K-12 Sınıfında AI Tutor: Öğrenci Performansı, Öğretmen Karşılaştırması ve Etkin Kullanım Örüntüleri

K-12 AI tutor sınıf kullanım pratiği, pilot okulların verisi biriktikçe somut bir resim kazanmaya başladı. Khanmigo’nun 608 bini aşan diyalog kaydı, öğretmenin haftalık hazırlık yükündeki düşüş ve MEB’in seçili okullarda yürüttüğü entegrasyon denemeleri; sınıf içi etkiyi varsayım düzeyinden çıkarıp ölçülebilir bir tartışmaya taşıyor.

Pilot Okullarda Öğrenci Kullanım Yoğunluğu

Pilot okul verileri, K-12 AI tutor sınıf kullanım sıklığının homojen olmadığını ortaya koyuyor. Khanmigo erişimi açılan sınıflarda öğrencilerin yaklaşık yüzde on beşi aracı haftada en az üç gün, kalıcı bir öğrenme arkadaşı olarak kullanıyor. Geri kalan öğrenci grubu ise araca sınav haftalarında ya da ödev son tesliminde başvuruyor; bu dalgalı kullanım örüntüsü, asistanın “her gün açılan defter” olmaktan çok “ihtiyaç anında danışılan masa” konumuna yerleştiğini gösteriyor.

Öğrenci kullanım yoğunluğunu belirleyen üç değişken öne çıkıyor: sınıf öğretmeninin araca güveni, ev ortamında cihaz erişiminin sürekliliği ve müfredattaki konunun soyutluk derecesi. Cebir, geometri ispatları ve fen bilimlerinde kavramsal sorular soran öğrenciler, sosyal bilgiler ya da edebiyat ödevlerinde aynı araca daha az başvuruyor. Bu örüntü, asistanın açıklayıcı işlevinin tek bir konu ailesine yapıştığı yönünde okunmamalı; daha çok öğretmenlerin aracı hangi derste meşrulaştırdığıyla ilgili.

Sınıf içi gözlem notları, “her gün kullanan” öğrencilerin sınav notlarında belirgin bir ayrışmaya değil, kavram pekiştirme hızında farklılaşmaya işaret ediyor. Khan Academy blogu, Khanmigo’nun öğrenci diyaloğunu sokratik dönüş soruları üzerine kurduğunu ve doğrudan cevabı vermeden önce öğrencinin akıl yürütmesini test ettiğini aktarıyor.

Pilot okulların öğretmen anketleri, kullanım yoğunluğunun aileyle de doğrudan ilişkili olduğunu gösteriyor. Ailesi asistanın çıktısını sınıfa kopyalanan bir sahtekârlık riski olarak gören öğrenci, asistana mesafe koyarken; ailesi asistanı bir özel ders kanalı olarak konumlandıran öğrenci, haftalık kullanım sıklığını üç-dört seansa çıkarıyor. Bu velilik tutumu, sınıfın asistan başlangıç eğitiminde veli toplantısının ayrı bir gündem maddesi olarak ele alınması gerektiğine işaret ediyor.

Öğretmen Hazırlık Süresinde Yüzde Yirmi-Otuz Kazanım

Sınıf öğretmenleri tarafından doldurulan haftalık zaman cetvelleri, AI asistanın hazırlık yükünde yüzde yirmi ile otuz arasında bir kazanım sağladığını gösteriyor. Bu kazanım çoğunlukla üç görevde toplanıyor: çoktan seçmeli ve açık uçlu soru üretimi, ödev dönütünün ön taslağının çıkarılması ve veliye gidecek haftalık ilerleme notunun ilk versiyonu. Öğretmen, asistanın çıktısını ham kabul etmeyip elden geçiriyor; ancak boş sayfadan başlamak yerine üç-dört dakikalık bir redaksiyona geçmek, haftalık takvimde belirgin bir alan açıyor.

Akıllı öğretmen yardımcısı olarak konumlanan asistanlar, ders planı çıkarma ve sınıf seviyesine göre soru zorluğunu ayarlama görevlerinde de başarılı kabul ediliyor. Öğretmenler, asistanın çoktan seçmeli soruları yeniden formüle etmesini, çeldiricileri çeşitlendirmesini ve aynı kazanımı farklı dilsel zorlukta sorması işlevini sık kullanıyor. Bu kullanım, asistanı bir “soru bankası asistanı” haline getiriyor.

Zaman kazanımının dağılımı sınıf düzeyine göre değişiyor. Birinci kademe öğretmenleri, asistanı genellikle çalışma kağıdı çoğaltmak için kullanıyor; ortaokul ve lise düzeyinde ise asistan, kavram haritası çıkarma ve sınav analizi yapma gibi daha analitik görevlere kayıyor. Yardımcı, öğretmenin pedagojik kararını ikame etmiyor; daha çok kararı uygulayan operasyonel kolu hızlandırıyor.

Kazanılan zamanın nereye aktığı da öğretmenler için belirleyici bir gösterge. Anketlere yansıyan en sık üç tercih: bireysel öğrenciyle birebir görüşme süresinin artırılması, sınıf içi etkinlik tasarımının genişletilmesi ve mesleki gelişim okumalarına ayrılan saatin yükseltilmesi. Bir öğretmen grubu ise kazandığı saati ek nöbet veya idari göreve değil, sınıfında en gerilemiş öğrencisinin ödevini tek tek incelemeye ayırdığını belirtiyor; bu da asistanın dolaylı olarak sınıfın en zayıf halkasına dönük bireysel ilgiyi büyütebileceğini gösteriyor.

Üç Hâkim Kullanım Örüntüsü

↑ Başa dön

Pilot okul gözlemleri, K-12 AI tutor sınıf kullanım sahnesinin üç ana örüntüde toplandığını gösteriyor. İlk örüntü, ödev tamamlama desteği. Öğrenci, ödev sorusunu doğrudan asistana yapıştırıp cevabı almak yerine, asistanın açtığı sokratik dönüş sorularına yanıt vererek soruyu çözüyor. Khanmigo bu modu varsayılan olarak açık tutuyor; asistan, cevabı vermek yerine “Bir adım önceki işlemi açıklar mısın?” sorusuna geçiyor.

İkinci örüntü, kavram öğretimi. Sınıfta yarım kalan bir konunun ev ortamında pekiştirilmesi için öğrenci, asistandan kavramı kendi cümleleriyle yeniden anlatmasını istiyor. Asistan farklı analoji denemeleri sunuyor, öğrenci hangi analojinin oturduğunu seçiyor. Bu örüntü, sınıfın hızına yetişemeyen öğrenci için ek bir mesai oluşturuyor; öğretmenin “bireysel destek” görevini paralel bir kanala yayıyor.

Üçüncü örüntü, sınav hazırlığı. Burada asistan, geçmiş dönemlerde sorulan benzer sorulardan örnek tipler üretiyor; öğrencinin yanlış cevaplarını analiz edip eksiği belirgin konu başlığında ek pratik öneriyor. EdTech Innovation Hub yayınları, bu üçüncü örüntünün öğrenci tarafından en sık başvurulan kullanım olduğunu kayda geçiriyor.

Üç örüntü her zaman temiz biçimde ayrılmıyor; bir öğrenci aynı seans içinde üçü arasında geçiş yapabiliyor. Diyalog ödevle başlıyor, ardından kavramın asıl ne olduğuna inen bir soruya kayıyor, son olarak benzer bir sınav sorusu istemiyle bitiyor. Bu hibrit kullanım, asistanın tek görevli bir araç değil, öğrencinin çalışma seansını yöneten bir konuşma arayüzü olduğunu ortaya koyuyor. Öğretmenler, bu hibrit doğayı sınıf içi yönergeyle dengeleyip her seansa açık bir hedef koymanın asistanı odaklı tuttuğunu aktarıyor.

Spaced Repetition ve Retrieval Practice ile Uyum

AI tutor uygulamalarının pedagojik kuvveti, bilişsel bilimden gelen iki köklü prensiple uyumunda yatıyor. Spaced repetition, bir bilginin zaman aralıkları açılarak tekrar edilmesi durumunda uzun süreli belleğe daha sağlam yerleştiğini gösterir. Retrieval practice ise bilginin pasif okunması yerine aktif olarak hatırlanmaya çalışılmasının öğrenmeyi pekiştirdiğini ortaya koyar. Asistan, öğrencinin geçmiş hatalarını saklayıp belirli aralıklarla benzer soruları yeniden sunduğunda spaced repetition prensibine; cevabı vermek yerine soruyu yeniden sorduğunda retrieval practice prensibine bağlanıyor.

Sınıf içi denemelerde, asistanı bu iki prensiple uyumlu kullanan öğrenci gruplarının haftalık kavram testlerinde daha az unutma oranı gösterdiği gözleniyor. spaced repetition retrieval tekniklerinin sınav hazırlığı temposuna oturtulması, asistanın yalnızca bir cevaplama aracı değil, bir hatırlatma motoru olarak kullanılmasıyla mümkün oluyor.

Bu prensip uyumu, asistanı “ödev yapan robot” tartışmasından çıkarıp “çalışma alışkanlığı tasarlayan asistan” tartışmasına taşıyor. Öğretmenler için ölçüt netleşiyor: asistanın değeri, öğrencinin cevap üretmesinde değil, öğrencinin doğru cevabı kendi başına yeniden üretebilir hale gelmesinde aranıyor.

Bilişsel bilimle uyumun bir diğer boyutu, geri bildirim hızı. Klasik sınıf ortamında öğrenci bir soruyu yanlış cevapladıktan saatler ya da günler sonra dönüt alabiliyor; asistanla aynı sürede yanlışın hangi adımda oluştuğunu, hangi varsayımın yanlış kurulduğunu öğreniyor. Bu hızlı geri bildirim döngüsü, retrieval practice etkisinin uzun süreli belleğe oturma şansını yükseltiyor ve öğrencinin hatasını pekiştirme riskini azaltıyor.

Sokratik Dialog Modu ve Sınıf İçi Uyarlama

Sokratik dialog modu, asistanın doğrudan cevap vermek yerine öğrenciyi yönlendirici soru zincirleriyle düşündürdüğü ayardır. Claude’un eğitim odaklı sürümü ve Khanmigo, bu modu varsayılan olarak açık tutuyor. Sınıfta “Tamam, bana cevabı verme; benim hangi adımı yanlış yaptığımı sor” diyen öğrenci, asistanın sokratik moduna alışmış demektir. Anthropic’in eğitim duyuruları, modelin müfredata özel sokratik soru kalıplarıyla incelttiğini aktarıyor.

Sınıf içi uyarlama, üç pratikle yapılabiliyor. Birinci pratik, asistanın cevabını öğrencinin defterindeki çözümle karşılaştırma. İkinci pratik, asistanın sorduğu yönlendirici soruları sınıfa açma ve aynı soruyu arkadaşa sorma alıştırması. Üçüncü pratik, asistanın verdiği açıklamanın farklı bir öğrenci tarafından kendi cümleleriyle yeniden anlatılması. Bu üç pratik, asistanı sınıfın dışında izole bir kanal olmaktan çıkarıp grup öğrenmesine bağlıyor.

Sokratik mod, asistanın değerlendirme tarafında da fark yaratıyor. Yanlış cevabı işaretlemek yerine hatanın hangi düşünme adımında oluştuğunu gösteren asistan, öğretmenin sınıfta tek tek incelemek için zaman bulamadığı bireysel hata haritasını çıkarabiliyor.

Sokratik modun riski de yok değil. Sınav haftası yaklaştığında öğrencinin “cevabı doğrudan ver” baskısı artıyor; asistanın sokratik ısrar etmesi, öğrenci tarafından inatçılık olarak okunabiliyor. Bu noktada öğretmenin müdahalesi belirleyici: sınav öncesi yoğun haftada sokratik modun esnetilmesi, kavram öğretiminin daha sakin haftalarda yeniden devreye alınması bir denge sağlıyor. Sınıf öğretmeninin asistan ayarlarına müdahale edebilmesi, bu dengenin uygulanabilmesi için zemin oluşturuyor.

MEB Pilot Okul Entegrasyonu ve Türkiye Sahnesi

↑ Başa dön

Milli Eğitim Bakanlığı, seçili pilot okullarda AI tutor entegrasyonunu denemeye başladı. Pilot okul listesinde matematik, fen ve yabancı dil dersleri öncelikli tutuluyor. Entegrasyon, sınıf öğretmenine bir panel verip öğrenci diyaloglarının özetini görme imkânı sunuyor. Öğretmen, hangi öğrencinin hangi konuda asistana en çok başvurduğunu görüp sınıf içi planını buna göre uyarlayabiliyor.

Türkiye sahnesinde, asistanın benimsenmesini belirleyen üç ek değişken var: ailenin teknolojiye yaklaşımı, okulun cihaz altyapısı ve öğretmenin asistanla geçirdiği eğitim saati. Pilot okullarda asistana en sıcak bakan öğretmen kümesinin, asistanla en az iki tam günlük atölye eğitimi almış grup olduğu kayda geçiyor. Eğitim süresi kısaldığında, asistan “kullanmıyorum, çünkü ne işime yaradığını çözemedim” yorumuyla rafa kalkıyor.

Pilot uygulamanın geniş ölçeğe taşınması için meb politika belgesi çerçevesinin sınıf gerçeğine yaklaşan ölçütler içermesi gerekiyor. Veri mahremiyeti, içerik denetimi ve öğretmen yetiştirme başlıkları, pilot okuldan il düzeyine geçişte en sık karşılaşılan üç engel olarak öne çıkıyor.

Türkiye sahnesinde pilot okul deneyimleri, asistanın yerel müfredata uyarlanması başlığında somut bir ihtiyaç gösteriyor. Yabancı dilde geliştirilmiş bir asistanın doğrudan Türkçeye çevrilmesi, müfredat kazanımlarıyla birebir oturmuyor; örnek soruların yerelleştirilmesi, kültürel bağlamın yeniden kurulması ve sınav formatlarının yerelle hizalanması gerekiyor. Pilot okulun başarısı, asistanın teknik kapasitesinden çok bu yerelleştirme katmanının ne kadar incelikli kurulduğuna bağlı kalıyor.

Khanmigo’nun 608 Bin Diyalog Verisi Ne Anlatıyor

Khanmigo, gerçek dünya kullanımında 608 bini aşan öğrenci-asistan diyaloğunu test ve analiz veri kümesine dönüştürdü. Bu kümenin ortaya koyduğu örüntü, asistanın en çok matematik problem çözümünde, ardından İngilizce dil bilgisi sorularında ve son olarak fen bilimlerinde başvurulan bir kaynak olduğunu gösteriyor. Diyalogların ortalama uzunluğu, tek soru-tek cevap formatından uzun; öğrenci ortalama beş ile yedi tur arasında asistanla yazışıyor. OpenAI’nin eğitim ortakları sayfası, ChatGPT Edu sürümünün benzer bir tur uzunluğu örüntüsü gösterdiğini paylaşıyor.

Diyalog verisi, asistanın hangi noktada “tıkandığını” da gösteriyor. Öğrencinin sorusunu yanlış anlama, görsel içeren soruda eksik anlama ve çok adımlı problemde ara adımı atlama; en sık görülen üç hata kümesi. Khanmigo bu üç hata grubunu sınıflandırıp model güncellemelerine geri besliyor; khanmigo veri setinin büyüklüğü, bu geri besleme döngüsünü hızlandıran ana etken.

Diyalog verisinin ortaya koyduğu bir başka noktada, sokratik modun öğrenci tarafından “yardımcı” olarak algılanma oranı: öğrencilerin yaklaşık yarısı, asistanın doğrudan cevap vermek yerine soruyu yeniden sorması davranışını yararlı bulurken, diğer yarısı bu davranışı “yavaşlatıcı” olarak değerlendiriyor. Bu ikilik, asistanın sınıf içi konumlandırılmasında öğretmene düşen pedagojik kararı tekrar gündeme getiriyor.

Khanmigo verisi, kullanım saatleri açısından da bir örüntü ortaya koyuyor. Diyalog yoğunluğu okul günü içinde değil, akşam dokuz ile gece on iki arasında zirve yapıyor; bu saat aralığı, asistanın ev ortamında ödev tamamlama desteği görevini sırtlandığını doğruluyor. Hafta sonu öğleden sonra ikinci bir zirve oluşuyor ve bu zirve daha çok sınav hazırlığı temasıyla örtüşüyor. Bu saatlik dağılım, asistanın evdeki kullanımının sınıf içi kullanımdan belirgin biçimde daha hacimli olduğunu gösteriyor.

Etkin Kullanım İçin Sınıf İçi Çerçeve

K-12 AI tutor sınıf kullanım pratiğinin verimli yürümesi için öğretmenler birkaç ortak prensipte buluşuyor. Aşağıdaki çerçeve, pilot okul deneyimlerinden damıtılmış uygulanabilir noktaları derliyor.

• Asistanı ödev kanalı yapma: Asistanın cevabını kopyalayıp teslim eden öğrenciyi tespit etmek için asistan diyaloğunun bir kısmının teslim edilmesini iste; sokratik mod izi belgeyi doğal hale getirir.
• Haftada bir asistan günlüğü: Öğrenci, asistanla en çok hangi konuda yazıştığını ve hangi soruda en çok takıldığını kısa bir notla paylaşır; öğretmen sınıf raporu bu nota dayanır.
• Sokratik mod varsayılan: Asistan ayarlarında doğrudan cevap modunu kapalı tut; öğrencinin “cevabı söyle” baskısına asistan yönlendirici soruyla yanıt verir.
• Öğretmen redaksiyonu: Asistanın ürettiği soru, çalışma kağıdı ve veli notu ham yayımlanmaz; öğretmen elden geçirir ve sınıf seviyesine oturtur.
• Veri mahremiyeti uyarısı: Öğrenci asistanla kişisel bilgi paylaşmaz; örnekleri sınıf öğretmeni yıl başında listeler.

Aşağıdaki tablo, üç kullanım örüntüsünün öğrenci ve öğretmen tarafındaki temel ölçütlerini özet biçiminde derler.

Bu çerçeve, asistanı sınıfın merkezine değil çevresine yerleştiren bir kullanım modelini öne çıkarıyor. Asistan, öğretmenin yerine geçen bir araç değil; öğretmenin sınıf içi kararlarını taşıma kapasitesini büyüten bir ai tutor pazar aktörü olarak konumlanıyor. k12 dijital sahnesinde asistanın yerleşmesi, teknolojik kapasiteden çok öğretmenin pedagojik kararıyla şekilleniyor.

Sıkça Sorulan Sorular

↑ Başa dön

AI tutor, öğretmenin yerini alır mı?

Pilot okul verisi bu yönde bir işaret vermiyor. Asistan, öğretmenin operasyonel yükünü hafifleten ve sınıf dışı bireysel desteği genişleten bir kanal işlevi görüyor; pedagojik karar öğretmende kalıyor.

Asistanın sokratik modu öğrenciyi yavaşlatır mı?

Khanmigo diyalog analizleri, öğrencilerin yaklaşık yarısının bu modu yararlı bulduğunu, diğer yarısının yavaşlatıcı bulduğunu gösteriyor. Sınıf öğretmeni, modun açık kalmasını öğrencinin ödev yükü ve sınav takvimiyle dengeleyerek karar verebilir.

Khanmigo ve Claude eğitim sürümü arasındaki temel fark nedir?

Khanmigo, Khan Academy müfredatına gömülü içerikle çalışıyor ve sokratik soru kalıplarını bu müfredata özel inceltiyor. Claude eğitim sürümü ise daha genel bir asistan olarak konumlanıyor; sokratik mod açık tutulabiliyor, müfredat bağlaması okul tarafından yapılıyor.

MEB pilot okulları nasıl seçiyor?

Pilot okul listesi, cihaz altyapısı, öğretmen kadrosunun eğitime katılma kapasitesi ve veli iletişiminin sıklığı gibi ölçütlere dayanıyor. Matematik, fen ve yabancı dil dersleri ilk dalganın öncelikli konuları olarak öne çıkıyor.

Öğretmenin haftalık kazandığı zaman ne kadar?

Pilot okul cetvelleri, hazırlık yükünde yüzde yirmi ile otuz arasında bir düşüş gösteriyor. Kazanımın büyük kısmı soru üretme, dönüt taslağı ve veli notu görevlerinde toplanıyor.

Editör notu: Bu yazı, K-12 AI tutor sınıf kullanım sahnesini pilot okul gözlemleri ve Khanmigo diyalog verisi üzerinden değerlendirmektedir. Aktarılan oranlar, ilgili kurumların kamuya açık paylaşımlarına ve sahadan derlenen örüntülere dayanır. Sınıf içi uygulama, öğretmenin pedagojik kararıyla şekillenir. Bu yazı yatırım tavsiyesi değildir, bilgilendirme amaçlıdır. — Mehmet Kara, Teknoloji Editörü