AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Öğrenci Kavraması

Oluşturuldu 2026-10-14

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

Öğrenci kavraması — bir öğrenenin öğrenme sürecine etkin biçimde katılımının düzeyi ve niteliği; en sık davranışsal, bilişsel ve duyuşsal boyutlara ayrılır. Eğitimde Yapay Zeka araştırmalarında öğrenci kavraması hem temel bir çıktıdır (bir YZ aracı öğrencilerin kavramasını sürdürüyor mu?) hem de bir mekanizmadır (kavrama, YZ tasarımı ile öğrenme arasında aracılık ediyor mu?). Kavrama, öğrenmenin kendisinden kavramsal olarak ayrıdır — kavrama öğrenmeye katılımdır, bilişsel kazanımın kanıtı değildir — ve onu ölçmek için kullanılan belirli ölçütlerden de ayrıdır.

Dikkate Alınması Gereken Sorular

  • Sayfa ısrarla kavramanın öğrenmeyle aynı şey olmadığını belirtir — bir öğrenci davranışsal olarak etkin (tıklayan, zaman harcayan) olurken bilişsel olarak yüzeysel kalabilir. Yüksek 'kavrama'ya tanık olduğunuz ama bunun az öğrenme ürettiği halleri nerede gördünüz ve bunu nasıl fark ettiniz?
  • Bir şeye derinden bilişsel olarak kavrama halinde olduğunuz bir anı — gerçekten bir fikirle boğuştuğunuz bir anı — düşünün. Yalnızca meşgul olduğunuz veya eğlendiğiniz zamanlara kıyasla orada farklı olan neydi ve bir YZ aracı bu hali güvenilir biçimde yaratabilir mi?
  • Kavrama, birbirinden ayrışabilen davranışsal, bilişsel ve duyuşsal boyutlara ayrılır. Araştırmacıların bunları tek bir şey yerine ayrı ayrı ele almayı ısrarla savunmasının nedeninin ne olduğunu düşünüyorsunuz ve birbirlerinden ayırt etmek için neyi ölçerdiniz?
  • Araştırma, YZ ile derin bilişsel kavramanın öğrenmeyi öngördüğünü, yüzeysel kavramanın ise aşırı bağımlılığı öngördüğünü düşündürmektedir. Bir araç 'kavrama üretici' ama yüzeyselse sorumlu kimdir — tasarım, görev mi yoksa öğrenen mi?
  • Bir YZ aracı, özerkliği, yetkinliği ve ilişkililik duygusunu (kavramanın ardındaki ihtiyaçları) bu özellikler gerçek öğrenmenin yerini alan yüzeysel eğlenceye dönüşmeden nasıl karşılayabilir?

Giriş

Kavrama, eğitim psikolojisine kök salmış çok boyutlu bir yapıdır. Davranışsal kavrama katılımı, çabayı, ısrarcılığı ve göreve bağlı etkinliği ifade eder. Bilişsel kavrama zihinsel işlemenin derinliğini — ayrıntılandırma, eleştirel analiz, öz-Eğitimde YZ Regülasyonu ve zihinsel çabanın yatırımını — ifade eder. Duyuşsal kavrama ilgi, keyif, kaygı ve öğrenmeyle özdeşleşme gibi duygusal tepkileri ifade eder. Bu boyutlar ayrışabilir: bir öğrenci davranışsal olarak etkin (tıklayan, zaman harcayan) olurken bilişsel olarak yüzeysel (çıktıyı pasif biçimde kabul eden) veya duyuşsal olarak ilgili olurken davranışsal olarak dağılmış olabilir. Kavramanın bu çok boyutluluğu, onun tek bir gözlemlenebilir davranışla eşitlenmemesi gereken nedendir.

Öğrenci kavraması araştırmalarda nasıl görünür

  • YZ tasarımının bir çıktısı olarak kavrama: GenAI motivasyon araştırmaları, Üretici YZ destekli öğrenmede kavramanın temel psikolojik ihtiyaçların karşılanmasını (özerklik, yetkinlik, ilişkililik) izlediğini göstermektedir — kavrama, yalnızca teknolojinin varlığının değil, motivasyonel desteğin akıntı aşağısı sonucudur. Kavrama sıklıkla öz bildirim ile ölçülürken davranışsal kavrama etkileşim günlüklerinden gelir ve ikisi birbirinin yerine kullanılamaz.

  • Kavrama kazanımı, öğrenme kazanımı olmadan, küme randomize bir sınıf denemesinde: Rücker ve Becker-Genschow (2025) 195 dokuzuncu sınıf sınıfını (deney grubu 102 öğrenci) karekökleri tahmin etmenin Heron yöntemi üzerine tek bir ders için alana özgü bir matematik sohbet robotuna veya geleneksel farklılaştırma materyallerine randomize etmiştir. Durumsal ilgi sohbet robotu koşulunda önemli ölçüde artmıştır (M = 2,63’e karşılık 2,43, p = 0.00005, Cohen’un d = 0,63) ve Teknoloji Kabul Modeli’nin dört boyutunun tamamında kabul yüksek olmasına rağmen, öncesi–sonrası performans karşılaştırması anlamlı bir grup zamana göre etkileşim bulmamıştır (F(1194) = 2,84, p = 0.094) ve dışsal bilişsel yük biraz daha yüksektir. Çalışma, ortaokul matematiğinde özelleştirilmiş bir sohbet robotunun en az sayıdaki küme randomize sınamalarından biridir ve ayrışan sonucu asıl önemli olan kısımdır: ilgi ile başarı farklı takvimlerde hareket etmiştir, dolayısıyla bir kavrama bulgusu öğrenmenin kanıtı değildir.

  • Nicelikten çok nitelik: YZ kod tamamlamada eleştirel kavrama, bilişsel kavrama söylem analizi ve eleştirel kavramanın iskelelenmesi, YZ ile derin (bilişsel) kavramanın öğrenmeyi öngördüğünü, yüzeysel (davranışsal) kavramanın ise bilgi tabanının risk literatüründe baskın olan Aşırı Bağımlılığı ve öğrenmenin yerini almasını öngördüğünü göstermektedir.

  • Kırılgan ve bağlama bağlı: Parlak yapıtlar, kırılgan kavrama ile çok kurumlu kavrama örüntüleri, kavramanın göreve, bağlama ve öğrenene göre değiştiğini bulmaktadır — bir öğrenciyi derinden kavramaya çeken bir YZ aracı, başka birinde yüzeysel ve çıktı kovalayan davranış üretebilir.

  • Motivasyonel öncüller: YZ varlığı ve motivasyon çalışması, YZ’nin mevcut olduğunun bilinmesinin çaba gerektiren kavramanın algılanan değerini düşürebileceğini, özellikle acemi öğrenenler için, göstermektedir — kavrama, araç özellikleri kadar beklenti, değer ve algılanan yetkinlik tarafından şekillenir. Wang ve Wang (2026) bunu, YZ destekli öğrenmedeki 758 üniversite İngilizce öğrencisiyle hedef belirleme kuramı temelli bir açıklamayla genişletmekte olup öğretmen desteğinin doğrudan kavramayı güçlendirdiğini ve bunun öğrencilerin ustalık yaklaşımı ve performans yaklaşımı hedefleri (kaçınma hedeflerinden çok) aracılığıyla işlediğini göstermektedir. YZ bağlamlarında kavrama dolayısıyla yalnızca bireysel veya tasarım kaynaklı bir çıktı değildir — öğretmen tarafından ve öğrenenlerin benimsemeye teşvik edildiği hedef yönelimleri aracılığıyla ayrıca sosyal olarak iskelenir.

  • Bu İskeleleme (Scaffolding)’in çift yollu bir kurumsal karşılığı vardır. Chen’nin (2026) iki çalışmalı tasarımı (senaryo deneyinde 160 sanat öğrencisi, anketlenen 425) bir üniversitenin GAI savunusu ile gerçek öğretim ve değerlendirme uygulamaları arasındaki algılanan tutarsızlığın, birbirine zıt iki değerlendirme yoluyla yaratıcı süreç kavramasını öngördüğünü bulmuştur — olumsuz yoldan engel olarak (β = −0.060, p = 0.004), olumlu yoldan meydan okuma olarak (β = 0.217, p < 0.001) — ve yol düşüncesinin yalnızca olumlu yolu güçlendirdiğini; dolayısıyla aynı kurumsal koşulun bazı öğrencileri kavramaya çekerken diğerlerini kavramadan uzaklaştırdığını.

  • Yetkinlik ve duygu kavrama iticileri olarak: Zhao ve arkadaşları (2026) bir Büyük Dil Modelleri (LLM) sohbet robotuyla etkileşime giren 871 üniversite öğrencisini modellemekte olup GenAI yetkinliğinin sohbet robotu kavramasını hem doğrudan hem de olumlu duygular (duygu yolu) aracılığıyla dolaylı olarak öngördüğünü ve hem yetkinliğin hem de olumlu duygunun kavramayı ve olumlu öğrenme duygularını öngördüğünü bulmaktadır. Kavrama böylece ortaklaşa bir beceri ve bir duyuşsal çıktıdır — YZ yetkinliğinden yoksun olan ve kaygı veya hüsran yaşayan öğrenenler kavramadan uzaklaşır; bu durumun YZ Okuryazarlığı eğitimi için, yalnızca bir beceri hedefi olmaktan öte bir kavrama müdahalesi olarak çıkarımları vardır.

  • Öğrenci–YZ sohbetinde disiplinle ilişkili bilişsel kavrama. Chang ve Li (2026) öğrencilerin YZ’ye yazdığı istek metinlerinin ortalama olarak yüzde 62 kadarının üst düzey bilişsel talebi kodladığını, ancak Bloom düzeyi kavrama profillerinin disipline göre keskin biçimde farklılaştığını göstermektedir (STEM Uygulama ağırlıklı yüzde 20,8, dil Anlama ağırlıklı yüzde 31,7, sosyal bilimler Yaratma ağırlıklı yüzde 33,8). Kişi içi bir tasarım kullanarak aynı öğrencilerin sosyal bilimler kurslarında STEM kurslarına kıyasla belirgin biçimde daha fazla üst düzey istek metni ürettiğini (p < .001) ve kurs düzeyindeki çeşitliliğin öğrenci düzeyindeki çeşitliliği aştığını bulmuşlardır — bu, YZ ile bilişsel kavramanın yalnızca bireysel tarz değil disiplinsel bağlam tarafından şekillendiğine dair bir kanıttır.

  • YZ geri bildirimi davranışsal etkinleşmeyi sürdürür. Geschwind ve arkadaşları (2026)’ın bir dönem süren laboratuvar-saha deneyinde, açık uçlu görevlerde bireysel GPT-4 geri bildirimi alan öğrencilerin sekiz haftalık görev boyunca en yüksek katılımı sürdürdüğü (sonuna doğru yaklaşık yüzde 50, hoca veya akran geri bildirimi alan gruplarda yaklaşık yüzde 30’a karşılık) ve cevap başına yaklaşık 29 karakter daha fazla yazdığı görülmüştür — bireysel YZ geri bildirimi, öğrenciler akran geri bildirimini biraz daha yüksek puanlamasına rağmen kavramayı hem geniş marjda (katılım) hem de yoğun marjda (cevap başına çaba) etkinleştirmiştir.

  • Akademik YZ kullanımının öğrenme yapılarından öngörülmesi. Keşfedici bir makine öğrenmesi çerçevesi, yorumlanabilirliği korumak için SHAP analizi kullanarak 166 üniversite öğrencisinden toplanan anket verilerini incelemiş ve amaçlanan akademik ChatGPT kullanımıyla ilişkili öğrenmeye dair yapıları belirlemiştir. Bulgular, kavramanın, öğrenme desteğinin ve diğer yapıların öğrencilerin YZ araçlarını akademik çalışmaya yerleştirme biçimlerini nasıl şekillendirdiğine ilişkin bilgi sunmaktadır.

  • Bir YZ aracına erişim, ölçülen kavramayı düşürebilir ve tamamlama oranları bunu göstermez. Liu ve arkadaşları (2026) büyük bir ABD devlet üniversitesinde 13 bloğa özel ders erişimini randomize etmiş ve kaydedilen platform katılımının 0,90 standart sapma, sayfa görüntülemenin 0,37–0,38 standart sapma ile etkin günlerin 0,51–0,61 standart sapma düştüğünü — ödev teslimi ve zamanında teslimin ise etkilenmediğini — bulmuştur. Ayrışma ölçüm dersidir: yalnızca ödev tamamlamayı izleyen bir kurs hiçbir şey görmeyecektir, çünkü düşüş platformun kaydettiği tartışma, kısa sınav ve hoca etkileşimi etkinliğindeydi. İşlem gören bölümlerdeki öğrenciler ayrıca hocaya daha az içerik sorusu sorduğunu bildirmiştir (yaklaşık yüzde 57’ye karşılık 44), dolayısıyla düşüş kurstan uzaklaşmadan çok insan ilişkisinden uzaklaşmayla eş zamanlı olmuştur.

  • Yanıt gecikmesi bir kavrama kolu olabilir. 1.137 Nicel YZ özel ders oturumunda daha hızlı yanıtların daha fazla öğrenci iletisi ve daha fazla doğru alıştırmayla ilişkili olduğu (modeller arasında ortanca yanıt süresi 1,9 sn ile 31,0 sn; düşük gecikmenin kavramayla Spearman ρ=-0,81, p=.0056 ile ilişkili olması) gözlenmiş olup yazarlar bu zinciri, öğretim niteliğinde kayda değer başarı göstermeyen modellerin insan düzeyinde kazanımlara nasıl ulaştığını açıklayan bir zincir olarak okumaktadır (Northcutt ve arkadaşları (2026)).

  • YZ kullanımı daha yüksek ders devamsızlığıyla gidebilir, ancak öz güven bunu öngörmez. 291 Portekizli üniversite öğrencisi üzerine yürütülen PLS-SEM anketinde genel YZ kullanımının devamsızlıkla (β = 0.148, f² = 0.029) ve bağımsız öğrenmeye ilişkin öz yeterlilikle olumlu yönde ilişkili olduğu, ancak öz yeterliliğin kendisinin devamsızlığı öngörmediği (β = −0.068, p = 0.276) görülmüştür — makalenin "kendine güvenen ama yok" örüntüsü. Devamsızlık ilişkisi ılımlı olup akran etkisinden (β = 0.510, f² = 0.326) ve zaman yönetiminden (β = −0.163) sonra gelmekte; YZ kullanımı yapısı tek boyutlu olduğundan ve destek odaklı maddeleri ikame odaklı maddelerle karıştırdığından çalışma, tamamlayıcı kullanımı ikameci kullanımdan ayırt edememekte veya yön belirleyememektedir (Franco ve arkadaşları (2026)).

Kavramayı ölçmek: ölçüt seçimi sorunu

Kavrama, çeşitli gözlemlenebilir sinyaller aracılığıyla işlevselleştirilir. Davranışsal ölçütler öğrenenlerin yaptıklarını ölçer (görevde geçirilen süre, etkinlik sayıları, etkileşim sıklığı, ısrarcılık); bilişsel ölçütler öğrenenlerin nasıl düşündüğünü ölçer (işleme derinliği, eleştirel kavrama, söylem analizi); duyuşsal ölçütler öğrenenlerin nasıl hissettiğini ölçer (duygu, motivasyon, ilgi); ve bağlamsal ölçütler çoklu görev yapmayı ve dikkati yakalar. YZ eğitimi araştırmaları bunları giderek daha fazla birleştirmekte ve kavramayı, kendi başına bir çıktı olmaktan çok YZ aracı tasarımı ile öğrenme çıktıları arasında aracı bir mekanizma olarak ele almaktadır.

  • Altı YZ uygulama ailesi + çok yöntemli ölçüm: Zhou’un (2025) sistematik incelemesi 24 WoS çalışmasını eşleyerek kavrama için altı YZ uygulamasını belirler — kurs tasarımında sohbet robotları, duygu/yüz/ses tanıma ve göz izleme, veri analizi için makine öğrenmesi, hoca–öğrenci etkileşimi desteği, kişiselleştirilmiş geri bildirim/öneriler ve akıllı öğrenme ortamlarında YZ destekli botlar. İnceleme, birden fazla YZ yöntemini ve veri kaynağını bütünleştirmenin tek kaynaklı yaklaşımlardan daha doğru, gerçek zamanlı bir biçimde bilişsel, duygusal ve davranışsal kavramaya ilişkin görüş sunduğunu — yukarıdaki ölçüt seçimi sorununu pekiştirdiğini — bulmaktadır.

Ölçüt seçimi tanımsaldır: kavramayı görevde geçirilen süre olarak ölçen bir çalışma, öğrenciler aracı kullanarak daha fazla zaman harcadığında bir YZ aracının kavramayı güçlendirdiği sonucuna varabilirken, kavramayı eleştirel işleme olarak ölçen bir çalışma aynı araç için ters sonuca ulaşabilir. Bilgi tabanının araştırmalarının kavramayı (katılım) öğrenmeden (gerçek bilişsel kazanım) ayırt etmesinin nedeni budur — bkz. performans ve öğrenme karşılaştırması — ve kavrama ölçütlerinin iddia ettikleri şeye karşı doğrulanmasının nedeni budur.

  • Kırılgan ve duruma bağlı bir sinyal olarak kavrama: Parlak yapıtlar, kırılgan kavrama ile çok kurumlu kavrama örüntüleri, kavramanın bağlama, göreve ve öğrenene göre değiştiğini bulmaktadır — aynı araç bazı öğrenciler için güçlü kavrama, diğerleri için yüzeysel ve çıktı kovalayan davranış üretir.

  • Öğrenme platformlarından davranışsal telemetri: Çaba ve ilerleme öngörüsü, Learning Engagement Assistant, video kavrama değerlendirmesi ve öğrenme panoları, davranışsal ve fizyolojik sinyalleri (dikkat, etkinlik, ısrarcılık) uyarlanabilir geri bildirim ve hoca müdahalesi için kullanılan kavrama ölçütlerine dönüştürür.

  • Fizyolojik algılama bir yöntem — ve bir taban çizgisi sorunu — ekler. E3Sense; kuru elektrotlu EEG, göz izleme gözlüklerini ve alın üzerine elektrodermal elektrotları baş üzerinde bir arada konumlandırarak 30 üniversite katılımcısından beş düzeyli sıralı bir ölçek üzerinde 450 bölüm düzeyinde kavrama derecesini öngörir: kaynaştırılmış Çok Kipli YZ temsil üzerinde AdaBoost, en yaygın derecenin her zaman öngörülmesine karşılık yüzde 75,0 dengeli bir-seviye-içinde doğruluğa ulaşmıştır. O boşluğun dar oluşu asıl önemli olan kısımdır — bir-seviye-içinde kredi, çarpık derecelendirmelerde sensörsüz bir taban çizgisine puanının çoğunu hediye eder — ve öğrenenlere kavramanın kendileri için ne anlama geldiğinin sorulması aynı ölçütü yüzde 64,6’dan yüzde 71,5’e kaydırmış olup bu durum, bu tür analitiklerin ne iddia edebileceğine yalnızca sensör değil öz bildirim etiketinin karar verdiğine dair bir kanıttır.

  • Adalet kısıtları, geçerli olsun diye ayrılmış deneklere ihtiyaç duyar. Çok yöntemli bir dikkat kestiricinin cinsiyete yönelik düzenleyicisi, doğrulama MAE boşluğunu 0,02’den 0,005’e düşürmüş ancak ayrılmış deneklerde hem boşluğu hem de en kötü grup hatasını artırmıştır; dolayısıyla alt grup duyarlı, tekrarlanan denek düzeyinde doğrulama, kavrama algılama iddialarının her birinde yer almalıdır (Fragkiadakis ve arkadaşları (2026)).

  • Öğrenci modellemesinde bir sinyal olarak kavrama: Öğrenci modellemesinde bir sinyal olarak kavrama yoğunluğu, uyarlanabilir YZ sistemlerini bilgilendirmek için kavrama gücünü kullanmakta olup kavrama ölçütlerini yalnızca değerlendirme çıktıları değil Öğrenen Modellemesi ve Uyarlanabilir Öğretim ve Uyarlanabilir Öğrenme girdileri olarak konumlandırır.

Kavrama ve öğrenme karşılaştırması

Bilgi tabanının araştırmalarındaki temel bir tema, kavramanın ve öğrenmenin ayrılması gerektiğidir. Yüksek kavrama üreten YZ araçları (görevde geçirilen süre, etkileşim hacmi), bu kavrama pasifse veya anlamanın bilişsel çalışmasının yerini alıyorsa öğrenme üretemeyebilir — bkz. performans ve öğrenme karşılaştırması. Tersine, verimli mücadele ve istenen zorluk, yüzeysel kavramanın daha düşük hissedildiği durumlarda bile öğrenme üretebilir. Kavrama bu nedenle en iyi bir mekanizma olarak ele alınır — anlamlı bilişsel işlemeyi yansıttığı veya olanaklı kıldığı ölçüde değerli — nihai bir çıktı olarak değil.

Bu ayrım akademik değildir. Pramod ve Patil (2026) kavramayı PLS-SEM modellerinin merkezine, bir yanda motivasyon ile sosyal varlık arasına ve diğer yanda algılanan performansa yerleştirir — modellerindeki en büyük katsayıdır ve yine de bir algı olup öğrenmenin bir ölçüsü değildir.

Pedagoji, YZ’nin kavrama üzerindeki etkisine aracılık eder

Yükseköğretimde YZ üzerine yapılmış sistematik bir sentez (Long ve arkadaşları, 2026), bir YZ aracının yerleştirildiği öğretim yönteminin, öğrencileri kavramaya çekip çekmediğinin belirleyici aracısı olduğunu vurgular. Sohbet robotları, uyarlanabilir sistemler ve öngörücü analitik, bağımsız araçlar olmaktan çok etkileşimli pedagojiler çerçevesinde — tersyüz sınıflar, proje temelli öğrenme ve iskeleli geri bildirim döngüleri — yaygınlaştırıldığında kavramayı en çok güçlendirir. İnceleme bunu, YZ teknolojileri, pedagojik stratejiler ve kavramanın duyuşsal, davranışsal ve bilişsel boyutları arasındaki uyumu eşleyen PMAISE modeli (Pedagojik Aracılığı ile Öğrenci Kavraması için YZ) olarak biçimlendirir. Çıkarım, kavrama çıktılarının araç ve çevreleyen öğretim tasarımı tarafından birlikte üretilmesidir: aynı YZ bir pedagojide kavramayı güçlendirebilir, başka bir pedagojide ise baskılayabilir.

İlgili kavramlarla bağlantılar

Öğrenci kavraması, psikolojik iticileri olarak Motivasyon ve Öz Belirleme Kuramı ile, yaşanılan bağlam olarak Öğrenci Deneyimi ile bağlantılıdır. Ölçümü, yukarıdaki boyutları işlevselleştirmek için nicel araçlar sunan Öğrenme Analitiği ve Eğitimde Ölçme’a dayanır. Derin ve yüzeysel kavrama arasındaki ayrım doğrudan Öz Düzenlemeli Öğrenme (öz düzenlemeli öğrenenler stratejik biçimde kavrama kurar), Bilişsel Yükü Dışarı Aktarma ve Aşırı Bağımlılık (yüzeysel bağımlılık başarısızlık kipi olarak) ve Metabiliş ile bağlantılıdır. Sistem tasarımında kavrama sinyalleri Öğrenen Modellemesi ve Uyarlanabilir Öğretim ve Uyarlanabilir Öğrenme sistemlerini besler ve kavrama çıktıları, YZ eğitimi müdahalelerinin AIED’de Araştırma Yöntemleri değerlendirmelerinde yer alır.

  • Öğrenci özellikleri metin-konuşma temelli diyalog derslerini denetler (2026): LLM+metin-konuşma ile üretilen hoca–öğrenci, öğrenci–öğrenci ve hoca–hoca diyalog derslerinde, Deneyimsel Öğrenme tarzı ve eleştirel düşünme eğilimi, ARCS temelli motivasyon için diyalog biçimiyle anlamlı biçimde etkileşime girmiştir; bu durum, YZ ile üretilen diyalog içeriğinin öğrenen profiline göre farklı biçimde motive edici olduğunu göstermektedir (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).

  • İlkokul düzeyinde boyuta özgü kazanımlar (2026): 301 beşinci ve altıncı sınıf öğrencisiyle yürütülen dokuz haftalık GenAI destekli ikinci dil yazım programı davranışsal ve duygusal kavramayı artırmış, bilişsel ve üstbilişsel kavramayı ise değiştirmemiştir ve yazarları yazım sırasında azalmış öz izlemeyi süregelen bir risk olarak adlandırmaktadır (Lu ve arkadaşları, 2026). Örüntü, yukarıdaki kavrama–öğrenme ayrımının somut bir örneğidir: daha fazla etkinlik ve daha fazla keyif, daha derin işlemeye dönüşmemiştir.

  • Ayrışma ters yönde de işleyebilir (2026): 12 haftalık bir meslek içi iç mimarlık kursunda, gömülü bir LLM öğretim asistanına sahip sürükleyici bir VR stüdyosu, geleneksel proje temelli öğretime kıyasla bilişsel (d = 0,90) ve davranışsal (d = 0,75) kavramayı artırırken duyuşsal kavramada anlamlı fark görülmemiştir (d = 0,38) — yukarıdaki ikinci dil yazım vakasının tersi (Jin ve arkadaşları, 2026). Bilişsel ve davranışsal kazanımlar burada daha düşük bildirilen bilişsel yükle birlikte gelmiştir; yazarlar bunu asistanın arama ve disiplinler arası bütünleştirme çabasını üstlenmesine bağlamaktadır. Yazım vakasına karşı okunduğunda, iki çalışma, bir YZ destekli müdahalenin kavramayı hangi boyutta etkilediğinin tasarımın bir özelliği olduğunu — söylem ağırlıklı sürükleyici işbirliği ile tek başına yazım desteği arasındaki fark — YZ desteğinin genel bir özelliği olmadığını ve yüksek doğruluklu veya akıllı geri bildirimden duyuşsal bir avantajın varsayılamayacağını düşündürmektedir.

  • YZ okuryazarlığı kavrama üzerinde psikolojik kaynaklar aracılığıyla işler (2026): Çin’in Zhengzhou kentindeki 1.198 lisans öğrencisi üzerine yürütülen aracılı denetimli bir çalışmada (Wang, 2026) kavrama, YZ Okuryazarlığı araç kullanımının bir yan ürünü olarak değil bir çıktı olarak modellenmiştir. YZ okuryazarlığı öğrenme kavramasını doğrudan ve ayrıca psikolojik sermaye inşa ederek dolaylı olarak öngörmüş olup dolaylı yol toplam etkinin yaklaşık yarısını taşımaktadır — kısmi aracılık; dolayısıyla bir teknolojik yetkinlik, yalnızca kısmen ürettiği psikolojik kaynaklar aracılığıyla kavramaya dönüşür. Kimliğe dayalı bir değişken olan mesleki bağlılık, kendi doğrudan bir etkisi olmaksızın psikolojik sermayeden kavramaya giden bağlantıyı denetlemiş ve psikolojik sermayenin kavramaya dönüşümü, kendini mesleğe yönelik gören öğrenciler için belirgin biçimde daha güçlü olmuştur. Örüntü, öğrenen özelliklerinin YZ’nin kavrama üzerindeki etkisini nasıl koşullandığına ilişkin yukarıdaki noktanın mevcut en açık örneğidir.

  • Ders öncesi YZ alıştırmaları canlı katılımı artırabilir (2026): 759 MBA öğrencisiyle ön kayıtlı bir saha deneyinde, ses temelli bir YZ tartışma ortağıyla hazırlanmanın sonraki oturumlarda gönüllü katkıları yaklaşık yüzde 31 artırdığı, ancak bunun yalnızca ikinci kullanımdan sonra görüldüğü; ilk kullanımdan önce daha düşük katılım görüldüğü bulunmuştur (Wang ve arkadaşları, 2026).

  • Uzaklaşma, tur düzeyinde bir hamle olarak kararlı bir durum değildir: Rho ve arkadaşları (2026) Math Nation’daki bir YZ öğretilebilir ajanına yönelik 5.522 öğrenci sözcesini altı konuşma uzaklaşması kategorisine kodlamış (Yanlış Yanıtlama, Alay Etme, Hayaletleşme, Yansıtma, Saklama, Rastgele/Gürültülü) ve kavrama oranının sözcelerin yüzde 75,7’inde baskın olduğunu bulmuştur. Yanlış Yanıtlama ve Alay Etme’nin sınav sonrası puanlarla yaygınlığa dayalı ilişkileri, insan etiketlemeli bir duyarlılık denetimini atlatmamıştır. Ardışık analiz kavramayla ilgili sonuçtur: en yüksek performans gösteren küme, ılımlı uzaklaşmayı kavramaya güçlü dönüş geçişleriyle birleştirmiştir (Saklama → Kavrama p = 0,83), en düşük performans gösteren küme ise dönüş olmaksızın ısrarlı öz döngüler göstermiştir (Kavrama öz döngüsü p = 0,96). Saklama, çözülmekten çok ısrarlı olma eğilimi gösteren tek uzaklaşma türüdür — kavrama yörüngelerini ayıran ayrım, varlık ile yokluk değil ısrarcılık ile onarım arasındaki farktır.

Bağlı kavramlar

Bağlı makaleler

Bağlı SSS

Üst veri

SeviyeHigher Ed
Hedef kitleLearners
Öğrenme ve öğretimMotivasyon, Öz Düzenlemeli Öğrenme, Öğrenci Kavraması
Teknolojiler ve tekniklerÜretici YZ, Öğrenme Analitiği
Eğitimde YZ’nin temelleriEğitimde Yapay Zeka
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.