Önceki Bilgi

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

Önceki bilgi — öğrenenin yeni bir öğrenme görevine getirdiği mevcut bilgi, beceri, inanç ve zihinsel modeller. Sonraki öğrenmenin en güçlü tek belirleyicisidir: yeni bilgi, öğrenenin zaten bildiği şeyler üzerinden — ve onlarla bütünleşerek — yorumlanır; dolayısıyla önceki bilgiyi etkinleştiren ve üzerine inşa eden öğretim, her öğreneni boş bir sayfa olarak ele alan öğretimden daha güçlü ve daha kalıcı öğrenme üretir. Eğitimde YZ’de, önceki bilgi; öğrencinin mevcut durumuna öğretimi uyarlamada Öğrenen Modellemesi ve Uyarlanabilir Öğretim, bilginin mevcut zihinsel modeller üzerine etkin biçimde inşa edildiği Yapılandırmacılık ilkesinde ve içeriği önceden getirip sunan YZ araçlarının önceki bilgiyi etkinleştiren geri çağırma pratiğini atlatma riskinde merkezi bir yere sahiptir.

Dikkate Alınması Gereken Sorular

• Derinden öğrendiğiniz bir şey ve öğrenmesi zor geldiğiniz bir şey nedir? Aradaki farkın ne kadarı başlarken zaten bildiklerinizden geldi?
• Önceki bilgiye sahip olmak yeterli değil — bilgi etkin biçimde geri çağrılmalı ve bağlanmalıdır. Zaten bildiğiniz bir şeyi hatırlamanızın (veya hatırlayamamanızın) yeni bir şeyi ne kadar iyi öğrendiğinizi ne zaman değiştirdi?
• Sayfa, önceki bilginin yanlış olduğunda (bir yanlış kanı) öğrenmeyle çatışabileceğini söylüyor. Yeni ve doğru bilgiyi öğrenmeyi zorlaştıran bir inancınız oldu mu?
• Yanıtları önceden getiren üretici bir YZ, önceki bilgiyi etkinleştiren geri çağırma pratiğini atlatabilir. Size öğrenmenize yardımcı olmak için tasarlanmış bir araç, bildiklerinizi hatırlamanızı nasıl engelleyebilir?
• Bir YZ kişiselleştirmek için önceki bilgi durumunuzu tahmin etmek zorundaysa, bu tahmin yanlış olduğunda ne olur? Bir sistemin zaten bildiklerinizi doğru biçimde bilebileceğinden ne kadar eminsiniz?
• “Önceki bilgiyi etkinleştirmek”, öğrencilere öğretime geçmeden önce sadece bir soru sormaktan nasıl farklıdır? Bu etkinleştirmeyi, onu izleyen öğrenmeyi gerçekten derinleştiren şey ne olurdu?

Giriş

Önceki bilgi etkinleştirme, öğrenme bilimleri’nin en sağlam bulgularından biridir: öğrenenler yeni materyali boşlukta emmez, mevcut şemalar üzerine yerleştirir ve bu yerleştirmenin kalitesi, kalıcılığı ve aktarımı belirler. Kavram, Ausubel’in ön düzenleyicilerini, yeni öğretimden önce önceki bilginin etkinleştirilmesini, bilinenin etkinleştirilmesi ve güçlendirilmesi biçimi olarak geri çağırma pratiğini ve öğrenenlerin zaten bildiklerinin teşhisî Değerlendirme destekler. YZ çağında, üretici YZ etkinleştirmeyi ya destekleyebildiğinden (öğrencileri bildiklerini hatırlamaya ve bağlamaya yönlendirerek) ya da onu tamamen atlatabildiğinden (öğrencinin geri çağırmak veya bütünleştirmek zorunda kalmadan anında bir yanıt veya önceden getirilmiş içerik sunarak) önceki bilgi yeni bir aciliyet kazanmıştır.

Önceki bilginin rolü

• Öğrenmenin en güçlü belirleyicisidir. On yıllık araştırma, öğrenenin zaten bildiğinin, hemen hemen her faktörden daha güçlü biçimde öğrenme çıktılarıyla ilişkili olduğunu gösterir; çünkü yeni bilgi mevcut zihinsel modellere göre kodlanır. Her öğrenenin önceki bilgi durumuna uyum sağlayan YZ sistemleri bu nedenle verimlilik ve aktarım açısından özellikle umut vaat eder.
• Sahip olmak değil, etkinleştirmek önemlidir. Önceki bilgiye sahip olmak yeterli değildir — bilgi etkin biçimde geri çağrılmalı ve yeni materyale bağlanmalıdır. “Önceki bilgiyi etkinleştirmek”in standart bir öğretim hamlesi olmasının nedeni budur; geri çağırma pratiğinin (bilgi eklemeden önce bildiğinizi hatırlamak) basit yeniden maruz bırakmanın ötesinde öğrenmeyi iyileştirmesinin nedeni de.
• Öğrenmeyi yürüten işi kimin yaptığını her zaman tahmin etmez. 23 ortaokul öğretmeniyle yapılan beş günlük bir öğreterek-öğrenme çalışmasında, önceki test puanları bir öğretmenin ürettiği bilgi kurma yanıtlarının payını tahmin etmedi ve bilgi kuran düşük önceki bilgili öğretmenler istatistiksel olarak yüksek önceki bilgili akranlarıyla aynı düzeyde tamamladı (Ameen ve ark., 2026).
• Yorumu şekillendirir. Öğrenenler yeni bilgiyi zaten inandıkları şey üzerinden yorumlar. Bu inançlar yanlış olduğunda (YZ Hakkında Yanlış Kanılar), önceki bilgi öğrenmeyle çatışabilir; öğretimin nötr bir başlangıç noktası varsaymak yerine yanlış kanıları ortaya çıkarıp ele almasının nedeni budur.
• Öğrenen modellemesini yönlendirir. Kişiselleştirmek için bir YZ sistemi, öğrencinin önceki bilgi durumunu tahmin etmek zorundadır — Bilgi İzleme, öğrenen modellemenin ve uyarlamalı İskeleleme (Scaffolding) temeli budur. Bu tahminlerin kalitesi, uyarlamanın gerçekten yararlı mı yoksa yanıltıcı mı olacağını belirler.
• Bilgi içeriği, hangi süreç pratiğinin devreye girdiğini belirler. Öğrenmenin belleğe mi yoksa tümevarıma mı dayandığı, hedefin önceki bilgi yapısıyla belirlenir: Rachatasumrit, Koedinger & Carvalho (2025), KLI çerçevesini izleyerek sabit koşullu ve yanıtlı bilgi bileşenlerini (bellek ve geri çağırma pratiği yoluyla kazanılan olgular) değişken koşullu ve yanıtlı olanlardan (tümevarım ve yeni girdilere genelleme yoluyla kazanılan beceriler) ayırır — bu, çözümlenmiş örnekler ile pratiğin en uygun karışımının neden olgu içeriği ile beceri içeriği için farklılaştığının gerekçesidir.

YZ çağında önceki bilgi

Üretici YZ, önceki bilgiyi arka plan değişkeni değil, merkezi bir tasarım ölçütü haline getirmiştir:

• Atlatma riski. Öngörülü etmenci YZ içeriği önceden getirip sunarak, önceki bilgiyi etkinleştiren geri çağırma pratiğini atlatabilir — öğrenci bir yanıt almadan önce bildiklerini hatırlamak veya bütünleştirmek zorunda kalmaz. Bu, etmenci-eğitim en iyi uygulama çerçevesinde belirlenen alt pedagojik riskten biridir ve doğrudan Aşırı Bağımlılık ile İstenen Zorluklar ilkesine bağlanır: çaba gerektiren işleme, kalıcı öğrenmeyi destekler.
• Önceki bilgi, yalnızca sonuçları değil, dışa aktarma örüntüsünü şekillendirir. Bir sentez yazma çalışmasında, yüksek bilgi-düşük dışa aktarma kümesi kompozisyonunun %80’ini yazdı, en ağır dışa aktarma kümesi (ortalama 25,1 istek metni) ise %2’sini; böylece istek metni hacmi önceki bilgiyi izledi, çabayı değil (Poquet ve ark. (2026)).
• Fayda boşluğu katlanır. Üretken YZ kullanımı öğrenenin zaten bildiğine bağlı olduğundan, önceki bilgisi daha güçlü öğrenciler ondan daha iyi yararlanırken, acemiler onu bir ikame olarak görmeye en yatkın olanlardır — erişim eşit olsa bile başarı boşluklarını genişletebilen bir dağılımsal risk (Lodge & Loble (2026)).
• Tasarım olarak hazırlama ve etkinleştirme. Üretici YZ zihin-aracı yaklaşımları, yeni içeriğe geçilmeden önce soru sorma, YZ tarafından üretilen görseller ve benzetmeler yoluyla önceki bilgiyi ve merakı etkinleştirerek “öğrenme görevini kasten hazırlar” (örneğin, “Ekosistemler hakkında zaten ne biliyorsunuz?”) — yanıt sunma yolu yerine geri çağırma-ve-bütünleştirme yolunu modelleyerek.
• Öğrenen modelleme ve bellek. YZ sistemleri giderek daha fazla, öğrencilerin önceki bilgi durumunu ve boyuna belleğini modellemektedir (örneğin, özel ders belleğine önceki bilgi durumu ve unutma eğrilerini dahil ederek), her öğrenenin zaten bildiğinin üzerine inşa eden aralıklı tekrar ve uyarlamalı gözden geçirmeyi mümkün kılarak.(PersonaVLM: Long-Term Personalized Multimodal LLMs)
• Kişiselleştirilmiş uyarlama kaldıracı. Öğrenenler önceki bilgide geniş ölçüde farklılaştığından, uyarlama bireye göre ayarlanmalıdır — öğrencileri bir sınıf ortalaması varsayımı yerine gerçek mevcut durumlarıyla karşılayan Kişiselleştirilmiş Öğrenme ve uyarlamalı İskeleleme (Scaffolding) için temel bir argüman.

Eğitimde YZ tasarlamak için çıkarımlar

1. Sunmadan önce etkinleştirin. YZ etkileşimlerini, yeni içerik veya yanıt sağlamadan önce öğrencileri bildiklerini geri çağırıp ifade etmeye yönlendirecek biçimde tasarlayın — geri çağırma pratiğini atlatmak yerine koruyun.
2. Öğrenenin önceki bilgi durumunu modelleyin. Öğrenen modellemesini ve uyarlamayı varsayılan tekdüzelik yerine tahmini edilmiş önceki bilgiye (ve onun yanlış kanılarına) kurun, böylece kişiselleştirmeyi gerçekten duyarlı kılın.
3. Yanlış kanıları ortaya çıkarıp ele alın. Önceki bilgi yanlış olduğunda öğrenmeyle çatışacaktır; öğretim, kusurlu temellerin üzerine yeni içerik eklemek yerine yanlış kanıları gün yüzüne çıkarıp düzeltmelidir.
4. Sürtünme değiş-tokuşunu tartın. Önceki bilgiyi etkinleştirmek, YZ’nin sürtünmeyi giderme varsayılanlarının silmeye meyilli olduğu istenen bir zorluk (geri çağırma, bütünleştirme) ekler — otomasyonun varsayılan olarak çözmesine bırakılmayan, kasten yönetilmesi gereken bir gerginlik.

Bağlı kavramlar

• Öğrenenler — Öğrenenler: öğrenen tarafı kavramlar için şemsiye başlık
• Yapılandırmacılık
• Kişiselleştirilmiş Öğrenme
• Öğrenen Modellemesi ve Uyarlanabilir Öğretim
• YZ Hakkında Yanlış Kanılar
• ICAP Çerçevesi
• Bilgi İzleme
• İskeleleme (Scaffolding)
• Öz Düzenlemeli Öğrenme
• Öğrenmenin Aktarımı
• Metabiliş
• Bilişsel Yükü Dışarı Aktarma
• İstenen Zorluklar
• Öğrenme Kuramları
• Verimli Başarısızlık — Verimli Başarısızlık
• Hatırlatma (Retrieval), Aralıklı Tekrar (Spacing) ve Karıştırma (Interleaving) — öğrenenin zaten bildiğinin, geri çağırma pratiğinin neler yapabileceğini nasıl belirlediği

Bağlı makaleler

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Otomasyon ile öğrenme arasındaki gerginlik (önceki bilgi etkinleştirme riski)
• Generative AI (GenAI) as a mindtool that supports generative learning (GL) — Zihin aracı olarak üretici YZ: önceki bilgiyi hazırlama ve etkinleştirme
• PersonaVLM: Long-Term Personalized Multimodal LLMs — YZ öğrenen modelleme ve bellek
• Artificial intelligence, cognitive offloading and implications for education — Bilişsel dışa aktarma üzerine Lodge & Loble
• Profiling cognitive offloading in LLM-mediated synthesis writing: Volume vs. content — YZ sentez yazmasında bilişsel dışa aktarma
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators — Matematik için bir öğretim tasarımı çerçevesi
• Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — önceki bilgi değil, bilgi kurma; özel ders öğrenmesini öngörür ve bilgi kuran düşük önceki bilgili özel derslerin yetişmesi
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content