AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Öğrenci–YZ Etkileşimi

Oluşturuldu 2026-10-14

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

Öğrenci–YZ etkileşimi — öğrenenlerin öğrenme ve problem çözme sırasında üretici YZ sistemleriyle nasıl ilişki kurduğuna ilişkin örüntüler, süreçler ve bilişsel çalışma. Buradaki araştırma, öğrencilerin YZ’den ne istediğini, istek metinlerinin ve diyalogların nasıl evrimleştiğini ile etkileşim niteliğinin öğrenme çıktıları, Bilişsel Yükü Dışarı Aktarma ve Öğrenen Etkenliği ile nasıl ilişkilendiğini betimler.

Dikkate Alınması Gereken Sorular

  • Bir YZ sistemine (veya bir öğrenciye) yazdığınız son birkaç istek metnini düşünün. Bunların çoğunu doğrudan cevabı istemek mi, yoksa YZ’den açıklama, sorgulama veya değerlendirme yapmasını istemek mi olarak tanımlarsınız? Bu örüntünün öğrenme üzerindeki etkisinin ne olduğunu düşünüyorsunuz?
  • Araştırma, öğrenci taleplerinin çoğunu az sayıda soru türünün oluşturduğunu ve soruların bir görev ilerledikçe değiştiğini bulmaktadır. Öğrencilerin soru sormasının daralmasının nedenini ne olarak düşünüyorsunuz ve bu durum aracı nasıl kullandıkları konusunda neye işaret ediyor?
  • Sayfa, yüzeysel ve cevap arayan istek metinlerinin azalmış öğrenme ve aşırı bağımlılıkla ilişkili olduğunu, yansıtıcı ve doğrulama odaklı etkileşimin ise anlayışı desteklediğini ileri sürmektedir. 'İyi' bir istek metnini 'kötü' birinden ayıranın ne olduğunu düşünüyorsunuz — ve bu öğrencinin sorumluluğu mu, aracın tasarımının mı?
  • Etkileşim niteliği, öğrencinin sabit bir niteliği olmaktan çok görev bağlamı ve iskeleleme tarafından şekilleniyorsa, bir kurs veya araç daha geniş ve daha verimli bir sorgulama yelpazesini davet edecek biçimde nasıl yeniden tasarlanabilir?
  • Bir öğrencinin akıcı YZ diyalogunun gerçek öğrenmeyi mi yoksa yalnızca becerikli devretmeyi mi yansıttığını nasıl anlarsınız — ve bunu belirlemek için neyi kontrol ederdiniz?

Giriş

Öğrenci–YZ etkileşimi, öğrenenlerin üretici YZ ile kavramasının gözlemlenebilir yüzeyidir — sordukları sorular, yazdıkları istek metinleri, YZ çıktısını görüşme ve doğrulama biçimleri ile bu örüntülerin görev aşamaları boyunca ve zaman içinde nasıl değiştiği. Öğrenci Deneyimi, İstek Metni Mühendisliği ve Öğrenme Analitiği kesişiminde yer alır ve eğitimde YZ kullanımının gerçek öğrenme mi yoksa aşırı bağımlılık mı temsil ettiğine ilişkin tartışmaların merkezindedir. İnsan–YZ İşbirliği insanlar ile modeller arasındaki bilişsel işbölümünün üst düzey çerçevesini sunarken, öğrenci–YZ etkileşimi bu ilişkinin somut, ölçülebilir gerçekleşimidir — öğrenenlerin ana ana yaptığı belirli sorgulamalar, istek metinleri ve görüşme hamleleri.

Öğrenciler YZ’den ne istiyor

Araştırmanın temel bir akışı, öğrenci taleplerinin türlerini ve niteliğini ölçer. Çalışmalar — örneğin Graesser ve arkadaşlarının 18 türlü taksonomisi gibi — soru türü taksonomilerini öğrenci–YZ etkileşimlerini sınıflandırmak için uygulamakta ve sıklıkla analizi yüzlerce veya binlerce etkileşime ölçeklemek amacıyla birkaç örneklemli sınıflandırıcılar kullanmaktadır. Bulgular, öğrenci taleplerinin çoğunu az sayıda soru türünün oluşturduğunu ve öğrencilerin sorduğu soruların bir görev ilerledikçe önemli ölçüde değiştiğini göstermektedir (örn. Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks). Bu görev bağımlılığı önemlidir: etkileşim niteliği öğrencinin sabit bir niteliği değil, problem bağlamı, İskeleleme (Scaffolding) ve YZ aracının olanakları tarafından şekillenir. En küçük yaşlarda, Vahedian Movahed ve Martin (2025) çocukların (6–14 yaş) bir sohbet robotunun güvenilirliğini bilinen cevaplı sorular ("dinozor ne kadar büyüktür" gibi) sorarak etkin biçimde sınadığını — bu, epistemik öz-ajansın bir ifadesidir — bulmuştur; tipik çocuk yalnızca 1–3 soru sormuş, göze çarpan bir birinci sınıf öğrencisi ise 21 soru sormuş olup bu durum, öğrenenlerin sorduğu soruları gelişimsel ve bireysel çeşitliliğin nasıl şekillendirdiğini belirginleştirmektedir.

Taksonomilerin kendileri henüz uzlaşmamıştır: 33 çalışmadan 46 kategorizasyon boyunca benzer etiketler farklı olguları adlandırmakta olup inceleme, bilgi edinimi, değerlendirici geri bildirim, stratejik rehberlik, diyalogsal sorgulama, yapıt iyileştirme ve ortak düzenlemeyi kapsayan bir birim olarak etkileşim bölümünü — hedefe yönelik, zamansal olarak sınırlanmış bir değişim — önermektedir (Borchers, Jansen ve Weidlich (2026)).

Bu taksonomi çalışmalarını tamamlayan biçimde, Yan ve arkadaşları (2026) öğrenci taleplerinin diyalog biçimini betimlemektedir. Denetimsiz argümantasyon kompozisyonları tamamlayan 38 lisans öğrencisi arasında yüzde 76,32’si tek turlu "sor–cevap al–durdur" örüntüsünü kullanmıştır — tipik olarak ihtiyaçlarını belirtmeden değerlendirme başlığını yapıştırır ve memnun kalmadığında aynı istek metnini yeniden gönderir — ve yüzde 78,94’ü GenAI’ye yalnızca bir görevin başlangıcında (fikirler, arka plan) veya sonunda (düzeltme, uzunluk) dokunmuş olup onu okumadan ve bağımsız yazımdan ayrı tutmuştur; yalnızca yüzde 23,68’i takip soruları ve kendi akıl yürütmesiyle yinelemeli bir diyalogu sürdürmüştür. Yazarlar bu örüntüleri bilişsel dış kaynağa başvurma ile bilişsel yeniden dağıtımı arasındaki bir yelpazeye yerleştirmektedir — öğrenmeye yüzeysel ve derin yaklaşımların GenAI çağındaki benzeri — ve çoğu öğrencinin aracı yükseltilmiş bir arama motoru olarak algıladığını, bu durumun kendilerini dış kaynağa başvurma ucuna hapsettiğini belirtmektedir.

Bu örüntüleri epistemik çalışma olarak yeniden çerçeveleyen bir analizde, 200 eş programlama sohbet oturumunda öğrenci–GenAI etkileşimlerinin yüzde 78,8’inin dış kaynağa başvurma veya doğrulama arayışı gibi ustalık amacı olmayan hedef ve stratejiler üzerinde işlediği ve yalnızca yüzde 11,1’inin ustalık odaklı hedefleri epistemik gerekçelendirmeyle birleştirdiği görülmüştür (Wu (2026)).

50 örneklenen değişimi kodlamak, aynı davranış için üç yollu bir tipoloji sunar: Zahra (2026); yüzde 46’sını modelin bir kâhin gibi davrandığı ve çıktının çok az sorgulanarak kabul edildiği Pasif İnceleme, yüzde 18’ini Doğrudan Soru ve yüzde 36’sını çıktıyı sorgulayan, yansıtan ve doğrulayan Stratejik Diyalog olarak sınıflandırmış olup dağılımı, kodlayıcılar arasında kappa = .48 olan bir kısıt-öncelikli tasarım argümanıyla eşleştirmiştir. 211 bilişim öğrencisi üzerine yapılan yedi ödevlik bir çalışma aynı sonuca ters yönden ulaşmaktadır: Nizamani ve arkadaşları (2026) LLM benimsemesini algoritmalarda yüzde 89,6 ile yazılım mühendisliğinde yüzde 15,2 arasında ölçmüş ve bu yayılımı ödev karmaşıklığına, doğrulanabilirliğe ve iskelelemeye değil alt alana bağlamıştır.

Etkileşim niteliği ve öğrenme

Tamamlayıcı bir akış, etkileşimin biçimini öğrenmeye bağlar. Yüzeysel veya alışkanlık halinde dar istek metinleri (YZ’den açıklama, sorgulama veya değerlendirme yapmasını istemek yerine cevabı üretmesini istemek) azalmış öğrenme ve artan aşırı bağımlılıkla ilişkiliyken, yansıtıcı ve doğrulama odaklı etkileşim Metabiliş ile kalıcı anlayışı destekler. Bu durum, öğrenci–YZ etkileşimini doğrudan Akıllı Özel Öğretim tasarımına bağlar: sistemler, daha geniş ve daha verimli bir sorgulama yelpazesini davet edecek ve yalnızca cevap vermek değil soru sormayı iskelemeyecek biçimde inşa edilebilir. Etkileşimin cevap arayan istek metinleri üzerinden hiç yürümesi gerekmez — YZ öğrencilerin kendi çalışmalarını eleştirdiğinde değişim yansıtıcı ve doğrulama odaklı bir diyaloga dönüşür: Oppenheimer, Cash ve Connell Pensky (2025) çalışmasında öğrenenlerin Büyük Dil Modelleri (LLM) kompozisyon Geri Bildirim yanıtları vakaların yüzde 92,7’sinde yansıtma, yüzde 93,6’sında kabul ve yüzde 87,8’inde LLM iddialarına etkin itiraz göstermiştir (değerlendiriciler arası κ’lar = 0.81–0.89) ve geri bildirim niteliğine yanıtları, öğrenilebilir bir beceri olarak yinelemeler boyunca gelişmiştir. Etkileşimin yansıtıcı yüzü doğrudan istek metni yoluyla işlemesi gerekmez — CoBi’de öğrenciler kendi işbirlikçi konuşmalarının sınıf düzeyinde YZ görselleştirmeleriyle etkileşime girmiş ve YZ’nin sınıflandırmalarının yanlış göründüğü zamanları üzerine görüşmüştür; görünürdeki yanlış sınıflandırmaları, YZ’nin kapasiteleri ve sınırlarına ilişkin anlayışlarını kalibre etme fırsatlarına dönüştürmüşlerdir (Güven Kalibrasyonu), çıktısını körü körüne kabul etmek yerine. Ancak etkileşim biçimi ile öğrenme arasındaki bağlantının bir sınırı vardır: Page (2026) konuşmada yinelemeyi bilişsel yinelemeden ayırır; gerekçe, bir öğrencinin çıktıyı birçok tur boyunca iyileştirebilmesi, ardındaki zihinsel modelin ise değişmeden kalmasıdır; dolayısıyla öğrenmenin kanıtı değişimin uzunluğu veya akıcılığı değil öğrencinin bilişsel konumundaki değişimdir — tur sayısı, kavrama derinliğinin bir göstergesi değildir.

Etkileşimi değil aracı yolun belirleyicisi yapar: yaklaşık 1.000 lise matematik öğrencisiyle yürütülen saha deneyinde, kısıtlamasız GPT-4 alıştırma puanlarını yüzde 48 artırmış ancak yardımsız sınav puanlarını yüzde 17 düşürmüştür; öğretmen tasarımı ipuçlarıyla sınırlandırılmış aynı model ise alıştırmayı yüzde 127 artırmış ve açığı büyük ölçüde gidermiştir (Lee, 2026).

Öğrencilerin ne kadar değil, etkili biçimde istek metni yazıp yazmadığı başarıyı izlemiştir: YZ Sorgu Verimliliği ile YZ Kaynaklı Problem Çözme, 128 mühendislik öğrencisi boyunca akademik performansın en güçlü öngörücüleri olmuş ve not ortalaması denetlendiğinde dahi anlamlı kalmıştır (Isaza Dominguez ve arkadaşları (2026)).

Davranışsal bağlam, sorunun kendisinden ayrı bir sinyaldir: TutorTrace’in dört uygulamasında (480 öğrenen, yaklaşık 180.000 IDE olayı) yardımı öğrenenin son davranışsal durumuna bağlamak, bağımsız çalışma içermeyen sorgular arasındaki aralıkları yüzde 50,0’dan yüzde 20,7’ye düşürmüş ve yaklaşan sorguların yalnızca davranıştan öngörülebilir olduğunu göstermiştir (AUROC = .726) (Barron ve arkadaşları (2026)).

Yoğunluk mekanizma değildir: öğrencileri ses ile metin arasında dönüşümlü olarak yönlendirmek, dakika başına diyalog turunu neredeyse ikiye katlamış (0,75’e karşılık 1,34) ancak haftalık ustalığı değiştirmemiştir; yazarlar, yazılı kanalın ilk tuş vuruşundan önceki ortanca 26 saniyelik düşünmeyi kodlama eyleminin kendisi olarak okumaktadır (Yang, Van Alstyne ve Dellarocas (2026)).

Bir doğrulama döngüsü yine de yüzeysel kalabilir: bir lisans veritabanı kursunda dört haftalık bir LLM ajanı uygulamasının gecikmeli ardışık analizinde anlamlı bir Sorgu–Değerlendirme–Sorgu döngüsü bulunmuş, ancak alt düzey durumlarda güçlü öz geçiş döngüleri görülmüş ve etkileşimlerin yalnızca yüzde 3,92’si üst düzey bilişe ulaşmıştır (Li ve arkadaşları (2026)).

Bernstein ve Sibia (2026), BB2 öğrencilerinin GenAI açıklamalarını ele alma biçiminde yinelemeli bir süzme örüntüsü belgeler (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): öğrenciler açıklamaları ders notlarıyla çapraz referanslarlar, kaynağını sormakta ("böyle bir şey olmadan çok daha şüpheci olurdum...") ve tutarsızlık için takip sorularıyla yoklamakta olup tek bir kabul ya da ret kararı vermemektedirler. Öğrenciler ayrıca hangi bilgi ve geçmişe sahip olduğunu varsaydıkları açıklamaları da okumaktadır — müfredatın ötesinde varsayılan ön bilgi, varsayılan spor ve oyun referansları ("bilişimin daha çok erkek egemen tarafı") ve aşırı tekrar, hayali okur hakkında sinyal olarak işlev görmüştür; aşırı iskeleleme yalnızca verimsiz değil küçümseyici olarak okunmuştur.

Bir görevdeki doğru noktada YZ’ye danışmak, tek bir istek metninin ifade biçimi kadar önemlidir: aynı çalışmada Yan ve arkadaşları (2026) yeniden dağıtım odaklı azınlığın bağımsız çalışmayı GenAI danışmasıyla dönüşümlü olarak yürüttüğini ve toplam çabanın değişmediğini ancak odakta kayma olduğunu — kaynakların aramadan argümantasyon niteliğini ve dengeyi denetlemeye kaydığını ve yüzeysel akılda tutmaya karşı önlem olarak oturumlardan sonra yansıtma notları yazdığını — bulmuştur; buna karşılık ustalık hedefleri olan ancak YZ okuryazarlığı zayıf öğrenenler, "niyetle değil, varsayılan olarak" yük boşaltarak bir "verimlilik paradoksu"na düşmüştür.

Etkileşimden pedagojiye

Öğrenci–YZ etkileşiminin betimlenmesi Öğrenme Tasarımı’ı bilgilendirir: eğitmenler öğrencilerin sorgulama örüntülerinin dar veya yüzeysel olduğu anları fark edebilir ve sorgulamayı genişleten müdahaleler tasarlayabilir; Öğretmenlik, öğrencileri YZ ile verimli biçimde etkileşim kurmada koçluğa doğru kayar. Ayrıca etkili istek metni yazmayı ve doğrulamayı doğuştan gelen beceriler değil öğrenilebilir beceriler olarak ele alan YZ Okuryazarlığı müfredatlarını temellendirir.

Tasarım kolları bu varsayılanı kaydırabilir: yaklaşık 70 öğrencinin aldığı zaman uyumsuz bir fizik kursunda notlandırılan yapıt cevap değil diyalog dökümüydü; ancak birçok öğrenci yine de modelin Sokratik takip sorularını yanıtlamadan uzun soru listeleri sormuştur — ölçütlerin yakalamak için yazıldığı başarısızlık kipi budur (Rodriguez ve Wulff (2026)).

Öğretmen tarafından yazılan istek metinleri bu kolların biridir, ancak uygulanan titizlik hedefin gerisinde kalmaktadır: 1.479 konuşma boyunca, yüzde 38’i öğretmenin hedeflediği Bilgi Derinliği düzeyinin altında kalmış olup DOK 3’te yaklaşık yüzde 50’ye yaklaşmıştır; açık bitiş çizgileri bu boşluğu 0,22 düzey daraltmış ve "doğrudan cevap yok" koruması YZ’nin nihai cevap oranını 8,5 yüzde puan düşürmüştür (Liu ve arkadaşları (2026)).

Kullanmama da kendisi Pedagojiler ve Öğretim Stratejileri’nin planlaması gereken bir etkileşim örüntüsüdür. GenAI kullanımının Değerlendirme açık biçimde izin verildiği üç kursta 85 öğretmen adayını inceleyen Zou ve arkadaşları (2026), bunların yüzde 62,4’ünün (85’ten 53’ü) GenAI’yi hiç kullanmadığını — benzer İngiltere ve Avustralya araştırmalarında görülen yüzde 79–83 benimseme düzeyinin çok altında — ve benimseyenlerin kullanımının üretken değil yüzeysel ve düzeltici olduğunu bulmuştur (dil bilgisi ve yazım denetimi yüzde 43,8, açıklık denetimleri yüzde 34,4, metin üretimi yalnızca yüzde 18,8). Seçimleri teknik güçlükten çok değerlendirme tasarımını ve kurumsal kültürü izlemiştir: benimsemeyenlerin yüzde 41,5’i haksız yere intihal ile suçlanmaktan korkmuş, görüşülen on bir kişiden dokuzu ise izin veren politikanın kendisini olası bir "tuzak" olarak okumuştur. 32 anket bildirimi kullanan ile 28 öz beyan arasındaki boşluk, öğrencilerin bildirdiği YZ etkileşiminin notlandırılmış sonuçlardan etkilendiğini — öğrenci–YZ etkileşiminin öğrenme analitiği hesapları için bir ölçüm uyarısı — göstermektedir.

Öğrenci–YZ Sohbetinde Disiplin ve Bilişsel Kavrama

  • Öğrenci–YZ sohbetinde disiplinle ilişkili bilişsel kavrama. Chang ve Li (2026), kişi içi ve disiplinler arası bir tasarımla 116 kurstaki YZ’ye yönelik öğrenci istek metinlerini analiz etmekte olup öğrenci–YZ konuşmalarının sabit bireysel etkileşim tarzlarından çok disiplinle ilişkili bilişsel kavramayı yansıttığını göstermektedir. İstek metinlerin yaklaşık yüzde 62’si genel olarak üst düzey bilişsel talebi kodlamış olsa da Bloom düzeyi profilleri disipline göre keskin biçimde farklılaşmıştır: STEM kursları Uygulama ağırlıklı istek metinler (yüzde 20,8), dil kursları Anlama ağırlıklı (yüzde 31,7) ve sosyal bilimler kursları Yaratma ağırlıklı (yüzde 33,8) talepler uyarmıştır. Kişi içi eşleştirilmiş karşılaştırmalar, aynı öğrencilerin sosyal bilimler kurslarında STEM kurslarına kıyasla belirgin biçimde daha fazla üst düzey istek metni ürettiğini doğrulamıştır (birleştirilmiş n = 16, p < .001) ve kurs düzeyindeki çeşitlilik öğrenci düzeyindeki çeşitliliği aşmıştır — bu, YZ öğretim asistanlarının disiplinsel bağlam göz önünde bulundurularak tasarlanması ve değerlendirilmesi yönünde güçlü bir argümandır.

Bağlı kavramlar

Bağlı makaleler

Üst veri

SeviyeHigher Ed
Hedef kitleLearners
Öğrenme ve öğretimÖğrenci–YZ Etkileşimi
Teknolojiler ve tekniklerÜretici YZ, Akıllı Özel Öğretim, Öğrenme Analitiği, Büyük Dil Modelleri (LLM), İstek Metni Mühendisliği
Eğitimde YZ’nin temelleriBilişsel Yükü Dışarı Aktarma
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.