Bu çalışma, eğitim kurumlarında kullanılan yapay zekâ sistemleri için ulusal yasalarla günlük sınıf uygulaması arasında eksik kaldığı ileri sürülen “Kurumsal Uyum Katmanı”nı incelemektedir. Yazarlar, Hindistan’daki altı K-12 eğitim kurumunda yapıldığı bildirilen bir yapay zekâ uyum denetiminin sonuçlarını kullanmış ve öğrenci verisi yönetimi, algoritmik şeffaflık, önyargı denetimi, tedarikçi sorumluluğu, öğrenci-veli hakları ve kurumsal gözetim alanlarını değerlendirmiştir. Denetimde dört boyutta hiçbir kurumun, algoritmik şeffaflıkta yalnızca bir kurumun ve tedarikçi sorumluluğunda iki kurumun uyumlu olduğu bildirilmiştir. Çalışma bu boşluğu gidermek amacıyla TAMIZH-G adlı kurum içine yerleştirilmiş bir yönetişim modeli önermektedir. Bununla birlikte örneklem yalnızca altı kurumdan oluşmakta; kurumların nasıl seçildiği, denetim kanıtları, puanlama kuralları, incelenen platform ve ham veriler açıklanmamaktadır. Bu nedenle sonuçlar geniş nüfusa genellenebilecek istatistiksel kanıtlar değil, keşifsel ve betimsel bulgulardır.

Makalenin temel savı, bir okulun yapay zekâya ilişkin yasalara veya etik ilkelere atıf yapmasının tek başına güvenli kullanım sağlamadığıdır. Yasal yükümlülüklerin günlük uygulamaya dönüşebilmesi için sorumlu bir yönetici, yapay zekâ sistem envanteri, tedarikçi sözleşme kuralları, veri hakları süreçleri, öğretmen müdahale yetkisi, düzenli önyargı denetimi ve sürekli çalışan bir yönetişim kurulunun kurum içinde bulunması gerektiği ileri sürülmektedir.

TAMIZH-G; şeffaflık, hesap verebilirlik, kurumsal yetkiye dayalı süreklilik, dürüstlük ve amaçla sınırlı veri kullanımı, önyargı denetimi, insan merkezlilik ve kalıcı yönetişim kurulu ilkelerini bir araya getirmektedir. Ancak çalışma bu modelin uygulandığı bir okulda veri ihlallerini azalttığını, algoritmik adaleti artırdığını veya öğrenci sonuçlarını iyileştirdiğini gösteren öncesi-sonrası karşılaştırması sunmamaktadır. TAMIZH-G bu aşamada doğrulanmış bir standarttan çok, uygulanması ve bağımsız biçimde sınanması önerilen bir yönetişim çerçevesidir.

Araştırmanın temel problemi nedir?

Yapay zekâ destekli uyarlanabilir öğrenme sistemleri, otomatik değerlendirme araçları, öğrenci öneri motorları, yüz tanımalı yoklama sistemleri ve yapay zekâ öğretmenleri eğitim ortamlarına hızla girmektedir. Bu araçlar öğrencilerin akademik performansı, davranışları, etkileşimleri, biyometrik özellikleri ve öğrenme alışkanlıkları hakkında büyük miktarda veri işleyebilir.

Yazarların belirlediği temel problem, teknoloji kullanımının kurumların yönetişim kapasitesinden daha hızlı ilerlemesidir. Ulusal düzenlemeler çocukların verilerinin nasıl korunacağını veya yüksek riskli yapay zekâ sistemlerinde hangi yükümlülüklerin uygulanacağını tanımlayabilir. Ancak okul düzeyinde bu yükümlülükleri kimin yerine getireceği, hangi sistemlerin denetleneceği, velinin nasıl bilgilendirileceği veya öğretmenin bir yapay zekâ kararına nasıl müdahale edeceği ayrıca düzenlenmediğinde uygulama boşluğu oluşmaktadır.

Çalışma bu boşluğu Kurumsal Uyum Katmanı olarak adlandırmaktadır. Bu katman bir yazılım ürünü veya tek seferlik sertifika değildir. Okulun veya üniversitenin kendi organizasyonu içinde yer alan rollerin, kurulların, kayıtların, sözleşme standartlarının, denetim döngülerinin ve veri hakları süreçlerinin bütünüdür.

Yapay zekâ yönetişiminin üç katmanı nasıl tanımlanıyor?

Makale eğitimde yapay zekâ yönetişimini üç düzeyde ele almaktadır:

Yazarlar, politika tartışmalarının ilk iki katmana yoğunlaştığını; üçüncü katmanın ise araştırmada ve uygulamada zayıf kaldığını savunmaktadır. Bir EdTech sağlayıcısının kendi gizlilik politikasının bulunması, okulun bu politikayı denetlediği veya velilere uygulanabilir hak süreçleri sunduğu anlamına gelmemektedir.

Kurumsal Uyum Katmanı hangi işlevleri yerine getirmelidir?

Kurumsal katmanın görevi, soyut ilkeleri ölçülebilir günlük işlemlere çevirmektir. Örneğin “öğrenci verileri korunmalıdır” ilkesi tek başına yeterli değildir. Kurumun hangi verilerin toplandığını kaydetmesi, gereksiz verileri engellemesi, saklama süresini belirlemesi, erişim yetkilerini sınırlandırması ve silme talebi geldiğinde uygulanacak süreci oluşturması gerekir.

Benzer biçimde “algoritmalar şeffaf olmalıdır” ifadesi, kaynak kodunun herkese açıklanması anlamına gelmek zorunda değildir. Eğitim bağlamında şeffaflık; öğretmen, öğrenci ve velinin bir önerinin hangi veri türlerine dayandığını, kararın ne ölçüde otomatik olduğunu, hangi sınırlılıkların bulunduğunu ve son karar yetkisinin kimde olduğunu anlayabilmesini gerektirir.

Çalışmanın küresel bağlamı nasıl kuruluyor?

Yazarlar, UNESCO Küresel Eğitim İzleme Raporu 2023’e dayanarak eğitim verilerinin gizliliğini hukuken güvenceye alan ülkelerin oranını yaklaşık yedide bir olarak aktarmaktadır. Ayrıca OECD’nin 2023 tarihli çalışmasına atıfla incelenen ülkelerdeki okulların %10’undan daha azında resmî kurumsal yapay zekâ yönetişim politikası bulunduğu ileri sürülmektedir.

Human Rights Watch’ın 2022 incelemesi de 49 ülkede kullanılan 164 eğitim teknolojisi ürününün çocukları izlediğini ve birçok durumda velilerin yeterince bilgilendirilmediğini gösteren bir örnek olarak sunulmaktadır. Bu rakamlar makalede ikincil kaynaklardan aktarılmıştır; çalışma bu küresel oranları yeniden hesaplayan bağımsız bir veri analizi gerçekleştirmemiştir.

Yazarların çıkardığı sonuç, sorunun yalnızca gizlilik metinlerinin eksikliği olmadığıdır. Ulusal hukuk güçlü olsa bile kurum içinde sorumlu roller ve uygulanabilir iş akışları bulunmadığında yasal koruma sınıf düzeyine ulaşamayabilir.

Hindistan bağlamı neden seçilmiştir?

Çalışma, Hindistan’ın yaklaşık 250 milyon öğrenciyi kapsayan büyük bir okul çağındaki nüfusa sahip olduğunu ve ülkedeki EdTech kullanımının COVID-19 döneminde hızlandığını belirtmektedir. Hindistan Ulusal Eğitim Politikası 2020 teknoloji kullanımını desteklerken, Dijital Kişisel Verilerin Korunması Yasası 2023 çocuk verileri için hak ve yükümlülükler öngörmektedir.

Makalenin savına göre bir politika teknoloji kullanımını hızlandırırken diğer politika verilerin korunmasını gerektirmektedir. İki politika arasındaki günlük uygulama bağlantısını ise okul yönetimlerinin kurması gerekir. Kurumsal uyum açığı tam olarak bu noktada ortaya çıkmaktadır.

Denetim nasıl tasarlanmıştır?

TransScend Ishya tarafından, yapay zekâ kullanan bir platformun yer aldığı altı K-12 kurumunda kurumsal uyum denetimi yapıldığı bildirilmektedir. Denetim altı boyut etrafında yapılandırılmıştır:

1. Öğrenci verisi yönetişimi: Onay mekanizması, veri minimizasyonu ve saklama süresi.
2. Algoritmik şeffaflık: Yapay zekâ önerilerinin öğretmenler ve veliler tarafından anlaşılabilmesi.
3. Önyargı ve eşitlik değerlendirmesi: Farklı sosyoekonomik veya demografik gruplar için sonuçların adilliğinin denetlenmesi.
4. Tedarikçi hesap verebilirliği: Verinin kullanım amacı, alt işleyiciler ve ihlal bildirimiyle ilgili sözleşme hükümleri.
5. Öğrenci ve veli hakları: Veriye erişim, düzeltme ve silme taleplerinin uygulanması.
6. Kurumsal gözetim: Yapay zekâdan sorumlu bir görevli veya kalıcı bir yönetişim kurulunun bulunması.

Metin bu boyutların neye göre “uyumlu” veya “uyumsuz” sayıldığını ayrıntılı bir puanlama cetveliyle açıklamamaktadır. Denetlenen kurumların özel veya kamu okulu olduğu, hangi eyaletlerde bulunduğu, öğrenci sayıları, kullanılan platformun işlevi, denetimin tarihi ve incelenen belge sayısı da verilmemiştir.

Denetimin ana bulguları nelerdir?

Tablonun temel mesajı, denetlenen kurumlarda yapay zekâ araçlarının kullanılmasına rağmen bunu yönetecek kurumsal altyapının son derece sınırlı olduğudur. Algoritmik şeffaflıkta yalnızca bir kurum, tedarikçi hesap verebilirliğinde ise iki kurum uyumlu olarak değerlendirilmiştir. Diğer dört boyutta uyumlu kurum bildirilmemiştir.

Yazarlar bütün kurumların kendi ulusal yasalarının asgari standartlarının altında faaliyet gösterdiğini ileri sürmektedir. Ancak metin okul bazında ayrıntılı hukuki analiz, ihlal maddeleri, kurumların cevapları veya yetkili makam kararı sunmamaktadır. Bu nedenle bu ifade düzenleyici bir makamın kesinleşmiş ihlal kararı değil, denetimi gerçekleştiren kuruluşun değerlendirmesidir.

“0/6” sonucu nasıl yorumlanmalıdır?

“0/6”, incelenen altı kurum içinde ilgili ölçütü karşıladığı kabul edilen hiçbir kurum bulunmadığını ifade eder. Bu sayı, Hindistan’daki bütün okulların sıfır uyum gösterdiği anlamına gelmez. Örneklemin seçim yöntemi açıklanmadığından kurumların ülkeyi temsil edip etmediği bilinmemektedir.

Çalışmada güven aralığı, hata payı, hipotez testi veya örneklem ağırlıklandırması kullanılmamıştır. Sonuçlar frekans tablosuna dayalı betimsel gözlemlerdir. Buna rağmen dört boyutta 0/6 sonucunun ortaya çıkması, incelenen kurumlarda sistematik bir yönetişim sorunu bulunabileceğine dair önemli bir ön işaret oluşturmaktadır.

Öğrenci verisi yönetişimindeki sorun ne anlama geliyor?

Çalışmada biyometrik veya davranışsal verilerin öğrenci ve velilere açıklanandan daha geniş kapsamda toplandığı belirtilmektedir. Biyometrik veri yüz görüntüsü, parmak izi veya benzeri kimlik belirleyici ölçümleri; davranışsal veri ise tıklama sıklığı, çalışma süresi, cevap örüntüsü ve platform içindeki etkileşimleri kapsayabilir.

Ancak çalışmada hangi veri türlerinin hangi kurumlarda toplandığına ilişkin örnek kayıtlar verilmemiştir. Açıklanan kapsamın nasıl belirlendiği, veli onay formunda ne yazdığı ve platformun gerçekte hangi verileri işlediği gösterilmemektedir. Dolayısıyla sorunun niteliği tanımlanmış, fakat bulgunun kanıt zinciri yayımlanmamıştır.

Algoritmik şeffaflık neden önemlidir?

Bir yapay zekâ sistemi öğrencinin başarı düzeyi, risk durumu veya hangi içeriği görmesi gerektiği hakkında öneride bulunabilir. Öğretmen bu önerinin nedenini anlayamıyorsa sistemin yanlış, eksik veya önyargılı değerlendirmesini fark etmesi zorlaşır.

Çalışmanın önerdiği şeffaflık yaklaşımı, yapay zekâ çıktısının öğretmen ve veli tarafından anlaşılabilir biçimde açıklanmasını gerektirir. Bir sistemin “öğrenci geride kalıyor” sonucuna yalnızca sınav puanına mı, devam durumuna mı, davranış verisine mi veya başka bir göstergesine mi dayanarak ulaştığı açık olmalıdır.

Denetimde yalnızca bir kurumun bu alanda uyumlu kabul edilmesi, açıklanabilirliğin ürün satın alma ve kullanım sürecine yeterince yerleşmemiş olabileceğini göstermektedir.

Önyargı ve eşitlik denetimi neyi araştırır?

Algoritmik önyargı denetimi, sistemin farklı öğrenci gruplarına karşı düzenli olarak farklı hata oranları veya fırsatlar üretip üretmediğini incelemelidir. Örneğin bir risk sınıflandırma sistemi belirli dil, bölge, cinsiyet, engellilik veya sosyoekonomik gruplarda daha fazla yanlış uyarı verebilir.

Denetlenen altı kurumun hiçbirinde tedarikçi veya okul tarafından belgelenmiş bir önyargı denetimi bulunmadığı bildirilmiştir. Bununla birlikte çalışma, kullanılan modelin gerçekten ayrımcı sonuç ürettiğini gösteren grup karşılaştırmalı performans verisi sunmamaktadır. Bulgusu, önyargının kanıtlandığı değil, önyargıyı araştıracak denetim mekanizmasının bulunmadığı yönündedir.

Tedarikçi ve alt işleyici sorumluluğu nedir?

Bir okulun sözleşme yaptığı EdTech şirketi öğrenci verilerini başka bulut hizmetlerine, analiz şirketlerine veya yapay zekâ sağlayıcılarına aktarabilir. Bu üçüncü taraflar veri koruma hukukunda alt işleyici veya alt yüklenici olarak değerlendirilebilir.

Çalışmada yalnızca iki kurumun sözleşmelerinde alt işleyicilerin açıklanmasına ilişkin yeterli hüküm bulunduğu belirtilmektedir. Alt işleyicilerin bilinmemesi, verinin hangi ülkeye aktarıldığı, ne kadar süre saklandığı ve bir ihlalde kimin sorumlu olduğu konularını belirsizleştirebilir.

Öğrenci ve veli hakları neden yalnızca politika metniyle sağlanamaz?

Bir veri koruma yasasının erişim, düzeltme veya silme hakkı tanıması, okulun bu talepleri otomatik olarak yerine getirebildiği anlamına gelmez. Kurumun talebin gönderileceği bir kanal, kimlik doğrulama yöntemi, cevap süresi, sorumlu personel ve tedarikçiye iletim prosedürü oluşturması gerekir.

Denetimde hiçbir kurumda belgelenmiş erişim veya silme talebi süreci bulunmadığı bildirilmiştir. Bu sonuç, hakların kâğıt üzerinde bulunmasıyla günlük olarak kullanılabilir hâle gelmesi arasındaki farkı somutlaştırmaktadır.

Kurumsal gözetimin eksikliği neden merkezî sorun olarak görülüyor?

Altı kurumun hiçbirinde belirlenmiş yapay zekâ yönetişim sorumlusu veya kurulu bulunmadığı bildirilmiştir. Böyle bir rol olmadığında tedarikçi seçimi, veri ihlali, algoritmik hata veya veli şikâyeti farklı birimler arasında sahipsiz kalabilir.

Makalenin ana tezi bu nedenle tek bir gizlilik sorunundan daha geniştir. Asıl eksiklik, bütün sorunları düzenli biçimde ele alacak kalıcı organizasyonun bulunmamasıdır.

TAMIZH-G çerçevesi nedir?

TAMIZH-G, eğitim kurumlarının içine yerleştirilmesi tasarlanan bir yapay zekâ yönetişim modelidir. İngilizce adındaki her harf bir yönetişim taahhüdünü temsil etmektedir:

“Zero-Bias” ifadesi çerçevenin adlandırılmış hedefidir. Çalışma herhangi bir sistemin mutlak biçimde sıfır önyargıya ulaştırılabileceğini kanıtlamamaktadır. Uygulanabilir anlamı, önyargının varsayılmaması ve düzenli olarak ölçülmesidir.

TAMIZH-G kurumlarda nasıl uygulanacaktır?

Model dört aşamalı bir uygulama döngüsü önermektedir:

1. Tanısal denetim: Kurumun altı uyum boyutundaki mevcut durumunun belirlenmesi.
2. Kurul oluşturma: Üyeleri, yetkileri ve toplantı sıklığı tanımlanmış Dijital ve Etik Yapay Zekâ Yönetişim Kurulunun kurulması.
3. Çerçeve uygulaması: Politika belgelerinin hazırlanması, personel eğitimi, sistem envanteri ve tedarikçi sözleşmelerinin düzeltilmesi.
4. Yıllık uyum incelemesi: Yeniden denetim, kamuya yönelik şeffaflık raporu ve yönetişim olgunluğunun değerlendirilmesi.

Yazarlar bu modeli dışarıdan verilen tek seferlik bir sertifika olarak tanımlamamaktadır. Bağımsız uyum ortağı kurumla çalışabilse de karar sahipliği okul veya üniversitede kalmalıdır. “Yönetişim dışarıya devredilemez” ilkesi modelin merkezindedir.

Çerçeve hangi düzenlemelerle ilişkilendiriliyor?

TAMIZH-G üç temel politika kaynağının kesişiminde konumlandırılmaktadır:

• Hindistan Dijital Kişisel Verilerin Korunması Yasası 2023: onay, amaçla sınırlılık ve çocuk verisi hakları;
• Hindistan Ulusal Eğitim Politikası 2020: eğitimde teknoloji kullanımı ve kurumsal dönüşüm;
• UNESCO’nun yapay zekâ etiği ve eğitimde insan merkezli kullanım ilkeleri.

Çalışma TAMIZH-G’nin ISTE standartları, Avrupa Komisyonunun SELFIE aracı veya Hindistan’daki EdTech Tulna ürün değerlendirmesinin yerine geçmesini önermemektedir. Çerçevenin işlevi, bu tür rehberleri kurum içinde uygulayacak kalıcı organizasyonu oluşturmaktır.

Avrupa bağlamı nasıl ele alınmıştır?

Makalenin Avrupa bölümü, yapay zekâ yönetişimini insan hakları, demokrasi, kapsayıcılık ve yurttaş katılımı bağlamında tartışmaktadır. Avrupa Birliği Yapay Zekâ Yasası; GDPR, Veri Yönetişimi Yasası, Veri Yasası, Dijital Hizmetler Yasası ve Dijital Piyasalar Yasasıyla birlikte daha geniş bir düzenleyici ekosistemin parçası olarak sunulmaktadır.

Yazarlar üretken ve genel amaçlı yapay zekâ sistemlerinin yazarlık, sorumluluk ve kontrol kavramlarını zorlaştırdığını belirtmektedir. Eğitimde ise yapay zekânın yalnızca test performansına veya temel derslere odaklanan dar bir kullanım yerine; proje tabanlı, yaratıcı, demokratik ve insan merkezli öğrenmeyi desteklemesi gerektiği savunulmaktadır.

DECIDE projesi, vatandaşların yapay zekâ destekli kararlarda söz sahibi olmasını amaçlayan Avrupa yaklaşımına örnek olarak anılmaktadır. Ancak DECIDE projesi kaynakçada tam bibliyografik kimlikle gösterilmemiştir. Avrupa bölümü ayrıca sistematik bir ülke karşılaştırması, kurum örneklemi veya standartlar arası madde eşleştirmesi sunmamaktadır. Bu bölüm ampirik karşılaştırmadan çok kavramsal ve normatif bir tartışmadır.

Makalenin önerdiği asgari küresel kurumsal standart nedir?

Yazarlar, yapay zekâ kullanan her okul veya üniversitede en az aşağıdaki unsurların bulunmasını önermektedir:

• Tanımlanmış yetki ve sorumluluğa sahip bir yapay zekâ yönetişim sorumlusu;
• Kullanılan bütün yapay zekâ sistemlerini, amaçlarını, veri girdilerini, çıktılarını ve tedarikçilerini gösteren sistem envanteri;
• Öğrenci, veli ve okul topluluğuna sunulan yıllık algoritmik şeffaflık raporu;
• Veriye erişim, düzeltme ve silme taleplerini uygulanabilir hâle getiren öğrenci verisi hakları mimarisi;
• Öğrenci sonuçlarını etkileyen yapay zekâ önerilerinde öğretmenin müdahale veya geçersiz kılma yetkisi;
• Zaman çizelgesi, kurum içi bildirim zinciri ve paydaş iletişimini tanımlayan veri ihlali bildirim protokolü.

Bu unsurlar makalede önerilen minimum özelliklerdir. Uluslararası standardizasyon kuruluşlarınca kabul edilmiş bağlayıcı bir standart veya dünya çapında oluşmuş bilimsel uzlaşı olarak sunulmamalıdır.

Öğretmenin geçersiz kılma yetkisi neden önemlidir?

Bir yapay zekâ sistemi öğrencinin sınıfı geçmesi, ek desteğe yönlendirilmesi, risk grubuna alınması veya belirli içeriklere erişmesi üzerinde etkiliyse, nihai karar tamamen otomasyona bırakılamaz. Öğretmenin öneriyi inceleme, gerekçesini görme ve uygun değilse değiştirme yetkisi bulunmalıdır.

İnsan müdahalesi yalnızca ekranda bir onay düğmesi bulunması değildir. Öğretmenin sistemi anlayabilecek eğitime, yeterli zamana ve karar değiştirdiğinde cezalandırılmayacağı kurumsal yetkiye sahip olması gerekir. Makale bu gerekliliği ilkesel olarak belirtmekte, belirli bir geçersiz kılma arayüzünü deneysel olarak test etmemektedir.

Çalışmanın güçlü yönleri nelerdir?

• Ulusal düzenleme ile sınıftaki günlük kullanım arasında çoğu zaman görünmez kalan kurumsal uygulama boşluğunu açık biçimde adlandırmaktadır.
• Yapay zekâ yönetişimini yalnızca tedarikçi sorumluluğu olarak görmeyip okul yönetiminin sorumluluğunu da öne çıkarmaktadır.
• Öğrenci verisi, algoritmik açıklanabilirlik, tedarikçi sözleşmeleri, veri hakları ve öğretmen yetkisini tek bir mimaride birleştirmektedir.
• Önerileri kurul, sorumlu kişi, envanter, yıllık rapor ve ihlal prosedürü gibi somut kurumsal araçlara dönüştürmektedir.
• Küresel Güney bağlamından geliştirilen bir modelin uluslararası tartışmaya dâhil edilmesini amaçlamaktadır.

Çalışmanın temel sınırlılıkları nelerdir?

• Çalışma hakem değerlendirmesinden geçtiği doğrulanmamış bir SSRN preprintidir.
• Denetim yalnızca altı eğitim kurumunu kapsamaktadır.
• Kurumların seçim yöntemi ve örneklemin temsil gücü açıklanmamıştır.
• Denetlenen kurumların, yapay zekâ platformunun ve tedarikçinin kimliği verilmemiştir.
• Denetimin tarihleri, süresi, denetçi sayısı ve incelenen belge türleri belirtilmemiştir.
• Uyumlu-uyumsuz sınıflandırmasının ayrıntılı puanlama ölçütleri yayımlanmamıştır.
• Ham veri, okul bazında sonuç ve örnek kanıt dokümanı sunulmamaktadır.
• Denetimin dayandığı temel rapor kurum içi belge olarak kaynak gösterilmiştir.
• Sonuçlarda güven aralığı, istatistiksel test veya duyarlılık analizi bulunmamaktadır.
• Hukuki uyumsuzluk iddiaları bağımsız düzenleyici kararlarla doğrulanmamıştır.
• TAMIZH-G’nin uygulama sonrası etkisini gösteren pilot çalışma veya karşılaştırmalı sonuç yoktur.
• Denetimi yapan kuruluşun kurucusu makalenin sorumlu yazarıdır; metinde çıkar çatışması veya denetçi bağımsızlığı beyanı bulunmamaktadır.
• Finansman, etik kurul, kurumların onayı veya verilerin gizliliğinin denetim sırasında nasıl korunduğuna ilişkin açıklama yer almamaktadır.
• Avrupa bölümü sistematik karşılaştırma yöntemi yerine geniş bir kavramsal anlatı sunmaktadır.

Çalışmanın desteklediği sonuçlar

• İncelenen altı kurumda resmî yapay zekâ yönetişim rollerinin ve kurullarının eksik olduğu bildirilmiştir.
• İncelenen kurumlarda öğrenci verisi hakları, önyargı denetimi ve algoritmik açıklama süreçlerinin yetersiz olduğuna dair betimsel kanıt sunulmuştur.
• Ulusal yasal yükümlülüklerin uygulanabilmesi için okul düzeyinde roller, süreçler ve kayıt sistemleri gerektiğine ilişkin tutarlı bir kavramsal gerekçe kurulmuştur.
• TAMIZH-G, kurumsal yapay zekâ yönetişiminin hangi bileşenlerden oluşabileceğine dair ayrıntılı bir öneri sunmaktadır.

Çalışmanın kanıtlamadığı sonuçlar

• Hindistan’daki bütün okulların aynı uyum eksikliklerine sahip olduğu kanıtlanmamıştır.
• Denetlenen yapay zekâ sistemlerinin öğrencilere doğrudan zarar verdiği veya ayrımcı karar ürettiği gösterilmemiştir.
• TAMIZH-G’nin veri ihlallerini, önyargıyı veya hukuki riski ölçülebilir biçimde azalttığı gösterilmemiştir.
• Çerçevenin diğer ülkelerin hukukuna değişiklik yapılmadan uygulanabileceği kanıtlanmamıştır.
• Modelin maliyeti, personel gereksinimi, öğretmen iş yükü veya uzun dönem sürdürülebilirliği değerlendirilmemiştir.
• Önerilen asgari standart uluslararası olarak kabul edilmiş resmî bir standart değildir.

Sonuçlar eğitim kurumları açısından ne ifade etmektedir?

Çalışmanın en önemli uygulamalı mesajı, yapay zekâ satın alma kararının yalnızca teknik özellik veya fiyat değerlendirmesiyle tamamlanamayacağıdır. Kurum; verinin kim tarafından işlendiğini, modelin öğrenci hakkında hangi sonuçları ürettiğini, öğretmenin karara müdahale edip edemediğini ve velinin itirazını nereye yapacağını önceden belirlemelidir.

Kurumsal Uyum Katmanı, yeniliği engellemeyi değil, yapay zekâ kullanımını izlenebilir ve sorumluluğu belirlenmiş hâle getirmeyi amaçlamaktadır. Ancak uygulanabilir bir modelin değeri, yalnızca kapsamlı ilkelere sahip olmasıyla değil; bağımsız denetimlerde, farklı okul türlerinde ve gerçek olaylarda ne kadar etkili olduğuyla belirlenebilir.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

Altı boyuttaki bulguların teknik özeti

Yüzdeler yalnızca altı kurumluk tablodaki sayıları daha anlaşılır göstermek amacıyla hesaplanmıştır. Küçük ve seçimi açıklanmayan örneklem nedeniyle bu yüzdeler Hindistan’daki okulların genel durumunu tahmin etmek için kullanılamaz.

TAMIZH-G uygulama bileşenleri

Bilimsel kanıt düzeyi

Çalışmada deney grubu, kontrol grubu, rastgele atama, istatistiksel anlamlılık testi, etki büyüklüğü, güven aralığı veya matematiksel model bulunmamaktadır. İki tablo, altı kurumun uyum sayılarını ve önerilen TAMIZH-G ilkelerini göstermektedir. Grafik, algoritma performans ölçütü veya öğrenci düzeyinde sonuç verisi sunulmamıştır.

Bu nedenle çalışma, “TAMIZH-G etkilidir” sonucunu test eden bir etki değerlendirmesi değildir. Makale; uygulamada görüldüğü bildirilen eksikliklerden hareketle bir sorun tanımı ve çözüm mimarisi geliştirmektedir.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: The Missing Layer: Institutional Compliance Frameworks as the Bridge between EdTech Innovation and Safe Classroom Deployment

Yazarlar ve sıraları: Prasanth RSA; Piet Kommers

Eş birinci yazar veya eş katkı: Çalışmada eş birinci yazarlık ya da eş katkı beyanı yer almamaktadır.

Sorumlu yazar: Prasanth RSA

Yazar ve kurum bilgileri: Prasanth RSA, çalışmada TransScend Ishya’nın kurucusu ve yöneticisi ile Hindistan’da yapay zekâ yönetişimi araştırmacısı olarak tanımlanmıştır. Piet Kommers, University of Twente’de emeritus profesör ve Hollanda’da öğrenme teknolojileri alanında araştırmacı olarak belirtilmiştir. SSRN kaydı kurumları TransScend Ishya Pvt Ltd ve University of Twente olarak listelemektedir.

DOI:10.2139/ssrn.6812418

Dergi: Hakemli bir dergi yayını bu çalışma için doğrulanamamıştır.

Yayın platformu: SSRN

Platform sağlayıcısı: Elsevier

Çalışmanın yazım tarihi: 21 Mayıs 2026

SSRN’ye yüklenme tarihi: 3 Haziran 2026

Yayın yılı: 2026

Sayfa sayısı: 12

Kaynak türü: SSRN çalışma kâğıdı/preprint; kavramsal politika makalesi, betimsel kurumsal uyum denetimi ve yönetişim çerçevesi önerisi

Hakemlik durumu: Hakem değerlendirmesinden geçmiş bir dergi sürümü doğrulanamamıştır. Çalışma bu nedenle hakemli araştırma makalesi olarak sunulmamalıdır.

Resmî çalışma bağlantısı:SSRN resmî kayıt sayfası

Temel denetim kaynağı: TransScend Ishya. “First Institutional AI Compliance Audit Report: AI Platform Deployment in Indian K-12 Schools.” Çalışmanın kaynakçasında 2026 tarihli kurum içi araştırma belgesi olarak gösterilmiştir. Ayrıntılı rapor veya ham denetim verileri makalede sunulmamıştır.

Kurumsal ilişki ve olası çıkar bağlantısı: Denetimi gerçekleştirdiği bildirilen TransScend Ishya’nın kurucusu ve yöneticisi, aynı zamanda makalenin sorumlu yazarıdır. TAMIZH-G modeli de bu kurumsal bağlam içinde sunulmaktadır. Metinde çıkar çatışması, finansman veya bağımsız denetçi beyanı bulunmamaktadır. Bu durum sonuçların yanlış olduğunu kanıtlamaz; ancak bağımsız doğrulama gereksinimini artırır.

Bu Türkçe anlatım, yüklenen çalışmanın bütün metni, denetim tablosu, TAMIZH-G ilkeleri, Avrupa bağlamı, asgari standart önerisi ve kaynakçası incelenerek hazırlanmıştır. Çalışmada bulunmayan yeni denetim sonucu, hukuki ihlal kararı, algoritmik zarar, öğrenci başarısı etkisi veya çerçevenin doğrulanmış uygulama başarısı eklenmemiştir.

Çalışmanın bulguları; küçük ve seçimi açıklanmayan örneklem, kurum içi denetim raporuna bağımlılık, kanıt ve puanlama ayrıntılarının bulunmaması, bağımsız doğrulama eksikliği ve TAMIZH-G için etki değerlendirmesi yapılmaması dikkate alınarak okunmalıdır. Makale önemli bir yönetişim sorununa dikkat çekmekte, fakat önerdiği modelin güvenlik, adalet veya mevzuata uyum üzerindeki gerçek etkisini henüz kanıtlamamaktadır.