AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

RCT

Oluşturuldu 2026-10-14

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

Randomize kontrollü deney (RCT) — katılımcıların bir müdahalenin bir çıktı üzerindeki nedensel etkisini tahmin etmek için bir deney (treatment) ya da kontrol koşuluna rastgele atandığı bir araştırma tasarımıdır. Eğitimde YZ bağlamında RCT’ler, bir YZ aracının ya da pedagojik yaklaşımın öğrenme kazanımları, bağlılık değişimleri ya da diğer çıktılarda bir değişime neden olup olmadığını belirlemede altın standarttır; yalnızca bunlarla ilişkili olup olmadığını değil.

Dikkate Alınması Gereken Sorular

  • Bir okul size "YZ aracını kullanan öğrenciler daha yüksek puan aldı" diyorsa, fark büyük olsa bile bu neden aracın kazancı yarattığını kanıtlamaya yetmeyebilir?
  • Randomizasyon, bilinen ve bilinmeyen karıştırıcıları gruplar arasında dengeler. Okumadan önce, ne kadar iyi eşleştirilmiş görünürlerse görünsünler, iki bütün sınıfı karşılaştırmaktan rastgele atama neyi başarır?
  • Sayfa RCT’yi altın standart olarak adlandırır ama gerçek maliyetleri de listeler: yapay ortamlar, deneyleri eskitleyen hızlı değişen YZ, yetersiz güçte küçük örneklemler ve yardımcı araçları geri tutmada etik kısıtlamalar. Bu ödünleşimlerden hangisinin eğitim araştırması manşetlerinde en sık göz ardı edildiğini düşünüyorsunuz?
  • 1.174 katılımcıyla bir RCT, üretici YZnin eğitime dayalı bir verimlilik boşluğunun yaklaşık üçte üçünü kapattığını buldu. Ama iyi yürütülen bir RCT hâlâ yapay bir ortamda dar bir görev üzerinde yürütülebilir. Nedensel iddiaya güvenmeden önce çıktı ölçümü hakkında neyi kontrol etmelisiniz?
  • Etik sorunu doğrudan düşünün: bir YZ özel ders asistanının öğrencilerin öğrenmesine yardım ettiğine dair gerçekten makul nedeniniz olsaydı, bir sömestr boyunca onu sınıfın yarısından rastgele esirgemek savunulabilir mi? Yine de nedeni izole eden, etik açıdan sağlam bir çalışmayı nasıl tasarlardınız?

Giriş

Randomizasyon, bir RCT’yi diğer tasarımlardan ayıran şeydir: öğrenenleri koşullara rastgele atayarak bir RCT, bilinen ve bilinmeyen karıştırıcıları gruplar arasında dengeler, böylece çıktılarda gözlemlenen her fark yüksek iç geçerlilikle müdahaleye atfedilebilir.

RCT’ler araştırmada nasıl görünür

  • Hızla değişen teknolojiye bir yanıt olarak mikro-RCT’ler: Harrison ve ark. (2026), geleneksel büyük ölçekli deneylerin, bir çalışma süresince önemli biçimde değişen özel ders platformlarının hızına ayak uyduramayacağını ileri sürer ve nedensel tahmini tekrarlanabilir kılmak için İngiliz ortaokullarında öğretmen yönetimindeki mikro-randomize kontrollü deneyler kullanır (929 öğrenciden 644'ü sonrası testini tamamladı, g = 0,33). Ödünleşimler kendi tasarımlarında belirtilir: %30,7 kayıp (attrition), bağımsız olarak standartlaştırılmış yerine müfredat uyumlu çıktılar ve yalnızca dört haftalık izleme.

  • Nedensel etkililik iddiaları: AIED’deki RCT’ler, bir YZ özel ders asistanının, aracının ya da pedagojik müdahalenin çıktıları iyileştirip iyileştirmediğini sınar. Üretici YZ üzerine randomize bir deney 1.174 katılımcıyla, üretici YZ’nin eğitime dayalı verimlilik boşluklarını önemli ölçüde daralttığını, başlangıç performans farkının yaklaşık üçte üçünü kapattığını buldu — YZ’nin etkisine ilişkin net bir nedensel tahmin.

  • Altın standarda karşılaştırma: Araştırma yöntemleri sayfası, RCT’leri iç geçerlilik için en güçlü tasarım olarak konumlandırırken ödünleşimlerini de not eder — maliyet, yapay koşullar, hızla değişen YZ, küçük yetersiz güçlü örneklemler ve muhtemelen yardımcı araçları geri tutmada etik sınırlar.

  • Farklılık değil, eşdeğerlik için tasarlanmış bir deney. Northcutt ve ark. (2026), 2.383 yetişkini YZ özel ders desteğine, canlı insan özel ders desteğine ya da video kontrolüne randomize etti; yayınlanmış test kirliliğini dışarıda tutmak için eski ETS ve Kaplan test geliştiricileriyle yeni GRE maddeleri yazdı, iki formu karşı dengeledi ve eşdeğerliği ±0,25 SS’ye karşı iki tek taraflı testle sınadı — farklılığa göre değil; "anlamlı bir fark yok" ifadesini yorumlanabilir bir sonuç haline getiren tasarım tercihleri.

  • Grup randomizasyonu, düşük benimseme ve bunun ardından niyet-ile-değerlendirme (intent-to-treat) tahmininin anlamı. Liu ve ark. (2026), 13 blok boyunca 2.379 lisans öğrencisini, öğrenciler yerine öğretim üyelerini atayarak randomize etti, böylece bir bölümdeki her öğrenci o öğretim üyesinin koşulunu devraldı — çok bölümlü bir uygulama deneyini uygulanabilir kılan, ve çalışmanın belgelediği çıkarım sorunlarını yaratan tasarım. Deney grubundaki bölümlerdeki öğrencilerin yalnızca yaklaşık %15'i aracı hiç kullandı, bu yüzden bildirilen etkiler onu kullanmayı değil, erişimi sunmayı tahmin eder; yazarlar müdahaleyi, tanıtımının indüklediği daha geniş YZ kullanımı olarak okur ve bireysel oturumları ayrı bir soru olarak ele alır. Müdahale öğretim üyesi düzeyinde atandığı için, çıkarım 34 kümeye dayanır — küme-robust standart hataların duyarlılığı abarttığı bir durum — bu yüzden makale bunların yanında randomizasyon çıkarımını da bildirir ve sonuçlarının sağlam olduğunu bulur. İki manşet etki — tam eşleşme örneğindeki final notlarında 0,37 SS’lik düşüş ve her iki örneklemde kaydedilen platform katılımında 0,90 SS’lik düşüş — deney ve kontrol grubundaki sınıf arkadaşları arasında kirlenme olmadan, aynı aracın öğrenci başına randomizasyonunun izole edemeyeceği bölüm düzeyi sonuçlardır.

  • Benimseme bir deneyin sınayabileceğini sınırlar ve bağlılık desteği doz değildir. Robinson ve ark. (2026), kontrol grubundaki öğrencilerin yalnızca %60,7'si ile %53,3'ünün platformu hiç kullandığı iki okuma platformu RCT’si yürüttü; bir bağlılık özel ders asistanı okunan hikayeleri %71–80 arttırdı ama hiçbir başarı kazancı üretmedi, bu da haftada ulaşılan 2–5 dakutaya uygundu.

  • Boşları kanıta dönüştüren ölçek. Mata ve ark. (2026), sekiz dönem boyunca 8.708 öğrenciyi 0,05 SS’lik etkileri tespit etme gücüyle izledi ve tarihli ikili görevlerde büyük, anında bir hareket buldu — tek bir hatırlatmadan sonra 16 Ağustos’a kadar 34 yüzde puanlık kayıt artışı — oysa akademik performans, devamlılık ve mezuniyet tespit edilebilir bir etki göstermedi. Ölçek tasarım dersidir: bu N’de akademik boşlar, tespit başarısızlıkları değil, kesin sonuçlardır; bu, bir iletişim aracının ele alabildiği şeyi değiştirdiği ve birikimli öğrenme çıktılarını değiştirmediği sonucunu olanaklı kılan şeydir.

  • Bir boş ortalama, birbirini dengeleyen heterojenliği maskeleyebilir. Okul-bölüm düzeyinde 24 Türk okulundaki 538 öğretmeni randomize eden, ön kayıtlı bir RCT, ortalamanın altındaki öğretmenlerde başarının 0,129 SS düştüğünü, ortalamanın üstündekilerde 0,054 yükseldiğini ve motivasyonun 0,111 SS düştüğünü buldu; tavan etkili sıkıştırılmış bir sınav (kontrol grubu ortalaması 89,2/100) gücü sınırladı.(Sungu, Lira & Duckworth (2026)).

  • Soruyu ve tespit edilebilir etkiyi sabitleyen ön kayıt. Meyer ve ark. (2026), her iki kurs denemesini de Registry of Efficacy and Effectiveness Studies’e kaydettirdi; niyet-ile-değerlendirme tahmini ve yaklaşık 0,157'lik bir minimum tespit edilebilir etki büyüklüğüne önceden bağlandı ve onay veren öğrencileri her dönem, ekleme/bırakma döneminde ikinci bir dalga ile randomize etti, böylece geç kaydolanlar varsayılan analiz örneklemi yerine tasarımın içine girdi. İki kurs boyunca 2.483 öğrenciyi birleştiren çalışmada etki, A/B eşiğinde (dört yüzde puanı) yer alırken, birleştirilmiş sayısal not değişimi çoklu karşılaştırma düzeltmesini atlatamadı — kayıtlı birincil çıktının, birkaç ilişkili sonuçtan hangisine inanılacağını disipline ettiğinin bir hatırlatması.

  • Bütün bölümler içinde, ön müdahale temel çizgisiyle randomizasyon. Thoeni & Fryer (2026), ekleme/bırakma döneminden sonra üç bütün pazarlama bölümü içinde 454 lisans öğrencisini randomize etti ve dört çıktının tamamını T1'de, hiçbir öğrencinin sohbet robotu erişiminden önce ölçtü, böylece dönem boyu karşılaştırma varsayılan bir temel çizgi yerine ölçülmüş bir temel çizgiye dayanır. Düz sonuç (hiçbir grup × zaman etkileşimi anlamlılığa ulaşmadı; bildirilen en büyük etki ilgi üzerinde d = 0,050 idi), benimsemeyle birlikte raporlanır — haftada bir atanmış kullanıma karşılık haftada 0,89 giriş — bu da zayıf kullanılan bir müdahale hakkındaki boşun, araç hakkındaki bir boş olarak okunmasını önler.

  • Özne içi çapraz geçiş ve en iyi uygulamada konulmuş bir kontrol. Kestin ve ark. (2025), 194 Harvard yaşam bilimleri öğrencisinin her birine iki fizik dersi çalıştırdı — biri sınıf içi bir Etkin Öğrenme oturumunda, biri kursun kendi YZ özel ders asistanıyla, her birinin çevresinde öncesi ve sonrası testleriyle karşı dengelenmiş sırada — böylece her öğrenci kendi kontrolü olur ve sunum kipleri karşılaştırması, kimin hangi koşula atandığıyla karışmaz. Tasarımın ikinci seçimi de en az kadar önemlidir: karşılaştırıcı bir ders yerine araştırma temelli etkin öğrenmeydi, dolayısıyla avantaj (ortanca sonrası test 4,5'e karşı 3,5) güncel en iyi uygulamaya karşı ölçülmüştür ve "YZ öğretmeyi yener" biçiminde okunamaz.

Güçlü yönler ve sınırlılıklar

  • Güçlü yönler: en güçlü nedensel çıkarım; temiz çıktı ölçümü; etki büyüklüğü tahmini; randomizasyon yoluyla karıştırıcıları dengeleme.
  • Sınırlılıklar: pahalı ve yavaş; yapay ortamlar ekolojik geçerliliği düşürebilir; YZ araçları deneylerin yürütülebileceğinden hızlı değişir; küçük örneklemler sıklıkla anlamlı etkileri tespit etmekte yetersiz güçtedir; muhtemelen faydalı YZ’nin bir kontrol grubundan esirgenmesinde etik kısıtlamalar. Bu sınırlardan ikisi, atama kümelendiğinde biçim değiştirir: etkili örneklem, öğrenci sayısı değil küme sayısı haline gelir, dolayısıyla bir deney baş sayısına göre büyük ama bu ölçüye göre ince olabilir — Liu ve ark.'nın 2.379 öğrencisi 34 öğretim üyesi düzeyi kümesine dayanır — ve benimseme gönüllü ve düşük olduğunda, niyet-ile-değerlendirme tahmini, aracı kullanmanın değil, sunmanın çıktıları değiştirip değiştirmediğini yanıtlar.

Eğitimde YZ’de deneysel tasarımın daha ayrıntılı işlenişi — bir RCT’nin ne zaman yarı deneysel, anket ya da hesaplamalı tasarımlara göre uygun olduğu dahil — için AIED’de Araştırma Yöntemleri sayfasına bakın.

Bağlı kavramlar

Bağlı makaleler

Üst veri

Çalışma tasarımıExperiment
SeviyeHigher Ed
Teknolojiler ve tekniklerÜretici YZ
Araştırma yöntemleri ve değerlendirmeAIED’de Araştırma Yöntemleri
Eğitimde YZ’nin temelleriEğitimde Yapay Zeka
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.