Pekiştirmeli Öğrenme

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

Pekiştirmeli öğrenme, YZ öğretmenlerini ve ajanları ödül sinyalleri yoluyla eğitir: Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training, Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning, Pedagogical Safety in Educational Reinforcement Learning ve AI Coaching for Accelerating Human Skill Development with Reinforcement Learning; RL’yi güvenlik ve beceri aktarımı dâhil pedagojik hedeflerle uyumlu hale getirir (Akıllı Özel Öğretim, Etkenik YZ).

Üzerinde Düşünülmesi Gereken Sorular

• Bir RL öğretmeni, bir ödül sinyalini en üst düzeye çıkararak ne yapacağını "öğrenir". Okumadan önce: bir ödülü en iyilemek için optimize eden bir YZ’de ne yanlış olabilir — özellikle ödül "öğrenci devam’a tıklıyor" ya da "şimdi doğru cevap" gibi bir şeyse?
• Sayfa, ödül tasarımının eğitim değerlerini kodladığını belirtir. Bir YZ öğretmeninin en üst düzeye çıkarması gereken ödülü belirtmeniz gerekseydi içine ne koyardınız — ve ödülünüz kazara neyi göz ardı eder ya da yanlış ödüllendirirdi?
• RL, ajanları tek cevaplar yerine uzun ufuklu karar dizileri yapmaya eğitir (hangi ipucu, zorluk ne zaman artırılır, nasıl hızlandırılır). Bu, safça ödüllendirebileceğiniz anlık doğruluktan nasıl farklı — ve bu fark öğrenme için neden önemlidir?
• Güvenlik kısıtları RL’ye bütünleştirilebilir; böylece ödül en iyilemesi, öğrenenin iyiliği pahasına gerçekleşmez. Ödülü en iyileyen bir öğretmenin sergileyebileceği, ancak pedagojik olarak aslında zararlı olacak bir "yardımcı" davranış düşünün (örneğin, tamamlanma oranını şişirmek için cevapları dağıtmak). Güvenlik çizginiz nerede olurdu?
• Ödül en iyilemesi, tasarıma bağlı olarak verimli çabayı koruyabilir ya da yok edebilir. Deneyiminize göre, "öğrenci görevi tamamlıyor" ile "öğrenci öğreniyor" aynı şey mi? Birincisi için optimize edilmişken ikincisini baltalayan bir YZ’yi nerede gördünüz?

Giriş

Pekiştirmeli öğrenme AIED’de nasıl işler

Pekiştirmeli öğrenme (RL), istenen davranışı ödüllendirerek bir ajanı eğitir — ajan, deneme yanılma yoluyla birikimli ödülü en üst düzeye çıkaran bir politika öğrenir. Eğitimde YZ’de RL, tek cevaplar değil karar dizileri yapmak zorunda olan öğretmen ajanlarını ve öğrenme arkadaşlarını eğitmek için kullanılır (hangi ipucu verilir, zorluk ne zaman artırılır, pratik nasıl hızlandırılır). Bu, uzun ufuklu pedagojik kararların önemli olduğu Uyarlanabilir Öğrenme ve Akıllı Özel Öğretim için RL’yi uygun hale getirir.

Bilgi tabanında belgelenen uygulamalar

• Pedagojik olarak uyumlu RL. EduQwen, cevap vermek yerine yönlendiren bir modeli eğitmek için bir RL-SFT-RL hattı kullanır ve ödülü pedagojik hedeflerle uyumlu hale getirir; Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training, RL’yi Özel Eğitim için öğretmen tasarımına uygular.

• Pedagojik öğretim takibi için RL, denetimli ince ayarı geride bırakıyor. LearnLM’in eğitimi, tercih temelli RL’nin tek başına SFT’ye kıyasla belirgin biçimde daha etkili olduğunu bulmuştur; çünkü tercih yargıları, yalnızca öğretim etiketli denetimli verilerin kısmen karşıladığı, uzun konuşmalar boyunca bağlama bağlı ayrımları yakalar (LearnLM Ekibi (2025)).

• Güvenlik ve beceri aktarımı. Pedagogical Safety in Educational Reinforcement Learning, güvenlik kısıtlarını RL temelli öğretmenliğe bütünleştirir; böylece ödül en iyilemesi öğrenenin iyiliği pahasına gerçekleşmez; AI Coaching for Accelerating Human Skill Development with Reinforcement Learning, gerçek beceri gelişimini ve aktarımını destekleyen RL güdümlü koçluğu gösterir.

• Bir ödülün dışarıda bıraktığı, kimin fayda gördüğünü şekillendirir. Tithi ve ark. (2026), sınav puanı ve zaman etkinliği üzerinden ödüllendirilen bir derin RL öğretmeninin sonrası sınavda bir BKT sezgiseliyle eşitlendiğini (her biri için A = .58, 65.7 karşısında) ancak eğitim problemlerinin yalnızca %4’ünü yapıcı hatalı örnek onarımına ayırdığını ve önceden bilgisi yüksek öğrencileri tercih ettiğini bulmuştur.

• Simülasyon ve pratik. Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues ve Q-Learning Lab: Teaching Reinforcement Learning Through Learner-Generated Trace Analysis, RL ve simüle edilmiş öğrenenleri pedagojik ajanları eğitmek ve değerlendirmek için kullanır; RL’yi Öğrenen Modellemesi ve Uyarlanabilir Öğretim ve Öğrenme Analitiği ile bağlar.

• Uzun ufuklu, güvenlik ağırlıklı RL. ResidencyRL (Liévin ve ark., 2026); eş zamanlı diyalog sistemlerinin ≤12 dönümlük ufuklarının çok ötesinde, 60 dönümlük tam klinik görüşmeleri tek başına en iyilemektedir ve güvenlikle uyumlu bir ödülle çelişkili simüle edilmiş hastalara karşı eğitim, teşis doğruluğunu 7.0% arttırmış ve gözden kaçırılan kırmızı bayrak oranlarını yaklaşık üçte bir oranında düşürmüştür.

Alan boyunca kanıt

PRISMA standardına uygun bir eğitimde RL’nin sistematik incelemesi (Riedmann, Schaper ve Lugrin, 2025) 89 çalışmayı (2000–2024) sentezlemiş ve Uyarlanabilir Öğrenme ile öğretmenlik uygulamalarında özellikle STEM alanında (özellikle Matematik Eğitimi) yoğunlaşan keskin bir 2016 sonrası büyüme bulmuştur. Modelden bağımsız RL’nin (n = 72) hâkim olduğunu, Q-learning’in en yaygın algoritma olduğunu; yine de klasik RL’nin Derin RL’den daha tutarlı biçimde etkili olduğunu (anlamlı üstünlük gösteren makalelerin %61’ine karşılık %36’sı); uyumun içerik çizelgelemesine (n = 53) ve rehberliğe ilişkin mekanizmalara (n = 36) ayrıldığını ve RL’nin taban çizgilerini rehberlik üzerinde daha sık yendiğini; öğrenme kazancının — özellikle normalleştirilmiş öğrenme kazancının — en etkili ödül kaynağı olduğunu bildirir. İnceleme ayrıca, çalışmaların yarıdan fazlasının (n = 54) istatistiksel testten geçmediğini ve bu nedenle alanın büyümesinin yöntemsel titizliğini aştığını uyarır.

Bilgi tabanıyla bağlantı

RL, ajanın tek bir doğru yanıt değil uzun vadeli öğrenmeyi en iyilemek zorunda olduğu modern Etkenik YZ ve Akıllı Özel Öğretim tasarımının çoğunu besler. LLM Eğitimi ve İnce Ayar (eğitim yöntemi olarak RL), İskeleleme (Scaffolding) (verimli çabayı koruyan ödül tasarımı) ve Öz Düzenlemeli Öğrenme (öğrenenlerin kendi stratejilerini düzenlemelerine yardım eden ajanlar) ile bağlantılıdır. Ödül tasarımı eğitim değerlerini kodladığından, AIED’de RL araştırması Pedagojik Güvenlik ile ve eşitlikçi öğretmen davranışının eşitlik kaygılarıyla sıkı biçimde bağlantılıdır.

Bağlı kavramlar

• Akıllı Özel Öğretim
• Öğrenci Deneyimi
• STEM Eğitimi
• Öz Düzenlemeli Öğrenme
• İskeleleme (Scaffolding)
• Etkin Öğrenme
• Edtech Platformu
• Yükseköğretim
• Öğrenme Analitiği
• Açık Kaynak
• Pedagojik Güvenlik
• LLM Eğitimi ve İnce Ayar
• Teknolojiler — Şemsiye: YZ teknolojileri ve teknikleri (modeller, LLM eğitimi, robotik, RAG, ajan temelli)

Bağlı makaleler

• Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues
• Q-Learning Lab: Teaching Reinforcement Learning Through Learner-Generated Trace Analysis
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments
• LearnLM: Improving Gemini for Learning — LearnLM: pedagojik öğretim takibi için RLHF
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Bir ITS’de uyarlanabilir ICAP iskelelemesi (BKT karşısında DRL)
• Reinforcement Learning in Education: A Systematic Literature Review