Öneri Sistemleri ve Öğrenme Yolları

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

Öneri sistemleri ve öğrenme yolları — uyarlanabilir ve Kişiselleştirilmiş Öğrenme teknolojisinin bir öğrenenin sırada neyle karşılaşması gerektiğine ve hangi sırayla karşılaşması gerektiğine karar veren bölümüdür: hangi kaynağın, alıştırma maddesinin ya da kursun ona doğru sıralanacağı ve kavramların hangi dizisi boyunca yürüneceği. İki yöntem ailesi davranışsal olanıdır — etkileşim kayıtları üzerinde işbirlikçi filtreleme — ve anlamsal olanıdır — kavramların, kaynakların ve önkoşul ilişkilerinin bir bilgi grafiği üzerinde sıralama — giderek karma modellere dönüşmektedir. Çıktı bir diyalog değil, sıralanmış bir liste olduğu için ayırt edici sorunlar seçicilik ve meşruluktur: seyrek veri altında soğuk başlangıç ve popülerlik yanlılığı, önkoşulların yönlü asimetrisi, ve bir öğretmen ya da öğrenenin kendilerine gösterilen listeyi anlayıp anlamaması, denetleyip denetleyememesi ve ona güvenip güvenememesi.

Dikkate Alınması Gereken Sorular

• Bir öneri sistemi öğrenenlerin ne tıkladığını, ne izlediğini ve neyi tamamladığını öğrenir. Sistem yalnızca davranışı görüyorsa, aslında kimin öğrenmesini modellemektedir — ve sessiz, zorlanan ya da materyali çoktan bilen bir öğrenci için neyi kaçırır?
• Bir çalışmada öğretmenler, özellik önemi grafiklerinden daha anlaşılır ve daha güvenilir olarak müfredat diliyle verilen açıklamaları buldu. Bir önerinin açıklaması sizin ona göre hareket etmeniz için ne söylemesi gerekirdi?
• Önkoşul ilişkileri tek yönde işler — B’yi bilmek A’yı bilmek anlamına gelmez. Kavram çiftlerini bağımsız olarak puanlayan bir model bunu neden yanlış yapabilir ve yaparsa bir öğrenen için aşağı akışta neyin ters gideceğini düşünün?
• Yol optimizasyonu çalışmaları daha kısa yollar ve daha iyi sonrası testi puanları bildirir; ana aracı olarak azalmış bilişsel yük vardır. Daha kısa yol her zaman daha iyi yol mudur, yoksa verimlilik bir öğrenenin ihtiyaç duyduğu alıştırmayı ortadan kaldırabilir mi?
• Bir eğitim öneri sisteminin denetimi, adalet ve çeşitlilik müdahalelerinden sonra bile popüler materyallerin listelere hâkim olmaya devam ettiğini buldu. Popülerlik kazanmaya devam ediyorsa, yeniden sıralayıcıyı ayarlamak yerine hedefi yeniden tasarlamanıza ne yol açar?
• 554 kursun Öğrenme Tasarımı verisi, Edinme (bilgi aktarımı) hem en yaygın etkinlik türü hem en yaygın giriş noktası olarak göründü. YZ bu veriden "sırada ne gelir" öneriyorsa, kimin tasarım alışkanlıklarını yeniden üretir?

Giriş

Eğitim öneri sistemleri, öğrenme materyali arzının herhangi bir insanın dolaşabilme yeteneğinin ötesine çıkmış olması nedeniyle var olur. Tek başına giriş düzeyi programlama binlerce alıştırma etkinliğine sahiptir ve bunları öğretim açısından anlamlı paketlere düzenlemek normalde zaman yoğun uzman küratörlüğü gerektirir. Bir öneri sistemi, bir öğrenenin geçmişini, materyalin özelliklerini ya da ikisini birden alır ve sıralanmış bir kısa liste ya da içerik boyunca sıralı bir yol üretir.

Uyarlanabilir Öğrenme içeriği, hızı ve güçlüğü bir öğrenen modeline göre ayarlama mekanizmasını tanımladığı ve Akıllı Özel Öğretim bunu diyalogda yapan platformu tanımladığı yerlerde, öneri araştırması seçim ve sıralama kararının kendisine odaklanır: sıralama işlevi, üzerinde sıraladığı yapı ve kullandığı kanıt. Bu karar katmanı kendi hata kiplerini getirir; bunlar aşağıdaki bölümlerde ele alınmıştır.

Eğitim Öneri Sistemleri Nasıl Çalışır

Davranışsal öneri sistemler işbirlikçi filtrelemenin mantığını devralır: benzer geçmişlere sahip öğrenenlerin benzer kaynaklar istediği varsayılır, dolayısıyla sistem içerik yerine birlikte oluşmadan tahmin eder. Bu, veriler yoğun olduğunda güçlü, olmadığında kırılgandır. Evangelista ve Bukhari (2026) sorunu açıkça ifade eder — doğruluğa odaklı öneri sistemleri, sınırlı katılım geçmişine sahip öğrencilere daha az güvenilir destek verirken popüler kaynaklar listelere hâkim olur — ve bunu, kurs materyallerinin heterojen bir Bilgi Grafiği grafiğini gömen ve öğrenen dizilerini bir GRU ile modelleyen, ardından öğrenen grupları boyunca sağlamlık için eğiten (GroupDRO) ve maruziyet çeşitliliği için yeniden sıralayan (Maximal Marginal Relevance) bir Hybrid HKG-GRU çerçevesiyle yanıtlar. 152 öğrenci, 59 kaynak ve yaklaşık 150.000 etkileşimden oluşan Moodle kayıtları üzerinde HR@10 = 0,68 ve MRR = 0,41 değerlerine ulaştı, ancak katalog düzeyinde önemli popülerlik yanlılığı sürdü — yanlılık azaltmanın kısmi olduğunun kanıtı.

Anlamsal öneri sistemler birlikte oluşmanın yerine yapıyı koyar. Liu, Sun ve Song (2026), öğretim kaynaklarının, dil kavramlarının, becerilerin, öğrenen gruplarının ve pedagojik özniteliklerin bir bilgi grafiğini inşa eder ve her kaynağı dört öğretim boyutu boyunca ayrıştırır — öğretim bağlamı, bilişsel düzey, teknolojik özellik ve kültürel uyarlanabilirlik. Önerme, bir öğrenenin belirttiği gereksinimlerden grafik üzerinde k-atlama (k-hop) genişletir, adayları özellik tabanlı bir işbirlikçi filtreyle arındırır ve öğrenenin yetenek, ilerleme ve ilgi indeksleriyle yükselen bir füzyon katsayısıyla sıralar; böylece daha az ileri düzeydeki öğrenenler grafitten daha yapılandırılmış rehberlik alırken, daha yüksek yetenekli öğrenenler davranışsal örüntülerine yaslanır. MARS veri setinin İngilizce alt kümesinde (4.800 kullanıcı, 14.200 kaynak, 132.000 etkileşim, seyreklik 0,9981) NDCG 0,625 ve HR 0,751 değerlerine ulaştı, en iyi sinir ağı temel çizgisinin yaklaşık %7–8 üzerinde, RippleNet ve KGAT dahil grafik farkındalıklı temel çizgileri kapsama ve alanlar arası doğrulukta geride bıraktı. İptal (ablation) analizi, sinyallerin birbirini tamamladığını gösterir (yalnızca CF NDCG 0,584, yalnızca KG 0,604) ve yazarlar bunların sıralama metrikleri olduğunu, öğrenme etkililiğinin kanıtı olmadığını not eder.

Üçüncü bir yol, öğrenen başına etkileşim verisini neredeyse tümüyle ortadan kaldırır. Hoq ve meslektaşları (2026), her kod örneğinden örüntü tabanlı bilgi bileşenleri çıkarır ve ilgili alıştırma etkinliklerini, bilgi bileşenleri kümelerinin benzerliğine göre önerir. Giriş düzeyi Python materyallerinin uzman örgütlenmış bir derlemi üzerinde yaklaşım, öğretim üyelerinin kendi kavramsal paketleriyle uyumlu oldu ve bilgi bileşeni ile gömmeli temel çizgilerini sıralama metriklerinde geride bıraktı — öğrenen geçmişlerinin ince olduğu yerlerde öğretim uyumunun materyalin anlamından gelebileceğinin kanıtı.

Dördüncü bir yol, önermeyi bir sıralama değil sıralı bir karar olarak ele alır. ExRec (Ozyurt, Almaci, Feuerriegel ve Sachan, 2025), anlamsal temelli bir bilgi izleyici (knowledge tracer) inşa eder — bir Büyük Dil Modelleri (LLM), her soruyu çözüm adımları ve bilgi kavramlarıyla açıklar; zıtlıklı öğrenme (contrastive learning), soru, adım ve kavram gömmelerini hizalar ve bir kalibrasyon kaybı, izleyicinin doğrudan kavram düzeyinde bir bilgi durumu tahmin etmesini sağlar — ve ardından bu izleyiciyi, bir politikanın sıradaki alıştırmayı seçtiği Pekiştirmeli Öğrenme ortamı olarak kullanır. Öneri sorunu için özellikle önemli iki tasarım seçimi vardır: öğrenci durumu, tam alıştırma geçmişi yerine kompakt bir tekrarlayan kodlamadır, böylece uzun diziler tekrar belleğinde (replay buffer) ele alınabilir kalır; ve ödül, hedef kavramdaki her soruda çıkarım çalıştırmadan hesaplanan, tahmin edilen kavram bilgisindeki değişimdir. Model tabanlı bir değer tahmini, eleştirmeni (critic) izleyiciden başlatır; bu, XES3G5M üzerinde dört görevde sürekli değer tabanlı ajanları iyileştirdi (2.048 test öğrencisi) ve en zor olanında — hedefin her adımda değiştiği, öğrencinin en zayıf kavramını önermede — ajanları ayrık eylemli yöntemlerin ötesine taşıdı. Sayılar, simülasyonlu bir ortamdan maksimum bilgi iyileşmesinin yüzdesidir; bu, ölçülmüş öğrenmeden daha zayıf bir iddiadır ve yazarların kendi ekinde, çoğu izleme veri setinin yalnızca ikili bir doğruluk etiketi kaydettiği, dolayısıyla tasladıkları yanlış kanı düzeyinde önermenin mevcut verilerde henüz sınanamaz olduğu not edilir.

Önkoşullar ve Yol Sıralama

Sıradaki maddiyi sıralamak bir müfredatı sıralamaktan daha kolaydır, çünkü öğrenme bağımlılıkları yönlüdür. Cheng ve meslektaşları (2026), önkoşul keşfini sıradan bağlantı tahmini olarak ele almanın ilişkinin üç özelliği karşısında başarısız olduğunu ileri sürer: ilişki tersine çevrilemezdir, kanıtı sıklıkla çok atlamalıdır (ci → ck → cj), tek adımlı bir öğrenen geçişi değildir, ve alaka düzeyi çifte özgüdür, dolayısıyla bir kavramın temsili neyle eşleştirildiğine göre değişmelidir. ProPRL modeli bir Tersine Çevrilemezlik Kısıtı ekler — bir çiftin her iki yönünde de yüksek güvene ceza veren bir antisimetri düzenleyicisi — buna ek olarak bir çift koşullu kapı, kavram-kaynak hipergrafiğinden kaynak farkında kanıt ile öğrenme-davranış grafiğinden davranış farkında kanıtı ağırlıklandırır. Model, MOOC, LectureBank ve University Course veri setlerinde dokuz veri seti–metrik kombinasyonunun tamamında birinci sırada yer aldı, en güçlü temel çizgisine göre %1,96 ile %6,11 arasında iyileşme sağladı ve kısıt, doğru sıralanan ilişkilerin payını %88,0'den %90,0'a yükseltti.

Bağımlılıklar modellendiğinde bir yol optimizasyon problemine dönüşür. Feng ve Huang (2026), Bayesçi bilişsel tanılama, bilgi uzayı kuramı ve bilişsel yük kuramını birleştirir: Bayesçi DINA modeli EdNet verisinde %91,3 seyreklikle yakınsadı ve en kısa telafi yolu algoritması ortalama 3,82 adımlık kişiselleştirilmiş yollar üretti — rastgele yollardan %22,4 ve sabit tam kapsamlı yollardan %23,6 daha verimli. 120 öğrenciyle randomize bir olasılık öğrenme deneyinde kişiselleştirilmiş yol izleyenler 73,8 dakika süren kontrollere karşı 57,6 dakikada bitirdi ve öncesi testi kontrol ettikten sonra sonrası testinde kontrolleri geride bıraktı. Çalışma nedenini de sınar: kişiselleştirilmiş yollar, uyarlanmış NASA-TLX’in altı boyutunun tamamında bilişsel yükü azalttı ve bilişsel yük, sonrası testi performansı üzerindeki etkinin birincil aracısıydı (çoklu aracılık modelinde dolaylı etki 0,28). Bir Gizli Markov Modeli, düşük ileri geçiş olasılığına (0,31) ve en yüksek tahmin parametresine (g = 0,28) sahip olan Analitik Düşünmeyi darboğaz nitelik olarak belirledi.

PersonaPath sıralama sorusunu, kararın birimini tartışarak ileriye taşır. Liu ve ark. (2026), sıradaki maddeyi etkileşim kayıtlarından çıkaran Alıştırma-Merkezli (Exercise-Centric) önermeyi, bir planlayıcının açık bir öğrenen kimliği (persona), bir yeterlilik durumu ve belirtilen bir hedef birim okuyup bir müfredat hiyerarşisinden sıradaki ders kitabını, birimi ve kavramı seçtiği Bilgi-Merkezli planlama (Knowledge-Centric planning) ile karşılaştırır (77 konu boyunca 347 ders kitabı, 1.751 birim, 4.092 kavram; 411 önkoşul kenarı Cohen’ın κ = 0,93 değerinde %99,5 duyarlılığa kadar doğrulanmıştır). Ayırt edici durum, kayıtların göremediğidir: özdeş doğruluk kayıtlarına sahip ama farklı hedefleri olan iki öğrenen farklı güzergâhlara ihtiyaç duyar ve bunu yalnızca hedef görünür kılar. On YZ’nin (1B–30B+) kapalı döngü değerlendirmesi, toplu bir metriğin karıştırdığı boyutları ayırır — DeepSeek-V3.1, önkoşul/sanrı geçerliliğinde %90,9'a ulaşır ama uyarlanabilirlikte yalnızca %44,3'e, Temel Eğitimde %29,5 ve Higher Education alanında %14,6 nihai geçme oranı ile; hiçbir model uyarlanabilirlikte hiçbir yerde %44,7'yi geçemez. İki iptal analizi teşhisi keskinleştirir: kimlikten (persona) yeterlilik alanını çıkarmak, geçerliliği neredeyse hareket ettirmeden uyarlanabilirlikten 26,1 puana kadar kayba yol açar ve tek atışlı yol üretimi, uyarlanabilirliği 28,8 düşürürken geçerliliği 30,8 puana kadar yükseltir — müfredata uygun sıralama, öğrenene koşullu sıralamadan çok daha kolay bir hedeftir; bu, yol kalitesini öğrenen uyumu kısıtı olmadan bildirmeye karşı bir uyarıdır (PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning).

Önkoşul yapısı ayrıca öğrenen yerine müfredat üzerinde bir teşhis mercebi olarak da çalışır. Medhat ve meslektaşları (2026), bir YZ öğretim asistanına yöneltilen öğrenci sorularını GPT-4 ile çıkarılmış bir önkoşul grafiğine karşı sınıflandırır; 164 lisansüstü öğrenciden 1.340 soru olayı üzerinde 43 etiket boyunca %80,0 doğruluğa ulaşır ve konu düzeyindeki soru hacminin öğrencilerin kendi bildirdiği güçlükle ilişkili olduğunu bulur (Spearman’ın ρ = 0,491, p = 0,008). Etkileşim kaydı, ek değerlendirme yükü olmadan müfredatın sıralamasının öğrenenleri nerede yüzüstü bıraktığının bir haritası haline gelir.

Önerilerin Açıklanması ve Denetlenmesi

Sıralama kalitesi, kimsenin sıralamayı izleyip izlememesi gerektiğini çözmez. Feldman-Maggor, Cukurova, Kent ve Alexandron (2025), Hoff ve Bashir’in otomasyona güven modelini YZ önerilerine uyarlar ve GrouPer öneri aracını kullanan 41 hizmet içi kimya öğretmeniyle sınar. Açıklanabilirlik, Güven güveni dolaylı olarak, anlaşılabilirliği yükselterek artırdı ve açıklamanın biçimi varlığından daha önemliydi: öğretmenleri özellik önemi ("veri güdümlü") açıklamalarından anlamsal, müfredat diliyle ("alan güdümlü") açıklamalara taşımak, anlaşılabilirliği (W = 80,5, p = 0,005), öğrenilen güveni (W = 52, p = 0,002) ve kabulü (W = 22,5, p = 0,003) anlamlı ölçüde artırdı ve yüksek sesle düşünen yedi öğretmenin tamamı alan güdümlü açıklamaları daha etkili buldu. Buna ek olarak iki kabul itici ortaya çıktı, her ikisi de epistemikten ziyade durumsaldı: pedagojik uyum (11'den 8'i bildirdi) ve iş yükü azaltma (11'den 6'sı). Bazı öğretmenler ayrıca açıklamanın tek başına yetersiz olduğunu söyledi — ona güvenmeden önce araca sınıf deneyimi yaşamak istediler; bu, bir öneri sistemine duyulan güvenin kullanım üzerine kurulduğuna, bir göstergede (legend) teslim edilmediğine dair güçlü bir iddiadır.

Adalet denetimi farklı bir soru sorar: kimin önerileri daha kötüdür? Graph-GRU çalışması, denetiminin göremediğini adlandırdığı için yararlı bir işlenmiş örnektir. Adalet, kamusal Moodle veri setinde başarı, önceki bilgi, öğrenme profilleri ve demografik özniteliklerin bulunmaması nedeniyle katılıma dayalı kohortlar üzerinden işletildi, dolayısıyla sonuç, eğitimsel eşitliğin tam bir değerlendirmesi yerine bağlılık düzeyleri boyunca davranışın bir denetimidir; düşük etkinlikli bir öğrenen zorlanıyor, kopmuş ya da materyali zaten biliyor olabilir. Oradaki açıklanabilirlik, yol tabanlı ve karşı olgu (counterfactual) analizi biçimini alır; birçok öğrenen için ortanca karşı olgu kararlılığı CR@10 = 1,0'dır, ancak yüksek Gini maruziyet metriklerinde yansıyan katalog düzeyinde kalıcı popülerlik yanlılığı görülür. Ders şudur: Önyargı Azaltma yanlılık azaltma, maruziyet ve öğrenen grupları düzeyinde ölçülmelidir; doğruluktan ya da bir açıklama modülünün varlığından çıkarılmamalıdır ve İnsan-Denetiminde Yapay Zeka gözetimi, ancak insan grup düzeyi kanıtı gördüğünde anlamlıdır.

Öğrenme Yolları Pratikte

Yollar yalnızca hesaplanmaz; tasarlanırlar. Divjak, Svetec ve Horvat (2026), Öğrenme Analitiği analitiğini tasarım sürecinin kendisine çevirir ve ücretsiz bir Balanced Design Planning aracıyla planlanan 554 kurs boyunca 29.064 öğretme ve öğrenme etkinliğinin dizisini analiz eder. Markov zincirleri ve örüntü madenciliği bir tasarım dilbilgisi ortaya çıkardı: Edinme (Acquisition) tipi etkinlikler en yaygın öğrenme türü (%20'nin üzerinde) ve en yaygın giriş noktasıydı, ardından Pratik (Practice), Tartışma (Discussion) ve Değerlendirme (her biri %15–20) geldi ve en güçlü geçiş Değerlendirme → Tartışma idi (0,332), Pratik → Pratik’in (0,317) önünde. Edinme → Değerlendirme → Pratik → Pratik kuralı 0,74 güven düzeyinde ayakta durdu (lift 1,45) ve öğrenme türü, hedeflenen çıktının bilişsel düzeyini izledi: Edinme, Bloom 1. düzeyde etkinliklerin yaklaşık %50'sinden 6. düzeyde yaklaşık %20'sine düştü. Yazarlar, ters çevrilmiş, sorgulamaya dayalı ya da projeye dayalı tasarımlara benzerliğin niyetin kanıtı olmadığını uyarır — ama bu tür tasarım verisi üzerinde eğitilmiş bir öneri sistemi, aktarıma yönelik açılış etkinliklerine yönelik bir yanlılık dahil bu alışkanlıkları öğrenir.

Resmî eğitimin diğer ucunda yol yapısı bir YZ Yönetişimi sorusuna dönüşür. Szekely, Gal-Ezer ve Harel (2026), bilgiye YZ aracılı erişimin sabit yükseköğretim müfredatlarını yeniden düşünmeyi gerekçelendirdiğini ileri sürer ve "learnity graphs" (öğrenilebilirlik grafikleri) önerir — akademik, profesyonel ve kişisel öğrenmeyi kapsayan, öğrenmenin bilgi, beceri, deneyim ve eserlerin (artifacts) birbirine bağlı birimleri olarak yapılandırılmış temsilleri. Öneri, üniversitenin temel bilgideki rolünü korurken vurguyu Yaratıcılık ve disiplinler arası bütünleşmeye kaydırır ve öğrenciyi kendi grafiğinin bakımına karşılık sorumlu kılar; önerinin Öz Yönlendirilmiş Öğrenme ve Öz Düzenlemeli Öğrenme ile buluştuğu yer burasıdır. Öz yönelimli dolaşmanın yapıcı bir yere vardığı garanti değildir: Shen ve Arunrugstichai (2026), çapraz bağlamlı bir ankette (N = 508) lise öğrenme ikliminden üniversitedeki üretici YZ kullanımına uzanan iki yolu modeller ve yapıcı özerk kullanımı zorunlu bağımlılıktan ayırır.

Belirtmeye değer bir sınır: öneri sistemlerinin şu anda yaptığı iş işbirliğinden çok danışmaya (consultation) daha yakındır. Mutlu Cukurova (2026), bir etkileşimin işbirlikçi sayılabilmesi için tarihsel olarak neyin gerekli olduğunu yeniden kurgular — müzakere edilmiş, kısmen simetrik bir ilişki, paylaşılan ve pazarlığa açık hedefler, düşük ve değişen bir iş bölümü ve karşılıklı modelleme ile toplumsal olarak paylaşılan Eğitimde YZ Regülasyonu — ve çoğu güncel insan-YZ etkileşiminin danışma, yönetişim, devir ya da talimat olarak tanımlanmasının daha doğru olduğu sonucuna varar. Beş düzeyli taksonomisi (işlemsel, durumsal, operasyonel, praksal, sinerjik) yararlı bir kalibrasyondur: sıradaki kaynağı önermek operasyonel bir düzenlemedir ve ona bir işbirlikçi öğrenme ortağı demek iddiayı şişirir.

Bu Sayfa Kişiselleştirilmiş, Uyarlanabilir ve Özel Ders Araştırmasıyla Nasıl İlişkilidir

Üç komşu kavram sayfası komşu alanı kapsar ve bunlar bu sayfayla birlikte okunmalıdır. Kişiselleştirilmiş Öğrenme hedefi kapsar — yol seçiminin tek bir bileşeni olduğu, hedefler, tercihler ve hız dahil tüm deneyimin kişiye uyarlanması. Uyarlanabilir Öğrenme mekanizmayı kapsar — içeriği, hızı ve güçlüğü gerçek zamanlı değiştiren ölç-modelle-uyarla döngüsü. Akıllı Özel Öğretim platformu kapsar, tanılamayı öğretimsel etkileşimle birleştiren kurumsal sistem. Bu sayfa, o sayfaların öngördüğü karar katmanını kapsar: sıralama ve sıralama teknolojisinin kendisini. Burası işbirlikçi filtreleme ve bilgi grafiği öneri mimarilerinin, önkoşul ilişkisi keşfi ve müfredat sıralamasının, sıralanmış çıktıların açıklanabilirliği ve adaletin ve öneriye özgü hata kiplerinin — soğuk başlangıç, popülerlik yanlılığı, aşırı daralma, opak sıralama ve öğrenen grupları arasında eşit olmayan öneri kalitesi — ana sayfasıdır. Etkileşim kayıtları üzerinde NDCG ya da kapsama bildiren bir çalışma buraya aittir; özel ders diyaloğundan öğrenme kazanımları bildiren bir çalışma özel ders ya da uyarlanabilir öğrenme sayfasına aittir.

Riskler ve Açık Sorular

Kanıt tabanının tutarlı bir biçimi vardır: güçlü çevrimdışı sıralama metrikleri, öğrenme hakkında zayıf kanıt. Yukarıdaki her iki öneri çalışması da tarihsel etkileşim kayıtları üzerinde değerlendirilir ve bunu açıkça belirtir, CF–KG yazarları özellikle öğretmen değerlendirmeleri, öğrenen çalışmaları ve sonuca dayalı deneyler çağrısında bulunur. Popülerlik yanlılığı bir sistemde adalet farkında bir eğitim hedefinden sağ çıktı, dolayısıyla alan, maruziyeti güvenilir biçimde değiştiren bir yeniden sıralama ya da düzenlileştirme çözümine henüz işaret edemez ve adalet denetimleri LMS kayıtlarının içerdikleriyle sınırlı kalır. Soğuk başlangıç, anlamsal yapı yoluyla mimari düzeyde ele alınır, ama canlı uygulamada gerçekten yeni kullanıcılarda sınanmaz. Yol verimliliği daha iyi kanıtlanmıştır, yine de verimlilik sayıları hâlâ tek bir çalışmaya ve tek bir algoritma ailesine dayanır ve daha kısa yol, bir öğrenenin ihtiyaç duyduğu verimli mücadeleyi ortadan kaldırıyorsa otomatik olarak daha iyi değildir. Resmî yol optimizasyonu çalışması noktayı iki yönde keskinleştirir: zor bir problemin garanti edilmesi, belirli bir derlem hakkında pek az şey söyler; NP-tamlık kanıtlarına rağmen bir tepe tırmanıcısı, her gerçek profil üzerinde aralıklı öğrenme rubriğinin tepesine vurdu ve kuramdan türetilmiş bir rubrik üzerinde 3,54 puan alan bir yol hâlâ hiçbir öğrenende sınanmamış bir yoldur; dolayısıyla rubrik kalitesi, sonuç kanıtının yerine geçen bir tasarımcı yüzü vekil ölçüdür. Kelime dağarcığı da kararsızdır: Ikram ve meslektaşları (2026), 31 Scopus indeksli makalenin (2013–2025) bir PRISMA derlemesinde, YZ etkin uyarlanabilir sistemler için orta ile büyük ölçekli bilişsel etkiler (g = 0,50–0,70) bildirir; bunlar uygulama kalitesi ve çalışma tasarımı tarafından ağır biçimde düzenlenir.

Aynı literatür daralmaya karşı çözümler önermeye başladı, ama henüz bunları sınayıp sınamadığı belli değildir. Najem, Zaoui Seghroucheni ve Ziti (2026), 12 kendi bildirilen davranışsal, psikolojik ve çevresel girdi üzerinde 14.003 öğrenci kaydını K-Means++ ile altı profile, güçlü ayrım ile kümeleştirir (Silhouette 0,62; final notunda η² = 0,770, en yüksek ile en düşük profil arasında 40,17 puanlık ortalama sınav puanı farkı), ardından profilleri bir benzerlik puanıyla bir Felder-Silverman eşleme matrisi ve çeşitlilik düzenlileştirme terimi (λ = 0,30) birleşimi yoluyla öğrenme nesnelerine eşler; bunun açık amacı, bir öneri sisteminin bir profilin halihazırda tercih ettiklerine çökmesini durdurmaktır. Katkı tasarımdır, kanıt değil: öneri katmanı kavramsaldır, hiçbir uygulama ya da sonuç ölçümü bildirilmemiştir ve yazarlar, kümeleme girdilerinin LMS etkileşim izleri değil, kendi bildirilen vekiller olduğunu belirtir. Bu, bu sayfanın belirttiği düzenlileştirme boşluğuna aday bir yanıttır; sayfanın alanda eksik olduğunu söylediği doğrulamayı hâlâ beklemektedir.

Bağlı kavramlar

• Bilgi Grafiği — Structured representations of concepts, resources, and prerequisite relations
• Açıklanabilir YZ — Explanation as a design feature that mediates understandability and trust
• Müfredat Tasarımı — Ordering decisions that recommenders model, infer, and reproduce
• Öğrenme Tasarımı — The planned sequence of activities that path analyses operate on
• Öğrenme Analitiği — The data and methods behind recommendation, and the object of audit
• Bilişsel Tanılama — Diagnosing knowledge states that seed remediation paths
• Bilgi İzleme — Modeling mastery over time to decide what a learner is ready for
• Öğrenen Modellemesi ve Uyarlanabilir Öğretim — Learner representations that recommendation consumes
• Kişiselleştirilmiş Öğrenme — The broader goal; this page covers the selection decision
• Uyarlanabilir Öğrenme — The real-time adjustment mechanism; this page covers ranking and sequencing
• Akıllı Özel Öğretim — The platform that acts on recommendations in dialogue
• Önyargı Azaltma — Fairness interventions in ranking and exposure
• Eşitlik — Group-level differences in recommendation quality
• İnsan-Denetiminde Yapay Zeka — Oversight of automated resource navigation
• Öz Yönlendirilmiş Öğrenme — Learner-maintained pathways and lifelong navigation
• Yaşam Boyu Öğrenme — Graph-structured learning beyond a degree sequence
• Güven Kalibrasyonu — Matching reliance to recommendation reliability
• Öğrenci Desteği ve Başarısı — recommending support, resources, and academic paths

Bağlı makaleler

• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — Hybrid collaborative filtering plus knowledge graph for multimodal teaching resources, with ability- and progress-aware fusion (Liu, Sun & Song 2026)
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — Heterogeneous knowledge graph + GRU recommender with GroupDRO fairness and counterfactual explainability (Evangelista & Bukhari 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations — Domain-driven explanations build more teacher trust than feature-importance charts (Feldman-Maggor et al. 2025)
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — Prerequisite relation learning with an irreversibility constraint for directional consistency (Cheng et al. 2026)
• Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components — Recommending programming practice by pattern-based knowledge-component similarity (Hoq et al. 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — Markov and pattern-mining analysis of 29,064 designed activities across 554 courses (Divjak, Svetec & Horvat 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Bayesian DINA diagnosis and shortest remediation paths, mediated by cognitive load (Feng & Huang 2026)
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — Mapping AI TA questions to a GPT-4-extracted prerequisite graph to find curriculum-level gaps (Medhat et al. 2026)
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Learnity graphs as a lifelong-learning alternative to fixed curricula (Szekely, Gal-Ezer & Harel 2026)
• What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it — Five-level taxonomy showing most human-AI interaction is consultation, not collaboration (Mutlu Cukurova 2026)
• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — Autonomy support versus pressure predicting constructive or compulsive AI pathways (Shen & Arunrugstichai 2026)
• Artificial Intelligence in Education: A Systematic Review of Personalized Learning Trends and Future Directions — PRISMA review of personalized learning trends, pathways, and recommendation models (Ikram et al. 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: a Knowledge-Centric planning benchmark showing LLMs reach 90.9% validity but only 44.3% adaptivity (Liu et al. 2026)
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — exercise recommendation as a sequential decision over a semantically grounded tracer
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — Behavioral clustering of 14,003 records into six profiles, mapped to learning objects with a diversity-regularized recommendation framework (Najem et al. 2026)