AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Fen Eğitimi

Oluşturuldu 2026-10-14

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

Fen eğitimi — öğrencilerin bilimi nasıl öğrendiğinin ve onun nasıl öğretileceğinin incelenmesi ve uygulanması; günümüzde fizik, kimya ve biyoloji boyunca üretici YZ (LLM’ler, benzetimler, sanal laboratuvarlar ve YZ puanlaması) tarafından yeniden şekillendirilmektedir. Bu bilgi tabanındaki fen eğitimi makaleleri, temel bir gerginliği müzakere eden bir alanı ortaya koyar: YZ, soru sormaya dayalı öğrenmeyi (inquiry), yanlış kanı düzeltmesini ve ölçekte değerlendirmeyi gösterilebilir biçimde destekler, öte yandan değeri öğretim tasarımına bağlıdır ve aşırı güven, halüsinasyon ve insanlıktan uzak, kâr odaklı öğrenmenin gerçek risklerini taşır.

Düşünülmesi Gerekenler

  • Sayfa bir gerginlikle açılır: YZ, soru sormaya dayalı öğrenmeyi ve yanlış kanı düzeltmesini ölçekte gösterilebilir biçimde destekler, öte yandan değeri tümüyle öğretim tasarımına bağlıdır. Okumadan önce, fen öğretiminde kullandığınız bir araç ne zaman güçlü ama pedagojik olarak içi boş göründü — ve farkı yaratan neydi?
  • YZ destekli bir fizik araştırması, öğrenciler baskı yaptığında hiç kimsenin ölçmediği kütle değerlerini 'icat etti'. Bu olay, YZ çıktılarının bilimde yetkili kaynak olarak ele alınması hakkında ne ortaya koyuyor ve öğrenciler güven veren bir cevaba nasıl davranmaları konusunda nasıl eğitilmeli?
  • Araştırmalar, YZ’nin şu anda etkileşimli bir özel öğretmenden çok, ölçeklenebilir bir içerik üreteci olarak daha fazla değer katabileceğini öne sürüyor — bir çalışmada, iyi hazırlanmış kavramsal değişim metinleri (uzman ya da YZ yapımı), istek metniyle yönlendirilen bir YZ diyalosunu geride bıraktı. Bu sizi şaşırtıyor mu ve fen eğitiminde YZ’nin gerçek pedagojik kazancının şu anda nerede yattığına dair ne öne sürüyor?
  • YZ, 10.364 el yazısı fizik değerlendirmesini insan puanlayıcılarla yüksek uyumla puanladı, öte yandan çok biçimli modeller karmaşık muhakeme ve diyagram üretiminde hâlâ boşluklar gösteriyor. 'Özgün, gösterimce zengin' fen çalışmasında, otomatik değerlendirmeye direnç gösterebilecek olan nedir?
  • Fizik öğrencileri çarpıcı bir güven–yarar boşluğu gösterir — yüksek kullanım, düşük güven — ve pragmatik kullanıcılar ile şüpheci kullanmayanlar olarak ikiye ayrılır. Öğrencilerin kendileri alana göre ayarlanmış şüphecilerse, fen sınıflarındaki YZ’ye ilişkin herkes için aynı politikalar için ne ima eder?
  • Eleştirel bir ses, fen eğitiminin 'YZ sömürgeleştirmesi' konusunda uyarır — rıza olmadan çıkarma, algoritmik tek kültür, insanlıktan uzak reform. Okumadan önce, fen eğitiminde YZ’nin yararlarının nerede olduğundan fazla övüldüğünü düşünüyorsunuz ve insan odaklı, adalet temelli bir alternatif neye benzerdi?

Giriş

Fen eğitimi, YZ’nin vaadi ile sınırlarının en görünür biçimde çarpıştığı yerdir, çünkü disiplinler titiz Çok Kipli YZ muhakeme talep eder — fizikte görsel-uzamsal düşünme, kimyada laboratuvar becerileri ve biyolojide organizma düzeyi sistemler — LLM’lerin iyi hâlleri geldiği iyi yapılandırılmış, doğrulanabilir içerikle birlikte. Burada sentezlenen on üç makale, K-12 ortaöğretim sınıflarından Yükseköğretim üniversite derslerine ve hizmet öncesi öğretmen programlarına kadar üç disiplinin ve düzeyin tümünü kapsar. Bunların tamamında tutarlı bir tablo ortaya çıkar: YZ, bir cevap üreteci olarak değil, katkısı öğretim tasarımı ve çevresindeki pedagojik yapı tarafından belirlenen gömülü bir ortak olarak — birlikte araştıran bir eş, bir içerik üreteci, bir sanal laboratuvar yardımcısı — en iyi işlevi görür.

GCSE biliminde bir YZ tekrar platformının dört haftalık randomize değerlendirmesi, bu tabloya nedensel bir tahmin verir — Hedges' g = 0,33, etkinin derse veya dezavantaja göre farklılaştığına dair kanıt yok — zaten teknolojiyle zengin bir karşıt duruma karşı, böylece bu değer, YZ’ye karşı hiçbir şeyden çok katma değerdir (Harrison ve ark. (2026)).

Bu sınıf düzeyi bulgular daha büyük bir yöntemsel sorunun içinde yer alır. Martin, Rost, Koenen ve Graulich (2026), fen eğitimi araştırmasının şu anda epistemik bir yinelemenin ortasında olabileceğini savunur; Hasok Chang’in (2004) belirli epistemik amaçlara doğru yinelemeli biçimde inşa eden bilgi aşamalarının ardışık hesabından yararlanır. Onların okumasına göre, YZ yöntemleri yalnızca alanın öğrenci öğrenmesini nasıl analiz ettiğini değil, hangi epistemik amaçları, ölçütleri ve uygulamaları önceliklendirdiğini de dönüştürebilir. Termometrinin kabaca 150 yıllık gelişimiyle gösterilen yedi aşamalı yansıtıcı bir çerçeve önerirler (problemin çerçevelenmesi; alet edavat ve ölçüm; deney ve kanıta dayalı çıkarım; karşılaştırmalar ve tekrarlama; normlar ve uzlaşı inşası; uygulama ve sonuçları; ve süregelen iyileştirme) ve bunu doğrulanmış bir yöntemden veya deneysel bir bulgudan çok bir yansıtma aracı olarak sunarlar.

Sanal laboratuvarlar ve benzetimler

YZ, özelleştirilmiş, gövdeleştirilmiş bilim aletlerinin oluşturulmasındaki engeli çarpıcı biçimde düşürmektedir. Levy ve ark., dört öğeli bir doğal dil istek metninin, elle kontrol edilen bir artırılmış gerçeklik fizik benzetimi (çimdikle-aç hareketi, sanal bir lambanın dalga boyunu ayarlar) üretebileceğini gösterir; pilot öğrencilerin %86'sı daha yüksek katılım bildirmiştir. Benzer biçimde, Suñer ve ark., tamamen istek yoluyla tarayıcı tabanlı bir dönme laboratuvarı üretmiş ve onu video analizine karşı %1'den iyi doğrulamıştır. Bu çalışmalar, üretici YZ'yi, öğretmenlerin etkinlikleri sabit uygulamalara uyarlamaktansa yazılımı pedagojik niyet çevresinde tasarlamalarını sağlayan bir programlama aracı olarak yeniden çerçeveler — gövdeleştirilmiş ve Simülasyon temelli öğrenmeyi ilerletir. Kimya Eğitimi, Abdikayumova & Madybekova, 10. sınıf öğrencileri için bağlam temelli bir 7E araştırma döngüsü içine PhET benzetimlerini ve ChatGPT özel dersini gömmüş, her bir bileşenden tek başına önemli ölçüde daha yüksek başarı ve katılım elde etmiştir — bağlamlandırma, yapılandırılmış araştırma ve uyarlanabilir YZ’nin birlikte işlediğine dair kanıt. Öğrencilerin bu tür modelleme ortamlarında nasıl çalıştığına ilişkin davranış analizi bu tasarım dersini güçlendirir: VERA’da ekolojik model kuran 315 çevrimiçi öğrenciyi izleyerek, An, Hammock & Goel (2025), tam döngülü, hipotez güdümlü keşfe girişen öğrenenlerin en karmaşık ve çeşitli modelleri inşa ettiğini, gözlem ağırlıklı öğrenenlerin ise büyük ölçüde mevcut modelleri kopyaladığını buldu — bu, bilimsel modelleme araçlarının öğrenenleri edilgen, gözlem egemen bir kipte bırakmak yerine tam döngülü keşif davranışını etkin biçimde teşvik etmesi gerektiğini öne sürüyor.

YZ özel öğretmenleri ve sorgulamaya dayalı öğrenme

Sorgulamaya dayalı öğrenme merkezî bir temadır. Jiang ve ark.'in 24 çalışmanın sistematik derlemesi, ChatGPT’yi, başta STEAM araştırmasının kavramsallaştırma, araştırma ve tartışma aşamalarında kullanılan, performansı, eleştirel düşünmeyi ve katılımı artıran bir "YZ güçlü birlikte araştıran" olarak konumlandırır — çıktılar yetkili kaynak olarak ele alındığında aşırı güven, halüsinasyon ve yüzeysel sonuçlar riski taşır. Aydın, sekiz haftalık YZ destekli yönlendirilmiş araştırmanın hizmet öncesi öğretmenlerin fotosentez ve solunum kavramsal anlayışında büyük kazanımlar ürettiğini, YZ okuryazarlığı ve hesapsal düşünmenin ise anlamlı bir değişim göstermediğini buldu — bu, daha geniş yetkinliklerin daha uzun veya daha açık öğretime ihtiyaç duyduğu durumlarda bile disiplinî öğrenmenin artabileceğini öne sürüyor. Tufino & Damiani, YZ’nin ISLE araştırmasının epistemik çekirdeğini iskeleyebileceğini, sözel kanalla sınırlı kalırken, kolaylaştırmanın kırılgan olduğunu gösterir: öğrenci baskısı altında YZ, hiç kimsenin ölçmediği kütle değerlerini "icat etti", Halüsinasyon Riski'i ve YZ bağlılığını varsaymak yerine doğrulama gereğini vurguladı. Kuhn ve ark., tahmin, yorum ve değerlendirmeyi devredilemez insan görevleri olarak tutmak için AIRIS çerçevesini (Etkinleştir–Araştır–Yansıt) önerir ve "geri çekilme koşulu" deneyleri çağrısında bulunur; öğrenmenin YZ’nin kaldırılmasından sağ çıkıp çıkmadığını test ederek aşındıran epistemik uygulamanın "kaynar kurbağa sorununa" doğrudan bir yanıt verir. YZ üretimi ders planlarının uzman değerlendirmesi bu tasarım dersini müfredat uyumlu bilime uzatır: Karaismailoglu, Surmeli ve Yildirim (2026), on bir Türk fen eğitimi uzmanının ChatGPT-4'ü ve eğitim odaklı bir aracı (Teacher’s Buddy), Mühendislik Tasarım Temelli Öğrenme (EDBL) modeline uyumlu "Sürdürülebilir Yaşam ve Biyoçeşitlilik" ünitesi için altıncı sınıf ders planlarını puanlamasını sağladı. Her iki platform da "Çözümü sunma"da en yüksek puanı, Mühendislik Becerilerinde ise en düşük puanı aldı (genel amaçlı x̄ = 37,45; eğitim odaklı x̄ = 41,45) — tasarım temelli öğrenmeyi tanımlayan yinelemeli, süreç odaklı aşamaları (prototipleme, başarısızlık analizi, revizyon, yansıtıcı yeniden test) benzetmedeki paylaşılan bir zayıflık — ve yalnızca 11 uzmanın 3'ü her iki planı da doğrudan "Uygulanabilir" buldu, 7'si onları "Düzeltme yapılarak uygulanabilir" olarak puanladı.

Kavramsal bir derleme, materyal kanalı teorik olarak temellendirir: bilim, iddiaları fiziksel kanıta karşı gözden geçiren açık bir sistemdir; oysa bir dil modeli, çıkarım sırasında kanıta karşı işlevsel olarak kapalıdır (Muminova & Mamatkulov, 2026).

Yanlış kanılar ve kavramsal değişim

Kavramsal değişimde kanıt incelikli ve kısmen sezgilere aykırıdır. Akdoğan, 413 öğrencinin katıldığı bir Solomon Dört Gruplu tasarımda, hem uzman yazımı hem YZ üretimi kavramsal değişim metinlerinin, etkileşimli YZ diyalosundan — ki bu kontrol koşuluna göre hiçbir avantaj sunmamıştır — eşit ve anlamlı biçimde daha etkin olduğunu, ısı ve sıcaklık YZ Hakkında Yanlış Kanılar azaltmada buldu; YZ’nin mevcut pedagojik değerini etkileşimli bir özel öğretmenden çok ölçeklenebilir bir içerik üreteci olarak konumlandırarak, kazanımların yüksek başarılı öğrenciler arasında yoğunlaştığını (bir eşitlik kaygısı) ortaya koyar. Bu, istek metni özgünlüğünün fizik çözümü kalitesini şekillendirdiğini ve MAPS yönlendirmeli eleştirinin, bağımsız problem çözmeden daha iyi, öğrencileri YZ çıktısını değerlendirmeye hazırladığını gösteren Borse ve ark. tarafından pekiştirilir; YZ’nin yanılabilirliğini bir Eleştirel Düşünme öğrenme kaynağı olarak ele alır.

YZ puanlaması ve değerlendirme

YZ puanlaması, yüksek riskli çalışmalarda hızla ilerlemektedir. Pathak ve ark., el yazısı fizik değerlendirmelerinin 10.364 taranmış sayfasını (ulusal bir Olimpiyat ve takım seçim kampı dahil) puanladı, yüksek puan korelasyonları elde etti (0,91–0,97) ve insan puanlamasıyla aynı beş öğrenciden oluşan takımı yeniden çıkardı; ayrıntılı, fiziğe özgü derecelendirme anahtarları verildiğinde YZ’nin, sınav sorumlusunun denetimi altında geçerli bir ikinci okuyucu ve denetim aracı olarak işlediğini savundu. Kısa cevaplı otomatik puanlamanın daha uzun ve daha temel bir dönüştürücü soy ağacı vardır: 21 çalışmanın (2017–2024 başı) Morley ve ark.'in kapsam derlemesi, BERT ailesi modellerinin, ~2022'den itibaren istek metni yoluyla GPT tabanlı yaklaşımlar benimsenmeden önce 2021'e kadar fen kısa cevaplı sorularının otomatik puanlamasında egemen olduğunu; alan verileriyle (ders kitapları, derecelendirme anahtarları, ileri ön eğitim) güçlendirilmiş modellerin istikrarlı biçimde temel çizgiyi geride bıraktığını ve güvenilirlik, açıklanabilirlik ve adililik konusundaki çözülmemiş tehditlerin, bu tür otomatik puanlayıcıları insan sınav görevlilerinin yerine geçenlerden çok destekleri olarak savunduğunu buldu. Öte yandan Chen ve ark.'in OmniPhys Karşılaştırma testi (Benchmark), çok biçimli LLM’lerin karmaşık muhakeme ve diyagram üretiminde hâlâ önemli boşluklar gösterdiğini ortaya koyar; derin disiplinî yetkinliği tanımlayan özgün, gösterimce zengin görevlerde otomatik fizik değerlendirmesine aşırı güvenmeye karşı uyarır. Bir kimya karşılığı, biçim bağımlılığını keskinleştirir: Cvengros & Kortemeyer, 296 öğrencinin el yazısı genel kimya finalini çok biçimli bir Büyük Dil Modelleri (LLM) ile puanladı, metinsel ve kimyasal reaksiyon cevapları için asistanlarla yüksek uyum, çizim ve grafik çizmede ise rastgeleden kötü performans buldu (arka plan ızgaraları YZ görüşünü dağıtır) — fen bilgisinde güvenilir YZ puanlamasının yanıt biçimine göre seçici olduğuna ve grafik maddeler için tek biçimli bir "her şeyi puanla" yaklaşımından çok, güven temelli olarak insan sınav görevlilerine devretmeyi gerektirdiğine dair kanıt.

Öğretmen algıları ve eleştirel görüş

Öğretmen hazır oluşu belirleyicidir. Amponsah ve ark., Ganalı hizmet öncesi fen öğretmenlerinin YZ’ye karşı olumlu tutumlar ve güçlü niyetlere sahip olduğunu ama yalnızca orta düzeyde fiilî sınıf kullanımına sahip olduklarını buldu — Öğretmen YZ Yetkinliği ve kurumsal desteği gerçek kaldıraçlar olarak gösteren bir niyet–kullanım boşluğu. Becker ve ark. ile Fouad & Bentley, fizik öğrencilerinin eleştirel olmayan benimseyenler değil, alana göre ayarlanmış şüpheciler olduğunu belgeler: 50 puanlık bir güven-yarar boşluğu (%91 kullanım, %41 güven) ve herkes için aynı politikalara meydan okuyan iki farklı kullanıcı profili (Pragmatik Kullanıcılar ile Şüpheci Kullanmayanlar). Tekno-iyimserliğe karşı denge kurarak, Avraamidou, fen eğitiminin bir "YZ sömürgeleştirmesi" konusunda uyarır — rıza olmadan çıkarma, algoritmik tek kültür ve insanlıktan uzak, kâr merkezli reform — ve kâr yerine adaleti önceliklendiren feminist, insan odaklı bir YZ çağrısında bulunur; Erümit & Özdemir Sarıalioğlu'nun 18 çalışmanın sistematik derlemesi ise etik riskleri (önyargı, halüsinasyon, intihal, bağımsız düşüncenin aşınması) ile öğretmen eğitimi ve bilinçli kullanım gereğini vurgular. On üç makalenin tümündeki ortak ders, fen eğitiminde YZ’nin sağlam araştırma, İskeleleme (Scaffolding) ve Değerlendirme tasarımına gömüldüğünde kazanımlar sunduğu — öğrencilerin kendilerinin yapmak zorunda olduğu epistemik işi yerinden ettiğinde ise öğrenmeyi baltaladığıdır.

Schroeder ve ark. (2026), genel modellerin fen içeriğinin ta kendisini ne kadar iyi hâlleri geldiğini sorar: ortaokul (1.078 madde) ve lise (1.150 madde) için NGSS uyumlu madde kümelerinde, dokuz açık ağırlıklı model çoğunlukla %90'ı aştı, model boyutu doğrulukla ilgisizdi ve bir fen öğretmeni, örneklenen 240 maddeden 236'sını (%98,3) uyumlu buldu; diyagramların, veri yorumlamasının ve matematiksel gösterimin yokluğunu işaret etti — yalnızca metin maddeleri her NGSS performans beklentisini çalıştıramaz. Yüksek madde zorluğu ve düşük ayırt edicilik, maddelerin iyileştirilmeye ihtiyacı mı yoksa ortaöğretim feni bu model sınıfı için çözümlenebilir mi hâline mi geldiği sorusunu açık bırakır ve yazarlar, eksik standardın çok turlu, kanıta dayalı geri bildirim olduğunu belirtir.

Bağlı kavramlar

Bağlı makaleler

Üst veri

DisiplinScience Education, Stem Education
Öğrenme ve öğretimSorgu Temelli Öğrenme
Teknolojiler ve tekniklerÜretici YZ
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.