Özet. Tutorial cehennemi, yeni başlayanlar için doğru olan bir yöntemin (tutorial, yani eğitim videosu ya da adım adım anlatım) işe yaradığı noktadan sonra da sürdürülmesiyle ortaya çıkar. Çözümlü örnekler acemilere yardımcı olur (55 matematik çalışmasını kapsayan 2023 tarihli bir meta-analiz ortalama etkiyi g = 0.48 olarak hesapladı), ancak bilgi arttıkça bu avantaj önce söner, sonra tersine döner. İlerleme hissi ise onunla birlikte sönmez. Harvard’daki bir fizik deneyinde aktif derslere katılan öğrenciler 0,46 standart sapma daha yüksek puan aldı, ama 0,56 standart sapma daha az öğrendiklerini hissetti (Deslauriers ve meslektaşları, 2019). Bir metni yaklaşık 14 kez yeniden okuyan öğrenciler bir hafta sonra metnin yüzde 40’ını hatırladı; metni yaklaşık 3 kez okuyup kendini test eden öğrencilerde bu oran yüzde 61’di (Roediger ve Karpicke, 2006). Tam tersi hata, yani doğrudan rehbersiz bir projeye atlamak da kanıtlarla desteklenmiyor: deneylerde olumlu sonuç veren proje tabanlı programlar sıkı biçimde yapılandırılmıştı ve öğretmenler tarafından yürütülüyordu. Yapay zeka aynı tuzağın daha hızlı bir sürümünü ekliyor. Sade bir sohbet robotu verilen öğrenciler alıştırma puanlarını yüzde 48 artırdı, ardından yardımsız girdikleri sınavda yüzde 17 daha kötü sonuç aldı (Bastani ve meslektaşları, 2025); yeni bir kütüphaneyi yapay zeka yardımıyla öğrenen geliştiriciler ise kavrama testinde ortalama yüzde 50 alırken yapay zekasız çalışanlar yüzde 67 aldı (Shen ve Tamkin, 2026). Bir CEOtudent çerçevesi olan Proje Tabanlı Öğrenme Merdiveni, bu kanıtları her biri bir çıkış testi içeren altı basamağa dönüştürüyor: bir örneği inceleyin, bir örneği tamamlayın, bir örneği değiştirin, onu hafızadan yeniden kurun, yeni bir gereksinime göre genişletin, ardından kendi projenizi yayınlayıp geri bildirim alın. CEO hamlesi, aynı anda sürdürdüğünüz tutorial sayısını bir ile sınırlamaktır. Öğrenci hamlesi ise her çıkış testini dersin kendisi olarak görmektir.
Bu yazı, yapay zeka çağında bilinçli pratik yazısının uygulamaya dönük tamamlayıcısıdır. O yazı pratik tekrarlarınızın nereye gitmesi gerektiğini soruyor. Bu yazı ise sizi adım adım takip etmekten kendi başınıza inşa etmeye taşıyan merdiveni veriyor.
Tutorial cehennemi nedir ve neden ilerleme gibi hissettirir?
“Tutorial cehennemi” bir araştırma terimi değil, topluluk içinde doğmuş bir terimdir. Tutorial üstüne tutorial bitiren, her birini başarıyla takip edebilen, ama yine de tutorial olmadan hiçbir şey inşa edemeyen öğreneni anlatır. Terim programlama dünyasından gelir, ancak örüntü tasarımda, veri analizinde, dil öğreniminde ya da müzikte de aynıdır: rehber varken akıcı, rehber çekildiğinde tıkanmış.
Bu durumun sürmesinin nedeni, deneyimin öğrenme gibi hissettirmesidir. Üç deney bu hissin ne kadar güvenilmez olduğunu gösteriyor.
Akıcı sunum hatırlamayı değil, özgüveni artırır. Carpenter, Wilford, Kornell ve Mullaney (2013, Psychonomic Bulletin and Review) öğrencilere, aynı konuşmacının ya akıcı ya da duraksayarak anlattığı aynı kısa dersi izletti. İlk deneyde (42 öğrenci) akıcı sürümü izleyenler çok daha fazlasını hatırlayacaklarını öngördü (d = 1.03), ancak gerçek hatırlama düzeyi farklılaşmadı; böylece aşırı güven akıcı videodan sonra .22, duraksamalı videodan sonra .03 oldu. 70 öğrenciyle yapılan ikinci deney de test puanlarında yine anlamlı bir fark bulmadı (.44 ile .40).
Çaba, başarısızlık olarak yanlış okunur. Deslauriers ve meslektaşları (2019, PNAS) 149 Harvard fizik öğrencisine aynı konuyu iki farklı yolla öğretti; her öğrenci iki yolu da deneyimledi. Aktif oturumlardan sonra öğrenciler öğrenme testinde 0,46 standart sapma daha yüksek puan aldı, buna karşın öğrenme hissini özenle hazırlanmış pasif anlatım derslerinden sonrasına göre 0,56 standart sapma daha düşük değerlendirdi. Yazarların açıklamasına göre aktif çalışmanın yarattığı kafa karışıklığı ve çaba, tam tersine işaret ettiği halde zayıf öğrenmenin belirtisi sayılıyor.
Yeniden okumak bugün kazanır, gelecek hafta kaybeder. Roediger ve Karpicke (2006, Psychological Science) öğrencilere bir metni ya tekrar tekrar çalıştırdı ya da bir kez çalıştırıp ardından hatırlamalarını istedi. Beş dakika sonra tekrarlı çalışma öndeydi (yüzde 71’e karşı yüzde 83). Bir hafta sonra sıralama tersine dönmüştü: tekrarlı çalışmada yüzde 40, çalışmanın ardından üç hatırlama testi yapılan koşulda yüzde 61. Tekrarlı çalışma grubu metni ortalama 14,2 kez, test grubu 3,4 kez okumuştu ve ikisi arasında kendinden daha emin olan tekrarlı çalışma grubuydu.
Tutorial, akıcı bir sunucunun anlattığı, iyi hazırlanmış bir çözümlü örnektir. Üç açıdan da etkili hissettirecek biçimde kurulmuştur.
Tutorial izlemek hata mı?
Hayır. Yeni başlayan biri için doğru ilk adımdır ve onu atlamak başlı başına bir hatadır.
Kirschner, Sweller ve Clark (2006, Educational Psychologist) asgari rehberlikle yapılan öğretime ilişkin kanıtları inceledi ve acemilerin bu yolla, güçlü rehberlik içeren öğretime kıyasla daha az ve daha verimsiz öğrendiği sonucuna vardı. Yeni başlayanların uzun süreli belleğinde, açık uçlu problem çözmeyi verimli kılan bilgi henüz yoktur. Rehberliğin en iyi incelenmiş biçimi çözümlü örnektir. Matematik alanında 55 çalışmayı ve 181 etki büyüklüğünü kapsayan 2023 tarihli bir meta-analiz (Barbieri ve meslektaşları, Educational Psychology Review), çözümlü örneklerden öğrenme için g = 0.48 düzeyinde orta büyüklükte bir ortalama etki buldu. Aynı analiz, doğru çözüm örneklerinin yanlış ya da karma örneklerden daha iyi sonuç verdiğini ve kendi kendine açıklama yönergeleri eklemenin etkiyi ortalamada azalttığını da buldu. Bu çalışmanın yalnızca özetine erişilebildi.
Kritik ayrıntı, aynı araştırma programının ikinci yarısında saklı. Kirschner ve meslektaşları, öğrenenler kendilerine rehberlik edecek kadar ön bilgiye sahip olduğunda rehberliğin avantajının gerilediğini, uzmanlık arttıkça çözümlü örnek etkisinin önce kaybolduğunu, sonra tersine döndüğünü belirtiyor. Kalyuga, Ayres, Chandler ve Sweller (2003) buna uzmanlık tersine dönme etkisi adını verdi: deneyimsiz öğrenenlerde iyi işleyen yöntemler, öğrenenler daha fazla şey bildiğinde işlemez hale gelebilir, hatta ters tepebilir. Renkl ve Atkinson (2003) pratik sonucu çıkardı: başta örnekler, sonra problem çözme, ikisinin arasında da öğrenenin her çözümün giderek daha büyük bölümünü adım adım devraldığı bir kademeli azaltma (fading) süreci.
Böyle okunduğunda tutorial cehennemi bir karakter kusuru değildir. Bir uzmanlık tersine dönme sorunudur (bu, yazarların kullandığı bir terim değil, araştırmaya ilişkin editöryel yorumumuzdur): öğrenen formatı aşmış, ama kullanmayı sürdürmüştür.
Bu format aynı zamanda varsayılan seçenektir. 2025 Stack Overflow Geliştirici Anketi’nde (49.009 yanıt; bu soruyu 33.454 kişi yanıtladı) geçen yıl içinde kodlama öğrenen katılımcılar en sık teknik dokümantasyonu (yüzde 67,8), diğer çevrimiçi kaynakları (yüzde 58,7), Stack Overflow’un kendisini (yüzde 51,4), videoları (yüzde 50) ve yapay zeka araçlarını (yüzde 44) saydı. 18-24 yaş arasındaki katılımcılarda videolar yüzde 55,2’ye ulaştı. Örneklem kendi kendini seçmiş kişilerden ve ağırlıklı olarak çalışan geliştiricilerden oluşuyor (yüzde 76,2’si profesyonel; yüzde 5,2’si kodlamayı öğrenmekte olduğunu söylüyor); bu nedenle yeni başlayanların nasıl başladığını değil, geliştiricilerin öğrenmeyi nasıl sürdürdüğünü anlatıyor.
Yapmak ile izlemek konusunda kanıtlar ne diyor?
İki büyük veri kümesi, farklı kanıt güçleriyle aynı yönü gösteriyor.
Koedinger ve meslektaşları (2015), yerleşik etkileşimli alıştırmalar içeren bir Coursera psikoloji dersinde, final sınavına giren 939 öğrencide kısa sınav puanlarını neyin öngördüğünü modelledi. Yapılan alıştırma sayısındaki bir standart sapmalık artış 0,44 standart sapmalık bir kazanımla ilişkiliydi; izlenen videolardaki ya da okunan sayfalardaki aynı büyüklükte artış ise her biri için yaklaşık .065 ile ilişkiliydi. Yazarlar bunu, yapmanın altı kattan fazla yarar sağlaması olarak özetliyor. Veriler korelasyona dayalıdır ve nasıl çalışacağını kendisi seçen öğrencilerden gelmektedir; ayrıca kayıt yaptıran 27.720 kişinin yalnızca yüzde 4’ü final sınavına girdi.
Deneysel kanıt ise sınıflardan geliyor. Freeman ve meslektaşları (2014, PNAS) lisans düzeyindeki fen, mühendislik ve matematik derslerine ilişkin 225 çalışmayı bir araya getirdi. Aktif öğrenme sınav performansını 0,47 standart sapma yükseltti; ortalama başarısızlık oranı aktif öğrenmede yüzde 21,8, geleneksel düz anlatımda yüzde 33,8 oldu, yani aradaki fark 12 yüzde puanı.
Üstelik hatırlama, saygın bir çalışma tekniğiyle karşılaştırıldığında bile yeniden maruz kalmayı geride bırakıyor. Karpicke ve Blunt (2011, Science) bir fen metnini hafızadan hatırlamayı, aynı metnin kavram haritalarını çizmekle karşılaştırdı. Bir hafta sonra hatırlama grubu 0,45’e karşı 0,67 puan aldı. İkinci deneyde 120 öğrenciden 101’i (yüzde 84) hatırlama pratiğinden sonra daha iyi sonuç aldı; oysa 120 öğrenciden 90’ı (yüzde 75) kavram haritalamanın en az onun kadar iyi olacağını öngörmüştü.
Akıcılık tuzağı: ne daha iyi hissettirdi, ne testte daha iyi sonuç verdi
Tablo bir CEOtudent sentezidir. Dördü üretken yapay zeka öncesinden, ikisi üretken yapay zekalı dönemden altı deneyi aynı iki soruya göre yan yana diziyor: o anda hangi koşul daha iyi göründü ya da hissettirdi, sonradan yapılan yardımsız testte hangisi daha iyi sonuç verdi.
| Deney | O anda daha iyi görünen ya da hissettiren | Sonraki testte daha iyi sonuç veren |
|---|---|---|
| Carpenter ve meslektaşları, 2013 (42 öğrenci) | Akıcı ders: öngörülen hatırlama çok daha yüksek (d = 1.03) | Hiçbiri; gerçek hatırlama farklılaşmadı |
| Deslauriers ve meslektaşları, 2019 (149 öğrenci) | Pasif anlatım dersi: öğrenme hissi 0,56 SS daha yüksek | Aktif ders: 0,46 SS daha yüksek |
| Roediger ve Karpicke, 2006 (180 öğrenci) | Tekrarlı çalışma: 5 dakika sonra yüzde 71’e karşı yüzde 83 ve daha yüksek özgüven | Tekrarlı test: 1 hafta sonra yüzde 40’a karşı yüzde 61 |
| Karpicke ve Blunt, 2011 (120 öğrenci) | Kavram haritalama: yüzde 75’i bunun aynı derecede iyi ya da daha iyi olmasını bekliyordu | Hatırlama pratiği: öğrencilerin yüzde 84’ü bununla daha iyi sonuç aldı |
| Bastani ve meslektaşları, 2025 (1.000’e yakın öğrenci) | Sade sohbet robotu: alıştırma puanları yüzde 48 arttı | Kontrol grubu: sohbet robotu kullanan öğrenciler yüzde 17 daha kötü sonuç aldı |
| Shen ve Tamkin, 2026 (52 geliştirici) | Yapay zeka yardımı: görev yaklaşık iki dakika daha erken bitti (anlamlı değil) | Elle kodlama: testte yüzde 50’ye karşı yüzde 67 |
Her satırda o anda daha iyi hissettiren ya da görünen koşul, daha fazla öğrenme üreten koşul olmadı. 2006 deneyindeki tekrarlı çalışma grubu bunun en net örneğidir: yaklaşık dört kat maruz kalma (3,4 okumaya karşı 14,2 okuma), buna karşılık kabaca üçte iki oranında kalıcılık (yüzde 61’e karşı yüzde 40). Tutorial cehenneminin aritmetiği budur.
“Sadece bir proje yap” yaklaşımı da yeni başlayanlarda neden işe yaramıyor?
Çünkü projeleri destekleyen araştırmalar rehbersiz projeleri test etmedi.
Önce zorlanmanın lehindeki en güçlü argüman, öğretimden önce problem çözme üzerine literatürdür. Sinha ve Kapur (2021, Review of Educational Research) 166 karşılaştırma içeren 53 çalışmayı bir araya getirdi ve öğretim almadan önce problemleri denemenin orta düzeyde bir avantaj sağladığını buldu (g = 0.36, yüzde 95 güven aralığı 0.20 ile 0.51 arası); tasarım aslına sadık uygulandığında bu değer 0.37 ile 0.58 arasına çıkıyordu. İki koşul önem taşıyor. Zorlanmayı her zaman öğretim izledi; ayrıca daha küçük yaştaki öğrenenlerde (ikinci sınıftan beşinci sınıfa kadar) ve alandan bağımsız genel becerilerde örüntü tersine işledi, bu durumlarda önce öğretim daha iyi sonuç verdi.
Proje tabanlı öğrenmeye ilişkin randomize deneyler de yapı konusunda aynı hikayeyi anlatıyor. Michigan’da 2.371 üçüncü sınıf öğrencisinin bulunduğu 46 okulda proje tabanlı bir fen müfredatı standart test puanlarını 0,277 standart sapma yükseltti (Krajcik ve meslektaşları, 2023); müdahale tasarlanmış dört üniteyi, materyalleri, öğretmenler için mesleki öğrenmeyi ve her ünitenin ardından yapılan değerlendirmeleri içeriyordu. Randomize edilen 68 okulda 3.645 öğrenciyle yapılan bir çalışmada, iki Advanced Placement dersinin proje tabanlı sürümü, sınavda geçerli sayılan puanı alanların payını genelde 4 yüzde puanı, sınava giren öğrenciler arasında ise 7,6 puan artırarak yüzde 37,2’den yüzde 44,8’e çıkardı (Saavedra ve meslektaşları, 2021). Bu programdaki öğretmenler dört günlük bir yaz enstitüsü, yıl içinde dört tam gün daha eğitim ve talep üzerine koçluk aldı. Yazarlar ayrıca, randomizasyondan sonra çalışmadan ayrılan okulların nedensellik iddiasını zayıflattığı konusunda uyarıyor.
Projeler bir iskelenin üzerine oturduğunda işe yarar. Kendisine “sadece bir şey inşa et” denen yeni başlayan kişinin eline, alt basamakları sökülmüş bir merdivenin son basamağı verilmiştir.
Yapay zeka devreye girdiğinde ne değişir?
Yapay zeka, bugüne kadar yapılmış en hızlı tutorial da olabilir, bir eğitmen de. Kanıtlar bu ikisini keskin biçimde ayırıyor.
Cevap makinesi olarak tuzağı derinleştirir. Bastani ve meslektaşları (2025, PNAS) Türkiye’deki bir lisede 9-11. sınıflardan 1.000’e yakın öğrenciyle, 90 dakikalık dört matematik oturumu boyunca bir saha deneyi yürüttü. Sade bir GPT-4 sohbet robotu alıştırma problemlerindeki puanları yüzde 48 artırdı; cevap yerine ipucu vermesi yönünde talimat verilmiş bir sürüm ise yüzde 127 artırdı. Sonrasında yapay zeka olmadan girilen sınavda sade sohbet robotu grubu, yalnızca ders kitaplarıyla alıştırma yapan öğrencilerden yüzde 17 daha kötü sonuç aldı; ipucu veren eğitmen ise zararı ortadan kaldırdı, ama bir kazanım da üretmedi. Sade sohbet robotu grubundaki öğrenciler daha kötü sonuç aldıklarını fark etmedi. Sohbet robotunun kendisi de yalnızca yüzde 51 oranında doğru cevap verdi.
Aynı durum çalışan geliştiriciler için de geçerli. Shen ve Tamkin (2026, Anthropic’ten bir ön baskı) çoğu kıdemsiz 52 yazılım mühendisinden aşina olmadıkları bir Python kütüphanesini öğrenmelerini istedi; katılımcılar yapay zeka asistanıyla ya da asistansız çalışmak üzere rastgele atandı. Yapay zeka grubu kavrama testinde ortalama yüzde 50 alırken elle kod yazan grup yüzde 67 aldı (d = 0.738, p = 0.010); aradaki fark 17 puandı ve en büyük farklar hata ayıklama sorularında görüldü. Yapay zeka grubu yaklaşık iki dakika daha erken bitirdi, ancak bu fark istatistiksel olarak anlamlı değildi. Asistanın nasıl kullanıldığı önemliydi: kodu asistana devreden, görev ilerledikçe asistana daha çok yaslanan ya da onu yinelemeli biçimde hata ayıklamak için kullanan katılımcılar ortalamada yüzde 40’ın altında kaldı; kavramsal sorular soran, kodla birlikte açıklama isteyen ya da kod üretip ardından onu anlamak için çalışan katılımcılar ise ortalama yüzde 65 ve üzeri aldı. Bu grupların her birinde 2 ile 7 arasında kişi bulunduğundan örüntü betimleyici niteliktedir.
Yapılandırılmış bir eğitmen olarak yardımcı olabilir. 194 Harvard fizik öğrencisiyle yapılan randomize bir deneyde (Kestin ve meslektaşları, 2025, Scientific Reports) özenle tasarlanmış bir yapay zeka eğitmeni, medyan 49 dakikada, aktif öğrenme dersindeki 3,5’e karşı 4,5’lik bir medyan son test puanı sağladı. Aynı yazarlar, öğrencilerin yapay zekayı koltuk değneği gibi kullanma olasılığının yüksek olduğu durumlarda ondan yararlanılmasına karşı uyarıyor.
Buradan çıkan kural şu: merdivende yapay zeka açıklayabilir, ipucu verebilir, sizi sınayabilir ve işinizi gözden geçirebilir. Basamağın size ürettirmek için var olduğu şeyi üretmesine ise izin yoktur. Daha geniş kanıtlar için yapay zeka sizi daha kötü mü düşündürüyor yazısına bakın.
Proje Tabanlı Öğrenme Merdiveni
Merdiven bir CEOtudent editöryel çerçevesidir. Yukarıdaki bulguları, rehberliğin giderek azaldığı bir sırayla altı basamağa yerleştirir. Bir bütün olarak test edilmemiştir; her basamak dayandığı araştırmayı belirtir ve her birinde, bir üst basamağa çıkmadan önce yardım almadan geçmeniz gereken bir çıkış testi vardır.
| Basamak | Ne yaparsınız | Dayandığı kanıt | Çıkış testi | İzin verilen yapay zeka kullanımı |
|---|---|---|---|---|
| 1. İncele | Eksiksiz bir örneğin üzerinden baştan sona geçer, her adımın ne işe yaradığını etiketlersiniz | Çözümlü örnekler (matematikte g = 0.48); acemiler için rehberlik | Her adımın ne yaptığını ve nedenini sade sözcüklerle anlatabilirsiniz | Adımları açıklama |
| 2. Tamamla | Kısmen kurulmuş bir sürümü bitirirsiniz: boşlukları doldurur ya da karıştırılmış adımları sıraya koyarsınız | Tamamlama problemleri, benzer öğrenme düzeyiyle sıfırdan yazmaya göre üçte bir daha az zaman aldı; kademeli azaltma | Örnek kapalıyken tamamlarsınız | Çözüm değil, ipucu |
| 3. Değiştir | Çalışan bir sürümü değiştirir ve çalıştırmadan önce sonucu tahmin edersiniz | 13 okulda tahmin et-çalıştır-değiştir öğretimi | Tahminleriniz çoğunlukla doğru çıkar | Tahmini yaptıktan sonra kontrol etme |
| 4. Yeniden kur | Örneğin tamamını günler sonra hafızadan yeniden oluşturursunuz | Hatırlama pratiği: bir hafta sonra yüzde 40’a karşı yüzde 61 | Bütün kaynaklar kapalıyken çalışır | Bitirene kadar hiç, sonra gözden geçirme |
| 5. Genişlet | Örneğin hiç kapsamadığı bir özellik eklersiniz; herhangi bir şeye bakmadan önce kendiniz denersiniz | Öğretimden önce problem çözme (g = 0.36), ardından öğretim | Eklenti çalışır ve bakmak zorunda kaldığınız kısmı açıklayabilirsiniz | Kendi denemenizden sonra açıklama |
| 6. Yayınla | Gerçek bir kullanıcı için size ait bir şey inşa eder ve somut geri bildirim toplarsınız | Yapılandırılmış projeler (0,277 SS; 4 puan); bilgi açısından zengin geri bildirim (d = 0.99) | Bir kullanıcı ya da değerlendirici yanıt vermiş, siz de gözden geçirilmiş bir sürüm yayınlamışsınızdır | Çalışmanızın gözden geçirilmesi ve eleştirilmesi |
Basamak 1, incele. İyi bir örnek, göz gezdirilmiş beş örnekten üstündür. Margulieux, Morrison ve Decker (2020) giriş düzeyindeki bir Java dersinde 265 öğrencinin yarısına, adımları amaçlarıyla etiketlenmiş çözümlü örnekler verdi. İlk kısa sınavda bu grubun yüzde 68’i kodu sade İngilizceyle açıklamada en üst iki düzeye ulaştı; kontrol grubunda bu oran yüzde 37’ydi. Etiketli grup kısa sınavlarda daha iyi sonuç aldı, ama sınavlarda almadı; ayrıca bu gruptan daha az kişi dersi bıraktı ya da dersten kaldı. Tutorial adımları etiketlemiyorsa siz etiketleyin.
Basamak 2, tamamla. Ericson, Margulieux ve Rick (2017) ilk Python dersini alan 135 öğrenciye şu yollardan biriyle alıştırma yaptırdı: karışık kod satırlarını doğru bir program oluşturacak biçimde dizmek, bozuk kodu düzeltmek ya da kodu sıfırdan yazmak. Dört alıştırma problemi dizme problemi olarak ortalama 473 saniye, düzeltme olarak 679 saniye, yazma olarak 714 saniye sürdü; öğrenmede ise ne hemen sonrasında ne de geri dönen 82 kişi arasında bir hafta sonra anlamlı bir fark vardı. Süre rakamları ilk yazarın aynı çalışmaya ilişkin doktora tezi bölümünden geliyor; yazarlar bu eşdeğerliğin tekrar çalışmasıyla doğrulanması gerektiğini belirtiyor.
Basamak 3, değiştir. PRIMM yaklaşımı (predict, run, investigate, modify, make: tahmin et, çalıştır, incele, değiştir, yap) 13 okulda, 11-14 yaş arasındaki 493 öğrenciyle, 8-12 hafta boyunca bir kontrol grubuyla birlikte değerlendirildi (Sentance, Waite ve Kallia, 2019). Makalenin özeti, etki büyüklüğü vermeden PRIMM grubunun son testte daha iyi sonuç aldığını bildiriyor; öğrenenler de okul çağındaki öğrencilerdi. Bu nedenle bu basamağı en zayıf desteklenen basamak olarak değerlendirin.
Basamak 4, yeniden kur. Tutorial cehenneminin atladığı basamak budur; deneysel desteği en güçlü olan da odur. Her şeyi kapatın ve projeyi yeniden oluşturun. Yeniden izlemekten daha kötü hissettirecektir. Yukarıdaki kalıcılık verileri ise bunun daha değerli olduğunu söylüyor.
Basamak 5, genişlet. Önce deneyin, sonra sizi tam olarak neyin durdurduğuna bakın. Sıra önemlidir: araştırmadaki yarar, çözümsüz bırakılan zorlanmaya değil, ardından öğretim gelen denemelere aittir.
Basamak 6, yayınla. Yayınlamanın amacı geri bildirimdir. Wisniewski, Zierer ve Hattie (2020) 435 çalışmayı bir araya getirdi ve geri bildirimin öğrenme üzerinde ortalama d = 0.48 düzeyinde bir etkisi olduğunu buldu; ancak geri bildirimin türü ortalamadan daha önemliydi: bilgi açısından zengin geri bildirim 0.99’a ulaştı, basit pekiştirme ya da ceza 0.24’te kaldı ve tüm etkilerin yüzde 17’si negatifti. Ericsson, Krampe ve Tesch-Romer (1993) anında verilen, bilgilendirici geri bildirimi bilinçli pratiğin tanımlayıcı koşullarından biri saydı. Değerlendiricilere beğenip beğenmediklerini değil, neyin yanlış olduğunu ve nasıl düzeltileceğini sorun. Pratiğin neyi sağlayıp neyi sağlamadığına dair daha fazlası 10.000 saat efsanesi yazısında.
Basamağınızı nasıl bulur ve merdiveni her hafta nasıl işletirsiniz?
Basamağınızı tek bir testle bulun. Tamamladığınız son tutorialı alın ve 4. basamağı deneyin: her şey kapalıyken onu yeniden kurun. Yapabiliyorsanız 5. basamaktan başlayın. Yapamıyorsanız yeni bir tutoriala başlamak yerine aynı malzemeyle 2. ya da 3. basamağa inin.
CEO hamlesi: devam eden işleri yönetin.
- Devam eden tek bir tutorial. Mevcut tutorial 4. basamağı geçmeden bir yenisine başlamayın. Bu tek kısıt, tüketimi gerçekten kullanabileceğiniz bir stoka dönüştürür.
- Tutorialdan önce projeyi seçin. 6. basamağın ne olacağına karar verin, sonra ona hizmet eden rehberliği seçin. Becerinin kendisini seçmek için 4 faktörlü karar matrisini kullanın.
- Saatleri değil, çıkışları sayın. Ne kadar süre izlediğinizi değil, bu hafta kaç basamağı geçtiğinizi takip edin. Belirli beceriler için gerçekçi süreler 20 beceri için yetkinlik süresi yazısında.
- Geri bildirimi erkenden temin edin. 6. basamak için kullanıcıyı, değerlendiriciyi ya da topluluğu en baştan belirleyin ki yayınladığınız işin gideceği bir yer olsun.
Öğrenci hamlesi: testi dersin kendisi yapın.
- Çalıştırmadan önce tahmin edin. Herhangi bir şeyi çalıştırmadan, derlemeden, render almadan ya da göndermeden önce ne beklediğinizi yazın.
- Bir hata günlüğü tutun. Her hata için tek satır: ne bekliyordunuz, ne oldu, şimdi ne biliyorsunuz. Bu, kendi ürettiğiniz bilgi açısından zengin geri bildirimdir.
- Gecikmeli olarak yeniden kurun. Kalıcı olmasını istediğiniz her şey için 4. basamağı bir hafta sonra tekrarlayın. Sönmeyi önleyen takvim beceri kaybı ve bakım yazısında, bunun arkasındaki tekniklerin sıralaması ise sıralanmış 12 çalışma tekniği yazısında yer alıyor.
- Yapay zekayı yazar olarak değil, eğitmen olarak kullanın. Ondan açıklamasını, sizi sınamasını ve inşa ettiğiniz şeyi eleştirmesini isteyin. Bunun için bir protokol 20 saatlik yapay zeka eğitmen protokolü yazısında bulunuyor.
Merdiven ne zaman yanlış araçtır?
- En baştaysanız. Hiçbir kavram dağarcığınız yoksa 1. ve 2. basamaklarda daha uzun kalın. Bu aşamada rehberliğe ihtiyaç duymak bir zayıflık değil, araştırmanın öngördüğü şeydir.
- Hatalar pahalıysa ya da geri döndürülemezse. Klinik, güvenlik açısından kritik ya da finansal işlerde üst basamakların yeri tek başına yürütülen bir proje değil, gözetim altıdır.
- Beceri alandan bağımsızsa ya da öğrenen küçük yaştaysa. Önce zorlanma lehindeki kanıtlar, okulun ilk sınıflarında ve genel becerilerde tersine döndü.
- İhtiyacınız beceri değil, sonuçsa. Bir iş tek seferlikse bir tutorialı takip etmek ya da işi devretmek makul bir karardır. Bu kararı bilinçli olarak verin ve bunu pratik saymayın.
Doğrulanmış veriler ne diyor? Bir bakışta temel çalışmalar
| Çalışma | Tasarım ve örneklem | Bildirilen sonuç |
|---|---|---|
| Barbieri ve meslektaşları, 2023 | Meta-analiz, 55 çalışma, 181 etki büyüklüğü, matematik | Çözümlü örnekler g = 0.48; kendi kendine açıklama yönergeleri etkiyi düşürdü |
| Deslauriers ve meslektaşları, 2019 | Randomize çapraz tasarım, 149 fizik öğrencisi | Aktif dersler testte 0,46 SS daha yüksek, öğrenme hissinde 0,56 SS daha düşük |
| Roediger ve Karpicke, 2006 | İki deney, 120 ve 180 öğrenci | 1 hafta sonra yüzde 42’ye karşı yüzde 56 (yeniden çalışmaya karşı bir test) ve yüzde 40’a karşı yüzde 61 (tekrarlı çalışmaya karşı üç test) |
| Karpicke ve Blunt, 2011 | İki deney, 80 ve 120 öğrenci | Hatırlama 0,67, kavram haritalama 0,45; yüzde 84’ü hatırlamayla daha iyi sonuç aldı |
| Freeman ve meslektaşları, 2014 | Meta-analiz, 225 çalışma | Sınav performansı 0,47 SS arttı; başarısızlık yüzde 33,8’e karşı yüzde 21,8 |
| Ericson, Margulieux ve Rick, 2017 | Deney, 135 öğrenci | Alıştırma süresi 714 saniyeye (yazma) karşı 473 saniye (dizme); öğrenmede anlamlı fark yok |
| Sinha ve Kapur, 2021 | Meta-analiz, 53 çalışma, 166 karşılaştırma | Öğretimden önce problem çözme için g = 0.36; 2-5. sınıflarda tersine döndü |
| Krajcik ve meslektaşları, 2023 | Küme randomize deney, 46 okul, 2.371 öğrenci | Standart bir fen testinde 0,277 SS |
| Saavedra ve meslektaşları, 2021 | Randomize okullar, 3.645 öğrenci | Geçerli puan alanlarda 4 puan artış; sınava girenlerde 7,6 puan |
| Wisniewski, Zierer ve Hattie, 2020 | Meta-analiz, 435 çalışma | Geri bildirim d = 0.48; bilgi açısından zengin 0.99; pekiştirme ya da ceza 0.24 |
| Bastani ve meslektaşları, 2025 | Saha deneyi, 1.000’e yakın öğrenci | Alıştırma yüzde 48 ve yüzde 127 arttı; yardımsız sınav sade sohbet robotuyla yüzde 17 daha kötü |
| Shen ve Tamkin, 2026 | Randomize deney, 52 geliştirici | Test yüzde 67’ye karşı yüzde 50 (d = 0.738); anlamlı bir zaman tasarrufu yok |
SSS
Tutorial cehennemi nedir?
Tutorialları başarıyla tamamlayıp tutorial olmadan bir şey inşa edememe halidir. Topluluk içinde doğmuş bir terimdir. Arkasındaki araştırmalar akıcılık yanılsamalarını ve uzmanlık tersine dönme etkisini konu alır.
Tutoriallar öğrenme için kötü mü?
Hayır. Rehberli örnekler bir acemi için en verimli başlangıçtır; matematikteki ortalama etki g = 0.48 düzeyindedir. Onları kolayca takip edebildiğiniz anda getirileri biter; bu, tamamlamaya, değiştirmeye ve yeniden kurmaya geçme anıdır.
Bir projeye başlamadan önce kaç tutorial bitirmek gerekir?
Araştırmalar bir sayı vermiyor. Bunun yerine bir test kullanın: son tutorial projesini hafızadan yeniden kurabiliyorsanız onu genişletmeye, ardından kendi projenize başlamaya hazırsınız.
Proje tabanlı öğrenme gerçekten işe yarıyor mu?
Yapılandırılmış sürümleri yarıyor. Randomize deneyler ilkokul fen derslerinde 0,277 standart sapmalık, iki lise dersinde ise geçerli sınav puanlarında 4 yüzde puanlık kazanım buldu. Her iki program da tasarlanmış materyaller ve kapsamlı öğretmen desteğiyle birlikte geldi.
Kodlama öğrenirken yapay zeka kullanmak uygun mu?
Kullanım biçimine bağlı. Sade bir sohbet robotu kullanan öğrenciler, sonrasında onsuz girdikleri sınavda yüzde 17 daha kötü sonuç aldı; kodu bir asistana devreden geliştiriciler ise kavrama testinde ortalama yüzde 40’ın altında kaldı. Açıklama ve ipucu istemek yüzde 65 ve üzeri puanlarla ilişkiliydi.
Hafızadan yeniden kurmak neden yeniden izlemekten bu kadar daha kötü hissettirir?
Çünkü çabayı başarısızlıkla karıştırmak kolaydır. Kalıcılık deneylerinde daha az etkili hissettiren yöntem, bir hafta sonra daha fazla öğrenme sağladı.
Kaynakça
- Carpenter SK, Wilford MM, Kornell N, Mullaney KM. Appearances can be deceiving: instructor fluency increases perceptions of learning without increasing actual learning. Psychonomic Bulletin and Review. 2013;20:1350-1356.
- Deslauriers L, McCarty LS, Miller K, Callaghan K, Kestin G. Measuring actual learning versus feeling of learning in response to being actively engaged in the classroom. PNAS. 2019;116(39):19251-19257.
- Roediger HL, Karpicke JD. Test-enhanced learning: taking memory tests improves long-term retention. Psychological Science. 2006;17(3):249-255.
- Karpicke JD, Blunt JR. Retrieval practice produces more learning than elaborative studying with concept mapping. Science. 2011;331(6018):772-775.
- Kirschner PA, Sweller J, Clark RE. Why minimal guidance during instruction does not work. Educational Psychologist. 2006;41(2):75-86.
- Barbieri CA, Miller-Cotto D, Clerjuste SN, Chawla K. A meta-analysis of the worked examples effect on mathematics performance. Educational Psychology Review. 2023;35:11. Özet.
- Kalyuga S, Ayres P, Chandler P, Sweller J. The expertise reversal effect. Educational Psychologist. 2003;38(1):23-31. Özet.
- Renkl A, Atkinson RK. Structuring the transition from example study to problem solving in cognitive skill acquisition. Educational Psychologist. 2003;38(1):15-22. Özet.
- Stack Overflow. 2025 Developer Survey, resmi sonuçlar (Developers ve Methodology sayfaları).
- Koedinger KR, Kim J, Jia JZ, McLaughlin EA, Bier NL. Learning is not a spectator sport: doing is better than watching for learning from a MOOC. Proceedings of the Second ACM Conference on Learning at Scale. 2015:111-120.
- Freeman S, Eddy SL, McDonough M, Smith MK, Okoroafor N, Jordt H, Wenderoth MP. Active learning increases student performance in science, engineering, and mathematics. PNAS. 2014;111(23):8410-8415.
- Sinha T, Kapur M. When problem solving followed by instruction works: evidence for productive failure. Review of Educational Research. 2021;91(5):761-798. Özet.
- Krajcik J, Schneider B, Miller EA, Chen I-C, Bradford L, Baker Q, Bartz K, Miller C, Li T, Codere S, Peek-Brown D. Assessing the effect of project-based learning on science learning in elementary schools. American Educational Research Journal. 2023;60(1):70-102. Özet.
- Saavedra AR, Liu Y, Haderlein SK, Rapaport A, Garland M, Hoepfner D, Morgan KL, Hu A. Knowledge in Action efficacy study over two years. USC Dornsife Center for Economic and Social Research. 2021.
- Bastani H, Bastani O, Sungu A, Ge H, Kabakci O, Mariman R. Generative AI without guardrails can harm learning: evidence from high school mathematics. PNAS. 2025;122(26):e2422633122.
- Shen JH, Tamkin A. How AI impacts skill formation. Ön baskı, Anthropic, 2026.
- Kestin G, Miller K, Klales A, Milbourne T, Ponti G. AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports. 2025;15:17458.
- Margulieux LE, Morrison BB, Decker A. Reducing withdrawal and failure rates in introductory programming with subgoal labeled worked examples. International Journal of STEM Education. 2020;7:19.
- Ericson BJ, Margulieux LE, Rick J. Solving Parsons problems versus fixing and writing code. Proceedings of the 17th Koli Calling International Conference on Computing Education Research. 2017:20-29. Özet; süre verileri Ericson BJ, doktora tezi, Georgia Institute of Technology, 2018 kaynağından.
- Sentance S, Waite J, Kallia M. Teaching computer programming with PRIMM: a sociocultural perspective. Computer Science Education. 2019;29(2-3):136-176. Özet.
- Wisniewski B, Zierer K, Hattie J. The power of feedback revisited: a meta-analysis of educational feedback research. Frontiers in Psychology. 2020;10:3087.
- Ericsson KA, Krampe RT, Tesch-Romer C. The role of deliberate practice in the acquisition of expert performance. Psychological Review. 1993;100(3):363-406.
Akıcılık tuzağı tablosu ve Proje Tabanlı Öğrenme Merdiveni, yukarıdaki kaynaklara dayanan CEOtudent analizleridir. Diğer bütün rakamlar bu kaynaklarda yayımlandığı biçimiyle aktarılmıştır.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
