Bloom Taksonomisi ile Yapay Zekâ Destekli Otomatik Kazanım Etiketleme

Bir kurumun eğitim kataloğu birkaç düzine içerikten yüzlerce ders, sınav ve uygulama senaryosuna çıktığında, asıl zorluk içerik üretmekten çok her kazanımı aynı ölçütle tanımlamak olur. Bir uzman “uygulama” dediğine başka bir uzman “anlama” diyebilir; eski derslerdeki etiketler zamanla anlamını kaybedebilir. Bu tutarsızlık, raporlamayı ve beceri bazlı öğrenme yollarını zayıflatır.

Bloom Taksonomisi, öğrenme kazanımlarını bilişsel talep düzeyine göre ortak bir dille sınıflandırmak için kullanılabilir. Yapay zekâ ise bu işi tek başına “doğru kararı veren” bir otorite olarak değil; metinleri ön inceleyen, aday etiketi ve gerekçeyi görünür kılan bir yardımcı olarak ele alındığında ölçeklenebilirlik sağlayabilir. Bu yazı, yaklaşımın sınırlarını ve bir kurumsal çözüm değerlendirmesinde bakılması gereken ölçütleri açıklar.

Manuel kazanım etiketleme neden ölçeklenmez?

Manuel etiketleme küçük bir pilotta yönetilebilir görünür; fakat kurum büyüdükçe her yeni içerik için uzman zamanı, karar birliği ve kayıt disiplini gerekir. Darboğaz yalnızca iş gücü değildir. Etiketlerin hangi tanıma göre verildiği, aynı kazanımın farklı içeriklerde nasıl yorumlandığı ve itirazların nasıl çözüldüğü de belgelenmelidir.

Gizli maliyet: etiket değil, karar standardı

İyi bir sınıflandırma sözlüğü olmadan aynı fiil farklı bilişsel talepleri temsil edebilir. “Açıklamak” çoğu zaman anlama düzeyine işaret eder; “tasarlamak” ise yaratma düzeyine yaklaşabilir. Ancak bağlam, hedef kitle ve ölçme yöntemi bilinmeden fiile bakarak karar vermek hatalıdır. Bu nedenle otomasyonun ilk adımı model seçmek değil, kurumun etiketleme politikasını yazmaktır.

Dağınık tablolar, farklı ekiplerin kullandığı kısaltmalar ve eski içeriklerdeki serbest metinler de veri kalitesini düşürür. LMS veri taşıma ve geçiş rehberi gibi bir envanter çalışması, otomatik sınıflandırmadan önce hangi kayıtların gerçekten işlenmeye değer olduğunu görmeye yardımcı olur.

Bloom Taksonomisi altı bilişsel seviyeyi nasıl açıklar?

Bloom çerçevesi, bir çalışanın “iyi” ya da “kötü” olduğunu puanlamaz; bir öğrenme kazanımının öğrenciden ne tür bir zihinsel işlem beklediğini tarif eder. Yenilenmiş kullanımda yaygın olarak aşağıdaki altı seviye görülür. Kurumlar terimleri kendi sözlüklerine uyarlayabilir; önemli olan tanımların ve örneklerin ekipler arasında sabit kalmasıdır.

Yapay zekâ destekli otomatik etiketleme nasıl çalışır?

Güvenilir bir mimaride yapay zekâ, nihai sınıflandırmayı gizlice yapan bir kutu olmamalıdır. Daha iyi yaklaşım; sınırlı ve temiz bir girdi almak, olası Bloom etiketini gerekçesiyle üretmek, belirsizliği işaretlemek ve uzman onayını kayıt altına almaktır. Böylece otomasyon, kurumsal karar sürecinin yerine geçmez; süreci daha izlenebilir hale getirir.

1. Şema ve sözlük oluşturun: Altı seviyenin tanımını, izin verilen fiilleri, örnekleri ve “belirsiz” durumunu kurum sözlüğünde yazılı hale getirin.
2. Veriyi en aza indirin: Sınıflandırma için gerekli kazanım metni ve bağlamı ayırın. Ad, çalışan numarası, e-posta, sağlık bilgisi veya gereksiz performans notlarını modele göndermeyin.
3. Aday etiket ve gerekçe üretin: Sistem, yalnızca “L4” demek yerine hangi fiil ve bağlamın kararı desteklediğini, hangi alternatiflerin mümkün olduğunu ve belirsizliği göstermelidir.
4. İnsan incelemesi uygulayın: Alan uzmanı örnekleri onaylar, düzeltir veya “yeterli bağlam yok” işareti verir. Yüksek etkili eğitim ve uyum kararları otomatik karara bağlanmamalıdır.
5. Sürüm ve denetim izi tutun: Etiket sözlüğünün, model talimatının, girdinin ve son insan kararının hangi tarihte değiştiği kaydedilmelidir.

Bu akış, bir AI destekli müfredat ve soru üretimi yaklaşımı ile birlikte ele alınabilir; ancak üretim ve sınıflandırma ayrı kontroller gerektirir. Bir içerik otomatik üretildi diye otomatik olarak doğru Bloom seviyesine sahip olduğu varsayılmamalıdır.

Altı seviyeli sınıflandırma için karar tablosu

Aşağıdaki tablo, sınıflandırıcıyı yönlendiren bir başlangıç kontrolüdür; tek başına otomatik karar kuralı değildir. Özellikle “değerlendirme” ve “yaratma” seviyelerinde bağlam, çıktı ve ölçüt birlikte incelenmelidir.

Kurumsal yönetişim sınırları: veri, insan ve hesap verebilirlik

Yapay zekâ destekli etiketleme, eğitim verisini işlediği için yalnızca bir içerik operasyonu değildir. KVKK ve kurumun bilgi güvenliği politikaları açısından veri sorumlusu, veri işleyen, saklama süresi, erişim yetkisi ve olası üçüncü taraf model kullanımı netleştirilmelidir. Kurumsal LMS bilgi güvenliği ve KVKK uyum rehberi, bu değerlendirmede sorulabilecek başlıkları genişletir.

• Minimizasyon: Kimlik bilgilerini sınıflandırma girdisinden çıkarın; yalnızca görev, kazanım ve gerekli öğrenme bağlamını tutun.
• Yetkilendirme: Ham metin, aday etiket ve onaylı etiket için ayrı erişim rolleri tanımlayın.
• Saklama ve silme: Model girdilerinin, logların ve düzeltme kayıtlarının ne kadar süre tutulacağını yazılı hale getirin.
• İnsan itirazı: Uzman, öneriyi değiştirebilmeli; değişikliğin nedeni raporlanabilmeli ve bir sonraki sürümde politika güncellenebilmelidir.
• Önyargı ve kapsam: Dil, sektör veya görev aileleri arasında sistematik bir etiket farkı oluşup oluşmadığı örneklem bazlı izlenmelidir.

Bir modelin “güven skoru” göstermesi, kararın doğru olduğu anlamına gelmez. Kurum, güven skorunu kabul eşiği değil, insan incelemesinin önceliklendirme sinyali olarak ele almalıdır.

BoFU satın alma kararı: hangi kriterlere bakılmalı?

Otomatik etiketleme çözümü seçerken soru “AI var mı?” olmamalıdır. Asıl soru; çözümün kurumun mevcut içerik, beceri ve güvenlik mimarisiyle kanıtlanabilir biçimde çalışıp çalışmadığıdır. Aşağıdaki kriterler, Qulak dahil herhangi bir sağlayıcıyı tarafsızca karşılaştırmak için kullanılabilir.

Qulak, geniş ve dağınık bir öğrenme kataloğunu ortak bir beceri diliyle düzenlemek, sınıflandırma sürecini görünür kılmak ve mevcut eğitim ekosistemiyle birlikte test etmek isteyen kurumların kısa listesinde değerlendirilebilir. Buna karşılık kurumun veri sözlüğü yoksa, insan incelemesi için sorumluluk atanmamışsa veya amaç “hiç kontrol etmeden otomatik karar” ise hiçbir sağlayıcıyı yalnızca pazarlama vaadiyle seçmemek gerekir.

Pilot nasıl tasarlanmalı?

Sağlıklı bir pilot, en kolay içerikleri seçip yüksek uyum göstermek yerine gerçek operasyonu temsil eden örnekleri kapsar. Farklı departmanlardan, kısa ve uzun kazanım metinlerinden, bağlamı eksik kayıtlardan ve her altı seviyeden örnekler seçin. Önce uzmanların oluşturduğu bir “referans set” hazırlayın; ardından yapay zekâ önerilerini bu setle karşılaştırın.

1. Etiket tanımlarını ve sınır örneklerini pilot başlamadan dondurun.
2. Uzmanlar arası görüş ayrılığını ayrıca ölçün; her anlaşmazlığı model hatası saymayın.
3. Doğruluk, kapsama, karışıklık matrisi ve insan başına inceleme süresi gibi metrikleri birlikte izleyin.
4. Belirsiz veya yanlış önerilerin hangi metin tiplerinde yoğunlaştığını analiz edin.
5. İnsan onayı olmadan canlıya çıkmama, geri alma ve sürümleme koşullarını sözleşmeye ve iş akışına ekleyin.

Bu yöntem, doğrulanmamış performans yüzdeleri yerine kurumun kendi verisiyle ölçülebilen bir karar çerçevesi sağlar. Bir demoda görülen birkaç iyi sonuç, üretim ortamındaki tüm katalog için garanti değildir.

Sıkça Sorulan Sorular

Kaynaklar

Bloom çerçevesi ve yapay zekâ yönetişimi için başvurulan güvenilir kaynaklar:

• Vanderbilt University — Bloom’s Taxonomy
• Anderson ve Krathwohl — A Taxonomy for Learning, Teaching, and Assessing
• UNESCO — Guidance for Generative AI in Education and Research
• NIST — AI Risk Management Framework

İlgili Qulak rehberleri