Bu çalışma, üretken yapay zekâ (Generative AI, GenAI) öğrencilerin akademik görevlerde daha akıcı, eksiksiz ve görünüşte başarılı ürünler oluşturmasını kolaylaştırdıkça öz-değerlendirmenin yükseköğretimde daha önemli hale geldiğini savunmaktadır. Öz-değerlendirme, öğrencinin beklenen öğrenme çıktıları karşısında kendi bilgisini, becerilerini, güçlü ve zayıf yönlerini ve ilerlemesini değerlendirdiği bir öğrenme sürecidir. Kaynağın temel problemi, AI tarafından desteklenen veya büyük ölçüde AI tarafından üretilen başarılı bir son ürünün öğrencinin aynı düzeyde bilgi, anlayış veya beceri geliştirdiğini göstermeyebilmesidir. Bu nedenle öğrencinin yalnızca “ne ürettiğinin” değil, ne öğrendiğinin, neyi hâlâ anlamadığının ve AI'nın bilişsel çabasını destekleyip desteklemediğinin de değerlendirilmesi gerekir.

Makale yeni bir deney yürütmemekte; öz-değerlendirme, öz-düzenlemeli öğrenme, bilişsel yük aktarımı ve GenAI destekli öğrenme üzerine mevcut araştırmaları bir araya getirmektedir. Aktarılan ampirik bulgular, AI desteğinin görev performansını artırmasının mutlaka bilgi kazanımı, bilgi transferi veya doğru öz-değerlendirme ile birlikte ilerlemediğini göstermektedir. Özellikle Fan ve arkadaşlarının 117 üniversite öğrencisiyle yürüttüğü randomize deneyde ChatGPT destekli grubun makale puanları daha fazla iyileşmiş, buna karşılık bilgi ve bilgi transferi açısından AI kullanmayan veya insan uzmanla çalışan öğrencilere göre ek kazanç görülmemiştir. Fernandes ve arkadaşlarının aktarılan bulgularında AI kullanımı muhakeme performansını yükseltirken katılımcıların kendi başarılarını olduğundan yüksek tahmin etmeleriyle ilişkili bulunmuş; Darvishi ve arkadaşlarının kontrollü çalışmasında ise AI desteği kaldırıldığında performansın anlamlı biçimde düşmesi dikkat çekmiştir.

Kaynak bu nedenle AI kullanımını yalnız yasaklama veya tespit etme üzerinden ele almaz. Eğitimcilerin öğrencilerin öğrenme hedeflerini, hangi noktada zorlandıklarını, düşüncelerinin nasıl değiştiğini, neyi bağımsız olarak yapabildiklerini ve AI'nın öğrenmeyi destekleyip desteklemediğini görünür hale getiren yapılandırılmış öz-değerlendirme fırsatları oluşturmasını önerir. Makalenin ana yorum sınırı, öz-değerlendirmenin AI kullanımının bütün eğitimsel risklerini otomatik olarak çözmediğidir: öz-değerlendirmenin yararlı olabilmesi için açık ölçütler, öğrenme çıktıları, geri bildirim ve öğrencinin kendi değerlendirmesini dış geri bildirimle kalibre edebilmesi gerekir.

Akademik dürüstlük tartışmasının ötesindeki problem

Üretken yapay zekânın eğitimde kullanımı çoğu zaman akademik dürüstlük üzerinden tartışılmaktadır: öğrenci ödevi kendisi mi yazdı, AI kullanımı açıklanmalı mı, AI tarafından üretilmiş metin tespit edilebilir mi ve hangi kullanım biçimleri akademik suistimal sayılmalıdır? Kaynak bu soruların önemli olduğunu kabul eder; ancak bunların daha temel bir eğitim sorusunu gölgeleyebileceğini savunur.

Bu temel soru şudur: Bir öğrenci birkaç saniye içinde AI yardımıyla bir özet, yansıtma metni, literatür incelemesi veya başka bir akademik ürün oluşturabiliyorsa, öğrencinin gerçekten öğrenip öğrenmediğini nasıl anlayabiliriz?

Makalenin bakış açısına göre eğitim açısından asıl mesele ürünün kimin tarafından oluşturulduğundan daha geniştir. Bir öğrenci kurallara uygun biçimde AI kullanmış olsa bile, ortaya çıkan ürün öğrencinin kavramları anlayıp anlamadığını veya hedeflenen becerileri geliştirip geliştirmediğini otomatik olarak göstermez.

Öz-Değerlendirme Nedir?

Öz-değerlendirme, öğrencinin kendi öğrenmesini beklenen öğrenme çıktıları ve açık ölçütler karşısında inceleyerek neyi başardığını, hangi yeterliklerde güçlü veya zayıf olduğunu ve bilgisinin ya da becerisinin ne ölçüde geliştiğini değerlendirdiği süreçtir. Kaynak öz-değerlendirmeyi yalnız öğrencinin kendisine not vermesi olarak değil, kendi öğrenmesini izlemesi ve sonraki öğrenme kararlarını yönlendirmesiyle ilişkili bir süreç olarak ele almaktadır.

Öz-değerlendirme yükseköğretimde yeni bir kavram değildir. Makale Brown ve Harris, Boud, Bourke, Yan, Nicol ve Macfarlane-Dick gibi araştırmacıların çalışmalarına dayanarak öz-değerlendirmeyi öz-düzenlemeli öğrenme, biçimlendirici değerlendirme, öğrenci özerkliği ve yaşam boyu öğrenmeyle ilişkilendirir.

GenAI bu kapasiteyi daha kritik hale getirir; çünkü öğrenci artık kendi bilişsel sürecinin bazı bölümlerini dışarıdaki bir sisteme devredebilir. Böyle bir durumda “görevi tamamladım” ile “öğrendim” arasındaki mesafe büyüyebilir.

Son ürün neden her zaman öğrenmenin kanıtı değildir?

Geleneksel değerlendirmede başarılı bir nihai ürün çoğu zaman öğrencinin gerekli bilgi ve becerilere sahip olduğunun dolaylı kanıtı olarak görülür. Ancak GenAI yüksek kaliteli akademik metin, açıklama veya yanıt oluşturabildiğinde bu çıkarım zayıflayabilir. Öğrencinin teslim ettiği ürün yüksek kalitede olabilirken ürünü oluşturan kavramsal ilişkileri öğrenci kendisi açıklayamayabilir veya yeni bir durumda uygulayamayabilir.

Kaynak burada ürün ile öğrenme süreci arasındaki ayrımı merkeze alır. Eğitim yalnız doğru sonuca ulaşmak değildir; öğrencinin zorlanması, hata yapması, kendi hatasını fark etmesi, fikrini yeniden düzenlemesi ve bilmediği noktaları tanıması da öğrenmenin parçasıdır.

Üretken Yapay Zekâ Öğrenmedeki Boşlukları Nasıl Gizleyebilir?

GenAI öğrencinin henüz geliştirmediği açıklama, yazma veya muhakeme süreçlerini başarılı biçimde yerine getirdiğinde ürünün yüzey kalitesi öğrencinin gerçek anlayış düzeyinden ayrılabilir. Öğrenci akıcı ve doğru görünen bir çıktı elde ettiği için görevi başarıyla tamamladığını düşünebilir; buna rağmen kavramları bağımsız biçimde açıklama, yeni bir probleme aktarma veya kendi hatasını fark etme kapasitesi aynı ölçüde gelişmemiş olabilir.

Üretken mücadele ve öğrenme

Makale “productive struggle”, yani üretken mücadele fikrine önemli yer verir. Öğrenen kişi bir problemle uğraşırken yalnız sonuç üretmez. Hangi yaklaşımın işe yaramadığını görür, eksik bilgisini fark eder, önceki düşüncesini yeniden düzenler ve sonuç ile kendi anlayışı arasındaki farkı değerlendirir.

Bu süreçlerin tamamı öğrenmenin yanı sıra metabilişsel bilgi üretir: öğrenci neyi bildiğini ve neyi bilmediğini öğrenir. Eğer GenAI bu ara süreçlerin çoğunu öğrenci adına gerçekleştirirse öğrenci başarılı bir ürün elde ederken kendi bilgi sınırlarını tanıma fırsatının bir bölümünü kaybedebilir.

Fan ve arkadaşlarının 117 öğrencilik deneyi

Kaynağın aktardığı Fan ve arkadaşlarının 2025 tarihli randomize deneyinde 117 üniversite öğrencisi okuma ve yazma görevleri gerçekleştirmiştir. ChatGPT destekli öğrenciler makale puanlarında en yüksek iyileşmeyi elde etmiştir. Buna karşılık kaynak, bu grubun AI olmadan çalışan veya insan uzman desteği alan gruplardan daha fazla bilgi kazanmadığını ve bilgi transferinde daha fazla ilerleme göstermediğini aktarmaktadır.

Fan ve arkadaşları bu örüntüyü metacognitive laziness, yani metabilişsel tembellik kavramıyla açıklamaktadır. Buradaki sorun öğrencinin fiziksel olarak daha az çalışması değildir; değerlendirme, yönelim ve kendi öğrenmesini izleme gibi metabilişsel çabanın AI'ya devredilmesidir.

Performans ile kişinin kendi performansını bilmesi aynı şey değildir

Makalenin aktardığı Fernandes ve arkadaşlarının 2026 tarihli çalışması başka bir ayrımı görünür hale getirir. AI kullanımı katılımcıların muhakeme görevlerindeki performansını iyileştirmiş, ancak aynı zamanda katılımcıların ne kadar iyi performans gösterdiklerine ilişkin tahminlerinin doğruluğunu azaltmıştır.

Kaynak özellikle daha yüksek AI okuryazarlığının bu çalışmada daha doğru öz-değerlendirmeyle değil, daha düşük öz-değerlendirme doğruluğuyla ilişkili bulunduğunu aktarır. Bu sonuç tek başına bütün AI okuryazarlığı biçimlerinin öz-değerlendirmeyi kötüleştirdiği anlamına gelmez; makalede aktarılan belirli çalışmanın gözlemidir.

Bilişsel Yük Aktarımı Nedir?

Bilişsel yük aktarımı, bir kişinin normalde zihinsel olarak gerçekleştireceği bilgi işleme, hatırlama, hesaplama, planlama veya değerlendirme işlemlerinin bir bölümünü harici bir araca devretmesidir. Kaynağın AI bağlamındaki temel kaygısı, dış araca devredilen işlem öğrenme hedefinin kendisi olduğunda öğrencinin görevi tamamlamasına rağmen o bilişsel beceriyi yeterince geliştirmeyebilmesidir.

Bilişsel yük aktarımı kendi başına yanlış veya zararlı bir uygulama olarak sunulmamaktadır. İnsanlar uzun zamandır not alma, hesap makineleri, takvimler ve diğer araçlarla bazı bilişsel işleri dışsallaştırmaktadır. Eğitim açısından kritik soru, hangi işlemin araca aktarıldığı ve bu işlemin öğrenilmesi beklenen yeterliğin bir parçası olup olmadığıdır.

AI desteği kaldırıldığında ne olur?

Kaynak, Darvishi ve arkadaşlarının 2024 tarihli kontrollü deneyinden özellikle önemli bir sonuç aktarır. Öğrenciler AI desteği mevcutken öğrenmelerini başarılı biçimde öz-düzenleyebilmiş, ancak AI desteği kaldırıldığında performansları anlamlı biçimde düşmüştür.

Bu sonuç, AI ile yapılan görevde gözlenen başarı ile öğrencinin AI olmadan sürdürebildiği kapasitenin birbirinden ayrılması gerektiğini gösteren kanıtlardan biri olarak kullanılmaktadır. Makale bunu, bilişsel iş araca devredildiğinde normalde o çabadan doğacak öğrenmenin azalabileceği veya gerçekleşmeyebileceği olasılığıyla ilişkilendirir.

Görünür yeterlik ile gerçek yeterlik arasındaki fark

AI'yı yasaklamak neden makalenin ana çözümü değildir?

Kaynak, GenAI araçlarının öğrencilerin akademik ve kişisel dijital çevrelerine giderek daha fazla yerleştiğini ve yalnızca yasaklamaya dayanan bir yaklaşımın pratik olmayabileceğini belirtir. Bu nedenle çözüm, AI'nın varlığını yok saymak yerine öğrencinin AI kullanırken kendi öğrenmesini inceleyebileceği yapılandırılmış fırsatlar oluşturmaktır.

Bu yaklaşım akademik dürüstlük politikalarının gereksiz olduğu anlamına gelmez. Makalenin açık ifadesiyle öz-değerlendirme odaklı tasarım, akademik dürüstlük gereksiniminin yerini almaz; tartışmayı yalnız “yakalama ve cezalandırma” düzeyinden “öğrenmenin gerçekten gerçekleşip gerçekleşmediği” düzeyine genişletir.

Çalışmanın Yöntemi ve Bulguları

Bu çalışma nasıl bir araştırmadır?

Kaynak yeni katılımcı toplayan deneysel bir çalışma değildir ve sistematik derleme metodolojisi raporlamamaktadır. Çalışma, yükseköğretimde öz-değerlendirme üzerine yerleşik literatürü GenAI destekli öğrenmeyle ilgili güncel ampirik araştırmalarla ilişkilendiren kavramsal ve uygulama odaklı bir akademik öneridir.

Bu nedenle makaledeki Fan, Fernandes ve Darvishi çalışmalarına ait sonuçlar Dilinika'nın kendi deneyinin bulguları değildir. Yazar bu çalışmaları ortak bir eğitimsel sorunu göstermek için sentezlemektedir: AI ile görev performansı yükselse bile öğrencinin öğrenmesi, metabilişsel farkındalığı ve bağımsız kapasitesi aynı yönde veya aynı büyüklükte gelişmeyebilir.

Kaynağın kurduğu kanıt zinciri

AI Çağında Değerlendirme Nasıl Tasarlanmalıdır?

Kaynağa göre değerlendirme yalnız bitmiş ürünü puanlamaktan öğrencinin o ürüne ulaşırken ne öğrendiğini görünür hale getirmeye doğru genişlemelidir. Öğrenciden başlangıçtaki anlayışını, görev sırasında yaşadığı güçlükleri, düşüncesinin nasıl değiştiğini, hangi kavramları artık uygulayabildiğini, hangilerinde hâlâ belirsizlik yaşadığını ve AI'nın hangi noktalarda öğrenmesini desteklediğini veya bilişsel işi onun yerine gerçekleştirdiğini açıklaması istenebilir.

Öğrencinin düşünme sürecini görünür hale getirmek

Kaynak, öğrencilerin kısa yansıtma notlarıyla ne öğrenmek istediklerini, nerede zorlandıklarını ve artık neyi farklı anladıklarını açıklayabileceklerini belirtir. Öğrenci önceki çalışmasına dönerek düşüncesinin nasıl geliştiğini gösterebilir veya belirli öğrenme çıktıları için güven düzeyini değerlendirdikten sonra bu değerlendirmesinin gerekçesini açıklayabilir.

AI kullanılmışsa öğrenci ayrıca hangi bölümlerde AI kullandığını değil yalnızca neden ve nasıl kullandığını, hangi çıktıları anlayabildiğini, nerede katılmadığını ve AI olmadan hangi kısmı gerçekleştirebildiğini değerlendirebilir.

AI ile öğrencinin kendi çalışmasını karşılaştırmak

Makale, AI çıktısını eleştirel incelemenin öz-değerlendirmenin kendisi için bir araç olabileceğini savunur. Öğrenci önce kendi çözümünü veya yorumunu üretip daha sonra AI çıktısıyla karşılaştırdığında hangi noktalarda hemfikir veya farklı olduğunu açıklamak zorunda kalabilir.

Bu durumda amaç “AI hatası bulma” egzersizi yapmak değildir. Asıl eğitimsel amaç, öğrencinin kendi anlayış düzeyini AI'nın sunduğu alternatif açıklama karşısında sınamasıdır.

Ürünü aşamalara bölmek

Kaynak değerlendirmelerin taslaklar ve ara geri bildirimlerle aşamalı teslim edilebileceğini belirtir. Böyle bir yapı yalnız nihai metni değil, metnin ve öğrencinin düşüncesinin zaman içinde nasıl geliştiğini görünür hale getirir.

Bu yaklaşım AI çağında ayrıca önem kazanır; çünkü tek bir son ürünün öğrencinin bilişsel katkısının ne kadarını temsil ettiğini anlamak zor olabilir.

Bağlama özgü görevler

Yazar, görevlerin öğrencinin kendi mesleki bağlamı, yerel materyalleri veya gerçek uygulayıcıların vermek zorunda olduğu kararlarla ilişkilendirilebileceğini belirtir. Buradaki amaç AI kullanımını teknik olarak imkânsız hale getirmek değil; jenerik bir çıktının görevi tek başına karşılayamayacağı kadar anlamlı ve bağlama dayalı bir değerlendirme oluşturmaktır.

Öz-Değerlendirme Neden AI Okuryazarlığının Bir Parçasıdır?

Kaynağa göre AI okuryazarlığı yalnız bir GenAI aracının nasıl kullanılacağını, çıktının doğruluğunun nasıl kontrol edileceğini veya AI kullanımının nasıl açıklanacağını bilmek değildir. Öğrencinin AI ile çalıştıktan sonra kendi bilgisini ve becerisini doğru değerlendirebilmesi, aracın öğrenmeyi nerede desteklediğini ve nerede öğrenme için gerekli bilişsel çabayı öğrencinin yerine üstlendiğini ayırt edebilmesi de AI okuryazarlığının temel bir boyutudur.

Açık standartların zorunluluğu

Öz-değerlendirme öğrencinin yalnız “bence iyiydim” biçiminde öznel bir yargıda bulunması değildir. Kaynak Andrade'nin çalışmalarına dayanarak öğrencilerin ilerlemelerini açık ölçütlere göre değerlendirmeleri gerektiğini vurgular.

Öğrenme çıktıları belirsizse öğrencinin neyi değerlendirmesi gerektiği de belirsizleşir. Bu nedenle rubrikler, açıklamalı örnekler, model yanıtlar ve yönlendirilmiş sorular öğrencinin hedeflenen performansı anlamasına yardımcı olabilir.

Kalibrasyon neden gereklidir?

Öğrencilerin kendi öğrenmeleri hakkındaki yargıları başlangıçtan itibaren kusursuz değildir. Kaynak, öğrencinin öz-değerlendirmesini öğretim elemanı ve akran geri bildirimiyle karşılaştırmasının gerekli olduğunu vurgular. Bu süreç kalibrasyon işlevi görür: öğrenci kendisini sistematik biçimde fazla veya az değerlendiriyorsa dış geri bildirim bu farkı görünür hale getirir.

Makale burada Kruger ve Dunning'in düşük yeterliğe sahip kişilerin kendi eksiklerini tanımakta güçlük yaşayabilecekleri yönündeki klasik çalışmasını da ilişkilendirir. GenAI'nin bitmiş ve güven verici görünen ürünler oluşturması, öğrencinin anlayışı aynı ölçüde gelişmeden güven duygusunu yükselterek bu kalibrasyon problemini ağırlaştırabilir.

Önerilen değerlendirme mantığı

Çalışmanın desteklediği sonuç

Kaynak, GenAI çağında öz-değerlendirmenin eğitimsel öneminin arttığını savunmaktadır. Mevcut araştırmalar AI destekli yüksek performansın mutlaka eşdeğer bilgi kazanımı, transfer veya doğru metabilişsel yargı anlamına gelmediğini göstermektedir. Bu nedenle değerlendirme tasarımında öğrencinin öğrenme sürecine ilişkin kendi kanıtını üretmesi, nihai ürüne ek bir öğrenme göstergesi sağlayabilir.

Çalışmanın desteklemediği sonuç

Makale bütün AI kullanımının öğrenmeyi azalttığını göstermez. AI ile çalışan her öğrencinin metabilişsel olarak tembelleştiğini, bütün AI destekli çalışmaların sahte yeterlik oluşturduğunu veya öz-değerlendirmenin tek başına AI'nın eğitimdeki bütün sorunlarını çözebileceğini iddia etmez. Kaynakta tartışılan araştırmalar belirli görevler, katılımcılar ve deney koşulları altında yürütülmüştür; sonuçları bütün eğitim bağlamlarına mekanik biçimde genellenmemelidir.

Ayrıca çalışma AI yasağını savunmaz. Öneri, öğrencinin AI'yı öğrenmeyi destekleyen bir araç olarak kullanmasıyla öğrenme için gerekli bilişsel süreci araca devretmesi arasındaki farkı görebilmesini sağlamaktır.

Çalışmanın güçlü yönleri ve sınırları

Makalenin güçlü yönü, AI tartışmasını yalnız akademik dürüstlük ve tespit sorunundan öğrenmenin ölçülmesi sorununa taşımaktadır. Ayrıca güncel deneysel araştırmaları uzun süredir var olan öz-değerlendirme ve öz-düzenlemeli öğrenme literatürüyle ilişkilendirerek uygulanabilir değerlendirme tasarımı önerileri üretmektedir.

Bununla birlikte kaynak sistematik derleme veya meta-analiz değildir ve literatür seçimine ilişkin arama stratejisi, veri tabanı, dahil etme/dışlama ölçütü veya kalite değerlendirmesi raporlamaz. Bu nedenle aktardığı çalışmalar AI ve öğrenme konusundaki bütün ampirik literatürün nicel sentezi olarak yorumlanmamalıdır. Makalenin eğitimsel önerileri mevcut literatürden türetilmiş kavramsal ve uygulamaya dönük çıkarımlardır.

Kaynak ve Yöntem Notu

Özgün başlık: Why Students Need to Self-Assess Their Own Learning in the Age of AI

Yazar: J.M. Shalani Dilinika

Kaynakta verilen kurumlar: University of Pittsburgh, USA; University of Kelaniya, Sri Lanka.

Kaynak türü: Preprint; kavramsal ve uygulama odaklı eğitim makalesi.

Platform: SSRN, Abstract ID 6910360.

DOI: 10.2139/ssrn.6910360.

Kaynak PDF'deki tarih: Preprint, 2026.

SSRN kayıt tarihi: SSRN kaydı çalışmayı 15 Haziran 2026 tarihinde yüklenmiş ve 5 Haziran 2026 tarihinde yazılmış olarak göstermektedir.

Hakemlik durumu: SSRN preprint kaydıdır; hakemli dergi yayını olarak gösterilmemektedir.

Telif/lisans: SSRN kaydında telif sahibinin SSRN'ye dağıtım lisansı verdiği ve izinsiz yeniden kullanıma izin verilmediği belirtilmektedir.

Finansman: Kaynak PDF'de ayrı bir finansman beyanı bulunmamaktadır.

Çıkar çatışması: Kaynak PDF'de ayrı bir çıkar çatışması beyanı bulunmamaktadır.

Veri erişilebilirliği: Bu preprint yeni bir veri seti üretmemekte veya özgün veri analizi raporlamamaktadır.

Yazar katkıları: Tek yazarlı çalışmada ayrı bir CRediT beyanı bulunmamaktadır.

Kaynağın ampirik dayanaklarından öne çıkanlar

Makale GenAI kullanımının öğrenme sürecindeki olası etkileri için özellikle Fan ve arkadaşlarının 2025 tarihli randomize deneyine, Darvishi ve arkadaşlarının 2024 tarihli AI desteği ve öğrenci agency/öz-düzenleme çalışmasına ve Fernandes ve arkadaşlarının 2026 tarihli performans-metabiliş ayrışması çalışmasına başvurmaktadır. Öz-değerlendirme ve öz-düzenlemeli öğrenmenin teorik temeli ise Boud, Sadler, Nicol ve Macfarlane-Dick, Panadero ve arkadaşları, Andrade, Yan ve diğer araştırmacıların çalışmalarıyla oluşturulmaktadır.

Temel yöntemsel yorum sınırı

Bu preprintin kendi katılımcı örneklemi, müdahale grubu, istatistiksel testi veya özgün deney verisi yoktur. Dolayısıyla metinde aktarılan 117 öğrenci, performans değişimleri ve AI desteği kaldırıldığında görülen etkiler, Dilinika'nın kendi veri setinden değil atıf yaptığı ampirik araştırmalardan gelmektedir. Bu Verianla makalesinde söz konusu sonuçlar da bu statü korunarak aktarılmıştır.