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

Akıllı Finansal Eğitmen (SFT) Modeli: Üretken Yapay Zekâ ile Finansal Okuryazarlığı Yeniden Tasarlamak

Finansal okuryazarlık, bireylerin ekonomik refahını sürdürebilmeleri için kritik bir 21. yüzyıl becerisi olmasına rağmen, küresel ölçekteki veriler yetişkin nüfusun finansal yetkinliğinin düşük seviyelerde seyrettiğini göstermektedir. Mevcut literatür, bu başarısızlığın temel nedenlerinden biri olarak, bireylerin heterojen bilgi düzeylerini ve öğrenme stillerini göz ardı eden geleneksel “herkese uyan tek tip” (one-size-fits-all) eğitim yaklaşımlarını işaret etmektedir. Bu çalışma, eğitim teknolojilerinde devrim yaratan Üretken Yapay Zekâ (GenAI) ve Büyük Dil Modellerinin (LLM), finansal eğitimdeki kişiselleştirme sorununu nasıl çözebileceğine dair kapsamlı bir kavramsal çerçeve sunmayı amaçlamaktadır. Çalışmada, Vygotsky’nin “Yakınsak Gelişim Alanı” (Zone of Proximal Development) teorisi ve Yapılandırmacı Öğrenme Kuramı temel alınarak, “GenAI Tabanlı Akıllı Finansal Eğitmen” (Smart Financial Tutor – SFT) modeli geliştirilmiştir. Önerilen bu model;

  1. Çok Boyutlu Kullanıcı Profilleme,
  2. GenAI Pedagojik Motoru ve
  3. Dinamik İçerik Üretimi olmak üzere üç katmandan oluşmaktadır.

Model, statik bilgi aktarımı yerine; Sokratik diyalog, simülasyon tabanlı öğrenme ve anlık düzeltici geri bildirim mekanizmalarıyla “diyalog tabanlı” bir pedagojiyi savunmaktadır. Kavramsal analizler, GenAI entegrasyonunun finansal danışmanlığı demokratikleştirme, maliyetleri düşürme ve yargılanma korkusu olmaksızın öğrenme fırsatı sunma (psikolojik güvenlik) gibi önemli fırsatlar barındırdığını ortaya koymaktadır. Ancak çalışma, bu teknolojinin uygulanabilirliğinin; halüsinasyon (yanlış bilgi üretimi), algoritmik önyargı ve veri mahremiyeti gibi kritik etik risklerin yönetilmesine bağlı olduğunu vurgulamaktadır. Sonuç olarak bu makale, finansal eğitimin geleceğinin statik müfredatlardan, yapay zekâ destekli hiper-kişiselleştirilmiş deneyimlere doğru evrileceğini öngörmekte ve politika yapıcılar için teorik bir yol haritası sunmaktadır.

Anahtar Kelimeler: Finansal Okuryazarlık, Üretken Yapay Zekâ (GenAI), Kişiselleştirilmiş Öğrenme, Akıllı Finansal Eğitmen (SFT), FinTech Eğitimi, Büyük Dil Modelleri.

1. GİRİŞ

Finansal okuryazarlık, bireylerin bilinçli finansal kararlar alabilmesi, bütçe yönetimi yapabilmesi ve ekonomik refahlarını sürdürebilmeleri için 21. yüzyılın temel yaşam becerilerinden biri olarak kabul edilmektedir (Lusardi ve Mitchell, 2014). Artan finansal ürün çeşitliliği ve ekonomik belirsizlikler, bireylerin finansal yetkinliğe sahip olmasını zorunlu kılsa da, küresel ölçekteki veriler endişe verici bir tablo çizmektedir. OECD (2023) raporlarına göre, gelişmiş ekonomilerde dahi yetişkin nüfusun önemli bir bölümü temel finansal kavramları (enflasyon, bileşik faiz, risk çeşitlendirmesi) anlamakta güçlük çekmekte ve uzun vadeli finansal planlama yapamamaktadır.

Bu yetkinlik açığını kapatmak amacıyla hükümetler ve eğitim kurumları yıllardır çeşitli finansal eğitim programları uygulamaktadır. Ancak literatürdeki meta-analiz çalışmaları, geleneksel finansal eğitim yöntemlerinin (seminerler, statik ders materyalleri, broşürler) etkisinin sınırlı olduğunu ve zamanla azaldığını göstermektedir (Fernandes vd., 2014). Kaiser vd. (2022) belirttiği üzere, finansal eğitimin başarısızlığındaki en büyük etkenlerden biri, “herkese uyan tek tip” (one-size-fits-all) yaklaşımıdır. Bireylerin finansal bilgi düzeyleri, risk algıları, sosyo-ekonomik durumları ve öğrenme stilleri heterojen bir yapı gösterirken; standartlaştırılmış eğitim içerikleri bu çeşitliliği kapsamakta yetersiz kalmaktadır. Bu durum, finansal eğitimde ölçeklenebilir ancak aynı zamanda kişiselleştirilebilir yeni pedagojik araçlara duyulan ihtiyacı artırmıştır.

Dijitalleşme süreciyle birlikte mobil uygulamalar ve oyunlaştırma (gamification) teknikleri finansal eğitime entegre edilmeye başlansa da bu araçlar çoğunlukla önceden tanımlanmış kurallara dayalıdır ve kullanıcıyla derinlemesine bir etkileşime giremezler (Morgan ve Trinh, 2019). Ancak, yapay zekâ teknolojilerindeki son gelişmeler, özellikle de Büyük Dil Modelleri (Large Language Models – LLM) ve Üretken Yapay Zekâ (Generative AI – GenAI) sistemlerinin ortaya çıkışı, eğitim teknolojilerinde bir paradigma değişimini tetiklemiştir. Kasneci vd. (2023), ChatGPT gibi üretken modellerin, öğrencilerin ihtiyaçlarına göre anlık olarak içerik üretebilme, karmaşık kavramları basitleştirme ve sokratik diyalog kurabilme yetenekleri sayesinde eğitimi “kişiselleştirilmiş bir deneyime” dönüştürme potansiyeline sahip olduğunu vurgulamaktadır.

Geleneksel “tahminleyen” yapay zekâ modellerinden (örneğin robo-danışmanlar) farklı olarak GenAI, kullanıcı ile doğal dilde iletişim kurarak, kullanıcının finansal okuryazarlık seviyesini tespit edebilir ve eğitim materyalini bu seviyeye göre dinamik olarak uyarlayabilir (Dwivedi vd., 2023). Bu teknolojik yetkinlik, finansal eğitimdeki “kişiselleştirme paradoksunu” (hem geniş kitlelere ulaşma hem de bireye özel olma zorluğunu) çözmek için benzersiz bir fırsat sunmaktadır.

Bu çalışma, mevcut literatürdeki boşluğu doldurmak amacıyla, Üretken Yapay Zekâ‘nın finansal okuryazarlık eğitimine entegrasyonuna yönelik kavramsal bir çerçeve sunmayı hedeflemektedir. Çalışmada, veri seti analizi yerine, GenAI teknolojilerinin finansal eğitimde nasıl bir “akıllı eğitmen” (intelligent tutor) rolü üstlenebileceği teorik düzlemde tartışılacak, bu teknolojinin fırsatları ve olası riskleri (halüsinasyon, veri gizliliği, önyargı) olabilirlik (feasibility) perspektifinden incelenecektir.

2. LİTERATÜR TARAMASI

Bu bölümde, finansal okuryazarlık eğitiminin tarihsel gelişimi, dijitalleşme süreci ve yapay zeka teknolojilerinin pedagojik potansiyeli ele alınmıştır. Mevcut literatür, eğitimin kitlesel erişimden bireyselleştirilmiş deneyime doğru evrildiğini göstermektedir.

2.1. Geleneksel Finansal Eğitimin Etkinliği ve Sınırlılıkları

Akademik literatürde finansal okuryazarlık, genellikle finansal kavramları anlama ve bu bilgiyi finansal kararlara dönüştürme yeteneği olarak tanımlanır (Lusardi ve Mitchell, 2014). Hükümetler ve STK’lar tarafından yürütülen geleneksel eğitim programları (sınıf içi dersler, broşürler, seminerler) uzun yıllar boyunca temel strateji olmuştur. Ancak, bu yöntemlerin etkinliği tartışmalıdır.

Fernandes vd. (2014) gerçekleştirdiği ve 201 çalışmayı kapsayan kapsamlı meta-analiz, geleneksel finansal eğitim müdahalelerinin finansal davranışlar üzerindeki etkisinin sadece %0.1 düzeyinde olduğunu ve bu etkinin zamanla hızla azaldığını ortaya koymuştur. Kaiser vd. (2022) ise daha güncel meta-analizlerinde, finansal eğitimin etkili olabileceğini, ancak bunun “doğru zamanda” (teachable moment) ve “hedef kitleye uygun” şekilde sunulması şartına bağlı olduğunu belirtmiştir. Literatürdeki temel eleştiri, standartlaştırılmış içeriklerin bireylerin heterojen ihtiyaçlarını (gelir düzeyi, risk algısı, borçluluk durumu) karşılayamadığı ve “herkese uyan tek tip” (one-size-fits-all) yaklaşımının motivasyon kaybına yol açtığı yönündedir (Hastings vd., 2013).

2.2. Dijitalleşme, FinTech ve Oyunlaştırma

Geleneksel yöntemlerin sınırlılıkları, araştırmacıları dijital çözümlere yöneltmiştir. Panos ve Wilson (2020), FinTech uygulamalarının finansal erişimi artırdığını ancak finansal okuryazarlığı artırmada aynı hızda ilerleyemediğini vurgulamaktadır. Yine de oyunlaştırma (gamification) tekniklerinin finansal eğitime entegrasyonu umut verici sonuçlar doğurmuştur. Morgan ve Trinh (2019), oyunlaştırılmış uygulamaların kullanıcı motivasyonunu artırdığını tespit etmiştir.

Ancak, mevcut dijital araçlar ve robo-danışmanlar (robo-advisors) genellikle kural tabanlı (rule-based) algoritmalarla çalışmaktadır (D’Acunto vd., 2019). Bu sistemler, kullanıcının portföyünü optimize edebilirken, kullanıcının “neden” o kararı alması gerektiğini öğretme konusunda eksik kalmaktadır. Başka bir deyişle, mevcut sistemler “balık vermekte” ancak “balık tutmayı öğretme” noktasında, etkileşim yetersizliği nedeniyle pedagojik bir boşluk yaratmaktadır.

2.3. Üretken Yapay Zekâ (GenAI) ve Kişiselleştirilmiş Öğrenme

2022 yılı sonu itibarıyla ChatGPT ve benzeri Büyük Dil Modellerinin (LLM) yaygınlaşması, eğitim teknolojilerinde yeni bir dönem başlatmıştır. Üretken Yapay Zekâ (GenAI), önceden tanımlanmış yanıtlar yerine, bağlama uygun ve özgün içerik üretebilme yeteneği ile önceki teknolojilerden ayrışır (Dwivedi vd., 2023).

Eğitim literatüründe Baidoo-Anu ve Owusu Ansah (2023), GenAI sistemlerinin kişiselleştirilmiş geri bildirim sağlama, karmaşık konuları analojilerle basitleştirme ve öğrencinin hızına uyum sağlama yeteneklerini vurgulamaktadır. Kasneci vd. (2023) ise, bu modellerin Sokratik yöntem gibi gelişmiş pedagojik stratejileri simüle edebileceğini ve öğrencilerin eleştirel düşünme becerilerini destekleyebileceğini belirtmektedir.

Finansal alanda ise GenAI’ın rolü henüz keşfedilme aşamasındadır. Literatürde, GenAI’ın finansal raporlama veya piyasa tahminlerinde kullanımına dair çalışmalar (Kou vd., 2021) artmakla birlikte; bu teknolojinin bireysel finansal eğitmen olarak kullanımına dair kavramsal modellemeler sınırlıdır. Mevcut çalışmalar, GenAI’ın finansal terminolojiyi (jargon) sadeleştirerek “bilişsel yükü” (cognitive load) azaltabileceğine ve böylece finansal okuryazarlığı daha kapsayıcı hale getirebileceğine işaret etmektedir. Bu çalışma, tam da bu noktada, GenAI’ın finansal eğitimdeki potansiyelini sistematik bir çerçeveye oturtarak literatürdeki boşluğu doldurmayı amaçlamaktadır.

3. ÖNERİLEN KAVRAMSAL ÇERÇEVE: GenAI Tabanlı Akıllı Finansal Eğitmen (SFT) Modeli

Bu çalışma, geleneksel statik finansal eğitim materyallerinin yerine, kullanıcının ihtiyaçlarına anlık olarak yanıt veren Üretken Yapay Zekâ Tabanlı Akıllı Finansal Eğitmen (GenAI-based Smart Financial Tutor – SFT) modelini önermektedir.

Önerilen model, eğitim bilimlerindeki Yapılandırmacı Öğrenme Kuramı (Constructivist Learning Theory) ve Vygotsky’nin (1978) Yakınsak Gelişim Alanı (Zone of Proximal Development – ZPD) teorisi üzerine inşa edilmiştir. Vygotsky’ye göre öğrenme, bireyin tek başına yapabildikleri ile bir rehber eşliğinde yapabildikleri arasındaki alanda gerçekleşir. Bu modelde, Üretken Yapay Zekâ (ChatGPT, Claude vb.), öğrenciye bilişsel iskele (scaffolding) kurarak bu rehber rolünü üstlenir.

Model, üç ana katmandan oluşmaktadır:

  1. Çok Boyutlu Kullanıcı Profilleme,
  2. GenAI Pedagojik Motoru ve
  3. Dinamik İçerik Üretimi.
3.1. Katman 1: Çok Boyutlu Kullanıcı Profilleme ve Bağlam (Girdi)

Geleneksel sistemler kullanıcıyı genellikle sadece demografik verilerle (yaş, gelir) sınıflandırırken, önerilen SFT modeli kullanıcıyı OECD/INFE (2022) Dijital Finansal Okuryazarlık Çerçevesi’ne dayalı olarak üç boyutta analiz eder:

  1. Bilişsel Düzey: Kullanıcının mevcut finansal bilgi seviyesi (“Enflasyonu biliyor ama bileşik faizi bilmiyor”).
  2. Davranışsal Eğilimler: Risk toleransı ve harcama alışkanlıkları ( Dürtüsel harcama eğilimi).
  3. Öğrenme Tercihleri: Kullanıcının bilgiyi nasıl almayı sevdiği (Kısa metinler, analojiler veya matematiksel tablolar).

Bu veriler, sisteme “Sistem İstemi” (System Prompt) olarak beslenir ve yapay zekanın “persona”sını belirler.

3.2. Katman 2: GenAI Pedagojik Motoru (İşlem)

Bu katman, modelin “beyni”dir. Büyük Dil Modeli (LLM), aldığı veriyi işleyerek sadece finansal bilgi vermekle kalmaz, aynı zamanda bir öğretmen gibi pedagojik stratejiler uygular. Mollick ve Mollick (2023), yapay zekanın eğitimde etkili olabilmesi için yedi farklı yaklaşım (Mentor, Koç, Simülatör) tanımlamıştır. Önerilen model, bu yaklaşımları finansal bağlama uyarlar:

  • Uyarlanabilir Zorluk (Adaptive Difficulty): Eğer kullanıcı bir konuyu anlamakta zorlanıyorsa, model Bloom Taksonomisi’nin (Anderson vd., 2001) alt basamaklarına inerek (Hatırlama/Anlama) daha basit açıklamalar üretir. Kullanıcı yetkinleştikçe üst basamaklara (Analiz/Değerlendirme) çıkarak karmaşık yatırım senaryoları sunar.
  • Kişiselleştirilmiş Analojiler: Model, kullanıcının ilgi alanlarına göre metaforlar üretir. Örneğin, bir futbolsever için portföy çeşitlendirmesini “takım kadrosu kurmak (defans ve forvet dengesi)” üzerinden anlatır.
3.3. Katman 3: Dinamik İçerik Üretimi ve Geri Bildirim (Çıktı)

Son katman, kullanıcının deneyimlediği çıktıdır. Burada statik metinler yerine üç tür dinamik etkileşim önerilmektedir:

  1. Sokratik Diyalog: Yapay zekâ doğrudan cevabı vermek yerine, “Eğer faizler yükselirse senin kredi borcun sence nasıl etkilenir?” gibi sorularla kullanıcının eleştirel düşünmesini sağlar (Rahwan vd., 2019).
  2. Simülasyon Senaryoları: Kullanıcının gerçek hayatta karşılaşabileceği krizler (işsizlik, ani sağlık harcaması) sanal ortamda simüle edilir ve kullanıcının tepkileri “güvenli bir ortamda” test edilir.
  3. Anlık Düzeltici Geri Bildirim (Corrective Feedback): Kullanıcı hatalı bir finansal varsayımda bulunduğunda, model yargılayıcı olmayan bir dille hatayı düzeltir ve doğrusunu açıklar. Hattie ve Timperley (2007), geri bildirimin öğrenme üzerindeki en güçlü etkenlerden biri olduğunu kanıtlamıştır; GenAI bu geri bildirimi 7/24 ve anlık olarak sunabilme kapasitesine sahiptir.
  4. 3.4. Modelin Döngüsel Yapısı

Sistem doğrusal değil, döngüseldir. Kullanıcının verdiği her yanıt, bir sonraki etkileşimin girdisi olur. Bu sayede, finansal eğitim süreci statik bir müfredat takibi değil, yaşayan ve gelişen bir süreç haline gelir.

4. OLABİLİRLİK ANALİZİ VE FIRSATLAR

Önerilen GenAI tabanlı modelin uygulanabilirliği, teknolojik altyapının olgunlaşması ve finansal hizmetlere erişim maliyetlerinin düşmesiyle doğrudan ilişkilidir. Literatür, bu teknolojinin özellikle üç ana alanda dönüştürücü fırsatlar sunduğunu göstermektedir.
Geleneksel finansal danışmanlık hizmetleri, yüksek maliyetleri nedeniyle genellikle sadece varlıklı bireylerin erişebildiği bir ayrıcalık olmuştur. Mhlanga (2020), Yapay Zekâ’nın (AI) finansal hizmetlerdeki en büyük katkısının “finansal kapsayıcılık” (financial inclusion) olduğunu belirtmektedir. Önerilen SFT (Smart Financial Tutor) modeli, marjinal maliyeti sıfıra yakın bir şekilde milyonlarca kullanıcıya eş zamanlı olarak kişiselleştirilmiş danışmanlık hizmeti sunabilir. Noy ve Zhang (2023), üretken yapay zekanın bilgi işçiliğindeki verimliliği %37 oranında artırdığını belgelemektedir; bu verimlilik, eğitim maliyetlerinin düşürülmesi ve dezavantajlı grupların (düşük gelirli hane halkları, öğrenciler) kaliteli finansal bilgiye erişimi açısından kritik bir fırsattır.

Finansal okuryazarlık eğitimindeki en büyük engellerden biri, bireylerin finansal başarısızlıkları (borç, iflas, birikim yapamama) nedeniyle hissettikleri utanç ve sosyal damgalanma korkusudur. İnsan-Bilgisayar Etkileşimi (HCI) literatüründe yapılan çalışmalar, insanların hassas konuları (sağlık, finans) sanal asistanlarla paylaşırken, insanlara kıyasla daha dürüst ve rahat olduklarını göstermektedir. Lucas vd. (2014), “sanal insanların” (virtual humans) yargılayıcı olmayan doğasının, kullanıcıların kendilerini ifşa etme oranını artırdığını kanıtlamıştır. Bu bağlamda, GenAI tabanlı bir asistan, kullanıcının “cahil görünme” korkusu yaşamadan en temel soruları bile sormasına olanak tanıyarak psikolojik güvenliği sağlar.

Kaiser ve Menkhoff (2017), finansal eğitimin etkili olabilmesi için bilginin, kararın verileceği anda (just-in-time) sunulması gerektiğini savunur. Geleneksel sınıf içi eğitimlerde öğrenilen bilgiler, gerçek hayatta karar anı geldiğinde genellikle unutulur. Mobil tabanlı GenAI sistemleri, kullanıcının tam da kredi çekeceği veya yatırım yapacağı anda devreye girerek, teorik bilgiyi pratik uygulamaya dönüştürme fırsatı sunar. Bu, bilginin kalıcılığını ve davranışsal değişimi maksimize eden bir pedagojik fırsattır.

5. RİSKLER VE ETİK TARTIŞMALAR

GenAI teknolojisinin finansal eğitimde kullanımı büyük fırsatlar sunmakla birlikte, finansal alanın “hatayı tolere etmeyen” (zero-error tolerance) doğası gereği ciddi riskleri de beraberinde getirmektedir.

Büyük Dil Modelleri, istatistiksel olasılıklara dayanarak metin üretir ve “doğruluk” kavramına sahip değildirler. Literatürde “halüsinasyon” olarak adlandırılan bu durum, modelin tamamen yanlış bir bilgiyi, son derece ikna edici ve kendinden emin bir dille sunmasıdır (Bender vd., 2021). Finansal bağlamda, bir yapay zekanın vergi mevzuatı veya yatırım getirisi hakkında yanlış bilgi vermesi, kullanıcının doğrudan maddi kayba uğramasına neden olabilir. Weidinger vd. (2022), bu tür risklerin, özellikle finansal okuryazarlığı düşük olan ve yapay zekayı “otorite” olarak gören kullanıcılar için daha tehlikeli olduğunu vurgulamaktadır. Bu nedenle, modelin çıktılarının denetimsiz bırakılması etik açıdan kabul edilemezdir.

Yapay zekâ modelleri, eğitildikleri veri setlerindeki önyargıları yansıtmaya meyillidir. Finansal verilerin çoğu gelişmiş ülkelerden ve belirli sosyo-ekonomik gruplardan elde edildiği için, modellerin önerileri “Batı merkezli” (Western-centric) olma riski taşır (Arslanian, 2019). Örneğin, modelin düşük gelirli bir kullanıcıya, sadece yüksek gelirli bireylerin erişebileceği yatırım araçlarını önermesi veya kredi skorlaması simülasyonlarında belirli demografik gruplara karşı ayrımcılık yapması, finansal eşitsizliği derinleştirebilir.

Kişiselleştirilmiş bir eğitim için modelin kullanıcının gelir, borç ve harcama verilerine erişmesi gerekmektedir. Ancak, bu hassas verilerin üçüncü taraf AI sağlayıcıları (OpenAI, Google vb.) ile paylaşılması, KVKK ve GDPR kapsamında ciddi ihlal riskleri doğurur. Tutaş vd. (2023), finansal teknolojilerde veri mahremiyetinin sağlanamamasının, kullanıcı güvenini tamamen yok edebileceğini belirtmektedir. Bu nedenle, önerilen modelde verilerin anonimleştirilmesi veya yerel cihazlarda işlenmesi (edge AI) gibi önlemler etik bir zorunluluktur.

Son olarak, kullanıcıların tüm finansal kararlarını yapay zekaya devretmesi, uzun vadede bireysel karar alma yetisinin körelmesine (deskilling) yol açabilir. Amaç finansal okuryazarlığı artırmak iken, sonucun “AI bağımlılığı” olması paradoksal bir risktir. Eğitim tasarımı, kullanıcıyı pasif bir uygulayıcı değil, aktif bir karar verici olarak konumlandırmalıdır.

6. SONUÇ VE GELECEK İÇİN ÖNERİLER

Finansal okuryazarlık, bireylerin ekonomik refahı ve finansal sistemin istikrarı için kritik bir yetkinlik olmasına rağmen, geleneksel eğitim yöntemlerinin (sınıf içi eğitimler, statik materyaller) etkinliği, bireysel farklılıkları göz ardı etmeleri nedeniyle sınırlı kalmıştır. Bu çalışma, Üretken Yapay Zekâ (GenAI) teknolojilerinin, finansal eğitimde süregelen “ölçeklenebilirlik ile kişiselleştirme arasındaki ters orantıyı” (scalability-personalization trade-off) ortadan kaldırabilecek dönüştürücü bir potansiyele sahip olduğunu teorik olarak ortaya koymuştur.

6.1. Teorik Çıkarımlar ve Öneriler

Önerilen GenAI Tabanlı Akıllı Finansal Eğitmen (SFT) modeli, finansal eğitimi statik bir bilgi aktarımı sürecinden, dinamik ve etkileşimli bir öğrenme deneyimine dönüştürmeyi hedeflemektedir. Literatürdeki bulgularla tutarlı olarak (Panos ve Wilson, 2020), teknolojinin tek başına bir çözüm olmadığı, ancak doğru pedagojik stratejilerle (Vygotsky’nin ZPD teorisi gibi) birleştirildiğinde güçlü bir kaldıraç etkisi yarattığı sonucuna varılmıştır. GenAI, kullanıcının bilişsel yükünü azaltarak ve karmaşık finansal jargonun “tercümanlığını” yaparak, özellikle finansal sisteme mesafeli duran dezavantajlı gruplar için kapsayıcı bir araç (inclusive tool) işlevi görebilir. Bu bağlamda çalışma, finansal okuryazarlık literatürüne, “diyalog tabanlı öğrenme” (dialogue-based learning) paradigmasını entegre ederek katkıda bulunmaktadır.

İnsan-Yapay Zekâ İşbirliği (Human-in-the-loop): Jarrahi’nin (2018) belirttiği gibi, yapay zekâ insanların yerini almamalı, onların yeteneklerini artırmalıdır. Bu nedenle, geliştirilecek AI sistemleri, karmaşık ve yüksek riskli durumlarda kullanıcıyı mutlaka insan uzmanlara yönlendirecek “acil durum mekanizmaları” (fail-safe mechanisms) ile donatılmalıdır.

Sonuç olarak, Üretken Yapay Zekâ, finansal okuryazarlık eğitiminde “kitlesel kişiselleştirme” (mass personalization) dönemini başlatma potansiyeline sahiptir. Ancak bu potansiyelin hayata geçmesi; etik risklerin yönetilmesine, veri mahremiyetinin sağlanmasına ve teknolojinin pedagojik hedeflerle uyumlu bir şekilde tasarlanmasına bağlıdır.

KAYNAKÇA

Anderson, L. W., Krathwohl, D. R., Airasian, P. W., Cruikshank, K. A., Mayer, R. E., Pintrich, P. R., … & Wittrock, M. C. (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.

Arslanian, H., & Fischer, F. (2019). The Future of Finance: The Impact of FinTech, AI, and Crypto on Financial Services. Palgrave Macmillan.

Baidoo-Anu, D., & Owusu Ansah, L. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI, 7(1), 52-62.

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big?. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623.

D’Acunto, F., Prabhala, N., & Rossi, A. G. (2019). The promises and pitfalls of robo-advising. The Review of Financial Studies, 32(5), 1983-2020.

Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., … & Wright, R. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.

Fernandes, D., Lynch Jr, J. G., & Netemeyer, R. G. (2014). Financial literacy, financial education, and downstream financial behaviors. Management Science, 60(8), 1861-1883.

Hastings, J. S., Madrian, B. C., & Skimmyhorn, W. L. (2013). Financial literacy, financial education, and economic outcomes. Annual Review of Economics, 5, 347-373.

Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81-112.

Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577-586.

Kaiser, T., & Menkhoff, L. (2017). Does financial education impact financial literacy and financial behavior, and if so, when?. The World Bank Economic Review, 31(3), 611-630.

Kaiser, T., Lusardi, A., Menkhoff, L., & Urban, C. J. (2022). Financial education affects financial knowledge and downstream behaviors. Journal of Financial Economics, 145(2), 255-272.

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., … & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.

Kou, G., Olgu Akdeniz, Ö., Dinçer, H., & Yüksel, S. (2021). Fintech investments in European banks: a hybrid IT2 fuzzy multidimensional decision-making approach. Financial innovation, 7(1), 39.

Lucas, G. M., Gratch, J., King, A., & Morency, L. P. (2014). It’s only a computer: Virtual humans increase willingness to disclose. Computers in Human Behavior, 37, 94-100.

Lusardi, A., & Mitchell, O. S. (2014). The economic importance of financial literacy: Theory and evidence. Journal of Economic Literature, 52(1), 5-44.

Mhlanga, D. (2020). Industry 4.0 in finance: The impact of artificial intelligence (AI) on digital financial inclusion. International Journal of Financial Studies, 8(3), 45.

Mollick, E., & Mollick, L. (2023). Assigning AI: Seven approaches for students, with prompts. SSRN Electronic Journal. http://dx.doi.org/10.2139/ssrn.4475995

Morgan, P. J., & Trinh, L. Q. (2019). Fintech and financial literacy in the Lao PDR. The Manchester School, 87, 123-153.

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.

OECD. (2022). OECD/INFE Toolkit for Measuring Financial Literacy and Financial Inclusion. Paris: OECD.

OECD. (2023). OECD/INFE International Survey of Adult Financial Literacy. Paris: OECD Publishing.

Panos, G. A., & Wilson, J. O. (2020). Financial literacy and responsible finance in the FinTech era: capabilities and challenges. The European Journal of Finance, 26(4-5), 297-301.

Rahwan, I., Cebrian, M., Obradovich, N., Lynch, G., Scifleet, M., Dubey, S., … & Jennings, N. R. (2019). Machine behaviour. Nature, 568(7753), 477-486.

Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.

Weidinger, L., Mellor, J., Rauh, M., Griffin, C., Uesato, J., Huang, P. S., … & Gabriel, I. (2021). Ethical and social risks of harm from language models. arXiv preprint arXiv:2112.04359.