Görselleştirme

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

Görselleştirme — bilgiyi öğrenme ve analiz için kavranabilir kılmak amacıyla veri görselleştirmelerinin, infografiklerin, gösterge panolarının, grafiklerin, diyagramların ve diğer grafik gösterimlerinin kullanımı. Eğitim boyunca görselleştirme giderek artan ölçüde hem YZ tarafından üretilmektedir (metinden görsele, Çok Kipli YZ slayt ve grafik analizi) hem de öğrenenlerin, öğretmenlerin ve analitik sistemlerinin paylaşılan veriler üzerinde akıl yürüttüğü arayüz olarak kullanılmaktadır.

Ele Alınması Gereken Sorular

• Bir grafik veya gösterge paneli veriyi açık hale getirebilir — ancak bir görselleştirmeyi yalnızca görmek, onu anlamakla aynı şey midir? Sayfanın araştırması, bir görselleştirmeyle nasıl etkileşime girdiğinizin grafiğin kendisinden daha önemli olduğunu öne sürmektedir. Baktığınız ama gerçekten öğrenmediğiniz bir gösterge panelini veya grafiği hatırlayın. Sadece görüntüden ne eksikti?
• Geleneksel öğrenme gösterge panelleri 'veriyi göster, kavrayış um' modelini izler. Buradaki bulgu, ölçütleri görmeden önce verileri hakkında soruları yanıtlayan öğrenenlerin, grafikleri pasif biçimde izleyenlere göre daha iyi yansıtma ve kalibrasyon yaptığıdır. Önce tahmin etmeye zorlanmak, gerçek verileri görme yoluyla elde ettiklerinizi neden değiştirebilir?
• YZ artık uzmanlaşmış içeriğin doğru görselleştirmelerini üretebilir — bir çalışma, metinden görsele bir modeli nükleer kavramlar üzerinde ince ayar yaparak alan doğruluğunu %12'den %78'e yükseltti. Ancak sayfa ayrıca hiçbir modelin tekdüze biçimde yetkin olmadığını buluyor. YZ üretilmiş bir görsele nerede güvenir, nerede bir insan uzmanına karşı kontrol ettirmeye ısrar ederdiniz?
• Bir çalışmanın katılımcıları YZ üretilmiş veri çizgi romanlarını daha çekici ve daha kavranabilir buldu; yine de çoğu ayrıca dezenformasyon riskini ve bilgi aşırı yüklenmesini işaret etti. İkna edici bir YZ görselinin çekiciliğini, yanıltma potansiyeline karşı nasıl tartarsınız — ve ona güvenmeden ya da onu kullanmadan önce ne doğrulardınız?
• Sayfa, bir modelin güveninin onun güvenilirliği olmadığı konusunda uyarıyor: sistemler temel yapıları doğru anlarken önem derecesi yargılarında keskin biçimde ayrışabilir. Slaytları, denemeleri veya verileri değerlendirmek için bir YZ aracına dayansaydınız, güveninin ciddi bir hatayı nerede gizlediğini nasıl keşfederdiniz?
• Bir çalışma, öğrencilerin bakışlarının çoğunu ayrıntılı görsel iskelelerin varlığına rağmen koda ayırdığını buldu — görsel yardımlar herkes için dikkati yakalamadı. Güzel bir diyagramın veya gösterge panelinin tüm öğrenenleri otomatik olarak katılıma yönlendireceğini varsaymak konusunda bu ne söylüyor? İnsanların bir aracı gerçekten nasıl kullandığını görsellerin dışında başka ne şekillendirir?

Giriş

Görselleştirme, öğrenmeyi ve öğrenme verisini anlaşılır kılmak için — gösterge panoları, grafikler, diyagramlar, infografikler ve çok kipli gösterimler biçimindeki — grafik gösterimin kullanımıdır. Onun en kökleşmiş eğitimsel rolü, öğrenme analitiği gösterge panelidir; burada baskın veriyi göster ve kavrayış um modeli, etkileşimli tasarımlara yol açmıştır: kanıt, öğrenenlerin bir gösterimle nasıl etkileşime girdiğinin onu görmelerinden daha önemli olduğunu ve öz tetikleyici istek metinleri ile pedagogik aracıların pasif ölçütlerden daha iyi kalibrasyon sağladığını göstermektedir. Aynı soru — görüntü düşünmeyi mi tetikliyor, onun yerine mi geçiyor? — görselleştirmeyi İstenen Zorluklar ve Metabiliş ile bağlar.

Bir Öğrenme Arayüzü Olarak Görselleştirme

Görselleştirmenin eğitimdeki en kökleşmiş rolü öğrenme analitiği gösterge panelidir. Geleneksel Öğrenme Analitiği Gösterge Panelleri (LAD), "veriyi göster → kavrayış um" modeli üzerine çalışır ve öğrenenlerin pasif biçimde izlediği grafiklerde davranışsal ölçütleri sunar. Interactive learning dashboards: rethinking learning visualisations as engagement tools üzerine yapılan araştırma bu paradigmayı sarsar: bir gösterge paneli, bir Büyük Dil Modelleri (LLM) destekli pedagogik aracı ve etkileşimli bir Öğrenme Yargısı öz değerlendirmesi eklediğinde, öğrenenlerin ölçütleri görmeden önce verileri hakkında soruları yanıtladığı "ortaya çıkarma" koşulu, pasif bir gösterge paneline göre de "söyleyen" bir araca göre de daha fazla yansıtma ve daha doğru ustalık kalibrasyonu üretmiştir. Ders şudur: öğrenenlerin görselleştirmelerle nasıl etkileşime girdiği, onları yalnızca görmelerinden daha önemlidir. Bu durum, görsel geri bildirimin basit bilgi gösteriminden çok üstbilişsel yargı kalibrasyonunu desteklediği Öğrenme Analitiği ve Öz Düzenlemeli Öğrenme ile bağlantılıdır.

Öğretmen odaklı gösterge panelleri ayrı bir tasarım dersi seti ekler. Mejia-Domenzain ve ark. (2026), öğretmenlerin daha karmaşık tasarımlar (örn. ısı haritaları) daha ayrıntılı kavrayışlar sağladığında bile sistematik biçimde daha basit, daha geleneksel görselleştirmeleri (çubuk grafikler, pasta grafikler, gösterge açıklamaları) tercih ettiklerini buldu — görsel tercih her zaman bilgililikle örtüşmedi; bu da pasta grafiklerin karşılaştırmalı okunabilirliği tartışmalarına yankı yapıyor. Görselleştirme okuryazarlığı (VL) tasarım tercihlerini yönlendirmedi, ancak daha yüksek VL'ye sahip öğretmenler daha derin, daha ayrıntılı yorumlar üretti (örn. daha fazlası zaman serisi verilerindeki eğilimleri tanımladı); bu durum VL'nin, öğretmenlerin analitik tasarımları nasıl okuduğunu ölçmede bir karıştırıcı olduğunu doğruluyor. Grup karşılaştırması için öğretmenler birlikte yerleştirmeyi yan yana koymaya belirgin biçimde tercih etti ve açık fark kodlamasına tercih ederek tam bilgi gösteren grafikleri (örn. "izlemeyen öğrenciler" grubunu içeren) yeğledi; ancak daha genç öğretmenler fark grafiklerini daha yüksek sıraladı. Bu bulgular, gösterge paneli tasarımının öğretmenlerin açıkça belirtilen tercihlerini, daha karmaşık kodlamaların sunduğu yorum derinliğiyle dengelemek zorunda olduğunu savunuyor.

Gösterge panelleri ayrıca, insan ve YZ akıl yürütmesi arasında köprü kuran paylaşılan gösterimler olarak işlev görür. CLARA sistemi, gösterge paneli kullanıcıları ile YZ aracıları arasında ortak zemin olarak — kavram haritaları ve yedi boyutlu işbirliği değerlendirmeleri biçindeki — LLM üretilmiş eserleri kullanır ve her iki tarafın da aynı görünür, sorgulanabilir materyal üzerinde akıl yürütebilmesi için bunları ayrı vektör koleksiyonlarına indeksler. Benzer biçimde, Expert Cognition Dashboard analitiği "kavrayış zekâsı" olarak yeniden çerçeveler ve ham öğrenen davranışlarını bireysel, sınıf ve YZ İkizi uzman düzeylerinde yorumlanabilir kavrayış yapılarına dönüştürür. Bu sistemler görselleştirmeyi bir çıktı olarak değil, Teknolojiler-yerli eğitimin içinde gömülü bir akıl yürütme altyapısı olarak konumlandırır.

YZ Üretilmiş ve Çok Kipli Görsel İçerik

İkinci büyük akım YZ'nin görselleştirmeleri doğrudan üretmesine ilişkindir. NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts, alana uyarlanmış metinden görsele modellerin uzmanlaşmış STEM kavramlarının doğru örneklemelerini üretebileceğini gösterir: Stable Diffusion'ı nükleer alan görüntüleri üzerinde ince ayar yapmak alan doğruluğunu %12'den %78'e yükselterek eğitmenlerin talep üzerine doğru reaktör bileşeni ve güvenlik sistemi görselleştirmeleri üretmesini olanaklı kıldı. Bu üretim kapasitesi güçlüdür ancak eşit dağılmamıştır. Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy, altı çok kipli büyük dil modelini bilimsel görselleştirme okuryazarlığı konusunda 485 insan katılımcıyla kıyaslar ve tekdüze bir yetkinlik bulmaz: kapalı kaynak Gemini birkaç alt kümede insan ortalamasını aşarken, tüm Açık Kaynak modeller bu ortalamanın altında kaldı; özellik zayıflıklar ince taneli nicel tahmin ve dokusal veya bütünleştirme temelli görselleştirmelerdedir. Bu nedenle YZ, insan görselleştirme okuryazarlığını desteklemelidir — onun yerine geçmemelidir; bu bulgunun doğrudan YZ Okuryazarlığı ve Biçimlendirici Değerlendirme sonuçları vardır.

İstek metninden grafiğe üretim, YZ'nin yetkin bir görselleştirme üretip üretemediğinden farklı bir soru gündeme getirir: eseri eğitici kılan analitik ve kodlama işini öğrenen hâlâ gerçekleştiriyor mu? 2026'da bir çerçeve bunu süreç–çıktı ayrımı olarak adlandırır ve İskeleleme (Scaffolding) ile ikame arasındaki failliğin sınırını saydamlık, davet ve sönümleme olarak önerir (Purohit ve ark., 2026).

Etik ve güvenilirlik, YZ üretilmiş görsel içerikle ilgili coşkuyu ölçülü kılar. Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation, üretici YZ destekli veri çizgi romanlarının önceki görselleştirme okuryazarlığından bağımsız olarak geleneksel görselleştirmelere göre katılımı ve kavrayışı iyileştirdiğini buldu; yine de katılımcılar dezenformasyon riski ve yazarlık atfına ilişkin kaygılar dile getirdi ve üçte ikisi aşırı yoğun yerleşimlerden kaynaklanan bilgi aşırı yüklenmesi gibi dezavantajları işaret etti. Karşıt olguya ilişkin CFES-P24 kıyası, bu incelemeyi slayt denetimine taşır ve çok kipli LLM'lerin Öğrenme Tasarımı yapılarını (işlemler, ilkeler, kanıt yerelleştirme) güvenilir biçimde tanıyabildiğini, ancak karşılaştırmalı yargı ve önem derecesi kalibrasyonunda keskin biçimde ayrıştığını gösterir — bileşik puanların hangi yeteneğin başarısız olduğunu gizlediğine ve güvenin güvenilirlik olmadığına ilişkin kanıt. Bu çalışmalar birlikte, YZ üretilmiş görseller için bütüncül puanlamalardan çok katmanlı bir YZ değerlendirmesi savunuyor.

Uygulamada Slayt, Çizgi Roman ve Çok Görünümlü Araçlar

Pratik sistemler bu ilkeleri ölçekle uygular. AISSA, LLM tabanlı rubrik puanlamasını öğrenme analitiği gösterge panelleriyle birleştirerek öğrenci sunum slaytları üzerinde otomatik, yinelemeli geri bildirim sunar ve her biri 1–3 dakika sürede 90 sunumu, değerlendirme başına sent düzeyinde maliyetle ve yüksek algılanan kullanılabilirlik ile işler — öğrenciler ise geri bildirimi seçici biçimde uyguladı ve bazen görsel tasarımlarıyla çelişen önerileri göz ardı etti. kodlama eğitiminde, Flowcode, acemi yaratıcı kodlayıcıların buldukları örnekleri anlamalarına ve genişletmelerine yardımcı olmak için bir kod yapısı akış şemasını öğrenme odaklı bir sohbetle eşleştirir; burada görselleştirme ve üretken sürtünme, YZ kullanımını atlamaktan çok öğrenmeye doğru yönlendirir. Yine de görsel iskeleler evrensel olarak etkili değildir: Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations, öğrencilerin görsel iskelelerin varlığına rağmen bakış sürelerinin ~%47'sini koda ayırdığını buldu; buna faillik, gösterim uyumu ve metaforik görünümlerin algılanan meşruluğu yol açtı. Bu öğrenen deneyimi bulguları, görselleştirme tasarımının yalnızca bilişsel imkânlara değil, duygusal ve sosyal etmenlere de dikkat etmesi gerektiğini uyarıyor.

Çıkarımlar

Burada ele alınan çalışmalar boyunca görselleştirme, çift kullanımlı bir ortam olarak ortaya çıkar: YZ görselleştirmeleri giderek artan ölçüde üretir ve yorumlarken, gösterge panelleri ve etkileşimli görseller insan-YZ anlamlandırması için paylaşılan yüzey olarak hizmet eder. Üretken metinden görsele ve çok kipli analiz, görselleştirmenin erişimini uzmanlaşmış STEM içeriğine ve otomatik geri bildirime taşır; ancak eşit dağılmamış model yetkinliği, önem derecesi kalibrasyon hataları ve dezenformasyon ile yazarlığa ilişkin etik kaygılar, dikkatli, katmanlı bir doğrulama talep eder. Tasarımcılar ve eğitmenler için en güçlü sonuç şudur: etkileşimlilik ve katılım — görsel veriler üzerinde öğrenen akıl yürütmesini ortaya çıkarmak, kullanıcıların bilişsel çabayı denetlemesine izin vermek ve YZ üretilmiş görselleri varış noktası değil paylaşılan altyapı olarak ele almak — grafiğin kendi doğruluğundan daha önemlidir.

Bağlı kavramlar

• Öğrenme Analitiği
• Çok Kipli YZ
• Üretici YZ
• Teknolojiler
• YZ Okuryazarlığı
• Eğitimde Hikâye Anlatımı
• Öğrenme Tasarımı
• Değerlendirme Geçerliliği
• Sanal ve Artırılmış Gerçeklik — uzamsal ve üç boyutlu gösterim

Bağlı makaleler

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Öğrenme görselleştirmelerini pedagogik aracılar aracılığıyla katılım araçları olarak yeniden düşünmek
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Bilimsel görselleştirme okuryazarlığı için çok kipli LLM'leri kıyaslamak
• NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts — Nükleer kavram görselleştirmesi için alana uyarlanmış metinden görsele modeller
• Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation — YZ destekli veri çizgi romanlarının etkililiği, yararları ve etiği
• Benchmarking Multimodal Large Language Models for Educational Slide Auditing — Çok kipli slayt denetimi için karşıt olgulu kıyas
• Making machine learning findings accessible to teachers in blended classrooms — MG bulgularını harmanlanmış sınıflardaki öğretmenler için erişilebilir kılmak
• Constructing Meaning, Not Just Charts: A Cognitive–Instructional Framework for Generative AI Usage in Visualisation Education — Anlam İnşa Etmek, Yalnızca Grafikler Değil: Görselleştirme Eğitiminde Üretici YZ Kullanımına İlişkin Bilişsel–Öğretimsel Bir Çerçeve