Dijital Öğretim Yeterlikleri (Digital Teaching Competencies, DTC), öğretim elemanının dijital teknolojileri yalnız çalıştırabilmesini değil, bu teknolojileri pedagojik amaçla seçmesini, değerlendirmesini, yönetmesini ve eleştirel biçimde denetlemesini kapsayan bilgi, beceri, tutum ve stratejiler bütünüdür. Bu sistematik derleme, sanal yükseköğretim ortamlarında algoritmaların öğrenme değerlendirmesine katıldığı durumlarda DTC ile algoritmik etik arasındaki ilişkiyi incelemektedir. PRISMA 2020 yaklaşımıyla Web of Science ve Scopus'tan elde edilen 262 kayıt taranmış ve sıkı uygunluk ölçütleri sonucunda altı ampirik çalışma senteze alınmıştır. Sentez, öğretim elemanlarının teknik ve operasyonel dijital becerilerinin görece gelişmiş olabildiğini, buna karşılık otomasyon yanlılığını sorgulama, algoritmik opaklığı denetleme, veri gizliliğini koruma ve önyargılı çıktıları tespit etme gibi ileri eleştirel yeterliklerin daha düzensiz göründüğünü ortaya koymaktadır. Ancak nihai korpus yalnız altı çalışmadan oluştuğu için sonuçlar bütün yükseköğretim sistemleri için kesin nedensel genellemeler olarak yorumlanmamalıdır.

Algoritmik etik, otomatik sistemlerin tasarlanması, eğitilmesi, kullanılması ve sonuçlarının yorumlanması sırasında adalet, şeffaflık, hesap verebilirlik, mahremiyet ve ayrımcılık risklerini değerlendiren normatif ve uygulamalı bir çerçevedir. Derlemenin merkezî yaklaşımı, otomatik puanlama, öğrenme analitiği, üretken yapay zekâ, uzaktan sınav gözetimi ve öngörücü sistemlerin eğitimsel geçerliliğinin yalnız yazılımın teknik başarısına bırakılamayacağıdır. Öğretim elemanı, algoritmik çıktıyı pedagojik bağlamla karşılaştırabilen ve gerektiğinde makine kararını sorgulayabilen bir insan denetleyici olarak ele alınmaktadır.

Değerlendirmenin dijitalleşmesinden algoritmik değerlendirmeye geçiş

Derlemenin literatür çerçevesi, sanal değerlendirmedeki dönüşümü üç aşamalı bir gelişim çizgisiyle açıklar. Assessment 1.0, kâğıt üzerindeki geleneksel sınavların dijital ortama aktarılması ve kapalı uçlu testlerin elektronik biçimde uygulanmasıdır. Bu aşamada teknoloji esas olarak mevcut değerlendirme biçiminin taşıyıcısıdır. Assessment 2.0, öğrenme yönetim sistemlerinin yaygınlaşmasıyla dinamik rubrikler, e-portfolyolar, akran değerlendirmesi ve sürekli nitel geri bildirim gibi daha etkileşimli yöntemleri kapsar. Assessment 3.0 ise öğrenme analitiği, uyarlanabilir algoritmalar, öngörücü modeller, üretken yapay zekâ ve biyometrik uzaktan gözetim gibi sistemlerin değerlendirme kararının doğrudan parçası haline geldiği aşamadır.

Assessment 3.0'daki temel değişiklik yalnız değerlendirme aracının dijitalleşmesi değildir. Öğrencinin platform üzerindeki davranışları, performans geçmişi, etkileşimleri ve bazı ortamlarda biyometrik verileri otomatik modellerin girdisi haline gelebilir. Böylece değerlendirme, öğretmen ile öğrenci arasındaki tek yönlü bir ölçme işlemi olmaktan çıkar ve veri altyapısı, algoritma, kurum politikası, öğretmen kararı ve öğrenci haklarının birlikte belirlediği sosyoteknik bir süreç haline gelir.

Algoritma Aracılı Değerlendirmede Dijital Öğretim Yeterliği Nedir?

Algoritma aracılı değerlendirmede Dijital Öğretim Yeterliği, öğretmenin bir yapay zekâ veya öğrenme analitiği sistemini yalnız kullanabilmesi değil; hangi aracın hangi pedagojik amaç için uygun olduğunu seçebilmesi, girdileri ve değerlendirme ölçütlerini sorgulayabilmesi, otomatik çıktıları yorumlayabilmesi, önyargı ve veri gizliliği risklerini denetleyebilmesi ve nihai pedagojik sorumluluğu makineye devretmemesidir.

DigCompEdu'nun altı alanı neden önemlidir?

Derleme, Dijital Öğretim Yeterliklerini açıklarken Avrupa Komisyonu'nun DigCompEdu çerçevesinden yararlanır. Bu çerçevede altı temel alan bulunur: mesleki katılım, dijital kaynaklar, öğretme ve öğrenme, değerlendirme, öğrencileri güçlendirme ve öğrencilerin dijital yeterliğini kolaylaştırma. Kaynak çalışmanın katkısı, bu genel dijital yeterlik alanlarını algoritmik değerlendirmedeki somut etik görevlerle ilişkilendirmesidir.

Algoritmik Etik Neden Yalnız Bir Yazılım Güvenliği Sorunu Değildir?

Algoritmik etik, bu derlemede yalnız yazılım hatalarını önleme konusu değildir; otomatik değerlendirme sistemlerinin kimden hangi veriyi topladığı, hangi ölçütlerle karar verdiği, kararın öğrenciye açıklanabilir olup olmadığı, modelin belirli grupları sistematik biçimde dezavantajlı hale getirip getirmediği ve hatalı bir karardan kimin sorumlu olduğu gibi pedagojik ve hak-temelli soruları birlikte kapsar.

Bu nedenle teknik doğruluk ile eğitimsel adalet aynı şey değildir. Bir sistem programlandığı gibi çalışabilir, ancak kullanılan veriler tarihsel önyargıları taşıyabilir. Bir model yüksek öngörü gücüne sahip olabilir, ancak öğrencinin neden belirli bir risk kategorisine yerleştirildiğini açıklamayabilir. Bir uzaktan sınav gözetim sistemi kopya şüphesini otomatik olarak işaretleyebilir, ancak davranışsal veya biyometrik örüntülerin farklı öğrenci gruplarında nasıl değiştiğini hesaba katmayabilir.

Açıklanabilir yapay zekâ ve pedagojik izlenebilirlik

Derlemenin literatür çerçevesinde Açıklanabilir Yapay Zekâ (Explainable AI, XAI), kara kutu niteliğindeki otomatik kararların insanlar tarafından incelenebilir hale gelmesi için önemli bir yaklaşım olarak ele alınmaktadır. Eğitim bağlamında yalnız teknik bir açıklama yeterli değildir. Öğrenci, aldığı geri bildirimin veya puanın hangi pedagojik ölçüte dayandığını da anlayabilmelidir. Bu nedenle algoritmik açıklanabilirlik ile pedagojik izlenebilirlik birbirine bağlanır.

Otomasyon Yanlılığı ve Kara Kutu Sorunu Nedir?

Otomasyon yanlılığı, öğretmen veya öğrencinin bir otomatik sistemin puanını, önerisini ya da sınıflandırmasını yeterince bağımsız doğrulama yapmadan doğru kabul etme eğilimidir; kara kutu sorunu ise sistemin bir sonuca hangi veri ve karar mantığıyla ulaştığının yeterince açıklanamaması veya kullanıcı tarafından denetlenememesidir. Derlemedeki çalışmalar bu iki sorunun birleştiğinde pedagojik muhakemenin otomasyona devredilmesi riskini artırabileceğini bildirmektedir.

Bu risk, öğretmenin dijital aracı sık kullanmasının tek başına yeterli olmadığını gösterir. Bir öğretim elemanı bir öğrenme yönetim sistemini, intihal tespit aracını veya yapay zekâ destekli değerlendirme yazılımını teknik olarak ustaca kullanabilir, ancak sistemin hangi verilerle çalıştığını, çıktının hangi belirsizlikleri taşıdığını veya bir önyargının hangi öğrenci grubunu etkileyebileceğini değerlendiremeyebilir. Derlemenin “operasyonel paradoks” olarak tartıştığı temel gerilim budur.

Öğretmen neden “pedagojik denetçi” olarak ele alınıyor?

İncelenen literatürde öğretmenin rolü, teknolojinin çalışmasını izleyen pasif bir operatörden daha geniş biçimde tanımlanır. Öğretmen, otomatik değerlendirmenin girdilerini seçen, sonuçları pedagojik bağlamla karşılaştıran, sıra dışı veya ayrımcı çıktıları sorgulayan ve öğrenciye açıklanabilir geri bildirim sunan bir pedagojik denetçi olarak konumlandırılmaktadır. Bu rol özellikle kurum düzeyinde açık algoritmik yönetişim ilkelerinin bulunmadığı ortamlarda önem kazanmaktadır.

Çalışmanın Yöntemi ve Bulguları

Sistematik Derleme 262 Kayıttan Altı Çalışmaya Nasıl Ulaştı?

Derleme, Scopus ve Web of Science'ta yürütülen aramadan elde edilen 262 kayıtla başladı; 3 tekrar çıkarıldı, 259 benzersiz kaydın başlık ve özetleri tarandı, 172 kayıt elendi, 87 tam metin uygunluk için incelendi ve tasarım, popülasyon veya sonuç ölçütlerini karşılamayan 81 çalışma çıkarılarak nihai senteze 6 ampirik çalışma alındı.

PRISMA 2020 seçilim akışı

Arama stratejisi ve uygunluk ölçütleri

Aramalar 20 Mayıs 2026 tarihinde Scopus ve Web of Science üzerinde yapılmıştır. Arama mantığı dört kavram kümesini birleştirmiştir: dijital öğretim/dijital okuryazarlık, yapay zekâ veya algoritmik sistemler, etik/önyargı/adillik ve değerlendirme/geri bildirim. Scopus'ta TITLE-ABS-KEY, Web of Science'ta Topic (TS) alanları kullanılmış; AND/OR işleçleri ve yıldız joker karakteriyle sözcük varyasyonları kapsanmıştır.

Scopus sorgusu: TITLE-ABS-KEY ((“digit* competenc*” OR “digit* literac*” OR “data literac*” OR “teacher* digit*” OR “e-competenc*” OR “ICT competenc*”) AND (algorithm* OR “artificial intelligence” OR AI OR “machine learning” OR “deep learning” OR automat* OR “generative AI” OR LLM*) AND (ethic* OR bias* OR fair* OR moral* OR responsib* OR accountab* OR discriminat*) AND (assess* OR evaluat* OR feedback OR grad* OR examin*))

Web of Science sorgusu: TS = ((“digital competenc*” OR “teacher* digital” OR “pedagogical competenc*”) AND (“algorithmic ethic*” OR “algorithmic bias*” OR “ethical AI” OR “ethics of AI” OR “automated decision*”) AND (“assessment*” OR “evaluat*” OR “grading”))

Dahil edilme ölçütleri; ampirik nicel, nitel veya karma araştırmalar; sanal, hibrit veya e-öğrenme bağlamında değerlendirme sorumluluğu taşıyan öğretim elemanları veya benzeri eğitim aktörleri; öğrenme analitiği, otomatik gözetim, yapay zekâ rubrikleri, eğitsel veri madenciliği veya benzeri algoritmik değerlendirme sistemleri ve açık bir etik boyut içeren çalışmalardır. Dil İngilizce veya İspanyolca ile, belge türü hakemli dergi makaleleriyle ve erişim açık erişimli tam metinlerle sınırlandırılmıştır.

Veri çıkarımı ve kalite kontrolü

İki değerlendirici, çalışma başlığı, yazar, yıl, ülke, araştırma tasarımı, örneklem, veri toplama araçları ve sonuçlar gibi değişkenleri yapılandırılmış Microsoft Excel matrisine bağımsız olarak aktarmıştır. Uyuşmazlıklar tartışma ve uzlaşıyla çözülmüştür. Tam metin incelemesi de iki kez yürütülmüş; tasarım tutarlılığı, kullanılan araçların uygunluğu, analiz yöntemleri, ampirik veri bütünlüğü ve sonuçların izlenebilirliği kalite değerlendirmesinin parçası olmuştur.

Nihai altı çalışmanın yöntemsel yapısı

RQ1: Öğretmenler hangi dijital yeterlikleri kullanıyor?

Derleme, öğretim elemanlarının algoritma aracılı değerlendirmede öncelikle teknik kurulum, dijital içerik kürasyonu, sanal asistanların pedagojik yönetimi, öğrenme analitiğinin izlenmesi ve otomatik geri bildirimin kullanılması gibi operasyonel yeterliklerden yararlandığını bildirir. Daha ileri düzeyde ise algoritmanın zorluk ayarını denetleme, öngörücü metriği sorgulama, veri örüntülerindeki ayrımcılık riskini tanıma ve öğrenciyi yapay zekâ çıktısını eleştirel biçimde değerlendirmeye yönlendirme gerekir.

Derlemenin önemli ayrımı, bir sistemi kullanabilme ile o sistemin karar mantığını değerlendirebilme arasındadır. Teknik yeterlik, algoritmik etik yeterliğinin gerekli fakat tek başına yeterli olmayan bileşenidir.

RQ2: Hangi etik riskler öne çıkıyor?

RQ3: Dijital yeterlik ile algoritmik etik nasıl birleşiyor?

Altı çalışmanın sentezi, ileri dijital yeterliğin yalnız teknolojiyi daha fazla kullanmak anlamına gelmediğini göstermektedir. Yüksek AI ve veri okuryazarlığı, otomatik metriğin nasıl üretildiğini sorgulama, önyargı ihtimalini fark etme ve gerektiğinde yazılım kriterlerine müdahale etme kapasitesiyle birlikte değerlendirilmektedir. Bazı çalışmalar bu değişkenler arasında korelasyonel veya öngörücü ilişkiler bildirse de, bütün korpus için tek bir evrensel nedensel mekanizma gösterilmiş değildir.

Özellikle profesyonel katılım ve öğrencileri güçlendirme boyutları, üretken yapay zekâ sistemlerinin daha etik biçimde benimsenmesiyle ilişkilendirilmektedir. Buna karşılık teknolojik aracı sık kullanmak, tek başına daha güçlü etik duyarlılık anlamına gelmemektedir. Derlemenin tartışmasındaki “operasyonel paradoks”, tam olarak bu ayrışmayı ifade eder.

RQ4: Hangi çözüm stratejileri öneriliyor?

Sentez, çözümü yalnız bireysel öğretmenin becerisine bırakmaz. Üç düzeyli bir müdahale önerisi öne çıkar. Kurumsal düzeyde veri yönetişimi, algoritmik denetim, mahremiyet ve açıklanabilirlik için açık kurallar gerekir. Öğretmen eğitimi düzeyinde yazılımın nasıl kullanılacağını öğreten kursların ötesine geçilerek AI okuryazarlığı, veri okuryazarlığı, eleştirel pedagoji ve algoritmik etik birlikte öğretilmelidir. Değerlendirme tasarımında otomatik gözetim ve cezalandırmaya dayalı modellerden; yüksek bilişsel düzeyli, karşılaştırma, ortak değerlendirme, problem çözme ve şeffaf geri bildirim içeren formative modellere geçiş önerilmektedir.

Kaynağın desteklediği ve desteklemediği sonuçların sınırı

Sınırlılıklar

Derlemenin ilk sınırlılığı aramanın yalnız Scopus ve Web of Science ile sınırlandırılmasıdır. Bu tercih hakemli ve belirli kalite ölçütlerini karşılayan yayınları öne çıkarırken gri literatür, bazı konferans bildirileri, bölgesel veri tabanları ve hızla gelişen teknik uygulamalar dışarıda kalmış olabilir.

İkinci sınırlılık, nihai altı çalışmanın önemli bölümünün kesitsel, korelasyonel veya öz-bildirim temelli olmasıdır. Bu tasarımlar öğretmen yeterliği ile etik tutum arasında anlamlı ilişkiler gösterebilir, ancak zaman içindeki değişimi veya nedenselliği tek başına kanıtlayamaz. Uzman panelleri de uzman uzlaşısı sağlarken grup içi uyum ve görüş yakınsaması gibi olası sınırlılıklar taşır.

Üçüncü sınırlılık, üretken yapay zekâ teknolojilerinin bilimsel yayın döngüsünden daha hızlı değişmesidir. Bir değerlendirme aracı araştırılıp makale yayımlanana kadar sistemin modeli, veri politikası veya kullanıcı davranışı değişebilir. Bu nedenle yazarlar boylamsal çalışmalar, kontrollü müdahaleler, tarihsel olarak dışlanmış öğrenci gruplarına odaklanan araştırmalar ve DigCompEdu ile uyumlu standartlaştırılmış algoritmik adalet göstergelerinin geliştirilmesini gelecek araştırma yönleri olarak önermektedir.

Çalışmada üretken yapay zekâ kullanımı

Yazarlar, sistematik derlemenin hazırlanmasında üretken yapay zekâ araçlarının yardımcı amaçla kullanıldığını açıkça bildirmiştir. Scopus AI, literatür sorgularının semantik genişletilmesi ve ilgili çalışma belirleme sürecini desteklemek için; Gemini ise İspanyolcadan İngilizceye teknik terminoloji aktarımı ve akademik dil iyileştirmesi için kullanılmıştır. Yazarlar arama stratejileri, veri çıkarımı, eleştirel değerlendirme ve nihai yorumların kendileri tarafından yürütüldüğünü ve doğrulandığını belirtmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: Digital Teaching Competencies and Algorithmic Ethics in Learning Assessments Within Virtual Environments: A Systematic Review

Yazarlar: Wilson Alexander Zambrano Vélez; Elan Ignacio Delgado Cobeña; Cinthya Lisbeth Molina Santana; Carlos Alexy Lucas Mero.

Sorumlu yazar: Wilson Alexander Zambrano Vélez.

Kurumlar: Facultad de Ciencias Sociales y de la Salud, Universidad Estatal Península de Santa Elena, La Libertad, Ekvador; Departamento de Admisión y Nivelación, Universidad Técnica de Manabí, Portoviejo, Ekvador.

Dergi / yayınevi: Education Sciences, MDPI. Cilt / sayı / makale numarası: 16(7), 1066. Yayın tarihi: 3 Temmuz 2026.

DOI: 10.3390/educsci16071066.

Kaynak türü: Sistematik derleme. Hakemlik: Hakemli dergide yayımlanmış Version of Record.

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Derleme protokolü: PRISMA 2020; OSF kayıt DOI'si 10.17605/OSF.IO/RQKXM.

Veri tabanları: Scopus ve Web of Science. İlk kayıt sayısı 262; nihai sentez altı ampirik çalışma.

Veri çıkarımı: İki değerlendiricinin bağımsız veri çıkarımı, yapılandırılmış Excel matrisi ve uyuşmazlıklarda tartışma/uzlaşı.

Finansman: Universidad Estatal Península de Santa Elena, proje/finansman kodu 009.

Etik kurul: Uygulanamaz. Bilgilendirilmiş onam: Uygulanamaz.

Veri erişilebilirliği: Çalışmayı destekleyen veriler OSF üzerinde kayıtlıdır.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Kavramsallaştırma W.A.Z.V., E.I.D.C. ve C.L.M.S.; metodoloji W.A.Z.V. ve C.A.L.M.; doğrulama W.A.Z.V., E.I.D.C. ve C.L.M.S.; formel analiz W.A.Z.V., C.L.M.S. ve C.A.L.M.; araştırma dört yazar; kaynaklar E.I.D.C. ve C.A.L.M.; veri kürasyonu W.A.Z.V. ve C.L.M.S.; özgün taslak W.A.Z.V., E.I.D.C. ve C.L.M.S.; gözden geçirme/düzenleme W.A.Z.V. ve C.A.L.M.; görselleştirme W.A.Z.V. ve C.L.M.S.; denetim ve proje yönetimi W.A.Z.V.

Kaynak-içi terminoloji notu: İngilizce metinde Digital Teaching Competencies için DTC ve bazı bölümlerde TDC kısaltmaları kullanılmaktadır. Ayrıca üretken yapay zekâ açıklamasında Gemini sürümü yöntem bölümünde “1.5 Pro”, teşekkür bölümünde “1.5 Pro/Ultra” olarak belirtilmektedir. Verianla, bu farkları kaynak dışı bir kesinlikle düzeltmemiştir.

Temel yorum sınırı: Sonuçlar altı ampirik çalışmanın nitel sistematik sentezidir. İncelenen çalışmaların tasarım heterojenliği ve nihai korpusun küçüklüğü nedeniyle bulgular, bütün üniversiteler veya tüm algoritmik değerlendirme sistemleri için evrensel nedensel kanıt olarak kullanılmamalıdır.