Bu çalışma, üretken yapay zekâ (Generative Artificial Intelligence, GenAI) araçlarının bir üst düzey lisans/başlangıç lisansüstü biyokimya dersindeki bilimsel yazma ödevine bütünleştirilmesini inceleyen keşifsel bir eğitim araştırmasıdır. GenAI destekli yazma ödevi; öğrencilerin ChatGPT, U-M GPT, U-M Maizey ve LearningClues araçlarını kullanarak konu geliştirmesini, prompt oluşturmasını, 500 kelimelik yapay zekâ destekli bir taslak hazırlamasını, kaynakları doğrulamasını, taslağı kendi yazılarıyla 1000 kelimelik nihai metne dönüştürmesini ve deneyimlerini sınıfta değerlendirmesini içeriyordu. Fall 2024 döneminde derse 25 öğrenci kayıtlıydı; ön ve son anketlere ilişkin analiz 22 gönüllü katılımcının yanıtlarına dayandı. Çalışma öğrencilerin öz-bildirimlerini ve açık uçlu yanıtlarını incelemiştir; kontrollü bir öğrenme başarısı deneyi veya transformer model performans testi değildir.

Katılımcıların %82'si ders öncesinde GenAI araçlarını daha önce kullandığını bildirdi. Ders içinde ChatGPT en sık kullanılan araçlardan biri olurken öğrencilerin %64'ü sonraki öğrenci grubu için U-M GPT'yi önerdi. Araç kullanımında yararlılık ve önceden aşinalık öne çıkarken bir aracı geleceğe yönelik tavsiye etmede göreve uygunluk, çıktı kalitesi, güven ve gizlilik gibi ölçütler daha belirgin hâle geldi.

Öğrencilerin %68'i GenAI destekli yazma ödevini geleneksel yazma görevleriyle karşılaştırıldığında genel olarak olumlu değerlendirdi. Katılımcıların %82'si gelecekte GenAI yazma araçlarını kullanmayı planladığını belirtti. En güçlü öz-bildirim kazanımları prompt engineering becerileri ve prompt okuryazarlığıyla ilişkiliydi. Buna karşılık doğru bibliyografya üretimi önemli bir sorun olarak kaldı: öğrencilerin %41'i kaynakçayı düzeltmek için prompt değişikliği yaptığını, ancak yalnız %27'si nihai yapay zekâ çıktısında uygun bir bibliyografya elde ettiğini bildirdi.

Bulguların yorumunda önemli bir sınır vardır. Araştırma tek bir biyokimya dersindeki 22 gönüllü katılımcıya, ağırlıklı olarak öz-bildirim verilerine ve kısa süreli bir yazma ödevine dayanmaktadır. Kontrol grubu veya randomize AI/kontrol karşılaştırması bulunmadığından çalışma GenAI kullanımının öğrencilerin kimya bilgisini veya akademik başarısını nedensel olarak artırdığını kanıtlamaz. Bulgular bu belirli ders bağlamında öğrenci deneyimi, güveni, tercihleri, prompt okuryazarlığı ve etik farkındalıkla ilgili öncü eğilimlerdir.

Bu Çalışma Transformer Tabanlı Modellerin Teknik Performansını mı Ölçtü?

Hayır. Makale başlığında transformer tabanlı modeller vurgulansa da araştırmanın deneysel odağı bir büyük dil modelini eğitmek, kimyasal tahmin doğruluğunu ölçmek veya farklı transformer mimarilerini karşılaştırmak değildir; çalışma GenAI araçlarının bir biyokimya yazma ödevindeki kullanımını ve öğrencilerin bu araçlara ilişkin deneyim, güven, tercih ve AI okuryazarlığı öz-bildirimlerini incelemektedir.

Araştırma problemi

Üretken yapay zekâ araçları bilimsel bilgi arama, özetleme, yazma, fikir üretme ve geri bildirim alma gibi görevleri kolaylaştırabilir. Bununla birlikte bilimsel doğruluk, uydurulmuş veya yanlış kaynaklar, akademik dürüstlük, veri gizliliği, önyargı ve öğrencinin kendi düşünme/yazma becerilerinin korunması gibi sorunlar da ortaya çıkar.

Bu nedenle çalışmanın temel problemi “öğrenciler GenAI kullanmalı mı?” ikili sorusundan daha geniştir. Araştırma, öğrencilerin GenAI'yi nasıl kullandığını, hangi araçları neden seçtiğini, kullanım sonrasında kendi becerilerini nasıl değerlendirdiğini ve güven ile etik kaygıların teknoloji kabulünü nasıl şekillendirdiğini incelemektedir.

AI okuryazarlığı bu çalışmada ne anlama geliyor?

Çalışmadaki AI okuryazarlığı yalnız bir sohbet botuna soru yazabilmek anlamına gelmez. Ders tasarımında GenAI'nin güçlü ve sınırlı yönlerini anlamak, etkili prompt oluşturmak, yapay zekâ çıktısını eleştirel değerlendirmek, bilgileri ve kaynakları doğrulamak, etik ve akademik dürüstlük sorunlarını tanımak ve yapay zekâ çıktısını öğrencinin kendi bilimsel düşünmesiyle yeniden işlemek temel bileşenlerdir.

Bu yaklaşım UNESCO AI Competencies Framework, bilgi okuryazarlığı yaklaşımları ve yapılandırmacı öğrenme ilkeleriyle ilişkilendirilmiştir. Öğrenciler yalnız çıktıyı tüketmek yerine prompt oluşturma, çıktı değerlendirme, doğrulama, yeniden yazma ve yansıtma aşamalarına aktif olarak katılmıştır.

Araştırma soruları

1. Akademik yazmada GenAI kullanımının öğrenciler tarafından algılanan yararları ve güçlükleri nelerdir?
2. Aşinalık, kullanım kolaylığı ve güven; öğrencilerin araç seçimi ve gelecekte AI kullanma niyetiyle nasıl ilişkilidir?
3. GenAI destekli ödev sonrasında öğrencilerin öz-bildirimle ölçülen güven ve becerilerinde ne tür değişimler görülmektedir?

GenAI Destekli Yazma Ödevi Nasıl Tasarlandı?

Ödev beş aşamalı bir öğrenme süreciydi: önce GenAI ve prompt okuryazarlığı hakkında öğretim verildi, ardından öğrenciler GenAI ile konu üretti, 500 kelimelik AI destekli taslak oluşturdu, içeriği ve kaynakları doğrulayarak taslağı kendi yazılarıyla 1000 kelimelik nihai metne dönüştürdü ve son aşamada yedi dakikalık sunumla deneyimlerini yansıtıp akran/öğretim elemanı geri bildirimi aldı.

1. Öğretim aşaması

Kimya kütüphanecisi tarafından verilen giriş dersinde büyük dil modelleri ve farklı GenAI araçları tanıtıldı. Prompt okuryazarlığı, GenAI'nin etik sorunları ve yapay zekâ tarafından oluşturulan olgu ile kaynakların nasıl doğrulanacağı tartışıldı.

2. İlk uygulama

Öğrenciler makale konusu veya yazma fikri üretmek için GenAI araçlarını kullandı. Bu bölümün amacı yapay zekâyı nihai yazar olarak kullanmaktan çok, fikir geliştirme ve araştırma başlangıcı için etkileşim kurmaktı.

3. Genişletilmiş uygulama

Öğrenciler 500 kelimelik, metin içi atıf ve bibliyografya içeren GenAI destekli bir taslak oluşturdu. Bu süreçte kimya kütüphanecisi veya öğretim asistanıyla bire bir prompt-engineering desteği alma olanağı sunuldu.

4. Doğrulama ve öğrenci yazarlığı

500 kelimelik AI destekli taslak doğrudan nihai ödev olarak teslim edilmedi. Öğrenciler bilgiyi ve referansları kontrol etti, metnin akışını ve üslubunu düzenledi, kendi yazılarını ekledi ve metni yaklaşık 1000 kelimelik nihai bir çalışmaya dönüştürdü.

5. Yansıtma

Öğrenciler yaklaşık yedi dakikalık sunumlarda revize ettikleri makaleleri ve GenAI deneyimlerini sınıfla paylaştı. Akran ve öğretim elemanı geri bildirimi, son teslimden önce içerik ve kaynakların yeniden değerlendirilmesinde kullanıldı.

Çalışmada önerilen dört GenAI aracı

Bu platform açıklamaları araştırmanın gerçekleştirildiği dönemde makalede tanımlanan işlevleri yansıtır. GenAI hizmetleri hızlı değişebildiği için bu özellikler güncel ürün spesifikasyonlarının bağımsız bir doğrulaması olarak okunmamalıdır.

Öğrencilerin GenAI Aracı Seçimini Hangi Faktörler Etkiledi?

Şekil 1'e göre fiilî araç kullanımında en sık belirtilen faktör yararlılık (%50) iken araç önerisinde göreve uygunluk (%41) öne çıktı; çıktı kalitesi yalnız öneri bağlamında %36 ile belirginleşti, güven ise kullanımda %14 ve öneride %23 oranında kodlandı.

Bu yüzdeler açık uçlu yanıtların kodlanan kategorileridir ve tek bir zorunlu tercih dağılımı gibi toplanmamalıdır. Aynı öğrencinin yanıtı birden fazla gerekçeyi içerebilir.

Kullanım ile tavsiye neden aynı değildi?

ChatGPT öğrencilerin önceden en aşina olduğu araçtı ve ders içi/dışı kullanımda güçlü biçimde tercih edildi. Ancak öğrenciler sonraki öğrenci grupları için U-M GPT'yi daha fazla önerdi. Yazarlar bu ayrımı, günlük kullanım davranışı ile geleceğe yönelik tavsiye kararında değerlendirilen güven, gizlilik, çıktı kalitesi ve göreve uygunluk arasındaki farkla açıklamaktadır.

Bu sonuç “U-M GPT'nin bilimsel doğruluğu ChatGPT'den yüksektir” anlamına gelmez. Çalışma iki sistemin aynı sorulara verdiği yanıtları kontrollü bir benchmark ile karşılaştırmamıştır. Sonuç öğrenci tercihi ve algısıyla ilgilidir.

Gizlilik neden önemliydi?

Makalede U-M GPT ve U-M Maizey'nin University of Michigan ortamında kullanıcı girdilerinin model eğitimi için yeniden kullanılmaması ve kişisel bilgilerin dış taraflara açıklanmaması üzerine tasarlanmış kurumsal gizlilik özellikleri vurgulanmıştır. Öğrencilerin özellikle daha yüksek akademik risk algılanan essay-generation görevlerinde U-M GPT'ye yönelmesi, yazarlar tarafından güven ve risk kabulü bağlamında tartışılmıştır.

Aşinalık ne kadar önemliydi?

Ders öncesinde katılımcıların %82'si daha önce GenAI kullandığını, %68'i ise mevcut bir ChatGPT hesabı bulunduğunu bildirdi. ChatGPT'ye aşinalığın yüksek olması aracın ders içinde ve dışında sık kullanılmasına eşlik etti. Bununla birlikte öğrenciler geleceğe yönelik araç tavsiyesinde aşinalıktan çok göreve uygunluk, kalite, yararlılık ve güveni öne çıkardı.

Çalışmanın Yöntemi ve Bulguları

Ders ve örneklem

Araştırma University of Michigan'da Fall 2024 döneminde yürütülen “Nucleic Acids Biochemistry—The RNA (and DNA) World Within” başlıklı Biol/Chem 455/505 dersinde gerçekleştirildi. Ders üst düzey lisans ve başlangıç lisansüstü öğrencilerini kapsıyordu.

Son ankete katılım için iki ek puan verilmiş ve bu, nihai ders notunun yaklaşık %1'ine karşılık gelmiştir. Anket katılımı gönüllü olarak tanımlanmıştır.

Örneklemin akademik dağılımı

Lisans öğrencilerinin çoğu son sınıf ve üçüncü sınıf düzeyindeydi. Sekiz öğrenci Biomolecular Sciences, yedi öğrenci Biochemistry alanında öğrenim görüyordu; bir lisans öğrencisi Chemistry ana dalındaydı. Beş lisansüstü öğrencinin üçü chemical biology, biri inorganic chemistry ve biri organic chemistry alanındaydı.

Bu dağılım, özgün başlıktaki “Graduate Education” ifadesine rağmen incelenen sınıfın çoğunluğunun lisans öğrencilerinden oluştuğunu gösterir.

Veri toplama

Araştırmacılar kapalı ve açık uçlu sorular içeren ön ve son anket kullandı. Anketler 2023'te gerçekleştirilen önceki pilot çalışmada denenmiş ve öğrenci geri bildirimleri doğrultusunda geliştirilmişti.

Kapalı uçlu sorular betimleyici nicel analizle değerlendirildi. Açık uçlu yanıtlar indüktif kodlama yaklaşımıyla sınıflandırıldı.

Kodlayıcılar arası güvenilirlik

Az sayıda olası yanıt kategorisi bulunan kodlarda anlaşmazlıklar tartışmayla çözüldü. Daha geniş kategori kümelerinde iki kodlayıcı arasındaki güvenilirliği değerlendirmek için Cohen's kappa (κ) kullanıldı.

Çalışma κ ≥ 0,70 değerini kabul edilebilir anlaşma için eşik olarak kullandı. κ değerinin 0,70'in altında kaldığı bazı kodlama kategorilerinde kodlama yaklaşımı yeniden gözden geçirildi, bağımsız kodlama tekrarlandı ve güvenilirlik yeniden değerlendirildi.

İstatistiksel yaklaşım

Çalışmanın küçük ve keşifsel örneklemi nedeniyle analizler betimleyici olarak tasarlandı. Yazarlar bu analizlerin istatistiksel genelleme amacı taşımadığını açıkça belirtmektedir. Betimleyici analizler SPSS sürüm 30 ile gerçekleştirildi.

Ders öncesi ve ders içindeki GenAI kullanımı

Ders içi kullanım, bilgisayar kodu oluşturma dışında öğrencilerin ders öncesindeki beklentilerinin çoğunu aşmıştır. En büyük değişimlerden biri outline oluşturmadadır: ders öncesi kullanım %18 iken ders içinde %91'e çıkmıştır.

Genel öğrenci deneyimi

Öğrencilerin %68'i GenAI destekli yazma ödevini geleneksel yazma görevlerine kıyasla genel olarak olumlu, %32'si olumsuz değerlendirdi.

Bilgi arama, olumlu deneyim bildiren öğrencilerle en güçlü biçimde birlikte görülen kullanım alanlarından biriydi. Buna karşılık outline oluşturma, fikir üretme, GenAI tabanlı 500 kelimelik essay üretme ve literatür inceleme gibi görevlerde olumsuz deneyim bildiren öğrenci oranının daha yüksek olduğu alt gruplar bulunuyordu.

Bu karşılaştırmalar nedensel değildir. Örneğin “outline oluşturmak olumsuz deneyime neden oldu” sonucu bu verilerden çıkarılamaz; yalnız iki öz-bildirim kategorisinin aynı öğrencilerde birlikte görülme eğilimi raporlanmaktadır.

Özgüven ve bilgi kazanımları

Şekil 2, öğrencilerin GenAI'yle etkileşime ilişkin öz-bildirim güven ve bilgi kazanımlarını göstermektedir. En büyük ilerlemeler prompt-engineering becerilerindeki güven ve prompt okuryazarlığı bilgisinde görülmüştür.

GenAI bias'ını tanıma, mekanizmalarını anlama ve bazı etik alanlar daha düşük kazanım bildirilen başlıklardır. Yazarlar bunun bir bölümünü öğrencilerin bu alanlarda önceden bilgi sahibi olmasıyla, bir bölümünü ise dersin bu konulara sınırlı uygulama ayırmasıyla açıklamaktadır.

Şekil 2'nin ana makaledeki grafiğinde kesin ortalama değerlerin tümü sayı etiketiyle verilmediği için Verianla bu çubukların yüksekliğinden yeni kesin değer üretmemektedir.

Gelecekte GenAI kullanma niyeti

Öğrencilerin 18'i (%82) gelecekte GenAI yazma araçlarını kullanmayı planladığını bildirdi. Gelecekte kullanım niyeti bildiren öğrencilerin %78'i GenAI destekli ödevle genel olarak olumlu, %22'si ise olumsuz deneyim yaşamıştı.

Olumlu deneyim yaşayan öğrencilerin %93'ü gelecekte GenAI kullanmayı planladığını belirtti. Başlangıçta GenAI kullanmak istemediğini söyleyen dört öğrencinin yarısı ders sonunda gelecekte kullanmayı düşündüğünü bildirdi.

Prompt okuryazarlığı

Öğrencilerin %82'si prompt-engineering becerilerinde gelişme algıladığını bildirdi. Açık uçlu yanıtlarda prompt okuryazarlığını ödevin en değerli kazanımlarından biri olarak seçen öğrenciler de vardı.

Çalışmanın önemli öğretimsel mesajlarından biri, iyi bir prompt oluşturmanın tek seferlik bir komut yazma işi olmadığıdır. Öğrencilerin çoğu istenen biçim, kaynak, ayrıntı düzeyi veya kapsamı sağlayabilmek için ilk promptlarını değiştirmek zorunda kaldı.

Prompt değişikliklerinin başarısı

Bu tablo prompt değiştiren öğrencilerin başarı oranını bire bir dönüşüm olasılığı olarak göstermemektedir. Şekil 4'ün iki seri yüzdesi farklı anket yanıtlarını özetlemektedir. Bununla birlikte kaynakça, öğrencilerin GenAI çıktısında en zor doğrulama alanlarından biri olarak açıkça öne çıkmaktadır.

Bilimsel doğruluğa ilişkin öğrenci değerlendirmesi

Öğrenciler GenAI tarafından oluşturulan essay'lerin bilimsel doğruluğunu ortalama 3,2/5 olarak puanladı. Ölçek 1 = “highly inaccurate” ile 5 = “highly accurate” arasında tanımlanmıştı. Yazarlar bu sonucu GenAI çıktılarındaki kaynak ve içerik doğrulamasının hâlâ gerekli olduğunu gösteren bir bulgu olarak tartışmaktadır.

Öğrenci kaygıları nasıl değişti?

Tablodaki ilk iki yüzde sütunu aynı sorunun iki zaman noktasındaki doğrudan prevalans ölçümü değildir. Birinci sütun ders öncesi belirtilen kaygıları, ikinci sütun ise ders sırasındaki olumsuz deneyimlerde belirtilen kategorileri temsil eder. Bu nedenle örneğin %82 ve %27 değerleri doğrudan “intihal kaygısı %82'den %27'ye düştü” şeklinde yorumlanamaz. Değişimin yönü ayrı Q19 maddesindeki medyan kategoriyle verilmiştir ve intihal kaygısı için bu yön artıştır.

Yaratıcılık kaygısı

Bazı öğrenciler GenAI tarafından önerilen dil ve yazı biçiminin kendi üsluplarını etkileyebileceğini, bir kez AI tarafından oluşturulmuş örnek metin gördükten sonra bundan bağımsız yazmanın zorlaşabildiğini ifade etti. Yazarlar 2023'ten 2024'e öğrencilerin tutumunda, yalnız verimlilik ve meraktan GenAI'nin sınırları, doğrulama ihtiyacı ve yaratıcılık üzerindeki olası etkileri daha eleştirel değerlendiren bir yönelime dikkat çekmektedir.

Fall 2023 ve Fall 2024 farklı öğrenci kohortlarıdır. Bu nedenle yıllar arasındaki yüzdeler aynı bireylerde zaman içinde gerçekleşmiş longitudinal değişim olarak yorumlanmamalıdır.

2023 ve 2024 arasındaki keşifsel karşılaştırma

2024'te GenAI destekli ödev hakkında genel olarak olumsuz deneyim bildiren öğrencilerin oranı %32 iken önceki 2023 çalışmasında %22 idi. Gelecek derslerde GenAI yerine disiplin konularına daha fazla odaklanılmasını önerenlerin oranı ise %9'dan %27'ye yükselmişti.

Yazarlar bu değişimi öğrencilerin GenAI'yi daha eleştirel ve gerçekçi biçimde değerlendirmeye başlamasıyla ilişkilendirmektedir. Ancak bu, iki yıl arasında kontrollü veya eşleştirilmiş bir kohort deneyi değildir.

Çalışmanın güçlü yönleri

• GenAI kullanımını doğrudan kimya/biyokimya konu öğretimine yerleştirmesi.
• Yalnız kullanım sıklığını değil, yararlılık, aşinalık, güven, gizlilik, göreve uygunluk ve çıktı kalitesi gibi kabul faktörlerini incelemesi.
• Kapalı uçlu nicel yanıtları açık uçlu öğrenci yorumlarıyla birlikte değerlendirmesi.
• Nitel kodlamada Cohen's κ ile kodlayıcılar arası güvenilirliği kontrol etmesi.
• AI tarafından oluşturulan metnin doğrulanması ve öğrencinin kendi yazısıyla yeniden işlenmesini ödevin zorunlu parçası hâline getirmesi.
• Prompt okuryazarlığını etik farkındalık ve bilgi doğrulamayla birlikte ele alması.

Çalışmanın sınırlılıkları

• Tek bir University of Michigan biyokimya dersine dayanmaktadır.
• Analize yalnız 22 öğrenci katılmıştır.
• Katılım gönüllüdür ve GenAI'ye daha ilgili öğrencilerin seçilim yanlılığı oluşturması mümkündür.
• Ana veri kaynağı öz-bildirim anketleridir; raporlanan güven veya bilgi artışı gerçek davranış ya da objektif öğrenme artışıyla aynı değildir.
• Kontrol grubu bulunmamaktadır.
• AI kullanan ve kullanmayan öğrenciler randomize edilmemiştir.
• Ödev kısa süreli ve sınırlı kapsamlıdır; uzun dönem beceri kazanımı değerlendirilmemiştir.
• Katılımcılar üst düzey lisans ve başlangıç lisansüstü öğrencileridir; diğer eğitim seviyelerine doğrudan genellenemez.
• Farklı GenAI araçlarının cevap doğruluğu standart bir ortak benchmark üzerinden karşılaştırılmamıştır.

Çalışmanın desteklediği sonuçlar

• Bu ders bağlamında öğrencilerin büyük bölümü GenAI ile daha fazla etkileşim kurmuştur.
• Öğrenciler prompt-engineering güveni ve prompt okuryazarlığında öz-bildirim artışı belirtmiştir.
• Öğrencilerin çoğu gelecekte GenAI yazma araçlarını kullanmayı planlamaktadır.
• Araç kullanımında yararlılık ve aşinalık; araç tavsiyesinde göreve uygunluk, kalite, güven ve gizlilik önemli faktörlerdir.
• Kaynakça doğruluğu ve yeterli içerik derinliği GenAI destekli bilimsel yazmada önemli güçlükler olmaya devam etmiştir.
• Öğrenciler GenAI'nin etik, çevresel, akademik dürüstlük ve yaratıcılık etkileri konusunda eleştirel kaygılar geliştirmiştir.

Çalışmanın desteklemediği sonuçlar

• GenAI'nin öğrencilerin biyokimya bilgisini nedensel olarak artırdığı kanıtlanmamıştır.
• GenAI kullanımının sınav veya laboratuvar performansını artırdığı ölçülmemiştir.
• U-M GPT'nin ChatGPT'den teknik olarak daha doğru olduğu gösterilmemiştir.
• ChatGPT'nin U-M GPT'den eğitimsel olarak daha etkili olduğu gösterilmemiştir.
• Öğrencilerin öz-bildirim güven artışı objektif beceri puanına eşit değildir.
• Bulgular bütün kimya öğrencilerine veya bütün üniversitelere genellenemez.
• Makale yeni bir transformer modeli geliştirmemiş veya transformer mimarilerinin kimyasal görev performansını benchmark etmemiştir.

Etik kurul ve bilgilendirilmiş onam

University of Michigan Health Sciences and Behavioral Sciences Institutional Review Board araştırmanın IRB gözetiminden muaf olduğuna karar verdi. Protokol numarası HUM00245013'tür. Çalışmaya katılan bütün bireylerden bilgilendirilmiş onam alınmıştır.

Çıkar çatışması

University of Michigan, çalışmada kullanılan teknolojilerden biriyle ilişkili LearningClues üzerinde finansal çıkara sahiptir. Kevyn Collins-Thompson bu teknolojilerden birinin ortak mucidi ve LearningClues, Inc.'in kısmi sahibidir. Katılımcılara bu çıkar çatışması bildirilmiş, Collins-Thompson bilgilendirilmiş onam sürecine doğrudan katılmamış ve University of Michigan Institutional Conflict of Interest Committee tarafından 3 Nisan 2024'te bir çıkar çatışması yönetim planı onaylanmıştır.

Gelecek araştırmalar

Yazarlar daha büyük örneklemlerle doğrulama yapılmasını, AI ile ve AI olmadan bilgi okuryazarlığının karşılaştırılmasını, GenAI'nin uzun dönem öğrenme ve beceri gelişimine etkisinin değerlendirilmesini, akademik dürüstlük davranışlarının daha doğrudan incelenmesini ve farklı disiplinleri kapsayan çalışmalar yürütülmesini önermektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: Integrating AI Literacy in Chemistry Graduate Education: Harnessing the Power of Transformer-Based Models.

Yazarlar: Yulia V. Sevryugina; Kevyn Collins-Thompson; Nils G. Walter.

Sorumlu yazar: Yulia V. Sevryugina.

Kurum 1: Taubman Health Sciences Library, University of Michigan, Ann Arbor, Michigan, USA.

Kurum 2: School of Information, University of Michigan, Ann Arbor, Michigan, USA.

Kurum 3: Department of Electrical Engineering and Computer Science, College of Engineering, University of Michigan, Ann Arbor, Michigan, USA.

Kurum 4: Department of Chemistry, University of Michigan, Ann Arbor, Michigan, USA.

Dergi: AI in Education.

Yayıncı: MDPI, Basel, Switzerland.

Cilt / sayı / makale: 2(2), 14.

DOI: 10.3390/aieduc2020014.

Makale türü: Hakemli Article; küçük örneklemli, keşifsel/proof-of-concept eğitim araştırması.

Tarihler: Alınma 15 Ocak 2026; revizyon 07 Mart 2026; kabul 13 Nisan 2026; yayın 04 Mayıs 2026.

Lisans: Creative Commons Attribution (CC BY).

Çalışma dönemi: Fall 2024.

Ders: Biol/Chem 455/505 — Nucleic Acids Biochemistry—The RNA (and DNA) World Within.

Örneklem: Derse kayıtlı 25 öğrenci; analizde 22 gönüllü öğrenci (%88 yanıt oranı).

Başlık–örneklem notu: Özgün başlık “Graduate Education” ifadesini kullanmaktadır ancak analiz grubunun yalnız 5'i (%23) lisansüstü öğrencidir; geri kalan katılımcılar lisans öğrencileridir. Bu nedenle sonuçlar yalnız lisansüstü öğrenci örneklemi olarak tanımlanmamalıdır.

Veri toplama: Ön ve son anket; kapalı ve açık uçlu sorular.

Nicel analiz: Betimleyici analiz; SPSS sürüm 30.

Nitel analiz: İndüktif kodlama; uygun kategorilerde iki kodlayıcı için Cohen's κ; kabul edilebilir anlaşma eşiği κ ≥ 0,70.

Etik: University of Michigan Health Sciences and Behavioral Sciences Institutional Review Board; IRB oversight'tan muaf, HUM00245013.

Onam: Bütün katılımcılardan bilgilendirilmiş onam alınmıştır.

Finansman: Center for Academic Innovation at the University of Michigan, Ann Arbor.

Veri erişilebilirliği: Kaynağın Data Availability Statement bölümü Chemistry Librarian Lecture kaynağına atıf yapmaktadır. Supplementary Materials içinde bibliyometrik analiz, ödev talimatları, anket aracı, veri analizi çalışma sayfası, Figure S1 ve Tables S1–S15 bulunduğu belirtilmektedir. Makale bireysel düzeyde ham öğrenci anket yanıtlarının açık veri seti olarak yayımlandığını belirtmemektedir.

Çıkar çatışması: University of Michigan'ın LearningClues, Inc. üzerinde finansal çıkarı vardır. Kevyn Collins-Thompson ilgili teknolojilerden birinin ortak mucidi ve LearningClues, Inc.'in kısmi sahibidir. University of Michigan tarafından çıkar çatışması yönetim planı uygulanmıştır.

Yazar katkıları: Kavramsallaştırma Yulia V. Sevryugina ve Nils G. Walter; metodoloji Yulia V. Sevryugina, Kevyn Collins-Thompson ve Nils G. Walter; yazılım Kevyn Collins-Thompson; doğrulama ve biçimsel analiz Yulia V. Sevryugina; kaynaklar üç yazar; özgün taslak Yulia V. Sevryugina; inceleme-düzenleme üç yazar; görselleştirme ve gözetim Yulia V. Sevryugina; proje yönetimi Yulia V. Sevryugina ve Nils G. Walter; finansman edinimi üç yazar tarafından yürütülmüştür.

Temel yöntemsel sınır: Tek ders, 22 katılımcı, gönüllü katılım, öz-bildirim ağırlıklı veri, kısa süre ve kontrol grubunun bulunmaması sonuçların nedensel ve geniş popülasyona genellenebilir yorumunu sınırlar.

Şekil 1 yorum notu: Makalenin özeti güveni özellikle güçlü bir kriter olarak vurgulamaktadır. Bununla birlikte ana metin ve Şekil 1'de araç önerisi için en sık kodlanan faktör göreve uygunluk (%41), ardından çıktı kalitesi (%36), yararlılık ve güven (%23'er) olarak görünmektedir. Bu nedenle güven merkezi bir faktördür ancak Şekil 1'de tek başına en yüksek sayısal öneri kategorisi değildir.

Platform sürümü notu: Makalenin ChatGPT, U-M GPT, U-M Maizey ve LearningClues özelliklerine ilişkin açıklamaları araştırma dönemine aittir. Hızla değişen GenAI ürünlerinin güncel özellikleri olarak genellenmemelidir.

Verianla yeniden anlatım notu: Bu metin özgün çalışmanın tam çevirisi değildir. Araştırma soruları, eğitim müdahalesi, öğrenci örneklemi, anket yöntemi, kodlama yaklaşımı, grafik ve tablo verileri, sonuçlar, sınırlılıklar, etik bilgiler ve çıkar çatışması korunarak bağımsız Türkçe bilimsel öğrenme katmanı oluşturulmuştur. Öğrenci doğrudan alıntıları yeniden yayımlanmamış; içerikleri yalnız bilimsel bulgu düzeyinde açıklanmıştır.