Bu çalışma, işletme öğrencilerinin üretken yapay zekâyı yalnızca kullanabilen değil, çıktıları doğrulayabilen, riskleri değerlendirebilen ve hangi işlerde kullanılmasına karar verebilen profesyoneller olarak yetiştirilmesi için kavramsal bir müfredat modeli önermektedir. Joel Reynolds tarafından geliştirilen İnsan Merkezli Üretken Yapay Zekâ Orkestratörü, teknoloji kabul modeli, öğretimsel yapı iskelesi, deneyimsel öğrenme ve öz düzenlemeli öğrenme kuramlarını bir araya getirmektedir. Modelin temel sonucu deneysel bir başarı ölçümü değil, üretken yapay zekâ okuryazarlığını beş boyut ve on bir alt yeterlik üzerinden mevcut işletme derslerine dağıtan uygulanabilir bir tasarım önerisidir. Çerçeve tek bir ABD işletme fakültesinde geliştirilmiş, öğrenci sonuçları üzerinde sınanmamış ve hakem değerlendirmesinden geçmemiştir.

Modelin merkezindeki benzetmeye göre eleştirel düşünme profesyonel muhakemenin motoru, etik ilkeler ile kurumun misyonu direksiyon, üretken yapay zekâ ise yakıttır. Yakıt işi hızlandırabilir; ancak yönü belirleyemez, çıktının doğru olup olmadığını değerlendiremez ve kararın sorumluluğunu üstlenemez. Bu nedenle üretken yapay zekâ okuryazarlığı yalnızca iyi istemler yazmak veya bir sohbet robotunu kullanmak değil; teknik anlayış, doğrulama, veri sorumluluğu, etik değerlendirme, alan bilgisi ve stratejik karar verme yeterliklerinin birlikte geliştirilmesidir.

Çalışma, üniversitelerin iki uç yaklaşımından kaçınmasını önermektedir. Üretken yapay zekâyı tamamen yasaklamak öğrencileri iş yaşamında karşılaşacakları araçlara hazırlamamaktadır. Sınırsız ve denetimsiz kullanıma izin vermek ise modeli çalıştırabilen fakat yanlış, uydurma veya önyargılı sonuçları fark edemeyen mezunlar oluşturabilir. Önerilen üçüncü yol, yapay zekâ kullanımını mevcut derslerin amaçlarına göre kademeli, şeffaf ve insan denetiminde öğretmektir.

Araştırmanın temel sorusu nedir?

Çalışma şu soruya yanıt aramaktadır: İşletme fakülteleri, üretken yapay zekânın iş yaşamında yaygınlaşmasına karşı öğrencileri nasıl hazırlamalıdır? Bu soru yalnızca öğrencilerin hangi yazılımı kullanacağını değil, yapay zekâyla üretilen bilgiyi nasıl değerlendireceğini, hatayı nasıl fark edeceğini, özel verileri nasıl koruyacağını ve yapay zekâ kullanımının işletmeye gerçekten değer sağlayıp sağlamadığını nasıl belirleyeceğini kapsamaktadır.

Yazarın çıkış noktası, üretken yapay zekânın muhasebe, finans, pazarlama, yönetim, operasyon ve iş analitiği gibi işletme alanlarında gündelik çalışma aracı hâline gelmesidir. Bu araçlar metin, analiz, rapor, fikir ve öneri üretme süresini azaltabilir. Fakat hızlı çıktı üretmek, doğru veya profesyonel açıdan savunulabilir çıktı üretmekle aynı değildir.

Büyük dil modelleri doğrulanmış bir veri tabanından kesin bilgi çekmek yerine eğitim verilerindeki örüntülere dayanarak olası sözcük dizilerini tahmin etmektedir. Bu yapı, akıcı ve ikna edici görünen fakat gerçekte yanlış olan ifadelerin, sayıların veya kaynakların üretilmesine yol açabilir. İşletme öğrencisinin yalnızca aracı çalıştırması bu nedenle yeterli görülmemektedir. Öğrenci, çıktının kendi meslek alanındaki standartlara, kanıtlara ve gerçek verilere uyup uymadığını değerlendirebilmelidir.

Yasaklama ve sınırsız kullanım neden yetersiz görülmektedir?

Çalışma yükseköğretimde iki yaygın tepkiyi eleştirmektedir. Birinci tepki, üretken yapay zekâyı ağırlıklı olarak akademik dürüstlük tehdidi kabul ederek kullanımını yasaklamak ve ihlalleri tespit etmeye çalışmaktır. İkinci tepki ise öğrencilere açık bir eğitim, sınır veya değerlendirme sistemi sunmadan istedikleri araçları kullanma serbestisi vermektir.

Yasaklama yaklaşımı, mezuniyet sonrasında yapay zekâ destekli araçlarla çalışması beklenen öğrencileri gerekli yeterliklerden yoksun bırakabilir. Öğrenci aracı ders sırasında hiç kullanmadığında veri girişi, doğrulama, kaynak kontrolü, algoritmik önyargı ve insan denetimi gibi riskleri güvenli bir eğitim ortamında öğrenme fırsatı bulamaz.

Sınırsız kullanım ise öğrencinin görevi yapay zekâya devretmesine ve üretken düşünme sürecini atlamasına neden olabilir. Araç, öğrencinin yapabileceğinden daha hızlı bir ilk taslak hazırladığında öğrenen kişi metni anlamadan kabul edebilir. Bu durum, kısa vadede ödev üretimini kolaylaştırırken öğrencinin kendi analiz ve değerlendirme kapasitesinin gelişmesini engelleyebilir.

Yazarın önerdiği yaklaşım, üretken yapay zekâyı ne bütünüyle dışarıda bırakmakta ne de onu öğrenmenin yerine koymaktadır. Yapay zekâ, öğrencinin muhakemesini geliştirecek biçimde yapılandırılmış görevlerin parçası hâline getirilmektedir. Değerlendirilen beceri yalnızca bir metin üretmek değil; hatayı bulmak, kaynağı doğrulamak, önyargıyı tanımak ve çıktıyı profesyonel standartlara göre düzeltmektir.

Literatürde hangi boşluk hedeflenmiştir?

Çalışmada yapay zekâ okuryazarlığı, yükseköğretimde üretken yapay zekâ, akademik dürüstlük ve belirli işletme disiplinlerindeki yapay zekâ kullanımı üzerine geniş bir literatür bulunduğu belirtilmektedir. Buna karşılık işletme öğrencilerinin hangi üretken yapay zekâ yeterliklerini edinmesi gerektiğini bütün fakülte düzeyinde tanımlayan ve bu yeterlikleri mevcut derslere dağıtan bütünleşik modellerin görece sınırlı olduğu savunulmaktadır.

Tek bir pazarlama, yönetim veya iş analitiği dersinde yapay zekâ etkinliği yapmak, öğrencinin program boyunca tutarlı bir gelişim yolu izlemesini garanti etmemektedir. Bir ders istem yazmayı öğretirken başka bir ders yapay zekâyı bütünüyle yasaklayabilir; üçüncü bir ders ise veri güvenliği veya doğrulama konusunda hiçbir kural koymadan kullanıma izin verebilir.

İnsan Merkezli Üretken Yapay Zekâ Orkestratörü bu parçalı yapıyı ortak bir yeterlik diliyle birleştirmeye çalışmaktadır. Beş ana boyut ve on bir alt boyut, fakülte içindeki farklı bölümlerin aynı genel hedefe kendi mesleki bağlamlarından katkı vermesini amaçlamaktadır.

Model hangi kuramlara dayanmaktadır?

Çerçeve dört temel öğrenme yaklaşımından yararlanmaktadır:

• Teknoloji Kabul Modeli,
• Öğretimsel yapı iskelesi yaklaşımı,
• Deneyimsel öğrenme,
• Öz düzenlemeli öğrenme.

Teknoloji Kabul Modeli

Teknoloji Kabul Modeli, insanların bir aracı kullanma eğiliminde aracın algılanan yararı ve kullanım kolaylığının belirleyici olduğunu öne sürmektedir. Öğrenci yapay zekâ etkinliğini dersin gerçek hedefiyle ilgisiz veya kullanımı gereksiz derecede zor görürse etkinliğe katılmayabilir.

Bu nedenle çalışmada üretken yapay zekâ görevlerinin gerçek işletme problemleriyle ilişkilendirilmesi önerilmektedir. Öğrenci genel ve soyut bir sohbet robotu denemesi yapmak yerine örneğin pazar analizi, veri kalitesi denetimi, operasyon değerlendirmesi veya yapay zekâ yatırımının geri dönüş hesabı gibi mesleki görevlerle çalışmalıdır.

Bununla birlikte benimseme modelin nihai hedefi değildir. Bir öğrencinin yapay zekâyı sık ve isteyerek kullanması, onu doğru kullandığını göstermez. Teknoloji kabulü yalnızca daha zor olan profesyonel muhakeme eğitiminin başlangıç koşuludur.

Öğretimsel yapı iskelesi

Yapı iskelesi yaklaşımında öğrenci, tek başına henüz tamamlayamayacağı bir görevi öğretmen, araç veya daha yetkin bir kişi tarafından sağlanan geçici destekle gerçekleştirir. Öğrencinin yeterliği geliştikçe desteğin azaltılması ve sorumluluğun öğrenene aktarılması gerekir.

Üretken yapay zekâ ilk taslak, örnek çözüm, açıklama veya alternatif fikir sağlayarak güçlü bir öğretim desteği oluşturabilir. Ancak destek hiçbir zaman azaltılmazsa öğrenci araca bağımlı hâle gelebilir. Çalışmada bu nedenle başlangıç derslerinde daha fazla yapay zekâ desteği, ileri düzey derslerde ise desteğin bilinçli biçimde azaltılması önerilmektedir.

İleri aşamalarda öğrencinin yapay zekâdan yalnızca cevap alması değil, cevabı eleştirmesi, düzeltmesi ve gerektiğinde araçtan daha iyi bir çözüm üretmesi beklenmektedir. Böylece yapı iskelesi kalıcı bir koltuk değneğine dönüşmeden öğrenmeyi desteklemektedir.

Deneyimsel öğrenme

Deneyimsel öğrenme, bilginin yalnızca anlatımla değil; gerçek bir görevi yapma, sonucu gözlemleme, deneyim üzerinde düşünme ve yeni bir yaklaşımı deneme döngüsüyle geliştiğini savunmaktadır.

Üretken yapay zekâ eğitimine uygulandığında öğrenci önce aracı gerçekçi bir işletme görevinde kullanmaktadır. Ardından çıktının nerede başarılı veya başarısız olduğunu inceler, hatanın nedenini tartışır ve yeni istem ya da yöntemle görevi tekrarlar. Öğrencinin mesleki yargısı bu tekrar ve düşünme döngüsü içinde gelişmektedir.

Öz düzenlemeli öğrenme

Öz düzenlemeli öğrenme, öğrencinin hedef belirleme, ilerlemeyi izleme ve gerektiğinde stratejisini değiştirme kapasitesidir. Üretken yapay zekâ, görevi öğrenci adına tamamlayabildiği için bu kapasiteyi hem destekleyebilir hem de zayıflatabilir.

Çalışma, öğrencinin kendi düşünme sürecini koruması için yapay zekâ çıktısının sorgulanmasını ve iyileştirilmesini zorunlu kılan görevler önermektedir. Böylece öğrenci yalnızca son ürünü teslim etmez; hangi bilgiyi kabul ettiğini, neyi reddettiğini ve hangi gerekçeyle değişiklik yaptığını da göstermektedir.

İnsan Merkezli Üretken Yapay Zekâ Orkestratörü nedir?

Model, üretken yapay zekâ okuryazarlığını beş birbirine bağlı boyutta tanımlamaktadır. Boyutlar katı bir sırayla ilerleyen bağımsız dersler değildir. Gerçek bir işletme görevi aynı anda teknik bilgi, eleştirel doğrulama, etik değerlendirme ve alan uzmanlığı gerektirebilir.

Birinci boyut: Temel üretken yapay zekâ ve veri okuryazarlığı

Birinci boyut öğrencinin yapay zekâ sistemlerini doğru bir zihinsel modelle anlamasını amaçlamaktadır. Öğrenci, büyük dil modelinin insan gibi bilmediğini; eğitim verilerinden öğrendiği örüntülere göre olası çıktılar ürettiğini kavramalıdır.

Bu yeterlik farklı araç türlerini ayırt etmeyi de kapsamaktadır. Sohbet modeli, tahmin sistemi, veri analiz aracı veya alan özelinde geliştirilmiş bir yapay zekâ aynı amaç için kullanılmamalıdır. Öğrencinin göreve uygun aracı seçebilmesi ve lisans, hesaplama, çevresel maliyet ve teknik sınırlar gibi unsurları değerlendirebilmesi beklenmektedir.

İkinci alt boyut veri sorumluluğudur. Yapay zekâ çıktısının kalitesi, kullanılan verinin kalitesinden bağımsız değildir. Eksik, güncel olmayan, yanlış veya belirli grupları temsil etmeyen veriler profesyonel kararı bozabilir. Öğrencinin yapay zekâya veri vermeden önce kaynağı, güncelliği, eksik değerleri ve örneklem önyargısını incelemesi gerekmektedir.

İkinci boyut: Eleştirel sorgulama ve analitik muhakeme

Çalışmada eleştirel muhakeme modelin motoru olarak tanımlanmaktadır. Yapay zekâ çıktısının akıcı olması güvenilir olduğu anlamına gelmez. Öğrencinin iddiaları güvenilir kaynaklarla karşılaştırması, uydurulmuş istatistikleri ve gerçekte bulunmayan kaynakları fark etmesi gerekir.

Eleştirel doğrulama, “güven fakat doğrula” alışkanlığına dayanmaktadır. Öğrenci yapay zekâ tarafından oluşturulmuş bir finansal modeldeki hesap hatalarını, işe alım önerisindeki önyargıyı veya pazar analizindeki kanıtsız iddiaları bulmakla görevlendirilebilir. Böyle bir görevde not verilen beceri metni üretmek değil, hatayı teşhis etmek ve doğru biçimde düzeltmektir.

Analitik muhakeme alt boyutu, yapay zekânın bir işletme sonucunu gerçekten iyileştirip iyileştirmediğinin ölçülmesini içerir. Öğrenci basit bir A/B karşılaştırması tasarlayabilir ve gözlenen ilişkiyle neden-sonuç ilişkisini birbirinden ayırabilir.

Değerlendirme ve izleme alt boyutu ise yapay zekâ sistemlerinin zaman içinde takip edilmesini gerektirir. Aynı isteme farklı cevaplar üretebilen bir sistem için kalite ölçütleri, değerlendirme rubrikleri ve referans örnekler oluşturulmalıdır. Model performansının zaman içinde değişebileceği, başlangıçta başarılı olan sistemin daha sonra aynı kalitede çalışmayabileceği öğretilmelidir.

Üçüncü boyut: Etik sorumluluk ve güvenilir yapay zekâ

Etik boyut modelin direksiyonudur. Üretken yapay zekânın teknik olarak bir işi yapabilmesi, o kullanımın hukuken, mesleki açıdan veya toplumsal bakımdan uygun olduğu anlamına gelmez.

Gizlilik, güvenlik ve mevzuata uyum alt boyutu; öğrencinin kamuya açık yapay zekâ araçlarına hangi bilgilerin kesinlikle girilmemesi gerektiğini bilmesini amaçlamaktadır. Müşteri kayıtları, çalışan bilgileri, ticari sırlar, finansal belgeler veya kişiyi belirlenebilir hâle getiren veriler kontrolsüz araçlara aktarılmamalıdır.

Çalışmada ABD’ye özgü FERPA mevzuatı örnek verilmektedir. Bu örnek çerçevenin geliştirildiği yerel bağlamı göstermektedir; başka ülkelerde ders içerikleri ilgili yerel veri koruma, eğitim ve meslek kurallarına göre değiştirilmelidir.

Sorumlu yapay zekâ ve hakkaniyet alt boyutu, tarihsel veya toplumsal önyargıların yapay zekâ çıktısına yansımasını fark etmeyi kapsamaktadır. İşe alım, kredi, pazarlama veya müşteri sınıflandırması gibi alanlarda yapay zekâ önerisinin belirli grupları sistematik biçimde dezavantajlı duruma getirip getirmediği incelenmelidir.

Dördüncü boyut: İnsan merkezli yenilik ve yaratıcılık

Bu boyut yapay zekâyı yalnızca hata kaynağı olarak değil, insan muhakemesi altında kullanılabilecek bir değer üretme aracı olarak ele almaktadır.

Gelişmiş istem orkestrasyonu, tek cümlelik soruların ötesine geçmektedir. Öğrencinin modele rol, bağlam, sınır, çıktı biçimi ve değerlendirme ölçütü vermesi; daha sonra ara sonuçları inceleyerek istemi aşamalı biçimde geliştirmesi beklenmektedir. Çalışma bunu doğal dil aracılığıyla programlamaya benzeyen çok aşamalı bir yönlendirme faaliyeti olarak görmektedir.

Ajanlı iş akışları ve kişisel üretkenlik alt boyutu, hangi görevlerin otomasyona uygun olduğunu belirlemeye odaklanmaktadır. Tekrarlayan ve düşük muhakeme gerektiren bazı işler yapay zekâ yardımcısına devredilebilir. Buna karşılık müşteri ilişkisi, etik karar, stratejik öncelik ve yaratıcı yön belirleme gibi yüksek sorumluluk taşıyan işlerde insan denetimi devam etmelidir.

Modelin amacı öğrencinin mümkün olan her şeyi otomatikleştirmesi değildir. Öğrenci, hangi adımın otomasyona uygun olduğunu, hangi adımda insan kontrolü gerektiğini ve hata ortaya çıktığında sorumluluğun kimde olduğunu açıklayabilmelidir.

Beşinci boyut: Stratejik işletme ve alan uzmanlığı

Aynı üretken yapay zekâ aracı muhasebe, finans, pazarlama veya operasyon alanında farklı görev ve risklerle kullanılmaktadır. Bu nedenle genel yapay zekâ bilgisi, alan uzmanlığının yerine geçmemektedir.

Uygulamalı işletme kullanım alanları alt boyutu, öğrencinin yapay zekâyı kendi bölümünün sorunlarına, araçlarına, standartlarına ve terminolojisine göre kullanmasını amaçlamaktadır. Pazarlama öğrencisinin kampanya fikri değerlendirmesiyle muhasebe öğrencisinin finansal belge kontrolü aynı başarı ölçütleriyle incelenemez.

Strateji, yönetişim ve yatırım getirisi alt boyutu, yapay zekâ kullanımını bir işletme yatırımı olarak değerlendirmektedir. Öğrencinin yalnızca aracın yapabileceklerini anlatması değil; beklenen faydayı, maliyeti, riski, uygulama planını ve çalışanların sistemi benimsemesi için gereken değişim sürecini birlikte ele alması beklenmektedir.

Bir yapay zekâ aracının teknik olarak etkileyici olması, işletme için doğru yatırım olduğu anlamına gelmez. Öğrenci aracın gerçek bir probleme çözüm getirip getirmediğini, güvenilirlik riskini, paydaş güvenini ve sürdürülebilirlik etkisini değerlendirmelidir.

Neden yeni ders eklemek yerine mevcut dersler güçlendirilmektedir?

Çerçevenin önemli tasarım tercihi “ekleme” yerine “güçlendirme” yaklaşımıdır. Ayrı bir üretken yapay zekâ dersi açmak, konuya yalnızca tek bir bölümün sahip olması ve diğer derslerin yapay zekâyı kendi mesleki bağlamlarından ayrı görmesi riskini taşımaktadır.

Önerilen modelde on bir alt yeterlik, hâlihazırda okutulan işletme derslerine dağıtılmaktadır. Her ders içeriğine uygun bir veya iki yeterliği üstlenmekte, bu yeterlik için üretken yapay zekâ etkinliği ve ölçülebilir öğrenme çıktısı eklemektedir.

Bu yöntem yeni ders ve öğretim elemanı ihtiyacını azaltmayı, alan öğretim elemanlarını müfredatın merkezinde tutmayı ve öğrenciye yapay zekâ muhakemesinin ayrı bir teknik konu değil, her işletme disiplininin parçası olduğunu göstermeyi amaçlamaktadır.

On bir alt yeterlik derslere nasıl dağıtılmaktadır?

Çalışmanın 14. sayfasındaki tablo, alt yeterlikleri örnek işletme dersleri ve öğrenme çıktılarıyla eşleştirmektedir. Yazar bu eşleştirmelerin bağlayıcı reçete değil, kurumların kendi ders yapılarına uyarlayabileceği örnekler olduğunu açıkça belirtmektedir.

Metinle tablo arasında bazı ders eşleştirme farklılıkları bulunmaktadır. Ana açıklamada değerlendirme ve izleme yeterliği için İş Analitiği, tabloda ise Operasyon Yönetimi örnek gösterilmektedir. İstem orkestrasyonu ana metinde İş Analitiğiyle ilişkilendirilirken tabloda Makroekonomi dersine yerleştirilmiştir. Yazar eşleştirmeleri örnek olarak tanımladığı için bunlar bilimsel sonuç çelişkisinden çok çerçevenin henüz kesinleştirilmemiş uygulama ayrıntılarıdır. Yine de gerçek bir programda hangi dersin hangi yeterlikten sorumlu olduğu açık biçimde belirlenmelidir.

Kademeli akademik dürüstlük politikası nasıl çalışmaktadır?

Çerçeve bütün ödevler için tek bir yapay zekâ kuralı kullanılmasını önermemektedir. Bunun yerine öğretim elemanı her görev için yapay zekâ kullanım düzeyini öğrenme hedefi doğrultusunda önceden belirlemektedir.

• Yapay zekâ kullanımının yasak olduğu görevler,
• Kullanımın açıkça bildirilmesi koşuluyla izin verildiği görevler,
• Yapay zekâ kullanımının görevin zorunlu ve değerlendirilen bir parçası olduğu görevler.

Bu yaklaşımda temel amaç öğrenciyi tespit ve cezalandırma sistemleriyle izlemek değil, hangi kullanımın neden uygun veya uygunsuz olduğunu şeffaflaştırmaktır. Öğrenci, yapay zekâyı kullanıp kullanmadığını ve kullanımın çalışmaya nasıl katkı verdiğini açıklamalıdır.

Görevin amacı öğrencinin temel hesaplama veya yazma yeterliğini ölçmekse yapay zekâ yasaklanabilir. Amaç yapay zekâ çıktısını değerlendirmekse kullanım zorunlu olabilir. Böylece kural kullanılan teknolojiye değil, ölçülmek istenen öğrenme çıktısına bağlanmaktadır.

Kurumsal uygulama ortamı neden gereklidir?

Öğrenciler üniversiteye üretken yapay zekâ konusunda eşit deneyimle gelmemektedir. Bazıları gelişmiş araçları yoğun biçimde kullanırken bazıları temel işlevleri dahi bilmeyebilir. Çalışma bu farklılığı azaltmak için ortak bir başlangıç yönlendirmesi önermektedir.

Ayrıca öğrencilerin hassas verileri kontrolsüz tüketici hizmetlerine aktarmadan deney yapabileceği, kurum tarafından yönetilen güvenli bir uygulama ortamı önerilmektedir. Böyle bir ortam erişim engelini azaltabilir ve ilk kullanımın daha kolay olmasını sağlayabilir.

Ancak kurumsal olarak yönetilen araç kullanmak tek başına güvenli ve etik kullanım garantisi değildir. Veri giriş kuralları, erişim yetkileri, denetim sorumluluğu ve kullanım amaçları ayrıca tanımlanmalıdır.

Mikro-yeterlikler ve rozetler ne amaçlamaktadır?

Çerçeve öğrencinin beş boyuttaki ilerlemesini belgelemek amacıyla mikro-yeterlik veya dijital rozetler önermektedir. Bu belgelerin belirli bir yapay zekâ yeterliğini öğrenci ve işveren açısından görünür hâle getirmesi amaçlanmaktadır.

Örneğin bir öğrenci veri sorumluluğu, eleştirel doğrulama veya stratejik yapay zekâ yönetişimi alanında ayrı bir yeterlik gösterebilir. Bununla birlikte çalışma, mikro-yeterliklerin işverenler tarafından ne ölçüde değer gördüğüne ilişkin kanıtların henüz gelişmekte olduğunu açıkça belirtmektedir.

Çerçeve Türkiye açısından ne ifade etmektedir?

Çalışmanın geliştirilme ortamı ABD’deki özel ve misyon odaklı bir üniversitedir. Bu nedenle ders adları, kurumsal teknoloji altyapısı, veri koruma örnekleri ve akademik dürüstlük uygulamaları Türkiye’de doğrudan kopyalanamaz.

Buna rağmen çerçevenin temel mekanizması Türkiye’ye aktarılabilir niteliktedir: Yeni ve maliyetli bir yapay zekâ dersi açmak yerine mevcut işletme derslerinin öğrenme çıktılarına yapay zekâ muhakemesi eklemek. Muhasebe, finans, pazarlama, yönetim, dış ticaret, lojistik ve iş analitiği programları bu beş boyutu kendi ders içeriklerine dağıtabilir.

Türkiye’de uygulanacak bir modelde en az şu yerel uyarlamalar gereklidir:

• Ders adlarının ve öğrenme çıktılarının ilgili üniversitenin program yapısına göre yeniden eşleştirilmesi,
• ABD’ye özgü veri ve eğitim mevzuatı örneklerinin Türkiye’de geçerli kurallarla değiştirilmesi,
• Türkçe üreten yapay zekâ sistemlerinin kaynak, dil ve alan terminolojisi bakımından ayrıca değerlendirilmesi,
• Öğrenci ve öğretim elemanlarının araçlara eşit erişiminin sağlanması,
• Yapay zekâ kullanım bildirimlerinin ödev ve sınav türlerine göre açıkça tanımlanması,
• Modelin öğrenci başarısı, eleştirel düşünme ve mesleki hazırlık üzerindeki etkisinin yerel verilerle ölçülmesi.

Çalışma, bu modelin Türkiye’de maliyeti düşüreceğini veya mezunların iş bulma başarısını artıracağını kanıtlamamaktadır. Türkiye açısından değer, mevcut programlara uyarlanabilecek açık bir yeterlik haritası sunmasındadır; gerçek sonuçlar ancak yerel pilotlar ve karşılaştırmalı çalışmalarla belirlenebilir.

Çalışmanın güçlü yönleri nelerdir?

• Üretken yapay zekâ okuryazarlığını yalnızca istem yazma becerisine indirgememektedir.
• Teknik bilgi, eleştirel düşünme, etik, yaratıcılık ve işletme stratejisini aynı model içinde birleştirmektedir.
• Fakülte düzeyindeki dağınık uygulamalar için ortak bir yeterlik dili sunmaktadır.
• Yeni ders açmak yerine mevcut dersleri güçlendiren daha düşük kaynak gereksinimli bir uygulama yolu önermektedir.
• Her alt yeterliği ölçülebilir öğrenme çıktısıyla ilişkilendirmeye çalışmaktadır.
• Yapay zekâ desteğinin öğrenci geliştikçe azaltılması gerektiğini açık biçimde vurgulamaktadır.
• Akademik dürüstlükte tek tip yasak yerine göreve bağlı şeffaf kullanım düzeyleri önermektedir.
• Modelin henüz doğrulanmadığını ve gelecekte hangi araştırmaların yapılması gerektiğini açıkça belirtmektedir.

Çalışmanın sınırlılıkları nelerdir?

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Yeni öğrenci, öğretim elemanı veya işveren verisi toplamamıştır.
• Kontrol grubu, deney, anket, ölçüm aracı veya istatistiksel sonuç bulunmamaktadır.
• Çerçeve tek bir ABD işletme fakültesinde geliştirilmiştir.
• Başka üniversitelere veya ülkelere aktarılabilirlik savunulmakta, ancak gösterilmemektedir.
• Beş boyutun öğrenci öğrenmesini, muhakemeyi veya mesleki hazırlığı artırdığı henüz sınanmamıştır.
• Kademeli akademik dürüstlük politikasının öğrenci davranışını değiştirip değiştirmediği bilinmemektedir.
• Mikro-yeterliklerin işverenler tarafından tanınıp tanınmayacağı gösterilmemiştir.
• Kurumsal yapay zekâ ortamının maliyeti ve uygulanabilirliği hesaplanmamıştır.
• Bazı alt yeterliklerin ana metin ve tabloda farklı derslere eşleştirilmesi uygulama haritasının henüz kesinleşmediğini göstermektedir.

Çalışma neyi söylemekte, neyi söylememektedir?

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımının teknik özeti

Modelin beş tasarım boyutu

1. Temel üretken yapay zekâ ve veri okuryazarlığı: Öğrencinin aracın çalışma mantığını, veri bağımlılığını, sınırlarını ve maliyetlerini anlaması.
2. Eleştirel sorgulama ve analitik muhakeme: Yapay zekâ çıktılarının kaynak, kanıt, nedensellik ve mesleki kalite bakımından denetlenmesi.
3. Etik sorumluluk ve güvenilir yapay zekâ: Gizlilik, güvenlik, mevzuata uyum, hakkaniyet ve önyargı değerlendirmesi.
4. İnsan merkezli yenilik ve yaratıcılık: İleri istem tasarımı ve insan gözetiminde ajanlı iş akışlarının kurulması.
5. Stratejik işletme ve alan uzmanlığı: Yapay zekânın alan özelindeki kullanım değerinin, riskinin, yönetişiminin ve yatırım getirisinin değerlendirilmesi.

Çalışmanın başlıca tasarım önermeleri

• Üretken yapay zekâ okuryazarlığı ayrı bir teknik beceri değil, profesyonel muhakemenin parçasıdır.
• Eleştirel düşünme yapay zekâ kullanımının merkezinde kalmalıdır.
• Etik ve kurumsal amaçlar, yapay zekânın hangi yönde kullanılacağını belirlemelidir.
• Yapay zekâ mevcut derslere alan özelinde yerleştirilmelidir.
• Başlangıçta sağlanan yapay zekâ desteği öğrenci geliştikçe azaltılmalıdır.
• Öğrenciler yalnızca çıktı üretmekle değil, çıktıyı doğrulamak ve geliştirmekle değerlendirilmelidir.
• Akademik dürüstlük politikaları göreve göre yasak, açıklamalı izin veya zorunlu kullanım düzeyi belirlemelidir.
• Hassas verilerin korunabileceği kurumsal bir uygulama ortamı sağlanmalıdır.
• Mikro-yeterlikler öğrencinin belirli yapay zekâ yeterliklerini görünür kılabilir.

Bu maddeler deneysel bulgu değil, çalışmanın ileri sürdüğü tasarım önermeleridir. Yazar, modelin geçerliliğini sınamak için üretken yapay zekâ okuryazarlığı ölçekleri, ders performansı karşılaştırmaları, çok kurumlu araştırmalar ve uzunlamasına çalışmalar önermektedir.

Gelecekte yapılması önerilen doğrulamalar

• Çerçeveyi kullanan ve kullanmayan derslerde öğrenci öğrenmesinin karşılaştırılması,
• Eleştirel muhakeme ve yapay zekâ okuryazarlığının geçerli ölçüm araçlarıyla değerlendirilmesi,
• Beş boyuttan hangilerinin geliştirilmesinin daha zor olduğunun belirlenmesi,
• Kademeli akademik dürüstlük politikasının öğrenci davranışına etkisinin ölçülmesi,
• İşverenlerin mikro-yeterliklere verdiği değerin araştırılması,
• Modelin farklı üniversitelerde sınanması,
• Öğrencilerin kazandığı muhakemenin iş yaşamına taşınıp taşınmadığının uzun dönemli olarak izlenmesi.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Human-Centric Generative AI Literacy in Business Education Curriculum

Yazar: Joel Reynolds

Yazar sıralaması: Çalışma tek yazarlıdır.

Eş birinci yazar: Bulunmamaktadır.

Sorumlu yazar: Joel Reynolds

Kurumsal bağlantı: Driehaus College of Business, DePaul University, Chicago, Illinois, ABD.

Resmî kurumsal görev: DePaul University resmî profilinde Associate Professor ve Director of Hospitality Leadership Undergraduate Programs olarak gösterilmektedir.

Kaynak türü: Kavramsal müfredat çerçevesi, tasarım/pozisyon makalesi ve preprint.

Yayın yılı: 2026.

SSRN yayın tarihi: 5 Haziran 2026.

DOI:10.2139/ssrn.6883290

Dergi: Hakemli bir dergi yayını bulunmamaktadır.

Özgün yayınevi: Hakemli bir dergi yayınevi bulunmamaktadır.

Yayın platformu: Social Science Research Network (SSRN).

Resmî çalışma bağlantısı:SSRN çalışma sayfası

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; modelin eğitim sonuçları üzerindeki etkisi bu sınırlılık dikkate alınarak değerlendirilmelidir.

Bu Türkçe açıklama, yüklenen 29 sayfalık çalışma; ana metni, teorik dayanakları, ders eşleştirme tablosu, uygulama önerileri, sınırlılıkları ve kaynakçasıyla birlikte incelenerek hazırlanmıştır. Çalışmada olmayan öğrenci başarısı, maliyet tasarrufu, istihdam artışı veya kurumsal uygulama başarısı iddiası eklenmemiştir.

Çalışma yeni ampirik veri üretmemektedir. Beş boyutlu model, on bir alt yeterlik, kademeli akademik dürüstlük politikası, kurumsal uygulama ortamı ve mikro-yeterlik sistemi doğrulanmış eğitim müdahaleleri değil, daha sonra karşılaştırmalı ve uzunlamasına araştırmalarla sınanması gereken tasarım önermeleridir.

Çerçeve ABD’deki tek bir işletme fakültesinin koşullarında geliştirilmiştir. Türkiye’de uygulanması hâlinde ders yapısı, dil, erişim koşulları, veri koruma kuralları, akademik değerlendirme sistemi ve işveren beklentileri bakımından yerel uyarlama ve bağımsız sonuç değerlendirmesi gereklidir.