Bloom Taksonomisi ve Yapay Zekânın Sınırları

Günümüz dünyasında her yer yapay zekâ araçları ile çevrilmişken öğrencilerinizden bir şeyler analiz etmesini, farklı bakış açılarını tartmasını, kendi yorumunu üretmesini istemek git gide daha zor hale geliyor.

Anderson ve Krathwohl’un 2001’de güncellediği Bloom Taksonomisi, bilişsel öğrenmeyi altı kademeli bir hiyerarşi olarak tanımlıyor: hatırlama, anlama, uygulama, analiz etme, değerlendirme ve yaratma. Bu hiyerarşi salt teorik bir çerçeve değil; iyi tasarlanmış bir öğretim sürecinin fiilen neyi amaçladığını ortaya koyan bir haritadır. Alt kademeler üst kademelerin zeminini oluşturur ve gerçek anlamda derin öğrenme, öğrencinin bu basamakları kendi zihinsel emeğiyle çıkmasına bağlıdır.

Yapay zeka bu yapıyla tuhaf bir ilişki kurmakta. 2025’te yürütülen bir araştırmada iki grup öğrenci takip edildi: bir grup yapay zekâ kullanarak çalıştı, diğeri ise kullanmadan. Çalışma boyunca yapay zekâ kullanan grup iyi görünüyordu, anlık testte 100 üzerinden 82 puan aldılar. Diğer grup ise 60 puanda kaldı. Bu, yapay zekânın hatırlama ve anlama noktasında destekleyici olduğunun net bir göstergesi oldu.

Ancak araştırmacılar üç hafta sonra her iki grubu da yapay zekâ olmadan sınava soktuğunda, yapay zekâ kullanan grubun notu 65’e düşerken diğer grup 59 puana geriledi. Yani, 22 puanlık mesafe 6’ya inmişti. Bu da gösterdi ki yapay zekâyla birlikte gelen performans, yapay zekâ kalktığında neredeyse tamamen gitmişti.

Üst düzey görevlerde ise tablo baştan farklılaşıyordu. Analiz etmek, değerlendirmek ve yeni bir şey üretmek söz konusu olduğunda yapay zekâ olmadan çalışan öğrenciler önde çıktılar. Sadece bir ölçüm noktasında değil, araştırmanın takip ettiği her aşamada. Bu durum, insanları yapay zekânın Bloom’un üst basamaklarına çıkıldıkça etkisini yitirdiğine dair bir düşünceye sürükledi. Araştırmacılar buna “bilişsel borç” dedi.

Neden Böyle Oluyor?

Üst düzey düşünme, basit bir bilgi aktarımı değildir. Öğrencilerin ellerindeki bilgileri yoğurmasını, farklı açılardan bakmasını, kendi yorumlarını inşa etmelerini gerektirir. Bu süreç ise zaman alır ve çaba gerektirir. Yapay zeka bu süreci devre dışı bıraktığında öğrenciler cevaba ulaşsalar dahi, ilgili cevabın arkasındaki düşünme yolunu hiç deneyimlememiş olurlar. Bu da, piramidin tepesine çıkmak için gereken zihinsel kasların gelişmediğine, çünkü donduğuna işaret eder.

Araştırmaların Bağlamı

Bu araştırmalar önemli olmakla birlikte bir bağlamları bulunmaktadır. Çoğu, eğitime özel geliştirilen yapay zekâ araçlarını içinde bulunduğu dönemler gereği dışlamıştır. Bu koşullarda bilişsel borcun birikmesi şaşırtıcı değil, tam da beklenen bir sonuçtur!

Sorun Araç Değil, Tasarım

OECD Eğitim Direktörü Andreas Schleicher’in dediği gibi: “Yapay zeka öğrenme için gerekli olan üretken mücadeleyi ortadan kaldırdığında öğrenciler görevleri daha hızlı tamamlayıp anlık sonuçlarda daha iyi görünebilir, ama anlamaları o kadar derinlemesine pekişmemiş olabilir.” Oysa bugün farklı bir tablo ile karşı karşıyayız. Yapay zekanın Bloom taksonomisi gibi pedagojik çerçevelere entegre olabildiği, hatırlamayı desteklerken analizi öğrenciye bırakabileceği sistemler var. Sorun araç değil, tasarım. Bizler ise Madlen’i bu gerçeklikten hareketle inşa ettik.

56 Araçtan Yalnızca Biri: Yapay Zekâya Dirençli Ödevler

Madlen araçlarından Yapay Zekâya Dirençli Ödevler aracı tam olarak bu yüzden var! Bu aracımız ile öğretmenlerimiz, ilgili müfredatı, kazanımı ve sınıf seviyesini seçerek, öğrencinin somut beceriler kullanarak, kendi düşünce süreciyle tamamlayabileceği ödev fikirlerine bir dakika içinde ulaşabilir.

Ödevin tanımı, yapay zekâya neden dirençli olduğu, amacına uygunluğu, önerilen kaynaklar, öğretmen için geri bildirim ipuçları ve değerlendirme kriterleri, öğrenci için de öz değerlendirme soruları ve başarı göstergeleri; bunların hepsi tek seferde geliyor. Piramidin üst katları burada korunuyor.

Yapay Zekâ Destekli Ödev Tasarımı

Yapay zekayı her zaman tamamen dışarıda bırakmak artık ne gerçekçi, ne de gerekli. Bu aracımız tam da bu gerçekliğe yönelik tasarlandı. Bazı ödevlerde yapay zekâ tamamen serbest, öğrenci istediği gibi kullanıyor ve süreç üzerine düşünüyor. Bazılarında belirli bölümler açık, bazıları kapalı; yapay zekâ kontrollü bir şekilde devreye giriyor. Bazı ödevlerde öğrenci yapay zekânın ürettiğini sorgular, eleştirir, eksiklerini tamamlar. Bazılarında yapay zekâ öğrencinin çalışmasını belirli kriterlere göre değerlendirir, geri bildirim verir. Bazılarında ise öğrenci ve yapay zekâ birlikte üretir; yaratıcı kararlar her zaman öğrencide kalır.

Öğretmen hangi kategoriyi seçerse seçsin, Madlen ona uygun öğrenci yönergelerini, ödev adımlarını, yansıtma sorularını, değerlendirme ölçütlerini ve konu örneklerini otomatik olarak üretir.

Önemli olan, yapay zekânın kullanılıp kullanılmaması değil, nerede, nasıl ve hangi amaca yönelik kullanıldığıdır. Sal Khan’ın 2023’te TED sahnesinde söylediği gibi: “Eğitimin şimdiye kadar göreceği en büyük olumlu dönüşümün eşiğindeyiz ve bu dönüşümü yapay zekâ sağlayacak.” Bloom, bize altmış yıl önce öğrenmenin bir bina gibi inşa edildiğini söyledi. Yapay zeka o binayı daha hızlı yükseltebilir, ama hangi katın ne zaman ve nasıl örüleceğine doğru karar verilmesi gerekmekte. Madlen olarak, bu sürecin en doğru işlemesi için elimizden geleni yapıyoruz.

Kaynaklar

• Anderson, L. W. ve Krathwohl, D. R. (Ed.) (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. Longman.

• Akgun, S. ve Toker, S. (2025). Effects of generative AI use on student learning outcomes in higher education. International Conference on Artificial Intelligence in Education (AIED).

• Schleicher, A. (2026, Ocak). How to effectively use generative AI in education. OECD Education and Skills Today. https://oecdedutoday.com/how-to-effectively-use-generative-ai-in-education/

• Khan, S. (2023). How AI could save (not destroy) education. TED. https://www.ted.com/talks/sal\_khan\_how\_ai\_could\_save\_not\_destroy\_education

• Ler, R. L. (2025). The cognitive debt problem. Edtech Insiders.