Gelişen teknolojiyle birlikte yapay zekâ (YZ) araçlarının eğitim alanındaki rolü giderek daha görünür hale gelmektedir. Son yıllarda öne çıkan en dikkat çekici örneklerden biri, Üretken Önceden Eğitimli Transformatör (Generative Pre-Trained Transformer, GPT) temelli büyük dil modelleri (LLM) olmuştur. Bu modellerin en popüler uygulamalarından biri olan ChatGPT, kısa süre içerisinde dünya genelinde yaygın bir kullanıcı kitlesine ulaşmıştır. Nitekim Hu (2023), uygulamanın piyasaya sürülmesinden sonraki iki ay içerisinde 100 milyonun üzerinde aktif kullanıcıya eriştiğini ve o dönemin en hızlı büyüyen tüketici uygulaması unvanını kazandığını belirtmektedir.
Her ne kadar ChatGPT ve benzeri yapay zekâ tabanlı araçlar doğrudan eğitim amaçlı geliştirilmemiş olsa da, öğrenciler ve öğretmenler tarafından yaygın biçimde kullanılmaya başlanmıştır. Laird ve arkadaşlarının (2023) yürüttüğü bir ankete göre, 2022–2023 öğretim yılı içerisinde öğrencilerin %58’i ve öğretmenlerin %51’i ChatGPT veya benzeri üretken yapay zekâ araçlarını aktif olarak kullandıklarını bildirmiştir. Bu durum, eğitim teknolojilerinin geleceği açısından dikkate değer bir dönüşümü işaret etmektedir.
Eğitimde Yapay Zekâya İlişkin İkili Tartışmalar
Yapay zekânın eğitimdeki etkilerine dair tartışmalar temelde iki eksen üzerinde şekillenmektedir.
- Fırsatlar ve PotansiyellerSavunucular, üretken yapay zekânın öğrenme deneyimlerini kişiselleştirme, gerçek zamanlı geri bildirim sağlama ve öğretmenlerin iş yükünü hafifletme gibi önemli katkılar sunduğunu vurgulamaktadır (Sharples, 2022; Cotton ve diğ., 2023). Ayrıca, öğrenci katılımını artırma, yaratıcı düşünmeyi teşvik etme ve öğrenmeyi daha işbirlikçi bir sürece dönüştürme gibi avantajlar da dile getirilmektedir.
- Riskler ve EndişelerÖte yandan, araştırmacılar ve eğitimciler, yapay zekânın amaç dışı kullanımları ve etik sorunları konusunda uyarılar yapmaktadır. Eliot (2022), öğrencilerin bu araçları ödev ve makale yazımında kötüye kullanabileceğini; bunun da özellikle yüksek riskli sınav ve değerlendirmelerde akademik dürüstlük için ciddi bir tehdit oluşturduğunu vurgulamaktadır. Özellikle evden yürütülen çevrimiçi değerlendirmelerde, yapay zekânın kontrolsüz kullanımı ölçme-değerlendirme güvenliğini zedeleyebilmektedir.
Yapay Zekâ Metinlerinin Tespitine Yönelik Yöntemler
Yapay zekâ tarafından üretilen metinleri tespit etmek, akademik dürüstlüğün korunması açısından kritik bir ihtiyaç haline gelmiştir. Clark ve arkadaşları (2021) ile Perkins ve diğerleri (2023), insan değerlendiricilerin dahi çoğu zaman yapay zekâ metinlerini ayırt etmekte zorlandıklarını göstermektedir. Bu durum, otomatik dedektörlerin geliştirilmesini zorunlu kılmaktadır.
Literatürde öne çıkan dedektör yaklaşımları üç ana kategoride sınıflandırılabilir:
- Özellik Tabanlı Denetimli ÖğrenmeBu yöntem, kelime sıklıkları, n-gram yapıları ve dilbilgisel özellikler gibi belirli metinsel göstergeleri analiz ederek sınıflandırma yapmaktadır (Fröhling & Zubiaga, 2021; Yan ve diğ., 2023).
- Uçtan Uca LLM İnce AyarıBu yaklaşım, metinleri doğrudan LLM’ler üzerinde ince ayar yaparak sınıflandırır. Yani, ara özellik çıkarımı yerine modelin kendisi doğrudan ayrım yapmayı öğrenir (Fagni ve diğ., 2020; Solaiman ve diğ., 2019).
- Şaşkınlık (Perplexity) Tabanlı YaklaşımlarBu yöntem, dil modellerinin belirli bir kelime dizisini tahmin etme konusundaki “belirsizlik düzeyini” ölçer. Daha yüksek şaşkınlık değerleri, metnin yapay zekâ üretimi olma ihtimalini düşürür. Bu bağlamda, şaşkınlık temelli ölçümler yapay zekâ metinlerinin tanımlanmasında güçlü bir gösterge sunmaktadır (Tian, 2023; Hugging Face, 2023).
Yan ve arkadaşları (2023), GPT-3 tarafından oluşturulan metinlerin tespitinde %95’in üzerinde doğruluk elde ederken, Hao ve Fauss (2023) %99’a varan başarı oranları raporlamıştır. Ancak, bu dedektörlerin performansları kullanılan veri setinin kalitesine ve hedef bağlamla uyumuna göre değişkenlik göstermektedir (Bakhtin ve diğ., 2019).
Eğitimde Adalet ve Etik Boyut
Eğitim, yalnızca bilgi aktarımı değil aynı zamanda adalet, eşitlik ve güvenilirlik ilkeleri üzerine inşa edilmelidir. Yapay zekâ araçlarının eğitimde yaygınlaşması, bu temel değerler açısından çeşitli riskleri de beraberinde getirmektedir. Araştırmacılar, özellikle farklı sosyo-demografik gruplar arasında ortaya çıkabilecek önyargılara dikkat çekmektedir (Baker & Hawn, 2022; Memarian & Doleck, 2023). Veri kümelerindeki dengesizlikler, bazı öğrenci gruplarının yapay zekâ tabanlı tahminlerde dezavantajlı konuma düşmesine neden olabilir.
Bu nedenle, yapay zekâ teknolojilerinin eğitimde kullanımı yalnızca teknik doğruluk bağlamında değil, aynı zamanda etik ve pedagojik uygunluk açısından da değerlendirilmelidir.
Gelecek Perspektifleri
Yapay zekâ, özellikle üretken dil modelleri aracılığıyla eğitim alanında büyük fırsatlar sunmaktadır. Kişiselleştirilmiş öğrenme deneyimleri, öğretmenlere destek sağlayan dijital asistanlar ve daha verimli ölçme-değerlendirme süreçleri bu fırsatlardan bazılarıdır. Ancak, bu teknolojilerin kontrolsüz kullanımı, akademik dürüstlüğü, değerlendirme güvenliğini ve eğitimde adalet ilkesini tehdit edebilir.
Dolayısıyla, gelecekte yapılması gereken en önemli şey, teknolojik yenilik ile eğitimde etik sorumluluk arasında dengeyi kurmaktır. Eğitim kurumları, öğrencilerin yaratıcı ve eleştirel düşünme becerilerini desteklerken, aynı zamanda yapay zekâ kullanımına dair farkındalık ve sorumluluk bilinci kazandırmalıdır.