Öğretmen Eğitiminde AI Okuryazarlığı: OECD Yetkinlik Göstergeleri, MEB Hizmet İçi ve Pedagojik Uyum

Öğretmen AI okuryazarlığı OECD yetkinlik çerçevesi, sınıfta üretici modellerin pedagojik kullanımının tanımlı bir mesleki standarda bağlanmasını sağlıyor. OECD’nin yeni göstergeleri MEB tarafından Nisan ortasında Türkçeleştirildi; hizmet içi eğitim, formasyon ve okul içi uygulama kalemleri bu çerçeveye göre yeniden yazılıyor. Bu yazı, OECD göstergelerini MEB politikası ve sahadaki öğretmen pratiğiyle birlikte ele alıyor.

OECD AI yetkinlik göstergeleri öğretmen tarafından nasıl okunmalı

OECD’nin yayımladığı AI yetkinlik haritası, öğretmenin dijital pedagoji becerilerini dört eksende tarif ediyor: model çıktısını eleştirel değerlendirme, veri ve gizlilik bilinci, sınıf içi uygulama tasarımı ve mesleki gelişim. Bu eksenler, daha önce dijital yetkinlik çerçevelerinde dağınık biçimde duran maddeleri tek bir mesleki standart altında topluyor. MEB Yenilik ve Eğitim Teknolojileri Genel Müdürlüğü, çerçevenin Türkçe çevirisini il milli eğitim müdürlüklerine gönderdiği iç yazıyla resmileştirdi.

Göstergelerin en belirleyici tarafı, davranışsal düzeyde ölçülebilir olması. Örneğin “model halüsinasyonunu fark etme” maddesi, öğretmenin yıl içinde en az üç farklı disiplinde model çıktısını birincil kaynakla karşılaştırma alıştırması yapmasını şart koşuyor. “Veri minimizasyonu” maddesi, öğrencinin kişisel bilgisinin sohbet kutusuna girilmemesi için sınıf düzeyinde yazılı bir kural setinin bulunmasını istiyor. OECD’nin yayımladığı AI yetkinlik çerçevesi bu davranışsal maddeleri tek tek listeliyor ve bağlı ülkelere uyum takvimi öneriyor.

Çerçevenin Türkiye’ye uyarlanması sırasında üç başlık öne çıktı: dil engeli, müfredat eşleştirmesi ve değerlendirme. Dil engeli, modellerin Türkçe çıktı kalitesinin İngilizceye göre farklılaşması nedeniyle ayrı bir kontrol katmanı gerektiriyor. Müfredat eşleştirmesi, OECD göstergelerinin Türk eğitim sistemindeki kazanım yapısıyla birebir örtüşmemesinden kaynaklanıyor. Değerlendirme tarafında ise öğretmenin yeterliliğini ölçen sınav formatının henüz oluşturulmamış olması, formasyon programlarının hızını etkiliyor.

Göstergelerin sahaya inişinde bir başka eksen de okul müdürünün rolü. OECD çerçevesi, model kullanımının okul düzeyinde bir politika belgesine bağlanmasını öneriyor; bu belge, hangi modelin hangi sınıfta ve hangi gözetim altında kullanılacağını yazılı olarak tanımlıyor. Müdürün imzasını taşıyan bu belge, hem veliye karşı şeffaflığı sağlıyor hem de öğretmenin sorumluluk sınırlarını koruyor. Pilot okullardaki ilk uygulamalar, yazılı politikanın olduğu okullarda öğretmenin model kullanma sıklığının daha yüksek olduğunu ortaya koyuyor.

MEB politika belgesi ve öğretmen formasyonunda yeni bölüm

MEB’in yayımladığı yapay zeka politika belgesi, öğretmen formasyonu bölümünde OECD göstergelerine açık atıfla yedi yetkinlik kalemi listeliyor. Bu kalemler, eğitim fakültelerinin lisans programlarına entegre edilecek dersler için iskelet oluşturuyor. meb politika belgesi üzerinde yürütülen tartışmaların büyük bölümü, bu yedi kalemin nasıl ölçüleceği ve hangi sürede zorunlu tutulacağı etrafında dönüyor.

Politika belgesinin pratik yansıması iki düzlemde okunuyor. Birinci düzlemde, halihazırda görevdeki yaklaşık bir milyon öğretmenin hizmet içi eğitim yoluyla yetkinlik kazandırılması hedefleniyor. İkinci düzlemde, eğitim fakültesi öğrencilerinin lisans diplomasını alırken bu yetkinliklere sahip olması bekleniyor. İki düzlem arasındaki en görünür fark, hizmet içi eğitimde gönüllülük ilkesinin korunması, lisansta ise zorunlu ders statüsünün öneriliyor olması.

Belgenin tartışmaya açtığı kalemlerden biri de mesleki sorumluluk tanımı. Öğretmenin yapay zeka kullanırken üç ayrı sorumluluk üstlendiği belirtiliyor: model çıktısını eleştirel değerlendirmek, AI’ın yanlış veya eksik bilgi ürettiğini öğrenciye göstermek ve öğrencinin entelektüel bağımsızlığını korumak. Bu üç sorumluluk, ders planı şablonlarına ayrı bir kontrol listesi olarak ekleniyor; sınıf gözlemleri sırasında müfettişin not aldığı kalemler arasında yer alacak.

Politika belgesinin diğer önemli yansıması, branş öğretmenlerinin alan derneklerine düşen rol. Matematik, fen ve sosyal bilgiler dernekleri, branşlarına özgü model kullanım örneklerini derleyip öğretmenlerle paylaşıyor. Bu paylaşım, MEB’in merkezi materyallerini tamamlayan bir alt katman oluşturuyor; öğretmen, kendi branşının dilinde yazılmış pratik örneklere erişebiliyor. Alan derneklerinin bu rolü, formasyonun sadece merkezi politikadan değil; mesleki topluluk dinamiğinden de beslendiğini gösteriyor.

Yapay Zeka Araçları Öğretmen El Kitabı genişletilmiş içerik

↑ Başa dön

Yapay Zeka Araçları Öğretmen El Kitabı’nın genişletilmiş versiyonu, sahada kullanılan en somut materyal olarak öne çıkıyor. El kitabı, sınıf düzeyinde uygulama senaryolarını disipline göre ayırarak veriyor; matematik, fen, sosyal bilgiler ve Türkçe için ayrı ayrı örnek prompt setleri sunuyor. Bu yapı, OECD göstergelerindeki “uygulama tasarımı” eksenine doğrudan karşılık geliyor.

El kitabının genişletilmiş versiyonunda dikkat çeken bölüm, model karşılaştırma tabloları. Tablo formatı, öğretmenin hangi modeli hangi görev için seçmesi gerektiğine dair somut kıstaslar sunuyor.

Tablonun altındaki açıklama bölümünde, her modelin Türkçe çıktı kalitesi ayrı bir kıstas olarak puanlanıyor. El kitabı, model seçiminin sadece teknik kapasiteye değil; aynı zamanda kurumun veri politikasına ve öğretmenin sınıf içi gözlem imkanına da bağlı olduğunu vurguluyor. Bu yaklaşım, öğretmenin kararını teknik bir tercihe değil; pedagojik bir tasarıma dönüştürüyor.

El kitabının ikinci yarısı, ders planı örneklerine ayrılmış. Her plan, dört bölümden oluşuyor: kazanım, model seçimi, prompt seti ve değerlendirme. Bu dörtlü yapı, öğretmenin planı kendi sınıfına uyarlarken hangi parametreleri değiştirebileceğini açıkça gösteriyor. Plan örnekleri, MEB’in il müdürlüklerine gönderdiği dijital paket içinde de bulunuyor; öğretmen, paketi indirip kendi okulunda kullanabiliyor. Paketin kullanım istatistikleri, fen branşının yazma branşına göre üç kat daha sık model kullandığını gösteriyor.

Hizmet içi eğitim programları nasıl yeniden yapılandırılıyor

MEB’in hizmet içi eğitim takvimi, OECD çerçevesine uyum amacıyla yeniden yazıldı. Önceki dönemde bir günlük seminer formatında verilen yapay zeka eğitimleri, beş günlük modüler programlara dönüştürüldü. Modüler yapı, öğretmenin temel, orta ve ileri düzey sertifika alabilmesine imkan veriyor; her düzey ayrı bir kıstas seti kapsıyor.

Temel düzey, model arayüzünü tanıma, etik kullanım ve veri gizliliği maddelerini içeriyor. Orta düzey, ders planı tasarımı, değerlendirme şablonu hazırlama ve öğrenci geri bildirimi maddelerine geçiyor. İleri düzey ise okul içi yapay zeka ekibinin kurulması, kurumsal politika yazımı ve disiplinler arası proje yönetimi maddelerini barındırıyor. Bu üç düzey arasındaki geçiş, öğretmenin uygulama portföyü ile değerlendiriliyor; sınav formatı henüz devreye alınmadı.

Programın sahaya yansıması, illere göre farklılaşıyor. Büyük şehirlerde okul içi yapay zeka ekipleri kurulurken, kırsal bölgelerde tek öğretmenli okullarda program tek başına yürütülüyor. Bu farklılık, hizmet içi eğitimin coğrafi adaletini sorgulatan bir başlık olarak gündemde kalıyor. online sertifika ekosisteminin de bu boşluğu nasıl doldurabileceği ayrı bir tartışma konusu.

Programın değerlendirme tarafında uygulama portföyü öne çıkıyor. Öğretmen, modül sonunda hazırladığı ders planlarını, sınıf içi uygulama notlarını ve öğrenci geri bildirimlerini bir dosyada topluyor. Bu dosya, MEB’in dijital portföy platformuna yükleniyor; portföyü değerlendiren komisyon, öğretmenin yetkinlik düzeyini belirliyor. Portföy formatı, klasik sınav modelinin yerine geçiyor; öğretmenin sınıfta gerçekten ne yaptığını görebilen tek mekanizma olarak işletiliyor. Komisyon üyeleri, eğitim fakültesi öğretim üyeleri ve deneyimli öğretmenlerden oluşuyor.

Pedagojik uyum kalemleri ve sınıf içi pratik

Pedagojik uyum başlığı, OECD çerçevesinin en az tartışılan ama uygulamada en belirleyici bölümünü oluşturuyor. Çerçeve, model kullanımının kazanımla doğrudan eşleşmesini istiyor; yani öğretmen, modeli sınıfa getirmeden önce hangi kazanıma hizmet edeceğini ders planında yazmak zorunda. Bu yaklaşım, modelin tek başına bir “araç” olarak değil; ders tasarımının bütünleyici bir parçası olarak konumlanmasını sağlıyor.

Sahada öne çıkan üç pedagojik kalem var. Birincisi, modelin sınıfa girmeden önce öğretmenin kendisinin kullanması; yani prompt setinin önceden test edilmesi. İkincisi, öğrenciye sunulan çıktının her zaman bir kaynakla karşılaştırılması; bu maddedeki amaç, modelin halüsinasyon ürettiği durumlarda öğrencinin doğrulama refleksini kazanması. Üçüncüsü, model kullanımının değerlendirme aşamasına dahil edilmemesi; sınavlarda öğrencinin doğrudan modelle çalışmasına izin verilmiyor.

Pedagojik uyumun en görünür yansıması, ders planı şablonlarındaki yeni satırlar. MEB’in yayımladığı güncel şablonda “yapay zeka kullanım amacı”, “model seçimi” ve “etik değerlendirme” başlıklı üç ayrı satır bulunuyor. Öğretmen, her satıra somut bir cümle yazmak zorunda; “kullanılmadı” yazılabilen ama gerekçesinin de eklendiği bir kontrol mekanizması işliyor. Bu kontrol, sınıf gözlemleri sırasında müfettişin değerlendirmesine giriyor.

Sahadan gelen geri bildirimler, pedagojik uyumun en zorlu kalemlerinden birinin “değerlendirme tasarımı” olduğunu gösteriyor. Öğretmen, model yardımıyla hazırlanan ödevleri klasik puanlama yöntemiyle ölçemediğinde, alternatif değerlendirme şablonlarına geçmek zorunda kalıyor. Süreç tabanlı değerlendirme, akran değerlendirmesi ve portföy değerlendirmesi yeni yaygınlaşan formatlar. Bu formatlar, öğretmenin ek çalışma yükünü artırıyor; ancak öğrencinin gerçekten öğrendiği şeyin ölçülmesini sağlıyor. Pilot okullarda alternatif değerlendirme uygulayan öğretmenler, sınıf içi tartışma derinliğinin arttığını rapor ediyor.

Öğretmenin üç sorumluluğu: eleştirel değerlendirme, hata gösterme, entelektüel bağımsızlık

↑ Başa dön

OECD göstergelerinin Türkçe versiyonunda en çok altı çizilen bölüm, öğretmenin üç sorumluluğunu tanımlayan kısım. Birinci sorumluluk, model çıktısını eleştirel biçimde değerlendirmek. Bu sadece doğruluk denetimi değil; çıktının bakış açısı, kapsamı ve eksiği üzerinde de düşünmeyi gerektiriyor. Öğretmen, çıktıyı sınıfa taşımadan önce kendisinin bir filtre olarak çalıştığını biliyor.

İkinci sorumluluk, modelin yanlış veya eksik bilgi ürettiğini öğrenciye açıkça göstermek. Bu madde, “modeli savunma” eğiliminin önüne geçmek için yazıldı; öğretmen, modelin halüsinasyon ürettiği örnekleri ders içinde kullanmaya teşvik ediliyor. Bu pedagoji, öğrencinin AI’a karşı eleştirel mesafe kazanmasını sağlıyor; modelin “her şeyi bilen” bir otorite değil; sınırlı bir araç olduğunu öğrenmesini destekliyor.

Üçüncü sorumluluk, öğrencinin entelektüel bağımsızlığını korumak. Bu madde, öğrencinin model bağımlılığı geliştirmesini engellemeye dönük. Ödevlerin tasarımında modelin tek başına çözemeyeceği görevlerin tercih edilmesi; öğrencinin kendi argümanını kurmasını isteyen değerlendirme şablonlarının yaygınlaştırılması bu sorumluluğun pratik yansıması. UNESCO’nun eğitimde yapay zeka çerçevesi de bu üç sorumluluğu benzer bir dille listeliyor.

Üç sorumluluğun pratiğe geçirilmesi, öğretmenin günlük rutinini değiştiriyor. Önceden ders öncesi hazırlık yalnızca konu çalışma ve materyal toplama anlamına gelirken; şimdi model çıktısını test etme, alternatif soruları deneme ve etik kontrol listesini gözden geçirme gibi ek adımlar ekleniyor. Bu yeni rutin, öğretmenin haftalık çalışma süresine ortalama üç saat eklenmesine yol açıyor. Sendikalar ve öğretmen birlikleri, bu ek yükün ücretlendirilmesi talebini gündeme getirmeye başladı; konunun MEB ile sendikalar arasındaki toplu sözleşme görüşmelerinde ele alınması bekleniyor.

Khanmigo öğretmen panosu ve MEB AI ekipleri okul düzeyi

Khanmigo’nun öğretmen panosu, sınıf düzeyinde model kullanımını izlenebilir kılan en gelişmiş arayüzlerden biri. Pano, öğrencinin modelle yaptığı her etkileşimi öğretmene aktarıyor; öğretmen, hangi öğrencinin hangi konuda zorlandığını gerçek zamanlı görebiliyor. Bu yapı, modelin sınıfta gözetimsiz kullanılmasının önüne geçen en somut teknik çözüm olarak öne çıkıyor.

MEB’in pilot uygulamalarında okul düzeyinde yapay zeka ekipleri kurulmaya başladı. Ekipler, bir koordinatör öğretmen, iki branş öğretmeni ve bir bilgi işlem sorumlusundan oluşuyor. Ekibin görevi, okul içindeki model kullanımını izlemek, etik sorunları erkenden tespit etmek ve öğretmenlere danışmanlık vermek. Bu yapı, OECD çerçevesindeki “kurumsal kapasite” maddesine doğrudan karşılık geliyor.

• Koordinatör öğretmen: politika yazımı, eğitim takibi, raporlama
• Branş öğretmenleri: ders planı entegrasyonu, sınıf içi gözlem
• Bilgi işlem sorumlusu: veri güvenliği, sistem entegrasyonu, sözleşme yönetimi
• Dış danışman: yıllık değerlendirme, dış denetim, akreditasyon

Okul içi ekiplerin başarısı, koordinatör öğretmenin yetkinliğine ve okul müdürünün desteğine bağlı. Pilot uygulamalardan elde edilen ilk veriler, koordinatörün haftalık bir saatini ekip çalışmasına ayırabildiği okullarda model kullanımının daha sistematik olduğunu gösteriyor. MEB, ekip kurulumunu yaygınlaştırırken koordinatöre ek ders saati ücreti ödenmesi seçeneğini değerlendiriyor. Devam ettirilebilir bir öğretmen formasyon modeli için bu mali destek belirleyici görünüyor; sahadaki gönüllü çalışma, uzun vadede sürdürülemez bir yük oluşturuyor.

Türkiye’deki ai tutor pazar dinamikleri, öğretmen formasyonunun sadece teknik kapasiteden ibaret olmadığını gösteriyor; kurumsal destek, mali teşvik ve okul içi ekosistem belirleyici. claude education gibi yurt dışı örneklerin Türkiye’ye uyarlanması da bu ekosistemin parçası olarak ele alınıyor; Northeastern ve CodePath modellerinden derlenen pratikler, MEB’in iç eğitim programlarına referans olarak gösteriliyor. Yenilik ve Eğitim Teknolojileri Genel Müdürlüğü’nün öğretmen materyalleri bu uyarlamaların ilk somut çıktısı olarak yayımlandı.

Sıkça Sorulan Sorular

OECD AI yetkinlik çerçevesi öğretmenler için zorunlu mu?

Çerçeve şu an için tavsiye niteliğinde; MEB hizmet içi eğitim takvimine entegre edildi ancak görevdeki öğretmenler için zorunlu sınav uygulanmıyor. Eğitim fakültesi lisans programlarına zorunlu ders olarak eklenmesi tartışılıyor.

Khanmigo öğretmen panosu Türkiye’de erişilebilir mi?

Pano, MEB’in pilot okullarında sınırlı sayıda kullanıma açık. Genel erişim için kurumsal sözleşme gerekiyor; bireysel öğretmen başvurusu kabul edilmiyor. Pilot kapsamı geçen yaz genişletildi.

Öğretmenin üç sorumluluğu hangi dokümanda tanımlı?

Üç sorumluluk, OECD AI yetkinlik göstergelerinin Türkçe versiyonunda ve MEB’in yayımladığı politika belgesinde aynı dille yer alıyor. Yapay Zeka Araçları Öğretmen El Kitabı’nda ders planı şablonu üzerinden somutlaştırılıyor.

Hizmet içi eğitim modülleri kaç saat sürüyor?

Beş günlük modüler program; temel düzey 12 saat, orta düzey 18 saat, ileri düzey 24 saat olarak tasarlandı. Online ve yüz yüze karma model uygulanıyor; her modül sonunda uygulama portföyü teslimi isteniyor. Portföy değerlendirme komisyonu, öğretmenin sınıf içi pratiğini somut çıktılar üzerinden ölçüyor; geçen yaz uygulanan pilot tamamlama oranı yüzde altmış sekiz olarak rapor edildi.

Okul içi yapay zeka ekibi kimlerden oluşmalı?

Bir koordinatör öğretmen, iki branş öğretmeni ve bir bilgi işlem sorumlusu temel kadroyu oluşturuyor. Büyük okullarda dış danışman da ekibe dahil edilebiliyor; küçük okullarda tek öğretmen koordinatör görevini üstleniyor. Ekip, ayda en az bir kez toplanıp okul içi model kullanım raporunu hazırlıyor; rapor, müdür imzasıyla il müdürlüğüne gönderiliyor ve bölgesel veri havuzuna giriyor. Bu havuz, MEB’in il düzeyinde karşılaştırmalı analiz yapmasına imkan tanıyor.

Editör notu: OECD AI yetkinlik göstergeleri ve MEB politika belgesi, öğretmen formasyonunda yeni bir mesleki standardın temelini atıyor. Sahadaki uygulamanın başarısı, hizmet içi eğitimin coğrafi adaleti ve okul içi ekiplerin kurumsallaşmasına bağlı. Yazıdaki tüm yorumlar bilgilendirme amaçlıdır; resmi kararlar için MEB ve OECD’nin güncel belgelerine başvurulmalıdır. Bu yazı yatırım tavsiyesi değildir, bilgilendirme amaçlıdır. — Mehmet Kara, Teknoloji Editörü