Akıllı bakım için yetkinlik temelli eğitim metodolojisi, makine durum izleme tekniklerini, Internet of Things (IoT) tabanlı uzaktan izlemeyi ve üretken yapay zekâ destekli arıza tanısını gerçek mühendislik görevleri içinde birleştiren ve öğrencilerin bu teknolojileri yalnız kullanıp kullanmadığını değil, teknik kanıtı yorumlama, farklı veri kaynaklarını bütünleştirme ve yapay zekâ çıktısını eleştirel biçimde doğrulama becerisini de değerlendiren bir eğitim çerçevesidir. Çalışma, Universidad Autónoma de San Luis Potosí'deki Industrial Maintenance dersine kayıtlı 31 Mechanical Engineering öğrencisiyle yürütülen tek gruplu betimsel-keşifsel bir vaka çalışmasıdır. Eğitim; titreşim analizi, kızılötesi termografi, akustik izleme, IoT tabanlı uzaktan izleme ve ChatGPT destekli arıza tanısını içermiştir. Altı öğretim üyesinin analitik rubrikle yaptığı değerlendirmede Akıllı Bakım Küresel Yetkinlik İndeksi (GCIIM) %72,86 olarak bulunmuş; yapay zekânın eleştirel değerlendirilmesi en yüksek, arıza tanısı ise en düşük ortalama yetkinlik puanını vermiştir. Bununla birlikte ön-test ve kontrol grubu olmadığı için bu sonuçlar metodolojinin öğrencilerde ne kadar gelişme oluşturduğunu veya gözlenen profilin doğrudan eğitim müdahalesinden kaynaklandığını göstermez.

Çalışmanın ayırt edici özelliği, üretken yapay zekâyı bağımsız bir cevap makinesi olarak değil, deneysel kanıta karşı sınanması gereken bir tanı desteği olarak konumlandırmasıdır. Öğrenciler ChatGPT'nin oluşturduğu ön arıza tanısını titreşim, termografi, akustik ve IoT verileriyle karşılaştırmış, olası hataları belirlemiş ve önerilerin teknik geçerliliğini kendileri değerlendirmiştir.

Öğrenci performansı dokuz yetkinlik alanında ölçülmüştür. Yapay zekânın eleştirel değerlendirilmesi 3,45 ± 0,99 ile en yüksek ortalamaya ulaşırken arıza tanısı 2,97 ± 1,17 ile en düşük sonucu vermiştir. Teknik iletişim ve teknolojik uyarlanabilirlik de geliştirilmesi gereken alanlar arasında yer almıştır.

Öğrencilerin anket üzerinden bildirdiği genel algı %75,04 ile olumlu görünmesine rağmen performans temelli GCIIM ile öğrenci algısı arasında anlamlı ilişki bulunmamıştır (\(\rho=-0.040\), \(p=0.833\)). Bu sonuç, öğrencinin bir teknolojiye ilişkin olumlu algısının veya kendini hazır hissetmesinin aynı öğrencinin gerçek mühendislik görevindeki gösterilmiş yetkinliğiyle eşdeğer olmadığını göstermektedir.

Akıllı bakım neden yeni tür mühendislik yetkinlikleri gerektiriyor?

Industry 4.0 ile bakım mühendisliği yalnız arıza meydana geldiğinde parçayı değiştiren veya periyodik servis takvimini uygulayan bir faaliyet olmaktan uzaklaşmaktadır. Sensörler, IoT altyapıları, sürekli durum izleme ve veri analitiği sayesinde ekipmanın fiziksel durumu çalışma sırasında takip edilebilir ve bakım kararları gözlenen verilere dayandırılabilir.

Bu dönüşüm, mühendisin yalnız titreşim veya sıcaklık ölçmesini değil; farklı fiziksel sinyalleri birlikte yorumlamasını, uzaktan gelen verinin güvenilirliğini değerlendirmesini, potansiyel arıza mekanizmalarını ayırt etmesini ve teknik kararını açıklayabilmesini gerektirir.

Üretken yapay zekânın bu ortama girmesi başka bir yetkinlik katmanı eklemektedir. Bir AI sistemi teknik olarak ikna edici görünen fakat fiziksel kanıtla uyuşmayan bir açıklama üretebilir. Bu nedenle mühendislik eğitimindeki kritik soru yalnız “öğrenci ChatGPT kullanabiliyor mu?” değildir. Asıl soru, “öğrenci ChatGPT'nin önerisini ölçülmüş mühendislik kanıtıyla doğrulayabiliyor mu?” biçimine dönüşür.

Akıllı Bakım Eğitiminde Yetkinlik Temelli Yaklaşım Nedir?

Bu çalışmadaki yetkinlik temelli yaklaşım, öğrencinin yalnız konu bilgisine sahip olduğunu varsaymak yerine titreşim, termografi, akustik izleme, IoT verisi, arıza tanısı, bilgi bütünleştirme, yapay zekâ değerlendirmesi, teknik iletişim ve teknolojik uyarlanabilirlik gibi dokuz alanda gözlenebilir mühendislik performansı göstermesini ve bu performansın ortak bir analitik rubrikle değerlendirilmesini esas alır.

Araştırmanın literatür boşluğu

Kaynak çalışma, Engineering Education 4.0, smart maintenance, IoT ve üretken yapay zekâ üzerine genişleyen bir literatür bulunmasına rağmen bu alanların çoğunlukla ayrı ayrı incelendiğini belirtmektedir. Özellikle durum izleme, IoT, üretken yapay zekâ ve yetkinlik temelli performans değerlendirmesini aynı eğitim dizisinde birleştiren ampirik metodolojilere ilişkin kanıt sınırlıdır.

Araştırma bu boşluğu, öğrencilerin hem gösterilmiş performansını hem de eğitim deneyimine ilişkin öz-bildirimlerini aynı çalışma içinde değerlendiren bütünleşik bir çerçeveyle ele almaktadır.

Araştırma tasarımı neden nedensellik kurmuyor?

Çalışma yalnız eğitim sürecinin sonundaki durumu değerlendirmiştir. Aynı öğrencilerin başlangıçtaki GCIIM skorları bilinmemektedir ve benzer öğrencilerden oluşan ayrı bir kontrol grubu bulunmamaktadır.

Dolayısıyla aşağıdaki çıkarımlar yapılamaz:

• “GCIIM eğitimden önce X, eğitimden sonra %72,86 oldu.”
• “Metodoloji yetkinliği belirli bir yüzde artırdı.”
• “ChatGPT kullanımı öğrencilerin eleştirel düşünmesini doğrudan geliştirdi.”

Kaynağın desteklediği daha sınırlı ifade şudur: Bu eğitim faaliyetlerine katılan 31 öğrencinin müdahale sonrasındaki gösterilmiş akıllı bakım yetkinlik profili ortalama %72,86 düzeyindedir ve farklı yetkinlik alanları arasında belirgin profil farklılıkları vardır.

Katılımcılar ve ders yapısı

Beş uygulamalı eğitim modülü

Toplam uygulamalı modül süresi yaklaşık 16 temas saatidir. İki öğretim üyesi tarafından yürütülen etkinliklerde bütün ekipler aynı cihazları, vaka çalışmalarını ve veri kümelerini kullanmıştır.

Titreşim analizi nasıl uygulandı?

Öğrenciler Manufacturing Laboratory içindeki torna, freze, matkap, tezgâh taşlama ve yatay şerit testere gibi makinelerde TIME7230 taşınabilir titreşim analizörü kullanmıştır.

Analizde özellikle 1×, 2× ve 3× karakteristik frekans bileşenleri ve harmonikler incelenmiştir. Öğrenciler bu sinyalleri dengesizlik, hizasızlık, mekanik gevşeklik, yetersiz yağlama, rulman kusurları ve transmisyon problemleri gibi olası arıza mekanizmalarıyla ilişkilendirmiştir.

Öğrenci çıktısı yalnız ölçüm tablosu değil; tanı değerlendirmesi ve bakım önerisi içeren teknik rapordur.

Kızılötesi termografi nasıl kullanıldı?

Termografik incelemelerde FLK-TiS20+ termal kamera kullanılmıştır. Kamera 9 Hz görüntüleme özelliklidir. Motorlar, rulmanlar, elektrik panoları, miller ve transmisyon sistemleri incelenmiştir.

Öğrenciler aşırı ısınma, sürtünme, yağlama yetersizliği, elektriksel aşırı yük ve soğutma problemleriyle ilişkili sıcaklık dağılımlarını incelemiş; termogramları, noktasal sıcaklık değerlerini, tanı yorumunu ve bakım önerisini standart rapora aktarmıştır.

Akustik izleme nasıl yapıldı?

Akustik modülde CA 1310 Class 2 integrating sound level meter kullanılmıştır. Atölye makinelerindeki önceden belirlenen noktalarda ses basınç seviyeleri ölçülmüş; başlangıç çalışma koşullarının tanımlanması ve mekanik aşınma, hizasızlık, yağlama eksikliği, gevşeklik veya işletme problemleriyle ilişkili olabilecek anomalilerin belirlenmesi amaçlanmıştır.

IoT tabanlı uzaktan izleme sistemi

IoT uygulaması basınç, debi, gerilim, akım ve güç sensörleriyle donatılmış pico-hidrolik sistem üzerinde yürütülmüştür. İzleme istasyonu Arduino UNO R3 tabanlıdır ve Arduino IoT Cloud platformuyla bağlantılıdır.

Öğrenciler sistemi kişisel bilgisayar, tablet veya akıllı telefondan uzaktan izleyebilmiştir. Microsoft Teams üzerinden eşzamanlı canlı ekipman görüntüsü sağlanmıştır.

İzlenen değişkenler arasında \(Q_1\) ve \(Q_2\) debileri, \(P_3\) basıncı, jeneratör gerilimi, elektrik akımı ve hesaplanan güç çıkışı bulunmaktadır.

Sensör verileri 30 saniyelik aralıklarla iletilmiştir. Öğrenciler hidrolik ve elektriksel değişkenlerin zaman içindeki eğilimlerini izlemiş, çalışma koşullarını yorumlamış ve verileri bakım kararlarıyla ilişkilendirmiştir.

ChatGPT Bu Çalışmada Nasıl Kullanıldı?

ChatGPT, öğrencilerin yerine nihai arıza kararı veren bir sistem olarak değil, titreşim, termografi, akustik ve IoT kanıtlarından ön arıza tanısı üretmek için kullanılan bir karar-destek aracı olarak uygulanmış; öğrenciler GPT-4o çıktısını deneysel kanıta karşı kontrol etmek, hataları veya sınırlılıkları belirlemek ve yalnız teknik olarak doğrulayabildikleri önerileri kabul etmek zorunda bırakılmıştır.

AI etkinliğinin standardizasyonu

Bütün öğrenciler 6 Haziran 2025 tarihinde ChatGPT web arayüzündeki GPT-4o modeliyle çalışmıştır. Araştırmacılar bütün katılımcılara aynı standart promptu vermiştir. Prompt Supplementary Material S1 içinde ayrıca yayımlanmıştır.

Web arayüzünde temperature, top-p ve seed gibi generation parametreleri kullanıcı tarafından ayarlanamadığı için çalışma bunları standartlaştırmamış veya kaydetmemiştir.

Her öğrenci araçla yalnız bir etkileşim yapmıştır. Dolayısıyla bu araştırma:

• iteratif prompting,
• prompt refinement,
• chain-of-thought benzeri çok adımlı kullanıcı etkileşimi,
• farklı üretken AI modellerinin karşılaştırılması

üzerine bir deney değildir.

AI destekli tanı akışı

1. Bakım vaka çalışması: Ekipman bilgisi, arıza belirtileri ve operasyonel veriler incelenir.
2. Prompt oluşturma: Öğrenci teknik vaka bilgilerini üretken AI aracına uygun sorgu hâline getirir.
3. AI destekli tanı analizi: Modelin ürettiği potansiyel nedenler ve öneriler incelenir.
4. AI çıktısının eleştirel değerlendirilmesi: Öneriler ölçüm ve deneysel kanıtla doğrulanır; hatalar veya sınırlılıklar belirlenir.
5. Teknik rapor: Öğrenci kendi mühendislik sonucunu ve bakım önerisini gerekçelendirir.

Bu akışın kritik pedagojik noktası dördüncü adımdır. Öğrenciden AI çıktısını yalnız yeniden yazması değil, ona karşı mühendislik kanıtı kullanması istenir.

Çalışma ayrıca öğrencilerin ChatGPT'ye kişisel, akademik veya kimliği belirleyici bilgi girmediğini belirtmektedir. Etkileşim yalnız standart bakım vakaları ve eğitim faaliyetlerinde üretilmiş teknik verilerle sınırlandırılmıştır.

Yetkinlik değerlendirmesi nasıl yapıldı?

Her öğrenci uygulamalardan sonra bireysel teknik rapor hazırlamıştır. İsimler ve kimliği belirleyici bilgiler kaldırılmış; raporlar RRF2_1–RRF2_31 biçiminde anonim katılımcı kodlarına dönüştürülmüştür.

Endüstriyel bakım alanında uzman altı öğretim üyesi aynı analitik rubriği kullanarak raporları birbirinden bağımsız değerlendirmiştir.

Her yetkinlik beş ikili göstergeye dayanmıştır. “Ölçüt karşılandı” 1, “karşılanmadı” 0 puan olarak değerlendirilmiştir. Böylece her yetkinlik 0–5, dokuz yetkinliğin toplamı ise 0–45 aralığındadır.

GCIIM Nedir ve Ne Ölçer?

Global Competency Index for Smart Maintenance (GCIIM), dokuz akıllı bakım yetkinliğinin eşit ağırlıklı rubrik puanlarını tek bir 0–45 toplam skor ve buna karşılık gelen yüzde değerinde birleştiren betimleyici indekstir; çalışma içinde öğrencilerin gösterilmiş performans profilini özetler fakat bağımsız olarak doğrulanmış uluslararası bir yetkinlik standardı değildir.

GCIIM hesaplama mantığı

Kaynakta tarif edilen puanlama yapısı matematiksel olarak şu biçimde ifade edilebilir:

\[ GCIIM_{\mathrm{puan}}=\sum_{j=1}^{9}C_j \]

Burada \(C_j\), dokuz yetkinlikten her biri için 0–5 aralığındaki değerlendirici-ortalama puanıdır.

Toplam maksimum değer:

\[ 9\times5=45 \]

olduğundan yüzde karşılık:

\[ GCIIM_{\%}= \frac{GCIIM_{\mathrm{puan}}}{45}\times100 \]

biçimindedir.

Bütün yetkinliklere eşit ağırlık verilmiştir. Yazarlar bunun bütün alanların profesyonel açıdan eşit derecede önemli olduğunun kanıtı olmadığını; keşifsel çalışmada farklı ağırlıkları destekleyecek ampirik veya teorik gerekçe olmadığı için şeffaf ve karşılaştırılabilir bir çözüm seçildiğini belirtmektedir.

GCIIM sınıfları

Bu kategoriler daha önce doğrulanmış bir akıllı bakım yetkinlik çerçevesinden, ulusal yeterlilik standardından veya üniversitenin resmi not sisteminden alınmamıştır. Yalnız mevcut keşifsel çalışmada sonuçları betimlemek için yazarlar tarafından oluşturulmuştur.

Öğrenci algısı nasıl değerlendirildi?

Eğitim sonunda öğrenciler 22 maddeden oluşan ve 1 “kesinlikle katılmıyorum” ile 5 “kesinlikle katılıyorum” arasında puanlanan bir anketi yanıtlamıştır.

Anket yazarlar tarafından eğitimde hedeflenen yetkinlikler ve ilgili literatür temelinde hazırlanmış, aynı altı uzman tarafından içerik uygunluğu ve açıklık bakımından incelenmiştir. Katılımcıların tamamının ana dili İspanyolca olduğundan anket İspanyolca uygulanmış ve çeviri gerekmemiştir.

Genel algı puanının yüzdeye dönüştürülmesi:

\[ Algı_{\%}= \frac{\overline{x}_{22}}{5}\times100 \]

mantığıyla yapılmıştır. Burada \(\overline{x}_{22}\), 22 maddenin ortalama Likert skorudur. Kaynak hiçbir anket yanıtının eksik olmadığını bildirmektedir.

Anketin güvenilirliği

Yazarlar McDonald's omega katsayısını birincil iç tutarlılık göstergesi olarak değerlendirmiştir. 0,70 değeri genel bir kabul edilebilirlik rehberi olarak kullanılmış, istatistiksel anlamlılık sınırı olarak görülmemiştir.

Dijital yetkinlikler ile yapay zekâ boyutlarının Cronbach alpha değerleri 0,70'in altında olsa da omega değerleri 0,70'in üzerindedir. Bununla birlikte örneklem yalnız 31 öğrenci olduğu ve anket kapsamlı formal psikometrik doğrulamadan geçmediği için bütün güvenilirlik katsayıları keşifsel olarak yorumlanmalıdır.

Öğrencinin Kendini Yetkin Hissetmesi Gerçek Performansla Aynı Şey mi?

Hayır; bu örneklemde performans temelli GCIIM ile öğrencilerin 22 maddelik anketteki genel algı puanı arasında anlamlı ilişki bulunmamıştır (\(\rho=-0.040\), \(p=0.833\), \(n=31\)); bu nedenle olumlu teknoloji algısı, motivasyon veya mesleki önem farkındalığı gerçek mühendislik görevinde gösterilmiş yetkinliğin doğrudan göstergesi olarak kullanılamaz.

Neden iki ölçüm birbirinden ayrılmalıdır?

Analitik rubrik, öğrencinin ortaya koyduğu teknik rapor ve mühendislik performansına dayanır. Öğrenci algı anketi ise öğrencinin teknolojilere, kendi hazırlığına ve gelecekteki mesleki taleplere ilişkin öz-bildirimini ölçer.

İki ölçüm yüzdeye dönüştürülmüş olsa da:

• aynı ölçeği kullanmaz,
• aynı psikolojik veya eğitsel yapıyı ölçmez,
• birbirinin yerine kullanılamaz.

Özellikle “gelecekteki mesleki zorluklar” boyutundaki yüksek puanların tamamı olumlu öz-yeterlik anlamına gelmez; bazı maddeler öğrencinin gelecekte daha fazla hazırlanması gerektiğini kabul etmesini ifade eder.

Çalışmanın Yöntemi ve Bulguları

Beş aşamalı genel araştırma süreci

1. Hazırlık faaliyetleri,
2. akıllı bakım uygulamalarının gerçekleştirilmesi,
3. teknik raporlar ve analitik rubrik üzerinden yetkinlik değerlendirmesi,
4. öğrenci algı anketinin uygulanması,
5. betimsel istatistiksel analiz.

Kullanılan temel ölçüm ve izleme araçları

Dokuz yetkinliğin nicel sonuçları

Neden arıza tanısı daha zor görünüyor?

Titreşim veya termografi yorumlama, belirli bir ölçüm türündeki paterni tanımaya odaklanabilir. Buna karşılık gerçek arıza tanısı farklı bilgi kaynaklarını birleştirmeyi, neden-sonuç ilişkisi kurmayı, alternatif açıklamaları değerlendirmeyi ve bakım kararını teknik olarak savunmayı gerektirir.

Kaynak tartışmasında arıza tanısının daha yüksek bilişsel karmaşıklık içermesinin düşük ortalama skora katkıda bulunabileceği belirtilmektedir. Bu yorum, çalışmada doğrudan deneysel olarak ayrıştırılmış bir mekanizma değildir; sonuçların pedagojik açıklamasıdır.

GCIIM sonuçları

Orta ve yüksek kategoriler birlikte öğrencilerin yaklaşık %77'sini oluşturur. Ancak bu oran doğrulanmış dış yeterlilik standardına ulaşan öğrenci oranı değildir; yazarların keşifsel sınıflamasına göre yapılan betimsel dağılımdır.

Değerlendiriciler arası güvenilirlik

Bu katsayılar toplam rubrik skorları için çok yüksek değerlendiriciler arası uyuma işaret eder. Bununla birlikte değerlendirme öncesinde resmi kalibrasyon/eğitim oturumu veya körleme yapılmamıştır. Ayrıca ICC, dokuz yetkinliğin her bir gösterge düzeyinde değil, 0–45 toplam puan üzerinden hesaplanmıştır.

Öğrencilerin dört algı boyutundaki sonuçları

En yüksek değer gelecekteki mesleki zorluklar boyutundadır. Bu sonuç öğrencilerin smart maintenance, Industry 4.0 ve yapay zekânın gelecekteki mühendislik pratiğindeki önemini güçlü biçimde kabul ettiğini göstermektedir.

En düşük boyut teknik yetkinlik algısıdır. Bu durum öğrencilerin teknik alanda hâlâ gelişim gereksinimi algıladığını düşündürmektedir.

Gösterilmiş yetkinlik ile algı arasındaki ilişki

\(p=0.833\), standart 0,05 anlamlılık yaklaşımına göre anlamlı ilişki olmadığını gösterir. Korelasyon katsayısının da sıfıra çok yakın olması bu örneklemde doğrusal olmayan sıralı ilişkinin pratik olarak da çok zayıf olduğunu göstermektedir.

Bu sonuç “algı ile yetkinlik hiçbir zaman ilişkili değildir” biçiminde genellenemez. Yalnız bu 31 öğrencilik örneklem ve kullanılan iki ölçüm aracı için anlamlı ilişki görülmediğini ifade eder.

Çalışmanın desteklediği sonuçlar

• Durum izleme, IoT, üretken AI ve performans temelli değerlendirmeyi tek eğitim dizisinde birleştirmek uygulanabilir görünmektedir.
• Katılımcı öğrencilerin müdahale sonrasındaki ortalama GCIIM değeri %72,86'dır.
• Yapay zekâ çıktısını eleştirel değerlendirme dokuz yetkinlik arasındaki en yüksek ortalamaya sahiptir.
• Arıza tanısı, teknik iletişim ve teknolojik uyarlanabilirlik görece zayıf alanlardır.
• Altı değerlendiricinin toplam rubrik puanlarında çok yüksek ICC güvenilirliği elde edilmiştir.
• Öğrenciler smart maintenance, Industry 4.0 ve AI'nin mesleki önemini genel olarak olumlu değerlendirmiştir.
• Gösterilmiş performans ile öz-bildirim algısı bu örneklemde anlamlı biçimde ilişkili değildir.
• AI'nin öğrenci kararını değiştirmek yerine deneysel kanıtla doğrulanması gereken destek aracı olarak kullanılması, çalışmanın merkezi pedagojik tasarım ilkesidir.

Çalışmanın desteklemediği sonuçlar

• Metodolojinin öğrencilerin yetkinliklerini %72,86 artırdığı söylenemez.
• ChatGPT kullanımının tek başına eleştirel düşünmeyi artırdığı nedensel olarak gösterilmemiştir.
• Sonuçlar bütün mühendislik öğrencilerine veya bütün üniversitelere doğrudan genellenemez.
• GCIIM düşük/orta/yüksek kategorileri uluslararası olarak doğrulanmış profesyonel yetkinlik eşikleri değildir.
• %75,04 genel algı skoru gösterilmiş mühendislik yetkinliği anlamına gelmez.
• Yüksek ICC değerleri rubriğin bütün göstergelerinin formal psikometrik geçerliliğini kanıtlamaz.
• Tek GPT-4o etkileşimi farklı modellerin, prompt stratejilerinin veya uzun dönem AI kullanımının etkisi hakkında sonuç vermez.
• Çalışmada gerçek endüstriyel iş yerindeki mezun performansı ölçülmemiştir.

Sınırlılıklar

Küçük ve tek kurumlu örneklem: Çalışma tek üniversitedeki 31 öğrenciden oluşan tek intact cohort üzerinde yürütülmüştür.

Ön-test bulunmaması: Öğrencilerin eğitim öncesindeki başlangıç yetkinlik seviyesi ölçülmemiştir.

Kontrol grubu bulunmaması: Aynı dönemde metodolojiyi almayan karşılaştırılabilir bir öğrenci grubu yoktur.

Nedensellik sınırlılığı: Bu tasarım eğitim metodolojisinin gözlenen sonuçlara neden olduğunu kanıtlayamaz.

Değerlendirici prosedürü: ICC yüksek olsa da resmi evaluator training, calibration veya blinding yapılmamıştır.

ICC çözünürlüğü: Güvenilirlik analizi rubriğin tek tek beş kriteri veya dokuz yetkinliği düzeyinde değil, toplam 0–45 skor üzerinden yapılmıştır.

Anketin psikometrik durumu: Anket uzman incelemesinden geçmiş olsa da kapsamlı formal psikometrik validasyon yapılmamıştır ve \(n=31\) güvenilirlik tahminleri için küçüktür.

AI koşulu: Tek model, tek standart prompt ve tek kullanıcı etkileşimi kullanılmıştır. Iteratif prompting, prompt refinement veya başka LLM'lerle karşılaştırma yapılmamıştır.

Gelecek araştırma yönleri

Kaynak daha büyük örneklemler, farklı mühendislik programları ve birden çok yükseköğretim kurumu üzerinde doğrulama önermektedir.

Longitudinal çalışmalar ve karşılaştırma grupları, yetkinliklerin zaman içinde gerçekten nasıl değiştiğini test etmek için gereklidir.

Farklı yapay zekâ etkileşim stratejilerinin tanısal muhakemeye etkisi ayrıca araştırılmalıdır. Tek seferlik standart prompt yerine çok aşamalı etkileşimlerin, farklı modellerin veya farklı doğrulama prosedürlerinin sonuçları henüz bilinmemektedir.

Gerçek endüstriyel ortamlardaki performans gözlemleri, learning portfolio, doğrudan performans gözlemi ve gerçek bakım senaryolarındaki değerlendirmeler de mevcut rubrik ve anketi tamamlayabilecek yöntemler olarak önerilmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: A Competency-Based Educational Methodology for Smart Maintenance: Integrating Condition Monitoring, IoT, and Generative Artificial Intelligence

Yazarlar: Pedro Cruz-Alcantar; Rafael A. Figueroa-Diaz; Antonio J. Balvantín-García; Sergio Raúl Rojas-Ramírez; Oscar Alejandro García-Pérez; Isaac Compeán-Martinez; María Cruz del Rocío Terrones-Gurrola.

Sorumlu yazar: María Cruz del Rocío Terrones-Gurrola.

Kurumlar: Unidad Académica Multidisciplinaria Región Altiplano, Universidad Autónoma de San Luis Potosí; Department of Electrical and Electronic Engineering, Sonora Institute of Technology; Department of Mechanical Engineering, University of Guanajuato; Office of Graduate Studies, Universidad Aeronáutica en Querétaro.

Dergi: Education Sciences.

Yayınevi: MDPI.

Bibliyografik kayıt: Education Sciences 2026, 16(8), 1287.

DOI: 10.3390/educsci16081287

Kaynak türü: Hakemli araştırma makalesi; betimsel-keşifsel eğitim vaka çalışması.

Akademik editörler: Jordi Mogas Recalde ve Vanessa Esteve-González.

Alınma: 3 Temmuz 2026.

Revizyon: 4 Ağustos 2026.

Kabul: 8 Ağustos 2026.

Yayın: 12 Ağustos 2026.

Lisans: Creative Commons Attribution (CC BY).

Örneklem: 31 Mechanical Engineering öğrencisi; 21–24 yaş; 24 erkek ve 7 kadın.

Eğitim bağlamı: 16 haftalık Industrial Maintenance dersi; beş uygulamalı smart-maintenance modülü.

AI platformu: ChatGPT, GPT-4o; 6 Haziran 2025; bütün öğrenciler için standart prompt ve tek etkileşim.

Performans değerlendirmesi: Dokuz yetkinlik, her yetkinlik için beş ikili kriter, maksimum 45 toplam puan; altı bağımsız öğretim üyesi değerlendirici.

Öğrenci algısı: Dört boyutta 22 maddelik, beş puanlı Likert anketi.

İstatistik: Frekans, yüzde, ortalama, standart sapma; değerlendiriciler arası ICC; McDonald's omega; Cronbach's alpha; GCIIM ile genel algı için Spearman rank correlation.

Yazılım: IBM SPSS Statistics version 21.

Ek materyaller: S1 standart AI promptu; Table S1 örnek AI destekli tanı ve doğrulama süreci; Table S2 tam analitik rubrik; Table S3 algı anketi; Table S4 madde düzeyi algı istatistikleri.

Finansman: Araştırmanın dış finansman almadığı belirtilmiştir.

Etik: Yetişkin üniversite öğrencilerinin rutin ders etkinliklerinden üretilen anonimleştirilmiş kayıtların kullanıldığı minimal-risk eğitim araştırması olarak formal Institutional Review Board değerlendirmesinden muaf tutulmuştur. Kurumsal muafiyet yazısının Temmuz 2026'da düzenlendiği bildirilmiştir. Öğrencilere araştırma kullanımı açıklanmış, katılım gönüllü tutulmuş ve anonim ders çalışmalarının araştırmada kullanılmasına sözlü onay alınmıştır. Yazılı onam muaf tutulmuştur.

Veri erişilebilirliği: Bulguları destekleyen verilerin makul talep üzerine sorumlu yazardan sağlanabileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Kavramsallaştırma Pedro Cruz-Alcantar ve María Cruz del Rocío Terrones-Gurrola; yöntem Pedro Cruz-Alcantar, Rafael A. Figueroa-Diaz ve Antonio J. Balvantín-García; doğrulama Sergio Raúl Rojas-Ramírez ve Oscar Alejandro García-Pérez; ilk taslak Pedro Cruz-Alcantar; gözden geçirme ve düzenleme Pedro Cruz-Alcantar, Isaac Compeán-Martinez ve María Cruz del Rocío Terrones-Gurrola tarafından yürütülmüştür. Bütün yazarların sonuçların tartışılmasına ve makalenin hazırlanmasına katkı verdiği belirtilmiştir.

Temel yöntemsel sınır: Bu araştırma tek gruplu, tek kurumlu, 31 öğrencilik, yalnız müdahale sonrası değerlendirme içeren betimsel-keşifsel vaka çalışmasıdır. Ön-test, kontrol grubu ve longitudinal izleme bulunmadığından eğitim metodolojisinin nedensel etkisi veya yetkinlik değişiminin büyüklüğü belirlenemez. AI etkinliği tek GPT-4o etkileşimiyle sınırlıdır ve anket henüz kapsamlı formal psikometrik doğrulamadan geçmemiştir.