İskeleleme (Scaffolding)

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

İskeleleme (scaffolding) — öğrenenlerin henüz bağımsız olarak tamamlayamadıkları görevleri yerine getirmelerine yardımcı olan, yetkinlik arttıkça azalan yapılandırılmış destek. Eğitimde Yapay Zekade iskeleleme, YZ araçlarının öğrenmeyi desteklemesini değil yerine geçmesini sağlayan temel tasarım ilkesidir.

Düşünülmesi Gerekenler

• Öğrendiğiniz bir şeyde birinin size 'yardım ettiği', yardımın işi öyle iyi yaptığı ki daha az öğrendiğiniz bir zamanı düşünün. Büyümenize izin veren destek ile sizi yerinize geçen destek arasındaki çizgi nerede? Bu sayfa, bunun YZ özel öğretmenleri için merkezî tasarım sorusu olduğunu savunuyor.
• İskeleleme, Yakınsal Gelişim Bölgesi’nde köklenmiştir — ilerlemeyi mümkün kılacak kadar destek, öğrenmenin atlanmayacağı kadar fazla değil. Bir YZ özel öğretmeninde 'aşırı destek' neye benzer ve bunu yalnızca öğrencinin davranışından saptayabilir misiniz?
• Temel bir bulgu: öğrenciler daha yönlendirici YZ özel öğretmen rollerini sıklıkla tercih eder, oysa işbirlikçi akran ve Öğretmenlik rolleriyle daha iyi performans gösterir. Öğrenci tercihi, öğrenme için en iyi olanı güvenilir biçimde izler mi — ve bu ayrışma, öğrencilerin kendi iskelelemesini seçmelerine izin vermek konusunda ne ima eder?
• Asla solmayan iskeleleme bağımlılık yaratır. Sayfa, otomasyonla sağlanan iskelelemenin, yetkinlik arttıkça geri çekilmek yerine statik kalma riskini not eder. 'Solma' neden esastır ve bir YZ sistemi kasıtlı olarak öyle tasarlanmadığında bunu neden yapamayabilir?
• Tasarım ilkesi 'iskele yap, yerine geçme'dir. Öğrencilerin kendileri, 'sizin için hiçbir çözüm sunmayan — doğru cevabı kendiniz bulmanız gerektiği için hâlâ öğrenirsiniz' YZ istemiştir. Bu, etkin yardımı nasıl deneyimlediğinizle örtüşüyor mu, yoksa size mal olduğunu bilerek bile kısayolu mu tercih ettiniz?
• Okumadan önce bir hedef belirleyin: öğrettiğiniz bir görev seçin ve öğrenenin çabasını koruyan bir ipucunun onu ortadan kaldıran bir cevaba kıyasla neye benzediğinin taslağını çıkarın. İpuçlarınızın verimli mücadele bölgesinde olduğunu nasıl bileceksiniz?

Giriş

İskeleleme AIED’de nasıl görünür

• İstek metnine dayalı iskeleleme: Yönlendirilmiş LLM iskelelemesi, yapılandırılmış istek metni yazımını bir öğrenme müdahalesi olarak öğretir. Eleştirel katılım iskelelemesi, kültürel olarak duyarlı yaklaşımlar kullanır.
• Öğrencinin adlandıramadığı boşluklar için karma girişimli iskeleleme: Sun ve ark. (2026), yazarı anlatı sentezinin sorumluluğunda tutarken sistemin yalnızca alan keşfi üzerinde girişimde bulunmasını sağlar; yazarların sorgu olarak formüle edemediği bilgi boşluklarını önceden işaretler.
• Sokratik iskeleleme: Sokratik Yapay zekâ diyaloğu doğrudan cevapları saklar, keşfi yönlendirmek için sorular kullanır — İstenen Zorluklar iskelelemesinin bir biçimi. Bir sınır koşulu olarak, sorgulama başlangıçta yardımcı olur ama derinlikle azalır, böylece solma kuralı ortaya çıkarmaktan hatayı ele almaya kayar: yarar, başlangıçtaki 20 puanlık avantajdan dördüncü tıkanma turunda 3 puana düşer, hatayı ele alma ise +5'ten +12'ye yükselir (Ahtisham ve ark. (2026)).
• Uyarlanabilir solma: Akıllı özel ders sistemleri, iskelelemeyi Bilgi İzleme tahminlerine göre ayarlar, öğrenilmemiş kavramlar için daha fazla, bilinenler için daha az destek sağlar.
• Başarıyı belirleyen işlevdir, araç değil: Vasileiou ve ark. (2026), özel eğitimde YZ desteği için üç işlevli bir çerçeve önerir. Telafi (Compensation), öğrenenin katılabileceği biçimde bir yönetici işlev talebini azaltır (başarı = destek devam ederken erişim). İskeleleme (Scaffolding), mevcut yeteneğin hemen ötesindeki performansı destekler (başarı = hedefli yardımla verilen kararlar). Gelişim (Development), araç olmadan kullanılabilir stratejiler oluşturur (başarı = solma veya aktarımdan sonra strateji kullanımı). Her işlev farklı bir değerlendirme standardı taşır ve alandaki yinelenen hata, destek sırasında görev tamamlanmasını gelişim olarak rapor etmektir. Bu, yorumlayıcı kategorilerle yazılmış bir anlatı derlemesi olup, birleştirilmiş bir etki tahmini değildir.
• Klinik görüşme eğitiminde ihtiyaçla tetiklenen uyarlanabilir iskeleleme: MeduAI-SP randomize deneyi (Yang ve ark., 2026; N = 100 üçüncü sınıf tıp öğrencisi) iskelelemeyi uyarlanabilir, ihtiyaçla tetiklenen destek olarak uygulamalı hâle getirdi: tur düzeyinde bir değerlendirici aracı, bir öğrencinin tıkandığı, kilit öykü eksikttiği, erken kapanış riski taşıdığı veya ilişki kurmayı bozduğu zaman işaretledi ve ancak ondan sonra bir eğitmen aracısı bir Sokratik istem yayınladı. 207 görüşmenin uzman açıklaması, iskeleleme ihtiyacının güçlü biçimde aşamaya bağlı olduğunu gösterdi: görüşmenin başında öğrenci ifadelerinin kabaca %16,1'inden sonunda %34,8'ine yükseldi (genel olarak %24,1 işaretlendi) — acemi görüşme desteğinin en çok ilk bilgi toplamada değil, tümleştirme ve teşhîs muhakemesinde gerekli olduğunun deneysel kanıtı. İskeleleme koşulu, yapılandırılmış aşamalı-açıklama kontrolüne kıyasla nihai OSCE uyumlu sınavda daha iyi performans gösterdi (%71,8'e karşı %55,6; β = 16,4 yüzde puan; P = 3,30e-4), en büyük kazanım iletişimde oldu (Hedges' g = −0,79).
• İpucu sistemleri: YZ özel öğretmen ipucu araştırması, ipuçlarının ne zaman yardımcı olduğunu, ne zaman Aşırı Güvene teşvik ettiğini inceler.
• Hatadan sonraki toparlanmayı yükselten iskeleler. 6.000 öğrencinin katıldığı ortaokul saha deneyinde YZ desteği ilerlemeyi yavaşlattı ve denenen soruları kesti ama hatalardan sonraki ilk denemedeki doğruluğu artırdı ve doğru bir cevaba dönmek için gereken deneme sayısını azalttı — cevap sunumu yerine bir "verimli yavaşlama" (Oreopoulos ve ark. (2026)).
• Öğrenciyi eğitmek de kendisi bir iskeledir. Öğrencilere bir modele öz düzenlemeli öğrenme aşamasına göre istek yazmayı ve onun görsel ve muhakeme hatalarını düzeltmeyi öğreten 45 dakikalık bir oturum, rapor edilen toplam bilişsel yükü artırmadan fizik tekrar doğruluğunu yükseltti (d = 0,81) (Huang ve ark. (2026)).
• Kavramsal ve gösterimsel iskeleler: Concept Catalyst ve LLM özel öğretmenlerini yeniden düşünmek, bilişsel destek için tasarım kalıplarını araştırır. Davor (2026), gösterimsel desteğin cevap vermeden ayrılması gereken bir alan sağlar: geometri kanıtı Görselleştirme kaynaklarıyla zengindir, öte yandan görülebilen bir ilişkiden geçerli bir tümdengelimli argümana geçiş, öğrenenlerin atlamakta başarısız oldukları adımdır, böylece iskele onları gösterimler arasında taşımak zorundadır, onlara bir resim daha vermek değil. 86 Ganalı lise son sınıf öğrencisiyle yaptığı yarı-deneysel çalışmada üretici YZ, çözmek yerine istem sürmeye ve sorgu sormaya yönlendirildi — öğrencilerden gözlemlediklerini gerekçelendirmeleri, ilgili teoremleri adlandırmaları ve mantıksal adımlarını sıralamaları istendi, öğretmen YZ’nin gösterimlerini tartışmayı yönlendirmek için kullandı — ve YZ destekli sınıf, ön test performansı denetlendikten sonra bile kanıt inşasında geleneksel öğretimi geride bıraktı. Geri bildirim ve açıklama kalitesi algıları olumluydu, ancak yalnızca deneysel grup anketlendi. İskele burada görsel sezgiden tümdengelimli muhakemeye köprü olarak konumlandırılmıştır ve makale modeli veya bir veri toplama penceresini asla adlandırmaz, böylece tekrarlama reçetesinden çok bir tasarım gerekçesi sunar.
• Tasarım ilkesi olarak "iskele yap, yerine geçme": Favero ve ark. (2026), eğitimde YZ’nin merkezî riskinin uyumsuzluk olduğunu — insan çabasının yerine geçen YZ’nin, eğitimin inşa etmeyi amaçladığı kapasiteleri aşındırdığını — savunur ve tek bir tasarım ilkesi türetir: iskele yap, yerine geçme. İskeleleme, YZ sistemlerinin birinci sınıf bir yeteneği olmalıdır: ne zaman bir cevabı saklayacağını, bir soru sormayı, belirsizliği gün yüzüne çıkarmayı veya alternatif görüşleri sunmayı bilmek. Öğrenci kompozisyonlarına ilişkin analizleri, öğrencilerin kendilerinin bunda birleştiğini gösterir — "sizin için hiçbir çözüm sunmayan, doğru cevabı kendiniz bulmanız gerektiği için hâlâ öğrenirsiniz" YZ istemek. İlke, iskelelemeyi biliş, Öğrenen Etkenliği, duygu ve Etik boyunca yerine geçmenin kendi kendini güçlendiren zarar döngüsünün alternatifi olarak konumlandırır.
• Bir araştırma süreci için eşlikçilik olarak iskeleleme. Wang ve ark. (2026), sistematik bir derlemeyi, eşlikçiliğin tümleşik yöntemsel ve duygusal iskeleleme sağladığı, otomasyonun ise özet tarama ve veri çıkarımı gibi yordamsal yüke sınırlandığı, uzlaştırma ve sentezin insan değerlendiricilerde kaldığı kasıtlı bir öğrenme deneyimi olarak ele alır.
• Ortama gömülü iskeleleme, sonradan eklenen değil: Wang, Du ve Jin (2026), dört iskeleleme ilkesini bir video oynatıcının içinde uygulamalı hâle getirir — yorum derinliğinin YGG temelli ayarlanması, solmakta olan iskeleleme (bilgi desteği zaman çizelgesi boyunca seyrekleşir), dağıtılmış iskeleleme (her yorum ya bilgi ya duygusal destektir) ve bilişsel yükten türetilen zamanlama — kare düzeyinde video entropisini hesaplayarak yorumları yalnızca düşük bilgili aralıklara yerleştirerek. 20 öğrenciyle yaptıkları dört koşullu ayıklama çalışması, entropi-zamanlama modülünün çıkarıldığında algılanan kalite üzerinde en güçlü ve en sağlam etkiyi ürettiğini buldu (Z = −2,85, r = 0,45, p = ,004), bu da iskelelemenin planlanmasını bir ambalaj ayrıntısından çok ölçülebilir bir tasarım değişkeni yapar. Çalışma ayrıca otomasyonla sağlanan iskelelemeye ilişkin bir uyarı taşır: ChatGPT tarafından üretilen yorumlar, öğretmen yorumlarından istikrarlı biçimde daha zor okunur, sözcüksel olarak daha az çeşitli ve konu olarak daha az hizalanmıştı; en büyük alaka açığı duygusal destekteydi (geri bildirim kalitesi).
• Tercih edilen iskeleleme her zaman en etkin olan değildir: Zhu, Yang ve Yang (2026), özne içi bir deneyde öğrencilerin işbirlikçi muhakemeyi besleyen Akran ve Öğretim Yardımcısı YZ rolleriyle en iyi performansı gösterdiğini ama daha yönlendirici Eğitmen ve Üstün Öğrenci rollerini tercih ettiğini buldu — YZ destekli matematiksel modellemede tercihi etkin iskelelemeyle eşitlemeye karşı uyaran, tercih ile performans arasındaki bir ayrışma.
• Daha yapılandırılmış bir iskele otomatik olarak daha etkili değildir: uzman bir tasarım botu, düz ChatGPT’a göre etkileşim uzunluğunu ve kendi yazdığı istek metinlerini artırdı ama her iki koşulda da işbirlikçi problem çözme etkililiği düştü; eleştiri yerine uzlaşı, gözlemlenen en düşük etkililikli davranış oldu (Krushinskaia ve ark. (2026)).
• Otomatik puanlama kasıtlı bir iskele olarak: Chen ve Liu (2026), otomatik bir yorumlayıcı-puanlama sistemini bir ölçüm aracından çok yapılandırıcı iskeleleme olarak ele aldı, 46 İngilizce Çeviri ve Tercüme ikinci sınıf öğrencisiyle 14 haftalık bir karşılaştırmada. İskele yalnızca hedeflediği açığın ayrıştırılabilir, güvenilir biçimde puanlanabilir ve duyarlı ölçeklenebilir olduğu yerde kazanıma dönüştü: dilsel doğruluk ve mantıksal tutarlılık yükseldi, bilgi bağlılığı ve sunum akıcılığı düz kaldı, bağlılık otomatik ve insan puanlamasının en çok ayrıştığı boyuttu (r = 0,12). Güçlendirdiği döngü de kısmiydi. Yalnızca uygulama aşamasındaki yerine getirme ve izleme, puan kazanımlarıyla ilişkiliydi (r = 0,42), ön öğrenme planlaması ölçek orta noktasında kaldı (M = 3,01) ve öğrenciler hedefleri öndeki görevden değil önceki puandan belirledi. Bir iskele, performans aşamasının içine iyi yerleştirilebilir ve onu gereksiz kılacak planlamaya dokunulmamış kalabilir.
• Öğrencinin mevcut sınırında kapalı döngü iskeleleme: Zhu, Luo ve Li (2026), performans sesi ve nota üzerinden Çok Kipli YZ hata algılamasının, pekiştirmeyle üretilen uygulama yörüngelerini yönlendiren ödüle dönüştüğü, böylece zorluğun sabit bir müfredat yerine öğrencinin mevcut sınırını izlediği bir müzik eğitimi döngüsü kurdu: üretilen uygulama yörüngeleri, öğrenen beceri profilleriyle 0,962 tepe kosinüs benzerliğinde eşleşti ve Grup x Zaman etkileşimi, 120 lisans öğrencisiyle 12 haftalık yarı-deneysel çalışmada iskelelenen grubu destekledi (beta = 0,52, %95 GA [0,31, 0,73]). Otomasyonla sağlanan iskeleleme için iki sınır çıkar: algılama, ritim hatası kesinliği %89,7 olduğundan yargı değil, önceliklendirmedir — yani işaretlenen yaklaşık bir hata onda biri yanlış alarmdır — ve kör uzman değerlendirmesi, müzikal anlatım desteğini sistemin en zayıf alanı olarak puanladı, yorumlamayı öğretmene bıraktı.

YGG bağlantısı

Vygotsky’nin Yakınsal Gelişim Bölgesi teorik temeli sağlar: iskeleleme, öğrenenlerin bağımsız yapabilecekleri ile destekle ulaşabilecekleri arasındaki boşluğu hedefler. YZ araçları bu bölgede çalışmalıdır — ilerlemeyi mümkün kılacak kadar destek, öğrenmenin atlanmayacağı kadar fazla değil. Uyarlamanın olağan yönünü tersine çeviren bir yapılandırma, Sidorkin’in (2026) lisansüstü dersinde görülür; burada destek düzeyini sistemden çok öğrenci belirledi: haftalık okumalar talebe göre üretildi ve öğrenciler yinelemeli istek yoluyla anlama düzeyini ayarladı (hız, tanımlar, sözcük yoğunluğu, derinlik). Üç okuma kaydının analizi, anlama odaklı istemleri izleyen YZ yanıtlarında tanımsal işaretçilerin temel açıklayıcı metne göre 3,4 kata 8,7 kata daha sık bulunduğunu gösterdi; en net örnekler önce tanımsal bir katman, sonra numaralandırılmış bir yordamsal katman inşa etti, bu da iskele yoğunluğunu bir sistemin ustalık tahmininden çok öğrencinin isteğinin ölçülebilir bir özelliği yapar. Okuma başına en az üç yanıt sorusu zorunlu kılınması bu ayarı rutin hâle getirdi ve metni, öğretmenin aksi hâlde göremeyeceği anlama boşluklarını gün yüzüne çıkaran bir etkileşime dönüştürdü.

İskele biçimi, yalnızca görevin gerektirdiğiyle değil, öğrencinin zaten taşıyabileceğiyle de örtüşmelidir. 6 ila 15 yaş arası çocuklarda yaratıcı düşünme üzerine 24 kanıt kaynağının sistematik kapsam derlemesinde, Niu ve ark. (2026) rapor eder: daha küçük çocuklarda metin temelli istemin talep ettiği kesin dilsel ve üst bilişsel denetim eksikti ve çok biçimli, yetişkin destekli arayüzlere ihtiyaç duydular; metin temelli LLMler daha büyük çocuklar ve genç ergenlerde daha güçlü bildirilen sonuçlar gösterdi. İstek bağımlılığı alt sınıflarda en güçlüydü ve içerilen hiçbir çalışma gelişimsel hazır olma eşiklerini incelemedi, böylece yazarlar biçim ve iskeleleme seçimlerini, kolaylıktan çok öğrenenin kapasitesiyle çözülecek açık bir tasarım sorusu olarak ele alır.

Bağlantılar

İskeleleme, Aşırı Güven ile bağlantılıdır (solmayan iskeleleme bağımlılık yaratır), Bilişsel Yük Kuramı ile (iskeleleme bilişsel yükü yönetir), Geri Bildirim Döngüsü ile (iskeleleme yapılandırıcı geri bildirim sağlar) ve YZ Okuryazarlığı ile (öğrenenler iskelelemenin ne zaman yararlı, ne zaman öğrenmeyi yerinden ettiğini tanımalıdır).

Aracılar dinamik olarak iskeleleme yapmalı, statik değil: Woollaston ve ark. (2026), otomasyonla sağlanan iskelelerin yetkinlik arttıkça geri çekilmek yerine statik kalma riskini saptar ve uyarlanıp solan dinamik iskeleler önerir — Etkenik YZ için temel bir güvence. CoMeT (Hou ve ark. 2026), ayırmayı da ne zaman solunacağına dair gerekçeyi de sağlar: desteği, bir öğrenen onu her kullanmadığında bir basamak tırmanır, kullanıldığında en hafif basamağa düşer; bir saklayıcı eğitmene karşılık üst bilişsel talebi istatistikî olarak eşdeğer tutarken (p_TOST = ,004) oturumların %48,1'inde bir yapıt sunar (%23,7'ye karşı) — daha az değil, daha fazla sistem emeği. Doğruladığı tetikleyici, derinlik değil amaçtır: tam bir gösterimden sonra eğitmen hâlâ açık olanın %30,3'ünü sonradan kabul etti, yapıştırılmış bir yapıttan sonra %25,9, çıplak bir iddiadan sonra %20,4 ve bir yapma talebinden sonra %33,7; oysa desteklenen karara yönelmeyen turlar, yönelen turlara karşı %28,8'e karşı %40,3 oranında sonradan bir kabul çekti (11,5 puanlık fark, %95 bootstrap aralığı [2,1, 22,4]). Kabul seyrekti — ilk isteden sonra %37,0, üçüncü isteden sonra %21,8 — böylece öğrenci çabasına bağlı bir solma kuralı, cevapsızlığı hazır olma olarak okur.

Dördüncü bir bölge, iskelenin kaynağını görünür kılar: Tsim ve Gutoreva (2025), Vygotsky’nin bölgelerine "üretici YZ’ye bilinen"i ekler, böylece bir görev Yerine Geçen, Tamamlayan, Yardımcı veya Pazarlık Dışı’na düşer — ve Pazarlık Dışı, normatif, zımni veya devredilmeyecek kadar riskli olduğu için bir insanın gerekmesi gerekeni tutar.

• YZ’yi fikrin aşamasına göre yerleştirin, kursa göre değil. Altı hamleli yerleştirme çerçevesi, ilk zor deneme ve nihai yardımsız kontroldan YZ’yi uzak tutarken arada ipucu, örnek ve alıştırma için onu yetkilendirir; YZ görevi zahmetsiz hissettiriyorsa yanlış yerde (Brcic & Frljic, 2026).

İskeleleme duruma uygun olmalı, azami değil: Zhang ve ark. (2026), LM özel öğretmenlerinin yalnızca destek gerektiğinde iskeleleyip iskelelemediğini, öğrenci hazır olduğunda titizlik için baskı yapıp yapmadığını ve aşırı iskelelemeden (durumun gerektirdiğinden fazla bilişsel talebi azaltmaktan) kaçınıp kaçınmadığını değerlendiren TutorMoments’ı tanıtır. Asgari düzeyde istem alan öncü modeller, verimli mücadele pahasına öntanımlı olarak aşırı iskeleleme yapar.

• Verimli mücadeleyi iskeleyen YZ. Kim ve ark. (2026), iskelelemeyi cevap vermeye çökmek yerine verimli mücadele bölgesinde tutan YZ tasarım ilkeleri (yönlendirici olmayan destek, yansıtıcı tasarım, İnsan-Denetiminde Yapay Zeka) türetir; Puech ve ark. (2025), Büyük Dil Modelleri (LLM) özel öğretmenlerinin yalnızca kesinlikle gerekli olduğunda yardım vermeleri için yönlendirilebileceğini gösterir — öğrenenin kendi çabasını koruyan iskeleleme.

İskelenin geri çekilmesi, doğrulamanın uygulama mekanizmasıdır. Kumar, Wongsirichot ve Nanthaamornphong (2026), 72 bilişim eğitimi çalışmasını sentezler ve iskele geri çekilmesini, güvence aracı ve Öz Düzenlemeli Öğrenme tasarımlarıyla birlikte, derslerin YZ çıktısına ilişkin eleştirel katılımı uygulamanın üç yolundan biri olarak konumlandırır — yapısal olarak (aracın döndürdüğünü kısıtlayarak), yordamsal olarak (yansıma kayıtları, öz test) ve zamansal olarak (bağımsız muhakemenin gerekli olduğu koşulları kademeli olarak geri getirerek). Kanıtları, YZ yardımı altındaki verimlilik kazanımlarının yardımsız performansa aktarılmadığı ve başarısızlık biçiminin — öğrencilerin görevi yerine getirmeden YZ’nin kod üretmesini izlediği sözde-çıraklık kalıbı — tam olarak bütün görev uygulaması olmadan modellemenin ta kendisi olduğudur. Kademeli erişim bu nedenle güçlü yeni bir destek biçimi için solan bir program işlevi görür ve derleme onu 4C/ID’ye dayandırır: yardım yalnızca öğrenen onu eleştirel biçimde değerlendirecek kadar şemaya sahip olduğunda işe yarar (yakınsal gelişim bölgesi, Bilişsel Yükü Dışarı Aktarma).

Sıralama, iskelenin diğer kaldıraçıdır: Vendrell ve Johnston (2026), her YZ danışmasından önce öğrencinin bağımsız bir girişimini zorunlu kılmayı ve ardından modeli cevap değil karşı argümanlar üretmek için kullanmayı, YZ’siz kasıtlı aşamalarla birlikte önerir; böylece destek muhakemeyi yerine geçmek yerine yükseltir.

Kural Yönlendirmeli ile Sıra Dışı İskeleleme

• Kural yönlendirmeli ile sıra dışı iskeleleme. Looi, Liu ve Sun (2026), iskeleleme tasarımında merkezî bir ayrımı resmîleştirir: özel dersin, denetlenebilir üç katmanlı bir mimariyle (teşhis → niyet seçimi → kısıtlı yanıt üretimi) yönetildiği kural yönlendirmeli iskeleleme, karşısında yararlı hamlelerin denetlenmesi ve tekrarlanması zor olduğu sıra dışı iskeleleme. İlkokul matematiği çalışmaları, kural yönlendirmeli iskelelemenin etkileşimsel tutarlılığı artırdığını, erken cevap vermeyi ve erken kapanışı azalttığını ve bilişsel katılımı sürdürdüğünü gösterdi — iskele hamlelerinin açıklığı ve denetlenebilirliğinin, yordamsal alanlarda hem tutarlılık hem öğrenme için önemli olduğuna dair kanıt.
• Atlama ve dışa devretme arasında kısıtlı yol olarak iskeleleme. Nöroplastisite-YZ Etkileşimi Modeli, iskelelemeyi LLM yardımının üç yolundan üçüncüsü olarak doğrudan atlama ve bilişsel dışa devretmenin yanında adlandırır ve onu, modelin görevin eğitmeyi amaçladığı çabaya dayalı işlemeyi koruyup korumadığına göre tanımlar (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning). Modelin kalibrasyon kanıtı, iskele kısıtına ilişkin doğal bir deneydir: neredeyse 1.000 lise matematik öğrencisinin katıldığı bir çalışmada kısıtlanmamış GPT-4 erişimi, %48 uygulama kazancı ama yardımsız sınavda %17 açık üretti; oysa ipucu kısıtlı GPT Eğitmeni, sınav açığı büyük ölçüde ortadan kaldırılmış biçimde %127 uygulama kazancı üretti. Tasarım dersi, yukarıdaki kural yönlendirmeli - sıra dışı ayrımıyla daha kaba bir ölçekte örtüşür: iskelenin başarılı biçimde kaldırılıp kaldırılmadığını belirleyen, bir eğitmenin varlığı değil, eğitmenin sunmasına izin verilen şey üzerindeki kısıttır.

Kural yönlendirmeli - sıra dışı ayrımı, eğitmenin ötesine geçip görevinin ta kendisine uzanır. Bir kurumlar arası akademik personel çalışma atölyesi, YZ çıktısının eleştirisinin kendi başına oluşmadığını buldu, böylece üretilen içeriği denetleme, karşılaştırma, revize etme ve gerekçelendirme gereklilikleri görev içine yazılmak zorunda kaldı ve YZ’ye girmeden önce bağımsız disiplinler arası analizi koruyanlar, adayların YZ çıktısını daha eleştirel biçimde değerlendirebildiğini gördü. Provaya ilişkin kanıt hemfikirdir: YZ ortaklarıyla pratik yapan hizmet öncesi öğretmenler, yapılandırılmış prova sonrası geri bildirim sağlandığında daha fazla derinlemesine ve keşfeden soru kullandı. Her iki durumda da destek önceden belirlenir, doğaçlama yapılmaz; denetlenip tekrarlanması zor olan sıra dışı yardımdan tasarlanmış rehberliği ayırır.

• Doğru biçimde kısıtlanmış bir iskele, kısıt uygulanmazsa yine de başarısız olur. Azimi (2026), yukarıdaki ayrımın öngördüğünü kurdu — oturum başına 25 ipucu bütçesi, YZ kullanımında 15 dakikalık üst sınır, zorunlu oturum sonu yansıtması ve üretilmiş kod yasağı — ve yedi hafta boyunca onu kısıtlanmamış Üretici YZ kullanımına karşı 33 yüksek lisans öğrencisi arasında randomize etti. Görev performansı ve kavram envanteri kazanımları koşullar arasında farklılık göstermedi. İpucu bütçesi bir kısıtlama mekanizması olarak işlemedi: bazı öğrenciler çoğunu ilk problemlere harcayıp zorlu olanlar için hiç bırakmadı, bazıları çoğu kullanılmamış biçimde bitirdi ve Eğitmen koşulu içinde bir ipucu harcamak için zaten kasıtlı bir stratejisi olan öğrenciler daha yüksek puan aldı. Kısıt, rapor edilen özgüveni yükseltti ve sınıfın dışına kadar öğrencileri bir öz sorgu alışkanlığı olarak izledi (bir sorunun araca sorulmaya değip değmeyeceği), ancak mevcut öz yönetimi ödüllendirdi, onu geliştirmedi. Bir iskelenin denetlenebilirliği ile bir öğrencinin onu kullanma kapasitesi ayrı koşullardır.
• Öğrencinin doğrulayamadığı iskele, akıcı bir yedektir. Kimya gözlemlenebilir olgular, partikül modeller ve simgesel notasyon boyunca muhakeme ettiğinden, üretilmiş bir cevap yerel olarak ikna edici ve küresel olarak yanlış olabilir. Vega-Baudrit ve Rivera Álvarez (2026), iskelelemeyi Önsezi-Süreç-Ürün analizlerinin verimli tarafına, eleştirel olmayan kopyalamayı ise başarısızlık tarafına yerleştirir ve iskelelerden iki yönde gösterimsel çeviri talep etmesini ister, çünkü nötrleşmeyi doğru betimleyen bir yanıt, yine de her denklik noktasının pH'sının 7 olduğunu iddia edebilir. Doğrulama, bir kural olarak değil görevin içine tasarlanır: öğrenciler yanlış bir varsayımı tanımlar, bir birim veya mekanizma hatasını düzeltir, simgesel bir yapıyı alt mikroskobik bir modelle karşılaştırır veya üretilen bir cevabı reddetmeyi gerekçelendirir. Öğrenciler henüz anlamadıkları şeyi doğrulayamadığından, ön bilgi ve iskeleleme önce gelir ve istek yazımı, öğrencinin cevabın tatmin etmesi gereken kısıtları belirttiği bir epistemik eylem olarak ele alınır.

Bağlı kavramlar

• Pedagojik Kalıplar — Desteğin dizide nereye ait olduğu ve yardımdan önce denemenin neden yük taşıyan kural olduğu
• Problem Temelli Öğrenme — PBL, yapısal olmayan soruların çevresinde solan iskeleler gömer
• Öğreterek Öğrenme — Açıklama yoluyla bilgi inşasını iskelelemek
• Sosyokültürel Öğrenme — Vygotsky temeli: YGG ve toplumsal olarak aracılı edilen öğrenme
• Bilişsel Yükü Dışarı Aktarma — Asla solmayan iskeleleme aşırı güven yaratır
• Geri Bildirim — İskeleleme, destek solaraken yapılandırıcı geri bildirim sunar
• YZ Okuryazarlığı — İskelelemenin öğrenmeyi desteklediği ile yerinden ettiği durumları tanımak
• Akıllı Özel Öğretim — ITS’ler iskele yoğunluğunu ustalık tahminlerine uyarlar
• Sokratik Yöntem — Doğrudan cevapları saklayan sorgulama
• Metabiliş — Öz izleme ve öz düzenlemeyi inşa eden iskeleler
• Uyarlanabilir Öğrenme — Uyarlanabilir sistemler, öğrenenin YGG’si içinde desteği modüle eder
• Öğrenme Tasarımı — İskeleleme, temel bir öğretim tasarımı stratejisidir
• Yardım Arama — İskeleleme, öğrenenlerin yardım isteğinin ne zaman ve nasıl olduğunu şekillendirir
• Öğretmenlik — Öğretmenler iskeleler, sonra yetkinlik arttıkça solar
• Pedagojiler ve Öğretim Stratejileri — Şemsiye: YZ eğitiminde pedagojiler ve öğretim stratejileri
• Etkenik YZ
• Verimli Başarısızlık — Verimli Başarısızlık

Bağlı makaleler

• Generative AI in computing education: A systematic review and a framework for responsible integration — Doğrulamayı uygulayan mekanizma olarak iskele geri çekilmesi (VIE çerçevesi)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Klinik Görüşme Eğitimi İçin İskeleleme Odaklı Çok Aracılı Büyük Dil Modeli Sisteminin Değerlendirilmesi
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Video içi bilgi ve duygusal iskeleleme olarak entropi-zamanlı YZ yorumları (Wang, Du & Jin 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Yapılandırılmış bir öğrenme müdahalesi olarak yönlendirilmiş LLM istek yazımı
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Üretici YZ ile kültürel olarak duyarlı eleştirel katılım iskelelemesi
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — LLM özel öğretmenlerinde iskeleleme için tasarım kalıpları
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — Kavramsal değişim için Concept Catalyst iskeleleri
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — İpuçlarının ne zaman yardımcı olduğu, ne zaman aşırı güvene teşvik ettiği
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Üretici YZ ile eleştirel düşünmeyi iskelelemek
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Veriforge ile iskelelenmiş anlatı taslağı oluşturma
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — Yerine Geçmeden İskelelemeye: Kendini Güçlendiren Zarar Döngüsünü Kırmak
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — YZ destekli matematiksel modellemede tercih edilen iskeleleme
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Etkili YZ için dinamik (solan) iskeleler
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — Yardımın Yararsız Olduğu Zaman: YZ özel öğretmenlerini verimli mücadele için değerlendirmek
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Verimli Başarısızlık Temelli Öğrenmeyi Destekleyen YZ Sistemleri Tasarlamak
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Verimli Başarısızlık İçin LLM’lerin Pedagojik Yönlendirilmesi
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — YZ özel dersini verimli kılmak: ustalık temelli matematik uygulaması
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — Korumalı ve korumasız YZ: yerleştirme kuralı (Brcic & Frljic 2026)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — Uygulamalı kimya'da YZ destekli deneysel tasarım
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — Sistematik Derlemeleri Eşlik ve YZ ile İskelemek (Wang 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Öğrenme için tasarımda üretici YZ etkileşimleri sırasında hizmet öncesi öğretmen etkililiği (Krushinskaia, Elen & Raes 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Matematik öğretmen eğitiminde pedagojiler uygulamasında YZ: yapılandırılmış prova geri bildirimi derinlemesine soruları artırdı (Bondurant & Shaughnessy 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Öğretim tasarımı olarak YZ tümleştirmesi: YZ çıktısının eleştirisi atanmalı ve disiplinler arası analiz önce gelir
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — İpucu bütçeli bir YZ Çalışma Koçu: iskelelenmiş ile kısıtlanmamış üretici YZ kullanımı ve kısıtın tek başına neden öğrenme üretmediği (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: bir görevin hangi alt bölgeye ait olduğuna karar vermek olarak yeniden çerçevelenen iskeleleme
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Yapılandırıcı iskeleleme olarak otomatik puanlama: yalnızca hedeflenen açığın ayrıştırılabilir, güvenilir ve duyarlı ölçeklendiği yerde kazanıma dönüşür (Chen & Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — Müzik pratiğinde öğrencinin mevcut sınırını izleyen, hata algılaması önceliklendirme olan kapalı döngü uyarlanabilir iskeleleme (Zhu ve ark. 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — İskele biçimi, yalnızca görev değil çocukların gelişimsel kapasitesiyle örtüşmeli (Niu ve ark. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — İskeleler, öğrenciler anlamadıklarını doğrulayamadığından gösterimsel çeviri ve doğrulama talep etmeli (Vega-Baudrit & Rivera Álvarez 2026)
• Generative AI-supported instruction as a cognitive scaffold: effects on senior high school students' geometric reasoning and proof construction — Görselleştirmenin tek başına yetersiz olduğu geometride, görsel sezgiden tümdengelimli kanıta köprü kuran istemleyen iskele olarak üretici YZ (Davor 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — Yönlendirilmiş YZ Özel Öğretmenlerin Öğrenci Çıkmazlarını Nasıl Çözdüğündeki Değişimin İncelenmesi
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — STEM problem çözmede üretici YZ kullanımı için iskele olarak öğrenciyi eğitmek (Huang ve ark. 2026)
• A Conversational AI Framework for Teacher Training — Kanıta dayalı diyalogla öğretim yanlış kanıları için konuşma YZ tanısı (Miranda ve Calvani 2026)