Kurucu
September 14, 2026
16 min read
Öğrenme analitiğinde asıl hukuk sorunu, algoritmanın bugünü ne kadar doğru okuduğu değil; bu okumanın yarının eğitim imkânlarını nasıl değiştirdiğidir.
Bir eğitim kurumunun, öğrencilerin dönem sonunda başarısız olma veya programdan ayrılma ihtimalini hesaplayan bir erken uyarı sistemi kullandığını düşünelim. Sistem; devam durumu, LMS’ye giriş sıklığı, tamamlanmayan içerikler, sınav sonuçları ve teslim gecikmelerinden hareketle her öğrenci için bir risk skoru üretiyor.
Aynı akademik seviyedeki iki öğrenciden biri “yüksek riskli”, diğeri “düşük riskli” olarak işaretleniyor. İlk öğrenci daha yakından izleniyor, temel düzeydeki içeriklere yönlendiriliyor ve ileri seviye bir projeye önerilmiyor. İkinci öğrenci ise zenginleştirilmiş içeriklere, öğretmenin yüksek beklentisine ve daha fazla akademik seçeneğe erişiyor. Birkaç hafta sonra ilk öğrencinin katılımı gerçekten azalıyor; ikinci öğrencinin performansı ise yükseliyor. Sistem, dönem sonunda kendi tahminlerinin isabetli olduğunu raporluyor.
Fakat burada ölçülen gelecek, algoritmadan bağımsız bir gelecek değildir. Kurum, skoru gördükten sonra öğrencilerle farklı biçimde ilişki kurmuş; verilen destek, sunulan içerik, öğretmen beklentisi ve erişilebilen fırsatlar değişmiştir. Başka bir ifadeyle sistem, öngördüğü sonucun yalnızca gözlemcisi olarak kalmamış; o sonucun nedenlerinden biri hâline gelmiştir.
Bu ihtimal, öğrenme analitiğinin bugüne kadar görece az tartışılan hukuk problemidir. Mesele artık yalnızca öğrencinin profillenip profillenmediği, verinin hangi hukuki sebeple işlendiği veya kararda bir insanın bulunup bulunmadığı değildir. Daha ileri soru şudur: Bir eğitim kurumu, kendi müdahalesiyle şekillendirdiği öğrenci geleceğini algoritmanın doğruluğuna kanıt olarak gösterebilir mi?
Öğrenme yönetim sistemlerinin ürettiği başarı tahminlerinin hangi noktada profil çıkarmaya, çıkarımsal kişisel veriye ve otomatik karar alma sorununa dönüştüğü daha önce ayrıntılı biçimde ele alındı.[1] O yazı, dağınık LMS izlerinin ne zaman öğrenci bakımından sonuç üreten kurumsal bir profile evrildiğini araştırıyordu.
Bu yazı aynı eşiği yeniden açıklamıyor. İnceleme, profilin üretildiği yerde değil, profilin kullanılmaya başlandığı yerde başlıyor. Çünkü hukuka uygun bir amaçla oluşturulmuş, teknik açıdan doğru ve bir insanın önüne karar desteği olarak getirilmiş bir skor dahi öğrencinin seçeneklerini sistematik biçimde değiştirebilir.
Bu ayrım önemlidir. Profil çıkarma hukuku, çoğunlukla verinin kaynağına, işleme şartına, şeffaflığa ve otomatik kararın etkisine bakar. Eğitim hukuku ise bunların yanında, öğrencinin gelişme imkânını, fırsat eşitliğini, pedagojik yönlendirmenin niteliğini ve eğitim kurumunun destek yükümlülüğünü de dikkate almak zorundadır. Algoritmik gelecek sorunu, bu iki alanın kesişiminde doğar.
Makine öğrenmesi literatüründe “performatif tahmin” kavramı, bir tahminin kendisine dayanılarak alınan kararlar yoluyla tahmin etmeye çalıştığı sonucu değiştirmesini anlatır. Juan C. Perdomo ve çalışma arkadaşlarının ortaya koyduğu çerçevede, modelin çıktısı kararları; kararlar da daha sonra modelin veri olarak göreceği dünyayı etkiler.[2]
Eğitim, bu etkileşimin güçlü olduğu alanlardan biridir. Çünkü öğrenci başarısı yalnızca öğrencinin geçmiş davranışlarının ürünü değildir. Verilen geri bildirim, öğretmenin beklentisi, rehberlik kapasitesi, içerik seviyesi, akran grubu, maddi imkânlar ve kurumsal kaynak tahsisi de sonucu etkiler. Algoritma bu unsurlardan birini değiştiren karara yön verdiğinde, artık yalnızca öğrenciyi ölçmez; öğrencinin içinde hareket edeceği eğitim ortamını da yeniden düzenler.
Her performatif etki olumsuz değildir. Yüksek risk uyarısının zamanında ve uygun bir destek sağlaması, öğrencinin başarısızlık ihtimalini azaltabilir. Bu durumda tahmin, kendi sonucunu boşa çıkaran yararlı bir müdahaleye dönüşür. Buna karşılık risk etiketi nedeniyle öğrencinin ileri düzey dersten, burs adaylığından veya nitelikli bir projeden uzak tutulması, tahminin kendi kendisini gerçekleştirmesine katkıda bulunabilir.
Dolayısıyla “modelin tahmini gerçekleşti mi?” sorusu tek başına yetersizdir. Kurum aynı anda şunları da sormalıdır:
Tahminden sonra öğrenciye ne yapıldı?
Öğrencinin erişebildiği veya erişemediği imkânlar değişti mi?
Sonuçtaki değişimin ne kadarı başlangıçtaki riskten, ne kadarı kurumsal müdahaleden kaynaklandı?
Müdahale yapılmasaydı veya başka bir destek verilseydi ne olabilirdi?
Bu sorular cevaplanmadığında yüksek doğruluk oranı, eğitsel başarının değil; sistemin kendi etkisini yeniden ölçmesinin göstergesi olabilir.
Öğrenci profilleri çoğu zaman tek bir kararla değil, zaman içinde birbirini besleyen küçük işlemlerle güç kazanır. Kurumların özellikle dört döngüyü görünür hâle getirmesi gerekir.
Müdahale döngüsünde risk skoru bir destek veya sınırlama doğurur; müdahale öğrencinin davranışını değiştirir; değişen davranış yeni skora girer. Temel risk, modelin başlangıçtaki riski kurumsal müdahalenin etkisinden ayıramamasıdır. Beklenti döngüsünde etiket, öğretmen veya danışmanın öğrenciye ilişkin beklentisini; beklenti de verilen görevleri, geri bildirimi ve ilişkiyi etkiler. Burada olasılıksal çıktı kurumsal kanaate dönüşür. Görünürlük döngüsünde işaretlenen öğrenci hakkında daha fazla not ve kayıt üretilir; işaretlenmeyen öğrenciler daha az gözlenir. Veri yoğunluğu riskin kendisi sanılabilir; yardıma ihtiyacı olup modele görünmeyen öğrenciler dışarıda kalabilir. Kurumsal hafıza döngüsünde eski skor, yeni dönem veya yeni model için veri olur; önceki çıkarım sonraki çıkarımı besler. Geçici bir güçlük, öğrencinin kalıcı özelliğiymiş gibi kurumsallaşır.
Bu döngülerden özellikle beklenti etkisi dikkatli ele alınmalıdır. Öğretmen beklentilerinin öğrenci başarısını etkileyebildiğine ilişkin geniş bir araştırma alanı vardır; ancak etkiyi abartmak da doğru değildir. Jussim ve Harber’in otuz beş yıllık araştırmayı değerlendiren çalışması, kendini gerçekleştiren beklentilerin var olduğunu, fakat genel olarak küçük ve çoğu zaman geçici kaldığını; buna karşılık damgalanmış gruplar bakımından daha güçlü sonuçların ortaya çıkabileceğini belirtir.[3] Algoritmik sistemler açısından çıkarılabilecek ihtiyatlı sonuç şudur: Bir risk skoru öğrencinin kaderini zorunlu olarak belirlemez; fakat düşük beklentiyi ölçeklendirebilir, standartlaştırabilir ve daha önce dağınık olan kanaati kurumsal iş akışına yerleştirebilir.
Eğitim kurumları çoğu zaman yapay zekânın yalnızca “karar desteği” sunduğunu ve nihai değerlendirmenin öğretmen veya yönetici tarafından yapıldığını belirtir. Bu güvence önemlidir, ancak eksiktir. Çünkü sistem nihai kararı vermese dahi insanın önüne hangi öğrencinin, hangi sırayla ve hangi sorun tanımıyla geleceğini belirleyebilir.
Yüzlerce öğrencisi bulunan bir danışmanın ekranında yalnızca kırmızı uyarı verilen yirmi kişi görünüyorsa algoritma, kararın sonucundan önce kurumun dikkatini dağıtmıştır. Danışman her dosyayı özenle inceleyebilir; yine de modele görünmeyen öğrenci kurumsal gündeme hiç girmeyebilir. Benzer biçimde “düşük katılım”, “ayrılma riski” veya “öğrenme güçlüğü” etiketi, görüşmenin hangi soruyla başlayacağını önceden kurar.
Bu yazıda algoritmik gündem kurma gücü olarak adlandırılan mesele budur. Bu ifade yürürlükteki hukukta tanımlanmış bağımsız bir kavram değildir. Sistemin bağlayıcı karar üretmeden de kurumsal görünürlüğü, önceliği ve problem tanımını şekillendirebilmesini açıklamak için kullanılan bir yönetişim kavramıdır.
Bu nedenle insan denetimi yalnızca “son kararı kim imzaladı?” sorusuyla ölçülemez. Denetim, şu unsurları da kapsamalıdır:
Hangi öğrencilerin sisteme hiç görünmediği,
Hangi risklerin daha yüksek öncelik aldığı,
Uyarının öğretmene hangi dil ve renk koduyla sunulduğu,
Personelin skor dışındaki bilgilere erişip erişemediği,
Öğrencinin kendi ihtiyacını algoritmik işaret olmadan bildirebildiği alternatif bir kanalın bulunup bulunmadığı.
Bir sistemin insanı süreçte tutması, algoritmanın gündemi tek başına kurmasına izin verildiğinde yeterli bir güvence oluşturmaz.
Öğrenme analitiği araçları çoğunlukla doğruluk, kesinlik, duyarlılık veya yanlış alarm oranı gibi teknik göstergelerle tanıtılır. Bu ölçüler gereklidir; ancak sistemin eğitim kurumu bakımından meşru ve yararlı olduğunu kanıtlamaz. En az dört ayrı başarı düzeyi birbirinden ayrılmalıdır.
Teknik geçerlilik, modelin hedeflenen sonucu yerel öğrenci grubunda ne ölçüde doğru tahmin ettiğini sorar; yeterli kanıt yanlış pozitif/negatif oranları, grup bazlı performans ve kalibrasyondur. Müdahale etkililiği, uyarının ardından uygulanan desteğin öğrencinin durumunu gerçekten iyileştirip iyileştirmediğini sorar; uygun karşılaştırma, pilot sonuçları ve müdahale türüne göre etki aranır. Dağıtımsal etki, sistemin kimlere daha fazla destek, kimlere daha az fırsat veya daha yoğun gözetim yönelttiğini sorar; kanıt, kaynak ve fırsat tahsisinin grup bazlı analizidir. Haklara uygunluk, sürecin öğrencinin gelişme, katılma, itiraz etme ve yeniden değerlendirilme imkânını koruyup korumadığını sorar; itiraz, düzeltme, bağımsız ikinci inceleme ve seçeneklerin kapanmaması bu düzeyin kanıtıdır.
Amerika Birleşik Devletleri Eğitim Bakanlığına bağlı Institute of Education Sciences tarafından yayımlanan randomize kontrollü EWIMS araştırması bu ayrımın neden önemli olduğunu gösterir. Yetmiş üç lisede ve 37.671 öğrenciyle yürütülen araştırmada erken uyarı ve müdahale sistemi, kronik devamsızlık oranını yüzde 14’ten yüzde 10’a; en az bir dersten kalma oranını ise yüzde 26’dan yüzde 21’e düşürmüştür. Buna karşılık düşük not ortalaması, uzaklaştırma ve öğrencinin mezuniyet için yeterli kredi ilerlemesi üzerinde ölçülebilir bir etki bulunmamıştır.[4]
Araştırmacıların uyarısı daha da önemlidir: Mezuniyet riski göstergeleri ile zamanında mezuniyet arasındaki önceki ilişkinin korelasyona dayanması nedeniyle, göstergenin iyileştirilmesinin mezuniyet oranını mutlaka iyileştireceği henüz söylenemez. Başka bir ifadeyle sistem belirli bir ara göstergeyi başarıyla değiştirebilir; fakat kurumun ulaşmak istediği nihai eğitsel sonucu üretmeyebilir.
Bu örnek yapay zekâya kategorik bir itiraz değildir. Tam tersine, bazı erken uyarı uygulamalarının yarar sağlayabileceğini gösterir. Fakat “kimi doğru tahmin ettik?” ile “kimin için hangi müdahale işe yaradı?” sorularının ayrı ayrı cevaplanması gerektiğini de ortaya koyar. Eğitim kurumu yalnızca model doğruluğunu değil, tahmin–müdahale–sonuç zincirini doğrulamalıdır.
Millî Eğitim Bakanlığının 2025–2029 Eğitimde Yapay Zekâ Politika Belgesi, öğrenme analitiği, gelişim takibi, erken uyarı ve karar desteği uygulamalarını eğitim sisteminin gelecek planına dâhil etmiştir.[5] Dolayısıyla öğrenci hakkında öngörü üreten sistemler, varsayımsal bir gelecek tartışması değildir. Kurumsal kullanım arttıkça hukuki değerlendirme de verinin işlenmesinden, veriye dayanılarak eğitim ilişkisinin nasıl şekillendirildiğine doğru genişlemek zorundadır.
MEB kapsamındaki uygulamalarda YAZEK, öğrenci verisinin yapay zekâ ile analiz edilmesini ve öğrencinin seviyesinin belirlenmesi, gruplara ayrılması veya hakkında geri bildirim üretilmesi gibi karar desteği kullanımlarını etik beyana bağlar. MEB Etik Kılavuzu ayrıca kişiselleştirilmiş önerilerin öğrencinin potansiyelini sınırlandırmamasını; akademik gelecek üzerinde kritik etki doğuran işlemlerin yalnızca yapay zekâ çıktısına bırakılmamasını ve öğrenci veya veli için itiraz mekanizması kurulmasını ister.[6]
Bu ilkeler, performatif tahmin sorununa uygulanabilir bir başlangıç sunar. Öğrencinin potansiyelini sınırlamama yükümlülüğü yalnızca modelin ayrımcı değişken kullanmamasını değil, model çıktısının fırsat azaltan bir kurumsal tepkiye dönüşmemesini de gerektirir. Aynı şekilde insan denetimi, yalnızca skoru onaylayacak bir görevli bulundurmak değil; algoritmanın oluşturduğu gündemi ve müdahalenin sonuçlarını sorgulayabilmek anlamına gelmelidir.
1739 sayılı Millî Eğitim Temel Kanunu, bireylerin ilgi, istidat ve kabiliyetleri doğrultusunda çeşitli programlara veya okullara yöneltilmesini öngörür; genellik ve eşitlik ile fırsat ve imkân eşitliğini de millî eğitimin temel ilkeleri arasında sayar.[7] Algoritmik yönlendirme, doğru kullanıldığında öğrencinin ihtiyacını erken fark ederek bu amaçlara hizmet edebilir. Ancak olasılıksal bir skor, öğrencinin güncel gelişimini değerlendiren pedagojik muhakemenin yerine geçtiğinde “yöneltme”, öğrencinin önündeki yolları açan bir destek olmaktan çıkıp yolları önceden kapatan bir tasnife dönüşür. Anayasa’nın 42. maddesinde korunan eğitim ve öğrenim hakkı da bu nedenle yalnızca okula biçimsel erişim olarak değil, eğitim içindeki önemli fırsatlara adil erişim bağlamında düşünülmelidir.[8]
KVKK cephesinde ise doğruluk ve güncellik, amaçla bağlılık, sınırlılık, ölçülülük ve saklama süresi ilkeleri belirleyicidir. Kanun’un 11/1-g maddesi de hükmün şartları oluştuğunda, yalnızca otomatik analizden doğan aleyhe sonuca karşı itiraz imkânı verir.[9] Ne var ki performatif tahmin, veri koruma hukukunun tek başına cevaplayamayacağı bir katman ekler: Bir skor üretildiği gün teknik olarak doğru olabilir; buna rağmen skora verilen kurumsal tepki öğrencinin eğitimsel fırsatlarını ölçüsüz biçimde daraltabilir. Bu sebeple kayıt üzerindeki doğruluk ile karar mimarisinin adaleti ayrı ayrı incelenmelidir.
Burada kapsam ayrımı da korunmalıdır. YAZEK ve MEB Etik Kılavuzu, kendi düzenleme alanları dışındaki bütün üniversite ve EdTech kullanımlarına kendiliğinden uygulanıyor kabul edilemez. Bununla birlikte çocuk hakları, kişisel verilerin korunması ve karşılaştırmalı yapay zekâ yönetişimiyle birlikte okunduğunda, yüksek etkili öğrenme analitiği için güçlü bir politika standardı sunarlar. Her kurumun tabi olduğu yükseköğretim, özel öğretim, çalışma veya tüketici hukuku rejimi ayrıca değerlendirilmelidir.
Çocuk Haklarına Dair Sözleşme; çocuğun üstün yararının temel düşüncelerden biri olmasını, çocuğun kendisini ilgilendiren konularda görüşünün alınmasını ve eğitimin çocuğun kişiliği ile yeteneklerinin mümkün olan en geniş ölçüde geliştirilmesine yönelmesini gerektirir.[10]
Birleşmiş Milletler Çocuk Hakları Komitesinin 25 No.lu Genel Yorumu, bu ilkeleri dijital ortama taşırken doğrudan geleceğe bakan iki önemli uyarı yapar. Komite, otomatik sistemlerin çocuğun davranışını veya duygularını etkilemek ya da fırsatlarını ve gelişimini sınırlamak için kullanılmamasını ister. Ayrıca otomatik işleme ve profilleme uygulamalarının çocuk üzerindeki olumsuz sonuçlarının hayatının sonraki dönemlerine taşınabileceğini belirtir. Eğitim teknolojileri için kanıta dayalı politika ve standartlar kurulmasını; kullanımın eğitim amacıyla gerekçelendirilmesini ve çocuğun haklarını ihlal etmemesini vurgular.[11]
UNICEF’in 2025 tarihli Çocuklar ve Yapay Zekâ Rehberi de yapay zekânın çocuk üzerindeki kısa ve uzun vadeli doğrudan ve dolaylı etkilerinin yaşam döngüsü boyunca izlenmesini, sistem çapındaki okul uygulamalarında faydanın kanıtla doğrulanmasını ve çocukların gelişim aşamalarının dikkate alınmasını önerir.[12]
Karşılaştırmalı belgelerde daha ihtiyatlı bir eşik de görülmektedir. Avrupa Konseyi Bakanlar Komitesinin 2018 tarihli tavsiye kararı ile eğitim ortamında çocuk verilerinin korunmasına ilişkin 2021 tarihli rehberi, çocukların profillenmesinin kural olarak yasaklanmasını; ancak çocuğun üstün yararı veya ağır basan kamu yararı bulunduğunda ve hukuki güvenceler sağlandığında istisna düşünülebilmesini tavsiye eder.[13] Bu belgeler Türkiye bakımından doğrudan bir kanun hükmü gibi sunulamaz. Bununla birlikte, çocuk profillemesini sıradan bir kişiselleştirme faaliyeti değil, istisnai gerekçelendirme gerektiren bir müdahale olarak görmeleri politika inşası açısından önemlidir.
AB Yapay Zekâ Tüzüğü’nün eğitime erişim, öğrenme sonuçlarının değerlendirilmesi ve kişinin uygun eğitim seviyesinin belirlenmesi gibi bazı kullanımları yüksek riskli kabul etmesi de aynı yönelimin düzenleyici karşılığıdır.[14] Bu sınıflandırma Türkiye’deki her uygulamaya doğrudan uygulanmaz; fakat eğitimdeki bir tahminin yalnızca yazılım çıktısı değil, temel fırsatları dağıtan bir karar altyapısı olabileceğini gösterir.
Bu çerçevede eğitim kurumları için açık gelecek güvencesi önerilebilir. Bu ifade, Türk hukukunda bu adla düzenlenmiş bağımsız bir temel hak veya MEB tarafından tanımlanmış resmî bir yükümlülük değildir. Çocuğun üstün yararı, gelişme ve eğitim hakkı, fırsat eşitliği, veri doğruluğu, saklama sınırlaması, katılım ve itiraz ilkelerinin yüksek etkili öğrenci profillerine uygulanması için geliştirilen bir yönetişim standardıdır.
Açık gelecek güvencesinin temel fikri şudur: Kurum, öğrencinin geçmiş davranışlarından üretilen olasılıksal bir açıklamaya, onun gelecekteki seçeneklerini kalıcı biçimde kapatma gücü vermemelidir. Öğrencinin değişebilmesi, skoru çürütebilmesi, yeni bir bağlamda yeniden değerlendirilebilmesi ve geçmiş çıkarımdan bağımsız fırsatlara erişebilmesi sistem tarafından gerçek anlamda mümkün kılınmalıdır.
Bu güvence altı kuralla somutlaştırılabilir.
Erken uyarı skorunun varsayılan işlevi öğrenciye ek destek seçeneği sunmak olmalıdır. Skorun ileri düzey derse, proje grubuna, bursa, programa veya benzeri bir fırsata erişimi azaltması ise ayrı ve güçlendirilmiş bir inceleme gerektirmelidir. “Yüksek riskli olduğu için uygun görülmedi” biçimindeki otomatik akıl yürütme yeterli değildir. Sınırlayıcı karar güncel, bağımsız ve kişiselleştirilmiş pedagojik gerekçeye dayanmalıdır.
Öğrenciye yardım etmek amacıyla oluşturulan risk profilinin disiplin, burs kesme, kabul, seviye düşürme veya başka bir yaptırım sürecine sessizce taşınması engellenmelidir. İkinci kullanım için yeni bir amaç, hukuki sebep, gereklilik ve ölçülülük analizi yapılması; gereken hâllerde yeni etik beyan ve etki değerlendirmesi işletilmesi gerekir. Teknik erişim yetkileri de bu ayrımı desteklemelidir.
Bir risk çıkarımı, öğrencinin kalıcı kişilik özelliği değil; belirli veri ve koşullar altında kurulmuş, zamana bağlı bir iddiadır. Bu nedenle her skora bir “son kullanma mimarisi” eşlik etmelidir: geçerlilik tarihi, skoru boşa düşürecek olay, yeniden inceleme eşiği ve sonucun taşındığı sistemlerin listesi. Yeni dönem, ders veya anlamlı gelişim değişikliğinde varsayılan kural temiz sayfa olmalı; skorun devamı ancak yeni ve belgelenmiş bir gerekçeyle mümkün olmalıdır.
İtiraz mekanizması, “devamsızlık kaydım yanlış” düzeyinde kalmamalıdır. Öğrenci veya veli, “bu veriden benim başarısız olacağım sonucu çıkarılamaz”, “önerilen müdahale ihtiyacıma uygun değildir” veya “bu profil nedeniyle önümdeki seçenek kapatılmamalıdır” diyebilmelidir. Yüksek etkili sonuçlarda inceleme, ilk skoru üreten sistemden ve skoru rutin olarak kullanan kişiden yeterince bağımsız bir ikinci değerlendirmeyi içermelidir.
Kurum; skorun doğruluğunu, uygulanan desteği ve ortaya çıkan sonucu ayrı kayıtlar hâlinde izlemelidir. Değerlendirme yalnızca kaç riskli öğrencinin gerçekten başarısız olduğuna bakmamalı; hangi müdahalenin kime sunulduğunu, öğrencinin bu müdahaleye katılıp katılmadığını, hangi fırsatların açıldığını veya kapandığını ve benzer öğrencilerin farklı muamele görüp görmediğini de incelemelidir. Aksi hâlde model, kendi yol açtığı değişimi başarı hanesine yazabilir.
Modele görünmeyen öğrenci de destek talep edebilmeli; yanlış negatifler kurumsal yardımın dışında kalmamalıdır. Aynı şekilde öğrenci, yüksek etkili bir yönlendirmede yalnızca algoritmik profile bağlı olmayan değerlendirme yoluna erişebilmelidir. Bu, yapay zekânın tamamen devre dışı bırakılması değil; kurumsal dikkat ve fırsatların tek kapısının algoritma olmamasıdır.
Bir eğitim kurumu, öğrenme analitiği kullanımını aşağıdaki altı aşamalı haritayla inceleyebilir.
1. Hedef aşamasında tam olarak hangi eğitsel sonucun öngörüldüğü ve nedeni sorulur. Tutulması gereken kanıt açık amaç, hedef grup ve alternatif yöntem analizidir; kırmızı çizgi “genel öğrenci başarısı” gibi ölçülemeyen amaçtır. 2. Tahmin aşamasında skorun hangi veri, dönem, model ve belirsizlikle üretildiği sorulur. Kanıt veri kaynağı, sürüm, yerel performans ve hata kayıtlarıdır; kırmızı çizgi tarihsiz, kaynaksız ve kesin gerçek gibi sunulan etikettir. 3. Müdahale aşamasında her risk seviyesinin hangi işlemi tetiklediği sorulur. Kanıt müdahale matrisi, sorumlu kişi ile destek ve sınırlama ayrımıdır; kırmızı çizgi skorun tek başına fırsat kapatmasıdır.
4. Katılım aşamasında öğrencinin neyi bildiği, ne zaman dinlendiği ve nasıl itiraz ettiği sorulur. Kanıt yaşa uygun açıklama, görüş ve ikinci inceleme kaydıdır; kırmızı çizgi gizli profil veya etkisiz itirazdır. 5. Sonuç aşamasında müdahalenin gerçekten yarar sağlayıp sağlamadığı ve gruplar arasında fark oluşup oluşmadığı sorulur. Kanıt müdahale bazlı etki, esenlik, hata ve fırsat dağılımı ölçümleridir; kırmızı çizgi yalnızca model doğruluğunun başarı sayılmasıdır. 6. Yeniden kullanım aşamasında skorun ne zaman silineceği, güncelleneceği veya başka sürece taşınacağı sorulur. Kanıt süre, güvenlik duvarı, silme ve yeniden değerlendirme kaydıdır; kırmızı çizgi çıkarımın yeni döneme veya karara kendiliğinden taşınmasıdır.
Bu harita, YAZEK beyanının veya kişisel veri uyum belgelerinin yerine geçmez. Bunların cevaplamadığı bağlantıyı görünür kılar: Tahmin hangi kurumsal davranışı doğurdu ve bu davranış öğrencinin sonraki verisini nasıl değiştirdi?
Erken uyarı sistemlerinin başarısı, çok sayıda uyarı vermesi veya riskli öğrencileri yüksek isabetle bulması değildir. Hatta bir kurumda yüksek riskli öğrencilerin tamamının başarısız olması, ilk bakışta modelin olağanüstü doğruluğu gibi görünebilir; gerçekte ise destek sisteminin işlemediğine veya etiketin fırsatları daralttığına işaret edebilir.
Daha anlamlı göstergeler şunlardır:
Uyarı sonrasında uygun desteğe erişen öğrenci oranı,
Destekten yarar gören öğrencilerin ve müdahale türlerinin dağılımı,
Yanlış işaretlenen veya hiç işaretlenmediği hâlde desteğe ihtiyaç duyan öğrenciler,
Skor nedeniyle açılan ve kapanan eğitim seçenekleri,
İtiraz, düzeltme ve kararın değiştirilme oranları,
Etiketlerin öngörülen sürede silinip silinmediği,
Öğrencilerin süreçte yaşadığı damgalanma, kaygı veya özerklik kaybı,
Farklı öğrenci grupları arasında destek ve fırsat farkı oluşup oluşmadığı.
Bu göstergeler teknik performansı önemsizleştirmez. Teknik ölçümü, eğitim kurumunun asıl amacı olan öğrenme, gelişim ve adil fırsatla ilişkilendirir.
Öğrenme analitiği öğrencinin ihtiyacını erken fark ederek eğitim hakkını güçlendirebilir. Fakat sistemin hukuki ve pedagojik değeri, öğrenciyi ne kadar isabetli sınıflandırdığıyla ölçülemez. Asıl değer, bu sınıflandırmanın öğrenciye hangi desteği sağladığı, hangi seçenekleri etkilediği ve kurumun kendi müdahalesinin sonuçlarını ne kadar dürüst biçimde izlediğiyle ortaya çıkar.
Bu nedenle eğitim kurumları için yeni uyum sorusu “profil çıkarıyor muyuz?” noktasında bitmemelidir. Şu sorularla devam etmelidir: Profil kimin dikkatini nereye yöneltiyor? Hangi öğrenci görünür, hangisi görünmez oluyor? Uyarı destek mi ekliyor, fırsat mı eksiltiyor? Eski tahmin ne zaman geçersizleşiyor? Kurum, kendi müdahalesini modelin başarısından ayırabiliyor mu?
Bu soruların politika karşılığı; yalnızca bir yapay zekâ envanteri değil, Öğrenci Profilleme ve Algoritmik Yönlendirme Politikasıdır. Böyle bir politika, YAZEK sürecini; ölçme-değerlendirme, rehberlik, kişisel veri, eşitlik, itiraz ve kayıt yönetimi prosedürleriyle aynı karar zincirinde buluşturmalıdır. Erken uyarı, ders önerisi ve seviye belirleme gibi üç kullanımın tahmin–müdahale–sonuç akışı çıkarılarak başlanabilir.
Geleceğin eğitim kurumunu yalnızca yapay zekâyı ne kadar kullandığı ayırmayacaktır. Asıl fark, kurumun algoritmik tahmini öğrenci hakkında verilmiş bir hükme dönüştürmeden kullanabilmesi olacaktır. Çünkü öğrencinin gerçekleşen geleceği, eğer kurum o geleceğin kurulmasına müdahale etmişse, algoritmanın tarafsız doğruluk belgesi sayılamaz.
Metinde başvurulan çevrim içi kaynaklar en son 9 Eylül 2026 tarihinde kontrol edilmiştir. Değerlendirmeler genel niteliktedir; her somut uygulama kurumun statüsü, hedef kitlesi, veri ve karar akışı, tedarik yapısı ve tabi olduğu güncel kurallar üzerinden ayrıca ele alınmalıdır. “Algoritmik gündem kurma gücü” ile “açık gelecek güvencesi” bu makalede geliştirilen politika kavramlarıdır; yürürlükteki hukukta bu adlarla tanımlanmış bağımsız bir hak veya yükümlülük değildir.
