Yükseköğretimde Öğrenci Danışmanlığı ve Geribildirim Süreçlerinin Otomasyonu

Arş. Gör. Fatih DEMİR
Karadeniz Teknik Üniversitesi
[email protected]

Yükseköğretimde Öğrenci Danışmanlığı ve Geribildirim Süreçlerinin Otomasyonu: Yapay Zekâ Tabanlı Akıllı Asistanlar için Bir Ön İnceleme ve Model Önerisi

Yükseköğretim, 21. yüzyılda kitleselleşme ve dijitalleşmenin getirdiği yapısal zorluklarla karşı karşıyadır. Artan öğrenci sayıları, akademik danışmanların üzerindeki idari iş yükünü artırırken, öğrencilere sunulan proaktif ve kişiselleştirilmiş rehberlik hizmetlerinin kalitesini düşürme riski taşımaktadır. Bu çalışma, söz konusu zorluklara yönelik stratejik bir çözüm olarak, yapay zekâ (AI) tabanlı akıllı asistanların potansiyelini derinlemesine incelemektedir.

Makalenin temel tezi, bu teknolojilerin insan danışmanların yerini almaktan ziyâde, onların rolünü stratejik olarak güçlendiren ve verimliliği artıran bir “insan-yapay zekâ ortaklığı” modeli oluşturabileceğidir. Bu modelde yapay zekâ, yüksek hacimli ve tekrar eden görevleri otomatize ederken, insan danışmanlar empati, karmaşık problem çözme ve derinlemesine mentorluk gibi katma değeri yüksek rollere odaklanabilmektedir. Bu amaçla, makalede öncelikle akademik danışmanlık, öğrenme analitikleri ve eğitimde yapay zekâ uygulamaları üzerine kapsamlı bir literatür taraması sunulmaktadır. Bu teorik zemin üzerine, reaktif danışmanlık (chatbot), proaktif uyarı ve otomatik geri bildirim işlevlerini bütünleştiren çok modüllü bir kavramsal mimari önerilmektedir. Çalışma, bu modelin gelecekte ampirik olarak test edilebilmesi için Teknoloji Kabul Modeli (TAM) ve Bilgi Sistemleri Başarı Modeli gibi temel teorilere dayanan, karma yöntemli (nicel ve nitel) bir araştırma yöntemi de ortaya koymaktadır. Çalışmanın temel sonucu, dikkatli bir tasarım ve etik ilkeler gözetildiğinde, yapay zekâ asistanlarının öğrenci memnuniyetini artırma, danışmanların idari yükünü hafifletme ve kurumsal verimliliği yükseltme potansiyeline sahip olduğudur.

Bununla birlikte, teknolojinin sınırlılıkları, algoritmik yanlılık riskleri, veri gizliliği ve özellikle karmaşık konularda vazgeçilmez olan insani dokunuşun korunmasının önemi de güçlü bir şekilde vurgulanmaktadır. Bu çalışma, gelecekteki ampirik araştırmalara bir yol haritası sunarken, üniversite yöneticileri için de teknoloji entegrasyonuna yönelik pratik ve etik öneriler sağlamaktadır.

Yirmi birinci yüzyıl, yükseköğretim kurumlarını küreselleşme, kitleselleşme ve dijitalleşme ekseninde köklü bir dönüşüme zorlamaktadır. Bilginin hızla üretilip yayıldığı bu yeni çağda üniversiteler, artık yalnızca seçkin bir kitleye hizmet veren geleneksel yapılar olmaktan çıkmış; farklı sosyo-ekonomik arka planlardan gelen, beklentileri ve ihtiyaçları çeşitlilik gösteren milyonlarca öğrenciye ev sahipliği yapan karmaşık ekosistemlere evrilmiştir (Altbach, Reisberg, & Rumbley, 2019).

Martin Trow’un (2006) kavramsallaştırdığı “elitten kitleye ve evrensel erişime geçiş” süreci, öğrenci başına düşen akademik ve idari personel sayısı arasındaki makası giderek açmakta, mevcut destek mekanizmalarının verimliliğini ve yeterliliğini ciddi bir biçimde sorgulanır hale getirmektedir. Bu yapısal baskının en yoğun hissedildiği alanlardan biri ise şüphesiz öğrenci danışmanlığı ve akademik destek hizmetleridir.

İdeal bir akademik danışmanlık süreci, öğrencinin sadece ders seçimleri gibi idari işlemlerini yürüten bir mekanizma değil, aynı zamanda onun akademik, kariyer ve hatta kişisel gelişimine bütüncül bir yaklaşımla rehberlik eden proaktif bir mentorluk ilişkisidir (Gordon, Habley, & Grites, 2008). Öğrencinin üniversiteye aidiyetini ve başarısını doğrudan etkileyen bu ilişkinin kalitesi, özellikle Vincent Tinto’nun (1993) öğrenci ayrılma modelinde vurguladığı akademik ve sosyal entegrasyon için kritik bir rol oynar. Ancak günümüzdeki gerçeklik, bu idealden oldukça farklı bir manzara sunmaktadır. Araştırmalar, akademik danışmanların zamanlarının ve enerjilerinin büyük bir bölümünü ders kayıt prosedürleri, yönetmelik maddeleri ve akademik takvim tarihleri gibi sıkça tekrar eden, standart yanıtlara sahip soruları cevaplamaya ayırmak zorunda kaldığını göstermektedir (McClellan & Nutt, 2022). Bu durum, danışmanların proaktif rehberlik, risk altındaki öğrencileri erken tespit etme ve onlara özel ilgi gösterme gibi katma değeri yüksek görevlere ayırabileceği değerli zamanı tüketmekte, danışmanlık hizmetlerini reaktif bir “sorun çözme” merkezine indirgemektedir.

İşte bu noktada, dijital dönüşümün bir başka gücü olan Yapay Zekâ (AI) teknolojileri, yükseköğretimdeki bu kronikleşmiş verimlilik sorununa yenilikçi bir çözüm potansiyeli sunmaktadır. Nitekim yapılan kapsamlı literatür taramaları, yapay zekâ uygulamalarının eğitim alanında giderek daha fazla yer bulduğunu ortaya koymaktadır (Zawacki-Richter, Marín, Bond, & Gouverneur, 2019). Özellikle Doğal Dil İşleme (NLP), makine öğrenmesi ve akıllı otomasyon alanlarındaki gelişmeler, tekrar eden ve kurallara dayalı görevleri insan müdahalesi olmaksızın, 7/24 ve anlık olarak gerçekleştirebilen sistemlerin geliştirilmesine olanak tanımaktadır. Yükseköğretimde chatbot veya akıllı asistan olarak adlandırılan bu sistemlerin kullanımı, öğrencilerin sıkça sorduğu soruları anında yanıtlayarak ve temel ödevlere otomatik geri bildirimler sunarak akademik personelin üzerindeki idari yükü önemli ölçüde hafifletebilir (Winkler & Söllner, 2018). Bu, bir insanı sistemden çıkarmayı değil, tam aksine insanın rolünü daha stratejik bir konuma taşımayı hedefleyen bir paradigma değişimini temsil etmektedir: İnsan zekasını ve empatisini en çok ihtiyaç duyulan yere, yani karmaşık ve kişiselleştirilmiş mentorluk anlarına odaklamak.

Bu bağlamda, bu çalışma ampirik bir veri analizi yapmaktan ziyâde, yapay zekâ tabanlı akıllı asistanların yükseköğretimdeki öğrenci destek hizmetlerine entegrasyonunun olabilirliğine yönelik kapsamlı bir ön inceleme yapmayı ve kavramsal bir çerçeve sunmayı amaçlamaktadır. Makale, öncelikle mevcut danışmanlık modellerinin karşılaştığı yapısal zorlukları literatür ışığında analiz edecektir. Ardından, bu zorluklara çözüm olarak çok modüllü bir yapay zekâ asistanı mimarisi önerecektir. Çalışma, bu teknolojinin potansiyel etkilerinin yanı sıra, uygulanmasının önündeki teknik, finansal ve en önemlisi etik zorlukları da ele alacaktır.

Son olarak, gelecekte bu alanda yapılacak ampirik araştırmalara zemin oluşturacak bir değerlendirme modeli sunularak, konunun teorik altyapısı güçlendirilecektir.
Akademik danışmanlık, modern yükseköğretim sistemlerinde öğrenci başarısı ve bağlılığının merkezinde yer alan kritik bir unsurdur. Geleneksel olarak danışmanlık, öğrencilere ders seçimi ve mezuniyet gereklilikleri gibi konularda yol gösteren, daha çok idari ve kuralcı bir süreç olarak görülmekteydi. Ancak, bu dar kapsamlı “prescriptive advising” yaklaşımı, yerini öğrencinin bütüncül gelişimini hedefleyen daha kapsamlı modellere bırakmıştır (Gordon, Habley, & Grites, 2008). “Gelişimsel danışmanlık” (developmental advising) olarak bilinen bu modern yaklaşım, danışmanı öğrencinin akademik, kariyer ve kişisel hedeflerini belirlemesine yardımcı olan bir mentor olarak konumlandırır. Bu modelin bir uzantısı olan “proaktif danışmanlık” (proactive advising) ise, özellikle risk altındaki öğrencileri sorunlar ortaya çıkmadan önce belirleyerek onlara zamanında müdahale etmeyi amaçlar (Varney, 2012).

Bu idealize edilmiş modellere rağmen, sahadaki uygulamalar ciddi yapısal zorluklarla karşı karşıyadır. Yükseköğretimin kitleselleşmesi sonucu artan öğrenci/danışman oranları, danışmanların her bir öğrenciye yeterli zamanı ayırmasını neredeyse imkânsız kılmaktadır (McClellan & Nutt, 2022). Danışmanlar, zamanlarının önemli bir kısmını tekrar eden soruları yanıtlamakla geçirmekte, bu da proaktif ve gelişimsel danışmanlık için gereken enerjiyi ve zamanı ortadan kaldırmaktadır. Bu durum, özellikle Vincent Tinto’nun (1993) belirttiği gibi, kurumsal bağlılığı düşük ve desteğe en çok ihtiyaç duyan birinci sınıf öğrencilerinin akademik ve sosyal entegrasyon süreçlerini olumsuz etkilemektedir. Dolayısıyla, danışmanlık hizmetlerindeki verimliliği artıracak ve danışmanları rutin görevlerden arındırarak onlara mentorluk rolleri için zaman kazandıracak teknoloji destekli çözümlere acil bir ihtiyaç duyulmaktadır.

Öğrenci başarısını desteklemenin bir diğer kritik boyutu, öğrenme süreçlerine dair zamanında ve yapıcı geri bildirimler sunmaktır. John Hattie’nin (2009) binlerce çalışmayı analiz ettiği ve “görünür öğrenme” (visible learning) adını verdiği meta-analizinde, geri bildirimin öğrenci başarısını en çok etkileyen faktörlerden biri olduğu kanıtlanmıştır. Ancak, özellikle kalabalık temel derslerde her bir öğrenciye kişiselleştirilmiş ve zamanında geri bildirim sağlamak, öğretim üyeleri için büyük bir yüktür.

Bu soruna çözüm olarak “Öğrenme Analitikleri” (Learning Analytics) alanı ortaya çıkmıştır. Siemens ve Gasevic (2012), öğrenme analitiklerini, “öğrenmeyi ve öğrenme ortamlarını anlamak ve optimize etmek amacıyla öğrenciler ve onların bağlamları hakkındaki verilerin ölçülmesi, toplanması, analiz edilmesi ve raporlanması” olarak tanımlar. Üniversitelerin Öğrenme Yönetim Sistemleri (LMS) gibi dijital platformlarda bıraktığı dijital izler (tıklama sayıları, foruma katılım, ödev teslim süreleri vb.), öğrencilerin öğrenme davranışları hakkında değerli bilgiler sunar (Ferguson, 2012). Bu veriler, risk altındaki öğrencileri proaktif olarak tespit etmek, onlara kişiselleştirilmiş kaynaklar önermek ve öğrenme süreçlerini iyileştirmek için kullanılabilir. Otomatik geri bildirim sistemleri de bu alanın bir uzantısıdır. Örneğin, programlama derslerinde kod hatalarını anında bildiren sistemler veya metin tabanlı ödevlerde temel yazım ve yapı hatalarını analiz eden araçlar, hem öğrencinin öğrenme sürecini hızlandırır hem de öğretim üyesinin daha kavramsal ve derinlemesine geri bildirimlere odaklanmasını sağlar (Corbett & Anderson, 1995).

Yapay zekânın eğitimdeki rolü üzerine yapılan sistematik derlemeler, bu teknolojinin özellikle kişiselleştirilmiş öğrenme, akıllı ders sistemleri ve değerlendirme alanlarında büyük bir potansiyel sahip olduğunu göstermektedir (Zawacki-Richter et al., 2019; O’Malley et al., 2023).

Bu uygulamalar içinde, öğrenci destek hizmetleriyle en doğrudan ilişkili olanı ise “chatbot”lar veya “sohbet robotları”dır. Bu sistemler, Doğal Dil İşleme (NLP) teknolojisini kullanarak kullanıcıların sorularını anlamak ve önceden tanımlanmış bir bilgi tabanından veya entegre olduğu sistemlerden anlık yanıtlar sağlamak üzere tasarlanmıştır.

Yükseköğretimde chatbot kullanımına yönelik ilk örnekler, genellikle üniversitelerin web sitelerindeki sıkça sorulan soruları yanıtlayan basit bilgi botları şeklinde olmuştur. Ancak, teknolojinin gelişmesiyle birlikte daha sofistike uygulamalar ortaya çıkmıştır. Örneğin, Georgia Institute of Technology’de geliştirilen “Jill Watson” adlı sanal öğretim asistanı, bir online dersteki öğrencilerin binlerce sorusunu insan benzeri bir doğrulukla yanıtlayarak öğretim asistanlarının iş yükünü önemli ölçüde azaltmıştır (Goel & Polepeddi, 2016). Benzer şekilde, Avustralya’daki Deakin Üniversitesi gibi birçok öncü kurum, öğrencilerin çeşitli idari ve akademik sorularını yanıtlamak için yapay zekâ asistanlarını pilot olarak kullanmaya başlamıştır. Bu tür uygulamaların yaygınlaşması, birçok akademik çalışmada vaka analizi olarak incelenmiştir (Adamopoulou & Moussiades, 2020). Winkler ve Söllner (2018) tarafından yapılan bir literatür taraması da eğitimdeki chatbot’ların öğrencilere 7/24 erişim, anında yanıt ve kişiselleştirilmiş bilgi sunma gibi önemli faydalar sağladığını ortaya koymaktadır.

Ancak mevcut literatür, bu sistemlerin çoğunlukla tek bir göreve (Örneğin, sadece SSS yanıtlama veya sadece teknik destek) odaklandığını göstermektedir. Reaktif danışmanlık, proaktif uyarılar ve otomatik geri bildirimi tümleşik bir yapıda sunan, danışmanın rolünü stratejik olarak desteklemeyi hedefleyen kapsamlı bir model önerisine yönelik belirgin bir boşluk bulunmaktadır. Bu çalışma, tam olarak bu boşluğu doldurmayı hedeflemektedir.

YÖNTEM

Çalışmada sunulan kavramsal çerçevenin ve çok modüllü yapay zeka asistanı mimarisinin etkinliğini, uygulanabilirliğini ve kullanıcı kabulünü ampirik olarak test etmek amacıyla gelecekte yürütülecek bir araştırma için bir yöntem önerisi sunulmaktadır. Önerilen bu yöntem, alandaki en iyi uygulamaları ve kanıta dayalı araştırma tasarımlarını temel almaktadır.
Bu araştırmanın karmaşık doğası gereği, hem nicel (sayısal) hem de nitel (yorumsamacı) verilerin bir arada kullanıldığı karma yöntem araştırma deseni (mixed-methods research design) benimsenmesi önerilmektedir. Karma yöntem, araştırma problemini daha bütüncül bir şekilde anlamak, farklı veri türleriyle bulguları üçgenlemek (triangulation) ve nicel sonuçların arkasındaki “neden” ve “nasıl” sorularına derinlemesine yanıt bulmak için güçlü bir çerçeve sunar (Creswell & Plano Clark, 2018).

Araştırmanın deseni, açıklayıcı sıralı desen (explanatory sequential design) olarak tasarlanmıştır. Bu desene göre, ilk aşamada nicel veriler (anketler, sistem kullanım logları) toplanıp analiz edilecek, ikinci aşamada ise bu nicel bulguları açıklamak ve derinleştirmek amacıyla nitel veriler (yarı yapılandırılmış mülakatlar) toplanacaktır (Creswell, 2014). Örneğin, anketlerde ortaya çıkan düşük bir memnuniyet skorunun altında yatan nedenler, mülakatlar yoluyla detaylı bir şekilde incelenecektir.

Araştırmanın nicel aşaması, teknoloji kabulü alanındaki temel teorilerden uyarlanan aşağıdaki kavramsal modele dayanacaktır. Modelin temelini, bir teknolojinin kullanım niyetini ve davranışını açıklamada yaygın olarak kullanılan Teknoloji Kabul Modeli (TAM) oluşturmaktadır (Davis, 1989). Bu model, çalışmanın bağlamına uygun ek değişkenlerle zenginleştirilmiştir.

Bağımsız Değişkenler

Sistem Kalitesi (System Quality): Asistanın yanıt doğruluğu, hızı ve kesintisiz çalışması. (DeLone & McLean, 2003’ün IS Başarı Modeli’nden uyarlanmıştır).

Bilgi Kalitesi (Information Quality): Asistan tarafından sağlanan bilgilerin doğruluğu, güncelliği ve ilgililiği.

Aracı Değişkenler (TAM Değişkenleri)

Algılanan Kullanım Kolaylığı (Perceived Ease of Use): Öğrencilerin ve danışmanların sistemi kullanmak için harcamaları gereken zihinsel çabanın ne kadar düşük olduğu algısı (Davis, 1989).

Algılanan Fayda (Perceived Usefulness): Sistemin, kullanıcının görev performansını (örneğin bilgiye hızlı ulaşma, iş yükünü azaltma) artıracağına dair inancı.

Bağımlı Değişkenler

Kullanım Niyeti (Behavioral Intention to Use): Öğrencilerin ve danışmanların gelecekte sistemi kullanmaya devam etme eğilimi.

Kullanıcı Memnuniyeti (User Satisfaction): Kullanıcıların sistemle olan etkileşimlerinden duydukları genel memnuniyet düzeyi.

Net Faydalar (Net Benefits): Sistemin sağladığı somut çıktılar (Örn: Danışmanların iş yükünde azalma, öğrencilerin akademik başarısında artış).

Bu modele dayalı olarak örnek hipotezler şu şekilde kurulabilir:

H1: Sistem kalitesindeki artış, algılanan kullanım kolaylığını pozitif yönde etkiler.

H2: Algılanan fayda, kullanıcıların sistemi kullanma niyetini pozitif yönde etkiler.

H3: Sistemin kullanımı, akademik danışmanların rutin sorulara harcadığı zamanda istatistiksel olarak anlamlı bir azalmaya yol açar.

Araştırmanın, Türkiye’deki bir devlet veya vakıf üniversitesinin, birinci sınıf öğrenci sayısı görece yüksek olan bir fakültesinde (örneğin, Mühendislik veya İktisadi ve İdari Bilimler Fakültesi) yürütülmesi önerilmektedir. Katılımcılar, bu fakültede öğrenim gören birinci sınıf öğrencileri ve onlara danışmanlık yapan akademik danışmanlar olacaktır. Birinci sınıf öğrencilerinin seçilme nedeni, üniversiteye adaptasyon sürecinde danışmanlık hizmetlerine en çok ihtiyaç duyan grup olmalarıdır.

Veri Toplama Araçları ve Süreci

Araştırma, bir akademik dönem (yaklaşık 14 hafta) sürecek bir pilot uygulama ile gerçekleştirilecektir.

Anketler: Dönem başında (ön-test) ve dönem sonunda (son-test) olmak üzere iki aşamalı anket uygulanacaktır. Ankette yer alacak ölçekler, literatürde geçerliği ve güvenirliği kanıtlanmış çalışmalardan uyarlanacaktır. Örneğin, Algılanan Fayda ve Kullanım Kolaylığı için Davis (1989) veya Venkatesh vd. (2003) tarafından geliştirilen ölçekler; Sistem Kalitesi için ise DeLone & McLean (2003) modelini temel alan ölçekler kullanılacaktır. Tüm maddeler 5’li Likert tipi ölçek ile ölçülecektir.

Sistem Kullanım Logları: Pilot uygulama boyunca yapay zeka asistanı ile yapılan tüm etkileşimler (sorulan soru sayısı, yanıtlanma oranı, etkileşim süresi, en sık sorulan konular vb.) anonimleştirilerek kayıt altına alınacaktır. Bu veriler, sistemin fiili kullanımını objektif bir şekilde ölçmeyi sağlayacaktır.

Yarı Yapılandırılmış Mülakatlar: Nicel verilerin analizinden sonra, dönem sonunda en az 10-12 öğrenci ve 5-6 akademik danışman ile derinlemesine görüşmeler yapılacaktır. Mülakatlar, kullanıcı deneyimlerini, sistemin güçlü ve zayıf yönlerini, ve anket bulgularının arkasındaki nedenleri anlamaya odaklanacaktır. Mülakat tekniği olarak Patton’un (2015) nitel araştırma yöntemleri rehber alınacaktır.

Veri Analizi

Nicel Veri Analizi: Anketlerden elde edilen veriler SPSS ve AMOS (veya SmartPLS) programları kullanılarak analiz edilecektir. Verilerin normal dağılımı ve güvenirlik analizleri (Cronbach’s Alpha) yapıldıktan sonra, hipotezleri test etmek için Yapısal Eşitlik Modellemesi (YEM) kullanılacaktır. YEM, modeldeki değişkenler arasındaki nedensel ilişkileri bütüncül bir şekilde test etmek için en uygun tekniktir (Hair et al., 2010). Danışmanların iş yükündeki değişim gibi karşılaştırmalı analizler için ise ilişkili örneklemler t-testi (paired samples t-test) kullanılacaktır.

Nitel Veri Analizi: Mülakatlardan elde edilen ses kayıtları yazıya dökülecek ve MAXQDA veya NVivo gibi bir nitel veri analizi yazılımı kullanılarak analiz edilecektir. Analiz yöntemi olarak, verilerden temalar ve kodlar türetmeyi amaçlayan tematik analiz tercih edilecektir.

Bu süreçte, Braun ve Clarke’ın (2006) altı aşamalı tematik analiz rehberi takip edilecektir.
Araştırmanın tüm aşamalarında etik ilkelere sıkı sıkıya bağlı kalınacaktır. Çalışmaya başlamadan önce ilgili üniversitenin Etik Kurulu’ndan onay alınacaktır. Tüm katılımcılara araştırmanın amacı hakkında detaylı bilgi verilecek ve “bilgilendirilmiş onam” formları imzalatılacaktır. Katılım tamamen gönüllülük esasına dayanacak, katılımcılar istedikleri zaman araştırmadan çekilebileceklerdir. Toplanan tüm kişisel veriler anonimleştirilecek ve gizliliği KVKK (Kişisel Verilerin Korunması Kanunu) uyarınca sağlanacaktır.

Bulgular ve Öneriler

Çalışma kavramsal bir model önerisi olduğundan, bu bölümde özgün ampirik bulgular sunulmamaktadır. Bunun yerine, literatür taraması ve önerilen yöntem ışığında, gelecekte yapılacak ampirik bir araştırmadan elde edilmesi beklenen olası bulgular, ilgili akademik çalışmalarla desteklenerek tartışılmaktadır. Bulgular, önerilen araştırma modelinin ana temaları etrafında organize edilmiştir.

Önerilen yapay zekâ asistanının pilot uygulamasından elde edilecek anket verilerinin, Teknoloji Kabul Modeli (TAM) ile tutarlı sonuçlar vermesi kuvvetle muhtemeldir. Öğrencilerin ve danışmanların, sistemin “Algılanan Kullanım Kolaylığı” ve “Algılanan Fayda” algılarının, sistemi “Kullanım Niyetlerini” ve genel “Memnuniyetlerini” pozitif yönde ve istatistiksel olarak anlamlı bir şekilde etkilemesi beklenmektedir. Bu beklenen bulgu, eğitim teknolojileri ve chatbot’lar üzerine yapılan çok sayıda ampirik çalışma ile desteklenmektedir. Örneğin, Pérez ve diğerleri (2020) tarafından yapılan bir çalışmada, üniversite öğrencilerinin bir chatbot’u kullanma niyetlerinin, sistemden algıladıkları fayda tarafından güçlü bir şekilde belirlendiği ortaya konmuştur. Benzer şekilde, Hien ve diğerleri (2020), mobil öğrenme uygulamalarını inceledikleri çalışmalarında TAM modelinin geçerliliğini doğrulamışlardır.

Dolayısıyla, bizim modelimizdeki Sistem Kalitesi ve Bilgi Kalitesi gibi dış değişkenlerin, kullanım kolaylığı ve fayda algısı üzerinden memnuniyete yansıması öngörülmektedir.

Nitel mülakatlarda ise bu nicel bulguların derinleştirilmesi beklenir. Katılımcıların, sistemin faydasını “sorularına 7/24 ve anında yanıt alabilme” olarak tanımlamaları, kullanım kolaylığını ise “basit ve anlaşılır arayüz” ile ilişkilendirmeleri muhtemeldir. Bu durum, teknolojinin temel vaatlerinin kullanıcılar tarafından doğrudan deneyimlendiğini gösterecektir.

Araştırmanın en kritik beklenen bulgularından biri, yapay zeka asistanının akademik danışmanların iş yükü üzerindeki etkisidir. Sistem kullanım logları ve danışmanlarla yapılacak mülakatların, asistanın özellikle tekrar eden ve idari nitelikteki soruları (örn: “Ders ekle-sil haftası ne zaman?”, “Staj yönetmeliği nerede?”) başarılı bir şekilde yanıtladığını göstermesi beklenmektedir. Bu durumun, danışmanların bu tür sorulara e-posta veya yüz yüze ayırdıkları zamanda anlamlı bir azalmaya yol açacağı öngörülmektedir. Bu beklenti, literatürdeki somut vaka analizleriyle de uyumludur. Georgia Institute of Technology’nin “Jill Watson” projesinde, yapay zekâ asistanının online bir dersteki 10.000’den fazla sorunun %97’sini başarıyla yanıtlayarak insan asistanların iş yükünü haftada yüzlerce saat azalttığı rapor edilmiştir (Goel & Polepeddi, 2016). Bu nedenle, önerilen sistemin danışmanlara “zaman kazandırması” ve onların proaktif mentorluk faaliyetlerine daha fazla odaklanmasına olanak tanıması en önemli potansiyel fayda olarak öne çıkacaktır.

Yapay zekâ asistanının öğrenci başarısı üzerindeki etkisinin dolaylı olması beklenmektedir. Sistemin doğrudan notları artırmasından ziyade, öğrencinin üniversiteye olan entegrasyonunu ve katılımını desteklemesi öngörülmektedir. 24/7 bilgiye erişim, öğrencilerin belirsizlikten kaynaklanan stresini azaltabilir ve kuruma olan bağlılıklarını artırabilir. Özellikle proaktif uyarı modülünün, ders takibinde zorlanan veya teslim tarihlerini kaçıran öğrencilere yönelik “dürtme” (nudge) mekanizması olarak çalışması beklenir. Bu tür proaktif müdahalelerin öğrenciyi sistemde tutma ve dersi bırakma oranlarını düşürmedeki etkinliği kanıtlanmıştır. Örneğin, Georgia State University’de birinci sınıf öğrencilerine yönelik kullanılan bir chatbot’un, okula hiç başlamama (“summer melt”) oranını %20 oranında azalttığı görülmüştür (Page & Gehlbach, 2017). Bu nedenle, bizim çalışmamızda da sistemin özellikle akademik risk altındaki öğrencilerin katılımını artırdığına ve kaynaklara daha kolay ulaşmalarını sağladığına dair bulgular elde edilmesi muhtemeldir.

Yarı yapılandırılmış mülakatlardan elde edilmesi beklenen bulgular, teknolojinin sınırlılıklarına ve insani etkileşimin önemine işaret edecektir. Öğrencilerin, basit ve bilgiye dayalı sorular için chatbot’u tercih ederken, kariyer planlaması, kişisel sorunlar veya ders seçimi gibi karmaşık ve yoruma dayalı konular için kesinlikle insan bir danışmanla konuşmak istediklerini belirtmeleri beklenmektedir. Bu durum, chatbot’ların insan etkileşiminin yerini almak yerine, onu tamamlayan ve güçlendiren bir araç olduğu yönündeki temel argümanı destekleyecektir. Brandtzaeg ve Følstad (2017) gibi araştırmacılar, kullanıcıların chatbot’ları genellikle verimlilik ve üretkenlik için kullandığını, ancak empati ve derinlemesine anlayış gerektiren durumlar için insan etkileşiminin vazgeçilmez olduğunu belirtmektedir. Danışmanların da benzer şekilde, sistemin işlerini kolaylaştırmasından memnuniyet duyarken, botun yanlış bilgi verme potansiyeli veya öğrencileri yanlış yönlendirmesi konusundaki endişelerini dile getirmeleri olasıdır. Bu bulgular, sistemin uygulanmasında şeffaflık, güvenilirlik ve insana yönlendirme mekanizmalarının ne kadar kritik olduğunu vurgulayacaktır.

Çalışmanın ana argümanları özetlenmekte, teorik ve pratik katkıları vurgulanmakta, mevcut sınırlılıkları belirtilmekte ve son olarak gelecek araştırmalar ile uygulayıcılar için somut öneriler sunulmaktadır.

Yükseköğretimin, Altbach ve diğerlerinin (2019) “akademik devrim” olarak nitelendirdiği küresel kitleselleşme ve dijitalleşme sürecinden geçtiği bu dönemde, geleneksel öğrenci destek hizmetleri ciddi bir baskı altındadır. Bu çalışma, akademik danışmanların artan iş yükü ve öğrencilerin anlık, kişiselleştirilmiş desteğe olan ihtiyacı arasındaki gerilimden yola çıkmıştır. Literatürdeki analizler ve teknolojik gelişmeler ışığında, bu yapısal soruna çözüm olarak yapay zekâ tabanlı akıllı asistanların, insan etkileşiminin yerini alan değil, onu tamamlayan ve güçlendiren stratejik bir araç olarak konumlandırılabileceği savunulmuştur.

Bu makalenin temel argümanı, öğrenci destek hizmetlerinin geleceğinin, verimlilik ve empati arasında bir denge kuran, sinerjik bir insan-yapay zeka ortaklığında yattığıdır. Önerilen çok modüllü (reaktif, proaktif ve geri bildirim odaklı) asistan mimarisi, yapay zekanın yüksek hacimli, düşük karmaşıklıktaki idari görevleri otomatize ederek, akademik danışmanların enerjisini ve zamanını, yüksek empati ve karmaşık problem çözme becerisi gerektiren derinlemesine mentorluk görevlerine ayırmasına olanak tanıyacak bir model sunmaktadır. Beklenen bulgular, bu tür bir sistemin Teknoloji Kabul Modeli (TAM) çerçevesinde kullanıcılar tarafından benimseneceğini (Davis, 1989), danışman iş yükünü somut olarak azaltacağını (Goel & Polepeddi, 2016) ve öğrenci bağlılığını proaktif müdahalelerle artırabileceğini (Page & Gehlbach, 2017) öngörmektedir.

Bu çalışmanın literatüre temel katkısı, eğitimde chatbot uygulamalarını tekil görevler (Örn. sadece SSS yanıtlama) üzerinden ele alan mevcut yaklaşımların aksine, öğrenci destek hizmetlerini bütüncül bir perspektifle ele alan entegre bir kavramsal model ve test edilebilir bir araştırma yöntemi önermesidir.

Bu çalışmanın en temel sınırlılığı, doğası gereği kavramsal ve teorik bir çerçevede kalmasıdır. Sunulan mimari ve araştırma modeli, ampirik olarak test edilmemiştir. “Beklenen Bulgular” bölümü, mevcut literatüre dayalı bir projeksiyon olup, gerçek bir pilot uygulamanın sonuçlarını yansıtmamaktadır. Ayrıca, önerilen modelin farklı kurumsal kültürlere, teknolojik altyapılara ve öğrenci profillerine sahip üniversitelerde nasıl bir performans göstereceği de pratik bir uygulama olmadan bilinemez.

Elde edilen sonuçlar ve çalışmanın sınırlılıkları doğrultusunda, hem gelecek araştırmalar hem de uygulayıcılar için aşağıdaki öneriler geliştirilmiştir.

Akademisyenler ve Gelecek Araştırmalar için Öneriler

Ampirik Test ve Doğrulama: Bu çalışmada sunulan kavramsal modelin ve hipotezlerin, önerilen karma yöntem araştırma deseni kullanılarak gerçek bir üniversite ortamında pilot bir çalışma ile test edilmesi, atılacak en öncelikli adımdır.

Boylamsal Çalışmalar (Longitudinal Studies): Tek bir akademik dönemlik pilot uygulamalar yerine, yapay zekâ asistanlarının öğrenci başarısı, okuldan ayrılma oranları ve danışmanların iş tatmini üzerindeki uzun vadeli etkilerini inceleyen boylamsal çalışmaların tasarlanması, teknolojinin gerçek etkisini anlamak için kritik olacaktır (Tinto, 1993).

Etik ve Algoritmik Yanlılık Araştırmaları: Öğrenci verilerini işleyen bu sistemlerin, belirli öğrenci gruplarını dezavantajlı duruma getirme potansiyeli taşıyan algoritmik yanlılıkları nasıl önleyebileceği üzerine odaklanan araştırmalara acil ihtiyaç vardır. Bu çalışmalar, Avrupa Konseyi’nin (O’Malley et al., 2023) de vurguladığı gibi, yapay zekanın insan hakları ve eşitlik ilkeleriyle uyumlu bir şekilde kullanılmasını güvence altına almalıdır.

Kullanıcı Deneyimi (UX) ve Tasarım Araştırmaları: Öğrencilerle daha “insanî”, empatik ve etkileşimli bir diyalog kurabilen sohbet arayüzlerinin nasıl tasarlanabileceğini inceleyen İnsan-Bilgisayar Etkileşimi (HCI) odaklı çalışmalara ihtiyaç duyulmaktadır.

Uygulayıcılar için Öneriler

Aşamalı ve Pilot Odaklı Başlangıç: Kurum çapında büyük bir sistem kurmak yerine, belirli bir bölümün SSS’lerini yanıtlayan küçük ölçekli bir pilot proje ile başlanması, riskleri azaltır ve başarı olasılığını artırır.

“Döngüde İnsan” (Human-in-the-Loop) Prensibi: Tasarlanacak sistem, öğrenciyi asla bir botla baş başa bırakmamalıdır. Botun çözemediği veya duygusal zekâ gerektiren her durumda, sorunu sorunsuz bir şekilde gerçek bir danışmana aktaracak bir mekanizma mutlaka bulunmalıdır. Bu, kullanıcı merkezli tasarımın temel bir ilkesidir (Norman, 2013).

Şeffaflık ve Veri Güvenliği: Öğrencilere bir botla konuştukları net bir şekilde belirtilmeli ve kişisel verilerinin nasıl kullanılacağına dair şeffaf bir politika izlenmelidir.

Eğitim ve Rollerin Yeniden Tanımlanması: Danışmanlar, yapay zekâ asistanını bir rakip olarak değil, veriye dayalı ve proaktif danışmanlık yapmalarını sağlayan bir yardımcı olarak görmeleri için eğitilmelidir.

Sonuç olarak, yapay zekâ teknolojileri, korkulacak veya her sorunu çözecek sihirli bir değnek olarak değil, dikkatli bir planlama, etik bir yaklaşım ve insanı merkeze alan bir tasarımla, yükseköğretimin kitleselleşme çağında kaybettiği kişisel dokunuşu ve bireysel ilgiyi yeniden canlandırmak için en büyük yardımcımız olabilir.

KAYNAKÇA

Adamopoulou, E., & Moussiades, L. (2020). An overview of chatbot technology. In IFIP International Conference on Artificial Intelligence Applications and Innovations (pp. 373-383). Springer.

Altbach, P. G., Reisberg, L., & Rumbley, L. E. (2019). Trends in global higher education: Tracking an academic revolution. Brill | Sense.

Brandtzaeg, P. B., & Følstad, A. (2017). Why people use chatbots. In International Conference on Internet Science (pp. 377-392). Springer.

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101.

Corbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253-278.

Creswell, J. W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). Sage publications.

Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3rd ed.). Sage publications.

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.

DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9-30.

Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5/6), 304-317.

Goel, A. K., & Polepeddi, L. (2016). Jill Watson: A virtual teaching assistant for online education. Georgia Institute of Technology.

Gordon, V. N., Habley, W. R., & Grites, T. J. (Eds.). (2008). Academic advising: A comprehensive handbook (2nd ed.). Jossey-Bass.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis: A global perspective (7th ed.). Pearson Prentice Hall.

Hien, D. T. T., Hieu, N. M., & Tuan, P. V. (2020). Applying technology acceptance model to study on the students’ intention to use mobile learning. International Journal of E-services and Mobile Applications, 12(4), 18-36.

McClellan, J. L., & Nutt, C. L. (2022). The new advisor guide: Mastering the art of academic advising. Jossey-Bass.

Norman, D. A. (2013). The design of everyday things: Revised and expanded edition. Basic books.

O’Malley, C., et al. (2023). AI and Education: A Critical View Through the Lens of Human Rights, Democracy and the Rule of Law. Council of Europe.

Page, L. C., & Gehlbach, H. (2017). How an artificially intelligent virtual assistant helps students navigate the road to college. AERA Open, 3(4), 2332858417749220.

Patton, M. Q. (2015). Qualitative research & evaluation methods (4th ed.). Sage publications.

Pérez, J. Q., Orazbayeva, B., O’Neill, M., & Stathakopoulos, V. (2020). Student acceptance of a pedagogical chatbot: An experimental study. In International Conference on Information Technology & Systems (pp. 77-86). Springer.

Siemens, G., & Gasevic, D. (2012). Guest editorial-Learning and knowledge analytics. Educational Technology & Society, 15(3), 1-2.

Tinto, V. (1993). Leaving college: Rethinking the causes and cures of student attrition (2nd ed.). University of Chicago Press.

Trow, M. (2006). Reflections on the transition from elite to mass to universal access: Forms and phases of higher education in modern societies since WWII. In J. J. F. Forest & P. G. Altbach (Eds.), International handbook of higher education (pp. 243-280). Springer.

Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.

Winkler, R., & Söllner, M. (2018, August). Unleashing the potential of chatbots in education: A state-of-the-art analysis. In Proceedings of the 24th Americas Conference on Information Systems (AMCIS).

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39.