Bu çalışma, yükseköğretimde kullanılan yapay zekâ, sanal gerçeklik ve ikisini birleştiren hibrit AI-VR araçlarının hangi eğitimsel işlevleri yerine getirdiğini, hangi teknik ve ekonomik koşullarda uygulanabildiğini ve hangi etik sınırlara tabi olduğunu inceleyen betimleyici bir araç haritalamasıdır. Çalışmadaki bir AI aracı, temel eğitim işlevini makine öğrenmesi veya doğal dil işleme gibi yapay zekâ teknikleriyle geri bildirim, öneri, otomasyon veya içerik üretimi sağlayarak yerine getiren platformdır; bir VR aracı, etkileşimli üç boyutlu sanal ortamlarda bedensel ve deneyimsel öğrenmeyi destekleyen sistemdir; hibrit AI-VR araçları ise uyarlanabilir yapay zekâ işlevlerini sürükleyici sanal ortamlarla birleştirir. Araştırmacılar 2025 yılında iki aylık bir inceleme yürütmüş, son veri setinde 67 aracı 13 özellik üzerinden değerlendirmiştir. Ortaya çıkan tablo; kişiselleştirme, otomatik geri bildirim, sanal laboratuvarlar ve deneyimsel öğrenme açısından önemli fırsatlar bulunduğunu, ancak maliyet, teknik altyapı, donanım bağımlılığı, veri yönetişimi, erişilebilirlik ve öğretim tasarımı sorunlarının yaygın kullanımı sınırladığını göstermektedir. En önemli yorum sınırı, bir aracın teknik olarak gelişmiş veya öğrenciler açısından ilgi çekici olmasının tek başına daha iyi öğrenme çıktısı kanıtlamamasıdır.

Çalışmanın odağındaki Eğitim 5.0 yaklaşımında teknoloji, insan öğreticinin yerine geçen bağımsız bir aktör olarak değil; kişiselleştirme, deneyimsel öğrenme, işbirliği ve geri bildirimi güçlendiren insan merkezli bir eğitim bileşeni olarak ele alınır. Bu nedenle çalışma yalnız “hangi araç ne yapıyor?” sorusunu değil, “bu araç hangi pedagojik amaçla, hangi altyapıyla, hangi maliyetle ve hangi etik yönetişim altında kullanılabilir?” sorusunu da değerlendirmeye çalışır.

Çalışmanın temel problemi

Yükseköğretimde yapay zekâ ve sanal gerçeklik uygulamalarının sayısı hızla artarken kurumların karşısına iki ayrı problem çıkmaktadır. Birinci problem teknolojik çeşitliliktir: uyarlanabilir ders sistemleri, otomatik değerlendirme, konuşmalı öğretim yardımcıları, öğrenme analitiği, sanal laboratuvarlar, cerrahi simülasyonlar, üç boyutlu tasarım ortamları ve dijital kampüsler aynı “eğitim teknolojisi” başlığı altında toplanabilmektedir. İkinci problem ise teknolojik kapasitenin pedagojik değerle kolayca karıştırılmasıdır. Bir platformun çok sayıda özelliğe sahip olması, kolay kullanılması veya öğrencilerin dikkatini çekmesi, öğrenmenin gerçekten geliştiğini tek başına göstermez.

Kaynak çalışma bu nedenle araçları yalnız ürün listesi olarak sıralamak yerine teknoloji türü, eğitimsel işlev, teknik gereksinim, entegrasyon kapasitesi, maliyet ve erişim modeli gibi boyutlarla birlikte ele alır. Pedagojik uyum ise ayrı bir ürün özelliği olmaktan çok, bütün bu özelliklerin eğitimsel amaçla nasıl ilişkilendirildiğini değerlendiren bir sentez merceğidir.

Yapay zekânın eğitimsel rolü

Çalışmada incelenen AI araçları başlıca dört işlev çevresinde toplanmaktadır: kişiselleştirilmiş öğrenme, otomatik geri bildirim ve değerlendirme, öğrenci destek sistemleri ve kurumsal öğrenme analitiği. Uyarlanabilir platformlar öğrencinin önceki yanıtlarını veya ilerleme verisini kullanarak sonraki içeriği ya da görev güçlüğünü değiştirebilir. Konuşmalı sistemler doğal dil işleme yoluyla öğrenciye anlık yanıt verebilir. Değerlendirme sistemleri büyük öğrenci gruplarında geri bildirim üretimini ölçeklendirebilir. Analitik sistemleri ise öğrenme davranışlarındaki örüntülerden destek ihtiyacı bulunan öğrencileri belirlemeye çalışabilir.

Kaynağın aktardığı eğitim kuramı açısından AI kullanımı tek bir modele bağlı değildir. Literatürde AI-yönlendirmeli, AI-destekli ve AI-güçlendirilmiş öğrenme yaklaşımları ayrıştırılmaktadır. Daha yapılandırılmış, kural ve pekiştirme temelli sistemler davranışçı öğrenme mantığına yaklaşırken öğrencinin etkin bilgi inşasına ve bağımsız karar vermesine daha fazla alan açan sistemler yapılandırmacı ve bağlantıcılık temelli yaklaşımlarla ilişkilendirilmektedir.

Sanal gerçekliğin eğitimsel rolü

Sanal gerçeklik, özellikle gerçek ortamda pahalı, tehlikeli, nadir veya tekrar edilmesi zor deneyimleri kontrollü biçimde tekrar etmeye olanak verdiği için farklı bir eğitimsel değer taşır. Sağlık bilimlerinde anatomi veya prosedür eğitimi, mühendislikte sanal laboratuvar ve atölye deneyimleri, tasarım alanlarında üç boyutlu eskiz ve modelleme bu kullanım biçimlerine örnektir.

Bu değer, deneyimsel öğrenme kuramıyla açıklanabilir. Kolb'un yaklaşımında öğrenme yalnız bir deneyime maruz kalmak değildir; somut deneyim, yansıtıcı gözlem, soyut kavramsallaştırma ve etkin deneme arasında ilerleyen bir süreçtir. Kaynak çalışmanın sentezinde VR özellikle somut deneyim ve güvenli uygulama ortamı oluşturabilirken AI tabanlı geri bildirim, analitik ve konuşmalı destek sistemleri öğrencinin deneyim üzerine düşünmesini ve kavramları pekiştirmesini destekleyebilir. Bu eşleşme, AI ile VR'nin neden birbirinin alternatifi değil tamamlayıcısı olarak değerlendirilebildiğini açıklar.

Yükseköğretimde yapay zekâ ve sanal gerçeklik birlikte ne sağlar?

AI-VR bütünleşmesi, yapay zekânın kişiselleştirme ve geri bildirim kapasitesini sanal gerçekliğin etkileşimli ve bağlama yerleştirilmiş deneyimleriyle aynı öğrenme ortamında birleştirir. Kaynakta Axon Park, ENGAGE XR ve VictoryXR Metaversity gibi örnekler; analitik, konuşmalı yardım, uyarlanabilir destek veya sanal kampüs işlevlerinin sürükleyici ortamlarla bütünleşebildiğini göstermektedir. Bununla birlikte bu birleşim daha yüksek teknik uzmanlık, entegrasyon karmaşıklığı ve maliyet de yaratır; dolayısıyla hibrit bir platformun daha gelişmiş görünmesi, otomatik olarak daha yüksek öğrenme başarısı anlamına gelmez.

Hibrit araçlar ve dijital ikiz kampüs yaklaşımı

Çalışmada bazı hibrit sistemlerin üniversite kampüsünün sanal bir karşılığını oluşturan ve üreticiler tarafından “digital twin” olarak tanımlanan yapılara yöneldiği görülmektedir. Böyle bir ortamda öğrenci sanal kampüste dolaşabilir, öğretim oturumlarına katılabilir veya AI destekli rehber ve öğretim ajanlarıyla etkileşebilir. Bu yaklaşımın eğitim açısından önemli olabilmesi için gerçek kampüsü görsel olarak taklit etmekten daha fazlası gerekir: sanal ortamdaki etkinliklerin ders hedefleri, öğrenci etkileşimi, değerlendirme ve geri bildirim mekanizmalarıyla ilişkilendirilmesi gerekir.

Disiplinlere göre kullanım biçimleri

Bu sınıflandırma araçların yalnız belirli bir bölüme ait olduğunu göstermez. Çalışmanın genel veri setinde platformların yaklaşık %70'i bütün akademik alanlarda kullanılabilecek genel amaçlı sistemler olarak sınıflandırılmıştır. Yaklaşık %30'luk bölüm ise sağlık, STEM veya sanat ve tasarım gibi daha dar alanlara yönelmiştir. Genel amaçlı araçlar kurum çapında ölçeklenme avantajı sağlayabilir; alan-özgül araçlar ise daha yüksek konu doğruluğu ve uygulama gerçekçiliği sunabilmekle birlikte daha yüksek maliyet ve eğitim gereksinimi oluşturabilir.

AI ve VR araçlarının öğrenme yararları ne kadar güçlü kanıta dayanıyor?

Kaynak çalışmaya göre kanıt tabanı eşit değildir: bazı AI ve VR uygulamaları kontrollü araştırmalarla değerlendirilmiş olsa da araçların önemli bir bölümü için öğrenme etkisine ilişkin iddialar üretici raporlarına, kısa dönemli uygulamalara veya kullanılabilirlik ve katılım ölçümlerine dayanmaktadır. Bu nedenle “teknik olarak çalışıyor”, “öğrenci ilgisini artırıyor” ve “öğrenme sonucunu geliştiriyor” ifadeleri aynı kanıt düzeyi olarak değerlendirilmemelidir. Kurumsal seçimlerde bağımsız çalışma, karşılaştırmalı tasarım, gerçek ders bağlamı ve uzun dönemli öğrenme çıktıları daha güçlü kanıt oluşturur.

Sağlık eğitimindeki örnek neden önemlidir?

Kaynağın aktardığı sağlık bilimleri literatürü, hem umut verici sonuçları hem de kanıtın neden dikkatli yorumlanması gerektiğini gösterir. Bir randomize kontrollü çalışmada sanal gerçeklik tabanlı acil tıp senaryosunu tamamlayan öğrencilerde 30 gün sonraki uygulamalı bilgi kazanımı ortalama +%17,8 olarak raporlanırken eşleştirilmiş video semineri grubunda +%11,9 bildirilmiştir. Her senaryo 35 dakika sürmüş ve otomatik geri bildirim içermiştir.

Buna karşılık kaynakta aktarılan başka bir sistematik incelemede prosedürel beceriyi değerlendiren 13 çalışmanın %62'sinde sürükleyici VR ile diğer öğretim yöntemlerinin benzer gelişme sağladığı, %38'inde VR grubunun anlamlı biçimde daha iyi sonuç verdiği bildirilmiştir. Ancak çalışmaların oy sayımıyla yapılan toplu değerlendirmesinde binom testi anlamlı bir genel fark göstermemiştir. Bu karşıtlık önemli bir öğretici noktadır: belirli bir deneyde olumlu sonuç görülmesi, her ders ve her beceri için VR'nin üstün olduğunu kanıtlamaz.

Etkileşim ve öğrenme çıktısı aynı şey değildir

VR araştırmalarında öğrencinin ortamı ilgi çekici bulması, daha uzun süre katılması veya güçlü bir “orada bulunma” hissi yaşaması değerli göstergelerdir; fakat bunlar sınav başarısı, uzun dönemli bilgi tutma veya gerçek dünyadaki beceri aktarımıyla aynı ölçüm değildir. Benzer biçimde AI sisteminin hızlı geri bildirim vermesi veya kişiselleştirilmiş içerik önermesi, bu önerilerin pedagojik olarak doğru olduğu veya öğrencinin eleştirel düşünmesini geliştirdiği anlamına gelmez.

Çalışmanın temel önerilerinden biri bu nedenle özellik listelerine bakmak yerine araçların öğrenme hedefleriyle nasıl eşleştiğini incelemektir. Bir üniversite yalnız “AI içeriyor”, “VR destekliyor” veya “analitik sunuyor” ölçütleriyle satın alma kararı verdiğinde teknoloji ile pedagojiyi birbirine karıştırma riski taşır.

Etik boyut neden teknolojik özelliklerden ayrı düşünülemez?

Eğitim amaçlı AI sistemleri öğrenci davranışı, performansı, yazılı yanıtları veya kullanım örüntüleri gibi veriler işleyebilir. Bu nedenle veri yönetişimi, mahremiyet ve öğrencinin verisi üzerindeki kontrolü teknik uygulamanın dışındaki ikincil konular değildir. Kaynak çalışma GDPR gibi veri koruma çerçeveleri ile şeffaflık ve açıklanabilirlik ilkelerinin özellikle öğrenci gelişimini veya karar süreçlerini etkileyen sistemlerde önemini vurgular.

Algoritmik önyargı ikinci temel sorundur. AI modeli temsil gücü sınırlı veya dengesiz verilerden örüntü öğrenirse değerlendirme ve öngörü sistemleri belirli öğrenci grupları için daha düşük doğruluk gösterebilir. Bu risk özellikle otomatik değerlendirme, öğrenci risk tahmini veya akademik karar desteği gibi sonuçların bireyi doğrudan etkileyebileceği uygulamalarda önemlidir.

Üçüncü alan akademik dürüstlüktür. Üretken AI öğrencinin yazma ve araştırma süreçlerini destekleyebilir; ancak kaynak, yalnız tespit sistemlerine dayalı bir yaklaşımın yeterli olmadığını aktarır. Değerlendirme tasarımının öğrencinin gerçek öğrenmesini görünür kılması, AI okuryazarlığının geliştirilmesi ve öğrencilerin otomatik çıktıları eleştirel biçimde değerlendirmeyi öğrenmesi gerekir.

Son olarak insan öğretmenin rolü merkezi kalmaktadır. Kaynak çalışmanın Eğitim 5.0 çerçevesindeki temel yaklaşımı, teknolojiyi insan öğreticinin yerini alan bağımsız bir sistem haline getirmek değil; insanın pedagojik karar verme, yorumlama, rehberlik ve etik sorumluluğunu koruyarak teknolojik desteği kullanmaktır.

Çalışmanın Yöntemi ve Bulguları

Bu çalışmada AI, VR ve hibrit araçlar nasıl değerlendirildi?

Araştırmacılar 2025 yılında iki aylık betimleyici bir haritalama yürütmüş; hakemli yayınlar, politika ve sektör raporları, teknik kılavuzlar ve resmî ürün belgelerinden bilgi toplamış, mümkün olduğunda halka açık araç sürümlerini veya demoları doğrudan incelemiştir. Bir araç yalnız yükseköğretimde açık bir kullanım senaryosuna sahipse, veri toplama döneminde etkin durumdaysa ve değerlendirme değişkenlerini kodlayacak yeterli kamuya açık belge sunuyorsa veri setine alınmıştır. Son veri seti 67 araçtan oluşmuş ve her araç 13 nitelik üzerinden kodlanmıştır. Belge eksik veya çelişkili olduğunda birden çok kaynak karşılaştırılmış; kesinleştirilemeyen değerler tahmin edilmemiştir.

Literatür ve araç seçimi

Literatür seçiminde yükseköğretimde AI veya VR kullanımına odaklanan, özellikle 2019-2025 döneminde yayımlanan ve deneysel bulgu, sistematik inceleme veya uygulamaya ilişkin politika rehberliği sağlayan kaynaklara öncelik verilmiştir. Yalnız okul eğitimiyle ilgili çalışmalar, tamamen spekülatif yorumlar ve doğrulanabilir ayrıntı sağlamayan erişilemez raporlar kapsam dışında bırakılmıştır.

Araç seçiminde de aynı doğrulanabilirlik ilkesi uygulanmıştır. Kullanımdan kaldırılmış araçlar, yükseköğretimle açık ilişkisi bulunmayan sistemler ve değerlendirme için yeterli belge sağlamayan platformlar dışlanmıştır. Böylece veri seti yalnız popüler ürünlerin listesi olmak yerine karşılaştırmalı olarak kodlanabilir bir araç envanterine dönüştürülmeye çalışılmıştır.

On üç değerlendirme niteliği

Pedagojik uyum, bu 13 veri alanından bağımsız bir sütun olarak kodlanmamış; aracın amacı, kullanım bağlamı ve benimseme kısıtlarından hareketle sentez düzeyinde değerlendirilmiştir. Bu ayrım önemlidir çünkü bir platformun “öğrenme teorisine uygunluğu” basit bir ürün özelliği gibi işaretlenebilecek ikili bir değişken değildir.

Denetimde ortaya çıkan temel nicel eğilimler

Yorum notu: Bu yüzdeler farklı sınıflandırma boyutlarına aittir ve aynı toplamın parçaları değildir. Örneğin maliyet modeli oranları ile donanım bağımlılığı oranlarını birbirine eklemek bilimsel olarak anlamlı değildir. Ayrıca rakamlar 2025'te yapılan araç denetiminin anlık görünümünü temsil eder; ticari platformların fiyatları, entegrasyonları ve özellikleri daha sonra değişebilir.

Kurumsal benimsemede en belirleyici engeller nelerdir?

Çalışmaya göre AI ve VR'nin yükseköğretimde ölçeklenmesini belirleyen başlıca engeller yalnız yazılım özellikleri değildir; ağ ve işlem altyapısı, VR donanımı, mevcut LMS ve veri sistemleriyle birlikte çalışabilirlik, sürekli lisans maliyeti, teknik personel kapasitesi, öğretim elemanı eğitimi, veri gizliliği, algoritmik adalet, erişilebilirlik ve pedagojik tasarım birlikte değerlendirilmelidir. Bu değişkenlerden biri ihmal edildiğinde teknik olarak başarılı bir platform eğitim ortamında sürdürülebilir veya adil bir uygulamaya dönüşmeyebilir.

Maliyet ve lisans yapısı

Denetimde araçların yaklaşık %91'inin ücretli lisans altında bulunması, erişimi yalnız teknoloji tercihi olmaktan çıkarıp kaynak dağılımı problemine dönüştürmektedir. Abonelik modeli yazılımı güncel tutmayı ve destek hizmetini kolaylaştırabilir; ancak tek seferlik yatırım yerine sürekli işletme gideri oluşturur. Bütçesi dönemsel olarak değişen kurumlarda bu durum uzun dönemli kullanımın sürdürülebilirliğini etkileyebilir.

Entegrasyon ve birlikte çalışabilirlik

Bir aracın LMS ile bağlantı kurabilmesi tam birlikte çalışabilirlik anlamına gelmez. API bağlantısı, tek oturum açma, not aktarımı ve sürekli veri değişimini kolaylaştırabilir; aynı zamanda daha fazla kişisel verinin sistemler arasında hareket etmesi nedeniyle güvenlik, mahremiyet ve yönetişim gereksinimlerini artırabilir. Kurumların “entegrasyon var mı?” sorusunun yanında “hangi veri hangi sistemler arasında hareket ediyor, kim erişebiliyor ve verinin yaşam döngüsü nasıl yönetiliyor?” sorularını da değerlendirmesi gerekir.

Donanım ve dijital eşitlik

Tarayıcı veya bulut tabanlı AI araçlarının standart kullanıcı cihazlarıyla çalışabilmesi giriş engelini azaltırken sürükleyici VR uygulamaları başlık, uyumlu bilgisayar, hareket izleme veya özel laboratuvar gerektirebilir. Donanım maliyetinin düşmesi önemli olsa da aynı ekipmana bütün öğrencilerin eşit biçimde erişebilmesi, erişilebilirlik düzenlemeleri, cihaz paylaşımı, bakım ve teknik destek ayrı sorunlardır.

Öğretim elemanı kapasitesi

Teknik altyapı ve lisans bütçesi yeterli olsa bile öğretim tasarımı zayıfsa araçlar dikkat dağıtıcı hale gelebilir. Kaynak çalışma, öğretim elemanlarının yalnız cihazın veya yazılımın kullanımını değil; hangi öğrenme hedefinde hangi seviyede sürükleyicilik, otomasyon veya AI desteği gerektiğini değerlendirebilmesi gerektiğini vurgular. Bu da mesleki gelişim ve müfredat tasarımını teknoloji satın alımının ayrılmaz parçası haline getirir.

Gelecekteki araştırma gereksinimleri

Yazarlar gelecekte AI ve VR müdahalelerinin gerçek ders ortamlarında daha uzun süreli ve karşılaştırmalı araştırmalarla değerlendirilmesini önermektedir. Yalnız öğrenci memnuniyeti veya kısa dönemli katılım değil, öğrenme çıktıları ve eşitlik üzerindeki etkiler birlikte raporlanmalıdır. Deneyimsel öğrenme kullanan çalışmaların yalnız “sürükleyici deneyim” oluşturduğunu göstermekle kalmayıp yansıtma, geri bildirim ve kavramsal pekiştirme aşamalarını nasıl desteklediğini de açıklaması gerekir.

Çalışmanın desteklediği sonuçlar

• AI ve VR yükseköğretimde kişiselleştirme, geri bildirim, simülasyon ve deneyimsel öğrenme için çok sayıda uygulanabilir araç sunmaktadır.
• 67 araçlık veri setinde ücretli ve tescilli modeller baskındır.
• Teknik karmaşıklık çoğunlukla düşük veya orta düzeydedir; ancak VR ve karma gerçeklik donanımı belirli uygulamalarda önemli bir engel olmaya devam etmektedir.
• Genel amaçlı platformlar özel disiplin araçlarından daha yaygındır.
• AI-VR hibrit sistemler vardır fakat veri setinin küçük bir bölümünü oluşturmaktadır.
• Pedagojik uyum, veri yönetişimi, erişilebilirlik ve kurumsal kapasite ürün özellikleri kadar önemlidir.
• Öğrenme yararlarına ilişkin kanıt gücü araçlar ve disiplinler arasında eşit değildir.

Çalışmanın desteklemediği sonuçlar

• AI veya VR kullanan her dersin geleneksel öğretimden daha iyi olduğu sonucunu desteklemez.
• 67 aracın tümünün bağımsız kontrollü deneylerle doğrulandığını göstermez.
• Öğrenci katılımındaki artışı otomatik olarak uzun dönemli öğrenme başarısıyla eşitlemez.
• Bir AI-VR hibrit platformun yalnız teknolojik karmaşıklığı nedeniyle daha etkili olduğunu kanıtlamaz.
• Belirli bir üniversitede başarılı olan aracın başka kurumlarda aynı sonucu vereceğini garanti etmez.
• 2025'te kaydedilmiş ticari maliyet, entegrasyon veya özellik durumlarının gelecekte değişmeden kalacağını varsaymaz.

Kaynak ve Yöntem Notu

Özgün çalışma: Intelligent Immersion: AI and VR Tools for Next-Generation Higher Education

Yazarlar: Konstantinos Liakopoulos; Anastasios Liapakis.

Sorumlu yazar: Konstantinos Liakopoulos.

Kurumlar: School of Computing, Athens Campus, New York College, Athens, Greece; School of Economics, Department of International and European Economic Studies, Athens University of Economics & Business, Athens, Greece.

Dergi: AI in Education.

Yayınevi: MDPI.

Bibliyografik kayıt: AI Educ. 2026, cilt 2, makale 13; resmî yayıncı kaydında cilt 2, sayı 2, makale 13.

DOI: 10.3390/aieduc2020013.

Yayın tarihi: 1 Mayıs 2026. Makale 13 Ocak 2026'da alınmış, 6 Mart 2026'da revize edilmiş ve 24 Mart 2026'da kabul edilmiştir.

Kaynak türü: Hakemli dergide yayımlanmış Review. Çalışma bir meta-analiz veya 67 aracı tek deney düzeninde test eden birincil deney değildir; betimleyici haritalama ve araç denetimidir.

Yöntem: 2025 yılında iki aylık veri toplama sürecinde hakemli literatür, politika ve sektör raporları, teknik kılavuzlar ve resmî araç belgeleri incelenmiştir. Mümkün olan durumlarda halka açık sürümler ve demolar doğrudan değerlendirilmiştir. Nihai veri seti 67 AI, VR ve hibrit AI-VR aracından oluşmaktadır. Araç başına 13 kodlama niteliği kullanılmış; belirsiz değerler tahmin edilmemiştir.

Ek veri: 67 aracın tamamını içeren kodlanmış veri seti Supplementary S1 — Supplementary_S1_AI-VR_Tools_Dataset.xlsx adıyla kaynak çalışmanın ek materyalinde sunulmuştur.

Lisans: Kaynak PDF, çalışmanın Creative Commons Attribution (CC BY) lisansı altında açık erişim yayımlandığını belirtmektedir. Verianla metni buna rağmen kaynak cümlelerini veya tablo tasarımını yeniden yayımlamak yerine bilimsel olguları bağımsız öğretici yapıda açıklamaktadır.

Finansman: Çalışma dış finansman almamıştır.

Etik kurul: Uygulanabilir değil olarak bildirilmiştir.

Bilgilendirilmiş onam: Uygulanabilir değil olarak bildirilmiştir.

Veri erişilebilirliği: Çalışmanın özgün katkıları ek materyaller içinde sunulmuştur; ek soruların sorumlu yazara yöneltilebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Kaynak PDF'de ayrı bir CRediT/Yazar Katkıları bildirimi görünür biçimde raporlanmamaktadır; katkı rolleri tahmin edilmemiştir.

Temel yöntemsel sınırlılık: Araçların bir bölümü için bilgi üretici dokümantasyonuna dayanmaktadır ve üreticilerden ek bilgi alınamadığı durumlar bulunmaktadır. Çalışmanın kendisi de öğrenme etkisine ilişkin kanıt tabanının heterojen ve birçok araç için sınırlı olduğunu vurgulamaktadır. Ayrıca ticari eğitim teknolojileri hızlı değiştiğinden, 2025 denetimindeki fiyatlandırma, özellik, entegrasyon ve erişilebilirlik durumları zaman içinde değişebilir.

Bilimsel kullanım sınırı: Bu Verianla makalesi kaynak çalışmanın sonuçlarını bağımsız ve öğretici bir yapıda açıklar; özgün araştırmanın yerine geçmez. Akademik atıf, ayrıntılı yöntem doğrulaması ve ek veri setinin incelenmesi için özgün DOI kaydı kullanılmalıdır.