Yaşar Başkaya — Bağımsız Araştırmacı Yazar
📋 Makale · Eğitim ve Yapay Zekâ
Sabahın yedisinde Ankara'nın bir kenar mahallesinde bir lise öğrencisi masasına oturuyor. Önünde iki ekran var: birinde yapay zekâ destekli bir matematik platformu, öğrencinin dünkü çözüm hızına göre bugünkü soruları ayarlamış, eksik olduğu konuya odaklanmış, her yanlış cevabın ardından adım adım neden yanlış olduğunu göstermiş. Öte yanda, diğer ekranda açık duran YKS deneme sınavı — beş seçenek, tek doğru cevap, süre kısıtlı, tüm Türkiye için aynı sorular.
İki ekran, iki farklı çağ. Aynı öğrenci, aynı anda.
Türkiye'nin eğitim sisteminde bugün tam da bu gerilim yaşanıyor. Yapay zekâ sınıf içinde öğrenmeyi köklü biçimde dönüştürürken, onu ölçen sistem hâlâ eski çağın kâğıt mantığıyla işliyor. Bu bir eleştiri değil, bir tespit. Ve daha önemlisi: MEB'in Haziran 2025'te yayımladığı Eğitimde Yapay Zekâ Politika Belgesi ve Eylem Planı (2025-2029) da bu gerilimin farkında — ancak çözüm 3 ila 5 yıla ertelenmiş.
Bu makale, o uçurumu hem küresel akademik kanıtlar hem de Türkiye'nin kendi resmi politika belgesiyle haritalandırıyor. Ve sonunda bir soru soruyor: Bu uçurumu kapatmak için ne yapılmalı?
Küresel akademik literatür son iki yılda net bir tablo çiziyor. On ülkeden derlenen veriler, yapay zekâ destekli biçimlendirici değerlendirme araçlarının — yani öğrenme sürecinde anlık geri bildirim veren sistemlerin — geleneksel öğretim yöntemlerine kıyasla öğrenci başarısını yüzde 15 ile 35 arasında artırdığını gösteriyor. Portekiz'den Birleşik Arap Emirlikleri'ne, Nijerya'dan Endonezya'ya kadar farklı bağlamlarda yürütülen çalışmalar tutarlı biçimde aynı sonuca işaret ediyor: Yapay zekânın gerçek zamanlı geri bildirim sunması, zorluk seviyesini öğrenciye göre uyarlaması ve öğrenme açıklarını anında tespit etmesi, statik sınav sistemlerinin yapamadığı işlevleri yerine getiriyor.
Rakamlar somutlaşıyor: BAE'de fizik öğrencileriyle yapılan çalışmada, akademik literatürde "çok yüksek" kabul edilen bir etki büyüklüğü ölçülmüş. Nijerya'da altı okulda 600 öğrenciyle yürütülen karma yöntemli araştırma akademik performansta benzer büyüklükte bir iyileşme kaydetmiş. Başka bir çalışmada öğrencilerin öz-yönelimli öğrenme becerisi yüzde 42 artmış.
Ama bu çalışmalarda dikkat çeken başka bir nokta var. Araştırmaların neredeyse tamamı yapay zekâyı geleneksel sınıf öğretimiyle karşılaştırıyor — ulusal standart sınavlarla değil. Mevcut literatürde yapay zekânın YKS ya da LGS benzeri yüksek riskli ulusal sınavlarla doğrudan karşılaştırıldığı kapsamlı bir araştırmaya rastlamak son derece güç. Bu büyük ölçüde metodolojik bir kısıtın değil, gerçekliğin yansıması: hiçbir ülke ulusal sınav sistemini henüz tamamen yapay zekâya devretmedi.
On gelişmekte olan ülkeyi kapsayan kapsamlı bir sistematik derleme, bu sorunun cevabını açıkça ortaya koyuyor. Lesotho'dan Kazakistan'a, Filipinler'den Kongo'ya kadar her ülke yapay zekâ tabanlı değerlendirme sistemlerini incelemiş, pilot uygulamalar yapmış ya da en azından planlamış. Ama hiçbiri ulusal sınav sistemini dönüştürmeyi başaramamış. Pilot projeler, pilot olarak kalmış.
Altyapı Paradoksu
Yapay zekâ tabanlı değerlendirme sistemleri çalışmak için sürekli internet bağlantısı, yeterli işlem gücü ve güvenli sunucu altyapısı gerektiriyor. Oysa bu sistemler en çok fayda sağlayacağı yerlerde — kaynak kısıtlı bölgelerde — tam da bu altyapıdan yoksun. Yapılan araştırmalar somut bir rakam veriyor: evde öğrenme cihazı olmayan öğrenciler, benzer gruplara kıyasla anlamlı biçimde düşük performans gösteriyor. Yapay zekâ sistemi eşitsizliği gidermek için devreye girecek, ama bunu yaparken eşitsizliği besleyen altyapıya muhtaç.
Düzenleyici Boşluk ve Meşruiyet Sorunu
Ulusal sınavlar milyonlarca insanın hayatını etkileyen yüksek riskli kararlar veriyor. Bu kararları destekleyen sistemlerin şeffaf, denetlenebilir ve itiraz edilebilir olması zorunlu. Ama yapay zekâ algoritmaları çoğunlukla bir "kara kutu" — nasıl karar verdiği dışarıdan görünür değil. Gelişmekte olan ülkelerdeki uygulamaları inceleyen araştırmalar, Endonezya, Kazakistan ve Filipinler gibi ülkelerin bu yasal boşluğu kapatamadan sistemi hayata geçiremediğini ortaya koyuyor.
Öte yandan çeşitli ülkelerde yürütülen araştırmalar, ebeveynlerin, öğrencilerin ve eğitimcilerin bir algoritmanın verdiği nota güvenmekte zorlandığını gösteriyor. Geleneksel sınavların tüm eksikliklerine rağmen kamuoyunda yerleşik bir meşruiyeti var. Yapay zekâ değerlendirmesinin bu güveni kazanması, teknolojinin teknik olarak hazır olmasından çok daha uzun sürebilir.
Sınav Güvenliği Paradoksu
Yapay zekâ tabanlı uyarlanabilir testlerde her öğrenciye farklı sorular geliyor. Bu kişiselleştirme açısından büyük bir avantaj; ama güvenlik açısından yeni bir kabus. Soru havuzunun deşifre edilmesi, geleneksel kopya çekmenin çok ötesinde, sistemik bir risk haline geliyor.
MEB'in Haziran 2025'te yayımladığı Eğitimde Yapay Zekâ Politika Belgesi ve Eylem Planı (2025-2029), Türkiye'nin bu alanda küçümsenmeyecek bir yol kat ettiğini gösteriyor. Belge hem kapsamlı hem de dürüst.
Olumlu tabloya bakıldığında: Mart 2025 itibarıyla 16.120 öğretmen yapay zekâ odaklı eğitime katılmış. Ülke genelinde 115 yapay zekâ atölyesi aktif, 49.300 özel yetenekli öğrenci bu atölyelerden yararlanıyor. Ortaokul 7. ve 8. sınıflarda seçmeli yapay zekâ dersleri müfredata girmiş. YEĞİTEK bünyesinde Yapay Zekâ ve Büyük Veri Daire Başkanlığı kurulmuş. Bunlar sembolik adımlar değil.
Belge ölçme-değerlendirme alanında da net hedefler koyuyor. Bölüm 3.6 üç somut uygulama tanımlıyor: bireyselleştirilmiş ölçme ve geri bildirim sistemleri, açık uçlu soruların otomatik değerlendirilmesi, uyarlanabilir dijital test sistemleri. Politika 4.5 ise "ölçme-değerlendirme süreçleri için yapay zekâ tabanlı analiz sistemleri geliştirilecektir" diyor.
Ama bu hedefin vadesi: uzun — 3 ila 5 yıl.
Ve belgede YKS'ye, LGS'ye tek bir atıf yok.
Bu sessizlik kendisi bir mesaj taşıyor. MEB, biçimlendirici değerlendirmeyi — sınıf içi anlık geri bildirimleri — dönüştürmeyi hedefliyor. Ama milyonlarca öğrencinin üniversite, lise ve hayat yolunu belirleyen merkezi seçici sınavlar bu planın kapsamı dışında kalıyor. Politika belgesi bu ayrımı açıkça tartışmıyor.
Küresel literatür ise bu ayrımın neden kritik olduğunu net biçimde açıklıyor. Biçimlendirici değerlendirme ile yüksek riskli ulusal sınav temelden farklı gereksinimler barındırıyor. Birincisinde yanılma payı var, düzeltilebilir, öğretmen gözetiminde. İkincisinde bir öğrencinin yanlış puanlanması hayatını değiştirebilir — ve sistem bunu milyonlarca kez yapıyor, aynı anda.
MEB politika belgesi ile küresel akademik literatürün karşılaştırmalı incelemesi, Türkiye'nin güçlü yanlarını da körlüklerini de net biçimde ortaya koyuyor.
Örtüşmeler gerçek ve kayda değer: Uyarlanabilir testler, açık uçlu soruların otomatik puanlanması, anlık geri bildirim, öğrenme analitiği — bunların her birinde küresel akademik kanıt MEB'in hedeflerini güçlü biçimde destekliyor. Yani Türkiye, yanlış bir yönde ilerlemiyor; aksine küresel eğilimlerle uyumlu, kanıta dayalı bir çerçeve kuruyor.
Ama literatürün sunduğu uyarılar da görmezden gelinemez.
Yapay zekâ araçları, hatırlama ve anlama gibi temel zihinsel süreçleri ölçmekte başarılı. Ama eleştirel düşünme, yaratıcı problem çözme, özgün argüman üretme söz konusu olduğunda sistemlerin sınırları belirginleşiyor. Büyük dil modellerinin yüzde 15-25 oranında "halüsinasyon" — yani yanlış bilgi üretme — riski taşıdığı belgelenmiş. Bu risk gündelik sohbet için kabul edilebilir, ulusal sınav puanlaması için değil.
Yapay zekânın metin çözümleme yeteneğine dayanan otomatik puanlama sistemleri standart yazı yapılarını ödüllendiriyor — kalıpları takip eden metni. Özgün, alışılmadık biçimde ifade edilen doğru düşünceler sistem tarafından düşük puanlanabiliyor. Milyonlarca öğrencinin girdiği bir sınavda bu istatistiksel bir sorun değil, bir adalet sorunudur.
Algoritmik önyargı meselesi ise en az konuşulan ama potansiyel olarak en kritik risk. Yapay zekâ sistemleri, eğitildikleri verinin içindeki eğilimleri ve kalıpları aynen öğrenir. Eğer bu veri ağırlıklı olarak kentli, eğitimli ya da belirli bir sosyoekonomik kesimden gelen öğrencileri yansıtıyorsa, sistem yalnızca o profile uygun cevapları "doğru" saymaya yatkın hale gelir. Diğer kesimlerin öğrencileri — farklı bir dil kullanım biçimiyle, farklı bir kültürel çerçeveyle yazan — sistematik olarak dezavantajlı konuma düşebilir. Türkiye'nin belgelenmiş kentsel-kırsal dijital uçurumuyla birleştiğinde bu soyut risk somut bir tehlikeye dönüşüyor.
Sorun yapay zekânın kendisinde değil, ne zaman ve nasıl devreye sokulduğunda.
1. Önce biçimlendirici, sonra seçici
MEB'in planladığı sınıf içi yapay zekâ destekli anlık değerlendirme tam doğru yerden başlıyor. Bu alan hem pedagojik açıdan en yüksek faydayı sunuyor hem de yanlış puanlama riskinin etkisi en sınırlı. YKS/LGS gibi sistemlere geçiş ancak biçimlendirici değerlendirmede güvenilir kanıt birikmesinden sonra gündeme gelmeli.
2. Şeffaflık altyapısı teknolojinin önünde gelmeli
Algoritma değil, algoritmayı denetleyecek mekanizma önce kurulmalı. Her yapay zekâ tabanlı puanlama kararı için açıklanabilir bir gerekçe, itiraz mekanizması ve bağımsız denetim şart. MEB belgesi etik kurul kurmayı planlıyor — bu doğru bir adım, ama çerçevenin sınav uygulamalarına özelleştirilmesi gerekiyor.
3. Hibrit model, tam devir değil
Kazakistan gibi görece gelişmiş bir eğitim altyapısına sahip ülke bile yapay zekâyı yalnızca soru üretiminde pilot aşamada test ediyor. Türkiye için de gerçekçi hedef, yapay zekânın sınavın bütününü alması değil, belirli bileşenlerde — açık uçlu soru değerlendirmesinde insan-yapay zekâ iş birliği, anlık geri bildirim, güçlü/zayıf alan tespiti — sisteme entegre edilmesi.
4. Altyapı eşitliği, teknoloji seçiminin önünde
Yapay zekâ tabanlı sınav sistemleri kırsal ve düşük kaynaklı okullarda da aynı kalitede çalışmak zorunda. Bu sağlanmadan uygulamaya geçmek, var olan fırsat eşitsizliğini teknolojik bir dille yeniden üretmek anlamına gelir.
Sabahın yedisinde Ankara'nın kenar mahallesindeki o öğrenciye dönelim. Yapay zekâ ona öğretiyor. Ama onu ölçen sistem hâlâ 20 yıl öncesinin mantığıyla çalışıyor.
MEB bu çelişkinin farkında. Politika belgesi bunu açıkça kabul ediyor ve somut adımlar planlıyor. Ama planın ufku 2029. YKS ise bu yıl açılıyor, gelecek yıl açılıyor, her yıl açılıyor.
Uçurum kapanacak. Soru, nasıl ve ne zaman kapanacağı. Ve bu sürede o öğrencinin sınıf içinde geliştirdiği becerilerle sınav salonunda karşılaştığı ölçüt arasındaki mesafenin ne kadar büyüyeceği.
Yapay zekâ sınıfı değiştiriyor. Sınav sistemi değişmek zorunda. Ama bu değişim ivediyle değil, kanıta dayalı, altyapıyı güvenli kılarak ve meşruiyeti inşa ederek gerçekleşmeli. Çünkü bu sefer yanılma payı yok — her hata, bir öğrencinin geleceği.
Ankara, Mart 2026
Kaynakça ve Metodoloji Notu
Bu makale; Elicit, Consensus ve uluslararası hakemli dergilerde yayımlanmış 20'yi aşkın akademik çalışmanın sistematik incelemesine dayanmaktadır. Türkiye bağlamı için MEB Eğitimde Yapay Zekâ Politika Belgesi ve Eylem Planı (2025-2029) temel referans olarak kullanılmıştır.
— Cunha, M. N., Krupskyi, O. P., & Nogueira, S. (2025). Enhancing academic performance through AI-driven personalised learning. Alfred Nobel University Journal of Pedagogy and Psychology.
— Adayilo, D. M., Oyefolahan, I. O., Ndunagu, J., Otuya, C., & Malcalm, E. (2025). AI-powered tutoring systems for personalised learning feedback in developing secondary education contexts. Journal of Future Artificial Intelligence and Technologies.
— Altal, A., & Abo Ehsaiyan, H. (2025). Evaluating AI-assisted instructional systems in secondary physics: A quasi-experimental study from the United Arab Emirates. Inquisiva Open.
— Baizhanov, N., Bdrasilov, B., Hao, J., & Makhmutova, A. (2025). Harnessing the potential of AI technologies in the national educational assessments in Kazakhstan. Pedagogy and Psychology.
— Ayanwale, M. A., Chere-Masopha, J., Mochekele, M., & Morena, M. C. (2024). Implementing computer adaptive testing for high-stakes assessment: A shift for Examinations Council of Lesotho. International Journal of New Education.