Bu hafta yapay zeka destekli eğitim teknolojisi tasarımı üzerine bir Lightning dersi verdim ve biri, çoğu eğitim teknolojisi ürününün neden başarısız olduğunu tam olarak özetleyen bir soru sordu:
"Aralıklı tekrar ile yapıcı geri bildirim aynı üründe birlikte çalışabilir mi, yoksa çelişirler mi?"
Okuduğunuz için teşekkürler. Yeni yazılar için Learning That Feels Good'a abone olabilirsiniz.
Sorunun kendisi daha derin sorunu ele veriyor: öğrenme bilimi ilkelerinin birbirinden bağımsız var olduğunu düşünmeye koşullandık. Birini seç, onun için optimize et, yayınla. Teknoloji yeterince akıllıysa öğrenmeyi kendiliğinden bir araya getireceğini varsayıyoruz.
Öyle işlemiyor. Hiçbir zaman işlemedi.
Her on yılda aynı örüntü: TEKNOLOJİNİN yapabildiği için optimize ediyoruz, ÖĞRENMENİN gerektirdiği için değil.
Gerçekte Öğrenmeyi Ne Üretir (Bilime Göre, Hype'a Göre Değil)
Çoğu eğitim teknolojisi ürününü bozan paradoks şu:
Öğrenirken iyi hissettiren ≠ Uzun vadede işe yarayan.
Pürüzsüz tamamlama ≠ Derin kavrayış
Anında geri bildirim ≠ Uzun vadeli kalıcılık
Yüksek memnuniyet puanı ≠ Davranış değişikliği
Sıfır hata ≠ Ustalık
Araştırmalar buna "arzu edilir zorluklar" diyor (Bjork ve Bjork, 1992). Öğrenme zahmetsiz hissettiğinde çoğu zaman yalnızca aşinalık kuruyorsunuzdur. Bilgiyi gördüğünüzde tanıyabilirsiniz ama ihtiyacınız olduğunda hatırlayamazsınız.
Örnek: Duolingo kullanıcıları 365 günlük seriler tutuyor ama hâlâ İspanyolca kahve söyleyemiyor.
Neden? Duolingo aralıklı tekrarı aslında doğru uyguluyor; Half-Life Regression algoritmaları üzerine araştırma bile yayımladılar. Sofistike bir uygulama.
Ama size kelimeleri yalıtılmış halde hatırlatıyorlar, gerçek konuşma baskısı altında dil ürettirmiyorlar. Öğrenme bilimi orada. Uygulama sofistike. Ama örüntü eşleştirmeye uygulanmış; kullanıcının istediği asıl beceriye, yani konuşmaya değil.
Boşluk burada: Bir ilkeyi kusursuz uygulayabilir ve hangi çıktı için inşa ettiğinizi anlamıyorsanız yine de başarısız olabilirsiniz.
Öğrenme Bilimi ile Ürünü Birleştiren Çerçeve
On beş yıl öğrenme ürünleri kurduktan ve Fortune 500 şirketlerine danışmanlık yaptıktan sonra, araştırmayı mühendislerin gerçekten inşa edebileceği özelliklere çeviren beş adımlı bir çerçeve geliştirdim.
ADIM 1: BELİRLE
İlkeyi seçin. Araştırma gerçekte ne diyor?
"Katılım" değil, o bir ilke değil. Aralıklı tekrar, hatırlama pratiği, bilişsel yük yönetimi; bunlar onlarca yıllık araştırmayla desteklenen ilkeler.
ADIM 2: ÇEVİR
Araştırmayı davranışa çevirin. Somut olun.
Kötü: "Aralıklı tekrar kalıcılığı artırır"
İyi: "Öğrenenler kavramları 1., 3., 7., 14. ve 30. günlerde tekrar eder"
ADIM 3: TANIMLA
Özelliği kabul kriterleriyle yazın.
Muğlak değil: "Sistem öğrenenlerin hatırlamasına yardım eder"
Somut: "Sistem tekrar bildirimlerini şu aralıklarla planlar. Kullanıcı tekrarı tamamlamadan sonraki kavrama geçemez. Sistem açıklar: 'Araştırmalar aralamanın kalıcılığı %40 artırdığını gösteriyor'"
ADIM 4: DOĞRULA
Bu, ilkeyi GERÇEKTEN uyguluyor mu?
Çoğu ürün burada düşüyor. "Yapay zeka destekli uyarlanabilir öğrenme" iddia ediyorlar ama yapay zekanın hangi ilkeyi uyguladığını açıklayamıyorlar. Özelliğinizin hangi öğrenme bilimi ilkesini uyguladığını açıklayamıyorsanız, öğrenme bilimi uygulamıyorsunuz demektir. Özellik yapıp işe yaramasını umuyorsunuzdur.
ADIM 5: ÖLÇ
Başarıyı tanımlayın. Hangi öğrenme çıktısı değişiyor?
Yanlış: Katılım, platformda geçen süre, tamamlama oranları
Doğru: 30 günlük kalıcılık, davranış değişikliği, işte uygulama
Canlı Örnek: Aralıklı Tekrarın Doğru Yapılışı (ve Geri Bildirim Nereye Oturuyor)
Bunun pratikte nasıl işlediğini göstereyim ve aralama ile geri bildirim sorusunu cevaplayayım.
İlke: Ebbinghaus Unutma Eğrisi (1885). Tekrar olmadan öğrenenler bilginin %75'ini altı gün içinde kaybediyor. Aralıklı tekrar, artan aralıklarla tekrar ederek bununla mücadele ediyor.
Çeviri:
Öğrenenler materyali şu günlerde tekrar eder: 1, 3, 7, 14, 30
Özellik Tanımı:
Sistem her kavram için son tekrar tarihini takip eder
Aralığa ulaşıldığında bildirim tetiklenir
Kullanıcı cevabı GÖRMEDEN önce hatırlamayı dener (hatırlama pratiği)
Sistem geri bildirimi denemeden SONRA verir
Şeffaflık: "Bunu şimdi tekrar ediyorsunuz çünkü geçen sefer kaçırmıştınız; araştırmalar aralamanın kalıcılığı %40 artırdığını gösteriyor"
Geri bildirim tam burada devreye giriyor: Aralıklı tekrar ile anında geri bildirim çelişmez. Farklı amaçlara hizmet ederler.
Aralıklı tekrar = Ne zaman tekrar edileceği (unutma eğrisine göre zamanlama)
Geri bildirim = Hatırlamadan sonra ne yapılacağı (hata düzeltme ve motivasyon)
Sihir sıralamada:
Aralama sistemin tekrarı NE ZAMAN isteyeceğini belirler
Hatırlama pratiği gerçekleşir (öğrenen ipucu olmadan dener)
Geri bildirim denemeden SONRA gelir (öncesinde değil)
Sistem güven kurmak için NEDENİNİ açıklar
Doğrulama:
✓ Aralıklar zamanla artıyor (aralamayı uyguluyor)
✓ Ebbinghaus eğrisine dayanıyor (araştırmaya oturuyor)
✓ Aktif hatırlama gerektiriyor (pasif tekrar değil)
✓ Kullanıcıya gerekçeyi açıklıyor (şeffaflık güven kuruyor)
Ölçüm: Birincil: 30 günlük kalıcılık testi
Karşılaştırma: Aralıklı grup ile toplu pratik grubu
Hedef: Kalıcılıkta %40 iyileşme
Katılım değil. Memnuniyet değil. Kalıcılık.
Yapay Zeka Eklediğinizde Ne Oluyor
Sabit aralıklı temel aralıklı tekrar işe yarar. Yapay zekaya İHTİYACINIZ yok.
Yapay zeka, kişiselleştirme istediğinizde değerli hale geliyor: kimi öğrenenin bir kavram için iki güne, kiminin beş güne ihtiyacı var.
Yapay Zeka Ne Yapmalı:
Her öğrenen için her kavramdaki hatırlama başarısını takip etmeli
Öğrenen X kavramında zorlanıyorsa → aralığı kısaltmalı (3 → 2 gün)
Öğrenen Y kavramında ustalaştıysa → aralığı uzatmalı (7 → 10 gün)
Kullanıcıya söylemeli: "Bunu daha erken tekrar ediyorsunuz çünkü geçen sefer kaçırmıştınız"
Kritik Fark:
Temel = Herkese tek beden, aynı aralıklar
Yapay zeka = Bireysel unutma örüntüsüne uyum sağlar
İKİSİ de önce ilkeyi anlamayı gerektiriyor.
Çoğu eğitim teknolojisinin yanlış yaptığı şu: temel uygulamayı atlayıp doğrudan "yapay zeka destekli uyarlanabilir öğrenme"ye atlıyorlar; yapay zekanın neyi, hangi ilkeye göre uyarlaması ve hangi çıktıyla ölçülmesi gerektiğini anlamadan.
Kimsenin Konuşmadığı İş Etkisi
Şirketler öğrenme bilimini gerçekten doğru uyguladığında sonuçlar ölçülebilir oluyor:
Walmart Lojistik, 75.000 dağıtım merkezi çalışanına aralıklı tekrarlı mikro öğrenme uyguladı:
İş kazalarında %54 azalma (8 merkezde 6 aylık pilot)
İş günü kaybettiren yaralanmalarda %50'den fazla azalma (3 yıllık uygulama)
%91 gönüllü katılım (zorunlu değildi, çalışanlar kullanmak istedi)
Azalan tazminat maliyetlerinden milyonlarca dolar tasarruf
Bloomingdale's aynı yaklaşımı 10.000 perakende çalışanına uyguladı:
Güvenlik taleplerinde %41 azalma
Bir yılda doğrulanmış 3 milyon dolar tasarruf
%90 gönüllü katılım oranı
Bunlar katılım metrikleri değil. Bunlar kâr-zarar etkileri.
Meta-analiz verisi (Adesope ve ark., 2017; 188 deney incelendi):
Hatırlama pratiği yeniden çalışmayı geçiyor: etki büyüklüğü g = 0,51
Hatırlama pratiği ile hiç etkinlik yapmamak: etki büyüklüğü g = 0,93
0,50'lik bir etki, öğreneni 50. yüzdelikten 69. yüzdeliğe taşıyor. Kurumsal eğitim diliyle bu, kabul edilebilir performansla üst çeyrek performans arasındaki fark.
Gerçeklik Testi: Yapay Zeka Destekli mi, Şarlatanlık mı?
On beş yıl eğitim teknolojisi ürünü değerlendirdikten sonra, gerçek öğrenme bilimini pazarlama gösterisinden ayırma çerçevem:
🚩 KIRMIZI BAYRAKLAR (Kaçın):
"Yapay zeka öğrenmenizi kişiselleştirir", NASIL olduğuna dair hiçbir ayrıntı yok
"Uyarlanabilir" diyor ama uyarlama mantığını açıklayamıyor
Kalıcılığı değil katılımı ölçüyor
Altta yatan öğrenme ilkelerinden hiç söz etmiyor
"Makine öğrenmesiyle güçlendirilmiş" (ee? NE yapmak için?)
✅ YEŞİL BAYRAKLAR (Bu ciddi olabilir):
Öğrenme bilimini adıyla söylüyor: "Yapay zekamız aralıklı tekrarı uygular; materyali artan aralıklarla tekrar ettirir, böylece öğrenenler uzun vadede daha çok akılda tutar"
Yapay zekanın kararları NASIL verdiğini açıklıyor: "Her öğrenenin hangi kavramlarda zorlandığını takip eder ve pratik zamanlamasını ayarlar"
Kullanıcıya şeffaflık sunuyor: "Bunu size şimdi gösteriyoruz çünkü geçen sefer kaçırmıştınız"
Öğrenme çıktılarını ölçüyor: "Geleneksel eğitime kıyasla 30 günlük kalıcılık %40 arttı"
Yapay zekasız da çalışıyor: "Temel sürüm sabit aralıklar kullanır. Yapay zeka zamanlamayı öğrenene göre kişiselleştirir"
Bu Neden İşiniz İçin Önemli
Eğitim teknolojisi kurucusuysanız:
"Sistemimiz her çalışanın hangi kavramlarda zorlandığını takip eder ve hedefli pratik planlar, böylece yetkinliğe %30 daha hızlı ulaşırlar" diyebilen kurucular, "öğrenmeyi kişiselleştirmek için yapay zeka kullanıyoruz" diyenlere göre kurumsal anlaşmaları üç kat hızlı kapatıyor.
Çünkü birincisi bir finans direktörünün parasını vereceği bir çıktıya bağlanıyor. İkincisi sadece moda kelime.
Öğrenme ve gelişim profesyoneliyseniz:
Eğitim bütçeniz, yanlış metrikler için optimize eden ürünlere harcanamayacak kadar pahalı. Hollanda yakın zamanda resmî bir eğitim teknolojisi değerlendirme çerçevesi yayımladı (3E Framework, 2025); üç kanıt seviyesiyle: Bronz, Gümüş, Altın.
Çoğu "yapay zeka destekli" platform? Bronz seviyesi bile yok. Mantık modeli yok, kuram yok, sadece pazarlama.
Kanıt isteyin. Açıklama isteyin. Çıktı isteyin.
Eğitim teknolojisi değerlendiriyor ya da kuruyorsanız:
Kurumsal eğitim pazarı, çalışan başına yıllık 1.283 dolarlık harcamasının tahminen %75'ini boşa harcıyor; çünkü pekiştirme olmadan unutma kalıcılığı yok ediyor. Araştırmalar aralıklı pratik olmadan öğrenenlerin altı gün sonra yalnızca %25'ini, 30 gün sonra %10-13'ünü akılda tuttuğunu gösteriyor.
Bu, çalışan başına yılda 900-1.000 dolar, tamamen boşa.
Öğrenme bilimine dayalı ürünler bu israfa doğrudan saldırıyor. Bu bir özellik değil, savunulabilir bir iş hendeği.
Üç Çıkarım
1. "İyi Hissettiren" ile "Gerçekten İşe Yarayan" Arasındaki Boşluk
Çoğu eğitim teknolojisi pürüzsüz kullanıcı deneyimi ve yüksek katılım için optimize ediyor. Etkili öğrenme çoğu zaman üretken zorlanma gerektiriyor. Sizin işiniz, daha zor hissettirse bile öğrenme bilimini uygulayan özellikler kurmak ve zorluğun NEDEN önemli olduğunu açıklamak.
2. Beş Adımlı Çeviri Çerçevesi
İster ürün kuruyor ister tedarikçi değerlendiriyor olun: (1) İlkeyi belirleyin, (2) Kullanıcı davranışına çevirin, (3) Özelliği tanımlayın, (4) İlkeyi gerçekten uyguladığını doğrulayın, (5) Katılımı değil öğrenme çıktılarını ölçün.
3. Öğrenme Bilimi Olmadan "Yapay Zeka Destekli" Sadece Pazarlamadır
Açıklayamadığınız şeyi ne satabilirsiniz ne de kurabilirsiniz. Öğrenme bilimi size algoritma değil çıktı satacak dili veriyor.
Şimdi Ne Olacak?
Eğitim teknolojisi pazarı, etkileyici hissettiren ama işe yaramayan ürünlerle dolu. Gerçek öğrenme bilimini uygulayan ve iş sonuçları ürettiğini kanıtlayabilen ürünler için devasa bir boşluk var.
Araştırma açık. İş gerekçesi belgelenmiş. Çerçeveler mevcut.
Eksik olan teknoloji değil. Öğrenmenin gerçekte nasıl işlediğine dair kavrayış.
Ve anlaşma kapatan eğitim teknolojisini demo sonrası unutulandan ayıran şey tam da bu kavrayış.
Mart'ta başlayan dört haftalık bir grup kursu veriyorum: Building EdTech That Works: Learning Science + AI
İster ürün kuruyor ister tedarikçi değerlendiriyor olun, şunları öğreneceksiniz:
Beş öğrenme bilimi ilkesinin tamamı (yalnızca aralama değil)
Çerçeveyi KENDİ ürününüze nasıl uygulayacağınız
Yapay zekanın ne zaman değer kattığı, ne zaman gösteri olduğu
Yatırım getirisini gerekçelendiren çıktıları nasıl ölçeceğiniz
%20 indirim için AIEDTECH kodunu kullanın
"Yapay zeka destekli" eğitim teknolojisiyle deneyiminiz nasıl? Tedarikçilere bu soruları sordunuz mu? Ne dediler? Aşağıya yorum bırakın, hepsini okuyup yanıtlıyorum.
Kaynaklar:
Adesope, O. O., Trevisan, D. A., ve Sundararajan, N. (2017). Rethinking the use of tests: A meta-analysis of practice testing. Review of Educational Research, 87(3), 659-701.
Bjork, R. A., ve Bjork, E. L. (1992). A new theory of disuse and an old theory of stimulus fluctuation. From learning processes to cognitive processes: Essays in honor of William K. Estes içinde (Cilt 2, ss. 35-67).
Dutch 3E Framework (2025). Evidence-informed Evaluation of EdTech. DOI: 10.5281/zenodo.15070789 https://npuls.nl/en/knowledge-base/dutch-3e-framework-evidence-informed-evaluation-of-edtech
Okuduğunuz için teşekkürler. Yeni yazılar için Learning That Feels Good'a abone olabilirsiniz.