EğitimGelişim

Geri Bildirim Döngüsü Sorunu: Yapay Zeka Öğrenme Eğrisini Gizlediğinde Hızlı Beceri Geri Bildirimi Nasıl Alınır

Kısaca. Bir beceri hata sinyaliyle gelişir: denersiniz, ıskalarsınız, nedenini görürsünüz. Kluger ve DeNisi’nin 607 etki büyüklüğünü kapsayan meta-analizinde geri bildirim performansı ortalamada d = 0,41 artırdı; ancak etkilerin yüzde 38’inden fazlası olumsuzdu ve dikkati kişinin kendisine çeken geri bildirim (övgü, cesaret kırma) en az faydayı sağladı. Yapay zeka desteği buna daha sessiz bir başarısızlık ekliyor: iş doğru göründüğü için sinyal hiç gelmiyor. 2025 tarihli gözlemsel bir çalışmada, yapay zeka ile çalışmaya alışmış endoskopistler standart, yapay zekasız kolonoskopilerinde adenomları yüzde 22,4 oranında saptadı; yapay zeka gelmeden önce bu oran yüzde 28,4’tü. 2026 tarihli bir çalışmada, 20 LSAT akıl yürütme sorusunu ChatGPT ile çözen kişiler ortalama puanlarını 16,50 olarak tahmin etti, gerçek ortalamaları ise 12,98’di. CEO hamlesi: yalnızca iyi haber raporlayan her birimde yapacağınız gibi, yardımsız performansınızı belirli bir takvimle denetleyin. Öğrenci hamlesi: yapay zeka konuşmadan önce bir cevaba ve bir güven derecesine bağlanın, sonra kendinizi buna göre puanlayın.

Bu yazı, CEOtudent’in pratik ve geri bildirim kümesinin bir parçasıdır. Yapay zeka çağında bilinçli pratik bir pratik tekrarını neyin değerli kıldığını ele alıyor. 10.000 saat efsanesi ham saatlerin neden bu kadar az şey öngördüğünü gösteriyor. Tutorial cehenneminden gerçek beceriye akıcılık tuzağını ve yapay zeka ile öğrenme üzerine temel deneyleri inceliyor. Bu yazı ise geri bildirim kanalının kendisini ele alıyor: yapay zekanın bu kanalı fark ettirmeden nasıl kapattığını ve aracı kullanmaya devam ederken onu nasıl yeniden açabileceğinizi.

Bir becerinin neden hata sinyaline ihtiyacı var?

K. Anders Ericsson, 2008 tarihli bir genel değerlendirmede bilinçli pratiği “anında geri bildirim sağlanmasını, problem çözme ve değerlendirme için zaman ayrılmasını ve davranışı inceltmek için tekrarlanan performans fırsatlarını” içeren bir süreç olarak tanımladı. İyi eğitimin, diye yazdı, “anında geri bildirim, düşünme ve düzeltme fırsatları sunan kısa süreli” etkinlikler kullandığını belirtti.

Uzman yargısı konusunda karşıt kamplardan gelen Daniel Kahneman ve Gary Klein, 2009’da ortak bir sonuca vardı: sezgisel bir yargıya güvenmek, öngörülebilir bir ortam ve bu ortamın düzenliliklerini öğrenmek için yeterli bir fırsat gerektirir. Makalelerinin özeti, yapay zeka döngüye girdiğinde önem kazanan bir cümleyle biter: “Öznel deneyim, yargı doğruluğunun güvenilir bir göstergesi değildir.” Yetkin hissetmek bir sinyal değildir.

Robin M. Hogarth, Tomás Lejarraga ve Emre Soyer (2015) işe yarar bir yapı ekledi. Çıkarım iki ortamda gerçekleşir: bilginin edinildiği ortam ve uygulandığı ortam. “Dost” (kind) öğrenme ortamlarında bu iki ortam birbirine yakından uyar ve bu uyum, doğru çıkarımın zorunlu bir koşuludur. “Zorlu” (wicked) ortamlarda ise uymazlar.

Bunlar birlikte çalışan bir tanım verir: işe yarar bir geri bildirim döngüsü, sinyali eyleme bağlayacak kadar hızlı, olanı yansıtacak kadar doğru ve size ait, yani başkasının değil sizin performansınızı anlatan bir döngüdür. Hogarth’ın çerçevesinin CEOtudent yorumu şöyledir: bir asistanla pratik yapıp sonra asistan olmadan performans göstermek (bir sınav, canlı bir müşteri görüşmesi, bir kesinti) tasarımı gereği zorlu bir ortamdır, çünkü öğrenirken toplanan geri bildirim sizin ve aracın ortak çıktısını anlatıyordu.

Geri bildirim araştırmaları neyin işe yaradığını, neyin ters teptiğini söylüyor?

Klasik uyarı, Avraham Kluger ve Angelo DeNisi’nin Psychological Bulletin’de yayımlanan 1996 tarihli incelemesinden gelir. Ölçütlerini yalnızca 131 makale (yüzde 5) karşıladı; bunlardan 12.652 katılımcı ve 23.663 gözlemden oluşan 607 etki büyüklüğü elde edildi. Ağırlıklı ortalama etki 0,41’di, yani orta düzeyde bir kazanç. Şaşırtıcı olan dağılımdı: etkilerin yüzde 38’inden fazlası olumsuzdu ve etkilerin varyansı (0,97), örneklem hatasının üreteceği değeri (0,09) kat kat aşıyordu. Bir şekilde verildiğinde geri bildirim yardımcı olur; başka bir şekilde verildiğinde ise güvenilir biçimde zarar verir.

Geri bildirim müdahalesi kuramı olarak bilinen açıklamalarına göre geri bildirim, dikkati yönlendirerek işler. Dikkat görevden uzaklaşıp kişinin kendisine kaydıkça etkinlik düşer. Wisniewski, Zierer ve Hattie’nin Frontiers in Psychology’de yayımlanan 2020 tarihli meta-analizi (435 çalışma, 994 etki, 61.000’den fazla öğrenci) eğitim tarafından aynı yönü gösteriyor. Ortalama etki, uç değerler çıkarılmadan önce 0,55, çıkarıldıktan sonra 0,48’di ve etkilerin yüzde 17’si olumsuzdu; 2020 yazarlarının bildirdiğine göre bu, daha önceki Hattie ve Timperley (2007) sentezindeki 0,79’un oldukça altındadır. Bir ayrıntı: 2020 makalesi Kluger ve DeNisi’yi 12.000’den fazla katılımcıdan elde edilmiş 0,38 olarak özetliyor, oysa 1996 tarihli birincil metin 0,41 bildiriyor. Tablo birincil rakamları kullanıyor.

Tablo 1. Geri bildirimin hangi özellikleri etkisini artırıyor ya da azaltıyor (doğrulanmış veri)

Geri bildirim özelliği Kaynak Özellik varken: etkiler (k), ortalama d Karşılaştırma düzeyi: etkiler (k), ortalama d
Mesaj doğru çözümü içeriyor Kluger ve DeNisi 1996 114, 0,43 İçermeyen: 197, 0,25
Hız geri bildirimi (önceki denemelerden bu yana değişim) Kluger ve DeNisi 1996 50, 0,55 Olmayan: 380, 0,28
Bilgisayar tarafından iletilen Kluger ve DeNisi 1996 87, 0,41 Bilgisayarla iletilmeyen: 337, 0,23
Övgü içeren Kluger ve DeNisi 1996 80, 0,09 Övgüsüz: 358, 0,34
Cesaret kırıcı mesaj Kluger ve DeNisi 1996 49, -0,14 Cesaret kırıcı olmayan: 388, 0,33
Özsaygıya tehdit, en üst çeyrek Kluger ve DeNisi 1996 102, 0,08 En alt çeyrek: 170, 0,47
Görev karmaşıklığı, en üst çeyrek Kluger ve DeNisi 1996 107, 0,03 En alt çeyrek: 114, 0,55
Yüksek bilgi içerikli geri bildirim Wisniewski ve ark. 2020 42, 0,99 Pekiştirme ya da ceza: 39, 0,24
Düzeltici geri bildirim Wisniewski ve ark. 2020 238, 0,46 Dışlamalardan sonraki genel ortalama: 0,48

Kaynaklar: Kluger ve DeNisi (1996), Tablo 2, tüm dışlamalardan sonra anlamlı moderatörlerin düzeyleri (K = etki büyüklüğü sayısı, d = ağırlıklı ortalama etki büyüklüğü); taranmış makalenin OCR metninden okunmuştur. Wisniewski, Zierer ve Hattie (2020), Tablo 3. İki çalışma farklı örneklemler ve kodlama şemaları kullanıyor; bu nedenle satırları çalışmalar arasında değil, aynı çalışma içinde karşılaştırın.

Makul her çekinceye rağmen üç ders ayakta kalıyor. Birincisi, görev hakkındaki bilgi kişi hakkındaki yargıdan üstündür: doğru çözümü taşıyan bir mesaj, taşımayana göre 0,18 daha iyi sonuç verdi; övgü ise 0,25, cesaret kırıcı bir mesaj 0,47 kaybettirdi (bunları içermeyen geri bildirime kıyasla). İkincisi, eğilim anlık görüntüden üstündür: gelişip gelişmediğinizi söyleyen hız geri bildirimi, onu içermeyen geri bildirimi 0,27 geride bıraktı. Üçüncüsü, yalın geri bildirim en zor görevlerde en az işe yaradı: görev karmaşıklığının en üst çeyreğinde ortalama etki 0,03 iken en alt çeyrekte 0,55’ti. Karmaşık, ucu açık bilgi işi tam da insanların artık yapay zekaya yönlendirdiği iştir.

Bilgisayar satırı da önemli. Makine tarafından iletilen geri bildirim alternatifinden daha iyi sonuç verdi (0,23’e karşı 0,41); Kluger ve DeNisi bu sınırda bulguyu bilgisayarların dikkati görevde tutmasıyla ilişkilendirdi. Makine kötü bir geri bildirim kaynağı değildir. Sorun başka: yapay zeka çoğu zaman geri bildirimin yanıt vermesi gereken anı ortadan kaldırıyor.

Yapay zeka öğrenme eğrisini nasıl gizliyor?

Bir asistan geri bildirim kanalını birbirinden farklı üç yolla kapatabilir ve her biri ayrı bir onarım gerektirir.

  1. Hata hiç gerçekleşmez. Asistan siz denemeden önce cevap verirse, düzeltilecek yanlış bir hipotez kalmaz. Yeni bir Python kütüphanesi öğrenen 52 geliştiriciyle yapılan rastgele kontrollü bir deneyde Judy Hanwen Shen ve Alex Tamkin (2026; iki yazar da bir yapay zeka geliştiricisi olan Anthropic’te ya da onun aracılığıyla çalışıyor), yapay zeka grubunun sonraki bir beceri testinde yüzde 17 daha düşük puan aldığını buldu ve kontrol grubunun kazanımlarını “hatalarla karşılaşma ve ardından onları bağımsız olarak çözme sürecine” bağladı.
  2. Hata araca aittir. Bir öneri sizin yargınızdan önce geldiğinde kendi cevabınızı hiç kaydetmezsiniz; bu yüzden kendi hata oranınızı öğrenemezsiniz.
  3. Güven şişer. Destekle üretilen çıktı iyi görünür; bu yüzden kendinizi yardımsız becerinizin hak ettiğinden daha yetenekli hissedersiniz. Bastani ve arkadaşlarının (2025) matematik deneyi, sade bir GPT-4 arayüzü kullanan öğrencilerin, yardımsız sınavda daha kötü sonuç almalarına rağmen “daha kötü performans gösterdiklerini ya da daha az öğrendiklerini algılamadıklarını” buldu (puanlar yapay zeka hatalarından öğrenme rehberimizde yer alıyor).

Aşağıdaki her çalışma bir sinyali doğrudan ölçüyor: bir öz tahmin, yardımsız bir başlangıç düzeyi ya da asistanın yardım edemeyeceği bir test.

Tablo 2. Yapay zekanın kişinin aldığı sinyali değiştirdiği beş çalışma (doğrulanmış veri)

Çalışma Tasarım ve örneklem Kişinin görebildiği Gizli sinyalin gösterdiği
Fan ve ark. 2025, British Journal of Educational Technology Rastgele laboratuvar çalışması, 117 üniversite öğrencisi, yazma görevi, dört destek koşulu ChatGPT grubu revizyonda deneme puanını ortalama 3,600 puan artırdı; desteksiz grupta artış 1,630’du Bilgi kazanımında (F = 0,913, p = 0,438) ya da transferde (F = 0,019, p = 0,996) anlamlı grup farkı yok
Lehmann, Cornelius ve Sting 2025, çalışma makalesi Kodlama öğrenimi üzerine önceden kaydedilmiş, teşvikli iki laboratuvar deneyi ve bir saha çalışması LLM erişimi algılanan öğrenmeyi artırdı (p = 0,044) Genel öğrenme çıktılarına etkisi yok; alıştırmaların yerine LLM çıktısını koymak her konunun anlaşılmasını azalttı
Fernandes ve ark. 2026, Computers in Human Behavior ChatGPT-4o ile 20 LSAT akıl yürütme sorusu çözen 246 kişi; 452 kişiyle tekrarlandı 20 üzerinden ortalama öz tahmin 16,50 Gerçek ortalama puan 12,98; ChatGPT tek başına ortalama 13,65 aldı; daha yüksek yapay zeka okuryazarlığı daha az isabetli öz değerlendirmeyle birlikte görüldü
Dratsch ve ark. 2023, Radiology 27 radyolog, 50 mamogram, 40 test vakasının 12’sinde yanılan sözde bir yapay zeka Yapay zeka haklıyken doğru değerlendirme: %79,7 (deneyimsiz), %81,3 (orta deneyimli), %82,3 (çok deneyimli) Yapay zeka yanılırken doğru değerlendirme: %19,8, %24,8 ve %45,5
Budzyn ve ark. 2025, Lancet Gastroenterology and Hepatology Retrospektif gözlemsel çalışma, dört Polonya merkezi, yapay zekasız yapılan 1.443 kolonoskopi Endoskopistler düzenli olarak yapay zeka kullanıyordu; çalışma onları yapay zeka kullanılmadığı durumda ölçtü Yapay zekasız adenom saptama oranı %28,4’ten (795’te 226) %22,4’e (648’de 145) düştü, -6,0 puan (%95 GA -10,5 ile -1,6)

Kaynaklar: Fan ve ark. (2025), ön baskı metni, bölüm 4.3 ve Ek Tablo 1; Lehmann, Cornelius ve Sting (2025), arXiv çalışma makalesi sürüm 2, özet ve Tablo 13; Fernandes ve ark. (2026), yayımlanmış özet ve ön baskı Tablo 1; Dratsch ve ark. (2023), yalnızca özet; Budzyn ve ark. (2025), yalnızca özet.

Her satırın bir sınırı var. Fan ve arkadaşları tek bir laboratuvar görevini inceledi. Lehmann makalesi, burada açılan sürümünde bir çalışma makalesidir. Dratsch deneyinde yapay zeka sabit bir vaka oranında yanılacak şekilde ayarlanmıştı; bu, gerçek sistemlerin ne sıklıkla hata yaptığının bir tahmini değil, otomasyon yanlılığının temiz bir testidir. Budzyn çalışması gözlemseldir; Kasım 2025’te bir düzeltme yayımlandı ve aynı dergide bunu üç mektup ile yazarların yanıtı izledi (bunların hiçbiri bu yazı için açılmadı). Bunu kesinleşmiş bir etki büyüklüğü olarak değil, izlenmesi gereken bir sinyal olarak ele alın.

Örüntü tutarlı. İlk dört satırda kişinin görebildiği şey (daha iyi bir deneme, öğrenmiş olma hissi, kendinden emin bir tahmin, bir öneriye katılma) iyi görünüyordu, ama bağımsız beceri bunu izlemedi. Beşinci satır olası bir son durumu gösteriyor: saptama oranında 6,0 puanlık, göreli olarak yaklaşık yüzde 21’lik bir düşüş; bu düşüş yalnızca araştırmacılar yardımsız işi ayrıca ölçtüğü için görünür oldu.

Varsayılan yapay zeka iş akışı kanıtlanmış her geri bildirim özelliğine ne yapıyor?

Bir sonraki tablo iki kanıt tabanını birleştiriyor: kanıtlanmış özellik, etkisinin büyüklüğü (yayımlanmış rakamlardan yeniden hesaplanmış), “önce asistana sor” iş akışının ona genellikle ne yaptığı ve onarım.

Tablo 3. Kluger ve DeNisi (1996), Wisniewski ve ark. (2020), Fernandes ve ark. (2026) ile Dratsch ve ark. (2023) çalışmalarının CEOtudent analizi

Kanıtlanmış özellik Kaynak verideki etki büyüklüğü Önce cevap veren bir yapay zeka iş akışı ona ne yapıyor Onarım
Denemeden sonra doğru çözüm Onu içermeyen geri bildirime göre +0,18 d Çözümü herhangi bir denemeden önce gösterir, bu yüzden hiçbir şey düzeltilmez Önce deneyin; çözümü yalnızca karşılaştırmak için isteyin
Zaman içindeki eğilim (hız) Onu içermeyen geri bildirime göre +0,27 d Her oturum sıfırdan başlar; yardımsız düzeyinizi kimse kaydetmez Her beceri için haftada bir yardımsız puan kaydedin
Övgü yok, kişi hakkında hüküm yok Övgü: -0,25 d; cesaret kırma: -0,47 d, her biri bunları içermeyen geri bildirime göre Onaylayan bir yanıt, dikkati iş hakkında ne hissettiğinizde tutar Yalnızca hataları ve düzeltmeleri isteyin, genel hüküm istemeyin
Yüksek bilgi içeriği Yüksek bilgi içerikli geri bildirim 0,99 d, pekiştirme ya da cezanın 0,24 d değerinin 4,1 katı Çalışan bir çıktı pekiştirme düzeyinde bilgidir: “tamam” der, nedenini söylemez Neyin yanlış olduğunu, nedenini ve bir dahaki sefere neyin değişmesi gerektiğini sorun
İsabetli öz tahmin Öz tahmin gerçek puanı 3,52 puan aştı, 20 puanlık ölçeğin %17,6’sı Destekli çıktı güveni şişirir Sonuç açıklanmadan önce bir güven derecesi yazın
Ayrıca puanlanabilen yargı Öneri yanlışken deneyimsiz okuyucularda doğruluk 59,9 puan düştü (çok deneyimli okuyucularda 36,8 puan) Öneri sizin kararınızdan önce gelir Önce kararınızı kaydedin, sonra öneriyi açın

Türetilmiş hücreler calc.py ile yeniden hesaplanmıştır. Ortadaki sütun, önce cevap veren araçların yaygın kullanım biçimine dair editöryel bir yorumdur, ölçülmüş bir sonuç değildir.

Argümanın büyük kısmını iki sayı taşıyor. ChatGPT ile çalışan kişiler ortalamada 20 sorunun 16,50’sini çözdüklerini tahmin etti; gerçek ortalama ise 12,98’di, yani aracın tek başına elde ettiği sonucun (13,65) biraz altında. Döngüdeki insan doğruluğa hiçbir şey eklemedi, ama ortak puanın çok daha yüksek olduğuna inandı. Radyologların doğruluk kaybı da deneyimle küçüldü (en deneyimsizlerde 59,9 puan, en deneyimlilerde 36,8); bu da şu yoruma uyuyor: deneyim, önceki geri bildirimlerden inşa edilmiş bağımsız bir yargı deposudur. O geri bildirimi kaldırırsanız koruma da onunla birlikte gider.

CEOtudent Geri Bildirim Döngüsü Denetimi: beş kadran

Aşağıdaki denetim, bir CEOtudent editöryel çerçevesi olarak, kanıtları geliştirdiğiniz herhangi bir beceri hakkında sorulacak beş soruya dönüştürüyor.

Tablo 4. Geri Bildirim Döngüsü Denetimi (CEOtudent editöryel çerçevesi)

Kadran Soru Dayandığı kanıt Yapay zeka onu genellikle nasıl kısıyor Nasıl yeniden açılır
1. Gecikme Denemeden kullanılabilir bir sinyale ne kadar zaman geçiyor? Ericsson (2008) Nadiren sorundur: yapay zeka hızlıdır, ama hızlı sinyal araçla ilgili olabilir Hızı koruyun; 2 ile 5 arasındaki kadranları düzeltin
2. Sahiplik Sinyal sizi mi yoksa ortak çıktıyı mı anlatıyor? Dratsch ve ark. (2023); Shen ve Tamkin (2026) Öneri önce gelir, bu yüzden hatanız hiç kaydedilmez Önce cevabınıza bağlanın; yapay zekasız tekrarları sürdürün
3. Bilgi Neyin değişmesi gerektiğini mi söylüyor, yoksa yalnızca sonucun çalıştığını mı? Kluger ve DeNisi (1996); Wisniewski ve ark. (2020) Çalışan bir çıktı “yeterince iyi” diye okunur Doğru çözümü ve gerekçesini isteyin
4. Kalibrasyon Güveniniz gerçek bir puanla karşılaştırılıyor mu? Fernandes ve ark. (2026); Kahneman ve Klein (2009) Cilalı çıktı beceri hissini şişirir Önce güveninizi derecelendirin; bir cevap anahtarına göre puanlayın
5. Eğilim Yardımsız düzeyiniz yükseliyor mu, düşüyor mu? Kluger ve DeNisi (1996); Budzyn ve ark. (2025) Yardımsız başlangıç düzeyi yoktur, bu yüzden düşüş görünmez Aylık gözden geçirilen, tarihli bir yardımsız puan kaydı

Gecikme, çoğu insanın “hızlı geri bildirim” derken kastettiği şeydir ve yapay zekanın nadiren zarar verdiği tek kadrandır. Bir döngü anlık olabilir ve yine de başkasının işini raporluyorsa değersizdir.

Yapay zekayı kullanmaya devam ederken hızlı ve dürüst bir döngüyü nasıl yeniden kurarsınız?

Bu onarımlar aracın hızını korur ve diğer dört kadranı geri getirir. Çoğu oturum başına birkaç dakikaya mal olur.

  1. Danışmadan önce bağlanın. Önce cevabınızı, kararınızı ya da taslağınızı, 0 ile 100 arasında bir güven derecesiyle birlikte yazın; asistanı ancak bundan sonra açın. Bu, sahipliği (cevabınız puanlanabilir) ve kalibrasyonu (güveniniz kontrol edilebilir) geri getirir; Fernandes ve Dratsch bulgularına doğrudan yanıt budur.
  2. Yeniden yazım değil eleştiri isteyin, hüküm istemeyin. Denemenizden sonra neyin yanlış olduğunu, nedenini ve doğru sürümün neye benzediğini sorun; işe ya da size dair genel bir yargı istemeyin. Bu, pekiştirme düzeyindeki bir sinyali yüksek bilgi içerikli geri bildirime dönüştürür ve 1996 verilerinde etkileri düşüren övgüyü ve cesaret kırmayı devre dışı bırakır. Değerlendirme becerisi eleştirinin kendisinin doğru olup olmadığını nasıl kontrol edeceğinizi ele alıyor.
  3. Puanlanan yapay zekasız tekrarları takvime koyun ve eğilimi izleyin. Korumak istediğiniz her beceri için kısa, yardımsız bir sürümü takvime bağlı olarak yapın, puanlayın ve haftada bir sayı kaydedin. Budzyn bulgusu, destekli iş normal görünürken yardımsız performansın düşebileceğini gösteriyor; hız geri bildirimi ise yavaş bir düşüşü ortaya çıkaran tek kadrandır. Beceri kaybı bakım takvimi bu tekrarların nasıl aralıklandırılacağını öneriyor.
  4. Sonradan bilinen sonuçla yeniden oynatın. Ericsson’un tıp için önerisini izleyerek, sonucu artık bilinen geçmiş bir kararı yeniden kurun, kararınızı verin, sonra olanla ya da bir uzmanın kararıyla karşılaştırın. Kapanmış satışlar, kod incelemeleri ve geçmiş tahminler bunun için uygundur.
  5. Dost ortamlarda pratik yapın. Cevap anahtarı olan görevler seçin: çözümü bilinen problemler, testleri olan kod, sonucu belli olan tahminler, bir değerlendirme ölçeğine göre puanlanan yazılar. Hogarth’ın vurguladığı nokta, doğru öğrenmenin öğrendiğiniz yer ile uyguladığınız yer arasında yakın bir uyum gerektirdiğidir.

Başlangıç için bir ritim (araştırma bulgusu değil, bir öneri): her danışmanın bağlanılmış bir cevabın ardından geldiği normal bir yapay zeka oturumu, bir cevap anahtarına göre puanlanan 20 ila 30 dakikalık bir yapay zekasız tekrar ve puanı kaydetmek için beş dakika.

Geri Bildirim Döngüsü Karnesi: döngünüz ne kadar sağlıklı?

Her seferinde tek bir beceriyi puanlayın. Her kadrana 0, 1 ya da 2 puan verin.

Tablo 5. Geri Bildirim Döngüsü Karnesi (CEOtudent editöryel çerçevesi)

Kadran 0 puan 1 puan 2 puan
Gecikme Haftalar sonra ya da hiç Birkaç gün içinde Aynı oturum içinde
Sahiplik Yapay zeka siz denemeden cevap veriyor Bazen deniyorsunuz Her zaman önce yazılı olarak bir cevaba bağlanıyorsunuz
Bilgi Yalnızca çıktının çalışıp çalışmadığı Bazı gerekçeler, tutarsız biçimde Doğru sürüm ve sizinkinin neden farklı olduğu
Kalibrasyon Güven hiç derecelendirilmiyor Derecelendiriliyor, nadiren kontrol ediliyor Sonuç açıklanmadan önce derecelendiriliyor, her seferinde kontrol ediliyor
Eğilim Yardımsız bir puan yok Ara sıra yardımsız denemeler, kayıt yok En az ayda bir tarihli yardımsız puan

Toplamı okumak (10 üzerinden): 8 ile 10 arası, döngü sağlıklı ve yapay zeka muhtemelen sizi hızlandırıyor. 5 ile 7 arası, bir ya da iki kadran sızdırıyor; önce en düşük olanı düzeltin. 0 ile 4 arası, muhtemelen kendi becerinizi değil aracın çıktısını eğitiyorsunuz ve bu formatta daha fazla pratik çoğunlukla güven üretecektir. Bu aralıklar doğrulanmış eşikler değil, editöryel kesme noktalarıdır.

Bir ekibi yöneten biri için bu ne anlama geliyor?

Bir ekibin izlediği tek metrik yapay zeka destekli çıktının kalitesiyse, araç kullanılamaz hale gelene ya da yanılana kadar her şey iyi görünür. Profesyoneller için geri bildirim tasarımına dair en iyi kanıt sağlık alanından geliyor. Denetim ve geri bildirime ilişkin 2026 tarihli Cochrane incelemesi (Ivers ve arkadaşları, 292 çalışma), istenen uygulamada medyan yüzde 2,7’lik mutlak bir iyileşme (çeyrekler arası aralık 0,0 ile 8,6) ve yüzde 6,2’lik meta-analitik ortalama bir artış (%95 GA 4,1 ile 8,2) buldu. Daha büyük etkiler şunlarla birlikte görüldü: ekip düzeyi yerine bireysel düzeyde veri, en iyi meslektaşlarla ya da bir ölçütle karşılaştırma (tüm meslektaşların ortalamasıyla karşılaştırma anlamlı değildi), alıcının tanıdığı yerel bir savunucu, etkileşimli sunum, kolaylaştırma ve bir eylem planı. Yazarların beklentilerinin aksine, tekrarlanan iletim daha düşük bir etki büyüklüğüyle birlikte görüldü. Bir yönetici için pratik karşılığı, ekip düzeyindeki yapay zeka çıktı metriklerinin sürekli akışı değil, önemli birkaç yardımsız yargının periyodik, bireysel, bir ölçütle karşılaştırılan ve bir plana bağlanan incelemesidir.

Bunun anlamına gelmediği şeyler

  • Yapay zeka öğrenme için kötü değildir. Tablo 1’de bilgisayarla iletilen geri bildirim alternatifinden daha iyi sonuç verdi. Başarısızlık sıralamadadır: önce cevap, deneme hiç. Bir denemeden sonra kullanıldığında asistan hızlı, yüksek bilgi içerikli bir geri bildirim kaynağı olabilir.
  • Daha hızlı her zaman daha iyi değildir. Wisniewski ve arkadaşları, Hattie ve Timperley’nin anında ve gecikmeli geri bildirim konusunda tutarsız sonuçlar bulduğunu belirtiyor. “Hızlı”, sinyali karara bağlayacak kadar hızlı demektir.
  • Her becerinin yardımsız kalması gerekmez. Bilişsel yük boşaltma araştırması hangi becerilerin devredileceğine dair bir test sunuyor. Denetim, sahip olmaya karar verdiğiniz beceriler içindir.
  • Hiçbir etki büyüklüğü kesinleşmiş değildir. Çalışmaların birkaçı tek deneydir, biri gözlemseldir, biri çalışma makalesidir ve biri bir yapay zeka şirketindeki yazarlardan gelir. Yön tutarlı; büyüklükler değil.
  • Bu tıbbi tavsiye değildir. Bu yazı öğrenme araştırmaları hakkında genel bilgidir. Radyoloji ve kolonoskopi çalışmaları yalnızca araştırma bulguları olarak aktarılmıştır ve klinik yönlendirme değildir.

Sıkça sorulan sorular

Yapay zekadaki geri bildirim döngüsü sorunu nedir?
Öğrenme bir hata sinyaline ihtiyaç duyar: bir deneme, doğru cevapla bir uyumsuzluk ve bir açıklama. Bir asistan siz denemeden önce cevap verdiğinde uyumsuzluk hiç gerçekleşmez ve aldığınız sinyal (iyi bir çıktı) sizin değil aracın işini anlatır. Destekli performans yükselirken yardımsız beceri fark edilmeden duraklayabilir.

Geri bildirim performansı her zaman iyileştirir mi?
Hayır. Kluger ve DeNisi’nin 1996 tarihli meta-analizinde ortalama etki d = 0,41’di, ancak etkilerin yüzde 38’inden fazlası olumsuzdu. Görev bilgisi en çok yardım etti; övgü, cesaret kırma ve özsaygıya yönelik tehditler en az yardım etti ya da zarar verdi.

Yapay zekanın öğrenme eğrinizi gizleyip gizlemediğini nasıl anlarsınız?
İki şeyi kontrol edin: araç olmadan karşılaştırılabilir bir sonucu en son ne zaman ürettiğinizi ve güveninizin gerçek bir puanla örtüşüp örtüşmediğini. Fernandes çalışmasında ChatGPT kullanan kişiler 20 üzerinden 16,50 tahmin etti ve 12,98 puan aldı. Yardımsız bir puan ve kontrol edilmiş bir güven derecesi olmadan bunu bilemezsiniz.

Yapay zekayı kullanmaya devam ederken dürüst geri bildirimi geri getirmenin en hızlı yolu nedir?
Asistanı açmadan önce bir cevaba ve bir güven derecesine bağlanın, sonra yeniden yazım değil, bir eleştiri ve doğru sürümü isteyin. Bu, hızı korur ve sahipliği, bilgiyi ve kalibrasyonu aynı anda geri getirir.

Uzmanlar bu sorundan kurtulabiliyor mu?
Kısmen. Yapay zeka önerisi yanlışken çok deneyimli radyologlar 36,8 puan doğruluk kaybederken deneyimsizler 59,9 puan kaybetti. Deneyim bir tampondur, bağışıklık değil.

Kaynaklar

  1. Kluger, A. N., ve DeNisi, A. (1996). The effects of feedback interventions on performance: A historical review, a meta-analysis, and a preliminary feedback intervention theory. Psychological Bulletin, 119(2), 254-284. (Taranmış tam metin, OCR.)
  2. Wisniewski, B., Zierer, K., ve Hattie, J. (2020). The power of feedback revisited: A meta-analysis of educational feedback research. Frontiers in Psychology, 10, 3087.
  3. Ivers, N., ve ark. (2026). Audit and feedback: effects on professional practice. Cochrane Database of Systematic Reviews, CD000259.pub5. (Yalnızca özet.)
  4. Ericsson, K. A. (2008). Deliberate practice and acquisition of expert performance: A general overview. Academic Emergency Medicine, 15, 988-994.
  5. Kahneman, D., ve Klein, G. (2009). Conditions for intuitive expertise: A failure to disagree. American Psychologist, 64(6), 515-526. (Yalnızca özet.)
  6. Hogarth, R. M., Lejarraga, T., ve Soyer, E. (2015). The two settings of kind and wicked learning environments. Current Directions in Psychological Science, 24, 379-385. (Yalnızca özet.)
  7. Fan, Y., Tang, L., Le, H., Shen, K., ve ark. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56, 489-530. (Ön baskı sürümü arXiv 2412.09315 açıldı.)
  8. Lehmann, M., Cornelius, P. B., ve Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? Çalışma makalesi, arXiv 2409.09047, sürüm 2.
  9. Fernandes, D., Villa, S., Nicholls, S., Haavisto, O., ve ark. (2026). AI makes you smarter but none the wiser: The disconnect between performance and metacognition. Computers in Human Behavior, 175, 108779. (Yayımlanmış özet; ön baskı arXiv 2409.16708.)
  10. Dratsch, T., ve ark. (2023). Automation bias in mammography: The impact of artificial intelligence BI-RADS suggestions on reader performance. Radiology, 307(4), e222176. (Yalnızca özet.)
  11. Budzyn, K., Romanczyk, M., ve ark. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: A multicentre, observational study. Lancet Gastroenterology and Hepatology, 10(10), 896-903. (Yalnızca özet; düzeltme 10(11), e12 ve yazışmalar 10(12), 1060-1062 açılmadı.)
  12. Bastani, H., ve ark. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122, e2422633122. (Yayımlanmış bir düzeltme yalnızca bir yazar kurum bilgisiyle ilgilidir.)
  13. Shen, J. H., ve Tamkin, A. (2026). How AI impacts skill formation. arXiv 2601.20245, sürüm 2. (Yazarlar, bir yapay zeka geliştiricisi olan Anthropic ile bağlantılıdır.)

Tablo 3 ve metindeki türetilmiş rakamlar (etki büyüklüğü farkları, 4,1 oranı, 3,52 puanlık fazla tahmin, doğruluk düşüşleri, yüzde 21’lik göreli düşüş) CEOtudent analizleridir ve bir betikle yeniden hesaplanmıştır. Tablo 4 ve 5 CEOtudent editöryel çerçeveleridir. Tablo 1 ve 2 rakamları basıldığı haliyle aktarır. Bilinçli olarak kullanılmayanlar: bilinçli pratik varyans yüzdeleri (2018 tarihli bir düzeltmeye tabi), Hattie ve Timperley’nin 2007 etki büyüklüklerinin tek başına rakamlar olarak kullanımı ve Kluger ile DeNisi’nin birincil metinden farklı ikincil aktarımları.


Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.

Benzer içerikler