Yapay Zeka Eğitmeni Notları Düşürdü mü? İki Rastgele Deney, İki Zıt Sonuç

"Yapay zeka eğitmenleri öğrenmeyi artırır mı?" sorusuna iki ciddi rastgele deney iki zıt cevap verdi. Biri, derse eklenen yapay zeka eğitmenin notları düşürdüğünü söylüyor; diğeri, öğrencilerin daha az sürede iki kat öğrendiğini. İkisi de doğru olabilir mi? Evet: aradaki farkın, aracın kendisinden çok nasıl tasarlandığı ve nasıl kullanıldığıyla ilgili olması muhtemel.

Deney 1: Brown Üniversitesi — notlar düştü

Brown Üniversitesi Annenberg Enstitüsü'nden araştırmacılar, büyük bir ABD devlet üniversitesinde 2.379 lisans öğrencisi ve 30 eğitmenle çok disiplinli derslerde rastgele kontrollü bir deney yaptı. Aynı dersin farklı bölümleri arasında rastgele atama yapıldı; bazı bölümlere derse entegre bir üretken yapay zeka eğitmen verildi. Sonuç şaşırtıcıydı:

• Final notları 0,37 standart sapma düştü.
• Öğrenme yönetim sistemindeki katılım 0,90 standart sapma azaldı.
• Kayıplar, ailesinden üniversiteye giden ilk kuşak öğrencilerde daha büyüktü.

Yazarların yorumu: yapay zeka eğitmen, mevcut öğrenme etkinliklerine katılımın yerini alıp akademik performansı iyileştirmeden o etkinliklerden uzaklaştırıyor olabilir (EdWorkingPapers). Çalışma henüz bir çalışma kâğıdı (working paper) olarak yayımlandı.

Deney 2: Harvard — daha az sürede iki kat öğrenme

Harvard'dan Gregory Kestin, Kelly Miller ve ekibi, Scientific Reports'ta 2025'te yayımlanan çalışmada, 194 fizik öğrencisini çapraz geçişli bir tasarımla karşılaştırdı: her öğrenci iki ardışık hafta boyunca (yüzey gerilimi ve akışkan akışı konuları) bir konuyu evde özel tasarlanmış yapay zeka eğitmenle, diğerini sınıfta aktif öğrenme yöntemiyle çalıştı. Sonuç: yapay zeka eğitmenle çalışanların medyan öğrenme kazancı iki kattan fazlaydı ve bunu 60 yerine 49 dakikada yaptılar; ilgi ve motivasyonları da daha yüksek bildirildi (Scientific Reports).

Neden bu kadar zıt?

• Tasarım farkı (olası açıklama): Harvard'daki eğitmen, araştırmaya dayalı pedagojik ilkelerle özenle tasarlanmıştı. Brown'daki aracın tasarım ayrıntılarını bu yazıda değerlendiremiyoruz; ama iki sonucun bu kadar ayrışması, tasarımın belirleyici olabileceğini düşündürüyor.
• Yerine mi geçti, üstüne mi eklendi? Brown yazarlarının işaret ettiği "yerine geçme" etkisi önemli: öğrenci araca yönelince mevcut öğrenme etkinliklerinden uzaklaşmış olabilir.
• Ölçüt ve bağlam farkı: Harvard'da iki haftalık, iki konuluk kısa bir çalışma vardı; Brown'da ise dönem sonu final notu ölçüldü.

Bu tablo, sitemizde daha önce anlattığımız Khanmigo deneyiyle da uyumlu: kazanç gerçek ama araçla çalışan öğrencinin gerçekten çalışması şartına bağlı.

Öğretmen için 3 ders (öneri)

• Aracı değil tasarımı seçin: "Yapay zeka kullandık" demek yetmez. Cevap vermek yerine ipucu veren, öğrenciyi adım adım düşündüren kurulumlar daha umut verici görünüyor.
• Katılımı ölçün: Kullanım arttı mı, ödev teslimi ve derse katılım azaldı mı? Brown deneyindeki asıl uyarı bu.
• Kırılgan öğrencileri izleyin: Kayıpların ilk kuşak öğrencilerde daha büyük çıkması, desteğe en çok ihtiyacı olanların yapay zeka araçlarından en çok etkilenebileceğini düşündürüyor.

Sonuç

İki deney birbirini yalanlamıyor; birlikte okununca "yapay zeka iyi mi kötü mü?" sorusunu "hangi tasarımla, hangi öğrenciyle, hangi görevde?" sorusuna çeviriyor. Her iki çalışma da üniversite öğrencileriyle yapıldı; ortaokul ve lise için bu sonuçları doğrudan taşımak doğru olmaz.

Kaynaklar: Liu ve ark., EdWorkingPapers; Kestin ve ark., Scientific Reports (2025).