Kursumda YZ ile Aldatmayı Nasıl Azaltabilirim?

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

Bilgi tabanındaki en güçlü yönelim, tespitten çok yapısal değerlendirme tasarımına, açık beklentilere, öğrenme doğrulamasına ve YZ Okuryazarlığı’a bel bağlamaktır. Akademik Dürüstlük sentezi, YZ metni tespitinde önemli sınırlılıklar bildirmekte ve Üretici YZ çağında akademik dürüstlüğün giderek yalnızca bir tespit problemi değil bir değerlendirme tasarımı problemi haline geldiğini savunmaktadır. Tespit araçları güvenilmez değildir ve usulle ilgili olarak adaletsizdir. Yayımlanmış 642 İngilizce özete ilişkin kontrollü bir çalışmada, iki ticari dedektör kılavuza uygun hafif YZ düzenlemesini %38–80, değiştirilmemiş 2023–25 özgün metinlerini %9–15 (STEM’den uzak alanlar STEM’den çok daha yüksek, p<0.001) oranında işaretlemiş; YZ "insanlaştırması"ndan sonra ise YZ olarak etiketlenen yeniden yazımların %4’ünden azını yakalamış — dürüst yardımı cezalandıran, kasıtlı kurnazlığı mümkün kılan bir dürüstlük çıkmazı.(Why AI Detection Fails for Academic Integrity) Gizli bir saha çalışmasında, beş psikoloji modülündeki canlı çevrimiçi sınavlara eklenen tamamen YZ ile üretilmiş gönderimlerin %94’ü tespit edilmemiş ve YZ işleri ortalama gerçek öğrencileri geçmiştir; Vanderbilt Üniversitesi, 75.000 yıllık gönderim içinde yaklaşık 750 öğrencinin yanlış etiketleneceği anlamına gelen reklamı yapılan %1 yanlış pozitif oranını doğrulayamayınca lisanslı dedektörünü devre dışı bırakmıştır.(Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI) Dolayısıyla tespit tek başına zayıf bir kaldıraçtır — daha güçlü kaldıraç, eksiksiz biçimde Notanın Öğrencinin Ne Bildiği ya da Ne Yapabildiği Konusunda Hâlâ Savunulabilir Bir Şey Söylemesi İçin Değerlendirmeyi Nasıl Yeniden Tasarlarım? sayfasında ortaya konan değerlendirme tasarımı argümanıdır. Aşağıda, kaba biçimde kanıt gücüne göre sıralanmış somut ve uygulanabilir yaklaşımlar yer almaktadır.

1. Sınırlandırmalı YZ araçları: "ipucu ver, cevap verme"

Herhangi bir YZ öğrencisi kullanımını, açığa çıkarmak yerine iskeleleme yapacak biçimde yapılandırın. Bilgi tabanındaki en güçlü nedensel bulgu, saha düzeyinde bir RCT çalışmasıdır: sınırlandırma içermeyen bir ChatGPT tarzı özel ders hocası destekli pratik performansını +%48 yükseltmiş ama yardımsız sınav puanlarını −%17 azaltmıştır; sınırlandırmalı bir özel ders hocası (cevap yerine ipucu, artı öğretmen tarafından hazırlanmış problem bilgisi) zararı tamamen ortadan kaldırmıştır.(Generative AI without guardrails can harm learning: Evidence from high school mathematics) 26.811 öğrenci üzerinde yapılan büyük bir çalışmada, ödevleri dışarıdan yaptırmak ödev puanlarını %18 yükseltmiş ama altı ay içinde kapalı kitap sınavı puanlarını %20 düşürmüştür — Güvenlik Rayları ve yardımsız önlemlerin önlemek için tasarlandığı tam olarak bu zarardır.(The Generative AI Learning Penalty: Evidence from Chinese Secondary Education)

Somut örnekler:

• Özel ders hocasını, sonraki cevap adımı yerine artımlı, Sokratik ipuçları verecek biçimde ayarlayın.
• YZ’yi doğru çözümlerle ve yaygın YZ Hakkında Yanlış Kanılar ile besleyin ki hataları hedef alabilsin.
• YZ çıktısını açığa çıkarmadan önce bir öğrenci denemesi isteyin ("önce denemenizi gösterin").
• Görevi zahmetsiz hissettiren her aracı yanlış yerde sayın — "YZ’nin işe girmesi görevi zahmetsiz hissettiriyorsa, yanlış yerde" kuralı.

2. Değerlendirmeyi yeniden tasarlamak: aldatanın tasarımla ortaya çıkmasını (ve caydırılmasını) sağlamak

Kötüye kullanım zararı değerlendirmeye bağlı olduğu için, başarı sayılan şeyi değiştirin. YZ Kötüye Kullanımını Azaltma sentezi bunu 1. Basamak olarak sıralar; çünkü öğrenci doğru davranışı seçse de seçmese de işe yarar — motivasyona bel bağlamak yerine ortamı kısıtlar. YZ Değerlendirme Ölçeği (AIAS) bunun için yapılandırılmış bir çerçevedir: her ödevi YZ kullanım düzeyine göre etiketleyin (ör. "YZ yok", "YZ yalnızca beyin fırtınası için", "atıfla YZ yardımı", "tam YZ kullanımı") ki beklentiler açık ve uygulanabilir olsun.(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Bilgi işlem eğitiminde üretken YZ üzerine yapılmış 72 çalışmalık bir sistematik derleme, farklı bir kanıt tabanından aynı sonuca ulaşır: hem uygulanabilir hem en yüksek etkili olarak yeniden tasarımı değerlendirir ve kurs başına en az bir yüksek riskli değerlendirmeye sözlü ya da başka biçimde süreci görünür kılan bir öğe eklemeyi tek başına en etkili müdahale olarak öne çıkarır; tespitin bütün derlemenin en zayıf alanı olduğunu — kurumsal tartışmalara rağmen yalnızca 3 çalışma — not eder (Generative AI in computing education: A systematic review and a framework for responsible integration). Aynı derleme, bilgi işlem öğrencilerinin %60–80’inin ders çalışmalarında üretken YZ kullandığını — tipik olarak öğretmenin açık izni olmadan — ve ulusal bir öğretmen grubunun %70’inin YZ dirençli değerlendirme tasarımı üzerine açıkça eğitim talep ettiğini bildirmektedir.

Somut örnekler:

• Yardımsız, sınıf içi, kapalı kitap değerlendirmeler — öğrencilerin araç kullanmadan gerçekleştirdiği gözetimli sınavlar, kısa testler ya da süreli yazılı çalışmalar. Ödevler YZ’nin şişirdiği yer olduğu için bunlara daha yüksek ağırlık verin.
• Sözlü sınavlar ve savunmalar — öğrencilerin işlerini yüksek sesle açıklamasını ya da savunmasını sağlayın; gerçek zamanlı diyalog doğası gereği YZ dirençlidir.(Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future)
• Süreç ürünleri — taslaklar, akıl yürütme izleri, açıklamalı "düşüncenizi gösterin" çalışmaları ya da yansıtma kayıtları isteyin ki yalnızca ürün değil süreç görünür olsun.(From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich)
• Özgün, bağlamsal görevler — devredilmesi zor ve öğrenci için anlamlı, gerçek dünyaya, veriye ya da kişisel deneyime dayalı istek metinleri kullanın (ör. bir kavramı yerel bir olaya, bir staja ya da öğrencinin kendi verisine uygulama).(Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It)
• YZ serbest bölgeler — bağımsız yetkinliğin gerçekten değerlendirilen yapı olduğu kurs bölümlerini (ya da belirli ödevleri) belirleyin.
• Öğrenci başına görev çeşitlendirmesi — her öğrenciye aynı görevin yüzeysel olarak farklı ama yapılandırıcı açıdan denk bir sürümünü verin ki kopyalama yapısal olarak işe yaramaz hale gelsin; bunu koşula bağlı olarak ele alın, çünkü VARIA önde giden üreticilerin ortak dürüstlük puanında yalnızca 0,81–0,88’e ulaştığını, önde olmayan modellerin ise 0,50–0,55’e düştüğünü bulmuştur.

3. Öğrenme doğrulaması: kaynağı değil anlayışı doğrulayın

Bir gönderimin nasıl üretildiğini kanıtlamaya çalışmak yerine, öğrencilerden ara sıra ne öğrendiklerini göstermelerini isteyin. "Öğrenci YZ Kullanımına En İyi Yanıt Tespit Değil Diyalogtur" başlıklı kaynak, kısa doğrulama konuşmalarını, erken taslakları, yansıtmaları ve öğrenci videolarını pratik mekanizmalar olarak betimler.

Somut örnekler:

• Teslim edilmiş bir çalışma üzerine 2 dakikalık birebir ya da kaydedilmiş bir açıklama.
• Aynı materyal üzerine, araç kullanılmadan yapılan bir sonraki kısa test.
• Öğrencilerin çalışmalarının bir örneğini revize etmelerini ve değişiklikleri açıklamalarını istemek.

Not: bu kaynak bir uygulayıcı anlatısı olduğundan, kesin nedensel kanıttan çok umut verici bir uygulama olarak değerlendirilmelidir.

Doğrulama, aynı zamanda bir usulsüzlük sürecini savunulabilir kılan şeydir. Munoz ve ark. (2026), gerçek üretken YZ usulsüzlük suçlaması dosyalarını incelemiş ve doğal adalet ilkelerinin herhangi bir karardan önce öğrencinin suçlamadan haberdar edilmesine ve yanıt verme fırsatı verilmesine ihtiyaç duyulduğunu bulmuştur; yanıt fırsatı tipik olarak bir soruşturma toplantısı ya da panel görüşmesidir ve öğrencinin söyledikleri kanıt kaydının parçası olur. Kanıt kategorileri aynı zamanda doğrulamanın neden soruşturma sırasında uydurulmak yerine kursa kurulmuş olması gerektiğini açıklar: sistem tarafından kaydedilen davranış izleri yalnızca gözetimli değerlendirmede var olur; daha zayıf süreç kanıtları — taslaklar, gözetim toplantıları, sunumlar — yalnızca bu uygulamaların önceden yerinde olduğu yerlerde bulunur. Bir doğrulama alışkanlığı, sonradan bel bağlayabileceğiniz süreç kanıtıdır. Kuralın kendisi de kesin olmak zorundadır: Wright (2026), konuşmadan-metne yazıya geçirmeyi ve üretken taslak oluşturmayı aynı "YZ kullanımı" sayan yasakların aşırı kapsamlı olduğunu ve yasaklanan şeyi yapmamış öğrencilerin cezalandırılma riski taşıdığını göstermektedir; bu, hukuki bir sorundan önce bir adalet sorunudur (Hukukî Sorunlar ve Riskler).

4. İskeleli kullanım dizileri: "önce düşün, ikinci olarak YZ, üçüncü olarak yansıt"

YZ’yi yasaklamak yerine, öğrencileri bilişsel döngüde tutan yapılandırılmış bir iş akışı öğretin. YZ Kötüye Kullanımını Azaltma sentezi sekiz tasarım ilkesi ortaya koyar: bilişsel sürtünmeyi koruyun, YZ’yi bir geçici düşünme ortağı olarak konumlandırın (bir otorite olarak değil), değerlendirme kontrol noktaları yerleştirin ve üst bilişsel günlük tutma ile istek metni kayıtları isteyin.

Somut örnek dizi:

1. Önce düşün — öğrenciler herhangi bir YZ kullanımından önce bağımsız biçimde beyin fırtınası yapar, taslak çizer ya da yazarlar.
2. İkinci olarak YZ — YZ’yi kendi düşüncelerine karşı eleştiri yapmak, genişletmek ya da alternatifler üretmek için kullanırlar.
3. Üçüncü olarak yansıt — YZ’yi ne için kullandıklarını, neyi kabul/reddettiklerini ve nedenini kaydederler (istek metni + revizyon kaydı).

5. Göreve özgü YZ kullanım beyanları

Jenerik "YZ kullandım ☐" onay kutularını, YZ kullanımını bilişsel aşamalara eşleyen alana özgü beyan çerçeveleriyle değiştirin (ör. yapısal planlama ile içerik üretimi karşılaştırması).(Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education) Bu, öğrencileri YZ’yi nasıl kullandıklarını yansıtmaya zorlar ve kabul edilebilir yardım ile usulsüzlük arasındaki sınırı netleştirir. Açık beklentilerle ve dürüst açıklamanın cezalandırılmayacağına dair güvanceyle eşleştirin — cezalandırıcı ya da muğlak politikalar etkin biçimde gizlenmeyi körükler.(Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher)("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education)

Mohamed ve Temimi’nin değerlendirme tasarımı modellemesi, bu tavsiyenin ardındaki mekanizmayı açıklar. Açıklama, yalnızca dürüstlüğün maliyeti düşük kaldığında çekici bir seçenek haline gelir; ve bir dedektörün yanlış pozitifleri dürüst öğrencilere de düştüğünden, ek duyarlılık yeni doğru pozitiflerden daha çok yeni yanlış pozitif ürettiğinde daha güçlü izleme gizlenmeyi görece daha çekici kılabilir. Bir beyan edilmiş kullanımı bir itiraftan çok bağlam olarak okuyun ve ortalama öğrenci yerine gizlemeye en çok eğilimli öğrenci için tasarım yapın.

Somut örnek: öğrencilerden ödev başına şunları belirtmesini isteyen bir kapak sayfası: YZ kullandınız mı? Hangi aşamalar için (beyin fırtınası / taslak / revizyon / kontrol)? Hangi aracı ve istek metinlerini kullandınız? Çıktıyı nasıl değerlendirdiniz?

6. YZ okuryazarlığı ve dürüst beklentiler oluşturun

YZ Kötüye Kullanımını Azaltma sentezi, YZ okuryazarlığı ve istek metni öğretimini 2. Basamak olarak sıralar: senaryo temelli istek metni pratiği kullanan, bir Büyük Dil Modelleri (LLM) otomatik puanlayıcıya sahip bir K-12 modülü, gerçek istek metni becerilerini iyileştirmiş ve öğrenme için YZ kullanımına duyulan güveni +%10,4 yükseltmiştir; katılımcıların %87’si YZ’yi sorumlu biçimde kullanmayı öğrendiğini bildirmiştir.(Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module) Ne yaptığının aldatma sayıldığı, neden bunun öğrenmeye zarar verdiği (performans–öğrenme uyuşmazlığı) ve öğrencilerin YZ’yi nasıl verimli biçimde kullanabilecekleri konusunda net beklentiler belirleyin — bu, Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking ve It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing kaynaklarında belgelenen "herkes bunu yapıyor" akran normu ve rasyonalizasyon sorunlarına yanıt verir.

Öğrenci anketleri bu çerçeveyi desteklemektedir. 504 sosyoloji öğrencisi arasında %65’i ders çalışmaları için üretken YZ kullanmış, ama yalnızca %3’ü ödev metni üretmek ve %2’si tam taslak üretmek için kullanmıştır; bu arada %81’i bir miktar YZ rehberliği almış, ama yalnızca %46’sı bunu çok net bulmuştur (Student Use of and Views on GenAI for Writing). Pratik problem belirsizliktir, başkaldırı değil — bu nedenle bu SSS’nin eğitsel kapasite tarafı Yükseköğretimde YZ Okuryazarlığı Müdahalelerine İlişkin Kanıtlar Nedir? ve Öğretim Elemanlarının Bilmesi Gereken Eğitimde Yapay Zeka Araştırmasından En Önemli 10 Bulgu Nedir? içindeki müdahalelerin sıralamasına bağlanır. Öğrenciler araçları politikanın kullandığı terimlerle betimlemez: Mulisa ve Mezgebu (2026), öğrencilerin ortaya koyduğu sorunun üretken YZ’nin aldatmayı kolaylaştıran bir araç mı yoksa öğrenmeyi destekleyen bir ortak mı olduğu olduğunu bulmuş; kurumsal dürüstlük kuralları ile öğrencilerin kendi öğrenme ihtiyaçları arasındaki gerginliğe dair anlatıları, cezalar hakkında bir uyarıdan daha fazla beklenti çerçevesi belirlemeye yarar.

Özetle

Yapısal bir taban (aldatmayı motivasyondan bağımsız biçimde zorlaştıran sınırlandırmalar + değerlendirme yeniden tasarımı) ile eğitici kapasite geliştirmeyi (YZ okuryazarlığı, beyanlar, "düşün-YZ-yansıt" dizileri) birleştirin. Tespit tek başına en zayıf kaldıraçtır; amaç, dürüst ve verimli YZ kullanımını en az dirençli yol haline getirmektir.