Yapay Zeka Eğitim İçeriği Üretmede Tek Başına Yeterli mi?

Bir yapay zekaya "giriş düzeyinde on termodinamik problemi hazırla" deyin. Saniyeler içinde derli toplu, güvenli görünen bir liste önünüzde biter. İçlerinden birkaçının verilerinin fizik yasalarıyla çeliştiğini, çözümün aslında imkânsız olduğunu fark etmek içinse metni satır satır okumanız gerekir. Üretken yapay zekanın eğitim içeriği üretimindeki asıl tehlikesi de burada saklı. Hatalı içerik yanlış görünmez; tam tersine, kusursuz bir özgüvenle doğru görünür.

Human-Centric Intelligent Systems dergisinde 10 Eylül 2026'da yayımlanan bir çalışma bu soruna doğrudan eğiliyor. Araştırmacıların kendi ölçümünde, bir dil modelinin doğrudan ürettiği alıştırmaların yaklaşık yarısı fiziksel olarak geçersiz ya da makul olmayan problemlerdi. Aynı soruları elle yazmak ise doğru ama yavaş ve ölçeklenemez bir zanaat. Ekibin sorusu şuydu: Hem hızlı hem güvenilir bir üçüncü yol mümkün müydü?

Neden dil modeli tek başına yanılır?

Sorunun kökü, dil modellerinin nasıl çalıştığında. Bir dil modeli metni istatistiksel olarak, yani "bir sonraki kelime büyük olasılıkla ne olur" mantığıyla üretir. Bu onu akıcı ve ikna edici yapar, ama fiziksel ya da matematiksel tutarlılığı garanti etmez. Model bir termodinamik probleminin "doğru göründüğünü" bilir; o problemin enerjinin korunumunu ihlal edip etmediğini bilmez. Dolayısıyla üretilen metin dilsel olarak kusursuz, mantıksal olarak çürük olabilir. İşte bu boşluk, eğitim gibi doğruluğun pazarlık konusu olmadığı bir alanda ciddi bir risk.

Fikir: Dil modeline uydurtma, doğrulanmışı anlattır

Önerilen yaklaşımı bir benzetmeyle düşünmek işi kolaylaştırıyor. Diyelim ki sınav sorusu üreten bir sistem kuruyorsunuz. Alışıldık yöntem, dil modeline konuyu verip "sen hallet" demektir. Bu çalışma işi tam tersinden kuruyor. Önce konunun kuralları kesin biçimde yazılıyor, ardından bir mantık motoru bu kurallara uyan bütün geçerli senaryoları tek tek çıkarıyor, sayısal değerler ve çözüm yolları bu aşamada birbiriyle tutarlı biçimde atanıyor. Dil modeli devreye ancak en sonda, bu doğrulanmış senaryoyu akıcı bir dile çevirmek için giriyor. Yani modele içerik uydurtulmuyor, doğrulanmış içerik anlattırılıyor.

Teknik iskelet şöyle işliyor: Alan bilgisi birinci dereceden mantıkla (first-order logic) kodlanıyor, bir SMT çözücü (satisfiability-modulo-theories, yani belirli matematiksel kısıtların birlikte sağlanıp sağlanamayacağını denetleyen bir motor) fiziksel ve pedagojik olarak kabul edilebilir senaryoları hesaplıyor, senaryo tabanlı bir bilgi grafiği üzerinde çözüm yolları seçiliyor. Termodinamik örneğinde bu süzgeç, 512 ham nitelik kombinasyonunu 12 geçerli senaryoya indiriyor ve her biri için doğru, çözülebilir alıştırmalar üretiyor. Doğrudan üretimdeki hatalar burada sonradan ayıklanmıyor; mimari sayesinde en baştan oluşamıyor. Literatürdeki adıyla "correctness by construction", yani tasarım gereği doğruluk.

Bu neden bizim meselemiz?

Konu termodinamik gibi dursa da asıl mesele çok daha geniş bir kitleyi ilgilendiriyor: Yapay zeka ile eğitim içeriği üreten herkesi. Serious game senaryoları, dallanan vaka çalışmaları, kurumsal simülasyonlar, otomatik sınav soruları; hepsinde aynı sinsi risk pusuda. Akıcı ama mantıken çürük içerik. Bir çalışanı yanlış bir vakayla eğitmek, çoğu zaman hiç eğitmemekten daha pahalıya patlar, çünkü yanlış olduğu belli olmaz.

Örnekler soyut değil. Bir uyum eğitiminde yanlış kurgulanmış bir senaryo, çalışana kusurlu bir prosedürü doğruymuş gibi öğretebilir. Bir teknik sertifikasyonda tutarsız verili bir problem, öğrenenin kafasını karıştırıp güvenini sarsar. Bir dil öğrenme uygulamasında dilbilgisel olarak hatalı bir örnek cümle, yanlışı pekiştirir. Bu durumların hepsinde ortak payda aynı: İçerik ikna edici göründüğü için kimse durup sorgulamaz.

Çalışmanın verdiği ders bir model tavsiyesi değil, bir mimari tavsiyesi: Güvenilirlik daha akıllı bir dil modelinden değil, dil modelinin önüne konan doğrulanabilir bir kural katmanından geliyor. Bu ilke, yapay zeka ile ölçme-değerlendirme ve eğitimde dijital oyun tasarlayan ekipler için doğrudan uygulanabilir. Dahası, yapay zeka destekli üretim araçlarını satın alırken sorulacak soruyu da değiştiriyor. Artık kritik soru "ne kadar hızlı üretiyor?" değil, "ürettiğini ne doğruluyor?"

Kurumsal içerik üretiminde nasıl uygulanır?

Bir kural motoru kurmadan da bu çalışmanın mantığını pratikte işletmek mümkün. Yapay zekayla eğitim içeriği üreten bir ekip için üç adımlı bir disiplin işi büyük ölçüde güvenceye alır:

• Önce kuralı yaz: İçeriğin uyması gereken doğru/yanlış ölçütlerini (fiziksel, hukuki, prosedürel) yapay zekaya iş yaptırmadan önce netleştirin.
• Üretimi sınırla: Modele serbest üretim yaptırmak yerine, önceden onayladığınız geçerli senaryolar veya şablonlar içinde ürettirin.
• İnsan doğrulaması bir katman olsun: Alan uzmanının onayı, sürecin sonundaki bir formalite değil, yayına giden yolun zorunlu bir kapısı olmalı.

Bu disiplin, hızdan büyük bir ödün vermeden hatanın büyük kısmını kaynağında keser.

Henüz erken olan kısım

Çalışmayı olduğundan büyük göstermemek adına: Bu bir kavram kanıtı (proof of concept) ve yalnızca tek bir alanda, giriş düzeyi termodinamikte gösterildi. Yöntemin daha karmaşık konulara ve farklı disiplinlere ne kadar taşınabileceği henüz belirsiz, çünkü her yeni alan için kuralların baştan modellenmesi ayrı bir emek istiyor. Yani ortada "her yerde çalışır" diyebileceğimiz bitmiş bir ürün yok; mantığı sağlam, umut vaat eden bir yön var.

Yapay zekanın ürettiği içerik eğitim dünyasını hızla doldururken, ayrışmayı neyin sağlayacağı da netleşiyor. En çok üreten değil, ürettiğinin doğru olduğunu ispatlayabilen öne geçecek. Bu çalışma, o ispatın hangi mimariyle mümkün olabileceğine dair elle tutulur bir örnek ve bu haftanın en çok konuşulmayı hak eden teknik tartışmalarından biri.

Sıkça Sorulan Sorular

Neuro-symbolic (nöro-simgesel) yapay zeka ne demek?

Dil modellerinin esnekliğini, kural ve mantık motorlarının kesinliğiyle birleştiren bir mimari yaklaşım. Amaç, modelin akıcı üretim gücünü korurken çıktının doğruluğunu simgesel kurallarla güvence altına almak.

Dil modeli neden fiziksel olarak yanlış soru üretebiliyor?

Çünkü dili istatistiksel olarak üretir, gerçekliği modellemez. "Doğru görünen" ile "doğru olan" arasındaki farkı kendi başına ayırt edemez; bir problemin fizik yasalarını ihlal edip etmediğini denetleyecek bir mekanizması yoktur.

Bu yöntem her konuda çalışır mı?

Henüz değil. Çalışma tek bir alanda, giriş düzeyi termodinamikte gösterildi. Her yeni konu için kuralların ayrıca modellenmesi gerekir ve bu ek bir emek anlamına gelir. Yöntem umut verici ama genel geçer bir ürün değil.

Kural motoru kurmadan kurumsal eğitimde nasıl uygulanır?

Mantığı bir iş akışı disiplinine çevirerek: Önce içeriğin uyması gereken kuralları tanımlayın, üretimi onaylı senaryolar içinde sınırlayın ve alan uzmanı doğrulamasını yayının zorunlu bir kapısı hâline getirin. Özellikle uyum, güvenlik ve teknik eğitim içeriğinde bu üç adım hatanın çoğunu kaynağında keser.

Kaynak: Combining Formal Reasoning and LLMs for Scenario-Based Educational STEM Exercises, Human-Centric Intelligent Systems, 10 Eylül 2026.