AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Eğitimde Video

Oluşturuldu 2026-10-14

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

Eğitimde video — videonun öğretim ve öğrenme aracı olarak kullanımı ve üreten YZ’nin bunu nasıl yeniden şekillendirdiği: YZ tarafından üretilen ve YZ kişiselleştirilmiş öğretim videoları, YZ avatarları ve sunucuları, uyarlanabilir video üretimi, video temelli öğrenme analitiği ve dikkat/bağlılık algılama ve ders videosu tüketimi için YZ desteği. Bilgi tabanı, videoyu hem yerleşik bir çevrimiçi öğrenme aracı hem de çevrimiçi, karma ve yüz yüze öğretimi kapsayan hızla evrilen bir YZ yenilik alanı olarak ele alır.

Üzerine Düşünülmesi Gereken Sorular

  • Eğitim videosu uzun süredir “herkese uyan” bir kaynak olmuştur — her öğrenen için özdeş içerik. Üreten YZ şimdi öğrenen başına videoyu olanaklı kılmakta ve araştırma, öğrencilerin bu kişiselleştirmeyi yüksek biçimde değer verdiğini düşündürmektedir. Kişiselleştirme, alaka düzeyinin ötesine ne ekler — ve neye mal olabilir?
  • Öğrenciler sıklıkla videoda bir insan öğretmenin varlığını ve özgünlüğünü hâlâ değerli bulduklarını söyler. Yine de doğrudan karşılaştırmalı tercihte, kişiselleştirilmiş YZ videosu, jenerik insan kayıtlı dersleri geçebilir. Öğrenenler fiilen ne gibi ödünleşimler yapmaktadır ve bunlar ne kadar kalıcıdır?
  • Öğretmenlerden klonlanan YZ avatarları ölçekte video üretebilir — ama aynı zamanda “tuharlık vadisi” rahatsızlığı ve etik itirazlar (çevresel etki, emek, akademik dürüstlük) da tetikleyebilir. Bir YZ sunucu ne zaman kabul edilebilir ve ne zaman hiçbir teknik düzeltmenin çözemeyeceği bir çizgiyi geçer?
  • Video araştırmasının çoğu, öğrencilerin tercihlerine ve öz bildirimine bel bağlar. Belirtilen tercihler, fiili öğrenme sonuçlarını ne kadar iyi yordar — ve “iyi hissettiren” bir videonun, hissettirmeyen birinden daha az iyi öğretmesi ne zaman söz konusu olabilir?
  • Video analitiği, dikkati, bağlılığı ve bırakma noktalarını tespit edebilir. Video öğrenmesini bu kadar yakından enstrümanla ölçmenin pedagojik ve Gizlilik çıkarımları nedir?

Giriş

Video, çağdaş eğitimin bir köşe taşıdır — özellikle çevrimiçi ve karma öğrenme için — esnekliği, ölçeklenebilirliği ve tutarlılığı için değer görür. Bununla birlikte geleneksel öğretim videosu, öğrencilerin ilgi alanlarına, geçmişine ya da önceki bilgilerine bakılmaksızın herkese özdeş içerik sunan, herkese uyan bir yapıt olarak üretilir. Üreten YZ, videoyu statik bir yayın aracından dinamik ve bireye göre uyarlanmış bir araca kaydırmakta; aynı zamanda varlık, Güven, Gizlilik ve ölçüm konusunda yeni sorular da üretmektedir.

Bilgi tabanının araştırmaları nasıl kümeleniyor

  • YZ tarafından üretilen ve kişiselleştirilmiş öğretim videosu. Çekirdek bir soru dizgisi, öğrencilerin YZ tarafından üretilen videoyu kabul edip etmediğini ve insan kayıtlı içerikle nasıl karşılaştırıldığını sorar. Bilişim eğitiminde öğrenci anketleri, YZ tarafından üretilen öğretim videosuna ilişkin algıları ve tercihleri araştırır. Geniş bir uygulama dağıtımında, Tomlinson ve ark. (2026), öğrencilerin kişiselleştirilmemiş insan kayıtlı derslere kıyasla YZ tarafından üretilen kişiselleştirilmiş videoları tercih ettiğini bulmuştur — bu tercihte kişiselleştirme etkisi, bir insan sunucuya yüklenen değerin önüne geçmiştir. Çifte eşik denetimi araştırması, YZ video üretiminin iki aşamasında öğretmen denetiminin (“gatekeeping”) daha pedagojik temelli çıktıyı nasıl sağladığını, insan döngüde tasarıma bağlanarak göstermektedir.
  • Uyarlanabilir ve yapılandırılmış video üretimi. CourseBlueprint, kurs derlemelerine dayalı uyarlanabilir pedagojik video üreten yapılandırılmış bir iş hattı sunar; açık pedagojik yapının — salt YZ akıcılığından değil — etkili YZ videoyu yönlendirdiğini gösterir. Bespoke, aynı mantığı tüm ders ölçeğinde uygular: 31 lisansüstü dersten sağlık, finans, enerji ve jenerik bir kitle için 209 video üretmiştir; bunların 92’sini değerlendiren 25 alan uzmanı, “standart bir MOOC dersinin kalitesi” olarak yazılan orta noktanın üstünde ya da eşitte %87’sini konumlandırmıştır (5 üzerinden ortalama 3,42), dakika başına yaklaşık \$0,22 API maliyetiyle — ses, slayt zamanlaması ve yerleşim, yinelenen kusurlardır.
  • Öğrenme döngüsü, daha iyi bir işlemeden üstündür. Ma ve ark. (2026), her videoyi hedefler, ön koşul etkinleştirme, işlenmiş örnekler ve tanısal sorguları içeren bir hikâye panosu olarak planlar; videonun örneklerinden kaçınan bir sınav ve her yanlış seçenek için bir telafi hamlesiyle eşler. 32 öğretmenden %96,9’u döngüyü bağımsız bir videodan daha etkili bulmuştur.
  • Video öğrenme analitiği ve dikkat. Videoyu enstrümanla ölçmek, öğrenenlerin nasıl bağlandığını ortaya koyar. Video öğrenmede bağlılık değerlendirmesi ve SAVVY, video temelli öğrenme sırasında öğrenci dikkatini görselleştirir; öğrenme analitiğini, öz düzenlemeyi ve kopma konusunda erken uyarıyı destekler. Bölütleme çalışmaları (örneğin zamansal video bölütleme), videoyu bireysel farklılıklara uyarlar.
  • Avatarlar ve varlık. YZ avatarları — sanal sunucular ve pedagojik etmenler — kimlik, sosyal varlık ve güven sorularını gündeme getirir. Avatar kimliği ve epistemik güven, bir sunucunun görünür kimliğinin öğrenenlerin güvenini nasıl şekillendirdiğini inceler; eğitimde YZ avatarları ise kalıbı profesyonel uygulamaya taşır.
  • Video içi iskele yorumları — ve YZ’nin hâlâ yanlış yaptığı. Wang, Du ve Jin (2026), kare düzeyinde entropi hesaplayarak ve desteği yalnızca düşük bilgili aralıklara yerleştirerek, videonun çerçevesi içinde içeriğe eşzamanlı biçimde işlenen, İskeleleme (Scaffolding) (iskele) mesajları olan i-Comments’ı üretir. Deneyimli öğretmenlerden gelen 120 yorumla karşılaştırıldığında, ChatGPT’nin 1.000 yorumu daha yoğun, yapısal olarak çok daha az çeşitli (POS 3-gram çeşitliliği %5,5–6,2’ye karşı %25,1–38,5), her okunabilirlik indeksinde okunması daha zor ve konu olarak daha az hizalı olmuştur (duygusal destek BERTScore’u 0,317’ye karşı 0,574); 40 öğrenci insan yorumları zamanlama ve yardımlılık açısından anlamlı biçimde daha yüksek puanlamıştır; ancak daha yeni bir model bu uçurumu daraltmıştır. Argüman, bir otomasyon argümanı kadar bir tasarım argümanıdır: ortama gömülü destek, ayrı bir sohbet robotuna sormak için duraklatmanın dikkat ve bilişsel maliyetinden kaçınır (geri bildirim kalitesi, duygusal destek).
  • Ders videosu tüketimi için YZ desteği. Üretimin ötesinde, YZ öğrenenlerin ve öğretmenlerin mevcut videoyla çalışmasına yardımcı olur: iki dilli LLM ders eşlikçileri, kaydedilmiş derslerle öz düzenlemeli öğrenmeyi destekler; transkripsiyon iş hatları, ders videosunu erişilebilir metne dönüştürür.

Kişiselleştirme ve insan varlığı karşı karşıya

Yinelenen bir gerilim, kişiselleştirmenin değerinin görünür bir insan öğretmenin değerini aşıp aşamayacağıdır. Tomlinson ve ark. (2026), kişiselleştirmeyi ve sosyal varlığı öğretimsel özenin kısmen ikame edilebilir sinyalleri olarak çerçeveler: insan sunumu duygusal deneyimi ve özgünlüğü güçlendirir; kişiselleştirme ise alaka düzeyini güçlendirir — ve öğrenciler birini diğeriyle ödünleşmeye isteklidir. Büyük kurs sıralama verileri (%88,4’ü bazı kişiselleştirilmiş videoyu tercih etmiş; yalnızca %73,8’i insan kayıtlı videoyu tercih etmiş), kişiselleştirmenin artık sıklıkla daha etkili etken olduğunu düşündürür; bu, insan öğretmenlerin uzmanlık ve sosyal bağlantı sağladığı, YZ’nin ise bireye uyarlanmış ortamlarla onların erişimini genişlettiği bütünleyici bir modele işaret eder.

Tasarım, etik ve ölçüm

Etkili YZ videosu üretmek, pedagojik yapı ve insan denetimi gerektirir ve ayrı kaygılar da gündeme getirir: YZ sunucular rahatsızlık ya da güvensizlik uyandırabilir (“tuharlık vadisi”); üreten video, öğrenenlerin fark edemeyebileceği olgusal yanlışlıklar riski taşır; kişiselleştirmeyi ölçeklendirmek, öğrenen niteliklerini toplamayı ya da çıkarmayı ve buna bağlı Gizlilik, önyargı ve YZ Yönetişimi kaygılarını gerektirir; ve öğrenenlerin bir alt kesimi, YZ tarafından üretilen öğretime ilke temelli gerekçelerle itiraz eder (çevresel etki, emek, otomasyon, akademik dürüstlük). Ölçüm de benzer biçimde akışkanlığını korumaktadır — kanıtların çoğu, nesnel öğrenme sonuçlarından çok belirtilen tercih ve algılanan değere dayanır; bu nedenle tercih verileri, (sıklıkla yakında gelecek olan) sonuç verileriyle birlikte okunmalıdır.

Bağlı kavramlar

Bağlı makaleler

Üst veri

SeviyeHigher Ed, K 12
Hedef kitleInstructors, Instructional Designers
Öğrenme ve öğretimÇevrim İçi Öğretim ve Öğrenme, Öğrenci Kavraması, Eğitimde Video
Teknolojiler ve tekniklerUyarlanabilir Öğrenme, Üretici YZ, Öğrenme Analitiği, Büyük Dil Modelleri (LLM), Çok Kipli YZ, Kişiselleştirilmiş Öğrenme
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.