolojisi yoluyla sentezlenmiştir. Sahne arkası hazırlığa ağırlık veren temkinli, seçici benimsemeyi, üç bilgi tipinin tümünde kalıcı yetkinlik boşluklarını ve yalnızca üç yapılandırılmış mesleki gelişim müdahalesini belgeler — bir derlemenin hem kanıt tabanını hem alanın yöntemsel boşluklarını (burada, yapılandırılmış mesleki gelişim çalışmalarının kıtlığı) nasıl ortaya çıkarabileceğini gösterir.

  • Küresel yükseköğretimde YZ ve hizmet sunumunun sistematik derlemesi — Nyamboga (2026), beş alanda 155 çalışmayı sentezler ve her birinin kesinliğini uyarlanmış CASP ve JBI kaynaklı ölçütlerle derecelendirir; YZ entegrasyonunu ve altyapı hazırlığını yüksek, liderliği orta ve etik yönetişimi ve sürdürülebilirliği düşük notlandırır. Derleme ayrıca kalite merceğini kendi derlemine çevirir: 117 çalışma (yüzde 75,5) başarılı uygulama bildirdi, 124’ü (yüzde 80,0) yalnızca kısa vadeli etkiyi kapsadı ve yalnızca 23’ü (yüzde 14,8) etik, eşitlik veya yönetişim başarısızlıklarını bildirdi. Bir sentez, kanıtın ne kadar kesin olduğunu alan alan raporlayabilir; yalnızca işaret ettiği yönü değil.

  • Eğitimde PÖ sistematik derlemesi — Riedmann, Schaper & Lugrin (2025), 89 Pekiştirmeli Öğrenme çalışmasını (2000–2024) sentezlemek için PRISMA standardı bir protokol uyguladı. Derleme, sentez yöntemlerinin ve sınırlarının öğretici bir vaka çalışmasıdır: hızla büyüyen ama yöntemsel olarak düzensiz bir alanı haritalar — çalışmaların yarısından fazlası (n = 54) istatistiksel test yapmadığını bildirdi — ve etki büyüklüğü analizini yalnızca havuzlamaya uygun 15 makale üzerinde yürüttü; canlı değerlendirmelerden orta-büyük etkiler (Cohen’s d) bildirdi. Ayrıca yayın yanlılığı kontrolleri (hun grafiği, Egger sınavı, PET-PEESE) yaptı; bunlar anlamlı bir yanlılık bulmadı ama sınırlı güce sahipti (n = 6), ve heterojen değerlendirme protokolleri daha geniş havuzlamayı engellediği için tam bir meta-analiz yerine tematik artı sınırlı-nicel sentezde durdu — aşağıda açıklanan heterojenlik ve çöp-gir-çöp-çık sınırlarının somut bir gösterimi.

  • YZ üzerine HCI araştırmasında kritik düşünmenin tarama derlemesi — Inie ve meslektaşları (2026), 80 ampirik makaleyi haritalar ve bilerek hiç kalite değerlendirmesi yapmaz; böylece "iddia edilen" etki, her makalenin belirttiği sonucu ifade eder. Yalnızca 23 makale (yüzde 29) kritik düşünmeyi tanımlar, 46’sı (yüzde 57) bir kuramsal konuma atanamaz ve 49’u (yüzde 61) yapıtı kendi bildirimiyle ölçer; bu da 50 makalenin (yüzde 62) pozitif bir etki bildirmesine izin veren şeydir. Bir yapıt bu kadar tanımsız olduğunda ve ölçüleri karşılaştırılamaz olduğunda, alanı haritalamak onu havuzlamaktan daha bilgilendiricidir ve değerlendirmeyi geri tutmak iddiayı bir etkiden çalışmaların neyi öne sürdüğünün tanımına kaydırır.

  • Yükseköğretimde YZ entegrasyonunun haritalama derlemesi (FACETS + SAMR) — 22 müdahale çalışmasına 959 kaydı süzen bir PRISMA 2020 derlemesi; bir kodlama çerçevesinin (FACETS: Biçim, YZ kullanım vakası, Bağlam, Eğitim odağı, Teknoloji, SAMR) artı değerlendirici bir merceğin (SAMR) parçalanmış bir literatürü nasıl haritaladığını ve dönüşümün derinliğini nasıl derecelendirdiğini gösterir. Dâhil edilen çalışmaların çoğu SAMR İkame/Arttırım düzeyinde oturdu; bu, haritalama derlemelerinin geniş ama yüzeysel bir entegrasyon alanını ortaya çıkarabileceğini gösterir — amaç bir etki tahmin etmekten ziyade bir manzarayı betimlemek olduğunda etki havuzlamasına bir alternatif.

  • K-12 YZ temelli öğretimde öğretmen müdahalesinin sistematik derlemesi — Lee (2026), 1.565 kaydı her aşamada iki bağımsız puanlayıcıyla (süzmede κ = 0,655, uygunlukta κ = 0,647) 29 çalışmaya ve bir çalışmayı çıkaran bir MMAT kalite değerlendirmesine süzdü. Bu, bilerek havuzlamanın önünde duran sentezlerin öğretici bir örneğidir: dâhil çalışmaların çoğunda öğretmen müdahalesinin bağımsız etkisi YZ sistemi tasarımından, öğretim yapısından ve sınıf bağlamından ayrılamadığı için derleme, bir etki büyüklüğü yerine koşullu sonuçları ve süreç, strateji ve etkinin açıklayıcı bir çerçevesini bildirir — bir derlemeyi bir meta-analizden ayıran sınırın aynısı.

  • YZ eğitiminde etik değerler ve normların sistematik derlemesi — Agarwal ve meslektaşları (2026), Web of Science, ERIC, IEEE CSDL ve ACM DL’de (artı geriye dönük kartopu) 736 kaydı 25 dâhil makaleye süzdü; parçalanmış YZ eğitimi etiği literatürünü altı ana etik değerde birleştirdi (ayrımcılık yapmama, veri vekilliği, insan gözetimi, iyi niyet, açıklanabilirlik, eğitime uygunluk) ve etik normları paydaşa göre değer matrisine eşledi. Derleme, sistematik bir protokolün kavramsal olarak parçalanmış, büyük ölçüde ampirik olmayan bir literatürü (25 makalenin yalnızca üçü yöntem makalesi veya özgün araştırmaydı) nasıl sentezleyip YZ Yönetişimi ve politika için bir temel haline getirebileceğini gösterir.

  • PBL/PjBL’de üretken YZ’nin üç düzeyli meta-analizi — Chen ve meslektaşları (2026), 22 kontrollü çalışmayı ve 66 etki büyüklüğünü öğrenen-içi sonuçlarda büyük bir etkiye havuzlar (g = 0,819, yüzde 95 GA [0,655, 0,983]); ardından bir PET-PEESE küçük-çalışma düzeltmesinin tahmini g = 0,378’e indirdiğini, ürün-performans modelinin (g = 1,958, altı çalışma) ise sıfırı çizen bir tahmin aralığı taşıdığını bildirir. İki ek çalışma, 0,25 SD’lik bir What Works Clearinghouse taban eşdeğerliği eşiğini geçemediği için çıkarıldı. Bildirilen etki, bir sentezin uyguladığı yanlılık düzeltmelerine ve tasarım süzgeçlerine bağlıdır ve ikisi de yoruma dâhildir, dipnot değil.

Disleksi için YZ’nin disiplinler arası derlemesi

Dabaghi, D’Urso & Sciarrone (2026), eğitimde disleksi olan öğrencileri desteklemek için YZ ve üretken YZ üzerine PRISMA rehberli, disiplinler arası bir sistematik derleme (2018–2024, n = 72) sunar. Derleme, YZ’yi tespit, yardımcı destek ve kişiselleştirilmiş öğrenme üzerinden haritalar; bu dalların entegrasyon yerine paralel evrimleştiğini, pekiştirilmiş eğitim kuramından çok teknolojik fırsatla yönlendirildiğini bulur. Üretken YZ’nin bu alanda yetersiz kullanıldığını (2024’ten olan GAI araştırması, sohbet robotları, öğretmen eğitimi desteği ve keşif çalışmaları olarak kümelenir) ve MK temelli yardım-eğitim araçlarının beş alana düştüğünü (özgül uygulamalar, etkileşim, kişiselleştirme, öneri, jenerik destek) belgelerken teknik performansı ekolojik geçerliliğe tercih ettiğini vurgular. Açık zorluklar arasında sınırlı deneysel doğrulama, tanı araçlarının ölçeklenebilirliği ve Erişilebilirlik, hassas öğrenci verisiyle ilgili etik/gizlilik kaygıları, sınırlı öğretmen desteği ve dil/kültür engelleri yer alır. Derlemenin kendi yöntemsel sınırları — yorumsal sınıflandırma yanlılığı, İngilizce dışı çalışmaların dışlanması, nicel sentezi engelleyen heterojen değerlendirme protokolleri ve hızla evrimleşen bir GAI kanıt tabanı — sistematik-derleme ailesinin temel gerginliğini gösterir: şeffaf bir protokol parçalanmış bir alanı haritalayabilir, ancak heterojen değerlendirme istatistiksel havuzlamayı engeller; bu yüzden derleme meta-analiz yerine tematik sentezde durur.

YZ çağı sentez zorluğu: verimlilik ve öğrenme karşı karşıya

Üretken YZ müdahalelerinin derlemeleri, bilgi tabanının sentez araştırmasının öne çıkardığı ayırt edici bir zorlukla karşılaşır: verimlilik kazanımlarını kalıcı öğrenme kazanımlarından ayırmak. Çünkü üretken YZ, öğrenme üretmeden anında görev performansını (ödev, destekli alıştırma) şişirebilir; meta-analizler hangi sonucu havuzladıklarına dikkat etmelidir. Üretken YZ-ve-programlama meta-analizi, büyük verimlilik kazanımları ama önemli öğrenme kazancı buldu (g ≈ 0) — temiz bir gösterim. Büyük ölçekli alan çalışmaları ve yardımsız-ölçüm araştırması, ölçülen etkinin sonuçların YZ destekli mi yoksa gözetimli/yardımsız mı olduğuna bağlı olduğunu gösterir. Derlemeler bu nedenle destekli ve yardımsız sonuçları ayrı ayrı bildirmeli, performansı öğrenmeden ayırt etmeli ve yalnızca anında YZ destekli performansı ölçen çalışmaları işaretlemelidir. Tamamlayıcı bir uyarı YZ-okuryazarlığı meta-analizinden ortaya çıkar: hangi sonucun havuzlandığı da yanıtı şekillendirir — bilgi odaklı YZ Okuryazarlığı müdahaleler, beceriler, tutumlar veya etik hedefleyenlerden daha büyük etkiler gösterdi; böylece yalnızca bilgi sonuçlarını havuzlayan bir derleme, YZ-okuryazarlığı öğretiminin genel olarak başardığını abartabilir. Bu, AIEd Değerlendirmesi ve Toplayıcı Değerlendirme ile bağlantılıdır.

Aynı yapaylık zaman boyutunda da görünür. Jing ve meslektaşlarının yükseköğretimde üretken YZ’nin 2026 meta-analizi (35 çalışma, 175 etki büyüklüğü, havuzlanmış g = 0,53), akademik performans etkilerinin 0 ila 4 hafta müdahalelerde g = 5,07’den 4 ila 12 haftada g = 0,64’e ve 12 haftanın ötesinde g = 0,01’e düştüğünü bildirir (Q = 35,19, p < 0,001); duygusal tutum etkileri aynı aralıkta g = 2,05 zirvesinden g = 0,18’e düşer. O kadar büyük, o kadar erken etkiler çoğunlukla görev düzeyi yardımı kaydeder, kalıcı öğrenmeyi değil; böylece kısa çalışmaların baskın olduğu bir havuzlanmış tahmin, gerçek bir uygulamanın sürdüreceği şeyin üst sınırı olarak okunmalıdır. Sonuçları havuzlayan derlemeler bu nedenle etki büyüklüğüyle birlikte müdahale süresini kaydetmelidir; çünkü süre, bu sentezler arasında ayakta kalan az sayıda aracı değişkenden biridir.

Güçlü yönleri ve sınırları

Güçlü yönleri:

  • Büyük, parçalanmış bir literatürün verimli sentezi
  • Meta-analiz havuzlanmış etki tahminleri verir, istatistiksel gücü artırır ve aracı değişkenlerle heterojenliği tespit eder
  • Sistematik protokoller anlatısal derlemelere göre şeffaflığı ve yeniden üretilebilirliği iyileştirir
  • Kanıta dayalı uygulama ve araştırma boşluklarını tanımlama için elzemdir

Sınırları:

Meta-araştırma, YZ eğitimi sentez tabanının şu anda zayıf olduğunu uyarır. Büyüyen bir eleştiri kümesi, alanın manşet YZ-etki büyüklüklerinin — özellikle erken meta-analizlerden gelenlerin — yayın yanlılığı, yapıt tutarsızlığı ve yöntemsel kısayollarla şişirildiğini belgeler. Bartoš ve ark. (2026), 67 meta-analizden 1.840 etki büyüklüğünü meta-analiz ederek yayın yanlılığı düzeltmeli YZ etkisini bildirilen büyüklüğün yaklaşık üçte biri olarak tahmin eder (SMD ≈ 0,196), aşırı heterojenlikle. O’Neill (2026), 14 yüksek etkili YZ eğitimi meta-analizini denetler ve hiçbirinin tutarlı bir yapıta, geçerli bir yayın yanlılığı değerlendirmesine veya çözülmüş heterojenliğe sahip olmadığını bulur; on ikisi bağımlı etki büyüklüklerini bağımsız olarak ele aldı. Weidlich ve ark. (2025), birincil karşılaştırmaların çoğunun iyi tanımlı bir tedavi, kontrol ve öğrenme ölçüsünden yoksun olduğunu gösterir. Bu, okuyucuların sentez kalitesi iyileşene kadar havuzlanmış YZ eğitimi etki büyüklüklerini üst sınırlar olarak ele alması gerektiği anlamına gelir — tam analiz için bkz. YZ Eğitimi Araştırmasındaki Sınırlar.

  • Raporlama standartları otomasyonun hızına ayak uyduramadı. PRISMA-LLM, 14.726 açıklamalı 888 derleme-otomasyonu makalesinden oluşan bir derlem olan SciLitBench’i analiz eder ve aylık yaklaşık yüzde 4,7’lik bir büyüme hızının yanında bir hesap verebilirlik boşluğunu belgeler: 2023’ten beri yazılım ve ürün makalelerinin yüzde 38,0’ı hiç değerlendirme bildirmedi, LLM makalelerinde yüzde 9,3’a karşı ve yalnızca pozitif LLM değerlendirmelerinin yüzde 52’si karşılanmamış bir yüksek-bariyer kaygısı bildirdi. LLM ve yazılım hatları artık kanıt tabanını değiştirebilen aşamalara katıldığından, çerçeve, derleme iş akışında otomasyonun nerede çalıştığının, neyin değerlendirildiğinin ve hangi sınırlamaların kontrol edildiğinin açıklanmasını gerekli kılar — öğrenme etkilerinin meta-analizleri için YZ eğitimi derleme eleştirilerinin belgelediği şeffaflık sorununun doğrudan bir uzantısı. (PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews)

Diğer yöntemlerle ilişki

Bilgi tabanının yöntem manzarası içinde, meta-analiz ve sistematik derleme birincil tasarımları tamamlayan sentez ailesidir:

Araştırmacılar için çıkarımlar

  1. Çıkarılabilir etki büyüklüklerini raporlayın. Bir literatürün meta-analiz edilebilir olması için birincil çalışmalar karşılaştırılabilir etki büyüklükleri ve yeterli yöntem ayrıntısı bildirmelidir — her YZ eğitimi çalışmasının sorumluluğu.(AIED’de Araştırma Yöntemleri) Yeterli ayrıntı öğretim yaklaşımını dâhil eder: programlama eğitiminde üretken YZ sistematik derlemesi, 26’sı ne yaptığını asla tanımlamadığı için 46 çalışmasının yarısından azı için pedagoji kodlayabildi; birincil yazarların atladığı ayrıntı, sonraki sentezlerin kurtaramadığı ayrıntıdır.
  2. Şeffaf bir protokol izleyin. PRISMA rehberli arama, süzme ve değerlendirme derlemeleri yeniden üretilebilir ve savunulabilir kılar.
  3. Havuzlanmış etkileri temkinli yorumlayın. Güçlü sonuçlar çıkarmadan önce heterojenliğe, yayın yanlılığına ve dâhil çalışmaların kalitesine dikkat edin.
  4. Gündemi belirlemek için derlemeleri kullanın. Derlemelerin belgelediği boşluklar (başarısızlık vakaları, iş yeri ortamları, İngilizce dışı ve dizinlenmemiş çalışmalar, uzun vadeli sonuçlar) yeni birincil araştırmanın nerede gerektiğini yönlendirmelidir.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)
  5. Boş aracı değişkenleri bulgu olarak ele alın. Aracı değişkenler boş döndüğünde ve heterojenlik yüksek kaldığında, bu, müdahalenin yanı sıra alanın durumu hakkında (yapıt tutarsızlığı, ince tasarım raporlaması) bir kanıttır ve düşürülmek yerine sentez anlatısına dâhil edilmelidir.(The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis)(The Impact of Digital and Artificial Intelligence Technologies on the Improvement of Foreign Language Listening, Speaking, Reading and Writing Skills: A Meta-Analysis)

Sağlık Senaryo Öğrenmesinde Üretken YZ

  • Sağlık senaryo öğrenmesinde üretken YZ’nin PRISMA 2020 derlemesi. Neto ve meslektaşları (2026), sağlık eğitiminde senaryo, vaka, problem- ve Simülasyon-temelli akran hakemli üretken YZ çalışmaları için beş veri tabanını (9 Kasım 2025) sistematik olarak aradı; 1.151 kaydı, Karma Yöntemler Değerlendirme Aracı (MMAT) ile değerlendilen 23 dâhil çalışmaya süzdü. Tematik sentezleri, istek metni tasarımını öğretim belirtimi olarak temel alan altı kesişen tema ortaya çıkardı ve doğrulama standartlaşmasındaki, boylamsal/karşılaştırmalı tasarımlardaki ve verimlilik nicelemendeki boşlukları belgeledi — titiz bir alana özgü üretken YZ sistematik derlemesi için bir şablon.

Bağlı Kavramlar

Bağlı Makaleler

Bağlı SSS

Üst veri

Çalışma tasarımıLiterature Review
Araştırma yöntemleri ve değerlendirmeAIEd Değerlendirmesi, Meta-Analiz ve Sistematik Derleme, AIED’de Araştırma Yöntemleri
Eğitimde YZ’nin temelleriEğitimde Yapay Zeka
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.