Yapay zekâ eğitim asistanı, öğrenenlerle soru-cevap, geri bildirim, yönlendirme, görev, öneri, görselleştirme, ses veya başka etkileşim biçimleri üzerinden iletişim kurarak öğrenme sürecini destekleyen yapay zekâ tabanlı sistemlerin genel sınıfıdır. Fatmah Alqarni ve çalışma arkadaşlarının sistematik derlemesi, bu sistemlerde öğrenmenin iki temel mekanizma üzerinden nasıl gerçekleştiğini inceliyor: açık öğrenme ve örtük öğrenme.

Açık öğrenmede kullanıcı, bir açıklamayı dinleme, soru sorma, geri bildirim alma, görevi tamamlama veya adım adım yönlendirme izleme gibi bilinçli bir öğrenme sürecine girer. Örtük öğrenmede ise bilgi veya beceri, kullanıcının doğrudan “şimdi öğreniyorum” amacı taşımadığı bir etkileşim sırasında; deneyerek, geri bildirimleri gözlemleyerek, sistemle konuşarak veya bir görevi gerçekleştirerek gelişir.

Araştırmacılar 2000–2024 arasında yayımlanan 38 çalışmayı sistematik olarak incelemiştir. Çalışmaların %79'u ağırlıklı olarak açık öğrenmeyi, %21'i ise örtük öğrenmeyi destekleyen mekanizmalar göstermiştir. Yazılı etkileşim %45 ile en yaygın iletişim biçimidir; bunu %34 ile görselleştirme, %12 ile eylem tabanlı etkileşim ve %9 ile ses izlemektedir.

Derleme ayrıca AI eğitim sistemlerinin teknik evrimini de ortaya koymaktadır. Kural tabanlı chatbotlardan makine öğrenmesi sistemlerine, bilgi tabanlarından ontolojilere ve son dönemde büyük dil modelleri ile üretken AI sistemlerine doğru bir geçiş görülmektedir. Ancak 38 çalışmanın yalnızca dördünün LLM veya üretken AI içermesi, mevcut bulguların büyük ölçüde LLM yaygınlaşması öncesindeki literatürü temsil ettiğini göstermektedir.

Açık öğrenme ile örtük öğrenme arasındaki temel fark nedir?

Açık öğrenmede kişi bilgi edinmeye bilinçli biçimde yönelir ve açıklama, öğretim, soru, yönlendirme veya geri bildirim gibi doğrudan öğrenme mekanizmalarıyla etkileşime girer. Örtük öğrenmede ise bilgi ve beceri, kişi doğrudan öğrenme amacı taşımadan, görev yapma, sistemi keşfetme, sonuçları gözlemleme veya diyalog içinde deneyim kazanma sırasında gelişir. Çalışmadaki sınıflandırma yalnız kullanılan arayüz özelliğine değil, aynı özelliğin kullanıcı için hangi öğrenme işlevini gördüğüne dayanır.

Açık öğrenmenin on bir etkileşim özelliği

Derleme, açık öğrenme için on bir temel etkileşim özelliği belirlemektedir:

1. Soru sorma: Öğrenenin doğrudan bilgi veya açıklama istemesi.
2. Evet/hayır soruları: Özellikle erken yaş veya düşük karmaşıklıklı etkileşimlerde bilişsel yükü azaltan yapılandırılmış yanıtlar.
3. Çoktan seçmeli sorular: Öğreneni belirli seçenekler arasında değerlendirme yapmaya yönelten yapı.
4. Soruları yanıtlama: Quiz, dilbilgisi, kelime bilgisi veya konu değerlendirmeleri gibi yapılandırılmış cevap üretme süreçleri.
5. Yönlendirme: Özellikle acemi kullanıcılar için adım adım öğretim.
6. Uyarı mesajları: Hataların veya riskli adımların gerçek zamanlı bildirilmesi.
7. Görev üretme veya görev çözme: Öğrenenin bir problemi çözerek veya bir ürün oluşturarak etkin biçimde öğrenmesi.
8. Öneriler: AI'nın ipucu, öneri veya ilgili materyal sunması.
9. Hatırlatma / uyarma: Yaklaşan görev veya gereksinimlerin kullanıcıya bildirilmesi.
10. Geri bildirim: Kullanıcının performansının değerlendirilmesi ve sonraki adıma yönlendirilmesi.
11. Düzenlenebilir geri bildirim: Kullanıcının AI geri bildiriminden sonra kendi çıktısını yeniden düzenleyip iyileştirebilmesi.

Kaynağın 10. sayfasındaki Şekil 5, bu on bir mekanizmayı tek bir açık öğrenme taksonomisi altında birleştiriyor. Burada önemli nokta, mekanizmaların yalnız “arayüz özelliği” olarak değil, kullanıcının bilinçli bilgi edinmesine hizmet eden öğrenme davranışları olarak değerlendirilmesidir.

Soru sorma neden yalnız bilgi arama değildir?

İncelenen sistemlerde soru sorma yalnızca cevap alma işlevi görmez. Bazı AI eğitim asistanları öğrencinin sorularını yanıtlamakla kalmaz; verilen yanıta göre daha zor görevler, düzeltici içerikler veya yeni öğrenme adımları önerir. Bu nedenle soru-cevap mekanizması, bilgi erişiminden öğrenme yolunun dinamik biçimde yönlendirilmesine kadar genişleyen bir işleve sahip olabilir.

Yönlendirme ne zaman sorun haline gelebilir?

Adım adım yönlendirme özellikle başlangıç düzeyindeki öğrenciler için hata oranını azaltabilir ve teknik görevleri daha erişilebilir hale getirebilir. Ancak yazarlar, aşırı yapılandırılmış yönlendirmenin bağımsız muhakeme becerilerini azaltabileceğini de tartışmaktadır. Bu nedenle AI eğitim asistanının yalnız doğru yolu göstermesi değil, öğrenenin kendi çözüm üretme kapasitesini ne kadar koruduğu da önemlidir.

Geri bildirim neden merkezi bir mekanizmadır?

Geri bildirim, incelenen literatürde programlamadan dil eğitimine, mühendislik problem çözmeden tasarım eğitimine kadar farklı alanlarda tekrar eden bir mekanizmadır. AI, sözdizimi hatalarını gösterebilir, bir çözüm adımının doğru olup olmadığını belirtebilir, öğrenciyi daha zor içeriğe yönlendirebilir veya kullanıcının tasarımını yeniden değerlendirmesine yardımcı olabilir. Derlemenin önemli çıkarımlarından biri, geri bildirimin yalnız “doğru/yanlış” kararı veren son aşama değil, öğrenme sürecini sürekli yönlendiren bir etkileşim mekanizması olmasıdır.

Örtük öğrenmenin dört temel mekanizması

Çalışma örtük öğrenmeyi dört ana özellik altında sınıflandırmaktadır:

• soru sorma,
• soruları yanıtlama,
• etkinlik veya görev gerçekleştirme,
• geri bildirim.

İlk bakışta bu özelliklerin bazıları açık öğrenme kategorisinde de görülmektedir. Bunun nedeni bir sınıflandırma hatası değildir. Yazarların ölçütü etkileşimin görünüşü değil, işlevsel rolüdür. Kullanıcı “bir konuyu öğrenmek” amacıyla soru soruyorsa açık öğrenme; doğal bir diyalog içinde farkında olmadan problem çözme becerisi kazanıyorsa aynı soru-cevap biçimi örtük öğrenmeye hizmet edebilir.

Bir AI sistemi aynı etkileşimle hem açık hem örtük öğrenmeyi nasıl destekleyebilir?

Aynı arayüz özelliği, kullanıcının amacı ve etkileşim bağlamına göre farklı öğrenme işlevleri üstlenebilir. Örneğin AI'nın bir hatayı açıklaması bilinçli kavram öğrenimini desteklediğinde açık öğrenmedir; kullanıcının farklı girdileri deneyip sistemin sonuçlarını gözlemleyerek bir örüntüyü sezgisel biçimde öğrenmesi ise örtük öğrenmedir. Bu nedenle çalışma, “chatbot”, “feedback” veya “question answering” etiketini tek başına öğrenme türünün göstergesi olarak kabul etmez.

Etkinlik yoluyla örtük öğrenme

Örtük öğrenmede özellikle uygulamalı görevler önemlidir. İncelenen sistemlerde öğrenciler görsel programlama araçlarını kullanarak algoritmik davranışları keşfetmiş, makine öğrenmesi modellerini eğitip sonuçlarını gözlemlemiş veya AI sistemine yeni bilgiler öğretip sistemin sonraki tepkilerini incelemiştir. Kullanıcı burada doğrudan teorik açıklama okumadan, deney ve sonuç arasındaki ilişkiyi gözlemleyerek kavramsal yapı geliştirebilir.

Örtük geri bildirim

Örtük geri bildirimde sistem kullanıcının davranışına tepki verir fakat bu tepki mutlaka “öğretim açıklaması” biçiminde değildir. Örneğin kullanıcı farklı tasarım girdileri verip AI çıktısındaki değişimi gözlemleyebilir veya konuşma sistemi telaffuza tepki vererek kullanıcının kendi performansını uyarlamasına yol açabilir. Öğrenme burada açıklamanın doğrudan aktarılmasından çok deneme, gözlem ve düzeltme döngüsünde gerçekleşir.

Açık öğrenme neden literatürde baskındır?

34 çalışmanın tam sınıflandırıldığı analizde 27 çalışma açık, 7 çalışma örtük öğrenmenin baskın olduğu gruba yerleştirilmiştir. Bu sırasıyla %79 ve %21'lik dağılıma karşılık gelir. Erken dönem çalışmalarının özellikle yapılandırılmış soru-cevap ve geri bildirim üzerine yoğunlaştığı; 2019–2020 civarında ise ses tabanlı sistemler ve deneyim üzerinden öğrenme yaklaşımlarıyla örtük mekanizmaların görünürlüğünün arttığı görülmektedir.

2021–2024 döneminde LLM entegrasyonlarının başlamasıyla sınır daha geçirgen hale gelir. Çünkü üretken sistemler bir yandan doğrudan açıklama ve öğretim sunabilirken diğer yandan kullanıcıların farklı sorular, girdiler ve çıktılar üzerinde deney yapmasına izin vermektedir.

AI eğitim asistanlarının dört uygulama yaklaşımı

Çalışma teknik uygulamaları dört ana grupta sınıflandırır:

Kural tabanlı chatbot ile AI chatbot arasındaki fark

Derlemede kural tabanlı chatbotlar önceden tanımlanmış kurallarla çalışan, daha az esnek fakat kontrol edilebilir sistemler olarak; AI chatbotları ise bilgi ve bağlamdan öğrenerek daha karmaşık durumlara uyum sağlayabilen ancak davranışı daha az öngörülebilir sistemler olarak karşılaştırılır. Kural tabanlı sistemler basit senaryolarda yüksek kontrol sağlarken, öğrenenlerin açık uçlu sorgularına yanıt verme kapasitesi sınırlıdır.

Bilgi nerede tutuluyor ve nasıl güncelleniyor?

İncelenen sistemlerde bilgi; veri tabanları, bilgi tabanları, veri kümeleri, ontolojiler veya başka yapılandırılmış depolarda tutulmaktadır. Bazı sistemler statik bilgi tabanları kullanırken bazıları kullanıcı geri bildirimleri veya yeni verilerle dinamik olarak güncellenmektedir.

Örneğin bazı öneri sistemlerinde ontolojiler öğrenciler, yükseköğretim seçenekleri ve meslekler arasındaki ilişkileri temsil etmek için kullanılır. Bazı chatbotlarda farklı veri tabanları öğrencinin performansını, ders içeriğini ve gündelik sohbet cevaplarını ayrı ayrı saklar. Bu mimari farklar, sistemin güncel bilgiye ne kadar uyum sağlayabileceğini doğrudan etkiler.

Kullanılan AI yöntemleri nasıl değişmiştir?

Derlemenin zamansal analizi, AI eğitim sistemlerinin teknik mimarisindeki dönüşümü açık biçimde gösterir. 2000–2015 dönemindeki birçok çalışmada bilgi depolama ve güncelleme mekanizmaları ayrıntılı biçimde raporlanmamış, etkileşim ağırlıklı olarak yazılı veya görsel kalmıştır.

2016–2020 döneminde veri tabanı destekli yapılar yaygınlaşmaya, dinamik bilgi güncellemesi görülmeye ve derin sinir ağları, cooperative contextual bandits ve gözetimli makine öğrenmesi gibi daha çeşitli yöntemler kullanılmaya başlanmıştır.

2021–2024 döneminde ise GPT tabanlı sistemler, büyük dil modelleri, üretken AI API'leri ve çok modlu etkileşim birlikte görülmektedir. COFFEE, AutoSpark, DesignPrompt ve Q-Module-Bot gibi sistemler bu geçişin kaynakta incelenen örnekleri arasındadır.

Çalışmanın Yöntemi ve Bulguları

Sistematik derleme nasıl yürütüldü?

Araştırma PRISMA 2020 ilkelerine göre yürütülmüş ve snowballing yöntemiyle genişletilmiştir. Derleme protokolü Open Science Framework üzerinde geriye dönük olarak kaydedilmiştir.

İlk aramalar Haziran–Eylül 2022 arasında gerçekleştirilmiş, Kasım 2023'te güncellenmiş ve LLM tabanlı eğitim asistanlarındaki hızlı gelişmeleri yakalamak için Eylül–Aralık 2024 arasında ek arama yapılmıştır.

Arama kaynakları şunlardır:

• Google Scholar,
• ACM Digital Library,
• IEEE Xplore,
• MDPI,
• Springer,
• Taylor & Francis.

16.335 kayıttan 38 çalışmaya nasıl ulaşıldı?

Başlangıçta toplam 16.335 kayıt belirlenmiştir. Bunların 15.900'ü Google Scholar otomatik aramasından; kalanlar ACM, IEEE, MDPI, Springer ve Taylor & Francis üzerinde yürütülen manuel aramalardan gelmiştir.

Tarama öncesinde 5.685 tekrar kayıt ve tarih filtreleriyle 2.500 kayıt çıkarılmış; başlık taramasına 8.150 kayıt kalmıştır. Bunların 8.030'u dışlandıktan sonra 120 çalışma kalmış, ileri ve geri snowballing ile bulunan 11 kayıt eklendiğinde 131 rapor değerlendirmeye alınmıştır.

Özet ve sonuç taramasında 73 çalışma elenmiş; 58 çalışma tam metin uygunluk değerlendirmesine geçmiştir. Dahil etme ve dışlama ölçütleri uygulandıktan sonra 20 çalışma daha çıkarılmış ve nihai sistematik derlemeye 38 çalışma dahil edilmiştir. Kaynağın 4. sayfasındaki PRISMA 2020 akış şeması bu süreci ayrıntılı biçimde göstermektedir. :chatgpt-content-reference{index="6"}

Veri çıkarımında hangi değişkenler kullanıldı?

38 çalışmanın 34'ünde tam veri çıkarımı gerçekleştirilmiştir. Dört çalışma yalnızca araştırmanın motive edici örneğinde kullanılmıştır. Tam çıkarımda şu 15 değişken incelenmiştir:

1. yayın yılı,
2. yayın türü,
3. yayıncı,
4. alan,
5. açık veya örtük öğrenme türü,
6. etkileşim özellikleri,
7. uygulama yaklaşımı,
8. bilgi temsili ve güncelleme yöntemi,
9. hedef kullanıcı grubu,
10. algoritmalar ve teknikler,
11. yazı, ses, görsel veya eylem tabanlı etkileşim,
12. değerlendirme yaklaşımı,
13. veri toplama yöntemi,
14. katılımcı sayısı,
15. ölçütler.

Çalışmalar hangi dönemlerde yoğunlaşmıştır?

2000–2024 arasındaki yayın dağılımında erken yıllarda sınırlı sayıda çalışma görülürken 2010'lu yıllarda artış başlamış ve belirgin tepe 2019–2020 döneminde ortaya çıkmıştır. İncelenen kaynakların %50'si dergi makalesi, %43'ü konferans yayını ve %7'si web kaynağıdır. Kaynağın 5. sayfasındaki Şekil 3 bu dağılımı yıl ve yayın türüne göre göstermektedir. :chatgpt-content-reference{index="7"}

Temel nicel bulgular

Etkileşim oranlarının yorumunda önemli bir metodolojik ayrıntı vardır: aynı çalışma birden fazla etkileşim türü içerebildiğinden yüzdeler birbirini dışlayan çalışma grupları değildir. Yazılı etkileşim 25 çalışmada, görselleştirme 19 çalışmada, eylem 7 çalışmada ve ses 5 çalışmada görülmüştür; yüzdeler toplam etkileşim örneklerinin normalize edilmesiyle hesaplanmıştır.

AI eğitim asistanlarında neden sesli etkileşim hâlâ sınırlı?

Derlemede ses tabanlı etkileşim yalnızca toplam etkileşim örneklerinin %9'unu oluşturur ve yazılı iletişim ile görselleştirmenin belirgin biçimde gerisindedir. İncelenen sistemlerde Alexa ve benzeri sesli asistanlar bazı öğrenme senaryolarında kullanılsa da, araştırma literatürünün büyük bölümü hâlâ metin ve görsel arayüzler üzerine kuruludur. Çalışma bu durumu sesli etkileşimin eğitimde etkisiz olduğu şeklinde yorumlamaz; aksine sesin literatürde yeterince temsil edilmediğini gösterir.

Yazılı etkileşim: %45

Metin tabanlı etkileşim en yaygın biçimdir. Kullanıcı sisteme sorular sorabilir, bilgi isteyebilir, geri bildirim gönderebilir veya görev cevapları üretebilir. Metin tabanlı sistemlerin teknik olarak uygulanmasının görece kolay olması ve chatbot mimarileriyle doğrudan uyumlu olması, bu yaygınlığın kaynakta gözlenen bağlamlarından biridir.

Görselleştirme: %34

Görselleştirme, karmaşık AI veya teknik süreçleri daha hızlı anlamayı destekleyen ikinci en yaygın etkileşim biçimidir. Kaynakta özellikle makine öğrenmesi kavramları, bilgisayar güvenliği, programlama, veri yapıları ve tasarım gibi alanlarda görsel geri bildirimin kullanıldığı örnekler yer almaktadır.

Eylem tabanlı etkileşim: %12

Eylem tabanlı sistemlerde kullanıcı yalnızca metin okumaz; devre oluşturur, algoritmayı değiştirir, görseli düzenler veya başka bir işlem gerçekleştirir ve ortaya çıkan sonucu gözlemler. Bu tür sistemler özellikle uygulamalı ve örtük öğrenme bakımından önemlidir.

Sesli etkileşim: %9

Ses, özellikle küçük çocuklar, dil öğrenenler veya klavye kullanımının öğrenme sürecini zorlaştırdığı bağlamlarda yararlı olabilir. İncelenen çalışmalarda Alexa ve Amazon Echo Dot gibi sistemlerin ses girdisini metne dönüştürerek eğitim etkileşimlerinde kullanıldığı örnekler vardır.

LLM ve üretken AI bu tabloyu nasıl değiştiriyor?

Büyük dil modelleri ve üretken AI, kural tabanlı sistemlerin önceden tanımlı etkileşim yapısından daha esnek ve bağlama duyarlı bir modele geçiş sağlamaktadır. Kaynakta incelenen yeni sistemlerde ChatGPT, GPT-3.5, GPT-4/GPT-4V, OpenAI API'leri ve CLIP gibi teknolojiler kullanılmaktadır.

LLM tabanlı sistemler açık öğrenmeyi; kavram açıklama, dinamik soru-cevap, rehberli sorgulama ve kişiye göre uyarlanmış geri bildirimle destekleyebilir. Örtük öğrenme ise kullanıcının soruları değiştirerek, yeni girdiler deneyerek ve AI çıktılarındaki farkları gözlemleyerek gerçekleşebilir.

Bu nedenle LLM'ler açık ve örtük öğrenme arasındaki sınırı daha geçirgen hale getirmektedir. Kullanıcı aynı diyalog içinde hem doğrudan açıklama alabilir hem de sistemle deney yaparak farkında olmadan yeni kavramsal ilişkiler öğrenebilir.

Üretken AI'nın eğitim açısından yeni riski nedir?

Esneklik beraberinde yeni değerlendirme sorunları getirir. Geleneksel sistemlerde doğruluk, görev tamamlama veya kullanılabilirlik gibi ölçütler yeterli olabilirken, üretken sistemlerde üretilen cevabın güvenilirliği ve doğruluğu ayrıca değerlendirilmelidir. Kaynak özellikle hallucination riskine dikkat çeker: yanlış fakat ikna edici bir açıklama, öğrenci tarafından sorgulanmadan kabul edilirse öğrenme süreci olumsuz etkilenebilir.

Bu risk; sağlık, güvenlik ve gizlilik gibi yanlış yönlendirmenin yüksek sonuçlar doğurabileceği alanlarda daha kritiktir. Bu nedenle yazarlar LLM tabanlı eğitim asistanlarında güçlü guardrail'ler ve daha kapsamlı değerlendirme süreçleri gerektiğini savunmaktadır.

RAG neden gelecek yönlerinden biri olarak gösteriliyor?

Derlemede birçok eski sistemin statik bilgi tabanlarına dayandığı ve gelişen alanlara yeterince hızlı uyum sağlayamadığı belirtilmektedir. Yazarlar gelecekte bilgi temsilinin etkileşim mantığından ayrıldığı, güncellenebilir mimarilerin kullanılmasını önermektedir. Retrieval-Augmented Generation (RAG), üretken cevapların doğrulanmış bilgi kaynaklarına dayandırılması için önerilen yaklaşımlardan biridir.

Değerlendirme yöntemlerindeki temel sorun

İncelenen çalışmaların çoğunda deneysel değerlendirme kullanılmış ve birçok araştırma nicel ve nitel yöntemleri birlikte uygulamıştır. Ancak örneklem büyüklükleri, çalışma süreleri ve kullanılan ölçütler arasında büyük farklılıklar bulunmaktadır.

Bazı çalışmalar yalnızca kısa süreli atölye veya tek oturum üzerinden değerlendirilmiştir. Küçük örneklemler, katılımcı çeşitliliğinin sınırlı olması ve uzun dönem öğrenme sonuçlarının ölçülmemesi, güçlü genellemeler yapılmasını zorlaştırmaktadır.

Daha sağlam değerlendirme nasıl yapılmalı?

Yazarlar daha uzun süreli çalışmaların gerektiğini vurgular. Öğrencinin bilgi, davranış ve beceri gelişiminin örneğin bir akademik dönem boyunca takip edilmesi, kısa süreli kullanılabilirlik testlerinden çok daha güçlü kanıt sağlayabilir.

Değerlendirme yalnız memnuniyet veya kullanılabilirlikle sınırlı kalmamalı; bilgi kazanımı, yanlış kavramların oluşumu ve kalıcılık gibi öğrenmeye özgü sonuçları da ölçmelidir. LLM tabanlı sistemlerde buna uzman değerlendirmesi, güvenilir kaynaklarla otomatik doğrulama ve AI cevaplarının doğruluk analizi de eklenmelidir.

Dört temel araştırma açığı

1. Konuşmaya dayalı adaptasyon: Birçok sistem açık uçlu sorulara, kişiselleştirilmiş geri bildirime ve iteratif diyaloğa yeterince uyum sağlayamıyor.
2. Bilgi temsili ve mimari: Birçok çalışma bilginin nerede saklandığını veya nasıl güncellendiğini yeterince raporlamıyor.
3. Heterojen AI yaklaşımlarının entegrasyonu: Sistemler çoğunlukla tek bir baskın tekniğe dayanıyor; gelecekte ML, LLM, bilgi tabanları ve başka mekanizmaların birlikte kullanıldığı hibrit mimariler gerekebilir.
4. Sağlam değerlendirme çerçeveleri: Kısa süreli, küçük örneklemli ve heterojen ölçüm yöntemleri uzun dönem öğrenme etkilerini belirlemeyi zorlaştırıyor.

Çalışmanın temel sınırlılıkları

Derleme yalnız İngilizce yayımlanan çalışmaları içerdiği için dil yanlılığı riski taşımaktadır. Açık ve örtük öğrenme sınıflandırması, eğitim bilimi literatüründeki teorik tanımlara dayanmasına rağmen araştırmacı yorumunu içerdiğinden belirli ölçüde öznel olabilir.

Daha da önemlisi, 38 çalışmadan yalnız dört tanesi LLM veya üretken AI içermektedir. Dolayısıyla taksonominin büyük bölümü ChatGPT ve benzeri üretken sistemlerin eğitim alanında hızla yaygınlaşmasından önceki teknolojik dönemi yansıtmaktadır. Yazarlar gelecekte yalnızca LLM tabanlı eğitim asistanlarını inceleyen ayrı sistematik derlemelere ihtiyaç olduğunu belirtmektedir. :chatgpt-content-reference{index="8"}

Çalışmanın desteklediği ve desteklemediği sonuçlar

Çalışmanın desteklediği sonuçlar: AI eğitim asistanlarında öğrenme mekanizmaları açık ve örtük biçimlerde sınıflandırılabilir; açık öğrenme incelenen literatürde daha yaygındır; metin ve görselleştirme en sık kullanılan etkileşim biçimleridir; teknik mimariler zaman içinde kural tabanlı sistemlerden ML ve LLM tabanlı yapılara doğru gelişmiştir; mevcut değerlendirme uygulamaları önemli ölçüde heterojendir.

Çalışmanın desteklemediği sonuçlar: %79 açık öğrenme oranı, açık öğrenmenin örtük öğrenmeden “daha iyi” olduğunu göstermez. %9 ses kullanımı da sesli sistemlerin daha az etkili olduğunu kanıtlamaz. Çalışma ayrıca LLM tabanlı eğitim asistanlarının geleneksel sistemlerden kesin olarak daha etkili olduğunu göstermemektedir. Bu araştırma bir meta-analiz olmadığı için tek bir birleşik öğrenme etki büyüklüğü hesaplamamaktadır.

Kaynak ve Yöntem Notu

Özgün çalışma: Alqarni, F.; Alhirabi, N.; Rana, O.; Perera, C. Explicit and Implicit Learning Mechanisms in AI Educational Assistants: A Systematic Review.

Dergi:AI, 2026, Volume 7, Article 160.

DOI:10.3390/ai7050160

Makale türü: Sistematik derleme.

Gönderim: 26 Şubat 2026. Revizyon: 6 Nisan 2026. Kabul: 16 Nisan 2026. Yayın: 1 Mayıs 2026.

Kurumlar: Cardiff University, Birleşik Krallık; King Saud University, Suudi Arabistan.

Yöntem: PRISMA 2020 rehberi ve ileri/geri snowballing yaklaşımı kullanılmıştır. Sistematik derlemeye 38 çalışma dahil edilmiş, 34 çalışma için tam veri çıkarımı yapılmıştır. İncelenen yayınlar 2000–2024 dönemini kapsamaktadır.

Finansman: Araştırma kısmen EPSRC PETRAS, EP/S035362/1 tarafından desteklenmiştir. :chatgpt-content-reference{index="9"}

Veri erişilebilirliği: Çalışmalardan çıkarılan ve kodlanan veriler; dahil edilen çalışma listesi, öğrenme türleri, uygulama yaklaşımları ve değerlendirme özellikleri dahil olmak üzere ek materyallerde sunulmuştur. :chatgpt-content-reference{index="10"}

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Lisans: Creative Commons Attribution (CC BY). :chatgpt-content-reference{index="11"}

Yöntemsel sınır: Çalışma bir meta-analiz değildir ve AI eğitim asistanlarının öğrenme üzerindeki tek bir birleşik etki büyüklüğünü hesaplamaz. Yazarlar çalışma düzeyinde formal risk-of-bias değerlendirmesi yapmamış; bu nedenle nicel yüzdelerin kesin etki ölçütlerinden çok literatürdeki genel nitel eğilimler olarak yorumlanmasını önermiştir. :chatgpt-content-reference{index="12"}

Verianla yöntem notu: Bu Türkçe metin, kaynak sistematik derlemenin bilimsel içeriğini öğretilebilir bir yapıda yeniden kurmaktadır. Kaynak metnin cümle ve paragraf sunumu kopyalanmamış; PRISMA süreci, taksonomi, nicel dağılımlar, teknik uygulama türleri, araştırma açıkları ve sınırlılıklar kaynak anlamı korunarak bağımsız Türkçe anlatımla düzenlenmiştir.