ChatGPT ile Ödevi Öğrenciye Göre Uyarlamak İşe Yarıyor mu?

Bir ortaokul öğrencisinin ödevinde şöyle bir soru düşünün: Bir mağaza 80 liralık bir tişörtü %25 indirimle satıyor, yeni fiyatı kaç lira? Soru doğru, ama öğrencinin umurunda değil. Aynı soru her akşam oynadığı oyundaki bir indirim üzerinden sorulsa, belki kalemi daha istekli eline alır. Öğretmenler bunu uzun zamandır biliyor; araştırmalar da soruyu öğrencinin ilgi alanına yerleştirmenin ilgiyi artırabildiğini gösteriyor.

Sorun zaman. Kalabalık bir sınıfta her soruyu her öğrencinin sevdiği konuya göre yeniden yazmaya hiçbir öğretmenin vakti yetmez. ChatGPT tam burada çözüm gibi görünüyor: Soruyu verip 'bunu futbolla ilgili yap' demek yetiyor. ABD'de yedi matematik öğretmeni tam bunu denedi ve sonuç umulduğu gibi çıkmadı.

Öğretmenler ders kitabındaki 143 problemi ChatGPT ile yemek, spor, müzik ve sosyal medya gibi konulara uyarladı ve 521 öğrenciye çözdürdü. Öğrencilere 'Bu problem ilgini çekti mi?' diye soruldu. Açık uçlu yanıtlardan 243'ü hayır, 163'ü evet dedi. Hayır diyenlerden birinin gerekçesi meselenin özünü veriyor: Problem Roblox üzerine kuruluydu ve o öğrenci Roblox oynamıyordu.

Educational Technology Research and Development dergisinde 2 Kasım 2026'da yayımlanan çalışma, bu sonucun nedenini öğretmenin ekranından izliyor. Öğretmen bütün sınıfa uysun diye 'oyun' ya da 'müzik' gibi geniş bir konu seçiyor; öğrenci ise kendi oynadığı oyunu, kendi dinlediği şarkıcıyı görmek istiyor. Bir problemi uyarlamak ortalama 4 dakika sürdüğü için her öğrenciye ayrı soru yazmak da mümkün olmuyor. ChatGPT soruyu yeniden yazabiliyor, ama asıl sorunu, yani herkesin sevdiği şeyin farklı olmasını çözmüyor.

Çalışma Nasıl Yapıldı?

ABD'nin farklı bölgelerindeki altı okuldan yedi yedinci sınıf matematik öğretmeni katıldı; ortalama deneyimleri 11,9 yıl. Öğretmenler önce iki saatlik bir eğitim aldı: Kişiselleştirme araştırmaları, öğrencinin okul dışı ilgilerini öğrenme yolları ve yanlılık, okunabilirlik ve kültürel uygunluk gibi etik konular. Ardından Illustrative Mathematics müfredatının iki ünitesinden (orantılı ilişkiler ve yüzdeler; ifadeler, denklemler ve eşitsizlikler) problemler seçip GPT-4o ile her birinin bir ya da iki kişiselleştirilmiş sürümünü yazdılar. Oturumlar kaydedildi, öğretmenler ne yaptığını yanlarındaki iki araştırmacıya sesli olarak anlattı.

Problemler ASSISTments ödev platformunda öğretmenlerin 521 öğrencisine verildi. İki sürüm varsa öğrenci birini seçti. Problemlerin yaklaşık üçte birinden sonra öğrencilerden 'ne kadar ilginçti' ve 'ilgi alanına ne kadar yakındı' sorularına 1-5 arası puan istendi. Velisi ek izin veren 197 öğrenciye ise problemlerin yaklaşık beşte birinden sonra açık uçlu sorular soruldu. Her ödevin ardından öğretmenler ve araştırmacılar sonuçları birlikte inceledi.

Öğretmenler ChatGPT'ye Ne Yazdı?

143 problem için 558 komut yazıldı; problem başına ortalama 3,9 komut. İlk komut genellikle iki biçimde geldi. Birinde öğretmen geniş bir konu verdi ('Bu problemi yemekle ilgili yapabilir misin?') ve gerisini modele bıraktı. Ötekinde belirli bir gönderme istedi, örneğin bir giyim markası. Makaleye göre ilk tür öğretmenin öğrencileri hakkında yalnız genel bilgi kullandığını, ikincisi somut bir bilgiye dayandığını gösteriyor.

Sonraki komutların önemli bir bölümü düzeltmeydi ve en öğretici örnekler burada. ChatGPT'nin kurduğu bir problemde öğrenciler perde çubuğu satın alıyordu; öğretmen 'yedinci sınıf öğrencisinin alacağı şeyler' istedi, problem posterlere döndü. Uçaktan arabaya çevrilen bir problemde öğretmen sürücünün hız sınırına uymasını istedi. Bir öğretmen modele e-sporun bir uygulaması olup olmadığını, bir başkası YouTube Premium aboneliğinin ne kadar tuttuğunu sordu. Öğretmen, öğrencilerinin dünyasına dair kendi bilgisindeki boşluğu kapatmaya çalışıyordu.

Bazı müdahalelerin etik boyutu vardı. Makale, öğretmenlerin sorunlu ünlülerin anılması, bir kız ve bir erkeği anlatan problemin ChatGPT tarafından iki erkeğe çevrilmesi ve bir kişinin kilosunu takip eden senaryo gibi çıktılara müdahale ettiği durumları aktarıyor. Hatalı problem çoğu zaman göze batmıyor; akıcı, düzgün bir metin olarak geliyor. Bunları yakalayan, öğrencisini ve dersini bilen öğretmenin gözüydü.

Öğrenciler Ne Dedi?

Öğrenci yanıtları ilginin nerede kırıldığını açıkça gösteriyor. Problemi ilginç bulanlar ya genel konuyu sevdiğini ya da belirli bir göndermeyi tanıdığını söyledi; Spotify'da çok müzik dinlediğini yazan öğrenci gibi. İlginç bulmayanlar aynı iki gerekçeyi tersinden verdi: Ya konuyu sevmiyordu ya da göndermeyi tanımıyordu. İyileştirme önerilerinde öğrenciler belirli bir göndermenin değiştirilmesini istedi, örneğin TikTok yerine Amazon. Yazarlar bundan, öğrencilerin geniş konu değişikliğinden çok ince ayar istediği sonucunu çıkarıyor.

Makalenin örneği durumu iyi özetliyor: İki öğrenci de müzik sevebilir, ama biri Taylor Swift temalı sorulardan nefret ederken öteki yalnız onları isteyebilir. Öğretmen bütün sınıf için problem yazarken bu ayrımı tutturamaz. Öğrenciler problemin gerçekçiliğine ise pek takılmadı. Yalnız 13 yanıtta bağlamın gerçek dışı olduğu, 5 yanıtta sayıların tutmadığı söylendi; bir öğrenci TikTok Shop'ta kulaklıkların o kadar pahalı olmadığını not etti.

Öğretmen Döngüde Kalınca Ölçek Genişliyor

Bir problemi kişiselleştirmek ortalama 246 saniye, yani yaklaşık 4 dakika sürdü; öğretmen ortalamaları problem başına 2 ile 5,5 dakika arasında değişti. Yazarların hesabıyla 10 problemlik tipik bir ödevin yalnız bir alternatif sürümünü hazırlamak 40 dakika ediyor. Projenin ilk planı her problemin dört farklı ilgi alanına göre dört sürümünü yazmaktı; oturumlar başlayınca bunun sürdürülemeyeceği anlaşıldı. Öğretmenin döngüde olduğu kişiselleştirme, öğretmenin ya da öğrencinin tercihinden bağımsız olarak, zaman yüzünden geniş taneli kalmaya mecbur olabilir. Yazarlar bunu kesin bir sonuç değil, araştırılması gereken bir olasılık olarak sunuyor.

Öbür uçta öğretmeni devreden çıkaran tasarımlar var. Makale, öğrencinin karşısına doğrudan modelin çıktığı sistemleri, örneğin Khan Academy'nin eğitmenini, ya da öğrencinin problemi modelle birlikte ürettiği sistemleri örnek veriyor; bunlar ince ayarlı kişiselleştirmeyi kolaylaştırıyor. Yazarlar bedelini de yazıyor: Öğretmen döngüden çıkarsa, bu çalışmada görülen etik ve bilgiye dayalı denetimleri yapma fırsatı da kaybolabilir. Makalenin aktardığı bir araştırmaya göre öğrenciler de öğretmenin işlerini yapay zekaya devretmenin aralarına mesafe koyacağından endişe ediyor.

Kaç Komut Yeterli?

Öğrenci puanlarıyla komut sayısı arasındaki farklar küçük, ama yazarlar betimsel bir örüntü görüyor: Puanlar 3 ile 5 komut civarında zirve yapıyor gibi. Yorumları şu: Çok az komutla bırakılan problem gerçekçilik ya da uygunluk sorunlarını taşımaya devam edebilir, çok fazla komut ise bir şeylerin ters gittiğine işaret edebilir. Alternatif açıklamayı da kendileri veriyor: Zor problemler hem daha çok komut gerektirmiş hem öğrenci tarafından daha az sevilmiş olabilir. Bu bir deney sonucu değil, sınanması gereken bir eğilim.

Kurumlar için asıl uyarı başka bir cümlede. Yazarlara göre öğretmeni döngüde tutmak, denetimin kendiliğinden yapılacağını garanti etmiyor. Öğretmenin hangi ölçütlerle bakacağını bilmesi, bunun için zamanı ve yetkisi olması ve yineleyerek düzeltmeye izin veren bir üretim düzeni gerekiyor. Değerlendirmemize göre bir okulun yapay zeka politikasındaki 'öğretmen onaylar' maddesi, öğretmene ayrılan zaman yazılmadıkça kâğıt üstünde kalır.

Okulda Denemek İsteyenler İçin Kontrol Listesi

1. Sıfırdan değil, ders kitabındaki problemden başlayın. Çalışmada öğretmenler bir üniteden en fazla sekiz problem seçti. Makale, yeniden yazılan problemlerde belirsizlik sorununun az görülmesini öğretmenlerin hazır problemle çalışmasına bağlıyor.
2. İlgiyi öğrenciden alın. Öğretmenlere bir ilgi görüşmesi protokolü ve anket verildi. 'Spor' yerine 'hangi takım', 'müzik' yerine 'hangi platform' sorusu, öğrencilerin istediği ince ayarı getirir.
3. İki sürüm hazırlayıp seçtirin. Çalışmada çoğu problem iki farklı ilgi alanıyla yazıldı ve seçim öğrenciye bırakıldı. Tek tema, o temayı sevmeyen öğrenciyi dışarıda bırakır.
4. Çıktıyı üç soruyla okuyun. Matematik doğru mu? Olay ve sayılar gerçek hayatta böyle mi? Yaşa uygun, kapsayıcı ve okunabilir mi?
5. Öğrenci adını komuta yazmayın. Yaş grubu, bölge ve ilgi alanı yeterli bağlamı verir.
6. Süreyi ölçün. Yazarlar her çalışmanın öğretmenin modelle geçirdiği süreyi raporlamasını öneriyor. Bir okul pilotunda da ilk ölçülecek şey bu.

Bulgunun Sınırları

Çalışma keşif amaçlı ve tasarım odaklı. Yedi öğretmen, tek sınıf düzeyi, tek müfredat ve tek platformla sınırlı; öğretmenler ücret karşılığı katıldı, eğitim aldı ve gözlem altında çalıştı. Bu, sıradan bir öğretmenin ders hazırlığından farklı bir ortam. Kontrol grubu yok; öğrenme ya da başarı ölçülmedi, yalnız ilgi puanları ve açık uçlu geri bildirim toplandı. Yazarlar bulguların başka sınıf düzeylerine, müfredatlara, platformlara ya da yapay zeka modellerine taşınacağına dair bir kanıt sunmadıklarını açıkça yazıyor. Türkiye müfredatında ya da Türkçe bir ortamda bir sınama yok.

Sıkça Sorulan Sorular

Yapay zekayla kişiselleştirilmiş problemler öğrenmeyi artırır mı?

Bu çalışma öğrenmeyi ölçmedi. Makalenin atıf yaptığı bir meta-analiz, daha özgül kişiselleştirmenin öğrencinin ilgisini artırmada en etkili yaklaşım olduğunu öne sürüyor. ChatGPT ile hazırlanan görevlerde öğrenme kazancının ayrıca sınanması gerekiyor.

Tane boyutu ne demek?

Kişiselleştirmenin ne kadar özgül olduğu. 'Bir müzik etkinliğine gitmek' geniş, 'bir Taylor Swift konserine gitmek' dar tanelidir. Öğrenciler dar taneli göndermeler istedi, ama dar gönderme onu sevmeyen öğrenciyi de kaçırıyor.

Öğretmen her öğrenci için ayrı problem yazmalı mı?

Çalışmadaki süreler bunun gerçekçi olmadığını gösteriyor; tek bir sürüm problem başına yaklaşık 4 dakika tuttu. Çalışmadaki yol, sınıfın ortak ilgisine göre iki sürüm hazırlayıp seçimi öğrenciye bırakmaktı.

Kaç komut yazmak gerekir?

Kesin bir sayı yok. Bu çalışmada ortalama 3,9 komut yazıldı ve öğrenci puanları 3-5 komut aralığında en yüksek göründü. Yazarlar bunu deneyle sınanması gereken bir eğilim olarak sunuyor.

Kaynak: Walkington, Feng, Pruitt-Britton, Beauchamp ve Lan, 'Should there be a teacher in-the-loop? A study of generative AI-personalized tasks middle school', Educational Technology Research and Development (Springer Nature), 2 Kasım 2026, DOI 10.1007/s11423-026-10756-2. Keşif amaçlı nitel ve betimsel çalışma (7 öğretmen, 521 öğrenci).

Bu yazı EdTech Türkiye yayın masasında, yapay zeka desteğiyle birincil kaynaklardan hazırlandı; olgular kaynaklarla karşılaştırılarak denetlendi. Editörlerimiz yazıyı yayından sonra da izler; hata bildirimlerini düzeltme politikamıza göre ele alırız.