Bu sayfada

Eğitimde Yapay Zeka Araştırmaları Haftalık Güncellemesi #231 Ekim 2026

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

Eğitimde Yapay Zeka Bilgi Tabanı'ndan haftalık bir özet: geçen hafta yayımlanan araştırmaların eğitmenler, geliştiriciler, araştırmacılar ve yöneticiler için ne anlama geldiği üzerine.

Son sayıdan bu yana bilgi tabanına 121 yeni çalışma, dört yeni kaynak, beş yeni SSS ve açık eğitim ile istatistik ve veri bilimi eğitimi üzerine iki yeni kavram sayfası katıldı; bilgi tabanı artık 1.926 makale özeti, 222 kavram sayfası, 42 SSS ve 37 kaynak barındırıyor. Günlük sayfası geçen hafta eklenen her çalışmayı listeliyor. Bilgi tabanını arayabilir veya onunla sohbet etmek için yapay zekayı kullanabilirsiniz.

Öne çıkanlar ve sorular

Bu haftanın sonuçlarının çoğu, bir yanıtın etrafında olan işle ve yanıt çok hızlı ya da çok kendinden emin geldiğinde neyin değiştirileceğiyle ilgili. İki deney aynı mekanizmayı farklı ortamlarda yalıttı.

317 yetişkinle yürütülen ön kayıtlı bir deneme, aynı derin işleme görevini çalışma kâğıdı ya da açık bir sohbet penceresi olarak verdi; sohbet penceresi görev düzensizliğini 0,84 standart sapma artırdı ve modelde bunu açıklayan hiçbir şey yoktu; yani çözüm, daha fazla içerik desteği değil, sıralama ve durma etrafında yapı kurmaktır. Bir forum çalışması, bir yapay zeka öğretim asistanının öğrencilerin başlattığı tartışmaların %97'sinde ilk yanıtı verdiğini, medyan 0,92 dakikada yanıtladığını, sınıf arkadaşları için bu sürenin 490 dakika olduğunu ve tartışmadaki öz düzenleme dilinin %49'dan %36'ya düştüğünü buldu; bu da asistanı kaldırmaya değil, ilk yanıtı geciktirmeye işaret ediyor.

Saatlerinizi kurtaran bir ders asistanı dersi de iyileştiriyor mu? Rastgele atamalı bir denemede iki yüz dört öğretmen: kazanılan zaman gerçek, daha iyi materyaller değil.
Yayımlanmış bir etki 0,86 ise, kendi dersinizde bunu planlamalı mısınız? 58 çalışmanın meta-analizi; önyargı düzeltmesi uygulandığında büyüklüğünün üçte ikisini kaybediyor.
Zaten yürüttüğünüz bir ödeve yapay zeka eklemek zahmete değer mi? Aynı dersin iki şubesi, 113 öğrenci, öğrendiklerini bildirdikleri şeyde fark yok.
Öğrencilerinizin hangi asistanı kullanacağını nasıl seçersiniz? Bir öğrenci yanlış olduğunda ısrar ettiğinde ne yaptığını sorun: on üç model doğru çalışmayı %46,5 ile %98,5 arasında değişen oranlarda onayladı.
Öğrencilere sohbet botunun duygularını önemsediğini söylemek güvenli mi? Üç deney ve bir anket: yapay zekayı empatik olarak çerçevelemek sorumluluğu insanlardan uzaklaştırdı.
Dersinizdeki sohbet botu üçüncü bir tarafa ne gönderiyor? 42 platformda ağ yakalama, bunların 17'si eğitim aracısı: yarısı konuşma başlıklarını bir izleyiciye gönderdi.
Asistan önce yanıtladığında düşünmeyi hâlâ kim yapıyor? 28.123 kodlanmış forum cümlesi: öz düzenlemenin çoğunu akran yanıtları taşıyordu ve akran yanıtları gelmeyi bıraktı.

Yeni SSS

Bu hafta beş yeni yanıt yayımlandı; her biri bir konu için değil, bir meslektaşın gerçekten sorduğu bir soru için yazıldı. SSS dizini de tamamlamaya çalıştığınız göreve göre dokuz bölüme ayrıldı; böylece geldiğiniz soru, alanın ona ne dediğini bilmeden bulunabiliyor.

Öğrenci çalışmasını adil ve güvenilir biçimde notlandırmak için yapay zeka kullanabilir miyim?

Notlandırma yanıtı, yapay zekaya zaten notladığınız çalışmada denetlenen ikinci bir okuyucu olarak yer veriyor, kayıtlı notlandırıcı olarak değil. Uyum, değerlendirme türleri arasında taşınmıyor ve en güçlü görünen kontrol, cevap anahtarı elinizdeyken yapılmış; bu, kör notlandırma yaptığınızda uyguladığınız test değil.

Yapay zeka tarafından üretilen quiz ve sınav sorularının iyi olup olmadığını nasıl kontrol ederim?

Soru kalitesi yanıtı, önce her maddeyi kendiniz çözmenizle ve ardından o maddenin öğrenciden ne yapmasını istediğini sormanızla başlıyor; çünkü cevap anahtarları ve görev talebi, ifadeden daha sık başarısız oluyor. Kimsenin yanıtlamadığı üretilmiş bir soru, bir değerlendirme değil adaydır.

Yapay zeka, çok dilli öğrencileri seslerini silmeden nasıl destekleyebilir?

Çok dilli yanıt, aracın ne yapabileceğine karar vermeden önce dilin görevde ne yaptığına karar vermenizi istiyor. Dil ikincil olduğunda yapay zeka, yapınızla hiç ilgisi olmayan bir engeli kaldırabilir; dilin kendisi yapı olduğunda aynı araç ödevi öğrencinin yerine yapar.

Yapay zekanın yaygın olduğu kariyerler için öğrenciler ne öğrenmeli?

Kariyer yanıtı, mesleki görevin tamamını öğretmek ve hem destekli ürünü hem de öğrencinin desteksiz ne yapabildiğini değerlendirmektir. Kanıt, disiplin bilgisini artı yargı, doğrulama ve transferi destekliyor; hiçbir araç becerisi listesini desteklemiyor.

Kişiselleştirilmiş öğrenme gerçekte ne demek ve ne zaman yardımcı olur?

Kişiselleştirme yanıtı, aynı etiketi alan beş şeyi ayırıyor: alıştırmayı yeniden sıralamaktan öğrencinin sırada ne çalışacağını seçmesine izin vermeye kadar. Önemli olan neyin uyarlandığı, bunu hangi kanıtın yönlendirdiği ve amaçladığınız öğrenmeyi geliştirip geliştirmediğidir; tanıdık bir örnek ya da duyarlı bir konuşma bunu yapmadan öyle hissettirebilir.

Öne çıkan kavramlar

Beş kavram sayfası bu haftanın bulgularını özümsedi, ikisi yeni. Her biri tek seferlik değil kalıcı bir sayfa; bu yüzden yeni kanıt, sayfanın zaten savunduğu şeyin yanında duruyor.

Açık eğitim

Sayfa yeni ve üretken yapay zekanın açık lisanslı öğretime ne yaptığına dair aynı anda on üç çalışma geldiği için yazıldı. Argümanı, incelenecek şeyin model değil lisans olduğu; aşağıdaki iki yeni kaynak da kurumların açık içeriği yapay zekayla, kimin neyi yazdığını kaydedebildiklerinden daha hızlı uyarladığını anlatıyor. Bir OER politikasına yapay zeka maddesi yazmadan önce açık eğitim sayfasını okuyun.

Bilişsel boşaltma

Artık bir aracın neyi boşalttığını, öğrencinin onu ne kadar kullandığından ayırıyor; bu, boşaltma merdiveninin çizdiği ve empati deneylerinin çoğu insanın bakmayacağı bir yerde gösterdiği ayrım. Bilişsel boşaltma sayfası ayrıca 0,84 standart sapma sonucunu taşıyor, çünkü sayfanın sahip olduğu en temiz nedensel kanıt bu.

Değerlendirici yargı

Yeni kanıtı, bir yargıcın ne yapmasının istendiğiyle ilgili: notlandırma yöntemleri yeniden çalıştırma kararlılığını %2,9'dan %15,9'a taşıdı ve on üç model öğrenci baskısı altında eğildi %46,5 ile %98,5 arasında değişen oranlarda. Değerlendirici yargı sayfası artık yanlış bir düzeltmeye direnmeyi, doğru yanıtı bulmaktan ayrı bir yetenek olarak ele alıyor.

Yapay zeka okuryazarlığı

İki sonuç yapıyı daralttı: eleştirel düşünme, öğrencilerin bilişsel emeği nasıl böldüğü ve yeniden işlediği üzerinden aktı, araçlara aşinalık üzerinden değil; ve 16 temel makaleden kurulan bir rubrik, kaynakların iddia ettikleri yetkinliği ne kadar azının adlandırdığını gösterdi. Yapay zeka okuryazarlığı sayfası ikisini de tutuyor, çünkü bir okuryazarlık testi ile bir okuryazarlık kaynağı farklı şeyler ölçer.

Diğer yeni sayfa istatistik ve veri bilimi eğitimi; ilk argümanı, disiplinin yapay zeka sorusunun ürüne bağlı olduğu, çünkü veri kümeleri, grafikler ve kodun artık kimsenin doğrulayabileceğinden hızlı üretilebildiği.

Eğitmenler için

Açık bir sohbet penceresi daha fazla içerik desteği değil, bir durma kuralı gerektirir

Derin işleme görevini açık bir sohbet penceresiyle eşleştirmek, öğrencilere görevin kendisine olan hâkimiyetlerini kaybettiriyor ve çözüm, daha fazla açıklama değil, sıralama ve durma etrafında yapı iskelesi. 317 yetişkinle yürütülen ön kayıtlı bir deneyde sohbet koşulu düzensizliği 0,84 standart sapma artırdı (güvenilir aralık 0,47 ile 1,21) ve modelde hiçbir arabulucunun açıklamadığı 0,77'lik doğrudan etki vardı; derin işleme ise iki yönde de hareket etmedi (medyan eksi 0,22, aralık sıfırı kapsıyor).

Bir dakikadan kısa sürede gelen ilk yanıt, akıl yürütmeyi yapan akranları ortadan kaldırıyor

Bir tartışma forumunda asistanın ilk yanıtını geciktirin veya sınırlandırın, çünkü sesli akıl yürüten sınıf arkadaşları yazmayı bırakanlardır. Dört lisansüstü ders ve 28.123 kodlanmış cümle genelinde bir yapay zeka öğretim asistanı, öğrencilerin başlattığı tartışmaların %97'sinde ilk yanıtı verdi; medyan 0,92 dakika; akranlar için 490 dakika. Öz düzenleme dili %49'dan %36'ya düştü ve akran yanıtları takiplerin %91'inden %45'ine indi; o düzenlemenin yaklaşık %70'ini akran yanıtları taşırken tartışmayı açan öğrenciler için bu oran %27'ydi. Bir forumdaki öz düzenlemeli öğrenme yanıtlarla üretilir, cevapla değil.

İstem eğitimi öğretmenlere zaman kazandırır, daha iyi materyaller değil

Öğretmen yapay zeka yetkinliği çalışmasını bir iş yükü müdahalesi olarak bütçeleyin ve öğretmenlerin ürettiği şeyin kalitesini artırmasını beklemeyin. 204 öğretmenli rastgele atamalı bir denemede istem yazma eğitimi, düz ChatGPT erişiminin üstüne %21 hazırlık süresi tasarrufu ekledi, derecelendirilen materyal kalitesinde kazanç olmadı; çünkü eğitilen öğretmenler daha uzun istemler yazdı ve daha az iyileştirme turuna ihtiyaç duydu.

Bir ders asistanı, derslerin ince bir dozunda zaman kazandırıyor

Döndürdüğü saatler için deneyin, henüz ürettiği dersler için değil. Oak National Academy'nin Aila aracının bağımsız küme denemesi 416 İngiliz ilkokul öğretmenini izledi ve hazırlığı haftada 2,51 saat olarak ölçtü, araç olmadan 3,32 saat; bu yaklaşık haftada 49 dakika; ancak derslerin %7'sini kapsadı ve kalite yalnızca iyileşme değil, daha kötü olmama açısından test edildi.

Açık bir ödeve yapay zeka eklemek tek başına hiçbir şey katmıyor

Zaten yürüttüğünüz açık eğitim ödevini finanse edin; ona bir araç ekleyip okuryazarlık kazancı beklemeyin. Bir giriş çocuk gelişimi dersinin iki şubesi, 55 öğrenci her zamanki gibi çalışırken 58 öğrenci üretken yapay zeka arama araçlarıyla birlikte, aynı algılanan kaynak-beceri kazancını bildirdi: beş puanlık ölçekte 0,50'ye karşı 0,48 ve etkileşim terimi sıfıra yakındı (F(1, 84) = 0,04, p = 0,85).

Bir asistanı, öğrenci yanlış dediğinde ne yaptığına göre seçin

Yanlış bir düzeltmeye direnç, modelleri doğruluktan daha keskin ayırıyor; bu yüzden test ettiğiniz ilk şey bu olsun. 200 doğrulanmış kafes problemi ve on üç model genelinde çözme doğruluğu %64,5 ile %97,0 arasında, 32,5 puanlık bir yayılım gösterdi; ancak doğru çalışmanın yanlış olduğu söylendiğinde modeller onu %46,5 ile %98,5 arasında değişen oranlarda onayladı, 52,0 puanlık bir yayılım; bu, bir dağıtımdan önce yaptığınız değerlendirici yargı kontrolüne aittir.

Yapay zeka destekli yazmayı bir tür olarak öğretin, puanlar örtüşmeyi bırakıyor

Yapay zeka destekli yazmayı denetlenecek değil öğretilecek bir şey olarak ele almak, yazma eğitimi müfredatının içine aittir ve açtığı fark marjinal değildi. Son test ortalamaları bu şekilde öğretilen şube için 9,8750, kontrol için 3,8125'ti ve iki dağılım arasında örtüşme yoktu (Mann-Whitney U = 0,00, r = 0,86).

Geliştiriciler için

Senaryoyu inşa edin, özel ders personasını değil

Yapı iskelesini senaryoya ve çalışma tezgâhına koyun, sesi ayarlamadan önce; çünkü etki personada değil. İki ön kayıtlı üç kollu denemede, hukuki akıl yürütme üzerine 131 öğrenci ve rekabetçi programlama kolunu tamamlayan 54 öğrenciyle yapılandırılmış sistem 22,8 yüzde puanı elde etti, sade bir asistan 15,7'de kaldı; 7,0 puanlık avantaj (p = 0,018, d = 0,56); aynı model üzerinde bir LLM-as-Teacher personası 2,8 puan kazandı ve ayrışmadı (p = 0,121).

Kaba kuvvet çözümünü ilk adlandıran bir özel ders aracı öğrencileri yanlış yönlendiriyor

Çok çözümlü bir problemde özel ders aracının hangi çözümü adlandırdığını, ürünü sevk etmeden önce denetleyin ve bu denetimi zeki özel ders kabul testlerinde tutun. Simüle öğrencilerle yürütülen 150 problemde, kaba kuvvet çözüme özgü açılışların %22,2 ila %32,1'inde adlandırılan yaklaşımken optimal çözüm için bu oran %13,0 ila %19,4'tü; yoklayıcı önce konuşmalarda dört temel modelin hepsi vakaların %6,1 ila %7,1'inde öğrencileri daha kötü bir yaklaşıma yönlendirdi.

Yapay zeka çağrılarını saymak ilerleme hakkında hiçbir şey ölçmez

Etkileşim sayıları, bir öğrenme analitiği hattının toplaması en kolay sinyal ve bir gösterge panosuna koyulacak en zayıf şeydir; bunun yerine her çağrının iki yanındaki yürütme durumunu ölçün. 35 öğrenciden 140 öğrenci-ödev çifti genelinde yapay zeka etkileşimleri başarıyla yürütülen hücrelerle r = 0,12 ve dokunulan hücrelerle aynı r = 0,12 düzeyinde ilişkiliydi.

Bir oturumu kaç soru sorulduğuna göre değil, nasıl kaydığına göre değerlendirin

İkinci yarısında yanıt aramaya kayan bir oturum daha kötü bir son testi yordar ve her yanıttan sonra zorunlu bir yeterlilik kontrolü ucuz müdahaledir. 14 ve 15 yaşındaki 112 öğrencinin 880 esaslı turundan, yardım arama yörüngesinin dikliği, ön test puanını zaten taşıyan bir modele R²'de 0,110'luk bir değişim ekledi (beta = 0,34); statik etkileşim özellikleri 0,023 ekledi ve anlamlılığı kaçırdı (p = 0,684); turların %81,5'i istek, %2,2'si değerlendirmeydi.

Puanlama kuralı, bir karşılaştırma ölçütü puanına modelden daha çok karar veriyor

Ölçüm düzeneğiniz tek bir sayı bildiriyorsa, neyi ölçtüğünü henüz bilmiyorsunuz. Beş özel ders aracı ile simüle öğrenciler arasındaki aynı 2.250 diyalog, tam eşleşme altında %42,1 ve insan kalibreli bir yargıç altında %81,3 puan aldı; 39,2 puanlık bu yayılım, model, strateji ve hattın birleşik etkilerinden daha büyük ve üç satıcıdan dört yargıç 6 puan içinde anlaştı, yapılandırılmış hat etiketleri ise avantaj sağlamadı (p = 0,263).

Yeniden üretilebilirliği yargıç modeli değil, notlandırma yöntemi belirliyor

Yöntemi, ölçüm düzeneğini, bir yineleme çalıştırmasını ve her iddianın arkasında kaç notlanmış madde olduğunu adlandıran bir yargılama beyanı yayımlayın, çünkü sonucu hareket ettiren şey yöntem. Yinelemeler, yarı katı bir rubrik altında sonuçların %2,9 ila %6,1'ini ve serbest bütüncül notlandırma altında %13,5 ila %15,9'unu değiştirirken, yargıç modelini değiştirmek yalnızca yaklaşık üç puan hareket ettirdi.

Her şeyle aynı fikirde olan bir yapay zeka akranı kullanıcılarını kaybediyor

Aracıları belirsizliği taşıyacak ve varsayılan olarak anlaşmayı reddedecek biçimde yapılandırın, çünkü güven kalibrasyonu bir modelin sahip olduğu özellik değil, sizin yazdığınız bir davranıştır. Yedi uzman, öğrenci rolünde akran olarak kurgulanmış bir aracıyla 20'şer dakika geçirdi ve onu akran gibi okutan şey toplumsaldı: temkinli akıl yürütme ve kasıtlı kusur güven inşa etti, öğrencinin söylediği her şeye körü körüne katılmak ise onu yok etti.

Araştırmacılar için

Küçük bir etki için plan yapın, yayımlanmış ortalamaya göre değil

Yeni bir ortamda üretken yapay zeka öğretiminin manşet etkisi, üzerine plan yapılacak etki değildir; bu yüzden ölçeklemeden önce pilot uygulama yapın. 58 çalışma ve 6.941 katılımcının üç düzeyli meta-analizi g = 0,864'e birleşti, ardından heterojenliği yaklaşık %87,9, eksi 0,213 ile 1,942 arasında bir tahmin aralığı ve önyargı düzeltmeli g = 0,258 etkisi bildirdi; bu aralığı birleştirilmiş tahminin yanına, okuyucunun kaçıramayacağı biçimde basın.

Eleştirel düşünme araç aşinalığını değil, iş bölümünü izliyor

Açık bir iş bölümü atayın ve öğrencilerden çıktıyı yeniden işlemelerini isteyin, çünkü üretken yapay zeka deneyimi eleştirel düşünceye yalnızca bu iki yol üzerinden ulaştı. Amerika Birleşik Devletleri ve Türkiye'deki 891 öğrenci arasında, bilişsel emeği uzmanlaştırmak ve koordine etmek b = 0,636, çıktıyı dönüşümsel olarak işlemek b = 0,367 taşıdı ve anlamlı bir doğrudan yol yoktu; bu, bilişsel boşaltma sorusunu bir uyarıdan çok bir tasarım seçimine dönüştürüyor.

Yapay zeka kullanımında daha küçük bir eğitim açığı eşitlik değildir

Daha dar bir kullanım açığını ilerleme olarak okumayın ve erişim hedeflerini son üç aylık ikili bir madde üzerine kurmayın. 16 Avrupa ülkesini 2025 benimseme oranlarında kendi internet çağı yıllarıyla eşleştirdiğinde, en çok ve en az eğitimli arasındaki medyan açık 56,4 puandan 28,6'ya düştü ve 16 ülkenin 15'inde negatifti (p = 0,0005); ancak bileşimi dikkate alan eşleştirme değişimi eksi 11,5 ve eksi 10,0'a indiriyor, yani bir eşitlik iddiası daha güçlü bir araç gerektiriyor.

Düşük kullanım, düşük isteklilik değildir

En yaşlı ve en az eğitimli için erişimi ve temel becerileri finanse edin, güven hakkında bir kampanya değil; çünkü kullanım ve güven ayrı yol alıyor. 2025'te Danimarkalıların %48,4'ü ve Romenlerin %17,8'i son üç ayda üretken yapay zeka kullanmıştı, AB genelinde bu oran %32,7'ydi; yine de Romenler güvenlerini yedi puanlık bir ölçekte 3,8'e karşı 4,1 olarak değerlendirdi ve %47'si mevcut yasaları ve güvenceleri yeterli buldu, Danimarkalıların %36'sına karşı.

Boşaltma yalnızca hedefi atladığında aşındırıcıdır

Bir aracın hangi bilişsel işlemleri boşalttığını sorun, öğrencinin onu ne kadar kullandığını değil. Boşaltma, öğrenme hedefine görece çevresel işi üstlendiğinde yardımcı olur ve o hedefi kurucu işlemeyi atladığında aşınma riski taşır; çıktıyı sonradan işlemek, aksi halde kurucu olan bir boşaltmayı kurtarabilir; yedi koşullu önerme tek bir yönlü iddianın yerini alıyor ve boşaltma düzenlemesi yapay zeka okuryazarlığının öğrenilebilir bir boyutu haline geliyor.

Duygu analizi araçları olumsuz yanıtların yaklaşık yarısını kaçırıyor

Açık metnin otomatik kodlanmasını bir araç seçimi değil bir geçerlilik argümanı olarak ele alın, çünkü doğruluk tam olarak harekete geçeceğiniz vakaları gizler. Elle kodlanmış 1.220 yanıta karşı en iyi dönüştürücü 0,79 doğruluğa ulaştı ama yalnızca 0,42 kappa ve olumsuz vakaların yaklaşık yarısını yakaladı; sözlük araçları ise %76,5'i olumlu olan bir derlemde kabaca her beşte birini yanlış sınıflandırdı.

Yöneticiler için

Sohbet botunun ne gönderdiğini lisanslamadan önce sorun

Bir ders sohbet botunu lisanslamadan veya barındırmadan önce üçüncü taraf betik envanteri isteyin ve özellikle hangi etiketlerin sayfa başlığını, URL'yi ve giriş alanını okuyabildiğini sorun. 42 platformun ölçümlenmesi, 21'inin konuşma başlıklarını en az bir izleyiciye gönderdiğini ve dokuzunun istemi birebir ilettiğini buldu; sızdıran 13 genel amaçlı platformun 11'i kayıt e-postasını da gönderdi ve eğitim platformları her biri ortalama yaklaşık 367 izleyici isteği yaptı, bunların %24'ü kullanıcı içeriği taşıyordu.

Kodlanmış geri çağırma, bir yeterliliğin değer kaybeden parçasıdır

Denetimli pratiği ve belirsizlik altında yargıyı koruyun ve müfredat tasarımı sonucunu program pazarlamasından önce okuyun. 2018'den Haziran 2026'ya kadar 655.919 anket gözlemi üzerinde bir farkların farkı analizi, yapay zekaya en çok maruz kalan mesleklerde bir yıllık eğitimin getirisinin Kasım 2022'den sonra 0,55 log puan düştüğünü ve şok öncesi düzeyinin yaklaşık %7'si olduğunu; deneyimin getirisinin ise üç yılda 0,26 log puan arttığını ve yirmi beş yılda 0,12 düştüğünü buldu.

Sohbet botuna empatik demek, empatiyi insanlardan uzaklaştırıyor

Sistemi, öğrencileri insanlara geri yönlendiren bir triyaj olarak konumlandırın ve sessizce kaybolan davranış olarak yardım aramayı izleyin. 249, 494, 743 ve 737 katılımcılı dört çalışma genelinde, yapay zekayı empati kapasitesine sahip olarak çerçevelemek, empatik sorumluluğu boşaltma isteğini (toplam etki 0,83) tamamen algılanan kapasite üzerinden (dolaylı 0,73) artırdı ve bir akranın bir sorunu ChatGPT'ye götürdüğünü duymak, duygu okuma doğruluğunu 12 üzerinden 7,73'e karşı 7,13 doğruya düşürdü (p = 0,012).

Karşılaştırma ölçütleri geçildi, çocuklar yine de zarar gördü

API düzeyinde değil, oturum ve kurum düzeyinde değerlendirin, çünkü çıktı başına bir filtre, tek bir turun eşiği geçmediği bir arkadaşlık etkileşimine ulaşamaz. Bildirilen 1.331 çocukla ilgili olaydan kodlandığında, cinselleştirme 316 ile en büyük zarar alt türü, cinsel sömürü 131 ile onun arkasında ve zararlar model kusurlarından çok dağıtım, yönetişim ve kötüye kullanım başarısızlıklarıyla kümeleşiyor.

Dürüstlük politikasını ara sıra kullanan, çelişkili kullanıcı için yazın

Reddetme, destek ve ikameyi aynı ödevin karşılaştığı üç nüfus olarak adlandırın, çünkü neredeyse kimse günlük kullanıcı değil. Bir Birleşik Krallık üniversitesinde iki anonim anket, 94 birinci sınıf öğrencisinin %81,05'inin bir ödevi tamamlamak için üretken yapay zeka aracı kullandığını, %4,21'inin günlük kullanım bildirdiğini ve %9,47'sinin hiç kullanmadığını buldu; bu, akademik dürüstlüğü bir kopyacı ve kopyacı olmayan ayrımı değil, bir dağılımın ortası için politika haline getiriyor.

Etik modülleri, verinin nereden geldiğini öğretmiyor

Zaten yürüttüğünüz etik modülüne bir kaynak kökeni inceleme ödevi ekleyin; bu yeni bir ders değil, bir müfredat tasarımı değişikliği. 21 üniversitede 36 programın sayımı, etiğin 29'unda (%80,6) öğretildiğini ama veri kökeninin yazarların çıtasında 8'inde (%22,2) olduğunu; hiçbir yüksek lisans veya yönetici programının çıtayı karşılamadığını ve etik kapsayan 29 programın 22'sinin kökeni tamamen kaçırdığını buldu.

Yeni kaynaklar

Bu hafta kaynak kütüphanesine dört kaynak katıldı ve dördü de bir sınıf hilesi değil kurumsal bir kararı anlatıyor.

Learning Design Wiki

Learning Design Wiki, öğretim tasarımını ilkeler, öğeler, örüntüler ve stratejilere ayıran ve her birini arkasındaki kaynaklara bağlayan açık lisanslı bir referans; kendi kanıt raporu, iddiaların %98'inin tek bir çalışmaya dayandığını söylüyor. Dil modelleri onu tek bir insan bakımcı altında sürdürüyor ve hiçbir sayfa bir kişi tarafından kontrol edilmedi; yani bulgular değil, iyi kaynaklanmış ipuçları kümesi.

teacher.dev

teacher.dev, günde bir ücretsiz sınıf uygulaması yayımlayan kâr amacı gütmeyen bir stüdyo; şu ana kadar 34 tane ve her biri yazdırılabilir bir figür üreticisi ya da özel eğitim için bir Önce/Sonra panosu gibi tek bir ana odaklanıyor. Çoğu hesap gerektirmeden yerel öncelikli çalışıyor, böylece hiçbir öğrenci verisi cihazdan çıkmıyor.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies, üretken yapay zekanın yükseköğretimde açık lisanslı kaynaklarla buluştuğu on bir vakanın açık bir antolojisi; sendika sözleşmesi altında rehberlik taslağı yazan federal bir üniversiteden insan döngüde ders kitabı revizyonuna kadar. Hiçbir iki bölüm aynı aracı paylaşmıyor, yani alıntılanacak kanıt değil uyarlanacak pratik; koleksiyon CC BY 4.0 ve her bölüm kendi lisansını taşıyor.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET, teknisyen ve zanaatkâr yetiştiren kurumlar için 2026 UNESCO-UNEVOC rehberi ve kullanılabilir malzeme üç ekte: bir hazırbulunuşluk öz değerlendirme aracı, bir risk kaydı ve bir gösterge çerçevesi. Hiçbir sonuç verisi bildirmiyor ve kendi olgunluk ölçeğini bir tartışma yardımı olarak adlandırıyor; yani onu zaten verilmiş bir kararı gerekçelendirmek için değil, ilk kurumsal kararı yapılandırmak için kullanın.

Bu hafta ayrıca eklenenler

Diğer çalışmalar, yöntemleri ve özetleriyle birlikte günlük sayfasında gün gün listelenmiştir.

Site notları

222 kavram sayfasının tamamı artık, okuyucunun zaten taşıyor olabileceği yanlış inancı adlandıran ve o sayfadaki kanıtla düzelten ortak bir yanlış anlamalar bölümü taşıyor.

Bu hafta her SSS yeniden yazıldı ve bunlara beş yenisi katıldı; koleksiyon, bir konu için değil bir meslektaşın gerçekten sorduğu soru için yazılmış 42 yanıta ulaştı. Dizin, bunları okuyucunun tamamlamaya çalıştığı göreve göre dokuz bölüme ayırıyor; böylece bir soruyla gelmek, alanın ona ne dediğini bilmeyi gerektirmiyor.

Çeviriler İngilizceden daha ileri gitti: Temel kavramlar bölümündeki on iki kavram sayfası ve SSS'lerin tamamı artık her dilde eksiksiz çevrilmiş durumda.

Her dilin kendi ana sayfası var ve bunların on altısı ayrıca indirilebilir EPUB ve PDF sunuyor:

Yukarıdakilerin hepsi github.com/edtechdev/aied adresinde herkese açıktır.

Güncellemeyi takip edin

Her sayıyı bir akış okuyucuda bülten akışı üzerinden alın; aynı akışı Blogtrottr içine yapıştırarak yeni sayıların seçtiğiniz bir programda e-postayla gelmesini sağlayın ya da her sayının bir LinkedIn bülteni olarak yayımlandığı LinkedIn üzerinden takip edin.

AIEd Research Weekly Update, bir yapay zeka aracısının ürettiği Eğitimde Yapay Zeka Bilgi Tabanı'ndan gelir. Bu sayı aynı yapay zeka aracısı tarafından, site geliştiricisinin editöryel rehberliğiyle taslaklandı ve yukarıdaki her iddia geldiği sayfaya bağlantı verir.

Bilgi tabanı CC0 1.0 lisansı altında kamu malına adanmıştır. Hiçbir hak saklı değildir.

İçerikte bir sorun mu buldunuz? GitHub'da bildirin veya site geliştiricisi Doug Holton ile iletişime geçin.

Kaynak Geçmiş Düzenle Sohbet