Bu çalışma, rüzgâr türbini üretimi gibi yapıştırma teknolojisinin daha yaygın ve deneyimli biçimde kullanıldığı sektörlerdeki bilginin, büyük deniz yapılarının üretildiği tersanelere nasıl aktarılabileceğini tartışmaktadır. Araştırmacılar, farklı eğitim ve deneyim düzeylerine sahip tersane çalışanlarına aynı sabit içeriği sunmak yerine, kullanıcının ön bilgisine ve verdiği kararlara göre değişebilen vaka tabanlı bir akıllı öğretim sistemi geliştirmeyi önermektedir.

Önerilen sistemin merkezinde, gerçek veya gerçekçi bir iş durumunu öyküleştiren eğitim vakaları bulunmaktadır. Kullanıcıya bir yapıştırma problemi, fotoğraf, işlem bilgisi veya hasar örneği sunulmakta; kullanıcıdan olası nedeni ya da izlenecek sonraki adımı seçmesi istenmektedir. Sistem, kullanıcının verdiği cevaba göre açıklama, ek bilgi, düzeltme ve alınabilecek karşı önlemleri uyarlanabilir biçimde gösterecektir.

Çalışma, klasik akıllı öğretim sistemi yapısını büyük dil modelleriyle birleştirmeyi planlamaktadır. Geleneksel sistemde alan bilgisi, öğrenci modeli, öğretim süreci ve kullanıcı arayüzü gibi belirgin bileşenler bulunurken; büyük dil modelinin teknik belgeler, araştırma makaleleri, kılavuzlar ve uzman görüşleri gibi dağınık kaynakları analiz ederek yapışma alanına ait bir bilgi ontolojisi oluşturması düşünülmektedir. Açıklanabilir yapay zekânın ise sistemin verdiği açıklamaların hangi bilgi yapısına dayandığını izlenebilir hâle getirmesi hedeflenmektedir.

Makaledeki örnek vaka, bindirmeli kayma deneyinde görülen adezif kırılmayı ele almaktadır. Kullanıcıdan yüzey temizliği, yapıştırıcının kullanım süresi, malzeme uyumluluğu ve deney hızı gibi seçenekler arasından olası hata nedenlerini belirlemesi istenmektedir. Doğru ve yanlış cevaplara farklı açıklamalar verilmesi, gerektiğinde yüzey temizliği, aşındırma, plazma işlemi veya astarlama gibi karşı önlemlerin önerilmesi planlanmaktadır.

Çalışma bir sistem tasarım önerisi ve devam eden proje açıklamasıdır. Eğitim aracının programlanması, tersaneye özgü bilgi tabanının tamamlanması ve farklı kullanıcı gruplarıyla değerlendirilmesi henüz sonuçlandırılmamıştır. Bu nedenle çalışma, yapay zekâ destekli eğitimin öğrenme başarısını artırdığını göstermemekte; böyle bir sistemin nasıl yapılandırılabileceğine ilişkin kavramsal bir yol haritası sunmaktadır.

Araştırmanın ele aldığı temel problem

Yapıştırma teknolojisi çok sayıda sektörde kullanılmasına rağmen, aynı bilgi farklı üretim alanlarına doğrudan aktarılamamaktadır. Rüzgâr türbini parçalarının üretiminde edinilen yapıştırma deneyimi ile büyük gemi ve deniz yapılarının üretim ortamı arasında malzeme, geometri, çalışma alanı, işlem sırası, kalite güvencesi ve üretim kültürü bakımından önemli farklılıklar bulunmaktadır.

Tersanelerde büyük metal yapıların birleştirilmesinde geleneksel olarak kaynak yöntemleri baskındır. Yapıştırma teknolojisine geçildiğinde çalışanların yalnızca yeni bir malzemenin kullanımını öğrenmesi yeterli değildir. Aşağıdaki konuların birlikte anlaşılması gerekir:

• Yüzeylerin nasıl hazırlanacağı,
• Hangi yapıştırıcının hangi altlıkla uyumlu olduğu,
• Karıştırma, uygulama ve kürlenme sürelerinin nasıl yönetileceği,
• Sıcaklık, nem ve kirlenme gibi çevresel koşulların etkisi,
• İşlem adımlarının hangi sırayla uygulanacağı,
• Bağlantı hatalarının ve kırılma türlerinin nasıl tanınacağı,
• Kalite kontrol ve düzeltici işlem kararlarının nasıl verileceği.

Bu bilgi yalnızca “ne olduğu” şeklindeki tanımsal bilgilerden oluşmamaktadır. “Ne zaman, hangi sırayla ve nasıl yapılacağı” biçimindeki süreç bilgisi de eğitim kapsamına girmektedir. Araştırmacılar bu nedenle yapışma bilgisini iki ana türde ele almaktadır:

• Deklaratif bilgi: Malzemeler, kimyasal maddeler, yüzeyler, özellikler ve kurallar hakkındaki bilgiler.
• Prosedürel bilgi: Bir işlemin hangi sırada, hangi koşullarda ve hangi kararlarla yürütüleceğine ilişkin bilgiler.

Bilginin aktarılması yerine yapılandırılması

Çalışmanın pedagojik yaklaşımı, bilginin öğretmenden öğrenciye değişmeden aktarılan bir nesne olmadığı düşüncesine dayanmaktadır. Kullanıcı yeni bilgiyi önceki deneyimleri, mevcut zihinsel modeli ve içinde bulunduğu problem bağlamı üzerinden kendisi yapılandırmaktadır.

Bu nedenle araştırmacılar, yalnızca metin veya ders videosu sunan doğrusal bir e-öğrenme ortamının yeterli olmayacağını savunmaktadır. Kullanıcı, gerçek iş durumuna benzeyen bir problemle karşılaşmalı; seçenekleri değerlendirmeli, bir karar vermeli ve kararının sonucunu görmelidir.

Vaka tabanlı eğitim bu ihtiyaca karşılık vermektedir. Her vaka:

• Bir anlatı veya çalışma bağlamı,
• Bir ya da daha fazla durum açıklaması,
• Metin, fotoğraf, video veya ses gibi içerikler,
• Soru, seçim veya görev gibi etkileşim öğeleri,
• Olası sonraki adımlar,
• Doğru ve yanlış kararların sonuçları,
• Açıklama ve düzeltici geri bildirim

içerebilir. Kullanıcının izleyeceği yol da başlı başına öğrenilecek süreç bilgisinin bir parçası hâline gelmektedir.

Hedef grup neden tek tip değildir?

Tersanelerde yapıştırma teknolojisiyle ilgili eğitim alabilecek kullanıcıların mesleki görevleri ve ön bilgileri aynı değildir. Çalışmada dört temel kullanıcı profili tanımlanmaktadır:

Bir başlangıç düzeyindeki çalışan ile deneyimli bir mühendis aynı açıklama derinliğine, aynı sayıda seçeneğe veya aynı navigasyon özgürlüğüne ihtiyaç duymaz. Bu nedenle sistemin içerik, görev ve geri bildirimleri kullanıcı modeline göre değiştirmesi planlanmaktadır.

İç farklılaştırma dijital sistemde nasıl uygulanabilir?

Bir sınıf ortamında öğretmen, öğrencilerin bilgi düzeyine göre farklı açıklamalar, görevler veya destek biçimleri kullanabilir. Çalışma bu yaklaşımı “iç farklılaştırma” olarak ele almakta ve dijital ortama aktarmayı hedeflemektedir.

Uyarlama üç temel unsur üzerinde gerçekleştirilebilir:

Başlangıçta ve çalışma sırasında uyarlama

Makale iki zamanlama biçimi tanımlamaktadır:

Önceden yapılan uyarlama

Kullanıcı sisteme başlamadan önce başlangıç, ileri veya uzman düzeyinde sınıflandırılır. Vakanın içeriği ve görevleri bu sınıflandırmaya göre hazırlanır.

Çalışma sırasında yapılan uyarlama

Sistem, kullanıcının verdiği cevapları ve izlediği yolu değerlendirerek sonraki içeriği anlık olarak değiştirir. Yanlış bir karar ek açıklamaya veya daha temel bir içeriğe yönlendirebilir; doğru bir karar ise daha karmaşık bir görev açabilir.

Çalışma, bu iki yaklaşımın birlikte kullanılabileceğini belirtmektedir. Böylece kullanıcı başlangıç bilgisine uygun bir vakayla başlar, fakat eğitim ilerledikçe gerçek performansına göre farklı bir yol izler.

Akıllı öğretim sistemi hangi bileşenlerden oluşmaktadır?

Araştırmacılar, önerilen sistemi klasik akıllı öğretim sistemi mimarisine dayandırmaktadır. Makalede dört temel bileşen belirtilmektedir:

Çalışma, klasik kurallar ve ön koşullarla çalışan bu yapıya büyük dil modellerinin esnekliğini eklemeyi önermektedir. Buna göre büyük dil modeli serbestçe bütün öğretim kararlarını veren tek bileşen olmayacaktır. Ön ve son koşulları belirli içerik yapıları, sistemin kontrollü bölümünü oluşturacaktır.

Büyük dil modeli hangi görevler için düşünülmektedir?

Yapışma alanındaki bilgiler tek ve standartlaştırılmış bir veri tabanında bulunmamaktadır. Bilgiler farklı biçimlerde dağılmıştır:

• Teknik kılavuzlar,
• Malzeme veri sayfaları,
• Proses tanımları,
• Araştırma makaleleri,
• Uzman görüşmeleri,
• Farklı sektörlerdeki uygulama dokümanları,
• Geleneksel gemi üretim süreçlerine ait kaynaklar.

Araştırmacılar bu malzemelerin özel olarak uyarlanmış bir büyük dil modeli tarafından taranmasını ve bilgiler arasındaki ilişkilerin çıkarılmasını planlamaktadır. Amaç, yapışma alanına ait bir ontoloji oluşturmaktır.

Bu ontoloji aşağıdaki türden ilişkileri temsil edebilir:

• Bir malzemenin hangi yapıştırıcılarla uyumlu olduğu,
• Belirli bir yüzey hazırlığının hangi kirlenme türlerine karşı kullanıldığı,
• Bir hatanın hangi belirtilerle ilişkili olduğu,
• Bir işlem adımının hangi ön koşullara bağlı olduğu,
• Yanlış bir kararın hangi teknik sonuca yol açabileceği.

Ancak çalışmada kullanılacak büyük dil modelinin adı, mimarisi, eğitim yöntemi, belge sayısı, veri temizleme süreci veya doğrulama yöntemi açıklanmamıştır. Ontolojinin henüz tamamlanmadığı ve tersane koşullarına uyarlanma aşamasında olduğu belirtilmektedir.

Açıklanabilir yapay zekânın önerilen rolü

Çalışma, açıklanabilir yapay zekânın bilgi yapısını izlemek ve sistemin ürettiği daha ayrıntılı cevapları desteklemek için kullanılabileceğini belirtmektedir. Bu yaklaşımın amacı, kullanıcının yalnızca “doğru” veya “yanlış” sonucu görmesi değil, kararın nedenini anlayabilmesidir.

Örneğin sistem:

• Bir seçeneğin neden yanlış olduğunu,
• Hangi malzeme veya işlem kuralının ihlal edildiğini,
• Yanlış kararın olası sonucunu,
• Hangi düzeltici önlemin uygulanabileceğini

açıklayabilir.

Bununla birlikte makalede açıklanabilirlik yönteminin teknik biçimi verilmemektedir. Kaynak belgesi gösterimi, bilgi grafiği yolu, kural zinciri, güven puanı veya model gerekçesinin nasıl doğrulanacağı açıklanmamıştır.

Örnek vaka: bindirmeli kayma deneyinde adezif kırılma

Çalışmadaki üç görsel, önerilen sistemin örnek bir eğitim akışını göstermektedir. Vaka, laboratuvarda yapıştırılmış bir numune üzerinde gerçekleştirilen bindirmeli kayma deneyiyle başlamaktadır.

Deneyden sonra yapıştırıcı tabakasının bağlantının bir yüzeyinden temiz biçimde ayrıldığı ve yüzeyde çok az kalıntı bıraktığı gözlenmektedir. Bu görünüm adezif kırılma olarak tanımlanmaktadır.

Şekil 1: İlk içerik ekranı

Altıncı sayfadaki Şekil 1, ilk eğitim ekranını bileşenlerine ayırmaktadır. Ekranda:

• Laboratuvar deneyini tanımlayan bir anlatı,
• Adezif kırılmayı açıklayan durum bilgisi,
• Kullanıcıdan görseli incelemesini isteyen ilk görev,
• Kırılmış yapıştırma numunesine ait fotoğraf,
• Soru ve yardım düğmesi,
• Arka plan bilgisi düğmesi,
• Sonraki sayfaya geçiş öğesi

bulunmaktadır.

Görsel, çalışan yazılımın ekran görüntüsü değil, tasarlanması planlanan arayüzün şematik bir taslağıdır.

Şekil 2: Çoktan seçmeli etkileşim

Aynı sayfadaki Şekil 2’de kullanıcıdan adezif kırılmanın olası nedenlerini seçmesi istenmektedir. Sunulan seçenekler şunlardır:

• Yüzeyin yapıştırma öncesinde uygun biçimde temizlenmemesi,
• İkinci yüzey yapıştırılmadan önce yapıştırıcının kullanılabilir süresinin aşılması,
• Yapıştırıcının altlık malzemesiyle uyumlu olmaması,
• Mekanik deneyin çok yüksek hızda gerçekleştirilmesi.

Kullanıcı bir veya daha fazla seçenek seçebilmekte ve sistemden cevabını kontrol etmesini isteyebilmektedir. Görsele yeniden dönme seçeneği de öğrenme akışı içinde korunmaktadır.

Şekil 3: Doğru ve yanlış cevaplara geri bildirim

Yedinci sayfadaki Şekil 3, iki farklı cevap için örnek geri bildirim göstermektedir:

• Yüzeyin uygun temizlenmemesi doğru neden olarak işaretlenmekte; yağ, gres veya tozun yüzeyin ıslanmasını engellediği ve yüzey enerjisini düşürdüğü açıklanmaktadır.
• Deney hızının çok yüksek olması yanlış seçenek olarak işaretlenmekte; yüksek hızın görünen dayanımı etkileyebilmesine rağmen tek başına arayüzdeki adezif kırılmanın tipik nedeni olmadığı belirtilmektedir.

Geri bildirimin ayrıntı düzeyinin kullanıcının bilgi ihtiyacına göre değiştirilebileceği öne sürülmektedir.

Karşı önlemlerin öğretim sürecine eklenmesi

Çalışmada yalnızca hata nedeninin açıklanmasıyla yetinilmeyip düzeltici işlem de önerilmektedir. Yüzeyin temizlenmemesi örneğinde sistemin şu tür karşı önlemler sunması planlanmaktadır:

• Uygun çözücüyle yüzey temizliği,
• Mekanik aşındırma,
• Plazma yüzey işlemi,
• Astar uygulaması.

Böylece öğrenme vakası “hangi hata oluştu?” sorusundan “aynı hata nasıl önlenebilir?” sorusuna ilerlemektedir.

Vakanın özetleme ve bilgi aktarımı aşaması

Örnek vaka sonunda adezif kırılmanın, yapıştırıcı ile yüzey arasında yetersiz bağ oluştuğunu gösterdiği özetlenmektedir. Tipik nedenler arasında:

• Yetersiz yüzey hazırlığı,
• Yapıştırıcının kullanılabilir süresinin aşılması,
• Yapıştırıcı ile altlık arasındaki malzeme uyumsuzluğu

sayılmaktadır.

Kullanıcıya ayrıca şu temel öğrenme noktaları verilmektedir:

• Yüzey hazırlığı ve temizliğinin sıkı biçimde kontrol edilmesi,
• Yapıştırıcının kullanılabilir süresinin izlenmesi,
• İşlem gecikmelerinin önlenmesi,
• Yapıştırıcı kimyasının ve yüzey işleminin altlığa uygun seçilmesi,
• Deney parametrelerinin ilgili standartla uyumlu olduğunun doğrulanması.

Olası bir ileri aşamada kullanıcıların adezif, kohezyon ve karma kırılma görüntülerini karşılaştırması; yeni örneklerde kırılma türünü kendisinin sınıflandırması önerilmektedir.

Yapışma ontolojisinin neden gerekli olduğu

Makale, tıp alanındaki uluslararası hastalık sınıflandırmasına benzeyen, yaygın kabul görmüş bir yapışma ontolojisinin bulunmadığını belirtmektedir. Standart bir üst bilgi yapısı olmadığında, farklı kaynaklardaki kavramların ve ilişkilerin proje kapsamında ayrıca çıkarılması gerekir.

Örneğin ontolojide aşağıdaki ilişkilerin kurulması gerekebilir:

Ön ve son koşulların tanımlanması, eğitim sisteminin kullanıcının seçtiği işlemin mevcut durumda uygulanabilir olup olmadığını değerlendirmesine yardımcı olabilir.

Sistemin mevcut geliştirme durumu

Çalışmanın tartışma bölümünde sistemin hâlen geliştirme aşamasında olduğu açıkça belirtilmektedir. Mevcut içerik:

• Metin ve görsel ağırlıklıdır.
• Yapışma alanına ait bir ontoloji ve süreç zincirleri kullanmaktadır.
• Adezif ve kohezyon kavramları gibi başlangıç bilgileri içermektedir.
• Farklı yüzeylerin mikroskobik görünüşlerini ele almaktadır.
• Metal yapıların yapıştırılması için çalışma alanının hazırlanması gibi süreçleri kapsamaktadır.

Ancak ontoloji ve süreçler büyük ölçüde başka uygulama alanlarından alınmıştır. Büyük deniz yapılarının üretildiği tersane ortamına özgü parametreler henüz bütünüyle sisteme aktarılmamıştır.

Planlanan sonraki aşamalar

Çalışmada gelecek adımlar şu şekilde tanımlanmaktadır:

1. Programlama bölümünün tamamlanması,
2. Vaka tabanlı eğitim içeriklerinin genişletilmesi,
3. Bilgi tabanının tersaneye özgü koşullarla zenginleştirilmesi,
4. Büyük dil modeli bileşeninin mevcut materyalle eğitilmesi veya uyarlanması,
5. Sistemin farklı hedef kullanıcı gruplarıyla denenmesi,
6. Değerlendirme sonuçlarına göre içerik ve arayüzün yeniden düzenlenmesi.

Çalışmanın güçlü yönleri

• Tek tip kullanıcı varsayımı yerine çok farklı eğitim ve deneyim düzeylerini dikkate almaktadır.
• Malzeme bilgisi ile işlem bilgisini birbirinden ayırmaktadır.
• Navigasyonu yalnızca arayüz işlevi değil, öğrenilecek süreç bilgisinin parçası olarak ele almaktadır.
• Başlangıç uyarlaması ile çalışma sırasında uyarlamayı ayırt etmektedir.
• Klasik akıllı öğretim sistemi yapısının kontrol edilebilir kurallarını büyük dil modellerinin esnekliğiyle birleştirmeyi amaçlamaktadır.
• Yanlış cevabın yalnızca reddedilmesi yerine nedeninin ve karşı önlemin açıklanmasını önermektedir.
• Teknik dokümanlardan yapılandırılmış ontoloji çıkarma ihtiyacını açık biçimde tanımlamaktadır.
• Projenin henüz tamamlanmadığını ve kullanıcı değerlendirmesinin gelecekte yapılacağını gizlememektedir.

Çalışmanın temel sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Tamamlanmış bir yazılım ürünü veya çalışan sistem doğrulaması sunulmamaktadır.
• Kullanıcı araştırması, örneklem sayısı veya hedef grubun gerçek ihtiyaçlarını ölçen saha verisi bulunmamaktadır.
• Öğrenme başarısını ölçen ön test, son test veya kontrol grubu uygulanmamıştır.
• Geleneksel eğitim, standart e-öğrenme ve önerilen ITS arasında karşılaştırma yapılmamıştır.
• LLM’nin modeli, sürümü, bağlam yapısı, eğitim verisi veya çalışma maliyeti belirtilmemiştir.
• Belge seçimi, veri temizliği, bilgi çıkarımı ve ontoloji üretim yöntemi açıklanmamıştır.
• Oluşturulan ontolojinin kavram, ilişki veya kural sayısı verilmemiştir.
• Alan uzmanlarının yapay zekâ tarafından çıkarılan bilgileri nasıl doğrulayacağı tanımlanmamıştır.
• Yanlış bilgi üretimi, halüsinasyon, kaynak çelişkisi veya güncelliğini kaybetmiş talimatların nasıl yönetileceği açıklanmamıştır.
• Açıklanabilir yapay zekâdan söz edilmesine rağmen kullanılacak açıklama ve izlenebilirlik yöntemi gösterilmemiştir.
• Öğrenci modelinde hangi verilerin tutulacağı ve uzmanlık düzeyinin nasıl hesaplanacağı belirtilmemiştir.
• Kişisel öğrenme verilerinin gizliliği ve saklama koşulları tartışılmamıştır.
• Tersane gibi güvenlik açısından kritik bir ortamda yanlış eğitim önerilerinin nasıl engelleneceği açıklanmamıştır.
• İlgili endüstri standartları, sertifikasyon gereklilikleri ve uzman onay süreçleri sisteme bağlanmamıştır.
• Şekiller, çalışan arayüzlerden elde edilmiş kullanıcı ekranları değil, kavramsal taslaklardır.
• Vaka örnekleri ağırlıklı olarak metin ve görsele dayanmaktadır; video, simülasyon veya fiziksel uygulama eğitimi henüz gösterilmemiştir.

Metin içindeki tutarlılık sorunları

Çalışmada yöntemin başlangıcında açıklığa kavuşturulması gereken “üç unsur” bulunduğu belirtilmesine rağmen, devamında dört numaralı madde sıralanmaktadır. Bu durum temel yaklaşımı değiştirmemekle birlikte metinsel bir numaralandırma tutarsızlığıdır.

Daha önemli bir tutarsızlık, yüzey temizliği örneğinde görülmektedir. Şekil 3’te “yüzey uygun biçimde temizlenmedi” seçeneği doğru cevap olarak gösterilmektedir. Buna karşılık hemen sonraki metinsel örnekte aynı seçenek “kullanıcının yanlış cevabı” olarak yazılmıştır. Devamındaki teknik açıklama ve önerilen karşı önlem, yüzey temizliğinin gerçekten uygun neden olduğunu desteklemektedir. Eğitim içeriği uygulanmadan önce bu tür çelişkilerin alan uzmanlarınca giderilmesi gerekir.

Çalışma neyi desteklemektedir?

• Yapışma bilgisinin vaka tabanlı senaryolar hâlinde yapılandırılabileceğini göstermektedir.
• İçerik, etkileşim ve navigasyonun ayrı ayrı uyarlanabileceği bir tasarım çerçevesi sunmaktadır.
• Farklı hedef gruplar için farklı açıklama ve karar derinliklerine ihtiyaç olduğunu ortaya koymaktadır.
• Klasik akıllı öğretim sistemi bileşenlerinin yapışma eğitimine uygulanabileceğini kavramsal olarak göstermektedir.
• Büyük dil modellerinin dağınık teknik kaynakların yapılandırılmasında kullanılabileceğine ilişkin bir proje yaklaşımı önermektedir.
• Doğru ve yanlış cevaplar için açıklama ve karşı önlem içeren örnek bir eğitim akışı sunmaktadır.

Çalışma neyi göstermemektedir?

• Yapay zekâ destekli eğitimin öğrenme başarısını artırdığını deneysel olarak göstermemektedir.
• Sistemin kullanıcıların hata oranını azalttığını veya yapıştırma kalitesini yükselttiğini kanıtlamamaktadır.
• Büyük dil modelinin teknik belgelerden doğru ve eksiksiz ontoloji ürettiğini doğrulamamaktadır.
• Açıklanabilir yapay zekâ bileşeninin güvenilir veya kullanıcı tarafından anlaşılır olduğunu ölçmemektedir.
• Sistemin tersane çalışanları tarafından kullanılabilirliğini, kabulünü veya erişilebilirliğini değerlendirmemektedir.
• Önerilen yaklaşımın geleneksel uzman eğitiminden daha etkili veya ekonomik olduğunu göstermemektedir.
• Yapay zekâ tarafından önerilen karşı önlemlerin endüstri standartlarına otomatik olarak uygun olacağını garanti etmemektedir.
• Dijital eğitimin uygulamalı laboratuvar ve işbaşı eğitiminin yerini alabileceğini ileri süren bir bulgu sunmamaktadır.

Bilimsel ve endüstriyel önemi

Çalışmanın bilimsel önemi, yapışma teknolojisi, öğretim tasarımı ve yapay zekâ alanlarını ortak bir problem üzerinde buluşturmasıdır. Özellikle karar sıralamasını ve navigasyonu prosedürel bilginin parçası olarak ele alması, yalnızca bilgi kartları sunan geleneksel e-öğrenme sistemlerinden daha kapsamlı bir yaklaşım önermektedir.

Endüstriyel açıdan önerilen sistem, farklı vardiyalarda ve farklı deneyim düzeylerinde çalışan personelin standartlaştırılmış temel bilgiye erişmesini kolaylaştırabilir. Eğitim vakaları doğru biçimde doğrulanırsa yüzey hazırlığı, yapıştırıcı seçimi, işlem süresi ve hasar tanıma gibi konularda destek sağlayabilir.

Bununla birlikte büyük deniz yapılarındaki yapıştırma işlemleri güvenlik açısından kritik olabilir. Bu nedenle gelecekteki sistemin:

• Her teknik açıklama için kaynak ve sürüm bilgisi göstermesi,
• Uzman onayı olmadan güvenlik kritik talimat üretmemesi,
• Endüstri standartlarındaki değişiklikleri izleyebilmesi,
• Belirsiz veya çelişkili durumda kullanıcıyı yetkili uzmana yönlendirmesi,
• Dijital eğitimi uygulamalı yeterlilik değerlendirmesiyle tamamlaması

gerekecektir. Bu güvence mekanizmaları mevcut çalışmada geliştirilmiş veya sınanmış değildir.

Çalışmanın Yöntemi ve Bulguları

Araştırma ve geliştirme yaklaşımı

Hedef gruplara göre olası uyarlama

Bu tablo, çalışmanın açıkladığı uyarlama mantığının teknik özetidir. Makalede bu seviyelere ait tamamlanmış kullanıcı modeli veya puanlama sistemi sunulmamaktadır.

Örnek eğitim vakasının akışı

Şekillerin teknik değerlendirmesi

Çalışmada sunulan bulguların niteliği

Makaledeki “bulgular” deneysel sonuçlardan ziyade tasarım kararları ve geliştirme gereksinimleridir:

• Hedef grubun farklı uzmanlık düzeylerine ayrılması gerektiği belirlenmiştir.
• Yapışma bilgisinin malzeme, kimya, süreç, gerçek ve kural bileşenlerine ayrılabileceği öne sürülmüştür.
• Vaka tabanlı eğitim, bu farklı bilgi türlerini bağlam içinde birleştirmek için uygun görülmüştür.
• İçerik ve navigasyonun ayrı uyarlama alanları olduğu belirtilmiştir.
• Geleneksel ITS yapısının büyük dil modeli ve açıklanabilir yapay zekâyla genişletilmesi planlanmıştır.
• Mevcut bilgi tabanının tersane ortamı için henüz yeterli olmadığı kabul edilmiştir.
• Farklı hedef gruplarla gelecekte kullanıcı testleri yapılması gerektiği sonucuna varılmıştır.

Çalışmada bulunmayan deneysel unsurlar

Bu nedenle çalışma, önerilen sistemin etkililiğini değerlendiren ampirik bir eğitim araştırması olarak değil, sistem gereksinimlerini ve tasarım yaklaşımını açıklayan erken aşama bir proje metni olarak okunmalıdır.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı:Knowledge Acquisition in Adhesion – Case-based Training with AI

Yazarlar ve sıraları: Linda Fröck; Wilko Flügge; Alke Martens.

PDF’de kullanılan yazar gösterimi: L. Fröck; W. Flügge; A. Martens.

Sorumlu/iletişim yazarı: SSRN kayıt sayfasında Linda Fröck “Contact Author” olarak gösterilmektedir. PDF’de sorumlu yazar işareti veya iletişim e-postası bulunmamaktadır.

Eş birinci yazarlık veya eş katkı: Belirtilmemiştir.

PDF’de belirtilen kurumlar:

• Linda Fröck ve Wilko Flügge: University of Rostock, MSF, Albert-Einstein-Str. 30, Rostock, Germany.
• Alke Martens: University of Rostock, IEF, IFI, Albert-Einstein-Str. 22, Rostock, Germany.

Kurum kısaltmaları hakkında not: Çalışmada MSF, IEF ve IFI kısaltmaları kullanılmakta; birimlerin tam adları kaynak metinde açılmamaktadır.

DOI:10.2139/ssrn.6947714

Resmî SSRN kaydı:SSRN çalışma sayfası

SSRN yayımlanma tarihi: 15 Haziran 2026.

Yayın yılı: 2026.

Sayfa sayısı: 10.

Kaynak türü: Yapay zekâ destekli eğitim, akıllı öğretim sistemleri, vaka tabanlı öğrenme ve yapışma teknolojisi alanlarında kavramsal araştırma preprinti.

Dergi: Hakemli bir dergi adı, cilt, sayı veya makale numarası bulunmamaktadır.

Konferans: Bu sürümde konferans adı, bildiri kitabı veya hakemli konferans kabul bilgisi verilmemiştir.

Yayınevi: Ayrı bir akademik yayınevi doğrulanmamıştır.

Yayın platformu: SSRN.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Her sayfada “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

Finansman: Çalışmada finansman beyanı bulunmamaktadır.

Çıkar çatışması: Ayrı bir çıkar çatışması beyanı bulunmamaktadır.

Veri ve kod erişimi: Veri seti, kaynak kod, model dosyası, ontoloji veya çalışan eğitim sistemi için açık erişim bağlantısı verilmemiştir.

Bu Türkçe anlatım, çalışmanın tamamı; hedef grup analizi, içerik yapılandırma yaklaşımı, akıllı öğretim sistemi bileşenleri, büyük dil modeli ve açıklanabilir yapay zekâ önerileri, üç arayüz taslağı, örnek yapışma hatası vakası, tartışma bölümü ve kaynakça birlikte incelenerek hazırlanmıştır. Çalışmada bulunmayan kullanıcı testi, öğrenme başarısı, sistem doğruluğu veya endüstriyel uygulama sonucu eklenmemiştir.

Çalışmanın en önemli sınırlılığı, önerilen yapının henüz kullanıcılarla sınanmamış olmasıdır. Büyük dil modelinin ve açıklanabilir yapay zekâ bileşeninin nasıl uygulanacağı, doğrulanacağı ve güvenlik açısından nasıl sınırlandırılacağı da henüz teknik ayrıntılarıyla ortaya konmamıştır.

Bu nedenle çalışma, yapay zekâ destekli vaka tabanlı yapışma eğitiminin etkili olduğunu kanıtlayan bir sonuç raporu değil; böyle bir sistemin geliştirilmesi için hedef kitleyi, içerik yapısını ve yazılım bileşenlerini tanımlayan erken aşama bir tasarım önerisidir.