Öz Düzenlemeli Öğrenme

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

Öz düzenlemeli öğrenme (SRL), öğrenenleri bilişsel ve davranışsal eylemlerini başarılı bir biçimde şekillendirebilen ve geliştirebilen etkin katılımcılar olarak tanımlar. YZ araçları SRL gelişimini iskeleleyebilir ya da uzmanlığı inşa eden düzenleyici talepleri ortadan kaldırarak istemeden ona kısa devre yaptırabilir.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) Boylamsal kanıtlar ayrımı keskinleştirir: bir YZ aracı çevresinde yansıtıcı kullanım eleştirel düşünmeyi (β = 0,43) öngördü, bilgi kazanımını öngörmedi; araca erişimin tek başına ikisini de değiştirmedi.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

Üzerinde düşünülmesi gereken sorular

• SRL, öğrenenlerin öğrenmelerini üç evrede etkin biçimde yönettiğini tanımlar: ön düşünme (hedef belirleme, planlama, öz yeterlilik), uygulama (strateji, öz gözlem) ve öz yansıtma (değerlendirme, uyum). Okumadan önce, bu evrelerden hangisini gerçekten iyi yapıyorsunuz — ve hangisini daha iyisini bilmenize rağmen atlıyorsunuz?
• Sayfanın temel gerilimi: YZ öz düzenlemeyi iskeleyleyebilir ya da uzmanlığı inşa eden düzenleyici talepleri ortadan kaldırarak ona kısa devre yaptırabilir. Bir görevi kolaylaştıran bir araç, sizi kendi öğrenmenizin daha zayıf bir düzenleyicisi haline nasıl getirebilir — ve bu farkı kendi kullanımınızda hissedebiliyor musunuz?
• Öğrenciler sıklıkla bir ‘üretim açığı’ gösterir: öz düzenleme bilgisine sahiptirler ama onu kendiliğinden devreye sokamazlar — bir sohbet robotundan ‘ana fikirleri çıkarmasını’ ister ve planlama ile izlemeyi tümüyle atlarlar. Daha iyi stratejiyi bilmenize rağmen bunun bilişsel karşılığını yaptığınızı hiç yakaladınız mı?
• Destek mevcut olduğunda kendi yargınız sahneden düşebilir: bir iz verisi çalışmasında seçilen gözden geçirme stratejisini belirleyen şey, öğrenenin üstbilişsel doğruluğu değil mevcut destekti. Dış yardım kendi öğrenmenize ilişkin okumanızı geçersiz kılıyorsa, hangi yargıyı bilerek kendi elinizde tutardınız?
• Araştırma, bir ‘yanlış kalibrasyon boşluğu’ bulmuştur: öğrenciler üretken YZ ile daha fazla öğrenmeyi algılayabilir ama daha azını hatırda tutabilir — daha zayıf hatırlama tutturmasına rağmen YZ’yi not almaya tercih edebilir. Bir aracı kullanırken kendinizi verimli hissediyorsanız, aslında daha fazla öğrenmediğinizi nasıl keşfedeceksiniz?
• Üretken YZ’nin bir iskele, bir kısa yol mu yoksa bir eş ortak mı işlev göreceği, aracın kendisinden çok öğrenenin düzenleyici kapasitesine bağlıdır. Ancak sayfa aynı zamanda öz düzenlemenin derin bilişsel yük devrinin zararını — yok etmeden — tamponladığını da göstermektedir. ‘Tamponlar ama yok etmez’ bu feragatı, daha iyi YZ araçları tasarlamak açısından ne anlama gelir?
• Okumadan önce bir hedef belirleyin: düzenli olarak YZ kullandığınız bir görev seçin ve üç SRL evresinden (ön düşünme, uygulama, yansıtma) hangisini otomasyondan bilerek koruyacağınızı önceden kararlaştırın. İşe yaradığını size hangi sonuç söyleyecek?

Giriş

SRL, öğrenenlerin kendi öğrenmelerini birbiriyle ilişkili üç evre üzerinden etkin biçimde yönettikleri süreçtir:

1. Ön düşünme: Hedef belirleme, stratejik planlama, Öz Yeterlilik inançları
2. Uygulama: Strateji devreye alma, öz gözlem, dikkat odaklama
3. Öz yansıtma: Öz Değerlendirme, nedensel atıf, uyum

Yetkin öz düzenlemeli öğrenenler, başarıyı artırmak için bilişsel stratejiler kullanır ve öğrenme süreçlerini sürekli biçimde iyileştirmek üzere Metabiliş yararlanır.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Teknoloji aracılı bir dersteki ampirik çalışma, evre bağlantılarını doğrular: sekiz haftalık uyarlamalı bir stokastik çalışmasında (194 öğrenci), eylem öncesi evredeki görev değeri, öz yeterlilik, hedef yönelimi ve olumlu duygular eylemsel düzenleyici davranışı öngördü, olumsuz duygular ise bunu engelledi; eylem sonrası doyum, bir sonraki eylem öncesi evreye ileri beslenme yaptı (Mejeh & Fromm (2026)).

84 YZ–SRL çalışmasının sistematik eşlemesi, araştırmanın yükseköğretim öğrencileri ve öz düzenlemenin üstbilişsel ile bilişsel boyutları üzerinde yoğunlaştığını; motivasyonel boyutun yeterince araştırılmadığını ve çalışmaların üçte birinden fazlasının hiçbir SRL kuramı belirtmediğini bulmuştur (Banihashem ve ark. (2025)).

En önemlisi, YZ çevresindeki SRL davranış kadar algı tarafından da şekillenir: Yilmaz ve ark., öğrencilerin geri bildirimi YZ’den mi yoksa bir insandan mı geldiğini algılamasının, öz düzenlemeli öğrenmelerini ve gözden geçirme davranışlarını anlamlı biçimde etkilediğini göstermektedir — YZ’nin toplumsal çerçevesinin, yalnızca içeriğinin değil, öğrencilerin onun çevresinde nasıl düzenleme yaptığını değiştirdiğine dair bir hatırlatma.

Düzenleme başlamadan önce gelen bir başarısızlık biçimi vardır: üretken YZ destekli öğrenmede erteleme — onu kullanmaya dair gerçek bir niyet varken üretken YZ destekli çalışmaya başlamadaki gereksiz gecikme. 1.243 Çinli lisans öğrencisi arasında daha sık üretken YZ kullanımı bunun daha az olmasıyla birlikte gitti (β = −0,195) ve üretken YZ’yi öğrenme kaygısı niyet–gecikme bağlantısını güçlendirdi (Li ve ark. (2026)).

Üretken YZ’nin döngüye nereden girdiği etkisini belirler: Zimmerman’ın ön düşünme, uygulama ve yansıtma evrelerini YZ aracılı ortamlara eşleyen bir ortak-etkinlik çerçevesi, giriş noktasının aracın öğrenenin kontrol duygusunu güçlendirip güçlendirmediğini ya da aşındırıp aşındırmadığını belirlediğini ve yük devrinin yalnızca karar rutin değil bilinçli olduğunda dönüştürücü öğrenmeyi desteklediğini ileri sürer (Poudyal (2026)).

434 özel eğitim lisans öğrencisi üzerinde yapılan kesitsel bir anket, böyle bir zinciri ölçer: üretken YZ okuryazarlığı, üretken YZ destekli öz düzenlemeli öğrenme davranışlarıyla pozitif ilişkiliydi (toplam B = 0,701) ve bu ilişki başta öğrenme Öğrenen Etkenliği üzerinden (B = 0,345) değil zorluk duyguları üzerinden (B = 0,061) işliyordu (Yang ve ark. (2026)).

SRL için Dijital Destek

Öğrenme Günlükleri

Öğrenme günlükleri, umut verici bir SRL müdahalesidir: öğrenme süreçleri üzerinde yansıtarak öğrenciler bilişin farkındalığını artırır ve düzenleyici kapasiteyi güçlendirir. Temel tasarım konuları:

• Yapı önemlidir: Açık uçlu günlükler çoğu zaman yüzeysel kayıtlar üretir; yönlendirilmiş istemler ve örnek modeller derinliği artırır
• Motivasyon azalması: Mobil günlük uygulamalarında genellikle birkaç gün sonra katılımın hızla gerilediği görülür
• İskeleleme ödünleşimi: Öğrenciler adına yansıtma metni yazan YZ desteği SRL uygulamasını zayıflatır; içerik üretmeden yalnızca istemleri yapılandıran destek onu korur

SRL profillerini öğretmenlere ileten panolar

Mejia-Domenzain ve ark. (2026), dijital SRL desteğini öğretmen tarafına da genişletir: Öğrenme Analitiği panoları (DashED), harmanlanmış sınıflardaki öğretmenlere makine öğrenmesi türevi öz düzenlemeli öğrenme profillerini iletir ve öğretmenlerin bu profillere göre nasıl hareket ettiği bağlama bağlıdır. Kullanımda, tersyüz sınıf (üniversite) öğretmenleri sıralı bir keşif izlemiş ve düzey düzeyinde uyarlamayı ile sınıfta pano gösterimini yeğlemiş; mesleki eğitim öğretmenleri ise özet sayfalarına yeniden dönmüş ve aracı başta bireysel koçluk oturumları için kullanmıştır. Öğretmenlerin önerdiği eylemler, grafik türünden çok temsil edilen içerik ve öğretim düzeyleri tarafından şekillenmiştir — üniversite öğretmenleri haftalık testleri ve ders uyarlamasını, mesleki eğitim öğretmenleri doğrudan, bireyselleştirilmiş koçluğu yeğlemiştir. Bu durum panoyu, tek bir en iyi arayüzden ziyade bağlama göre değişen tasarım ihtiyaçlarıyla öğretmenlerin öğretim düzenlemesi için bir iskele olarak konumlandırır.

Öğrenciye dönük karşılığı daha seyrektir: 46 ortaokul öğrencisine kendi üretken YZ istek metinlerini ve modelin yanıtlarıyla metin örtüşmelerini gösteren bir pano, sınıfın yalnızca yaklaşık üçte biri tarafından açılmıştır; bu da görselleştirmenin kendisinden ziyade gönüllü maruz kalma kısıtıyı bağlayıcı kılmaktadır (Fong ve ark. (2026)).

Scheu ve arkadaşlarının 2×2 Deneyi (2026)

22 gün boyunca 179 öğrenciyle yürütülen rastgele bir alan deneyinde iki tasarım ilkesi karşılaştırılmıştır:

Temel çıkarım: Ders, beceri aktarımı yoluyla SRL becerilerini ve içsel motivasyonu iyileştirdi; yardımcı ise motivasyonu etkilemeden katılımı artırdı.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

YZ Araçları ve SRL–Motivasyon Karşılıklı Döngüsü

SRL kuramının temel bir ilkesi, öz Eğitimde YZ Regülasyonu becerileri ile Motivasyon arasında bir karşılıklı ilişki bulunmasıdır:

• Daha iyi SRL → daha başarılı öğrenme → daha yüksek öz yeterlilik → daha güçlü motivasyon
• Daha yüksek motivasyon → daha çaba gerektiren katılım → daha iyi SRL uygulaması

YZ araçları bu döngüye farklı noktalardan girebilir:

• SRL öncelikli tasarım (örneğin yapılandırılmış dersler, kademeli ipuçları, yansıtma istemleri): Gerçek beceri inşa ederek döngüyü güçlendirir
• Katılım öncelikli tasarım (örneğin otomatik tamamlama, içerik üretimi): Davranışsal katılımı, motivasyon döngüsüne girmeden artırabilir ve araç bağımlılığı riski doğurur

SRL Olarak Üretken YZ’nin Stratejik Düzenlenmesi

Kim (2026), akademik yazma bağlamında etkin üretken YZ kullanımını stratejik düzenleme olarak yeniden çerçeveler — YZ çıktısını doğrulama, gözden geçirme, seçici biçimde benimseme veya reddetme eylemine dönükmüş bir SRL uygulaması. 107 öğrencili bir karma yöntem çalışmasında daha yüksek YZ kaygısı doğrulama ve gözden geçirmeyle pozitif ilişkiliydi (β = .24); değerlendirici kapasite ise etkin gözden geçirmeyi ve seçici bütünleştirmeyi öngördü (β = .46). Öğrenciler dört düzenleyici tipe kümelendi — Eleştirisiz Güvenme (%18,7), Seçici Bütünleştirme (%34,6), Değerlendirici Dönüşüm (%31,8) ve Stratejik Ret (%14,9) — bu da Yükseköğretimde YZ Okuryazarlığı kabulden çok Değerlendirici Yargı ve etik sorumluluğa dayalı bir düzenleyici yetkinlik olarak işlev gördüğünü göstermektedir. Bu durum SRL’yi, eleştirel YZ kullanımını eleştirisiz kullanımdan ayıran temel mekanizma olarak konumlandırır.

Aracın yönetimi de kendi başına ölçülebilir bir boyuttur: Çinli EFL öğrenenleriyle iki dalgalı bir doğrulama çalışması (EFA N = 305; DFA N = 342) altı düzenleyici boyutu ayırır ve çevresel düzenlemeyi — üretilen çıktının doğruluğunu denetleme, önerilen kaynakları süzme ve güvenilirliğe sınır koyma — kendi başına bir boyut olarak adlandırır (Wang, Zhang ve Zhang (2026)).

Devretmeden önce sınıflandırın: Tsim ve Gutoreva (2025), öz düzenlemeyi görev başına bir protokole dönüştürür — her alt görevi İkame, Tamamlayıcı, Yardımcı veya Müzakere edilemez olarak etiketleyin, kısa bir üstbilişsel notla gerekçelendirin ve istek metinlerinin, taslakların ve insan düzeltmelerinin bir denetim izini tutulmasını sağlayın — döngünün bir görevin atamasının bir sonrakini bilgilendirecek biçimde tekrarlanmasıyla birlikte.

Etkileşimin kendisi düzenlemenin nesnesi olarak. Brunnström ve Palmqvist (2026), aynı düzenleme talebini ters yönden belgeler: evde yapılan bir sınav sorusunu hazırlamak için sohbet robotu kullanan sekiz turlu bir gösterimde, YZ’nin varsayılan çıktısı SOLO taksonomisinin nicel, çok yapılı ucunda kaldı — parlak, teslim için hazır ve pedagojik olarak zayıf — ve yalnızca tekrarlanan üst düzey müdahalelerden sonra (“bu bunaltıcı, özetleyebilir misiniz?”) kullanılabilir bir üç adımlı öğrenme döngüsüne ulaştı. Yazarların çıkarımı, verimli kullanımın “aracın desteklemesi beklenen çok öz düzenleyici becerileri” gerektirdiğidir: öğrenen, disiplin içeriğin ötesinde kademeli hedefler bellemeli, zorluk düzeyi ayarları istemeli ve henüz anlaşılmamış olan üzerinde yansıtmalıdır. Bu kapasiteye YZ-etkileşim okuryazarlığı adını verirler ve araçtan uzaklaşmayı direnç eksikliği değil meşru bir düzenleyici karar olarak ele alırlar (Metabiliş).

• Doyum, öz düzenleme değildir. Liang ve ark. (2026), sanayi-eğitim programlarındaki 689 lisans öğrencisini incelemiş ve algılanan YZ üretimi içeriğinin olanaklarının AIGC Öz Yeterlilik (beta = 0,583) ve bunun aracılığıyla öğrenme Motivasyon (beta = 0,565) ile öz düzenlemeli öğrenmeyi (beta = 0,250) yükselttiği seri aracılık modelini sınamıştır; motivasyon SRL’nin tek başına en ağır öngördürücüsüdür (beta = 0,527). Yük taşıyan olumsuz sonuçlar bu yolların yanında yer alır: YZ değerlendirme geri bildiriminin kalitesi doyumu güçlü biçimde öngördü (beta = 0,712) ama öz yeterliliği öngörmedi (beta = 0,131) ve doyumun öz düzenlemeli öğrenme üzerinde anlamlı bir etkisi olmadı (beta = 0,032). Dolayısıyla beğenilen, iyi işleyen bir yardımcı, düzenlemenin iyileştiğine dair kanıt değildir — mekanizma güven ve motivasyon üzerinden işler, öğrenenin araç deneyimi üzerinden değil.

SRL Olarak Üretken YZ’ye Duyarlı Yansıtma

5P Yansıtma Modeli (Kadel ve ark. 2026), üretken YZ çağında yapılandırılmış yansıtmayı eyleme dönükmüş bir SRL uygulaması olarak yeniden merkeze alır. Öğrenenler anlamı giderek daha fazla YZ ile birlikte ürettiğinden, geleneksel yansıtma modelleri öğrenci yansıtmasının özgünlüğünü doğrulamakta zorlanır; bu nedenle 5P modeli (Amaç, Süreç, Ürün, Tuzaklar, Plan), ön düşünme kaynaklı hedef belirlemeyi, eylem içi yansıtmayı (istek metinlerini ve yinelemeleri belgeleme), eylem üstü yansıtmayı (olasılıksal çıktının dış kaynaklara karşı doğrulanmasını), halüsinasyon, intihal ve aşırı güvenme için açık bir tuzaklar evresini ve ileriye dönük bir planı birleştirir; duygusal izlemeyi her aşamaya gömerek. “Üründen çok süreç” felsefesi, insan–YZ etkileşiminin yapılandırılmış belgelenmesini, özgünlüğü, Öğrenen Etkenliği ve üstbilişsel derinliği koruyan düzenleyici talep olarak ele alır ve üretken YZ’ye duyarlı yansıtmayı, öz düzenlemenin yerine geçen değil onun için bir iskele olarak konumlandırır.

Özel Ders Yönelimli Tasarımla İlişki

Özel derse özgü YZ, SRL öncelikli tasarımla örtüşür: Öğrenen Etkenliği koruyan ve stratejik öz düzenleme gerektiren kademeli iskeleler sağlar. Genel amaçlı YZ ise düzenleyici talepleri çoğu zaman tümüyle ortadan kaldırır.(The Evidence Base on AI in K-12: A 2026 Review)

Örneğin:

• Bastani ve arkadaşlarının özel derse özgü sohbet robotu, adım adım akıl yürütmeyi korudu (SRL talebi)
• Genel amaçlı GPT varyantı basitçe yanıt verdi (SRL atlaması)

Bağlamlar Boyutu Kanıtlar

• Karma kanıt ve yanlış kalibrasyon boşluğu. PreK-12 üretken YZ araştırmalarının hızlı bir derlemesi, destekli görevler sırasındaki üstbilişsel kazanımların destek kaldırıldığında sıklıkla sürmediğini ve üretken YZ’nin kalıcı öğrenme bulunmadığında bile algılanan öğrenmeyi artırabileceğini bulmaktadır (yanlış kalibrasyon boşluğu — öğrenciler daha zayıf hatırlama tutturmasına rağmen üretken YZ’yi not almaya yeğledi). Öğrencilerin, neyin devredileceğine ve bağımsız çabanın ne zaman önemli olduğuna karar verebilmeleri için açık, evreye uygun eğitime ihtiyaçları vardır.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

• Etmen girişimi ile öz düzenleme gerilimi. Woollaston ve ark. (2026), ajanlar bir görevin giderek daha fazlasını otomatikleştirdikçe öğrenenin gerçekleştirdiği öz düzenlemeli bilişsel işin azaldığını not eder; bu nedenle tasarımlar, öz düzenleyici kapasiteyi dışa aktarmak yerine korumak için öğrenenlere ajan başlatma üzerinde denetim (dinamik, azalan iskeleleme) tanımalıdır.

• Öz düzenleme, YZ kodlama yardımcısı kullanımını şekillendirir. YZ kodlama yardımcılarına ilişkin bir çalışma, yüksek Hesaplamalı Düşünme düzeyine sahip öğrencilerin daha güçlü bir öz düzenleyici tutarlılık (planlama–uygulama–öz yansıtma) gösterdiğini ve AICA’yı kod anlama için kullandığını; düşük hesaplamalı düşünme düzeyine sahip öğrencilerin ise anında yanıt alma için kullandığını bulmuştur.

• Öz düzenleme, çevrimiçi öğrenmede daha düşük dijital dikkat dağılmasıyla birlikte görülür. Shi ve ark. (2026), 530 üniversite öğrencisi üzerinde denetimsiz veri madenciliği kullanarak öz düzenleme stratejilerinin — hedef belirleme, çevre yapılandırma ve zaman yönetimi — öğrenen–öğretmen ve öğrenen–içerik katılımıyla birlikte çevrimiçi öğrenmede en tutarlı biçimde daha düşük dijital dikkat dağılmasıyla ortaya çıktığını bulmuştur. Bulgu, somut SRL eğitimini odaklanmış çevrimiçi çalışma için yüksek verimli bir müdahale olarak konumlandırır.

• Üstbilişsel farkındalık, araç erişiminden çok, uyarlamalı STEM performansının en güçlü iticisidir. Alatoai ve Alshahri (2026), Suudi Arabistan’daki 649 ortaokul öğrencisiyle AI-STEM-MLCS’yi kurup doğruladı (CFI = 0,983, RMSEA = 0,019; McDonald ω = 0,888–0,905) ve dört boyutunun öz düzenlemeli öğrenme performansındaki varyansın %68’ini açıkladığını buldu (R² = 0,68). YZ temelli üstbilişsel farkındalık en güçlü öngördürücüydü (β = 0,38, p < 0,001), ardından bilişsel aktarım ve uyum yeteneği (β = 0,29, p = 0,008) ve YZ destekli öz düzenlemeli öğrenme (β = 0,21, p = 0,040) geldi; buna karşın yaratıcı ve eleştirel YZ-STEM akıl yürütmesi ölçütü öngörmedi (β = 0,14, p = 0,135). Yazarlar örüntüyü, uyarlamalı geri bildirimin STEM performansını başta öğrenenleri hataları incelemeye, yeniden kalibre etmeye ve stratejileri yeniden kullanmaya yönlendirerek yükselttiğine dair kanıt olarak okurlar; dolayısıyla araç, tek bir küresel puan olmaktan çok üst öğrenme boşluklarını yerini belirleyen bir teşhis aracı olarak daha iyi işler. Bu bir ulusal sistemde doğrulanmış bir öz bildirim ölçütüdür, dolayısıyla katsayılar geçicidir.

• Dış destek, öğrenenin kendi üstbilişsel yargısını atlatabilir. Iqbal ve ark. (2026), 87 EFL öğrencisinin bir üretken YZ (ChatGPT 4.0), insan uzman veya hiçbir destek olmaksızın bir makaleyi gözden geçirmesini izledi. Destek koşulu, öğrencinin seçtiği gözden geçirme stratejisinin açık ara en güçlü ilişkili değişkeniydi (Cramér’in V’si = 0,668), önceki yazma görevinden kalan etkinin (V = 0,333) oldukça önündeydi; üstbilişsel yargı doğruluğu (p = 0,172), yazma becerisi (p = 0,261) ve Motivasyon (p = 0,683) ise ilişkisizdi. Üstbilişsel yargı, yalnızca hiç destek bulunmadığında stratejiyi izledi (permütasyon testi p = 0,0460). Üretken YZ desteği alan öğrenciler en çok kazananlar oldu (yardım isteme azalan strateji altında ortalama yaklaşık 4 puan, aynı stratejinin insan uzman desteği altında −0,5 puana karşılık); ancak hiçbir gözden geçirme stratejisi puan değişimiyle ilişkili değildi (H(3) = 3,895, p = 0,273), dolayısıyla kazanımlar daha iyi öz düzenlemeden değil araçtan geldi. Yazarların yaklaşımı, üretken YZ’nin doğrudan yardım sağlamak yerine gözden geçirme stratejisi üzerine yansıtmayı teşvik etmesi gerektiğidir.

• Yansıtıcı kullanım bilgi kazanımı değil eleştirel düşünmeyi izler. Melanou ve ark. (2026), işletme bilişimi öğrencilerinin üç paralel sınıfını (N = 87) dokuz haftalık bir ders boyunca izledi; her grupta bilgi yükseldi (F(1, 50) = 29,87, p < 0,001, η²p = 0,374) ve YZ avantajı, Zaman × Grup etkileşimi ve Matthew etkisi yoktu (F(1, 48) = 2,46, p = 0,124; BF01 = 8,70). Yansıtıcı kullanım (benimsemeden önce kaynakları denetleme ve YZ çıktısını doğrulama) YZ koşulunda belirgin biçimde daha yüksekti (3,72 / 2,82; F(1, 40) = 20,21, p < 0,001) ve eleştirel düşünmeyi öngördü (β = 0,43, p < 0,001) ama bilgi kazanımını öngörmedi; bilgi kazanımını ise alana ilişkin bilişsel yük öngördü (β = 0,51, p = 0,001). Pratik okuma şudur: YZ erişimi tek başına bir müdahale değildir ve üstbilişsel getirisi, test puanlarında görünmeden önce akıl yürütme kalitesinde ortaya çıkar.

• SRL kazanımlarını YZ tek başına değil, yapı yönlendirir. Zimmerman’ın aşamalarını, YZ’nin üstbilişsel iskeleleme olarak kullanıldığı proje tabanlı hibrit öğretime eşlemek, geleneksel öğretime karşı 0,72 N-Gain üretmiştir (t = 8,47, p < 0,001; Priyambudi ve ark. (2026)); onlar YZ’nin öz düzenlemeyi yalnızca görev yapısı içinde güçlendirdiğini — yapılandırılmamış kullanımın metabilişsel tembellik riski taşıdığını — savunur.

LLM Aracılı SRL: İskele, Kısa Yol mu, Eş Ortak mı?

Learning Letters çalışmalarından (2026) oluşan bir küme temel bir gerilimde birleşir: üretken YZ, tasarıma ve öğrenenlerin kullanımını nasıl düzenlediğine bağlı olarak öz düzenlemeyi iskeleyleyebilir, ona kısa devre yaptırabilir ya da ona eş ortak olabilir. Kanıtlar, belirleyici değişken olarak aracın değil SRL’nin kendisini gösterir.

• Viberg ve ark., LLM’lerin insan desteğinin yerini almaktan ziyade katmanlı bir Yardım Arama ekosistemine dokunduğunu bulmaktadır: öğrenciler görevleri önce bağımsız olarak dener, ardından düşük eşikli bir ilk adım olarak ChatGPT’e danışır, kavramsal müzakere için akranlara ve yüksek riskli konularda öğretmenlere başvururlar. Aletsel yardım istemeyi (ipuçları, adım adım yönlendirme) yönetici yardım istemeye (doğrudan çözümler) tercih eder, seçici Güven gösterir ve çıktıları ders materyallerine karşı doğrular — ölçülebilen ve öğretilebilen dört aşamalı bir süreç (yardımın gerekli olup olmadığına karar verme, kime sorulacağını seçme, yardım türünü belirleme, alınan yardımı yargılama).
• Atif & Dickson-Deane, üretken YZ kullanımını iskelelenebilen (öğrenenler YZ çıktılarını eleştirir ve uyarlar, Öğrenen Etkenliği ve anlamlandırmayı korur) ya da yerine geçebilen (öğrenenler çıktıları asgari doğrulamayla kabul eder, denetimi araça devreder) bir Bilişsel Yükü Dışarı Aktarma olarak çerçeveler. 267 yüksek lisans BT öğrencisinin çalışmasında aynı araç, öğrenenin stratejisine bağlı olarak SRL’yi iskeleyleyebilir veya ona kısa yol olabilir — kendinden emin kullanıcılar hedef belirleme ve izlemede etkinlik göstermiş; daha az emin kullanıcılar üretken YZ’yi bir kısa yol veya usulsüzlük olarak görmüştür.
• Lim & Bannert riski somut biçimde gösterir: öğrenciler gönüllü olarak bir üretken YZ sohbet robotu kullanmış (%73) ve makalelerde daha yüksek puan almış, ancak kavrama ve sentezi robota devretmiş (sohbet robotundan “yalnızca ana fikirleri çıkarmasını” istemiş) ve neredeyse hiç planlama veya izleme yapmamıştır — temel düzenleyici kararları dışa aktarmıştır. Bu, bir üretim açığını yansıtır: öğrenciler SRL bilgisine sahiptir ama onu kendiliğinden devreye sokamazlar; bu nedenle üretken YZ araçları, sorgular yük devrine işaret ettiğinde yansıtmayı (bir izleme iskelesi) teşvik etmelidir.
• Song ve ark., SRL’nin hem kararlı bir yetenek hem de dinamik bir durum olduğunu gösterir: bireysel taban çizgileri tutarlıdır, ancak üstbilişsel bilgi ve İyi Olma Hali bir dönem boyunca, değerlendirme son tarihlerinin etkisiyle sistemik biçimde düşer. Üretken YZ’nin, kendisine kişisel, zamansal ve bağlamsal veri verildiğinde bağlama duyarlı bir öğrenme eşi ortakı olarak hareket edebileceğini gösterirler — öğrenenlerin çabasını yerine geçmeden onları destekleyerek. Bu durum, yalnızca taban çizgisi yeteneğe dayalı “herkese bir kez uyan” kişiselleştirmeye karşı çıkar.
• de Barba, alanın öz düzenlemeyi göreve odaklı düzenlemeye ve eğitim teknolojisinde iyileştirilebilir davranışsal vekil ölçütlerine daralttığını ileri sürerek SRL’yi kuramsal olarak genişletir. Makale, öğrenen etkinliğinin ölçekler arası bir açıklamasını — düzenleme (görevler içinde), bütünleştirme (zaman ve bağlamlar arasında) ve konumlanma (öğrenmeyi çerçeveleyen koşullara ilişkin eleştirel biçimde) — algoritmik olarak aracılık edilen ortamlar için bir tasarım yönelimi olarak önermektedir.
• Öz düzenleme yük devrinin zararını tamponlar ama yok etmez. Chen (2026), öz düzenlemeli yazmanın üretken YZ destekli yazmada derin Bilişsel Yükü Dışarı Aktarma ile YZ’siz bağımsız sonuçlar arasındaki olumsuz ilişkiyi azalttığını — ama ortadan kaldırmadığını — gösterir: yük devri–SRL etkileşimi pozitifti (B = 0,22), zararı −0,54’lük (düşük SRL) bir eğimden −0,33’lük (yüksek SRL) bir eğime yassılaştırdı ama yok etmedi. Devir sınırlarını zorunlu yansıtmayla eşleştiren sınırlandırılmış destek koşulu en güçlü bağımsız performansı üretmiştir; bu, üstbilişsel düzenlemenin öğrenenleri kısmen koruduğu ancak bilişsel işin kendisini devretmenin yerini tam olarak tutamayacağına dair kanıttır.

Kiranın Winne’nin modellerinde nerede durduğu. de Barba (2026), mekanizmayı SRL üzerinde sistemin öğrenenin yerine gerçekleştirdiği işlemlere eşler: fark etme, izleme ve değerlendirici yargı araç tarafından kullanılır, bir tıkanıklık öğrenenin kendi “Eğer-O zaman, Yoksa” seçimi yerine aramayla çözülür ve öğrenenin yargıladığı ölçütler inşa edilmez ödünç alınır. Bir öğrenenin sahibi olduğuna inandığı, oysa aracın sahip olduğu bir kapasite — gizli kira — düzenlemeyi teşvik edecek hata sinyalini baskılar; sınanacak şeyleri belirten on önermenin yanı sıra alan açılımında daha büyük maliyetler ve modelin kendi referans noktalarına doğru kaymakta olan ölçütler de vardır.

Ortak ders: SRL, eleştirel YZ kullanımını eleştirisiz kullanımdan ayıran temel mekanizmadır. Üretken YZ’nin bir iskele, kısa yol ya da eş ortak olarak işlev görmesi, öğrenenlerin düzenleyici kapasitesine ve araçların uzmanlığı inşa eden düzenleyici talepleri korumak (ortadan kaldırmak yerine) üzere tasarlanıp tasarlanmadığına bağlıdır.

Hangi desteğin söz konusu olduğu, ilişkiyi taşıyan aracıyı belirler: 3.003 Çinli öğretmen adayı arasında algılanan YZ aracı desteği, yenilikçi yetkinliğe başta YZ Öz Yeterlilik üzerinden (o yolun toplam etkisinin %60,88’i) giderken; algılanan okul merkezli akıllı ortam desteği başta öz düzenlemeli öğrenme üzerinden gitti (%29,64 / %18,60) (Liu ve ark. (2026)).

Çıkarımlar

• Günlük tutma/sohbet robotu araçları için: Hem motivasyon hem katılım kazanımlarını elde etmek için SRL öğretimini (ders temelli) isteğe bağlı yazma desteğiyle birleştirin
• Araç tasarımcıları için: Değerlendirmeyi zorunlu bir adım haline getirin, isteğe bağlı değil. Iqbal ve arkadaşları, öğrencinin üstbilişsel yargısı değil mevcut desteğin kullanılan gözden geçirme stratejisini belirlediğini ve üretken YZ puan kazanımlarının daha iyi düzenlemeden gelmediğini bulmuştur; Melanou ve arkadaşları ise yansıtıcı kullanımın, yalnızca araç erişiminin öngörmediği yerde eleştirel düşünmeyi öngördüğünü bulmuştur. Öğrencilerden doğrulama, karşılaştırma ve yeniden strateji belirleme isteyen etkileşimler, öğrenme değerini taşıyanlardır.
• Öğretmenler için: YZ temelli üstbilişsel farkındalığı birinci kaldıraç olarak ele alın ve açıkça denetleyin. Alatoai ve Alshahri bunu uyarlamalı STEM performansının en güçlü öngördürücüsü (β = 0,38) bulmuş, aktarım ve uyum yeteneğinin ikinci geldiğini (β = 0,29) görmüştür; bu nedenle öğrencilerin hataları incelemesini ve bir stratejiyi yeni bir problem bağlamına taşımasını sağlayan etkinlikler, eleştirel veya yaratıcı akıl yürütmeye yönelik genel teşvikten daha fazlasını yapar.
• YZ politikası için: Tedarik kriterleri, bir aracın öz düzenlemeyi geliştirip geliştirmediğini yoksa onu ortadan kaldırıp kaldırmadığını sormalıdır
• Araştırmacılar için: SRL sonuçlarını (yalnızca anlık performansı değil) ölçen uzun vadeli çalışmalar esastır; Melanou ve arkadaşları, bir dönemin yansıtıcı kullanımının bilgi kazanımını hareket ettirmeden eleştirel düşünmeyi (β = 0,43) hareket ettirdiğini göstererek bu sabrın getirisini ortaya koymuştur.

Simülasyon Oyunlarında Konuşmaya Dayalı Ajanlar ve SRL

• Oyunlarda öz düzenlemeli öğrenmeyi destekleyen konuşmaya dayalı ajanlar. Wenzel, Geiger ve Liening (2026), bir işletme Simülasyon oyunundaki bir YZ konuşma aracısının (Lara), ölçüt temelli biçimlendirici geri bildirim, talep üzerine yönlendirme ve yapılandırılmış yansıtma yoluyla öz düzenlemeli öğrenmeyi destekleyebileceğini göstermektedir — simülasyon oyunlarının sınırlı biçimlendirici geri bildirim ve yansıtma istemi sunması yolundaki yaygın sınırlamayı gidererek. Öğretmen adayları ve BSG katılımcılarıyla yapılan değerlendirmelerde, aracının bilişsel ve topluluk içi sosyal varlığı ile öz düzenlemeye desteğine ilişkin olumlu algılar bildirilmiştir.

Otomatik SRL Tespiti: Neyin Aktarıldığı ve Aktarılmadığı

• Gömme temelli SRL sınıflandırıcıları bir alan içinde diller arası geçer, alanlar arası geçmez. 26 öğrenci üzerinde yapılan bir çalışmada (kimya ve biçimsel mantık; Winne ve Hadwin modeliyle kodlanmış sesli düşünme protokolleri), İngilizce üzerinde eğitilmiş gömme temelli modellerin (text-embedding-3-small) Almanca SRL’yi ~0,8 AUC ile sınıfladığı ve ~0,1 bozulma olduğu — devreye sokma dışında (~0,7) — bulunmuştur. Alanlar arası aktarım başarısız olur: kimyadan mantığa düşüş ~0,6’ya, devreye sokmada ise şansa (~0,5) iner — bağlayan olan dil değil alan duvarıdır.
• Aktarımın nerede koptuğunu üç başarısızlık biçimi açıklar. (1) Kavramın günlük anlamda çözümlenmesi — “cancel” ile kimyasal “kürzen” karşılaştırması — devreye sokma sınıflandırmasını bozar. (2) İnsan biçimlendirme — yoğun iskelelenmiş bir özel ders aracına aşina olmayan Alman öğrenenler ona kişi olarak hitap etmiş ve dağılım dışı ifadeler üretmiştir; aktarım daha az iskelelenmiş platformlarda daha iyi olmuştur. (3) İpucu okuma ile plan formüle etme belirsizliği — modeller, günlük verisi olmadan üstbilişsel bir ipucu okumayı planlamadan ayırt edemez. Hataları fark etme her koşulda sağlamdır — yanıldığınızı fark etmek bağlamdan bağımsızdır. Çözümler: alan terimleri için uzman sözlükleri veya ince ayar; ipuçları için günlük verisi. (Large language models generalize SRL prediction to new languages within but not between domains)

Bağlı kavramlar

• Öğrenenler — Öğrenenler: öğrenen tarafı kavramların çatı başlığı
• Metabiliş — SRL’nin dayandığı bilişsel izleme
• Öz Değerlendirme
• Öz Yeterlilik — çabayı yönlendiren bir ön düşünme evresi inancı
• İskeleleme (Scaffolding) — düzenleyici talebi koruyan kademeli destek
• Geri Bildirim — öğrenenlerin çevresinde düzenleme yaptığı girdi
• Geri Bildirim Okuryazarlığı — geri bildirime göre hareket etme kapasitesi
• Yardım Arama — stratejik bir SRL davranışı
• Motivasyon — öz düzenlemenin karşılıklı eşi
• Bilişsel Yükü Dışarı Aktarma — YZ düzenleyici işi ortadan kaldırdığında doğan risk
• Üretici YZ — SRL’yi iskeleyleyebilen veya kısa devre yaptırabilen teknoloji
• YZ Okuryazarlığı — YZ kullanımında düzenleyici yetkinlik
• Öz Yönlendirilmiş Öğrenme — daha geniş özerklik yapısı
• Öğrenen Etkenliği — öğrenenin niyetle hareket etme kapasitesi; düzenleme, bütünleştirme ve konumlanmanın merkezinde
• Uyarlanabilir Öğrenme — düzenlemeyi destekleyebilen kişiselleştirme
• Biçimlendirici Değerlendirme — düzenleme için sürekli geri bildirim
• Öğreterek Öğrenme — öz düzenleme inşa eden bir strateji
• Akıllı Özel Öğretim — SRL’yi iskeleyleyen sistemler
• Büyük Dil Modelleri (LLM) — YZ araçlarının altındaki temel model
• Hatırlatma (Retrieval), Aralıklı Tekrar (Spacing) ve Karıştırma (Interleaving) — öğrenenlerin yaptığı planlama, öz testi ve çalışma stratejisi seçimleri
• Bilişsel Teslimiyet

Bağlı makaleler

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC Olanağı ve Öğrenci Öz Düzenlemesi

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — YZ-etkileşim okuryazarlığı: bir sohbet robotunu yönlendirmek, desteklemesi beklenen SRL’yi gerekli kıldı (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — Üretken YZ çağı için 5P yansıtma modeli (Kadel ve ark. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Üretken YZ destekli yazmada katmana duyarlı bilişsel yük devri (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Ölçekler arasında öğrenen etkinliği: düzenleme, bütünleştirme, konumlanma

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Kiralanan benlik: Winne’nin SRL modellerine eşlenen kira; on önerme ve öğrenen içi göstergeler

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — Zaman içinde bağlama duyarlı bir öğrenme eşi ortakı olarak üretken YZ

• How Do Students Regulate Their Learning With a GenAI Chatbot? — Öğrencilerin bir üretken YZ sohbet robotu ile öğrenmeyi nasıl düzenlediği

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — İskele mi kısa yol mu? SRL’de üretken YZ’nin çifte rolü

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — STEM’de LLM aracılı yardım isteme: katmanlı, aletsel ve doğrulanmış

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Üretken YZ geri bildirimi ve SRL: algılanan kaynak önemlidir

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — YZ kaygısından stratejik düzenlemeye

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Üretken YZ ile üstbiliş/öz düzenleme konusunda karma kanıt

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Etmen YZ ve öz düzenleme gerilimi

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — Çevrimiçi öğrenmede SRL ve daha düşük dijital dikkat dağılması (Shi ve ark. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Harmanlanmış sınıflardaki öğretmenlere makine öğrenmesi bulgularını erişilebilir kılmak

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: görev tanımlama, gerekçelendirme ve görev sonrası yansıtmadan oluşan öğrenciye dönük bir döngü

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Ortaokul Öğrencilerinin Üretken YZ ile Yazmasını Desteklemek için Öğrenme Analitiği Kullanmak

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — Uyarlamalı STEM öğrenmesinde YZ destekli öz düzenleme için doğrulanmış bir araç; üstbilişsel farkındalık en güçlü öngördürücü olarak

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — Makale gözden geçirme deneyinde destek koşulu, üstbilişsel yargıdan çok gözden geçirme stratejisi seçimini yönlendirdi

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Boylamsal: yansıtıcı YZ kullanımı bilgi kazanımını değil eleştirel düşünmeyi öngördü, Matthew etkisi olmadan

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — Üretken YZ okuryazarlığı, öz düzenlemeli öğrenme davranışlarıyla başta öğrenme etkinliği üzerinden ilişkiliydi

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — Destek türü aracıyı değiştirir: YZ öz yeterliliği / öz düzenlemeli öğrenme

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — Üretken YZ destekli öğrenmede erteleme: kaygının güçlendirdiği bir niyet–davranış boşluğu

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — L2 yazma için çevresel düzenlemenin kendi boyutu olarak yer aldığı, 12 maddelik karınca kolonisi iyileştirmeli kısa biçimli doğrulanmış altı boyutlu bir Üretken YZ–SRL ölçeği

• Large language models generalize SRL prediction to new languages within but not between domains — Large Language Models Generalize SRL Prediction to New Languages Within But Not Between Domains (Borchers ve ark. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — Öğrencilerin Öz Düzenlemeli Öğrenmesini Artırmak için Yapay Zeka Kullanan Proje Tabanlı Hibrit Bir Öğrenme Modeli