AI Öğretmenler Fazla mı Yardım Ediyor? TutorMoments Testinin Gösterdikleri

Kısa özet: Allen Institute for AI (Ai2), 7 Ağustos 2026’da yapay zekâ öğretmenlerinin yalnız doğru yanıt verip vermediğini değil, ne zaman yardım etmemesi gerektiğini de ölçen TutorMoments önizlemesini yayımladı. Gerçek bire bir matematik oturumlarından seçilen 520 karar anında yedi model iki farklı istemle sınandı. Sonuç, model seçiminin önemli olduğunu; fakat daha temel sorunun varsayılan “yardımcı asistan” davranışı olduğunu gösteriyor. Öğretim hedefi açıkça tarif edilmediğinde modeller öğrencinin yapabileceği işi üstlenmeye ve düşünme yükünü azaltmaya yatkın. Bu bir öğrenme başarısı deneyi değil; gerçek öğrencilerin notlarını ya da uzun vadeli kazanımlarını ölçmüyor.

Yenilik: doğru cevap yerine doğru anda müdahale

Çoğu eğitim ölçümü, yapay zekâ öğretmeninin cevabı doğrudan verip vermediğine veya ipucu sunup sunmadığına bakar. TutorMoments farklı bir soru soruyor: Aynı davranış o öğrencinin o andaki ihtiyacına uygun mu? Bazı durumlarda problemi küçük parçalara bölmek erişimi kolaylaştırır. Başka bir durumda aynı hamle, öğrencinin zaten yapabileceği akıl yürütmeyi elinden alır.

Araştırmacılar buna “yardım ikilemi” diyor. Ölçüm üç davranışı ayrı izliyor: desteğe ihtiyaç varken uygun iskele kurmak, öğrenci hazırken bilişsel güçlüğü artırmak ve gereğinden fazla destek vermemek. Buradaki “güçlüğü artırmak”, soruyu zorlaştırmakla sınırlı değil; öğrenciden gerekçe istemek, çözümü genellemesini sağlamak veya bir sonraki adımı bağımsız yapmasına alan açmak da bu kapsama giriyor.

Önizleme verisi, ABD’deki bir uzaktan eğitim programından alınan 462 kimliksizleştirilmiş, ağırlıkla ilkokul ve ortaokul düzeyinde matematik oturumunu içeriyor. Çalışmanın teknik raporuna göre 198 öğrenci ve 173 öğreticiye ait oturumlar ortalama 53,5 dakika sürüyor. Yirmi yedi deneyimli matematik eğitimcisi 1.536 önemli anı işaretledi; dengeli ölçüm kümesinde 260 destek ve 260 düşünsel güçlük anı kullanıldı.

TutorMoments nasıl çalışıyor?

Bir oturum, öğretmenlerin önemli gördüğü noktada durduruluyor. Test edilen model konuşmanın önceki bölümünü görüyor ve yapay zekâ öğretmen rolünü devralıyor. Öğrenciyi başka bir dil modeli canlandırıyor; beş turluk kısa bir devam konuşması üretiliyor. Ardından model destek verdi mi, düşünmeye zorladı mı ve aşırı yardım etti mi diye otomatik bir puanlama hattı çalışıyor.

Araştırma iki istem biçimini karşılaştırıyor. Yalın istem, modele yalnız iyi bir öğretmen gibi davranmasını söylüyor. “Değerlendirme farkındalıklı” istem ise öğrencinin gelişim alanında kalmayı, zorlandığında destek vermeyi ve temel kısmı kavradığında gerekçe ya da bağımsız çözüm istemeyi açıkça tarif ediyor. Yedi modelin tamamı ikinci istemle daha iyi sonuç verdi.

Örneğin yalın istem altında GPT-5.5, düşünsel güçlük gerektiren anların yalnız yüzde 4,6’sında uygun hamleyi yaptı. Aynı modelde ayrıntılı pedagojik istem bu oranı yüzde 53,1’e çıkardı. Gemini 2.5 Pro için oran yüzde 22,3’ten yüzde 71,2’ye, Claude Opus 4.8 için yüzde 20,8’den yüzde 83,1’e yükseldi. Bu sayılar “hangi model en iyi öğretmen?” tablosu olarak okunmamalı. Puanlayıcıların kendisi de dil modeli, test yalnız 520 seçilmiş anı kapsıyor ve sentetik öğrenci gerçek bir çocuğun öğrenme sürecinin yerine geçmiyor.

Kimler için önemli?

En doğrudan hedef kitle eğitim teknolojisi ekipleri. Bir sohbet botunu yalnız doğruluk, güvenlik ve gecikmeyle değerlendirmek yeterli değil; botun öğrencinin düşünme fırsatını koruyup korumadığı da kabul testine eklenebilir. Öğretmenler ve aileler için çıkarım daha basit: “Bana öğret” istemi, iyi öğretim stratejisini kendiliğinden garanti etmiyor.

Okullar açısından gizlilik sınırı özellikle önemli. Açık veri kimliksizleştirilmiş ve doğrudan tanımlayıcıları yakalayan hattın raporlanan geri çağırma değeri 0,997. Yine de veri kartı işlemin kusursuz olmadığını, artık kişisel veri görülürse bildirilmesini ve kayıtların yeniden kimliklendirme için kullanılmamasını açıkça söylüyor. Gerçek öğrenci konuşmalarını ticari model API’lerine göndermek, bu açık veriyle bir araştırma koşusu yapmaktan farklı bir hukuki ve etik karardır. Veli onayı, okul politikası, saklama süresi, bölgesel veri aktarımı ve sağlayıcının eğitim verisi şartları ayrıca değerlendirilmelidir.

Gerçek kullanım: cevabı vermeyen bir çalışma arkadaşı

Bir öğrenci kesirlerde paydaları eşitleme adımını biliyor, fakat toplama sırasında tereddüt ediyor olsun. “Çözümü göster” diyen bir bot işlemi bitirebilir; TutorMoments’ın öne çıkardığı yaklaşım önce öğrencinin hazır oluşunu yoklar. Aşağıdaki gibi kısa bir istem daha güvenli bir başlangıç sağlar:

“Bir matematik öğretmeni gibi davran. Önce neyi bildiğimi tek soruyla kontrol et. Zorlanıyorsam yalnız bir sonraki adıma yetecek ipucu ver; yapabiliyorsam çözümü söyleme, gerekçemi açıklamamı iste. Her turda tek soru sor. Yanlışımı doğrudan düzeltmeden önce düşünmem için süre tanı.”

Bu metin sihirli bir çözüm değil. Öğrencinin yaşına, engel durumuna, kullandığı dile ve konuya göre insan öğretmen tarafından uyarlanmalı. Görme, işitme, dikkat veya öğrenme farklılığı olan öğrenciler için denklem okuma biçimi, alternatif metin, adım uzunluğu, klavye kullanımı ve ek işlem süresi ayrıca sınanmalı. TutorMoments verisi ağırlıkla İngilizce, kısmen İspanyolca ve ABD matematik bağlamıyla sınırlı; Türkçe veya erişilebilirlik gereksinimleri için genelleme kanıtı sunmuyor.

Kurulum ve arayüz adımları

TutorMoments son kullanıcıya dönük bir öğretmen uygulaması değil; Python tabanlı bir değerlendirme aracı. Kaynak kodu Apache-2.0, veri kümesi CC BY 4.0 lisanslı. Kodun 7 Ağustos tarihli 78c2b4c8da5d commitini geçici ortamda kurduk. Python 3.12 ile komut satırı arayüzü açıldı; eksiksiz geliştirme bağımlılıklarıyla 477 test geçti ve 14 test atlandı.

1. Python 3.11 veya yenisini hazırlayın ve depoyu klonlayın.
2. python -m pip install -e . ile komut satırı aracını kurun.
3. Yalnız kullanacağınız sağlayıcının API anahtarını ortam değişkeni olarak tanımlayın.
4. Önce küçük örnekle başlayın: tutormoments run --tutors MODEL_KIMLIGI --modes plain scaffolding_rigor --sample 10.
5. results/ altındaki konuşma, puan ve özet dosyalarını inceleyin; sonucu tek bir toplam puana indirgemeyin.

Kod ücretsiz olsa da tam koşu ücretsiz değil. Test edilen öğretmen modeli yanında sentetik öğrenci, puanlayıcı ve davranış sınıflandırıcı çağrıları da API maliyeti ve gecikme yaratıyor. Araştırma toplam harcamayı standart bir fiyat olarak vermiyor; maliyet seçilen sağlayıcı, tekrar sayısı ve konuşma uzunluğuna bağlı. Anahtar istemeyen kurulum ve test doğrulandı, ücret doğuracak model koşusu yapılmadı.

Sınırlamalar ve riskler

Proje erken aşamada: paket sürümü 0.1.0, GitHub’da etiketli sürüm yok ve görünür bir güvenlik politikası bulunmuyor. Son commit için sürekli entegrasyon başarılı; açık issue sayısı sıfır, ancak bu güvenli veya hatasız olduğu anlamına gelmez. Proje bağımlılıklarının çoğunu kesin sürüme sabitlemiyor. Kurumsal kullanımda sanal ortam, kilit dosyası, gizli anahtar taraması ve ağ çıkışı kısıtları uygulanmalı.

Daha önemlisi, ölçüm gerçek öğrenmeyi kanıtlamıyor. Sentetik öğrenci, gerçek öğrencinin duygusunu, sessizliğini, yanlış anlamasını veya erişilebilirlik engelini tam olarak taklit edemez. İnsan öğreticilerin puanları da ideal üst sınır değildir; araştırmacılar bilerek iyileştirme fırsatı bulunan anları seçti. Otomatik puanı yükseltmek, öğretimi dar bir kalıba sokabilir. Bu nedenle TutorMoments üretim kararını tek başına vermek için değil, öğretmen gözlemi ve gerçek kullanıcı çalışmaları öncesinde sorun bulmak için kullanılmalı.

Kaynaklar

• Ai2 / Hugging Face duyurusu — 7 Ağustos 2026.
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — teknik rapor.
• TutorMoments-Preview veri kartı — kapsam, kimliksizleştirme, CC BY 4.0 lisansı ve sınırlamalar.
• TutorMoments kaynak kodu, sabitlenmiş commit — kurulum, bağımlılıklar, Apache-2.0 lisansı ve testler.
• Son commit için CI çalışması — başarılı.