Yapay zekâ sistemlerinin ürettiği sonuçların, tahminlerin veya kararların insanlar tarafından anlaşılabilir biçimde açıklanmasını amaçlayan yöntem ve yaklaşımların bütünüdür. Açıklanabilir yapay zekâ, özellikle karmaşık veya “kara kutu” niteliğindeki modellerin hangi bilgi ve etkenlere dayanarak belirli bir sonuca ulaştığını anlamaya yardımcı olmayı hedefler.
Öğrenci değerlendirmesi, yönlendirme veya risk belirleme gibi eğitimsel kararlarda yapay zekâ kullanıldığında öğretmen ve öğrencilerin sistemin neden belirli bir öneride bulunduğunu anlayabilmesi önemlidir. Açıklama sunulamayan önemli kararların sorgulanması gerekir.
Yapay zekâ sistemlerinin birey veya gruplara karşı haksız, ayrımcı ya da sistematik biçimde dezavantaj oluşturabilecek sonuçları mümkün olduğunca önleyecek şekilde geliştirilmesi, değerlendirilmesi ve kullanılması yaklaşımıdır. Adillik, kullanılan veri, model, kullanım amacı ve toplumsal bağlamla birlikte değerlendirilir.
Öğrencilerin başarı, davranış veya öğrenme özellikleri hakkında yapay zekâ destekli kararlar alınırken cinsiyet, sosyoekonomik durum, dil, engellilik veya benzeri özellikler nedeniyle belirli grupların sistematik olarak dezavantajlı duruma düşmemesi gerekir.
Belirli bir hedefe ulaşmak için çevresini algılayan, bu algıya dayanarak karar veren ve aldığı kararları eyleme dönüştürebilen otonom bir yazılım sistemidir. Geleneksel yazılımların önceden tanımlanmış komutları sırayla çalıştırmasının aksine, ajanlar değişken koşullara uyum sağlayabilir, öğrenebilir ve gerçek zamanlı olarak strateji geliştirebilir.
Yapay zekâ ajanları; öğrencilere rehberlik etme, öğrenme etkinliklerini planlama, geri bildirim sağlama ve öğretmenlerin bazı rutin görevlerini destekleme potansiyeline sahiptir. Öğrencilerin ajanların hangi ölçüde özerk hareket edebildiğini anlaması, yapay zekâ okuryazarlığının da önemli bir parçasıdır.
Bir yapay zekâ ajanının belirli bir hedefe ulaşmak için görevi aşamalara ayırdığı, plan oluşturduğu, gerektiğinde araç kullandığı, elde ettiği sonuçları değerlendirdiği ve sonraki adımlarını buna göre düzenlediği dinamik çalışma sürecidir. Geleneksel tek istem–tek yanıt etkileşiminden farklı olarak birden fazla eylem ve geri bildirim döngüsü içerebilir.
Bir yapay zekâ sisteminin yalnızca soru yanıtlamakla kalmayıp araştırma yapma, bilgi toplama, sonuçları düzenleme veya çok aşamalı görevleri yürütme biçimini anlamayı sağlar. Öğrenciler açısından, otomatik olarak yürütülen işlemlerin yine de insan denetimi gerektirebileceğinin kavranması önemlidir.
Hedefleri yorumlayabilen, görevleri planlayabilen, eylemleri sıralayabilen, araçları kullanabilen ve aldığı geri bildirimlere göre davranışını uyarlayabilen özerk veya yarı özerk yapay zekâ sistemlerini ifade eder.
Gelecekte öğretmen ve öğrencilerin yalnızca sohbet robotlarıyla değil, araştırma veya çalışma süreçlerini belirli ölçüde kendi başına yürütebilen sistemlerle de karşılaşacağını anlamak açısından önemlidir. Bu tür sistemlerde yetki sınırları ve insan kontrolü özellikle dikkate alınmalıdır.
Eğitim ve akademik çalışmalarda doğruluk, dürüstlük, sorumluluk, adalet ve özgünlük ilkelerine uygun davranmayı ifade eder. Yapay zekâ kullanımında akademik dürüstlük; yapay zekâdan alınan desteğin gizlenmemesi, başkasına ait veya yapay zekâ tarafından üretilmiş içeriğin kişinin kendi özgün çalışması gibi sunulmaması ve kurumların belirlediği kullanım kurallarına uyulması gibi konuları kapsar.
Üretken yapay zekâ araçlarının ödev, proje, rapor ve sınav çalışmalarında yaygınlaşması akademik dürüstlüğü daha önemli hâle getirmiştir. Öğrencilerin yapay zekâyı öğrenmeyi destekleyen bir araç olarak kullanmaları; düşünme, problem çözme ve özgün üretim sorumluluğunu tamamen yapay zekâya devretmemeleri gerekir.
Bir yapay zekâ sisteminin mevcut bilgi, hedef, kullanıcı isteği ve koşulları değerlendirerek ne yapılması gerektiğine ilişkin sonuç veya eylem belirlemesi sürecidir. Ajan tabanlı sistemlerde akıl yürütme; gözlemlerden elde edilen bilgilerin değerlendirilmesi, seçeneklerin karşılaştırılması ve gerçekleştirilecek eylemin seçilmesi arasında bağlantı kurar.
Akıl yürütme yeteneğine sahip yapay zekâ sistemleri matematiksel problem çözme, açıklama oluşturma ve adım adım rehberlik gibi eğitim uygulamalarında kullanılabilir. Bununla birlikte öğrencilerin yapay zekâ tarafından üretilen bir akıl yürütme sürecini sorgulamadan doğru kabul etmemesi ve sonucu bağımsız olarak değerlendirmesi önemlidir.
Çok aşamalı problem çözme, planlama veya mantıksal ilişkiler gerektiren görevlerde ara işlemler oluşturarak sonuca ulaşmaya odaklanan yapay zekâ modeli türüdür. Özellikle matematiksel problemler, planlama ve karmaşık karar görevlerinde kullanılabilir.
Matematik, fen ve problem çözme çalışmalarında güçlü kullanım potansiyeline sahiptir. Ancak modelin ürettiği gerekçelerin mantıklı görünmesi, sonucun mutlaka doğru olduğu anlamına gelmediğinden öğrencilerin çözümü bağımsız biçimde kontrol etmeleri gerekir.
Öğrencinin bilgi düzeyi, verdiği yanıtlar ve öğrenme sürecine ilişkin verilerden yararlanarak öğretim, yönlendirme, alıştırma veya geri bildirim sunabilen bilgisayar tabanlı öğretim sistemidir. Sistem, öğrencinin durumuna göre farklı içerikler veya öğrenme yolları önerebilir.
Bire bir öğretimin bazı özelliklerini dijital ortamda destekleyerek öğrencilerin kendi hızlarında çalışmalarına yardımcı olabilir. Öğretmenin yerini almak yerine öğretim ve geri bildirim süreçlerini destekleyen bir araç olarak değerlendirilmelidir.
Bir yapay zekâ modelinin, bir görev veya veri kümesi üzerinde öğrendiği bilgiyi, farklı ama ilişkili bir görevde yeniden kullanmasını sağlayan yöntemdir. Aktarımlı öğrenme, günümüz büyük dil modellerinin ve görüntü tanıma sistemlerinin verimli eğitilmesinin temelini oluşturur.
Aktarımlı öğrenme, genel amaçlı eğitilmiş büyük dil modellerinin, sıfırdan yeniden eğitilmeye gerek kalmadan Türkçe müfredata, belirli ders içeriklerine veya öğrenci seviyesine göre daha az veriyle uyarlanabilmesini sağlar. Bu sayede eğitim kurumları, kısıtlı veri ve kaynaklarla dahi kendi alanlarına özel, daha isabetli yanıtlar üreten yapay zekâ destekli öğrenme araçları geliştirebilir.
Bir yapay zekâ sisteminin görüntü, ses, dokunma, konum veya başka sensör verileri gibi ham girdilerden çevresi hakkında anlamlı bilgi çıkarması sürecidir. Algı; bilgisayarlı görü, konuşma ve ses işleme, robotik ve fiziksel yapay zekâ sistemlerinde çevrenin tanınması ve yorumlanmasının temelini oluşturur.
Yapay zekânın öğrenciye ilişkin metin, ses, görüntü ve etkileşim verilerini algılayıp anlamlandırarak öğrenme ihtiyaçlarının belirlenmesine ve kişiselleştirilmiş öğrenme deneyimleri sunulmasına katkı sağlar.
Belirli bir problemi çözmek veya bir görevi yerine getirmek amacıyla izlenen açık, düzenli ve sonlu işlem adımları dizisidir. Yapay zekâ ve makine öğrenmesinde algoritmalar; verilerin işlenmesi, modellerin eğitilmesi, örüntülerin belirlenmesi, tahmin yapılması ve karar verilmesi gibi süreçlerde kullanılır.
Algoritma kavramı, öğrencilerin yapay zekâyı “kendi kendine düşünen bir kutu” olarak değil, belirli matematiksel ve hesaplamalı süreçler üzerinde çalışan sistemler olarak anlamasına yardımcı olur. Algoritmik düşünme aynı zamanda problem çözme ve bilgi işlemsel düşünme becerilerini destekler.
Bir algoritmik veya yapay zekâ sisteminin bireyler, gruplar, kurumlar ve toplum üzerinde oluşturabileceği olumlu ve olumsuz etkilerin sistematik biçimde belirlenmesi ve değerlendirilmesi sürecidir. Değerlendirme; kullanım amacı, etkilenen kişiler, veri kullanımı, ayrımcılık riski, mahremiyet, güvenlik ve olası zararlar gibi boyutları kapsayabilir.
Öğrenci değerlendirmesi, yönlendirme veya öğrenme analitiği gibi yüksek etkili alanlarda kullanılacak yapay zekâ sistemlerinin yalnızca teknik başarımına bakılması yeterli değildir. Öğrenciler ve öğretmenler üzerindeki olası etkilerin önceden değerlendirilmesi daha güvenli ve sorumlu uygulamaları destekler.
Algoritmik ve yapay zekâ sistemlerinin tasarımı, geliştirilmesi ve kullanımından doğan sonuçların belirli kişi veya kurumların sorumluluğunda olması; sistemlerin gerektiğinde incelenebilmesi, sorgulanabilmesi ve ortaya çıkan olumsuz etkiler için sorumluluk üstlenilmesi ilkesidir.
Bir öğrenci hakkında yapay zekâ destekli sistem tarafından verilen önemli bir kararın sorumluluğu “algoritmaya” devredilemez. Okul, öğretmen, geliştirici veya ilgili kurumların hangi karar ve süreçlerden sorumlu olduğunun açık olması gerekir.
Bir problemin çözümünün veya bir tasarım sürecinin kurallar, kısıtlamalar, matematiksel ilişkiler ve hesaplama adımları biçiminde yapılandırılmasına dayanan yaklaşımdır. Bilgisayarın farklı çözüm seçeneklerini sistematik biçimde üretmesine, araştırmasına ve değerlendirmesine imkân sağlar.
Algoritmik tasarım öğrencilerin karmaşık problemleri küçük adımlara ayırmasını, kurallar oluşturmasını ve çözüm yöntemlerini karşılaştırmasını destekler. Matematik, bilişim, robotik ve tasarım eğitiminde bilgi işlemsel düşünmenin geliştirilmesinde kullanılabilir.
Bir yapay zekâ sisteminin görevi tamamlamak için kendi model çıktısının dışında arama motoru, hesap makinesi, veri tabanı, kod çalıştırma ortamı veya API gibi dış araçlardan yararlanabilmesidir. Araç kullanımı özellikle ajan tabanlı sistemlerin temel yeteneklerinden biridir.
Öğrencilerin yapay zekânın verdiği her bilginin yalnızca modelin iç bilgisinden gelmediğini; bazı sistemlerin dış kaynaklardan bilgi alabileceğini veya işlem yapabileceğini anlamasını sağlar.
Bir makine öğrenmesi modelinin eğitim verilerindeki örüntülerin yanı sıra gürültü, rastlantısal özellikler veya veriye özgü ayrıntıları da gereğinden fazla öğrenmesi sonucunda eğitim verisinde yüksek başarı gösterirken daha önce görmediği yeni verilerde düşük performans göstermesi durumudur. Aşırı öğrenen model, eğitim verisini iyi temsil ediyor gibi görünse de yeterince genelleme yapamaz. Aşırı öğrenme; modelin gereğinden fazla karmaşık olması, eğitim verisinin yetersiz veya temsil gücünün düşük olması ya da modelin çok uzun süre eğitilmesi gibi nedenlerle ortaya çıkabilir.
Bir yapay zekâ sisteminin geçmiş öğrenci verilerinde çok başarılı olması, yeni öğrenciler üzerinde aynı başarıyı göstereceği anlamına gelmez. Öğrencilerin bu kavramı anlaması, yapay zekâ modellerinin yalnızca eğitim verisindeki başarısına bakılarak değerlendirilmemesi gerektiğini kavramalarına yardımcı olur.
Modele istenen görevin nasıl yapılacağını göstermek amacıyla istem içerisinde birkaç örnek sunulan istemleme yöntemidir. Örnekler, modelin beklenen çıktı biçimini veya görevin mantığını daha iyi anlamasına yardımcı olabilir.
Öğretmenlerin yapay zekâya örnek soru, örnek çözüm veya beklenen cevap biçimini göstererek daha tutarlı sonuçlar elde etmesine yardımcı olabilir.
Bir makine öğrenmesi modelinin yeni bir görevi, sınıfı veya örüntüyü yalnızca az sayıda eğitim örneğinden öğrenebilmesini amaçlayan yaklaşımdır. Çok miktarda etiketli veri gerektiren yöntemlere karşılık, sınırlı veriden yararlanarak yeni durumlara genelleme yapmayı hedefler.
Eğitim ortamlarında her ders, öğrenci grubu veya özel öğrenme gereksinimi için büyük veri kümeleri oluşturmak mümkün olmayabilir. Az örnekli öğrenme, sınırlı eğitim verisinin bulunduğu uygulamaların geliştirilmesi açısından önem taşır.
Bir veri kümesindeki örneklerin aynı olasılık dağılımından geldiğini ve her örneğin diğer örneklerden bağımsız olduğunu ifade eden istatistiksel varsayımdır. Makine öğrenmesinde birçok eğitim ve değerlendirme yöntemi verilerin bu koşula yaklaşık olarak uyduğunu varsayar; ancak gerçek dünya verilerinde zaman, ortam ve kullanıcı davranışları nedeniyle dağılım değişebilir.
Öğrencilerin eğitim verilerinin her zaman aynı koşullardan gelmediğini anlamasına yardımcı olur. Farklı okul, bölge, yaş grubu veya dönemlerden gelen verilerin dağılımlarındaki değişiklikler, bir eğitim modelinin başarısını etkileyebilir.
Bir yapay zekâ modelinin belirli bir yanıtı üretirken dikkate alabildiği bilgi bütünüdür. Önceki konuşmalar, kullanıcı talimatları, belgeler, örnekler veya sisteme sağlanan ek bilgiler bağlamın parçası olabilir. Sohbet sırasında daha önceki etkileşimler sonraki yanıtları etkileyebilir.
Aynı sorunun farklı bağlamlarda farklı yanıtlar üretebilmesinin nedenini açıklar. Öğretmen ve öğrencilerin modele yeterli konu, sınıf düzeyi ve amaç bilgisi vermesinin önemini anlamalarını sağlar.
Uzun veya karmaşık bağlamlarda modelin daha önce sağlanan bilgileri etkili biçimde kullanma yeteneğinin azalması ya da bağlam içerisindeki önemli ayrıntıları gözden kaçırması durumunu açıklamak için kullanılan güncel bir terimdir.
Çok uzun ders notları, kitap bölümleri veya uzun konuşmalarla çalışan öğrencilerin “model bütün metni gördü, dolayısıyla her ayrıntıyı doğru kullanır” varsayımının güvenilir olmadığını anlamalarını sağlar.
Bir modelin parametreleri yeniden eğitilmeden, istem içerisinde sunulan açıklama ve örneklerden yararlanarak gerçekleştirmesi istenen göreve uyum göstermesidir. Google terminolojisinde özellikle birkaç örneğin istem içerisinde verilmesiyle yakından ilişkilidir.
Öğretmenin modele birkaç örnek soru veya çözüm biçimi göstererek benzer görevleri gerçekleştirmesini sağlayabilmesini açıklar. Bu süreç modelin kalıcı olarak yeniden eğitildiği anlamına gelmez.
Bir modelin tek bir etkileşim sırasında işleyebildiği belirteç miktarının sınırını ifade eder. Daha geniş bağlam penceresi, modele daha fazla metin veya bilgi sağlanabilmesine olanak verir; ancak bütün bilginin eşit derecede etkili kullanılacağını garanti etmez.
Uzun belgelerin, ders kitaplarının veya öğrenci çalışmalarının yapay zekâya verilmesinde teknik sınırların bulunduğunu anlamayı sağlar.
Bilginin açık kurallar ve semboller yerine, birbirine bağlı çok sayıdaki basit işlem biriminin oluşturduğu ağlardaki dağıtık temsiller ve bağlantı ağırlıkları üzerinden öğrenildiği yapay zekâ yaklaşımıdır. Yapay sinir ağları ve derin öğrenme, bağlantıcı yaklaşımın günümüzdeki başlıca örnekleridir. Bu yaklaşım insan beynindeki bağlantılı sinir hücrelerinden esinlenmiş olmakla birlikte biyolojik beynin doğrudan kopyası değildir.
Bağlantıcı yaklaşımın anlaşılması, öğrencilerin günümüzdeki makine öğrenmesi ve derin öğrenme sistemlerinin klasik kural tabanlı yapay zekâdan neden farklı olduğunu kavramasını sağlar. Özellikle yapay sinir ağlarının nasıl “öğrendiğini” açıklamak için temel bir kavramsal çerçevedir.
Dil modellerinin metni işlerken kullandığı temel birimdir. Bir belirteç tam bir sözcük, sözcüğün bir bölümü, karakter veya başka bir metin parçası olabilir. Modeller metni doğrudan “kelimeler” hâlinde değil, bu tür sayısal olarak temsil edilen birimler üzerinden işler.
Model kullanımındaki bağlam sınırı, işlem miktarı ve bazı hizmetlerde maliyet gibi kavramların neden kelime sayısından farklı hesaplanabildiğini anlamaya yardımcı olur.
Metin veya başka girdilerin bir model tarafından işlenebilecek belirteçlere ayrılması sürecidir. Bu işlem bir sözcüğün tek bir belirteç veya birden fazla alt sözcük belirteci olarak temsil edilmesine yol açabilir. Google, belirteçleyiciyi girdi dizisini belirteçlere dönüştüren sistem veya algoritma olarak tanımlar.
Öğrencilerin yapay zekânın metni insanlar gibi doğrudan “okumadığını”, önce hesaplanabilir birimlere dönüştürdüğünü anlamalarına yardımcı olur.
Bir yapay zekâ sisteminin geçmiş verilerden, etkileşimlerden veya deneyimlerden elde edilen bilgileri saklaması ve gerektiğinde sonraki işlemlerde yeniden kullanabilmesi yeteneğidir. Bellek kısa süreli bağlamın korunmasından uzun süreli bilgi veya deneyimlerin saklanmasına kadar farklı yapılarda gerçekleştirilebilir. Yapay zekâ ajanlarında bellek, geçmiş deneyimlerin sonraki kararları ve davranışları desteklemek üzere geri çağrılmasına imkân sağlayabilir.
Bellek kullanan eğitim sistemleri önceki öğrenci etkileşimlerini dikkate alarak daha süreklilik gösteren ve kişiselleştirilmiş destek sağlayabilir. Bununla birlikte öğrenci verilerinin ne kadar süre saklandığı ve nasıl kullanıldığı gizlilik ve veri koruma açısından ayrıca değerlendirilmelidir.
Bir problemi çözmek için problemi parçalara ayırma, örüntüleri belirleme, gereksiz ayrıntıları soyutlama ve uygulanabilir çözüm adımları ya da algoritmalar geliştirme gibi düşünme süreçlerinin bütünüdür. Yalnızca programlama becerisiyle sınırlı değildir.
Öğrencilerin karmaşık problemleri sistematik biçimde ele almalarını destekler. Yapay zekâ sistemlerinin çalışma mantığını, algoritmaları ve veriye dayalı problem çözme süreçlerini anlamak için de önemli bir temel oluşturur.
Bilginin kurallar, mantıksal ifadeler, kavramlar ve bunlar arasındaki ilişkiler biçiminde açıkça temsil edildiği; sistemin bu bilgiler üzerinde akıl yürüterek sonuç veya karar ürettiği yapay zekâ yaklaşımıdır. Uzman sistemler bu yaklaşımın klasik örnekleri arasındadır.
Bilgi tabanlı sistemler, öğrencilere yapay zekânın yalnızca büyük veri ve sinir ağlarından ibaret olmadığını gösterir. Kavram haritaları, kural tabanlı öğretim sistemleri ve uzman bilgisine dayalı uygulamaların anlaşılmasında yararlıdır.
Bir kişinin kendisiyle ilgili veri toplama, işleme veya belirli bir uygulamaya katılma konusunda karar vermeden önce amaç, yöntem, olası yararlar, riskler ve veri kullanımı hakkında yeterli ve anlaşılır bilgi edinerek özgür iradesiyle onay vermesidir.
Öğrencilerden veri toplayan veya onların verilerini yapay zekâ sistemlerinde kullanan uygulamalarda, hangi verilerin neden toplandığının açık biçimde belirtilmesi önemlidir. Çocuklar söz konusu olduğunda yaş, gelişim düzeyi ve ilgili mevzuata göre veli veya yasal temsilci süreçleri de dikkate alınmalıdır.
Bilgisayarların ve yapay zekâ sistemlerinin görüntü ve videolardaki nesne, şekil, metin, yüz, hareket veya diğer görsel özellikleri algılamasını, tanımasını ve yorumlamasını sağlayan yapay zekâ alanıdır.
Eğitimde el yazısı veya belge tanıma, deney görüntülerinin incelenmesi, geometrik şekillerin yorumlanması, erişilebilirlik uygulamaları ve görsel öğrenme materyallerinin analizinde kullanılabilir. Görsel verilerin öğrenciye ilişkin hassas bilgiler içerebileceği durumlarda mahremiyet ve etik ilkeler dikkate alınmalıdır.
Sunucu, depolama, ağ, uygulama ve hesaplama kapasitesi gibi bilişim kaynaklarına internet veya ağ üzerinden ihtiyaç doğrultusunda erişilmesini sağlayan bilişim modelidir. Kaynaklar gerektiğinde artırılabilir veya azaltılabilir ve kullanıcıların kendi fiziksel altyapılarını doğrudan işletmesine duyulan gereksinimi azaltabilir.
Büyük yapay zekâ modellerinin eğitilmesi ve çalıştırılması önemli miktarda hesaplama ve depolama kaynağı gerektirebilir. Bulut bilişim, eğitim kurumlarının fiziksel olarak sahip olmadıkları güçlü bilişim kaynaklarına ve yapay zekâ hizmetlerine uzaktan erişmesini sağlayabilir. Öğrencilerin “bulutta çalışan yapay zekâ” ile cihaz üzerinde çalışan yapay zekâ arasındaki farkı anlaması açısından da önemlidir.
Çok büyük miktarlardaki metin verisi üzerinde eğitilen ve dildeki örüntüleri öğrenerek metni işleyebilen ve üretebilen büyük ölçekli yapay zekâ modelidir. Büyük dil modelleri genellikle çok sayıda parametre içeren derin sinir ağlarına ve özellikle Transformer mimarisine dayanır. Metin oluşturma, soru yanıtlama, özetleme, çeviri, sınıflandırma ve kod üretme gibi çok farklı dil görevlerinde kullanılabilir.
Günümüzde öğrencilerin ve öğretmenlerin kullandığı birçok üretken yapay zekâ asistanının temelinde büyük dil modelleri bulunmaktadır. Kavramın anlaşılması, öğrencilerin bu sistemlerin hazır cevap depoları olmadığını; eğitim sırasında öğrendikleri dil örüntülerinden yararlanarak yanıt ürettiklerini kavramalarına yardımcı olur. Bu nedenle LLM çıktılarının doğruluk ve güvenilirlik açısından ayrıca değerlendirilmesi gerekir.
Büyük dil modellerinin doğruluk, görev başarısı, güvenlik, yararlılık ve diğer performans boyutlarını ölçmek veya farklı modelleri karşılaştırmak için kullanılan değerlendirme yöntemleri, ölçütleri ve testler bütünüdür.
Öğretmenlerin eğitimde kullanılacak bir yapay zekâ aracını yalnızca popülerliği veya akıcılığı üzerinden değil, doğruluk ve güvenilirlik açısından değerlendirmesi gerektiğini vurgular.
Yapay zekânın fiziksel veya simüle edilmiş bir çevrede algılama, hareket etme ve çevresiyle etkileşim kurma yetenekleriyle birlikte ele alındığı yaklaşımdır. Robotlar ve özerk sistemler çevreden sensörler aracılığıyla bilgi alır, bu bilgiyi değerlendirir ve fiziksel eyleme dönüştürebilir.
Robotik, STEM(Fen,Teknoloji,Mühendislik,Matematik) ve kodlama eğitiminde öğrencilerin yazılım ile fiziksel dünya arasındaki ilişkiyi gözlemlemesini sağlar. Algı, karar verme ve eylem kavramlarının bütünleşik biçimde öğretilmesine yardımcı olur.
Bir makine öğrenmesi modelinin yeni verilere ne ölçüde genelleme yapabileceğini değerlendirmek amacıyla veri kümesinin farklı eğitim ve doğrulama bölümlerine ayrılarak modelin birden fazla kez eğitilip değerlendirilmesine dayanan yöntemdir. Yaygın yöntemlerden biri olan k-katlı çapraz doğrulamada, veri kümesi k parçaya ayrılır. Her aşamada bir parça doğrulama amacıyla kullanılırken kalan parçalar eğitim için kullanılır ve süreç bütün parçalar doğrulama kümesi olarak kullanılıncaya kadar tekrarlanır.
Öğrencilerin bir modelin başarısının yalnızca tek bir veri bölünmesine bağlı olarak değerlendirilmesinin yanıltıcı olabileceğini anlamasını sağlar. Aynı zamanda deney tasarımı, örnekleme ve istatistiksel değerlendirme konularıyla makine öğrenmesi arasında bağlantı kurar.
Eğitilmiş bir modelin tahminlerinin kullanıcı isteği geldiği anda değil, önceden veya toplu biçimde hesaplanarak saklandığı çıkarım yöntemidir. Gerektiğinde model yeniden çalıştırılmadan önceden üretilmiş sonuç kullanılabilir.
Çok sayıda öğrenciye yönelik tahmin veya analizlerin önceden hesaplanması gereken eğitim sistemlerinin çalışma mantığını anlamaya yardımcı olur. Çevrim içi ve çevrim dışı yapay zekâ hizmetlerinin farkının öğretilmesinde kullanılabilir.
Bir makine öğrenmesi modelinin önceden toplanmış ve belirlenmiş bir veri kümesi üzerinde eğitildiği; çalışma sırasında gelen her yeni veriyle sürekli güncellenmediği öğrenme yaklaşımıdır.
Bir eğitim modelinin geçmiş yıllara ait öğrenci verileri üzerinde eğitilip daha sonra kullanıma alınması gibi durumların anlaşılmasını sağlar. Öğrencilerin model eğitimi ile model kullanımı arasındaki ayrımı kavramasına yardımcı olur.
Eğitilmiş bir modelin, kullanıcı veya uygulamadan yeni bir girdi geldiği anda bu girdiyi işleyerek tahmin veya çıktı üretmesidir. Sonuç önceden hesaplanmaz; istek sırasında oluşturulur.
Sohbet asistanları, anlık otomatik geri bildirim ve gerçek zamanlı öğrenme uygulamalarının nasıl çalıştığını açıklamak için temel bir kavramdır.
Bir makine öğrenmesi modelinin yeni veriler geldikçe öğrenmeye veya parametrelerini güncellemeye devam ettiği öğrenme yaklaşımıdır. Veri zaman içinde değiştiğinde modelin yeni örneklere uyum sağlamasına imkân verebilir.
Öğrenci davranışlarının ve öğrenme örüntülerinin zaman içinde değiştiği uyarlanabilir eğitim ortamlarının anlaşılmasını sağlar. Aynı zamanda sürekli veri toplamanın gizlilik ve değerlendirme üzerindeki etkilerinin tartışılmasına olanak verir.
Eğitilmiş bir yapay zekâ veya makine öğrenmesi modelinin öğrendiği örüntüleri yeni bir girdiye uygulayarak tahmin, sınıflandırma, karar veya başka bir çıktı üretmesi sürecidir. Eğitim modelin öğrenme aşaması, çıkarım ise öğrenilmiş modelin kullanılması aşamasıdır.
Öğrencilerin “modelin eğitilmesi” ile “modelden yanıt alınması” arasındaki farkı anlamasını sağlar. Üretken yapay zekâ kullanımında da kullanıcının aldığı yanıtın eğitim değil çıkarım aşamasında üretildiğinin anlaşılması önemlidir.
Bir karar ağacında belirli bir veri örneğinin kök düğümden başlayarak karşılaştığı koşullara göre izlediği ve sonuç üreten yaprak düğüme kadar devam eden yoldur.
Bir yapay zekâ modelinin belirli bir sonuca nasıl ulaştığının görsel ve adım adım incelenmesine olanak verir. Karar ağaçları aracılığıyla açıklanabilir yapay zekâ fikrinin öğretilmesinde yararlıdır.
Yapay zekâ sistemlerinin tasarımında, geliştirilmesinde ve kullanımında çocukların haklarını, güvenliğini, gelişimini, iyi oluşunu, mahremiyetini ve üstün yararını merkeze alan yaklaşımdır.
Eğitimde kullanılan yapay zekâ sistemlerinin yetişkinler için geliştirilmiş araçların doğrudan çocuklara uygulanması şeklinde düşünülmemesi gerekir. Öğrencinin yaşı, gelişim düzeyi, veri güvenliği, açıklanabilirlik ve insan rehberliği özellikle dikkate alınmalıdır.
Birden fazla uzmanlaşmış yapay zekâ ajanının karmaşık bir görevi çözmek amacıyla birbirleriyle bilgi paylaşması, görev devretmesi veya sonuçları karşılaştırması esasına dayanan sistem yaklaşımıdır.
Farklı ajanların araştırmacı, eleştirmen veya değerlendirici gibi farklı roller üstlendiği gelişmiş eğitim sistemlerinin çalışma mantığını anlamaya yardımcı olabilir.
Kullanıcının bir yapay zekâ sistemiyle yalnızca metin üzerinden değil; görüntü, ses, video veya bunların birleşimi aracılığıyla etkileşim kurabilmesini ifade eder. Kavram, çok modlu yapay zekâ sistemlerinin kullanıcıyla etkileşim boyutunu öne çıkarır.
Öğrencinin bir matematik sorusunun fotoğrafını yüklemesi, sesli soru sorması veya bir grafiğin açıklanmasını istemesi çok modlu etkileşime örnektir.
Girdi, çıktı veya her ikisinde birden metin, görüntü, ses veya video gibi birden fazla veri kipini işleyebilen modeldir.
Öğretim materyallerinin yalnızca metinden oluşmadığı düşünüldüğünde, grafik, şekil, fotoğraf, konuşma ve videoyu birlikte işleyebilen sistemlerin eğitimdeki kullanımını anlamak açısından önemlidir.
Metin, görüntü, ses, video veya diğer veri türlerinden birden fazlasını işleyebilen ve bu farklı veri türlerinden elde edilen bilgileri ilişkilendirerek birlikte değerlendirebilen yapay zekâ sistemlerini ifade eder. Çok modlu sistemler, girdilerinde, çıktılarında veya her ikisinde birden birden fazla veri biçiminden yararlanabilir.
Bir öğrencinin yazılı sorusu, çizdiği şekil, konuşması veya yüklediği görselin aynı sistem tarafından birlikte değerlendirilmesi; daha zengin ve erişilebilir eğitim uygulamalarının geliştirilmesine olanak verebilir. Aynı zamanda farklı veri türlerinin mahremiyet ve güvenlik boyutlarının birlikte değerlendirilmesini gerektirir.
Bir girdinin ikiden fazla olası sınıftan birine atanmasını amaçlayan sınıflandırma problemidir. Örneğin bir görüntünün kedi, köpek veya kuş olarak sınıflandırılması çok sınıflı bir problemdir.
Öğrencilerin sınıflandırma sistemlerinin yalnızca “evet-hayır” biçiminde çalışmadığını, çok sayıda olası kategori arasında seçim yapabildiğini anlamasını sağlar.
Belirli bir görev, problem veya sınırlı uygulama alanında çalışmak üzere geliştirilen yapay zekâ sistemlerini ifade eder. Bu sistemler geniş bir insan zekâsını taklit etmek yerine belirli görevlerde uzmanlaşır.
Öğrencilerin bugün kullanılan yapay zekâ sistemlerinin büyük bölümünün belirli yetenek ve amaçlarla sınırlandırıldığını anlamasını sağlar. Yapay zekâya insan benzeri sınırsız yetenekler atfetme eğilimini azaltabilir.
Bir makine öğrenmesi modelinin, girdiler ile bunlara karşılık gelen doğru sonuçların veya etiketlerin birlikte bulunduğu etiketli veriler kullanılarak eğitildiği öğrenme yaklaşımıdır. Model, girdiler ile hedef çıktılar arasındaki ilişkiyi öğrenerek daha önce görmediği girdiler için tahmin üretmeye çalışır. Sınıflandırma ve regresyon, denetimli öğrenmenin iki temel problem türüdür.
Bir öğrenciye örnek sorularla birlikte doğru cevapların verilerek belirli bir örüntüyü öğrenmesinden farklı olmakla birlikte, kavramsal olarak benzer bir “örnek–doğru sonuç” ilişkisi üzerinden açıklanabilir. Eğitimde öğrenci yanıtlarının sınıflandırılması veya başarı tahmini gibi uygulamalarda kullanılabilir.
Bir makine öğrenmesi modelinin önceden belirlenmiş doğru cevapların veya sınıf etiketlerinin bulunmadığı veriler üzerinde çalışarak verilerdeki örüntüleri, benzerlikleri, grupları veya yapısal ilişkileri keşfetmeye çalıştığı öğrenme yaklaşımıdır. Kümeleme ve bazı boyut indirgeme yöntemleri denetimsiz öğrenmenin yaygın uygulamaları arasındadır.
Öğrencilerin yapay zekâ sistemlerinin her zaman insan tarafından verilmiş doğru cevaplara ihtiyaç duymadan da verilerdeki yapıları keşfedebildiğini anlamasını sağlar. Öğrenci gruplarının veya öğrenme davranışlarının benzerliklerine göre incelenmesi gibi uygulamalarda kullanılabilir.
Birden fazla işlem katmanından oluşan yapay sinir ağlarını kullanarak verilerden giderek daha karmaşık temsiller öğrenmeye dayanan makine öğrenmesi yaklaşımıdır. Alt katmanlar daha temel özellikleri öğrenirken daha ileri katmanlar bunları birleştirerek daha üst düzey örüntüler oluşturabilir. Görüntü, ses, metin ve diğer karmaşık veri türlerinin işlenmesinde yaygın olarak kullanılır.
Görüntü tanıma, konuşma işleme, büyük dil modelleri ve üretken yapay zekâ gibi güncel yapay zekâ uygulamalarının önemli bir bölümünün teknik temelini oluşturur. Öğrencilerin makine öğrenmesi ile derin öğrenmenin aynı şey olmadığını; derin öğrenmenin makine öğrenmesinin sinir ağlarına dayalı özel bir yaklaşımı olduğunu anlamaları önemlidir.
Yapay zekâ teknikleri kullanılarak bir kişinin görüntüsünün, sesinin veya videosunun gerçekte söylemediği ya da yapmadığı bir şeyi söylemiş veya yapmış gibi gösterilecek biçimde üretilmesi ya da değiştirilmesidir. Derin sahteler gerçekçi görünebildikleri için gerçek ve yapay içerik arasındaki ayrımı güçleştirebilir.
Öğrencilerin internette karşılaştıkları görüntü, ses ve videoları yalnızca gerçekçi göründükleri için doğru kabul etmemeleri gerekir. Derin sahte içerikler medya okuryazarlığı, kişilik hakları, siber zorbalık, dezenformasyon ve güvenli dijital vatandaşlık açısından önemli bir eğitim konusudur.
İnsanları yanıltmak, yönlendirmek veya belirli bir algı oluşturmak amacıyla kasıtlı biçimde oluşturulan veya yayılan yanlış ya da yanıltıcı bilgidir. Yapay zekâ, büyük miktarda ikna edici metin, görüntü, ses veya video üretimini kolaylaştırarak dezenformasyonun ölçeğini artırabilir.
Öğrencilerin dijital içeriklerin kaynağını, kanıtlarını ve güvenilirliğini sorgulaması gerekir. Özellikle üretken yapay zekâ çağında bilgi doğrulama ve kaynak karşılaştırma becerileri temel eğitim becerileri hâline gelmektedir.
Veriye aşamalı olarak gürültü eklenmesi ve ardından bu bozulmanın tersine çevrilmesinin öğrenilmesi mantığına dayanan üretken model ailesidir. Günümüzde özellikle yüksek kaliteli görüntü üretiminde yaygın olarak kullanılmaktadır.
Metinden görüntü üreten yapay zekâ araçlarının arkasındaki temel yöntemlerden birini açıklar. Öğrencilerin görüntü üretiminin yalnızca “resim arama” işlemi olmadığını anlamalarına yardımcı olur.
Dijital teknolojilere erişme, bunları kullanma, dijital bilgiyi bulma, anlama, değerlendirme ve güvenli biçimde üretme becerilerinin bütünüdür. Teknik kullanım becerisinin yanında eleştirel değerlendirme ve sorumlu kullanım boyutlarını da içerir.
Öğrencilerin yapay zekâ araçlarını yalnızca kullanabilmeleri değil, üretilen bilgiyi sorgulayabilmeleri ve dijital ortamlarda güvenli davranabilmeleri için temel bir yeterliktir.
Dijital teknolojilerin öğretim hedefleri, öğrenme süreçleri ve pedagojik ilkeler doğrultusunda bilinçli biçimde kullanılması ve öğretim tasarımına bütünleştirilmesidir. Dijital araç kullanmak tek başına dijital pedagoji anlamına gelmez.
Yapay zekâ araçlarının eğitimde yalnızca teknolojik yenilik olarak değil, öğrenme hedefleriyle uyumlu ve pedagojik açıdan anlamlı biçimde kullanılmasını sağlar.
Bireylerin dijital ortamlardaki haklarını, sorumluluklarını ve davranışlarının sonuçlarını bilerek güvenli, etik, bilinçli ve sorumlu biçimde hareket etmesini ifade eder.
Öğrencilerin yapay zekâ kullanırken mahremiyet, telif hakkı, akademik dürüstlük, başkalarının hakları ve çevrim içi davranışlar konusunda sorumluluk geliştirmelerine katkı sağlar.
Sağlık, hukuk, eğitim, finans veya üretim gibi belirli bir sektörün ya da uzmanlık alanının ihtiyaçlarına yönelik geliştirilen yapay zekâ sistemlerini ifade eder. Veri, terminoloji ve çalışma kuralları ilgili alanın gereksinimlerine göre özelleştirilebilir.
Eğitime özel geliştirilen yapay zekâ sistemlerinin genel amaçlı sistemlerden nasıl ayrıldığını açıklamak için kullanılabilir. Alan uzmanlığının ve pedagojik bilginin yapay zekâ geliştirmedeki önemini gösterir.
Bir sinir ağının giriş verisinin farklı bölümlerine aynı ölçüde önem vermek yerine, gerçekleştirdiği görev açısından daha ilgili bölümlere farklı ağırlıklar vermesini sağlayan mekanizmadır. Dil işleme bağlamında modelin bir sözcüğü işlerken dizideki diğer sözcüklerin hangilerinin daha önemli olduğunu değerlendirmesine yardımcı olabilir. Öz dikkat ve çok başlı öz dikkat, Transformer mimarisinin temel bileşenleridir.
Dikkat mekanizması, günümüz büyük dil modellerinin uzun metinlerdeki ilişkileri nasıl değerlendirebildiğini açıklamak açısından temel kavramlardan biridir. Öğrencilere bir modelin metindeki bütün sözcüklere mekanik olarak eşit davranmadığını, bağlam içindeki ilişkileri hesapladığını göstermeye yardımcı olur.
Dil dizilerindeki olasılıkları ve örüntüleri öğrenerek metin üzerinde tahmin veya üretim yapabilen modeldir. Modern dil modellerinin önemli bir bölümü, önceki belirteçlere dayanarak sonraki belirteçleri tahmin etme gibi görevler üzerinden eğitilir.
Sohbet robotlarının ve metin üretim araçlarının temel çalışma mantığını anlamak için gereklidir. Dil modelinin “bilgi deposu” ile aynı şey olmadığını kavramaya yardımcı olur.
Bilgisayarların insan tarafından yazılan veya söylenen ifadelerin anlamını, bağlamını ve iletişimsel amacını belirlemeye çalıştığı doğal dil işleme alanıdır. Kullanıcı niyetinin, duygu ve bağlama bağlı anlamların belirlenmesi gibi görevleri kapsayabilir.
Öğrencilerin doğal dil kullanarak yapay zekâ sistemleriyle etkileşime girmesini sağlayan temel teknolojilerden biridir. Soru yanıtlama ve konuşmaya dayalı öğretim araçlarının çalışma biçimini anlamaya yardımcı olur.
Bilgisayarların insan dilini metin veya konuşma biçiminde işlemesini, çözümlemesini, yorumlamasını ve bazı durumlarda üretmesini sağlayan yapay zekâ alanıdır. Metin sınıflandırma, özetleme, soru yanıtlama, duygu analizi ve dil üretimi gibi birçok uygulamayı kapsar.
Öğrenci yanıtlarının analiz edilmesi, otomatik geri bildirim, metin özetleme, soru üretimi, dil öğrenme uygulamaları ve eğitim asistanlarının geliştirilmesinde kullanılabilir.
Bir makine öğrenmesi modeli geliştirilirken farklı model seçeneklerinin, hiperparametrelerin veya eğitim ayarlarının karşılaştırılması ve modelin geliştirme sürecindeki performansının izlenmesi amacıyla kullanılan veri bölümüdür. Doğrulama verisi model parametrelerinin doğrudan öğrenilmesi için kullanılmaz; daha çok model geliştirme kararlarının verilmesine yardımcı olur. Nihai performans ölçümü için ayrılmış test verisinden ayrı tutulması gerekir.
Öğrencilerin eğitim, doğrulama ve test verisinin farklı amaçlarla kullanıldığını anlamalarını sağlar. Bu ayrım, bilimsel deneylerde geliştirme sırasında yapılan ayarlamalar ile nihai değerlendirmenin birbirinden ayrılması gerektiği fikrini de destekler.
Bir yapay zekâ sisteminin işleyişinde belirli aşamalarda insanın değerlendirme, doğrulama, düzeltme veya karar verme sürecine doğrudan katıldığı yaklaşımı ifade eder. İnsan, sistemin çıktısını onaylayabilir, değiştirebilir veya reddedebilir.
Öğrenci notlandırma, yönlendirme veya destek gereksinimi belirleme gibi önemli eğitimsel süreçlerin tamamen otomatik sistemlere bırakılmaması açısından önemlidir. Yapay zekâ öneri sunabilir; ancak kritik kararlarda insan değerlendirmesi korunmalıdır.
Bir problemin çözümünde nihai cevaba ulaşmadan önce ara adımların veya gerekçelendirme aşamalarının oluşturulmasına dayanan yaklaşımı ifade eder. İstem mühendisliğinde modelden çözüm sürecini aşamalı biçimde ele alması istenebilir.
Özellikle matematik ve problem çözmede yalnızca sonuç yerine işlem basamaklarının değerlendirilmesine yardımcı olabilir. Bununla birlikte üretilen ara açıklamalar da hatalı olabileceğinden doğrulama gerekir.
Bir makine öğrenmesi modelinin parametrelerini öğrenmesi ve verilerdeki örüntüleri keşfetmesi amacıyla kullanılan veri kümesi veya veri kümesinin ilgili bölümüdür. Eğitim verileri, öğrenme yöntemine bağlı olarak etiketli veya etiketsiz olabilir. Modelin öğrendiği ilişkiler büyük ölçüde eğitim verisinin niteliğine, miktarına, çeşitliliğine ve temsil gücüne bağlıdır.
Öğrencilerin yapay zekânın bilgiyi “kendiliğinden” edinmediğini, performansının önemli ölçüde hangi verilerle eğitildiğine bağlı olduğunu anlamasını sağlar. Eğitim verilerindeki hata veya yanlılıkların model sonuçlarına yansıyabileceğinin kavranması yapay zekâ okuryazarlığı açısından önemlidir.
Yapay zekâ sistemlerinin öğretim ve öğrenme amacıyla ders metni, çalışma kâğıdı, örnek, etkinlik, alıştırma, soru, görsel, özet veya benzeri eğitim materyalleri oluşturmak için kullanılmasıdır. Üretilen içeriğin hedef kitleye, öğrenme kazanımlarına ve pedagojik amaca uygunluğu ayrıca değerlendirilmelidir.
Öğretmenlerin farklı sınıf seviyelerine veya öğrenci gereksinimlerine uygun materyalleri daha hızlı hazırlamasını destekleyebilir. Ancak yapay zekâ tarafından üretilen materyaller bilimsel doğruluk, yaşa uygunluk, pedagojik kalite, telif ve yanlılık açısından öğretmen tarafından kontrol edilmeden kullanılmamalıdır.
Yapay zekâ sistemlerinin yalnızca nasıl kullanılacağını bilmenin ötesinde; çıktılarının doğruluğunu, sınırlarını, veri kaynaklarını, yanlılıklarını ve bireysel ya da toplumsal etkilerini sorgulayarak değerlendirebilme yeterliğidir.
Öğrencilerin yapay zekâ tarafından üretilen bir yanıtı otomatik olarak doğru kabul etmek yerine doğrulama, karşılaştırma ve sorgulama alışkanlığı geliştirmelerini destekler.
Makine öğrenmesinde bir veri örneğine ait doğru sonuç, hedef değer veya sınıf bilgisidir. Bir e-posta için “istenmeyen posta”, bir görüntü için “kedi” veya bir öğrencinin sınav sonucu için sayısal başarı puanı etiket örnekleridir. Etiketleme genellikle insan uzmanlar tarafından elle yapılır, bu nedenle büyük ölçekli etiketli veri kümeleri oluşturmak zaman ve emek gerektirir. Bir modelin doğruluğu, büyük ölçüde kullanılan etiketlerin kalitesine ve tutarlılığına bağlıdır.
Etiketleme; öğrenci yanıtlarının doğru-yanlış olarak değerlendirilmesi, metinlerin konuya göre sınıflandırılması veya öğrenme materyallerinin kategorilere ayrılmasını sağlayarak yapay zekâ destekli değerlendirme ve otomatik geri bildirim sistemlerinin temelini oluşturur. Etiketlerin yanlış, tutarsız veya yanlı biçimde oluşturulması modelin öğrenmesini doğrudan etkileyebileceğinden, eğitim alanında etiketleme sürecinin güvenilir ve pedagojik açıdan anlamlı olması önemlidir. Doğru ve tutarlı şekilde etiketlenmiş eğitim verileri sayesinde, öğrenci performansını analiz eden veya kişiselleştirilmiş öğrenme önerileri sunan yapay zekâ araçları daha isabetli ve güvenilir sonuçlar üretebilir.
Yapay sinir ağında bir nöronun hesapladığı ağırlıklı girdiyi belirli bir çıktıya dönüştüren matematiksel fonksiyondur. Özellikle doğrusal olmayan etkinleştirme fonksiyonları, sinir ağlarının yalnızca doğrusal ilişkileri değil daha karmaşık ilişkileri de öğrenebilmesini sağlar. ReLU ve sigmoid yaygın örneklerdendir.
Fonksiyon kavramının yapay zekâdaki doğrudan kullanımını gösteren güçlü bir matematiksel örnektir. Öğrencilerin sinir ağlarının yalnızca “bağlantılı kutular” olmadığını; her nöronda belirli matematiksel işlemlerin gerçekleştiğini anlamalarını sağlar.
Eser, buluş, tasarım, marka ve diğer zihinsel üretimler üzerindeki hukuken tanınan hakların genel adıdır. Telif hakkı, patent, marka ve tasarım hakları fikrî mülkiyetin farklı alanlarıdır. Yapay zekâ bağlamında eğitim verilerinin, kullanıcı girdilerinin ve yapay zekâ tarafından üretilen içeriklerin kullanım koşulları fikrî mülkiyet tartışmaları doğurabilir.
Öğretmen ve öğrencilerin yapay zekâyla oluşturulan veya yapay zekâya yüklenen metin, görsel, kitap, sunum ve diğer materyallerin kullanımında hak sahipliği ve izin koşullarını dikkate almaları gerekir.
Dijital platformların kişiselleştirme ve öneri sistemleri nedeniyle kullanıcıların ağırlıklı olarak kendi geçmiş davranışları, tercihleri veya görüşleriyle uyumlu içeriklerle karşılaşması ve farklı bilgi ya da bakış açılarına erişiminin daralması durumudur.
Öğrencilerin internette karşılarına çıkan içeriklerin bütün bilgi evrenini temsil etmediğini anlamaları önemlidir. Farklı kaynaklara ve görüşlere bilinçli biçimde erişmek, eleştirel düşünme ve medya okuryazarlığının önemli bir parçasıdır.
Algılama, akıl yürütme ve eylem yeteneklerini fiziksel dünyayla etkileşebilen sistemlerde bir araya getiren yapay zekâ yaklaşımıdır. Robotlar, otonom makineler ve akıllı fiziksel sistemler bu kapsamda değerlendirilebilir.
STEM (Fen , Teknoloji , Mühendislik, Matematik ), robotik ve mühendislik eğitiminde yapay zekânın yalnızca ekran üzerinde çalışan yazılımlardan ibaret olmadığını gösterir. Sensör, karar ve hareket arasındaki bütünleşmenin incelenmesini sağlar.
Bir sisteme veya modele bir girdi ya da istek gönderilmesi ile karşılık gelen çıktının alınması arasında geçen süredir. Yapay zekâ sistemlerinde gecikme; modelin karmaşıklığı, girdi ve çıktı büyüklüğü, kullanılan donanım ve altyapı gibi etkenlerden etkilenebilir.
Bir yapay zekâ destekli eğitim uygulamasının teknik olarak doğru olması tek başına yeterli değildir; öğrencinin geri bildirim için uzun süre beklemesi uygulamanın kullanılabilirliğini azaltabilir. Bu nedenle gecikme, gerçek zamanlı öğretim asistanları ve uyarlanabilir öğrenme sistemleri açısından önemli bir performans ölçütüdür.
Özellikle erken dönem yapay zekâ çalışmalarında yaygın olan; sistem davranışlarının açıkça programlanmış kurallar, mantık ve insan tarafından tanımlanmış bilgi aracılığıyla oluşturulduğu yaklaşımları ifade eder.
Yapay zekânın tarihsel gelişimini ve günümüzdeki veri odaklı makine öğrenmesi yaklaşımlarından farkını anlamayı sağlar. Öğrencilerin kural tabanlı sistemlerle öğrenen sistemleri karşılaştırmasına yardımcı olur.
Belirli bir görev veya alanla sınırlı olmaksızın çok çeşitli görevlerde öğrenebilmesi, akıl yürütebilmesi, bilgi aktarabilmesi ve yeni durumlara uyum sağlayabilmesi öngörülen yapay zekâ biçimidir. AGI için bilimsel çevrelerce üzerinde uzlaşılmış tek bir başarı ölçütü bulunmamaktadır ve kavram günümüzde büyük ölçüde kuramsal bir hedef niteliğindedir.
Öğrencilerin günümüzdeki yapay zekâ sistemlerinin yeteneklerini varsayımsal genel zekâ kavramından ayırt etmesine yardımcı olur. Bilimsel gerçeklik ile popüler kültürdeki yapay zekâ tasvirlerinin karşılaştırılması için yararlıdır.
Bir makine öğrenmesi modelinin eğitim sırasında görmediği yeni veri veya durumlar üzerinde de öğrendiği ilişkileri başarılı biçimde kullanabilme yeteneğidir. İyi genelleme yapan model, eğitim örneklerini yalnızca ezberlemek yerine verilerdeki daha genel ve anlamlı örüntüleri öğrenir. Genelleme, makine öğrenmesindeki temel amaçlardan biridir ve modelin gerçek dünyadaki kullanılabilirliğini doğrudan etkiler.
İnsan öğrenmesinde bir matematik kuralının yalnızca çözülen örnekte değil yeni problemlerde de uygulanabilmesine benzer biçimde açıklanabilir. Öğrencilere makine öğrenmesinde başarının yalnızca eğitim verisini doğru tahmin etmek değil, yeni örneklere de uyum sağlamak olduğunu gösterir.
Tek bir dar görev yerine farklı fakat ilişkili görev ve alanlarda çalışabilen, öğrendiği bilgileri farklı bağlamlarda yeniden kullanabilen daha esnek yapay zekâ sistemlerini ifade eden kavramdır. Dar yapay zekâdan daha geniş kapsamlıdır ancak AGI düzeyinde genel insan zekâsını zorunlu olarak ifade etmez.
Yapay zekâ yeteneklerinin yalnızca “dar” ve “genel” olmak üzere iki uçtan oluşmadığını, sistemlerin farklı genişlik derecelerinde görevleri yerine getirebildiğini göstermeye yardımcı olur.
Öğrenci yanıtları, etkinlikleri veya performansına ilişkin geri bildirimlerin dijital ya da yapay zekâ destekli sistemler tarafından kısmen veya tamamen otomatik biçimde oluşturulması ve sunulması sürecidir. Geri bildirim; hata gösterme, açıklama yapma, yönlendirme veya geliştirme önerisi verme biçimlerinde olabilir.
Öğrencilerin çalışmalarına daha kısa sürede geri bildirim almalarını ve öğretmenin özellikle kalabalık sınıflarda geri bildirim yükünün azalmasını sağlayabilir. Bununla birlikte otomatik geri bildirim öğrencinin bağlamını her zaman doğru yorumlayamayabileceği için özellikle karmaşık öğrenme görevlerinde öğretmen değerlendirmesinin yerini tamamen almamalıdır.
Bilgi getirmeli üretim, yapay zekâ modelinin yalnızca daha önce öğrendiği bilgilere dayanmak yerine, gerektiğinde dış kaynaklardan ilgili bilgileri bulup bu bilgilerden yararlanarak cevap üretmesini sağlayan bir yöntemdir. Bu yaklaşım, özellikle güncel veya belirli bir kuruma ait bilgilere dayalı daha doğru ve bağlama uygun yanıtlar oluşturulmasına yardımcı olur.
Eğitimde RAG, yapay zekânın ders kitapları, öğretmen notları, okul belgeleri veya belirli eğitim kaynaklarından bilgi bulup bu bilgilere dayanarak öğrencilere cevap vermesini sağlayabilir. Böylece öğrenciler daha ilgili ve kaynakla uyumlu açıklamalar alabilir, öğretmenler de kendi ders materyallerine dayalı yapay zekâ destekli sistemler geliştirebilir.
Metin, görüntü veya başka verilerin anlam veya benzerlik ilişkilerini yansıtacak biçimde sayısal vektörlerle temsil edilmesidir. Benzer içerikler gömme uzayında birbirlerine daha yakın temsil edilebilir; bu özellik anlamsal arama ve RAG sistemlerinde kullanılabilir.
Yapay zekâ sistemlerinin yalnızca tam sözcük eşleşmesi yerine anlam bakımından benzer metinleri nasıl bulabildiğini açıklamaya yardımcı olur.
Görüntü ve dil bilgisini birlikte işlemek üzere tasarlanmış modeldir. Bu modeller görüntü açıklama, görsel soru yanıtlama, belge veya grafik yorumlama gibi görüntü ve metni birlikte gerektiren görevlerde kullanılabilir.
Grafiklerin, geometrik şekillerin, deney görüntülerinin veya öğrenci çalışmalarının yapay zekâ tarafından yorumlanabilmesini açıklayan temel kavramlardan biridir.
Üretken yapay zekâ modelinin metinsel açıklama, görüntü veya başka koşullandırıcı girdilere dayanarak yeni görüntüler oluşturmasıdır. Difüzyon modelleri günümüzde bu amaçla yaygın kullanılan yöntemler arasındadır.
Görsel ders materyali, tarihî sahne, diyagram veya yaratıcı eğitim içeriği üretmede kullanılabilir. Ancak üretilen görsellerin gerçek olay veya belge gibi sunulmaması gerekir.
Başlangıçta grafik hesaplamaları için geliştirilen, ancak çok sayıda matematiksel işlemi paralel biçimde gerçekleştirebilme yeteneği nedeniyle yapay zekâ ve özellikle derin öğrenme uygulamalarında yaygın olarak kullanılan işlemci türüdür. Sinir ağlarının eğitim ve çıkarım süreçlerindeki yoğun matris hesaplamaları GPU'ların paralel işlem yapısından yararlanabilir.
Büyük yapay zekâ modellerinin neden sıradan bilgisayarlardan daha güçlü donanımlara gereksinim duyabildiğini anlamayı sağlar. Böylece öğrenciler model büyüklüğü, hesaplama maliyeti ve yapay zekâ altyapısı arasındaki ilişkiyi daha somut biçimde görebilir.
Yapay zekâ sistemlerinin geçerli ve güvenilir biçimde çalışmasının yanında güvenli, emniyetli, şeffaf, açıklanabilir, mahremiyete duyarlı ve zararlı yanlılıkların yönetildiği biçimde geliştirilmesi ve kullanılması yaklaşımıdır. Güvenilirlik tek bir teknik özellikten değil, birden fazla özelliğin birlikte sağlanmasından oluşur.
Eğitimde kullanılacak bir yapay zekâ sisteminin yalnızca yüksek doğruluk göstermesi yeterli değildir. Öğrenci verilerinin korunması, hataların yönetilmesi, sonuçların açıklanabilmesi ve öğretmen gözetiminin korunması da önemlidir.
Üretken yapay zekâ modelinin gerçek dünyaya ilişkin yanlış, yanıltıcı veya uydurma bilgiyi makul ve doğruymuş gibi sunması durumudur.
III. bölümün eğitim açısından en kritik kavramlarından biridir. Öğrenciler ve öğretmenler, yapay zekânın son derece akıcı bir dille yanlış bilgi üretebileceğini ve önemli bilgilerin güvenilir kaynaklardan doğrulanması gerektiğini bilmelidir.
Bireyler açısından açıklanması veya kötüye kullanılması ciddi zararlar doğurabilecek sağlık bilgileri, biyometrik veriler, kimlik bilgileri veya benzeri hassas nitelikteki verilerin yetkisiz erişim, paylaşım ve amaç dışı kullanıma karşı özel önlemlerle korunmasıdır.
Öğrencilere ait sağlık, özel eğitim gereksinimi, psikolojik durum veya benzeri hassas bilgiler yapay zekâ araçlarına gelişigüzel aktarılmamalıdır. Eğitim kurumlarının hangi verilerin hangi sistemlerde kullanılabileceğine ilişkin açık kurallar oluşturması gerekir.
Yapay zekâ sistemlerinin geliştirilmesi ve kullanılmasında alınan kararların, yapılan işlemlerin ve ortaya çıkan sonuçların belirli kişi veya kurumlar tarafından açıklanabilir ve gerekçelendirilebilir olması; gerektiğinde bu sonuçlardan sorumluluk üstlenilmesi ilkesidir.
Yapay zekânın öğrenci hakkında yanlış veya haksız bir sonuç üretmesi durumunda kararın kim tarafından kontrol edileceği ve düzeltileceğinin açık olması gerekir. Sistem kullanmak insan ve kurum sorumluluğunu ortadan kaldırmaz.
Bir yapay zekâ veya makine öğrenmesi sisteminin eğitim ve çıkarım işlemlerini gerçekleştirebilmesi için kullanabildiği işlem kapasitesini ifade eder. İşlemci sayısı ve türü, bellek, hızlandırıcılar ve dağıtık altyapı gibi kaynaklar toplam hesaplama kapasitesini etkiler. Büyük modellerin eğitimi ve sunumu önemli miktarda hesaplama kaynağı gerektirebilir.
Öğrencilerin yapay zekânın yalnızca algoritma ve veriden oluşmadığını, üçüncü önemli unsurun hesaplama kapasitesi olduğunu anlamasını sağlar. Model büyüklüğü, enerji kullanımı, maliyet ve erişilebilirlik gibi konuların tartışılması açısından da önemlidir.
Farklı yapay zekâ yaklaşımlarının güçlü yönlerini aynı sistem içinde birleştiren yapay zekâ yaklaşımıdır. Özellikle sembolik, kural tabanlı yöntemlerle sinir ağlarına veya istatistiksel öğrenmeye dayalı yöntemlerin birlikte kullanılması, hibrit yapay zekânın önemli biçimlerinden biridir. Böyle bir bütünleşme, veriden öğrenme yeteneği ile açık bilgi temsili ve akıl yürütme yeteneklerini bir araya getirmeyi amaçlayabilir.
Öğrencilerin farklı yapay zekâ paradigmalarının birbirinin alternatifi olmak zorunda olmadığını, aynı sistem içinde birlikte kullanılabildiğini anlamasını sağlar. Kural tabanlı açıklamalar ile veri odaklı öğrenmenin birlikte ele alınabileceği eğitim uygulamaları açısından da önemlidir.
Bir makine öğrenmesi modelinin eğitim sürecinin veya mimarisinin nasıl işleyeceğini belirleyen ve genellikle model tarafından eğitim verisinden doğrudan öğrenilmeyen ayardır. Öğrenme oranı, yığın boyutu, ağdaki katman sayısı veya belirli düzenlileştirme katsayıları hiperparametre örnekleridir. Hiperparametreler geliştirici tarafından belirlenebilir veya ayrı bir arama ve optimizasyon süreciyle seçilebilir.
Öğrencilerin yapay zekâ modellerinin bütün özelliklerini kendi kendine belirlemediğini, geliştiricilerin verdiği birçok tasarım kararının modelin öğrenmesini etkilediğini anlamasına yardımcı olur.
Üretken yapay zekâ aracılığıyla metin, görüntü, ses, video, kod veya bunların birleşiminden oluşan yeni içeriklerin oluşturulması sürecidir.
Ders planı, çalışma sorusu, görsel materyal, özet veya örnek metin hazırlanmasında kullanılabilir. Eğitimde kullanımında doğruluk, özgünlük, telif ve akademik dürüstlük birlikte değerlendirilmelidir.
Bir girdinin iki olası sınıftan birine atanmasını amaçlayan sınıflandırma problemidir. “Doğru–yanlış”, “istenmeyen posta–normal posta” veya “pozitif–negatif” gibi iki seçenekli kararlar buna örnek verilebilir.
Makine öğrenmesine girişte sınıflandırma mantığını en basit biçimiyle göstermeye uygundur. Olasılık, karar eşiği ve hata türlerinin öğretilmesine temel oluşturur.
Daha önce geniş bir veri kümesi üzerinde eğitilmiş bir modelin belirli bir görev, alan veya kullanım amacı doğrultusunda ek eğitimden geçirilerek parametrelerinin uyarlanması sürecidir. İnce ayarda bütün model parametreleri veya yalnızca belirli bir bölümü güncellenebilir. Bu yöntem, önceden öğrenilmiş genel bilgiden yararlanarak modeli daha özel bir göreve uyarlamayı amaçlar.
Genel amaçlı bir modelin matematik, fen, yabancı dil veya belirli bir eğitim alanına yönelik olarak nasıl özelleştirilebildiğini anlamaya yardımcı olur. Bununla birlikte ince ayar yapılmış olması model çıktılarının otomatik olarak pedagojik veya bilimsel açıdan doğru olduğu anlamına gelmez.
İnsanların veri oluşturma, etiketleme, geri bildirim verme, model sonuçlarını değerlendirme veya öğrenme sürecinin başka aşamalarına katkıda bulunduğu makine öğrenmesi yaklaşımını ifade eder.
Yapay zekâ sistemlerinin tüm süreçlerinin insandan bağımsız olmadığını gösterir. Öğretmen ve alan uzmanlarının veri, değerlendirme ve geri bildirim süreçlerindeki rolünü anlamak açısından önemlidir.
Bir modelin çıktılarının insanlar tarafından değerlendirilmesiyle elde edilen tercih veya geri bildirim bilgilerinin, model davranışını insan beklentilerine daha uygun hâle getirmek amacıyla pekiştirmeli öğrenme sürecinde kullanıldığı yöntemdir.
Yapay zekâ modellerinin davranışlarının yalnızca ham eğitim verileriyle değil, insanların tercih ve değerlendirmeleriyle de şekillendirilebildiğini gösterir.
Yapay zekâ sistemlerinin davranışlarının ve sonuçlarının insanlar tarafından izlenmesi, değerlendirilmesi ve gerektiğinde müdahale edilmesi ilkesidir. İnsan gözetimi, sistemin kullanım alanına göre çıktının kontrol edilmesi, kararın değiştirilmesi veya sistemin kullanımının durdurulması gibi farklı düzeylerde uygulanabilir.
Öğrencilerin notlandırılması, yönlendirilmesi veya risk altında olduğunun belirlenmesi gibi yüksek etkili kararlar yalnızca yapay zekâ sistemlerine bırakılmamalıdır. Öğretmenin mesleki değerlendirmesi ve öğrencinin özel koşulları dikkate alınmalıdır.
Yapay zekânın geliştirilmesi ve kullanılmasında insan ihtiyaçlarını, haklarını, değerlerini, yeteneklerini ve iyi oluşunu merkeze alan yaklaşımdır. Amaç, insanın yerini mümkün olduğunca almak yerine insanın yeteneklerini destekleyen ve insan kontrolünü koruyan sistemler geliştirmektir.
Eğitimde yapay zekânın amacı öğretmenin veya öğrencinin rolünü ortadan kaldırmak değil; öğrenmeyi, öğretimi ve karar verme süreçlerini desteklemek olmalıdır. Pedagojik hedefler teknolojik olanakların önünde tutulmalıdır.
İnsanların ve yapay zekâ sistemlerinin farklı güçlü yönlerinden yararlanarak ortak bir görev veya hedef üzerinde birlikte çalışmasını ifade eder. Yapay zekâ bilgi işleme ve öneri üretme gibi görevleri desteklerken nihai yorum, değerlendirme ve sorumluluk insanda kalabilir.
Eğitimde amaç öğretmeni veya öğrenciyi yapay zekâyla değiştirmek değil, insanın düşünme ve karar verme yeteneklerini uygun biçimde desteklemektir.
Bir üretken yapay zekâ modeline ne yapması gerektiğini belirtmek veya yanıtını yönlendirmek amacıyla verilen soru, talimat, örnek, metin veya diğer girdidir.
Öğretmen ve öğrencilerin üretken yapay zekâ kullanımında en sık karşılaşacağı kavramlardan biridir. Açık amaç, bağlam ve beklenti içeren istemler genellikle daha yararlı çıktılar sağlar.
Bir üretken yapay zekâ sistemini önceden belirlenmiş talimatlarını göz ardı etmeye, istenmeyen davranışlarda bulunmaya veya korunması gereken bilgileri açığa çıkarmaya yönlendirmek amacıyla kötü niyetli ya da yanıltıcı istemlerin kullanıldığı saldırı türüdür. Zararlı talimat doğrudan kullanıcı tarafından verilebileceği gibi modelin okuduğu bir belge veya web içeriğine de gizlenebilir.
Yapay zekâ araçlarının kullanıcı girdilerini işlemesinin yeni güvenlik riskleri oluşturduğunu gösterir. Öğrencilerin ve öğretmenlerin güvenilmeyen içerikleri yapay zekâ sistemlerine aktarırken ve ajan tabanlı sistemlere geniş yetkiler verirken dikkatli olmaları gerekir.
Üretken yapay zekâ modellerinden amaçlanan türde ve kalitede çıktı elde etmek için istemlerin sistematik biçimde oluşturulması, düzenlenmesi ve denenmesi sürecidir.
Yapay zekâyla etkili iletişim kurmanın temel becerilerinden biridir. Öğrencinin problemini açık ifade etmesi, gerekli bilgileri vermesi ve çıktıyı değerlendirmesi gibi becerilerle ilişkilidir.
İstemin amacı, içeriği, bağlamı, talimatları ve beklenen çıktı biçiminin planlanmasını ifade eder. Google terminolojisinde istem tasarımı, istem mühendisliği ile eş anlamlı kullanılabilmektedir.
Öğretmen ve öğrencilerin yapay zekâya rastgele soru sormak yerine amaçlı, açık ve yapılandırılmış talepler oluşturmasını destekler.
Bir istemden elde edilen çıktının sonraki bir istemin girdisi olarak kullanıldığı ve karmaşık bir görevin ardışık alt görevlere bölündüğü yöntemdir.
Uzun bir araştırma veya problem çözme görevini “konuyu belirle → bilgi topla → taslak oluştur → kontrol et” gibi aşamalara ayırmak için kullanılabilir.
Bir yapay zekâ sisteminin geliştirilmesi ve kullanılması sırasında kullanılan verilerin, gerçekleştirilen işlemlerin, alınan kararların ve önemli değişikliklerin gerektiğinde geriye dönük olarak takip edilebilmesini sağlayan özelliktir.
Bir öğrenci hakkında yapay zekâ destekli bir karar verildiğinde hangi verilerin kullanıldığının ve karar sürecinin nasıl ilerlediğinin takip edilebilmesi, hataların belirlenmesi ve kararların sorgulanabilmesi açısından önemlidir.
Bir yapay zekâ sisteminin girdi ile çıktı arasındaki iç işleyişinin insanlar tarafından kolayca anlaşılmadığı veya açıklanamadığı durumları ifade eden benzetmedir. Özellikle karmaşık makine öğrenmesi modellerinde sistem doğru sonuç üretse bile bu sonuca hangi iç hesaplamalarla ulaştığını açıklamak güç olabilir.
Öğrenci hakkında önemli kararlar veren bir sistemin yalnızca “algoritma böyle söyledi” gerekçesiyle kabul edilmemesi gerekir. Eğitimsel kararların anlaşılabilir, sorgulanabilir ve gerektiğinde yeniden değerlendirilebilir olması önemlidir.
Bir yapay zekâ sisteminin mevcut girdiler, hedefler, kurallar veya model çıktıları doğrultusunda olası seçeneklerden biriyle ilişkilendirdiği sonuçtur. Karar, doğrudan sistem tarafından uygulanabileceği gibi insan karar vericisine öneri şeklinde de sunulabilir.
Notlandırma, öneri ve öğrenci yönlendirme gibi alanlarda yapay zekâ çıktılarının karar üzerindeki etkisini değerlendirmek için temel kavramdır. Özellikle yüksek etkili eğitim kararlarında insan gözetiminin önemini tartışmaya yardımcı olur.
Karar destek sistemi, bireylerin veya kurumların karar verme süreçlerine yardımcı olmak amacıyla verileri, modelleri ve analiz yöntemlerini kullanan bilgisayar tabanlı sistemdir. Yapay zekâ destekli karar destek sistemleri, büyük veri kümelerini analiz ederek olası seçenekleri değerlendirebilir, tahminlerde bulunabilir ve kullanıcıya öneriler sunabilir; ancak nihai karar çoğu durumda insan tarafından verilir.
Eğitimde karar destek sistemleri; öğrencilerin akademik performanslarının izlenmesi, öğrenme güçlüklerinin erken belirlenmesi, kişiselleştirilmiş öğrenme önerilerinin oluşturulması ve öğretmenlerin öğretim süreçlerini planlaması gibi alanlarda kullanılabilir. Bu sistemler, öğretmen ve yöneticilere veriye dayalı değerlendirmeler sunarak karar verme sürecini destekler; ancak öğrenciye ilişkin önemli kararlarda insan denetimi, şeffaflık ve kişisel verilerin korunması gözetilmelidir.
Mevcut bilgiler, hedefler, kısıtlar ve olası sonuçlar değerlendirilerek seçenekler arasından bir eylem veya sonucun belirlenmesi sürecidir. Yapay zekâ sistemlerinde karar verme; kurallara, olasılıklara, öğrenilmiş modellere veya bunların birleşimine dayanabilir.
Öğrencilerin yapay zekânın ürettiği bir tahmin ile bu tahmine dayanarak alınan kararın aynı şey olmadığını anlamasını sağlar. Eğitimde otomatik kararların etik, hukuki ve pedagojik sonuçlarının tartışılması açısından önemlidir.
Bir yapay zekâ sisteminin yanlış sonuç üretmesini sağlamak amacıyla sisteme verilen girdilerin kasıtlı biçimde değiştirilmesine veya sistemin zayıflıklarının kullanılmasına dayanan saldırılardır. İnsan açısından önemsiz görünen küçük değişiklikler bazı modellerde önemli tahmin hatalarına yol açabilir.
Yapay zekâ sistemlerinin yüksek doğruluk oranına sahip olmasının onları her koşulda güvenli hâle getirmediğini gösterir. Öğrencilerin yapay zekâ güvenliğinin yalnızca veri gizliliğinden değil, sistemlerin kötü niyetli müdahalelere karşı dayanıklılığından da oluştuğunu anlamalarına yardımcı olur.
Bir yapay sinir ağında belirli bir hesaplama aşamasını oluşturan nöron veya işlem birimleri grubudur. Sinir ağları genellikle bir girdi katmanı, bir veya daha fazla gizli katman ve bir çıktı katmanından oluşur. Katmanların birbirini takip etmesi, ağın veriden giderek daha karmaşık temsiller öğrenmesini sağlayabilir.
“Derin” öğrenmedeki derinlik kavramının nereden geldiğinin anlaşılmasını sağlar. Öğrenciler bir sinir ağının girdiyi tek işlemde dönüştürmek yerine ardışık matematiksel işlem katmanlarından geçirdiğini görebilir.
Bir makine öğrenmesi modelinin ürettiği tahminler ile hedeflenen veya gerçek değerler arasındaki farkı sayısal olarak ölçen matematiksel fonksiyondur. Model eğitimi sırasında optimizasyon algoritması genellikle kayıp fonksiyonunun değerini azaltacak biçimde model parametrelerini günceller. Farklı problem türlerinde farklı kayıp fonksiyonları kullanılabilir. Regresyonda ortalama karesel hata, sınıflandırmada çapraz entropi kaybı buna örnek verilebilir.
Modelin “hatasını nasıl ölçtüğü” sorusuna matematiksel bir karşılık verir. Fonksiyonlar, hata ölçümü ve optimizasyon gibi matematik konularının yapay zekâyla ilişkilendirilmesini sağlar.
Kimliği belirli veya belirlenebilir bir gerçek kişiyle doğrudan ya da dolaylı olarak ilişkilendirilebilen bilgidir. Ad, kimlik bilgileri, iletişim bilgileri, konum verileri ve bireyle ilişkilendirilebilen bazı dijital kayıtlar kişisel veri kapsamına girebilir.
Öğrencilerle ilgili başarı, davranış, iletişim ve öğrenme verileri kişisel nitelik taşıyabilir. Öğretmenlerin ve öğrencilerin bu tür bilgileri yapay zekâ sistemlerine aktarırken veri koruma ilkelerini ve kurum politikalarını dikkate almaları gerekir.
Öğrencinin bilgi düzeyi, verdiği yanıtlar, yaptığı hatalar, ilerleme durumu veya öğrenme gereksinimleri dikkate alınarak bireye özgü biçimde hazırlanan geri bildirimdir. Yapay zekâ sistemleri öğrenci verilerini analiz ederek farklı öğrencilere farklı açıklama ve öneriler sunabilir.
Genel ve herkese aynı biçimde verilen geri bildirim yerine öğrencinin gerçek gereksinimine yönelik yönlendirme sağlanmasına yardımcı olabilir. Ancak öğrenci hakkında otomatik çıkarımlara aşırı güvenilmemeli ve özellikle önemli değerlendirmelerde öğretmenin mesleki yargısı korunmalıdır.
Öğrenme hedeflerinin, içeriklerin, etkinliklerin, öğrenme hızının veya geri bildirimlerin öğrencinin gereksinimleri, özellikleri ve ilerlemesine göre düzenlendiği öğrenme yaklaşımıdır.
Öğrenciler arasındaki hazırbulunuşluk, öğrenme hızı ve destek gereksinimi farklılıklarının dikkate alınmasına yardımcı olabilir. Yapay zekâ, kişiselleştirme sürecinde veri analizi ve öneriler sunarak öğretmeni destekleyebilir.
İnsan konuşmasındaki sesleri, sözcükleri ve dilsel örüntüleri bilgisayar tarafından tanınabilir hâle getiren teknolojidir. Sistem, konuşulan ifadelerin hangi sözcük veya ses birimlerine karşılık geldiğini belirlemeye çalışır.
Yabancı dil öğretiminde telaffuz çalışmaları, sesli komutlar, sözlü sınav uygulamaları ve erişilebilirlik araçlarında kullanılabilir. Ancak aksan, konuşma hızı, yaş ve ortam gürültüsü gibi etkenler tanıma doğruluğunu etkileyebilir.
Etiketi önceden verilmemiş veri örneklerini benzerliklerine göre gruplara ayırmayı amaçlayan gözetimsiz öğrenme yaklaşımıdır. Aynı kümedeki örneklerin birbirlerine, farklı kümelerdeki örneklere göre daha benzer olması hedeflenir.
Veri içindeki doğal grupları keşfetme fikrini gösterir. Öğrenci verilerinin gruplanması gibi uygulamalarda kullanıldığında grupların öğrencileri kalıcı biçimde etiketlemek için kullanılmaması gerektiği de tartışılabilir.
Bireylerin özel yaşamlarına ilişkin bilgilerin hukuka ve etik ilkelere uygun biçimde toplanması, işlenmesi, saklanması ve paylaşılması; kişilerin verileri üzerinde uygun hak ve güvencelere sahip olması ilkesidir.
Öğrencilerin eğitim verilerinin yalnızca öğrenme amacı taşıması, mahremiyet haklarının ortadan kalktığı anlamına gelmez. Yapay zekâ sistemleri kullanılırken özellikle çocukların kişisel verilerinin korunması temel bir sorumluluktur.
Metin veya konuşmanın bir doğal dilden başka bir doğal dile bilgisayar ve yapay zekâ sistemleri aracılığıyla otomatik olarak çevrilmesidir. Güncel sistemler genellikle dil modelleri ve sinir ağı tabanlı yöntemlerden yararlanır.
Yabancı dil öğrenimini, farklı dillerdeki eğitim kaynaklarına erişimi ve çok dilli sınıflarda iletişimi destekleyebilir. Bununla birlikte deyimler, kültürel ifadeler, alan terimleri ve bağlama bağlı anlamlarda yanlış çeviri yapılabileceği için kullanıcı kontrolü gereklidir.
Bilgisayar sistemlerinin belirli bir görevi yerine getirmek için gerekli bütün kurallar açık biçimde programlanmadan, verilerden veya deneyimlerden yararlanarak örüntüler öğrenmesini ve tahmin, sınıflandırma, karar ya da başka çıktılar üretmesini sağlayan yapay zekâ alanıdır. Denetimli öğrenme, denetimsiz öğrenme, yarı denetimli öğrenme, öz denetimli öğrenme gibi farklı öğrenme yaklaşımlarını kapsar.
Günümüzde kullanılan birçok yapay zekâ uygulamasının teknik temelini oluşturduğu için yapay zekâ okuryazarlığının merkezî kavramlarından biridir. Öğrencilerin klasik programlamada kuralların insan tarafından yazılması ile makine öğrenmesinde örüntülerin veriden öğrenilmesi arasındaki farkı anlamasına yardımcı olur.
Makine öğrenmesi modellerinin geliştirilmesi, test edilmesi, eğitilmesi, doğrulanması, kullanıma alınması, sunulması, izlenmesi ve gerektiğinde yeniden eğitilmesi gibi yaşam döngüsü süreçlerinin sistematik, tekrarlanabilir ve mümkün olduğunca otomatik biçimde yönetilmesine yönelik uygulamalar bütünüdür. Yazılım geliştirmedeki DevOps yaklaşımının makine öğrenmesi sistemlerinin özel gereksinimlerine uyarlanmış biçimi olarak düşünülebilir.
Öğrencilerin gerçek dünyada yapay zekâ geliştirmenin yalnızca “model eğitmekten” ibaret olmadığını anlamasını sağlar. Bir modelin değerlendirilmesi, yayımlanması, izlenmesi ve gerektiğinde güncellenmesi de sistemin güvenilir biçimde çalışması için önemlidir.
Medya içeriklerine erişme, bu içeriklerin nasıl ve hangi amaçla oluşturulduğunu anlama, güvenilirliğini eleştirel biçimde değerlendirme ve sorumlu biçimde medya içeriği üretme yeterliğidir.
Üretken yapay zekâ ile oluşturulan metin, görüntü, ses ve videoların yaygınlaşması nedeniyle öğrencilerin gerçek, değiştirilmiş ve yapay olarak üretilmiş içerikleri sorgulayabilmeleri giderek daha önemlidir.
Bir üretken dil modelinin verilen istem ve bağlama dayanarak yeni sözcük ve belirteç dizileri oluşturarak metin üretmesidir. Modern dil modelleri metin tamamlama, açıklama, özet, çeviri veya yaratıcı yazı gibi birçok türde metin üretebilir.
Özet, örnek soru, açıklama veya taslak hazırlamada yararlanılabilir. Ancak üretilen metnin doğruluğu, kaynakları ve özgünlüğü kullanıcı tarafından değerlendirilmelidir.
Yazılı bir metnin yapay veya sentezlenmiş insan sesi biçiminde seslendirilmesini sağlayan teknolojidir. Sistem, metni dilsel ve sesbilimsel açıdan işleyerek konuşma çıktısına dönüştürür.
Görme güçlüğü yaşayan öğrenciler, okuma güçlüğü bulunan bireyler, yabancı dil öğrenenler ve işitsel öğrenme materyallerine ihtiyaç duyan öğrenciler için erişilebilirliği artırabilir.
Girdi verisini belirli bir çıktı, tahmin veya temsile dönüştüren öğrenilmiş matematiksel yapı ve parametreler bütünüdür. Makine öğrenmesi modeli, eğitim sürecinde verilerden öğrendiği parametreleri ve kendi yapısını kullanarak daha önce görmediği girdiler üzerinde sonuç üretebilir. Model; onu eğitmek için kullanılan algoritmadan, eğitim verisinden ve modeli kullanan bütün yazılım sisteminden ayrı bir kavramdır.
“Yapay zekâ”, “algoritma” ve “model” sözcüklerinin günlük dilde birbirinin yerine kullanılmasını önlemek açısından temel bir kavramdır. Öğrencilerin modelin belirli girdileri belirli çıktılara dönüştüren öğrenilmiş bir yapı olduğunu anlamaları yapay zekâ okuryazarlığının temel unsurlarındandır.
Eğitilmiş bir modelin yeni bir girdiyi işleyerek tahmin, sınıflandırma, puan, temsil veya başka bir çıktı üretmesi sürecidir. Model eğitimi modelin parametrelerinin öğrenildiği aşamayken çıkarım, öğrenilmiş modelin kullanıldığı aşamadır. Çıkarım çevrim içi olarak gerçek zamanlı veya toplu biçimde gerçekleştirilebilir.
Bir öğrencinin bir yapay zekâ sistemine soru sorması sırasında sistemin genellikle yeniden eğitilmediğini, eğitilmiş model üzerinde çıkarım yapıldığını anlamasına yardımcı olur. Eğitim ve kullanım aşamalarının birbirinden ayrılması açısından temel bir kavramdır.
Eğitilmiş ve değerlendirilmiş bir modelin gerçek kullanıcılar veya başka yazılım sistemleri tarafından kullanılabilmesi amacıyla canlı ya da üretim ortamına aktarılması sürecidir. Dağıtılan model bir uygulamaya entegre edilebilir, bir API üzerinden erişilebilir hâle getirilebilir veya bir uç cihaz üzerinde çalıştırılabilir.
Bir modelin laboratuvar ortamında başarılı olmasının gerçek kullanım için yeterli olmadığını gösterir. Eğitim amaçlı bir yapay zekâ sisteminin öğrenciler tarafından kullanılabilmesi için modelin güvenli ve uygun bir teknik ortama aktarılması gerekir.
Bir makine öğrenmesi modelinin eğitim verileri üzerinde çalıştırılarak parametrelerinin belirli bir amaç veya kayıp fonksiyonuna göre aşamalı biçimde öğrenildiği süreçtir. Eğitim sırasında model tahmin üretir, hata hesaplanır ve optimizasyon yöntemi kullanılarak parametreler güncellenir.
Öğrencilerin “yapay zekâyı eğitmek” ifadesinin ne anlama geldiğini teknik olarak kavramasını sağlar. İnsan öğrenmesinden farklı olarak burada öğrenme çoğunlukla matematiksel parametrelerin veriler aracılığıyla ayarlanması sürecidir.
Kullanıma alınmış bir modelin üretim ortamındaki performansının ve davranışının zaman içinde takip edilmesi sürecidir. Model başarımı, gecikme, hata oranları, veri veya tahmin dağılımlarındaki değişiklikler ve performans bozulmaları gibi göstergeler izlenebilir. Model izleme, gerektiğinde yeniden değerlendirme veya yeniden eğitim sürecini tetikleyebilir.
Bir eğitim modelinin bir kez test edilip yıllarca aynı biçimde kullanılmasının doğru olmayabileceğini gösterir. Öğrenci profilleri ve eğitim koşulları değiştikçe modelin davranışının da takip edilmesi gerekir.
Bir yapay zekâ veya makine öğrenmesi modeli hakkında kullanım amacı, hedef kullanıcılar, performans özellikleri, sınırlılıklar, değerlendirme sonuçları ve uygun ya da uygun olmayan kullanım biçimleri gibi bilgileri yapılandırılmış biçimde sunan dokümantasyon aracıdır.
Bir okulun veya öğretmenin yapay zekâ aracını kullanmadan önce modelin ne için geliştirildiğini, hangi sınırlamalara sahip olduğunu ve hangi durumlarda güvenilir olmayabileceğini anlamasına yardımcı olabilir. Böylece teknoloji seçimi yalnızca tanıtım bilgilerine dayanmaz.
Eğitilmiş ve kullanıma alınmış bir modelin uygulamalardan veya kullanıcılardan gelen girdileri kabul ederek tahmin veya diğer model çıktılarını erişilebilir hâle getirmesi sürecidir. Model sunumu çevrim içi tahmin, çevrim dışı çıkarım veya toplu tahmin biçimlerinde gerçekleştirilebilir.
Bir yapay zekâ modelinin eğitim uygulamasına teknik olarak nasıl bağlandığını anlamaya yardımcı olur. Öğrencinin bir uygulamaya yazdığı girdinin modele gönderilmesi ve model çıktısının tekrar kullanıcıya sunulması bu sürecin görünür bir örneğidir.
Normalleştirme, verilerdeki sayısal değerlerin belirli bir ortak aralığa dönüştürülmesi işlemidir. Bu işlem, farklı büyüklüklerdeki verilerin yapay zekâ ve makine öğrenmesi modelleri tarafından daha dengeli biçimde işlenmesine yardımcı olur.
Eğitim verilerinde sınav puanı, devamsızlık sayısı, çalışma süresi ve etkinlik sayısı gibi farklı ölçekte bilgiler bulunabilir. Normalleştirme sayesinde bu veriler ortak bir ölçekte değerlendirilebilir ve yapay zekâ modellerinin öğrenciler hakkında daha tutarlı analizler yapması sağlanabilir.
Bir yapay sinir ağının katmanlarında bulunan temel hesaplama birimidir. Bir nöron genellikle gelen değerleri ilgili ağırlıklarla birleştirerek ağırlıklı bir toplam hesaplar ve bu değeri bir etkinleştirme fonksiyonundan geçirerek çıktı üretir. Yapay nöronlar biyolojik nöronlardan esinlenmiş olsa da biyolojik sinir hücresinin birebir modeli değildir.
“Yapay sinir ağı” adındaki biyolojik benzetmenin sınırlarını açıklamak açısından önemlidir. Öğrencilerin yapay nöronu bilinçli veya biyolojik bir hücre olarak değil, matematiksel hesaplama birimi olarak anlaması gerekir.
İnsanların otomatik sistemler veya yapay zekâ tarafından üretilen öneri, tahmin ve kararları gereğinden fazla güvenilir kabul ederek kendi değerlendirmelerini geri plana atma eğilimidir.
Öğretmenlerin yapay zekâ tarafından verilen öğrenci değerlendirmelerini, risk tahminlerini veya önerileri sorgulamadan kabul etmesi hatalı kararlar doğurabilir. Öğrencilerin de yapay zekâ yanıtlarını “bilgisayar söylediği için” doğru kabul etmemesi gerekir.
Öğrenci yanıtlarının veya performansının önceden belirlenmiş ölçütler, algoritmalar ya da yapay zekâ sistemleri kullanılarak otomatik biçimde analiz edilmesi ve değerlendirilmesidir. Çoktan seçmeli soruların puanlanmasından açık uçlu metinlerin analizine kadar farklı uygulamalar içerebilir.
Çok sayıda öğrenci yanıtının hızlı biçimde değerlendirilmesini ve öğretmene ek bilgi sağlanmasını mümkün kılabilir. Bununla birlikte açık uçlu, yaratıcı veya karmaşık performansların yalnızca otomatik sistemlere bırakılması hata, bağlam kaybı ve adalet sorunlarına yol açabileceğinden insan gözetimi önemlidir.
Bir eğitim sisteminin öğrencinin bilgi düzeyi, becerileri, hataları, ilerlemesi veya öğrenme özellikleri hakkında tuttuğu ya da verilerden çıkardığı temsildir. Öğrenci modeli, uyarlanabilir sistemlerin öğrenciye ilişkin kararlarında kullanılabilir.
Bir yapay zekâ sisteminin her öğrenciye neden farklı içerik veya öneri sunabildiğini anlamaya yardımcı olur. Öğrenci verilerinin doğru, güvenli ve etik biçimde kullanılması bu süreçte önemlidir.
Öğrenme süreçlerini ve öğrenme ortamlarını anlamak ve geliştirmek amacıyla öğrencilere ve öğrenme etkinliklerine ilişkin verilerin toplanması, ölçülmesi, analiz edilmesi ve yorumlanmasıdır.
Öğrencilerin ilerlemesini izleme, öğrenme güçlüklerini belirleme ve öğretim kararlarını destekleme amacıyla kullanılabilir. Analiz sonuçlarının tek başına öğrenci hakkında kesin yargılara dönüştürülmemesi gerekir.
Bir modelin eğitim sırasında hesaplanan hataya göre parametrelerinin her güncellemede ne kadar değiştirileceğini belirleyen hiperparametredir. Öğrenme oranı çok büyük olduğunda model uygun çözüme yaklaşmakta zorlanabilir; çok küçük olduğunda ise eğitim gereğinden fazla yavaşlayabilir. Bu nedenle öğrenme oranının uygun seçilmesi model eğitiminin kararlılığı ve başarısı açısından önemlidir.
Öğrencilere bir modelin öğrenmesinin tek seferde gerçekleşmediğini, parametrelerin küçük adımlar hâlinde güncellendiğini göstermeye yardımcı olur. Matematikte adım büyüklüğü ve optimizasyon kavramlarıyla ilişkilendirilebilir.
Bir öğrencinin belirlenen öğrenme hedeflerine ulaşmak için izlediği veya sistem tarafından önerilen konu, etkinlik, kaynak ve görev dizisidir. Öğrenme yolu öğrencinin ilerlemesine göre değiştirilebilir.
Yapay zekâ destekli sistemler öğrencinin gereksinimlerine göre farklı öğrenme yolları önerebilir ve böylece öğrenmenin daha esnek biçimde düzenlenmesini destekleyebilir.
Öğrenci ilerlemesi, başarı durumu, etkinlik katılımı veya öğrenme güçlükleri gibi verileri öğretmene görsel ve özet biçimde sunan dijital arayüzdür.
Büyük miktardaki öğrenci verisinin öğretmen tarafından daha kolay yorumlanmasına ve hangi öğrencilerin ek desteğe ihtiyaç duyabileceğinin fark edilmesine yardımcı olabilir.
Bir yapay zekâ sisteminin artan veri, model büyüklüğü, kullanıcı sayısı veya işlem yükünü karşılayabilmesi için hesaplama ve altyapı kapasitesinin genişletilmesi sürecidir. Teknik altyapıda ölçeklendirme, mevcut makinelerin kapasitesini artırma veya daha fazla işlem kaynağını sisteme ekleme biçiminde gerçekleştirilebilir. Bulut altyapılarında kaynakların değişen talebe göre dinamik biçimde ayarlanması da ölçeklendirmenin önemli bir biçimidir.
Bir yapay zekâ uygulamasının birkaç öğrenci için çalışması ile milyonlarca kullanıcıya aynı anda hizmet vermesi aynı teknik problem değildir. Ölçeklendirme kavramı, öğrencilerin yapay zekâ sistemlerinin gerçek dünyada yaygınlaştırılmasının ayrıca altyapı gerektirdiğini anlamasını sağlar.
Büyük miktarda dil verisi üzerinde önceden eğitilmiş ve daha sonra farklı dil görevlerinde doğrudan kullanılabilen veya belirli amaçlara uyarlanabilen dil modelidir.
Kullanılan birçok yapay zekâ aracının her kullanıcı için sıfırdan öğrenmediğini; daha önce büyük veri kümeleri üzerinde eğitimden geçtiğini anlamayı sağlar.
Daha önce geniş veya belirli bir veri kümesi üzerinde eğitilmiş ve öğrenilmiş parametreleri daha sonraki görevlerde doğrudan kullanılabilen veya yeniden uyarlanabilen modeldir. Önceden eğitilmiş bir model, yeni bir görevin tamamen sıfırdan öğrenilmesi yerine daha önce edinilen temsillerden yararlanılmasını sağlar. İnce ayar ve aktarımlı öğrenme bu tür modellerden yararlanan temel yaklaşımlardandır.
Eğitim kurumlarının büyük modelleri sıfırdan eğitmeden mevcut modellerden yararlanabilmesini açıklayan önemli bir kavramdır. Ayrıca kullanıcıların eriştiği birçok yapay zekâ sisteminin çok daha önce geniş veri kümeleri üzerinde eğitilmiş olduğunu anlamaya yardımcı olur.
Kullanıcının önceki tercihleri, davranışları, özellikleri veya benzer kullanıcıların verilerinden yararlanarak kişiye uygun içerik, kaynak, etkinlik veya seçenekler öneren yapay zekâ ve veri analizi sistemleridir.
Öğrencinin düzeyine veya öğrenme gereksinimlerine uygun konu, soru, video, çalışma materyali ya da öğrenme etkinliklerinin önerilmesini sağlayabilir. Ancak önerilerin öğrenciyi sürekli aynı tür içeriklere yönlendirmemesi ve farklı öğrenme deneyimlerine erişimi sınırlandırmaması önemlidir.
Geçmiş veya mevcut verilerdeki örüntülerden yararlanarak bilinmeyen ya da gelecekteki bir sonuç hakkında tahmin üretmeye odaklanan makine öğrenmesi yaklaşımıdır.
Öğrenci başarısı veya öğrenme gereksinimleri hakkında tahmin yapan eğitim sistemlerinin çalışma mantığını anlamaya yardımcı olur. Tahminlerin kesin sonuçlar olmadığı ve yanlış tahminlerin eğitim kararlarını etkileyebileceği özellikle vurgulanmalıdır.
Mevcut ve geçmiş verilerdeki örüntülerden yararlanarak gelecekteki olaylar, sonuçlar veya bilinmeyen durumlar hakkında tahmin üretmeye odaklanan yapay zekâ sistemlerini ifade eder.
Erken uyarı, öğrenme analitiği ve öğrenci destek sistemlerinin anlaşılması açısından önemlidir. Eğitimcilerin tahmine dayalı bir çıktıyı kesin gerçek veya değişmez öğrenci özelliği olarak yorumlamaması gerekir.
Modelin insanlar tarafından hazırlanmış etiketlere doğrudan ihtiyaç duymadan, verinin kendi yapısından eğitim hedefleri veya geçici etiketler üreterek öğrenmesini sağlayan makine öğrenmesi yaklaşımıdır. Örneğin bir metindeki bazı sözcüklerin gizlenerek modelden bunları tahmin etmesinin istenmesi veya bir dizide sonraki öğenin tahmin edilmesi öz denetimli öğrenme görevlerine örnek olabilir. Günümüzde birçok büyük temel modelin ön eğitiminde önemli rol oynar.
Öğrencilerin büyük miktardaki etiketsiz metin, görüntü veya diğer verilerin yapay zekâ eğitiminde nasıl kullanılabildiğini anlamasını sağlar. Büyük dil modellerinin eğitim mantığını açıklarken özellikle önemli bir kavramdır.
Bir makine öğrenmesi modelinin tahmin veya karar üretirken kullandığı, veri örneğini tanımlayan ölçülebilir veya hesaplanabilir niteliktir. Özellikler doğrudan veriden gelebileceği gibi ham veriden dönüştürülerek veya hesaplanarak da oluşturulabilir. Bir ev fiyatı modelinde metrekare, oda sayısı ve konum; bir öğrenci başarı modelinde geçmiş sınav puanları veya çalışma süresi özellik örnekleri olabilir.
Öğrencilerin bir modelin “kişinin tamamını” değil, modele sunulan belirli veri özelliklerini değerlendirdiğini anlamasına yardımcı olur. Hangi özelliklerin seçildiğinin model sonuçlarını ve adilliğini etkileyebileceğinin tartışılması açısından da önemlidir.
Ham verilerin bir makine öğrenmesi modelinin daha etkili biçimde kullanabileceği anlamlı özelliklere dönüştürülmesi, yeni özelliklerin oluşturulması veya mevcut özelliklerin uygun biçimde düzenlenmesi sürecidir. Ölçekleme, kategorik değerlerin kodlanması, ham değişkenlerden yeni değişkenler türetilmesi veya bazı özelliklerin birleştirilmesi özellik mühendisliği kapsamında değerlendirilebilir.
Yapay zekâ performansının yalnızca algoritmaya değil, verinin nasıl temsil edildiğine de bağlı olduğunu gösterir. Öğrencilerin bir probleme hangi değişkenlerle yaklaşılması gerektiği konusunda eleştirel düşünmelerini destekleyebilir.
Bir yapay zekâ sisteminin belirli hedefler doğrultusunda insan müdahalesine sürekli ihtiyaç duymadan algılama, karar verme ve eylem gerçekleştirme kapasitesini ifade eder. Özerklik farklı sistemlerde farklı derecelerde bulunabilir.
Yapay zekâ sistemlerine hangi görevlerin ne ölçüde devredilebileceğini tartışmak açısından önemlidir. Özellikle değerlendirme ve öğrenci yönlendirme gibi alanlarda insan sorumluluğunun korunması gerektiğini anlamaya yardımcı olur.
Bir makine öğrenmesi modelinin eğitim sırasında verilerden öğrendiği ve modelin girdilerden çıktı üretme biçimini belirleyen sayısal değerlerdir. Yapay sinir ağlarındaki ağırlıklar ve sapma terimleri parametre örnekleridir. Parametreler eğitim sürecinde kayıp fonksiyonunu azaltacak biçimde optimizasyon algoritmaları tarafından güncellenir.
Öğrencilerin “modelin öğrendiği şeyin” soyut bir ifade olmadığını, çoğu modelde bunun büyük ölçüde sayısal parametrelerin ayarlanması anlamına geldiğini kavramasına yardımcı olur. Parametre ile geliştiricinin belirlediği hiperparametre arasındaki fark da önemlidir.
Bir ajanın bir ortamda eylemler gerçekleştirerek ödül veya geri bildirim aldığı ve zaman içinde beklenen toplam ödülü artıracak bir politika öğrenmeye çalıştığı makine öğrenmesi yaklaşımıdır.
Deneme-yanılma, geri bildirim ve strateji geliştirme kavramlarının hesaplamalı karşılığını gösterir. Oyunlar, robotik ve uyarlanabilir sistemler üzerinden öğretime uygun bir yapıya sahiptir.
Öğrencinin bilgi ve becerilerini gerçek veya gerçeğe yakın bir problem, ürün, proje, uygulama ya da karmaşık görev üzerinde kullanmasını gerektiren değerlendirme etkinliğidir. Yalnızca doğru cevabı değil; süreç, yöntem, gerekçelendirme ve ortaya çıkan ürünü de değerlendirebilir.
Yapay zekâ çağında yalnızca bilgi hatırlamayı ölçen görevlerin ötesine geçerek öğrencinin düşünme, problem çözme, üretme ve bilgiyi uygulama becerilerinin değerlendirilmesini sağlar. Yapay zekâ desteğine izin verilen görevlerde öğrencinin kendi katkısının ve düşünme sürecinin görünür hâle getirilmesi önemlidir.
Belirli bir başlangıç durumundan hedeflenen sonuca ulaşmak amacıyla problemin temsil edilmesi, ilgili bilgilerin değerlendirilmesi, olası çözüm yollarının oluşturulması ve uygun bir çözümün seçilmesi sürecidir. Yapay zekâda problem çözme; arama, planlama, optimizasyon, akıl yürütme veya öğrenme yöntemlerinden yararlanabilir. Zekâ kavramı da problem çözme ve hedeflere ulaşma yeteneğiyle yakından ilişkilidir.
Problem çözme hem insan öğrenmesinin hem de yapay zekâ eğitiminin merkezî kavramlarındandır. Öğrencilerin yapay zekânın verdiği sonucu yalnızca kullanmak yerine problemin nasıl temsil edildiğini, hangi varsayımların yapıldığını ve alternatif çözümlerin bulunup bulunmadığını sorgulamasını destekler.
Yapay zekâyı işlevlerine göre açıklayan sınıflandırmalardan birinde, geçmiş deneyimleri kalıcı bir bellek olarak kullanmadan mevcut girdiye veya mevcut duruma göre tepki veren sistemleri ifade eder. Bu sistemlerin davranışı o anda elde bulunan bilgi üzerinden belirlenir. “Reaktif makineler” bütün yapay zekâ literatüründe zorunlu ve evrensel bir taksonomik kategori değildir; daha çok sistemlerin bellek ve uyarlanabilirlik özelliklerini açıklamak için kullanılan işlevsel bir sınıflandırmadır.
Öğrencilerin “tepki vermek” ile “geçmişten yararlanarak uyum sağlamak” arasındaki farkı anlamasını sağlar. Yapay zekâ sistemlerine gereğinden fazla bellek, bilinç veya öğrenme yeteneği atfedilmesini önleyen açıklayıcı bir kavramdır.
Bir veya daha fazla girdi özelliğinden yararlanarak sürekli sayısal bir hedef değeri tahmin etmeyi amaçlayan gözetimli öğrenme problemidir.
Fonksiyonlar, korelasyon, istatistik ve tahmin konularıyla makine öğrenmesi arasında doğrudan ilişki kurulmasını sağlar.
Bir veya daha fazla girdiden sürekli sayısal bir çıktı tahmin etmek üzere tasarlanmış modeldir. Ev fiyatı, sıcaklık veya talep miktarı gibi sayısal sonuçların kestirilmesinde kullanılabilir.
Öğrencilerin “model” ile “problem türü” arasındaki ayrımı anlamasına yardımcı olur ve veri üzerinden sayısal tahmin yapmanın temelini gösterir.
Kişilerin verilerinin hangi amaçlarla toplanmasına, işlenmesine veya paylaşılmasına izin verdiklerinin kaydedilmesi, yönetilmesi, güncellenmesi ve gerektiğinde geri çekilebilmesini sağlayan süreçlerin bütünüdür.
Öğrenci verilerinin farklı dijital ve yapay zekâ sistemlerinde kullanıldığı eğitim ortamlarında verilen izinlerin açık biçimde kayıt altına alınması ve gerektiğinde değiştirilebilmesi önemlidir. Özellikle çocukların verilerinde rıza süreci daha dikkatli yönetilmelidir.
Belirli bir tehlikenin veya istenmeyen olayın gerçekleşme olasılığı ile ortaya çıkabilecek olumsuz sonuçların büyüklüğünün birlikte değerlendirilmesini ifade eder. Yapay zekâ riskleri teknik, etik, hukuki, güvenlik veya toplumsal nitelikte olabilir.
Yapay zekâ kullanımının yalnızca sağlayacağı yararlara bakmak yeterli değildir. Yanlış yönlendirme, veri kaybı, ayrımcılık, mahremiyet ihlali veya öğrencinin öğrenme sürecinin zarar görmesi gibi olası sonuçların da değerlendirilmesi gerekir.
Bir yapay zekâ sisteminin oluşturabileceği tehlikelerin ve olumsuz sonuçların belirlenmesi, bunların gerçekleşme olasılığı ile etkilerinin analiz edilmesi ve risk düzeylerinin değerlendirilmesi sürecidir.
Eğitim kurumlarının yeni bir yapay zekâ uygulamasını kullanmaya başlamadan önce öğrenci güvenliği, mahremiyet, doğruluk, yanlılık ve pedagojik etkiler gibi riskleri değerlendirmesine yardımcı olur.
Yapay zekâ sistemleriyle ilişkili risklerin belirlenmesi, değerlendirilmesi, önceliklendirilmesi, azaltılması, izlenmesi ve gerektiğinde yeniden değerlendirilmesine yönelik sürekli süreçtir. Risk yönetimi tek seferlik bir kontrol değil, sistemin yaşam döngüsü boyunca devam eden bir faaliyettir.
Bir eğitim teknolojisinin ilk kullanımında güvenli görünmesi yeterli değildir. Öğrenciler, öğretim süreçleri veya sistem davranışları zamanla değişebileceğinden risklerin düzenli olarak izlenmesi ve gerekli önlemlerin güncellenmesi gerekir.
Fiziksel görevler gerçekleştirebilen makinelerin tasarımı, yapımı, kontrolü ve programlanmasıyla ilgilenen mühendislik ve bilgisayar bilimi alanıdır. Yapay zekâ; robotların çevreyi algılaması, karar vermesi, öğrenmesi ve daha özerk hareket etmesi için kullanılabilir.
Kodlama, matematik, fizik, mühendislik ve yapay zekâyı uygulamalı biçimde birleştiren güçlü bir STEM alanıdır. Öğrencilerin algoritmaların fiziksel dünyadaki sonuçlarını gözlemlemesini sağlar.
İstem içerisinde modele belirli bir rol, bakış açısı veya hedef kitle verilerek yanıt biçiminin yönlendirilmesidir. Örneğin modelden “ortaokul matematik öğretmeni gibi açıkla” şeklinde yanıt vermesi istenebilir. Rol, istemin model davranışını yönlendiren parçalarından biri olabilir.
Aynı konunun farklı yaş ve bilgi düzeylerindeki öğrencilere uygun biçimde açıklanmasına yardımcı olabilir.
Bir öğrenci ürününün veya performansının hangi ölçütlere göre ve hangi başarı düzeylerinde değerlendirileceğini açık biçimde gösteren puanlama ve değerlendirme aracıdır. Rubrikler belirli ölçütleri ve bu ölçütlere ilişkin performans düzeylerinin açıklamalarını içerir.
Yapay zekâ destekli değerlendirme sistemlerinde değerlendirme ölçütlerinin açık ve şeffaf biçimde tanımlanmasına yardımcı olur. Öğretmen, yapay zekâdan rubrik taslağı oluşturmada yararlanabilir; ancak ölçütlerin öğrenme hedefleriyle uyumluluğunu ve puanlamanın adaletini kendisi kontrol etmelidir.
Bilginin semboller, kavramlar, kurallar ve mantıksal ilişkiler biçiminde açıkça temsil edildiği ve sonuçların bu temsiller üzerinde gerçekleştirilen akıl yürütme işlemleriyle üretildiği yapay zekâ yaklaşımıdır. Bilgi tabanlı sistemler ve uzman sistemler sembolik yapay zekânın klasik örneklerindendir.
Öğrencilerin yapay zekânın yalnızca sinir ağlarından oluşmadığını ve açık kurallara dayalı başka bir paradigma bulunduğunu anlamasını sağlar. Mantık, çıkarım ve bilgi temsili konularıyla güçlü bağlantı kurar.
Yapay zekâ veya benzeri hesaplamalı tekniklerle tamamen veya kısmen oluşturulan ya da önemli ölçüde değiştirilen görüntü, ses, video ve diğer medya içeriklerini ifade eder. Sentetik medyanın sorumlu kullanımında şeffaflık ve açıklama önemli ilkeler arasındadır.
Öğrencilerin gördükleri bir görüntünün, ses kaydının veya videonun mutlaka gerçek olayın doğrudan kaydı olmayabileceğini anlamaları medya ve yapay zekâ okuryazarlığı açısından kritiktir.
Bir görüntü, ses, video veya başka medya içeriğinin yapay zekâ tarafından üretilmiş ya da önemli ölçüde değiştirilmiş olup olmadığını belirlemeye yönelik yöntem ve teknolojilerin genel adıdır.
Öğrencilerin çevrim içi içeriklerin gerçekliğini değerlendirmesine yardımcı olabilecek önemli bir medya okuryazarlığı aracıdır. Ancak tespit sistemleri her zaman kesin sonuç veremeyeceğinden kaynak doğrulama ve bağlam incelemesi de gereklidir.
Gerçek dünyadaki olay veya gözlemlerden doğrudan toplanmak yerine algoritmalar, istatistiksel yöntemler, simülasyonlar veya üretken modeller aracılığıyla yapay olarak oluşturulan veridir. Sentetik veriler, gerçek verilerin belirli yapısal veya istatistiksel özelliklerini taklit edecek biçimde üretilebilir. Gerçek verinin az, pahalı, hassas veya erişilmesi güç olduğu durumlarda kullanılabilir; ancak gerçek dünyadaki bütün çeşitliliği ve karmaşıklığı eksiksiz temsil edeceği varsayılmamalıdır.
Gerçek öğrencilere ait kişisel verilerin kullanılmasının uygun olmadığı eğitim senaryolarında, öğretim ve araştırma amacıyla yapay öğrenci kayıtları veya örnek öğrenme verileri oluşturulabilir. Sentetik veri aynı zamanda nadir durumların ve farklı öğrenci profillerinin simüle edilmesini sağlayabilir. Bununla birlikte sentetik olması, verinin otomatik olarak yanlılıktan veya hatadan arınmış olduğu anlamına gelmez.
Konuşma veya diğer sözlü ses içeriğinin otomatik olarak yazılı metne dönüştürülmesi sürecidir. Konuşma tanıma teknolojilerinden yararlanır ancak özellikle elde edilen sonucun metinsel biçimde sunulmasına odaklanır.
Derslerin yazıya geçirilmesi, öğrencinin sözlü yanıtlarının kaydedilmesi, altyazı oluşturulması ve işitme güçlüğü yaşayan öğrencilerin eğitim materyallerine erişiminin artırılmasında kullanılabilir.
Kullanıcının yazılımın amacını doğal dille açıklaması ve üretken yapay zekâ sisteminin bu açıklamalar doğrultusunda kod üretmesi üzerine kurulu, yoğun biçimde yapay zekâ destekli kodlama yaklaşımını ifade eden güncel bir terimdir. Üretilen kod çoğu zaman yineleme ve kontrol gerektirir.
Öğrencilerin programlama yaparken yapay zekâdan yararlanabileceğini; ancak üretilen kodun ne yaptığını anlamadan kullanmanın hata ve öğrenme kaybı doğurabileceğini göstermesi bakımından önemlidir.
Üretken modelin çıktı seçimlerindeki rastlantısallık düzeyini etkileyen bir hiperparametredir. Daha düşük sıcaklık genellikle daha öngörülebilir, daha yüksek sıcaklık ise daha değişken çıktılara yol açar.
Aynı istemin neden her zaman aynı cevabı üretmediğini ve yaratıcı yazı ile daha belirli bilgi görevlerinde farklı çıktı ayarlarının tercih edilebileceğini anlamaya yardımcı olur.
Modele görevin nasıl yapılacağına ilişkin herhangi bir örnek göstermeden, yalnızca talimat veya sorunun verildiği istemleme yöntemidir.
Günlük yapay zekâ kullanımındaki en temel istem biçimidir. Örneğin “Bu metni özetle” komutu herhangi bir örnek verilmeden kullanıldığında sıfır örnekli istemlemeye örnektir.
Sınıf içerisindeki öğrenme, katılım, etkileşim ve performans verilerinin öğretim süreçlerini anlamak ve geliştirmek amacıyla analiz edilmesidir. Öğrenme analitiğinin sınıf ortamına odaklanan bir kullanım alanıdır.
Öğretmenin yalnızca tek tek öğrencileri değil, sınıfın genel öğrenme durumunu ve ortak güçlükleri görmesine yardımcı olabilir.
Bir veri örneğini önceden tanımlanmış sınıf veya kategorilerden birine ya da daha fazlasına atamayı amaçlayan makine öğrenmesi problemidir.
Yapay zekânın görüntü, metin ve diğer verileri nasıl kategorilere ayırdığını anlamak için temel kavramdır. Öğrencilerin etiket, özellik ve tahmin arasındaki ilişkiyi görmesini sağlar.
Bir modelin ürettiği puan veya olasılığın hangi değerden itibaren belirli bir sınıfa atanacağını belirleyen sınır değeridir. Eşiğin değiştirilmesi yanlış pozitif ve yanlış negatif sonuçların oranını etkileyebilir.
Öğrencilerin yapay zekâ kararlarının her zaman değişmez olmadığını, kullanılan eşik değerlerinin sonuçları etkileyebildiğini anlamasını sağlar. Ölçme-değerlendirme ve karar verme tartışmalarıyla ilişkilendirilebilir.
Yeni bir girdinin hangi sınıf veya kategoriye ait olduğunu tahmin etmek üzere eğitilmiş makine öğrenmesi modelidir.
Öğrencilerin algoritma, eğitim verisi, model ve tahmin kavramlarını birbirinden ayırmasını kolaylaştırır.
Dijital sistemlerin, verilerin veya hizmetlerin yetkisiz erişim, kötü amaçlı yazılım, saldırı, manipülasyon veya hizmet kesintisi gibi siber tehditler sonucunda zarar görme olasılığı ve bu zararın olası etkilerini ifade eder. Yapay zekâ sistemleri hem siber saldırıların hedefi hem de saldırıları gerçekleştirmede kullanılabilecek araçlar olabilir.
Okullar ve eğitim platformları öğrenci ve öğretmenlere ilişkin önemli miktarda dijital veri işler. Bu nedenle yapay zekâ uygulamalarının güvenli parola, erişim kontrolü, güncelleme ve güvenli veri işleme gibi temel siber güvenlik önlemleriyle birlikte kullanılması gerekir.
Kullanıcıyla konuşma veya yazışma biçiminde etkileşim kurmak üzere tasarlanmış yazılım sistemidir. Günümüzde birçok sohbet robotu büyük dil modelleriyle desteklenmektedir; ancak sohbet robotu kavramı büyük dil modellerinden daha eski ve daha geniştir. Google, sohbeti modelle gerçekleştirilen karşılıklı diyalog olarak ele alır.
Öğrencilerin yapay zekâ asistanlarıyla etkileşim kurduğu en yaygın arayüzlerden biridir. Sohbet biçiminde sunulması sistemin insan olduğunu veya her söylediğinin doğru olduğunu göstermez.
Öğrenme hedefleri, konu, sınıf düzeyi veya belirli bir metin gibi girdilere dayanarak değerlendirme ya da öğrenme amacıyla soruların insan veya yapay zekâ desteğiyle oluşturulması sürecidir. Yapay zekâ sistemleri farklı soru türleri, zorluk düzeyleri ve örnekler üretebilir.
Öğretmenin kısa sürede farklı seviyelerde alıştırma, sınav veya tekrar soruları hazırlamasını destekleyebilir. Ancak üretilen soruların doğru cevaba sahip olması, kazanımla uyumlu olması, dilinin açık olması ve ölçmek istenen beceriyi gerçekten ölçmesi öğretmen tarafından kontrol edilmelidir.
Yapay zekâ sistemlerinin etik ilkeler, insan hakları, güvenlik, adillik, mahremiyet, hesap verebilirlik ve toplumsal etkiler dikkate alınarak tasarlanması, geliştirilmesi ve kullanılması yaklaşımıdır. Sorumlu yapay zekâ, yalnızca modelin teknik özelliklerine değil, bütün kullanım yaşam döngüsüne odaklanır.
Bir yapay zekâ aracının eğitimde kullanılabilir olması onun otomatik olarak pedagojik veya etik açıdan uygun olduğu anlamına gelmez. Öğretmen ve kurumların kullanım amacı, öğrenci yararı, veri güvenliği ve olası zararları birlikte değerlendirmesi gerekir.
Yapay zekâ sistemlerinin geliştirilmesi ve kullanılmasının çevresel, ekonomik ve toplumsal etkilerinin uzun vadeli olarak değerlendirilmesini ifade eder. Büyük ölçekli yapay zekâ sistemlerinin enerji, su, donanım ve diğer kaynakları tüketmesi sürdürülebilirlik tartışmalarının önemli bir parçasıdır.
Öğrencilerin yapay zekâyı yalnızca dijital ve görünmez bir hizmet olarak değil, gerçek enerji ve donanım kaynakları kullanan bir teknoloji olarak anlamalarını sağlar. Dijital teknolojilerin çevresel etkilerinin tartışılmasına katkıda bulunur.
Bir yapay zekâ sisteminin amacı, kullanım biçimi, yetenekleri, sınırlılıkları ve sistemle ilgili önemli süreçler hakkında ilgili kişilere yeterli ve anlaşılabilir bilgi sunulması ilkesidir. Şeffaflık, kullanıcının yapay zekâ ile etkileşimde olduğunu bilmesini de kapsayabilir.
Öğrenci ve öğretmenlerin hangi işlemlerde yapay zekâ kullanıldığını, hangi verilerin işlendiğini ve sistemin hangi sınırlara sahip olduğunu bilmeleri bilinçli kullanım açısından önemlidir.
Bir modelin mevcut girdilerden ve öğrenilmiş ilişkilerden yararlanarak bilinmeyen bir değer, sınıf, olay veya sonuç hakkında ürettiği kestirimdir. Tahmin kesin bir gerçek değil, modelin veriler ve öğrendiği örüntüler temelindeki çıktısıdır.
Yapay zekâ tarafından üretilen öğrenci başarısı veya davranış tahminlerinin kesin sonuçlar olarak yorumlanmaması gerektiğini gösterir. Veri okuryazarlığı ve eleştirel yapay zekâ okuryazarlığı açısından temel bir kavramdır.
Modele yapılması istenen görevi göstermek amacıyla istem içerisinde yalnızca bir örnek sunulan istemleme yöntemidir.
Öğretmenin modelden istediği soru, açıklama veya çıktı formatına ilişkin tek bir örnek vererek modelin sonraki cevabını yönlendirmesini sağlar.
Edebî, bilimsel, sanatsal ve diğer özgün eserlerin yaratıcılarına eserlerinin kullanımı ve çoğaltılması üzerinde belirli hukuki haklar sağlayan fikrî mülkiyet alanıdır. Yapay zekâ bağlamında eğitim verilerinde kullanılan eserler, kullanıcı tarafından sisteme yüklenen içerikler ve yapay zekâ ile oluşturulan çıktılar telif hakkı tartışmalarına konu olabilir.
Öğretmen ve öğrencilerin internetten veya yapay zekâ sistemlerinden elde ettikleri metin, görsel ve diğer içerikleri sınırsız biçimde kullanabilecekleri varsayılmamalıdır. Kaynak gösterme, kullanım izni ve akademik dürüstlük ilkeleri dikkate alınmalıdır.
Geniş ve çeşitli veri üzerinde büyük ölçekte önceden eğitilen ve çok sayıda farklı görev veya uygulamaya uyarlanabilen genel amaçlı model sınıfıdır.
Tek bir büyük modelin soru yanıtlama, özetleme, sınıflandırma veya içerik üretimi gibi çok farklı eğitim görevlerinde kullanılabilmesinin temelini açıklar.
Google tarafından yapay zekâ ve makine öğrenmesi iş yüklerini hızlandırmak amacıyla geliştirilmiş, uygulamaya özgü bütünleşik devre türüdür. TPU'lar özellikle sinir ağlarında yaygın olarak gerçekleştirilen büyük ölçekli matris ve tensör işlemlerini yüksek verimle gerçekleştirmek üzere tasarlanmıştır.
Öğrencilerin yapay zekâ gelişiminin yalnızca yazılım alanındaki ilerlemelerden değil, özel donanım teknolojilerinden de etkilendiğini anlamasına yardımcı olur. GPU ile TPU arasındaki farkların incelenmesi yapay zekâ altyapısının anlaşılmasına katkı sağlar.
Model geliştirme ve eğitim süreçleri tamamlandıktan sonra modelin daha önce görmediği veriler üzerindeki performansını bağımsız biçimde değerlendirmek amacıyla ayrılan veri bölümüdür. Test verisinin eğitim veya model seçimi sırasında kullanılmaması gerekir; aksi durumda modelin gerçek genelleme başarısı olduğundan daha yüksek görünebilir.
Bir öğrencinin yalnızca daha önce çözdüğü sorularla değil, yeni sorularla da değerlendirilmesine benzetilebilir. Modelin öğrendiği örnekleri ezberleyip ezberlemediğini ve yeni durumlarda ne kadar başarılı olduğunu anlamaya yardımcı olur.
Dizisel verileri işlerken temel olarak dikkat ve özellikle öz dikkat mekanizmalarından yararlanan sinir ağı mimarisidir. Transformer, dizinin farklı bölümleri arasındaki ilişkileri doğrudan değerlendirebilir ve önceki birçok yaklaşımda kullanılan tekrarlayan sinir ağı yapılarına ihtiyaç duymadan dizileri işleyebilir. Kodlayıcı, kod çözücü veya her ikisini birlikte içeren biçimleri bulunabilir.
Günümüzdeki büyük dil modellerinin teknik gelişimini anlamak için en önemli mimari kavramlardan biridir. Öğrencilerin ChatGPT benzeri sistemlerin arkasında yalnızca “çok büyük veri” değil, belirli sinir ağı mimarilerinin de bulunduğunu kavramasını sağlar.
Yapay zekâ işlemlerinin yalnızca merkezi bulut altyapılarında gerçekleştirilmesi yerine telefon, kamera, sensör, araç veya başka uç cihazlarda ya da ağın kullanıcıya yakın bölümlerinde gerçekleştirilmesini ifade eden yaklaşımdır. Uç cihazlar yalnızca önceden geliştirilmiş modelleri çalıştırabileceği gibi bazı yapılarda yerel verilerden öğrenme sürecine de katkıda bulunabilir.
Akıllı telefonlar, eğitim robotları, laboratuvar sensörleri ve erişilebilirlik araçları gibi cihazların bazı yapay zekâ işlemlerini doğrudan cihaz üzerinde gerçekleştirebilmesini açıklar. Bu yaklaşım gecikmeyi ve merkezi sisteme gönderilen veri miktarını azaltabilir; ancak cihaz kapasitesi ve güvenlik gibi yeni kısıtlar doğurur.
Değerlendirme sürecinde öğrenciye sunulan soru veya görevlerin zorluk düzeyinin, türünün ya da sırasının öğrencinin önceki yanıtlarına ve performansına göre dinamik biçimde değiştirilmesidir. Böylece farklı öğrenciler aynı değerlendirmede farklı soru yolları izleyebilir.
Öğrencinin düzeyine daha uygun sorularla değerlendirilmesini ve daha ayrıntılı öğrenme bilgisi elde edilmesini sağlayabilir. Ancak kullanılan uyarlama algoritmalarının geçerli, güvenilir ve adil olması; öğrencinin başarısını hatalı biçimde sınırlandırmaması gerekir.
Öğrenme içeriğinin, zorluk düzeyinin, etkinliklerin veya geri bildirimlerin öğrencinin performansına ve ilerlemesine göre dinamik biçimde değiştirildiği öğrenme yaklaşımıdır.
Öğrencinin çok kolay veya aşırı zor içeriklerle uzun süre karşılaşmasını önlemeye ve öğrenme sürecinin bireysel gereksinimlere göre düzenlenmesine yardımcı olabilir.
Bir yapay zekâ sisteminin yeni girdilere, değişen çevre koşullarına, kullanıcı davranışlarına veya görev gereksinimlerine göre işleyişini ya da çıktısını değiştirebilme kapasitesidir.
Uyarlanabilir öğrenme sistemlerinin öğrencinin ilerlemesine göre içerik, zorluk veya geri bildirim değiştirebilmesinin temelinde bulunan özelliklerden biridir. Uyarlamanın hangi verilere dayandığının ve pedagojik olarak uygun olup olmadığının değerlendirilmesi gerekir.
Farklı yazılımların birbiriyle iletişim kurmasını sağlayan kurallar bütünüdür. Bir uygulamanın diğerinin verilerini veya özelliklerini kullanmasına izin veren bir köprü görevi görür. Örneğin bir seyahat sitesi, uçuş fiyatlarını göstermek için havayolunun sistemine bu arayüzle bağlanır. NIST, API'yi uygulama programları veya kullanıcı kodunun belirli işlevlere tanımlı bir sözdizimi üzerinden erişmesini sağlayan sistem erişim noktası veya işlev olarak ele almaktadır.
Öğrencilerin veya geliştiricilerin bir yapay zekâ modelini sıfırdan geliştirmeden mevcut yapay zekâ hizmetlerini kendi uygulamalarına bağlayabilmesini sağlar. Eğitim uygulamalarındaki sohbet asistanları, otomatik geri bildirim sistemleri veya içerik oluşturma araçları API'ler aracılığıyla harici modellere erişebilir.
Eğitim verilerindeki dağılım ve örüntüleri öğrenerek bunlara benzer ancak yeni veri veya içerik örnekleri üretebilen modeldir. Üretken modeller metin, görüntü, ses veya başka veri türleri üzerinde çalışabilir.
Üretken yapay zekânın belirli bir uygulamadan ziyade, yeni içerik oluşturabilen model türlerine dayandığını anlamayı sağlar.
GPT, istemleri analiz ederek girdinin yorumlanmasına dayalı olarak bir sonraki belirteci tahmin eden ve bu yolla yanıt üreten, Transformer mimarisine dayalı derin öğrenme modelidir. Bunu yapmak için çok sayıda parametre içerir ve devasa metin veri kümeleriyle önceden eğitilir. GPT, bir dizideki farklı bileşenlerin (örneğin bir cümledeki kelimelerin) önemini ağırlıklandırmayı öğrenir. Bu ağırlıklandırma, alaka düzeyini ve bağlamı çıkarmasını sağlayarak isteme uygun anlamlı içerik üretmesine olanak tanır. Güncel GPT modellerinin bir kısmı görüntü ve ses de işleyebilir.
Günlük dilde sıkça “yapay zekâ” ile eş anlamlı kullanılsa da GPT, yapay zekânın tamamını değil belirli bir üretken model ailesini ifade eder. Bu ayrım yapay zekâ okuryazarlığı açısından önemlidir.
Üretken yapay zekâ, öğrendiği veri örüntülerinden yararlanarak metin, görüntü, ses, video veya kod gibi yeni içerikler oluşturabilen yapay zekâ türüdür. Bu sistemler yalnızca mevcut bilgileri sınıflandırmakla kalmaz, verilen istemlere göre yeni ve özgün çıktılar da üretebilir.
Üretken yapay zekâ; öğretmenlerin ders materyali, soru, etkinlik ve örnekler hazırlamasına yardımcı olabilir. Öğrenciler için ise konu anlatımı, özetleme, fikir geliştirme, geri bildirim alma ve kişiselleştirilmiş öğrenme desteği sunabilir. Ancak üretilen içerikler her zaman doğru olmayabileceği için öğretmen veya öğrenci tarafından kontrol edilmesi önemlidir.
Metin, görüntü veya ses gibi içeriklerin gömme adı verilen sayısal vektör temsillerini saklamak, indekslemek ve benzerlik temelli olarak sorgulamak üzere kullanılan veri tabanı veya veri tabanı yeteneğidir. RAG sistemlerinde ilgili belgelerin anlamsal olarak bulunmasında sıklıkla kullanılır.
Bir eğitim asistanının binlerce ders belgesi arasından öğrencinin sorusuyla anlam bakımından en ilgili parçaları nasıl bulabildiğini açıklamaya yardımcı olur.
İnsanlar veya bilgisayar sistemleri tarafından işlenebilecek, yorumlanabilecek, saklanabilecek veya aktarılabilecek biçimde temsil edilen bilgi, gözlem, ölçüm, sembol veya değerlerdir. Veri; sayılar, metinler, görüntüler, sesler, videolar, sensör ölçümleri veya başka dijital ve dijital olmayan biçimlerde bulunabilir. Yapay zekâ sistemlerinde veri, modellerin eğitilmesi, değerlendirilmesi ve çalıştırılması için temel girdilerden biridir.
Öğrenci yanıtları, sınav sonuçları, öğrenme etkinlikleri, metinler, görüntüler ve dijital platform etkileşimleri eğitim bağlamında veri oluşturabilir. Öğrencilerin verinin ne olduğunu, nasıl üretildiğini ve yapay zekâ sistemlerinin bu verilerden nasıl yararlandığını anlaması veri ve yapay zekâ okuryazarlığının temelidir.
Bir veri kümesindeki bilgilerin belirli bir kişiyle ilişkilendirilmesini önlemek amacıyla kimlik belirleyici bağlantıların kaldırılması veya dönüştürülmesi sürecidir. Anonimleştirmenin amacı, veriden yararlanılmaya devam ederken veri öznesinin kimliğinin belirlenebilmesi riskini azaltmaktır. NIST terminolojisinde anonimleştirme, kimlik belirleyici veri kümesi ile veri öznesi arasındaki ilişkinin kaldırılması olarak tanımlanmaktadır.
Eğitim ortamlarında öğrencilerle ilgili notlar, sınav sonuçları, devam durumu ve öğrenme etkinlikleri gibi birçok veri toplanır. Bu veriler araştırma, analiz veya yapay zekâ uygulamalarında kullanılmadan önce anonimleştirildiğinde öğrencilerin kimlik bilgilerinin açığa çıkma riski azaltılır. Böylece eğitim verilerinden yararlanılırken öğrencilerin özel hayatı ve kişisel bilgileri daha iyi korunur.
Mevcut eğitim örneklerine belirli dönüşümler uygulanarak yeni veya değiştirilmiş eğitim örnekleri oluşturulması ve böylece eğitim verisinin miktarının veya çeşitliliğinin artırılması yöntemidir. Örneğin bir görüntünün döndürülmesi, kırpılması veya yansıtılmasıyla yeni eğitim örnekleri elde edilebilir. Amaç, modelin farklı durumları öğrenmesini ve yeni örneklere daha iyi genelleme yapmasını desteklemektir.
Eğitim alanında sınırlı veri bulunan durumlarda mevcut verilerden daha çeşitli öğrenme örnekleri oluşturulmasına yardımcı olur. Örneğin el yazısı tanıma veya eğitimsel görüntü sınıflandırma uygulamalarında farklı görünüm ve koşulların temsil edilmesini sağlayabilir. Ancak yapay olarak artırılan örneklerin gerçek öğrenci çeşitliliğinin yerini bütünüyle aldığı düşünülmemelidir.
Ham veri örneklerine, makine öğrenmesi amacı doğrultusunda anlamlı sınıf, kategori, hedef değer veya açıklama bilgilerinin atanması sürecidir. Etiketleme insanlar tarafından, otomatik sistemlerle veya bu iki yöntemin birlikte kullanılmasıyla gerçekleştirilebilir. Etiketlerin kalitesi ve tutarlılığı, özellikle denetimli öğrenmede modelin hangi ilişkileri öğreneceğini doğrudan etkileyebilir. Google, insan ve makine tarafından oluşturulan etiketlerin hata ve yanlılık bakımından kontrol edilmesi gerektiğini özellikle vurgulamaktadır.
Öğrenci yanıtlarının doğru-yanlış, konu, beceri düzeyi veya hata türü gibi kategorilerle işaretlenmesi veri etiketlemeye örnek olabilir. Eğitim alanında farklı öğretmen veya uzmanların aynı öğrenci yanıtını farklı değerlendirebilmesi nedeniyle etiketleme ölçütlerinin açık ve tutarlı olması gerekir.
Bireylere ilişkin verilerin hangi amaçlarla toplandığı, nasıl kullanıldığı, kimlerle paylaşıldığı ve ne kadar süre saklandığı üzerinde uygun koruma ve kontrol sağlanmasını ifade eder. Veri gizliliği, yalnızca verinin teknik olarak korunmasını değil, kişilerin mahremiyet haklarının gözetilmesini de kapsar.
Öğrenci verileri yapay zekâ sistemlerine aktarılırken gereğinden fazla veri toplanmaması, kullanım amacının açık olması ve öğrencinin mahremiyetinin korunması gerekir.
Verilerin yetkisiz erişim, değiştirme, kayıp, silinme veya kötüye kullanım gibi tehditlere karşı korunması için uygulanan teknik ve yönetsel önlemlerin bütünüdür.
Öğrenci kayıtları, sınav sonuçları ve öğrenme verileri gibi hassas bilgilerin yapay zekâ uygulamalarında kullanılması güvenli saklama, erişim kontrolü ve uygun paylaşım politikalarını gerekli kılar.
Korunması gereken verilerin yetkisiz kişilerce erişilmesi, elde edilmesi, açıklanması, değiştirilmesi veya başka biçimde güvenliğinin bozulması durumudur. Veri ihlali bir siber saldırı sonucunda oluşabileceği gibi insan hatası veya yanlış yapılandırma nedeniyle de ortaya çıkabilir.
Öğrencilerin kimlik, iletişim veya eğitim verilerinin açığa çıkması ciddi mahremiyet ve güvenlik sorunları yaratabilir. Eğitim kurumlarının yapay zekâ araçlarını seçerken veri koruma uygulamalarını değerlendirmesi gerekir.
Verinin amaçlanan kullanım için ne ölçüde doğru, eksiksiz, tutarlı, güncel, güvenilir, ilgili ve kullanılabilir olduğunu ifade eden kavramdır. Veri kalitesi tek bir özelliğe indirgenemez; verinin yaşam döngüsü boyunca farklı boyutlardan değerlendirilmesini gerektirir. NIST Research Data Framework, doğruluk, bütünlük, güncellik, ilgililik, tutarlılık, güvenilirlik ve erişilebilirliği veri kalitesinin önemli boyutları arasında ele almaktadır.
Eksik, hatalı veya temsil gücü zayıf öğrenci verileriyle eğitilen yapay zekâ sistemleri güvenilir olmayan sonuçlara ulaşabilir. Bu nedenle eğitim verilerinin doğruluğu, temsil gücü ve güncelliği yalnızca teknik bir konu değil, öğrenciler hakkında verilen kararların niteliğini etkileyebilecek pedagojik bir konudur.
Bir yapay zekâ sisteminin geliştirilmesi veya eğitilmesi sırasında kullanılan verilerin dağılımı ile sistemin daha sonra karşılaştığı verilerin dağılımının zaman içinde farklılaşmasıdır. Özelliklerin, girdilerin veya etiketlerin dağılımındaki değişiklikler modelin başlangıçta geçerli olan varsayımlarını zayıflatabilir ve model performansının izlenmesini gerektirebilir. Veri kayması, özelliklerle hedef arasındaki ilişkinin değişmesini ifade eden kavram kayması ile ilişkili fakat aynı olmayan bir kavramdır.
Öğrenci profilleri, öğretim programları, sınav biçimleri veya dijital öğrenme alışkanlıkları zaman içinde değişebilir. Geçmiş yılların verileriyle geliştirilen bir model yeni öğrenci gruplarında aynı başarıyı göstermeyebilir. Bu nedenle eğitimde kullanılan modellerin yalnızca ilk geliştirildikleri anda değil, zaman içinde de değerlendirilmesi gerekir.
Bir verinin nereden geldiğini, nasıl üretildiğini, kimler veya hangi sistemler tarafından işlendiğini ve zaman içinde hangi değişikliklerden geçtiğini açıklayan bilgi ve kayıtların bütünüdür. Veri kökeni, verinin kaynağının ve dönüşüm geçmişinin izlenebilirliğini sağlar. NIST, köken bilgisini verinin kaynağına ilişkin üst veri ve verinin oluşum/değişim geçmişinin kronolojisiyle ilişkilendirmektedir.
Bir yapay zekâ sisteminin kullandığı eğitim verilerinin hangi okul, kaynak, platform veya süreçlerden elde edildiğinin bilinmesi; verinin güvenilirliğini ve uygunluğunu değerlendirmeyi kolaylaştırır. Özellikle öğrenci verilerinin hangi amaçla toplandığının ve sonradan nasıl kullanıldığının izlenebilmesi açısından önemlidir.
Belirli bir amaç, konu veya kullanım bağlamı doğrultusunda bir araya getirilmiş ilişkili verilerin oluşturduğu koleksiyondur. Bir veri kümesi tablo biçimindeki sayısal kayıtlardan görüntülere, metinlere, seslere veya farklı veri türlerinin birleşimine kadar çok çeşitli biçimlerde olabilir.
Bir sınıfın sınav sonuçları, öğrenci çözümleri, ders materyalleri veya eğitim amaçlı görüntüler bir veri kümesi oluşturabilir. Öğrencilerin bir yapay zekâ modelinin performansının yalnızca algoritmaya değil, hangi veri kümesiyle geliştirildiğine de bağlı olduğunu anlamaları önemlidir.
Veriyi okuyabilme, anlama, yorumlama, sorgulama, uygun biçimde kullanma ve veriden çıkarılan sonuçları eleştirel biçimde değerlendirme yeterliğidir.
Yapay zekâ sistemlerinin büyük ölçüde veriye dayandığını anlamak için temel bir yeterliktir. Öğrencilerin grafik, istatistik, veri kümesi ve yapay zekâ tarafından üretilmiş analizleri daha bilinçli değerlendirmelerine yardımcı olur.
Ham verinin bir modelin eğitimi, değerlendirilmesi veya analizi için kullanılmadan önce uygun biçime getirilmesi amacıyla gerçekleştirilen işlemler bütünüdür. Eksik değerlerin ele alınması, veri temizleme, dönüştürme, normalleştirme, kodlama, filtreleme veya belirli özelliklerin hazırlanması ön işleme kapsamında değerlendirilebilir. Google, ön işlemeyi verinin model eğitiminde kullanılmasından önce işlenmesi olarak tanımlar.
Öğrenci verileri farklı sistemlerden geldiğinde yazım, ölçüm biçimi, eksik değer veya ölçek farklılıkları bulunabilir. Bu verilerin doğrudan modele verilmesi yerine uygun biçimde hazırlanması gerekir. Böylece öğrenciler, yapay zekâ modellerinin “ham veriyi olduğu gibi öğrenmediğini”, verinin çoğu zaman önce teknik işlemlerden geçtiğini kavrayabilir.
Korunması gereken veya amaç dışı kullanılmaması gereken bilgilerin istemeden ya da uygunsuz biçimde sistem dışına, başka kullanıcılara veya yetkisiz süreçlere aktarılmasıdır. Yapay zekâ sistemlerinde kullanıcı tarafından girilen hassas bilgilerin beklenmeyen biçimde açığa çıkması da veri sızıntısı riski oluşturabilir.
Öğretmenlerin öğrenci adı, sağlık bilgisi, sınav sonucu veya diğer hassas bilgileri herkese açık yapay zekâ araçlarına gelişigüzel girmemeleri gerekir. Öğrenci verilerinin hangi sistemlere gönderildiğinin bilinmesi önemlidir.
Bir veri öğesinin kaynak noktadan başlayarak sistemler, işlemler ve dönüşümler boyunca izlediği yolu ve işlem geçmişini gösteren izlenebilirlik zinciridir. Veri kökeni verinin nereden geldiği ve geçmişi hakkında daha geniş bir bağlam sunarken, veri soyu özellikle verinin hangi işlemlerden ve veri akışlarından geçtiğinin izlenmesine odaklanır. NIST, veri soyunu bir veri öğesinin işlenme geçmişi, noktadan noktaya veri akışları ve veri üzerinde gerçekleştirilen eylemler bağlamında tanımlar.
Bir öğrenci verisinin okul bilgi sisteminden analiz platformuna, oradan da bir yapay zekâ modeline nasıl ulaştığının izlenebilmesi; hata, mahremiyet veya yanlış kullanım durumlarında sorunun kaynağının belirlenmesini kolaylaştırabilir.
Bir veri kümesindeki hatalı, bozuk, eksik, tutarsız, yinelenmiş veya uygun olmayan kayıtların belirlenmesi ve mümkün olduğunda düzeltilmesi, standartlaştırılması ya da uygun biçimde ele alınması sürecidir. NIST Research Data Framework veri temizlemeyi, bozuk veya hatalı veri kayıtlarının saptanması ve düzeltilmesi süreci olarak ele almaktadır.
Yanlış girilmiş sınav puanları, yinelenmiş öğrenci kayıtları veya eksik bilgiler yapay zekâ analizlerini bozabilir. Veri temizleme, öğrencilerin bilgisayarların ellerindeki veriyi otomatik olarak “doğru” kabul ettiğini ve bu nedenle veri doğruluğunun insan sorumluluğu gerektirdiğini anlamasına yardımcı olur.
Belirli bir araştırma, analiz veya yapay zekâ geliştirme amacı doğrultusunda gerekli verilerin uygun kaynaklardan belirlenmesi, elde edilmesi, ölçülmesi veya kaydedilmesi sürecidir. Veri; ölçüm araçları, kullanıcı etkileşimleri, belgeler, açık veri kaynakları, sensörler, insan değerlendirmeleri veya başka sistemler aracılığıyla toplanabilir. Toplama yöntemi, oluşturulan veri kümesinin kapsamını ve temsil gücünü doğrudan etkileyebilir. Google ve OECD, yapay zekâ geliştirmede veri toplama mekanizmalarının niteliğinin ve koşullarının ayrıca değerlendirilmesi gerektiğini vurgulamaktadır.
Öğrencilerden hangi verilerin, hangi amaçla ve hangi yöntemle toplandığı eğitimde yapay zekâ kullanımının temel sorularındandır. Yalnızca kolay erişilen öğrencilerden toplanan veya belirli grupları yeterince temsil etmeyen veriler, geliştirilen sistemlerin sonuçlarını etkileyebilir.
Bir veri kümesinin toplama, örnekleme, etiketleme veya temsil süreçleri nedeniyle gerçek dünyadaki kişi, grup veya durumları sistematik biçimde eksik, dengesiz ya da çarpık temsil etmesidir. Bu yanlılık, veriyle eğitilen yapay zekâ modellerinin sonuçlarına yansıyabilir.
Belirli öğrenci gruplarının eğitim verilerinde yeterince temsil edilmemesi veya geçmişteki eşitsizliklerin verilere yansıması, yapay zekâ destekli eğitim sistemlerinin bazı öğrenciler için daha düşük performans göstermesine neden olabilir.
Verinin yaşam döngüsü boyunca toplanması, düzenlenmesi, saklanması, korunması, erişilebilir hâle getirilmesi, işlenmesi, paylaşılması, sürdürülmesi ve gerektiğinde kullanım dışı bırakılmasına ilişkin uygulama ve süreçlerin bütünüdür. Veri yönetimi daha çok verinin günlük ve operasyonel olarak nasıl işlendiğine odaklanırken, veri yönetişimi bu işlemleri yönlendiren yetki, politika, rol ve karar kurallarını belirler. NIST’in veri yönetimi çalışmalarında veri yaşam döngüsü, erişim, depolama, köken, soy ve veri platformlarının yönetimi birlikte ele alınmaktadır.
Okullarda ve eğitim platformlarında oluşan öğrenci verilerinin yalnızca toplanması değil; güvenli biçimde saklanması, doğru kişiler tarafından erişilmesi, güncellenmesi ve gerektiğinde silinmesi de gerekir. Veri yönetimi, yapay zekâ kullanılan eğitim ortamlarında bu yaşam döngüsünün düzenli biçimde yürütülmesini sağlar.
Verilerin bir kurum veya sistem içerisinde hangi ilkeler, politikalar, yetkiler, sorumluluklar ve karar mekanizmaları çerçevesinde yönetileceğini belirleyen yönetsel ve kurumsal çerçevedir. Veri sahipliği, erişim, kalite, güvenlik, mahremiyet, paylaşım ve kullanım kuralları veri yönetişiminin temel konuları arasındadır. OECD veri yönetişimini, verinin oluşturulmasından silinmesine kadar değer döngüsü boyunca yönetilmesine ilişkin teknik, politika ve düzenleyici çerçeveleri kapsayan geniş bir kavram olarak ele almaktadır.
Bir okul veya eğitim kurumunda öğrenci verilerine kimin erişebileceği, verilerin hangi amaçlarla kullanılabileceği, ne kadar süre saklanacağı ve yapay zekâ sistemleriyle paylaşılıp paylaşılmayacağı açık kurallara bağlanmalıdır. Bu nedenle veri yönetişimi, eğitimde güvenilir ve sorumlu yapay zekâ kullanımının kurumsal temelini oluşturur.
Yanlış, eksik veya yanıltıcı olan ancak mutlaka insanları kasıtlı olarak aldatmak amacıyla oluşturulmamış ya da paylaşılmamış bilgidir. Bu yönüyle kasıtlı yanıltmayı içeren dezenformasyondan ayrılır.
Öğrencilerin internette veya yapay zekâ araçlarında karşılaştıkları bilgileri kaynak kontrolü yapmadan kullanmaları yanlış öğrenmelere yol açabilir. Doğrulama, kaynak karşılaştırma ve eleştirel okuma becerileri bu nedenle önemlidir.
İnsan beynindeki sinir hücrelerinin çalışma şeklinden esinlenen, birbirine bağlı yapay nöronlardan oluşan bir yapay zekâ modelidir. Bilgisayarların verilerden öğrenmesini, örüntüleri bulmasını ve karmaşık problemleri çözmesini sağlar.
Derin öğrenme, bilgisayarlı görü, konuşma tanıma ve büyük dil modelleri gibi modern yapay zekâ teknolojilerini anlamanın temelini oluşturur. Öğrencilerin “sinir ağı” ifadesindeki biyolojik benzetmenin, sistemin insan beyni gibi düşündüğü veya bilinç sahibi olduğu anlamına gelmediğini anlamaları özellikle önemlidir.
İnsanların bilişsel yeteneklerini çok geniş bir görev ve alan yelpazesinde aşabilecek düzeyde zekâya sahip olması varsayılan yapay zekâ biçimidir. Yapay süper zekâ günümüzde gerçekleştirilmiş bir sistem sınıfı değil, varsayımsal bir gelecek kavramıdır. AGI ile de aynı şey değildir; AGI genel ve insan düzeyinde veya buna yakın yetenekleri ifade ederken ASI kavramı insan yeteneklerinin genel olarak aşılmasını öngörür.
Bilimsel olarak mevcut teknolojiler ile geleceğe yönelik varsayımları birbirinden ayırmayı öğretmek açısından değerlidir. Öğrencilerin medya ve popüler kültürdeki “süper zekâ” iddialarını eleştirel biçimde değerlendirmelerine yardımcı olabilir.
Algılama, öğrenme, akıl yürütme, dil kullanma, tahmin, problem çözme veya karar verme gibi zekâyla ilişkilendirilen görevleri gerçekleştirebilen hesaplamalı sistemlerin geliştirilmesini ve incelenmesini kapsayan bilimsel ve teknolojik alandır. Yapay zekâ tek bir yöntemden oluşmaz; sembolik yaklaşımlar, makine öğrenmesi, sinir ağları, robotik ve başka yöntemleri kapsayan geniş bir üst kavramdır. Stanford HAI ve MIT CSAIL de yapay zekâyı öğrenme, algı, akıl yürütme ve karar verme gibi yetenekleri kapsayan geniş bir alan olarak ele almaktadır.
Sözlüğün ve yapay zekâ okuryazarlığının merkezî kavramıdır. Öğrencilerin yapay zekâyı yalnızca sohbet robotları veya üretken sistemlerle özdeşleştirmeden, çok farklı yöntem ve uygulamaları kapsayan geniş bir alan olarak anlamasını sağlar.
Kullanıcıların soru yanıtlama, bilgi edinme, içerik oluşturma, planlama veya belirli görevleri gerçekleştirme süreçlerinde yapay zekâ yeteneklerinden yararlanarak destek sağlayan etkileşimli sistemdir. Daha gelişmiş asistanlar araç kullanımı ve ajan tabanlı özellikler de içerebilir.
Öğretmen ve öğrencilerin günlük yaşamda en sık karşılaşacağı yapay zekâ kullanım biçimlerinden biridir. Asistanın destekleyici araç olduğu ve insanın öğrenme, değerlendirme ve karar sorumluluğunu tamamen devralmaması gerektiği bilinmelidir.
Üretken yapay zekâ aracılığıyla kalite, doğruluk veya özgünlükten çok hızlı ve yüksek miktarda içerik üretimine öncelik verilmesi sonucunda ortaya çıkan düşük nitelikli yapay zekâ içeriğini tanımlamak için kullanılan güncel terimdir. Google Machine Learning Glossary bu kavramı miktarı kaliteye tercih eden üretken yapay zekâ çıktıları için kullanmaktadır.
Öğrencilerin yapay zekâ tarafından üretilmiş her metin, görsel veya kaynağın değerli olmadığını kavraması açısından önemlidir. Çok miktarda içerik üretmek ile nitelikli, doğru ve özgün içerik üretmek arasındaki farkı vurgular.
Verileri analiz ederek öğretmen, okul yöneticisi veya diğer eğitim paydaşlarının karar vermesine yardımcı olmak amacıyla tahmin, sınıflandırma, risk göstergesi veya öneri üreten yapay zekâ sistemleridir. Bu sistemlerin amacı kararı tamamen insanın yerine vermek değil, karar sürecine bilgi sağlamaktır.
Öğrencilerin öğrenme güçlüklerinin erken belirlenmesi, destek gereksinimlerinin fark edilmesi, kaynakların planlanması veya öğretim stratejilerinin değerlendirilmesinde kullanılabilir. Öğrencinin geleceğini etkileyen önemli kararlarda yapay zekâ çıktıları tek başına belirleyici olmamalı; öğretmen değerlendirmesi, bağlam ve insan gözetimi korunmalıdır.
Öğrencinin öğrenme sürecinin yapay zekâ araç veya sistemleri tarafından açıklama, alıştırma, öneri, geri bildirim, kişiselleştirme veya başka desteklerle güçlendirilmesini ifade eder.
Öğrencilere ihtiyaç duydukları anda ek açıklama ve destek sağlayabilir. Ancak yapay zekânın öğrencinin düşünme, araştırma ve problem çözme sürecinin yerine geçmemesi gerekir.
Öğretmenin planlama, içerik hazırlama, öğretim, farklılaştırma, geri bildirim veya sınıf içi karar süreçlerinde yapay zekâ sistemlerinden destek aldığı öğretim yaklaşımıdır.
Öğretmenin zaman alan bazı görevlerini kolaylaştırabilir ve farklı öğrenci gereksinimlerine yönelik öğretim materyallerinin hazırlanmasını destekleyebilir. Pedagojik kararların sorumluluğu öğretmende kalmalıdır.
Yapay zekâ sistemlerinin geliştirilmesi, piyasaya sunulması ve kullanılmasıyla ilgili hakları, yükümlülükleri, yasakları ve uyulması gereken kuralları belirleyen hukuki ve düzenleyici çerçeveleri ifade eder.
Okullarda kullanılan yapay zekâ sistemleri yalnızca pedagojik tercihlere değil; kişisel verilerin korunması, çocuk hakları, ayrımcılık, şeffaflık ve güvenlik gibi hukuki gerekliliklere de uygun olmalıdır. Öğretmenlerin temel düzenleyici ilkelerin farkında olması bilinçli kullanım açısından önemlidir.
Yapay zekâ sistemlerinin geliştirilmesi ve kullanılmasının insan hakları, adalet, mahremiyet, özerklik, sorumluluk, toplumsal yarar ve zarar gibi etik değer ve ilkeler açısından incelendiği alandır.
Öğrencilerin yapay zekâyla ilgili yalnızca “Ne yapabilir?” sorusunu değil, “Yapmalı mı?”, “Kim etkilenir?”, “Kim sorumludur?” ve “Hangi sonuçlar doğabilir?” gibi soruları da değerlendirmelerini sağlar. Öğretmenler için de yapay zekâ kullanım kararlarının etik boyutunu görünür hâle getirir.
Bir yapay zekâ sisteminin kullanıcı, başka bir sistem veya çevresiyle bilgi alışverişinde bulunması ve alınan girdilere göre çıktı ya da eylem üretmesi sürecidir.
Öğrencilerin yapay zekâ araçlarıyla nasıl iletişim kurduğunu ve kullanıcı girdilerinin sistem çıktısını nasıl etkilediğini anlamasına yardımcı olur. İstem yazma ve insan–yapay zekâ etkileşimi konularına temel oluşturur.
Yapay zekâ sistemlerinin insanlara, kurumlara ve topluma zarar verme olasılıklarını belirleme, önleme ve azaltmaya yönelik araştırma, yöntem ve uygulamaların genel alanıdır. Teknik hatalar, kötüye kullanım, beklenmeyen davranışlar ve güvenlik açıkları bu alan kapsamında ele alınabilir.
Eğitimde kullanılan yapay zekâ sistemlerinin öğrencilerin güvenliğini, öğrenme sürecini ve haklarını olumsuz etkilememesi gerekir. Çocuklarla kullanılan sistemlerde güvenlik gereksinimi daha da önemlidir.
Yapay zekânın temel çalışma ilkelerini, kullanım alanlarını, yeteneklerini ve sınırlılıklarını anlayabilme; yapay zekâ sistemlerini bilinçli, eleştirel, güvenli ve sorumlu biçimde kullanabilme yeterliğidir.
Günümüzde temel dijital yeterlik alanlarından biri hâline gelmektedir. Öğrencilerin yapay zekâdan yararlanırken üretilen içeriği değerlendirmeleri, riskleri fark etmeleri ve kullanım sorumluluğunu üstlenmeleri açısından merkezi öneme sahiptir.
Yapay zekâ sistemlerinin sınıflandırma, içerik oluşturma, bilgi çıkarma, planlama veya belirli eylemleri gerçekleştirme gibi görevleri otomatik ya da yarı otomatik biçimde yürütmek için kullanılmasıdır. Ajan tabanlı sistemlerde otomasyon, birden fazla işlem adımını ve dış araç kullanımını da içerebilir.
Soru oluşturma, belge düzenleme, geri bildirim hazırlama veya idari görevlerin bir bölümünü hızlandırabilir. Ancak özellikle öğrenci değerlendirmesi gibi sonuçları önemli olan işlemlerde insan gözetimi korunmalıdır.
Bir yapay zekâ sisteminin veri, deneyim veya geri bildirimden yararlanarak performansını, bilgi temsillerini veya davranışlarını değiştirmesi ve geliştirmesi sürecini ifade eden üst düzey kavramdır.
İnsanların öğrenmesi ile yapay zekâ sistemlerinin hesaplamalı öğrenmesi arasındaki farkın açıklanması açısından önemlidir. Öğrencilerin “yapay zekâ öğrendi” ifadesinin biyolojik veya bilinçli bir öğrenmeyi zorunlu olarak ifade etmediğini anlamasını sağlar.
Yapay zekâ teknolojilerinin öğretim ve öğrenme süreçlerine pedagojik hedefler, öğrenme kuramları ve öğrenci gereksinimleri doğrultusunda nasıl bütünleştirileceğini ele alan yaklaşımı ifade eder.
Yapay zekânın yalnızca kullanılabilir olduğu için değil, öğrenmeye gerçekten katkı sağladığı durumlarda kullanılmasını vurgular. Teknolojik olanaklarla pedagojik amaçların dengelenmesine yardımcı olur.
Belirli hedefler doğrultusunda aldığı girdilerden fiziksel veya dijital ortamları etkileyebilecek tahmin, içerik, öneri veya karar gibi çıktılar üreten makine tabanlı sistemdir. Bazı yapay zekâ sistemleri kullanıma alındıktan sonra farklı derecelerde uyarlanabilirlik gösterebilir.
Eğitim kurumlarında kullanılan bir “araç”, “model” ve “yapay zekâ sistemi” arasındaki farkın anlaşılmasını sağlar. Aynı zamanda yapay zekâ sistemlerinin kullanımında sorumluluk, insan gözetimi ve risk değerlendirmesi konularına temel oluşturur.
Bir yapay zekâ sisteminin tasarlanması ve geliştirilmesinden veri toplama, model geliştirme, test, kullanıma alma, işletme, izleme, güncelleme ve kullanımın sona erdirilmesine kadar geçen aşamaların bütünüdür. Etik ve güvenlik değerlendirmeleri yalnızca son ürün üzerinde değil, bu aşamaların tamamında yapılmalıdır.
Bir eğitim yapay zekâ sisteminin güvenli ve sorumlu olması yalnızca satın alma veya kullanıma başlama aşamasında kontrol edilmemelidir. Sistem değiştikçe, yeni veriler kullandıkça ve farklı öğrenci gruplarında uygulandıkça yeniden değerlendirilmesi gerekebilir.
Bir yapay zekâ sisteminin belirli kişi veya gruplar hakkında sistematik biçimde dengesiz, hatalı veya haksız sonuçlar üretmesi durumudur. Yanlılık eğitim verilerinden, veri toplama biçiminden, model tasarımından veya sistemin kullanıldığı bağlamdan kaynaklanabilir.
Öğrenci değerlendirmesi, yönlendirme veya destek sistemlerinde yanlılık bazı öğrenci gruplarını sistematik biçimde dezavantajlı hâle getirebilir. Bu nedenle yapay zekâ sonuçlarının farklı öğrenci grupları üzerindeki etkileri değerlendirilmelidir.
Yapay zekâ sistemlerinin amaçlara, etik ilkelere, yasal gerekliliklere ve kurumsal politikalara uygun biçimde geliştirilmesi ve kullanılmasını sağlamak için oluşturulan roller, sorumluluklar, kurallar, karar süreçleri, denetim mekanizmaları ve yönetim uygulamalarının bütünüdür. Yapay zekâ yönetişimi, yalnızca mevzuattan değil kurum içi politika ve uygulamalardan da oluşur.
Bir okul veya eğitim kurumunda hangi yapay zekâ araçlarının kullanılabileceği, hangi öğrenci verilerinin sisteme girilebileceği, yapay zekâ çıktılarının nasıl kontrol edileceği ve sorun çıktığında kimin sorumlu olduğu açık kurallarla belirlenmelidir.
Öğeleri önceden tanımlanmış sabit bir tablo, alan veya veri modeli içerisinde düzenlenmemiş olan veri türüdür. Doğal dil metinleri, belgeler, görüntüler, ses kayıtları ve videolar yaygın yapılandırılmamış veri örnekleridir. Bu tür veriler anlamlı bilgiler içerebilir; ancak doğrudan satır ve sütunlardan oluşan geleneksel veri yapıları gibi kolayca işlenemez.
Öğrencilerin yazılı cevapları, ödev dosyaları, konuşma kayıtları, çizimleri ve eğitim videoları yapılandırılmamış veri oluşturabilir. Üretken yapay zekâ ve doğal dil işleme sistemlerinin yaygınlaşmasıyla bu tür eğitim verilerinin işlenebilirliği artmış; bununla birlikte mahremiyet ve etik kullanım konuları daha önemli hâle gelmiştir.
Öğeleri önceden belirlenmiş bir veri modeli, şema veya düzen içerisinde organize edilmiş ve belirli alanlar üzerinden kolayca erişilip işlenebilen veridir. Satır ve sütunlardan oluşan tablolar ve ilişkisel veritabanlarındaki kayıtlar yaygın örneklerdir.
Öğrenci numarası, sınıf, sınav puanı, devamsızlık sayısı ve ders bilgisi gibi alanların düzenli tablolar hâlinde tutulması yapılandırılmış eğitim verisine örnektir. Bu kavramın bilinmesi, öğrencilerin yapay zekâ sistemlerinin sayısal ve düzenli verilerle nasıl çalıştığını yapılandırılmamış metin, görüntü ve ses verileriyle karşılaştırmasına yardımcı olur.
Model eğitiminde nispeten az miktarda etiketli veri ile daha büyük miktarda etiketsiz verinin birlikte kullanıldığı makine öğrenmesi yaklaşımıdır. Etiket oluşturmanın pahalı, zaman alıcı veya uzmanlık gerektirdiği durumlarda etiketsiz veriden de yararlanmayı amaçlar. Yarı denetimli öğrenme, denetimli ve denetimsiz öğrenmenin bazı özelliklerini birlikte kullanabilir.
Eğitim verilerinin uzman öğretmenler tarafından etiketlenmesi zaman alabilir. Çok sayıda öğrenci yanıtının bulunduğu ancak yalnızca küçük bir bölümünün öğretmenler tarafından sınıflandırıldığı durumlarda yarı denetimli yöntemlerden yararlanılabilir.
Yapay zekâ araçlarının çocukların ve gençlerin yaşına, gelişim düzeyine, bilişsel yeterliklerine ve korunma gereksinimlerine uygun biçimde seçilmesi, tasarlanması ve kullanılması ilkesidir.
İlkokul, ortaokul ve lise öğrencilerinin aynı yapay zekâ araçlarını aynı biçimde kullanması uygun olmayabilir. Yaşa uygun kullanım; içerik güvenliği, mahremiyet, öğretmen veya veli rehberliği ve öğrencinin gelişim düzeyinin dikkate alınmasını gerektirir.
Bir makine öğrenmesi modelinin eğitim verilerindeki temel ilişkileri ve örüntüleri yeterince öğrenemediği, bu nedenle hem eğitim verisinde hem de yeni verilerde düşük performans gösterdiği durumdur. Modelin gereğinden fazla basit olması, yeterince eğitilmemesi veya verideki ilişkileri temsil edebilecek kapasiteye sahip olmaması yetersiz öğrenmeye yol açabilir.
Aşırı öğrenmenin karşıtı olarak ele alındığında model karmaşıklığı ile genelleme arasındaki dengeyi anlamayı kolaylaştırır. Öğrencilere “daha basit model her zaman daha iyi” veya “daha karmaşık model her zaman daha iyi” düşüncelerinin neden doğru olmadığını gösterebilir.
Bir yapay zekâ modelinin çalışma mantığının ve girdiler ile çıktılar arasındaki ilişkinin insanlar tarafından doğrudan veya görece kolay biçimde anlaşılabildiği yapay zekâ yaklaşımını ifade eder. Yorumlanabilirlik, modelin yapısının kendi başına anlaşılabilir olmasına odaklanırken açıklanabilir yapay zekâ, daha karmaşık modellerin sonuçlarını açıklamak için ek yöntemlerden de yararlanabilir.
Öğrencileri etkileyen yapay zekâ sistemlerinde kararların nasıl üretildiğinin anlaşılması güven ve adalet açısından önemlidir. Daha yorumlanabilir sistemler, öğretmenlerin otomatik sonuçları sorgulamasını ve gerektiğinde düzeltmesini kolaylaştırabilir.
Bir yapay zekâ sisteminin kullanımı sonucunda bireylerin veya toplumun fiziksel, psikolojik, ekonomik, sosyal, eğitimsel ya da temel haklarla ilişkili olumsuz sonuçlara maruz kalmasını ifade eder. Zarar doğrudan olabileceği gibi uzun vadeli veya dolaylı biçimde de ortaya çıkabilir.
Yapay zekânın öğrenciye yanlış yönlendirme yapması, mahremiyetini ihlal etmesi, ayrımcılığa yol açması veya öğrenme sürecini olumsuz etkilemesi farklı zarar türlerine örnek olabilir. Eğitimde yapay zekâ değerlendirilirken yalnızca sağlayacağı yararların değil, doğurabileceği zararların da göz önünde bulundurulması gerekir.
Bilgi ve deneyimden yararlanarak öğrenme, problemleri çözme, değişen koşullara uyum sağlama ve belirli hedeflere ulaşmak için uygun davranış veya yöntemleri seçebilme kapasitesini ifade eden geniş bir kavramdır. Yapay zekâ bağlamında “zekâ” için tek ve evrensel olarak kabul edilmiş bir ölçüt bulunmadığından, kavram farklı araştırma yaklaşımlarında farklı yetenek bileşimleri üzerinden ele alınabilir. Stanford HAI zekâyı, değişken ve belirsiz bir dünyada problemleri çözmeye ve hedeflere ulaşmaya uygun yöntemleri öğrenme ve uygulama yeteneği çerçevesinde açıklamaktadır.
Öğrencilerin insan zekâsı ile makine yeteneklerini doğrudan özdeşleştirmemesini sağlar. Bir yapay zekâ sisteminin belirli görevlerde yüksek performans göstermesinin, insanlardaki bütün bilişsel, sosyal ve duygusal yeteneklere sahip olduğu anlamına gelmediğinin anlaşılması yapay zekâ okuryazarlığı açısından önemlidir.