Teknoloji Entegrasyon Matrisi (TIM) Analizi ve Dönüştürücü Ders Tasarımı

Giriş

Yapay zekanın yaygınlaşmasıyla birlikte eğitim teknolojileri, geleneksel bilgilerin dijital hale dönüştürülmesinden ziyade öğrenme deneyimlerinin dinamik, uyarlanabilir ve akıllı sistemler aracılığıyla yeniden yapılandırılmasına doğru bir dönüşüm geçirmektedir. Bu bakış açısıyla, Yapay Zeka Eğitimi ve Makine Öğrenmesi kavramlarının K-12 müfredatına entegrasyonu, 21. yüzyıl dijital okuryazarlığının temel ihtiyaçlarından biri haline gelmiştir. Özellikle bilişsel gelişim açısından somut işlemler döneminden soyut işlemler dönemine geçişin başladığı 5 ve 6. sınıf (10-12 yaş grubu), algoritmik düşünme, veri etiği ve insan-makine etkileşimi gibi karmaşık kavramların temellerinin atılması için dikkatli bir çalışma gerektirmektedir.  Bunu yaparken de yapay zeka teknolojilerinin sınıfa getirilmesi tek başına yeterli değildir; teknolojinin pedagojik olarak nasıl konumlandırıldığı, öğrenme çıktılarının kalitesini belirleyen asıl faktördür.   

Çalışmamda baz aldığım teknoloji entegrasyon modeli, Florida Center for Instructional Technology tarafından geliştirilen Teknoloji Entegrasyon Matrisi (2009) çerçevesidir. Türkiye Yüzyılı Maarif Modeli kapsamında yenilenen Bilişim Teknolojileri ve Yazılım dersi için tasarlanmış bir Yapay Zeka ders planını detaylandırmakta ve analiz etmektedir. Bu araştırmanın temel amacı, öğretmen merkezli ve pasif teknoloji kullanımından (Giriş), öğrenci merkezli, yapılandırmacı ve yenilikçi kullanıma (Dönüşüm) geçişi sağlayan pedagojik mimariyi ortaya koymaktır. Tasarlanan “Geleceği Eğitmek: Yapay Zekayı Anlamak ve Tasarlamak” başlıklı ders, öğrencilerin sadece Yapay Zeka tüketicisi olmaktan çıkıp, yapay zeka sistemlerinin nasıl çalıştığını sorgulayan, veri yanlılığını ve etik ihlalleri tespit eden ve kendi makine öğrenmesi modellerini eğiten aktif yapay zeka üreticilere dönüşmelerini hedeflemektedir.   

Çalışma, TIM modelinin beş temel öğrenme ortamı özelliği (Aktif, İşbirlikli, Yapılandırıcı, Otantik, Hedefe Yönelik) ile beş teknoloji entegrasyon seviyesi (Giriş, Benimseme, Uyarlama, Kaynaştırma, Dönüşüm) arasındaki kesişimleri inceleyerek, önerilen etkinliklerin neden ve nasıl üst düzey düşünme becerilerini desteklediğini kanıtlamaktadır.

Teknoloji Entegrasyon Matrisi (TIM) ve Yapay Zeka

Teknoloji Entegrasyon Matrisi (TIM), teknolojinin sınıfta varlığından çok, teknolojinin öğrenme sürecini nasıl değiştirdiğine odaklanan teorik bir çerçeve modelidir. Bu model, teknolojiyi bir öğretim aracı olmaktan çıkarıp, öğrencilerin dünyayı anlamlandırmaları için kullandıkları bir bilişsel araç olarak konumlandırır. Yapay Zeka eğitiminde kullanım açısından TIM, öğrencilerin karmaşık algoritmik süreçleri anlamalarında teknolojinin nasıl bir yardımcı asistan işlevinde kullanıldığını anlamak için ideal bir yapı sunar.   

TIM, 25 hücreden oluşan bir matris yapısına sahiptir. Bu yapının dikey ekseninde, anlamlı öğrenme ortamlarının beş özelliği yer alır:

1. Aktif Öğrenme (Active): Öğrencilerin teknolojiyi pasif bir şekilde izlemek yerine, veri girişi yaparak, manipüle ederek ve üreterek aktif katılım sağladığı durumdur. Yapay Zeka derslerinde bu, hazır bir modeli kullanmak yerine modelin kendisini eğitmek anlamına gelir.   
2. İşbirlikli Öğrenme (Collaborative): Teknolojinin, öğrenciler arasında etkileşimi, tartışmayı ve ortak ürün geliştirmeyi teşvik ettiği ortamdır. Yapay Zeka açısından baktığımızda bu, veri setlerinin çeşitliliğini sağlamak ve yanlılığı (önyargı) tartışmak için işbirliği zorunludur.   
3. Yapılandırıcı Öğrenme (Constructive): Öğrencilerin teknolojiyi kullanarak yeni bilgileri önceki şemalarıyla ilişkilendirdiği ve anlam inşa ettiği süreçtir. Makine öğrenmesinin mantığını kavramak, öğrencilerin “öğrenme” kavramını (yapay zeka, doğal zeka) yeniden yapılandırmalarını gerektirir.   
4. Özgün Öğrenme (Authentic): Öğrenme etkinliklerinin sınıf dışındaki gerçek dünya problemleriyle ilişkilendirilmesidir. Yapay Zeka, otonom araçlardan yüz tanıma sistemlerine kadar öğrencilerin günlük hayatlarının bir parçası olduğu için doğası gereği özgündür.   
5. Hedefe Yönelik Öğrenme (Goal-Directed): Öğrencilerin teknolojiyi kullanarak hedefler belirlediği, süreçlerini izlediği ve sonuçlarını değerlendirdiği ortamdır. Bir Yapay Zeka modelinin doğruluk oranını artırmak için yapılan tekrarlayan denemeler bu kategoriye girer.   

Entegrasyon Seviyeleri ve Öğretmen Rolündeki Değişim

TIM, teknolojinin entegrasyonunu beş aşamada tanımlar. Bu aşamalar, öğretmen kontrolünün azalıp öğrenci özerkliğinin arttığı bir süreklilik arz eder:

• Giriş (Entry): Öğretmen teknolojiyi içeriği sunmak için kullanır; öğrenciler pasif alıcıdır.
• Benimseme (Adoption): Öğretmen öğrencileri teknolojinin standart kullanımında yönlendirir.
• Uyarlama (Adaptation): Öğretmen kolaylaştırıcıdır; öğrenciler araçları bağımsız olarak keşfeder.
• Kaynaştırma (Infusion): Öğretmen bağlamı sağlar; öğrenciler sorunu çözmek için araçları kendileri seçer.
• Dönüşüm (Transformation): Öğretmen yenilikçi kullanımı teşvik eder; teknoloji, onsuz mümkün olmayacak üst düzey öğrenme fırsatları yaratır.   

Senaryolarla Ders Tasarımı: Geleceği Eğitmek

Ortaokul öğrencileri için tasarlanan ve TIM modelinin üst basamaklarını hedefleyen tematik bir ders tasarımının detaylı akışını düşünelim. Dersimiz, ISTE (International Society for Technology in Education) standartları ve K-12 Yapay Zeka Yönergeleri ile uyumludur.

Ders Bilgileri:

• Hedef Kitle: Ortaokul
• Konu: Yapay Zeka, Makine Öğrenmesi, Yapay Zeka Etiği, Veri Yanlılığı (Önyargı) ve Yapay Zeka Modeli Eğitimi
• Gerekli Materyaller: İnternet bağlantılı bilgisayarlar/tabletler (tercihen kameralı), Google Teachable Machine, Code.org, Quick, Draw!, Gemini, Chat GPT, Canva

Öğrenme Hedefleri (Kazanımlar)

Bu dersin sonunda öğrenciler:

1. Bilişsel Hedef: Yapay zekanın sihirli bir kutu değil, verilerle eğitilen bir sistem olduğunu açıklayabilir (Makine Öğrenmesi Mantığı).   
2. Duyuşsal Hedef: Veri setlerindeki insan kaynaklı önyargıların, Yapay Zekanın kararlarını nasıl etkilediğini fark eder ve etik sorumluluk hisseder (Dijital Vatandaşlık).   
3. Psikomotor Hedefler: Google Teachable Machine kullanarak, kendi belirledikleri sınıflara (kategorilere) sahip çalışan bir görüntü tanıma modeli eğitebilir ve test edebilir.