Techmeme’de karşıma çıkan bir haber, üniversitelerde yapay zeka tartışmasının yönünü iyi anlatıyor. Bir grup öğrenci, yapay zeka kullanımının zorunlu tutulduğu ödevlerden muaf olabilmek ve üniversitelerin AI şirketleriyle yaptığı lisans anlaşmalarını sorgulayabilmek istiyor. Haberin kaynağı, Dana Goldstein’ın 18 Kasım 2026 tarihli New York Times haberi. Techmeme’deki haber özeti bu talepleri bir arada veriyor.
Üniversite sistemleriyle çalışan ve kendi projelerinde LLM kullanan bir yazılımcı olarak bu itirazı ciddiye alıyorum. Kuruma bir araç kazandırmakla öğrencinin o araçla nasıl öğreneceğine karar vermek ayrı sorumluluklar. İkinci karar, satın alma ekranından çok daha fazla tartışma gerektiriyor.
Benim bu haberde üzerinde durduğum soru şu. Bir üniversite, öğrencisini yapay zekaya hazırlarken öğrencinin kendi düşünme yöntemini seçebilmesine ne kadar alan bırakıyor?
İtirazın somut bir geçmişi var
Transylvania University’deki kampanyanın örgütlenmesine katılan David Ramsey, Eylül ayında yayımladığı birinci elden anlatımında, öğrencilerin AI şirketleriyle yapılan 120 bin dolarlık sözleşmelerin yenilenmemesini istediğini aktarıyor. Kendi verdiği sayıya göre kampanya, öğrencilerin yanında öğretim üyeleri ve çalışanların da bulunduğu 400 imzaya ulaşıyor. Bu sayı, yalnızca öğrenci imzası olarak okunmamalı.
Ramsey aynı zamanda hareketin katılımcısı. Dolayısıyla metni, kampanyayı düzenleyen kişinin görüşü olarak okuyorum. Bu talep; bütçenin nereye ayrıldığı, karar alınırken kimlerin dinlendiği ve üniversitenin öğrenme anlayışı hakkında da bir itiraz içeriyor.
Kurumların yaklaşımı da tek tip değil. California State University’nin resmi açıklaması, AI kullanımına katılımın gönüllü olduğunu ve öğretim üyelerinin dersleri üzerindeki yetkisini koruduğunu belirtiyor. Kampüs çapında araç sağlamakla her derste kullanım zorunluluğu getirmeyi bu nedenle birbirinden ayırmak gerekiyor.
Kullanım sayısı öğrenmenin ölçüsü olabilir mi
Gallup’ın 1 Nisan 2026’da yayımladığı çalışmada ABD’deki üniversite öğrencilerinin yüzde 57’si, ders çalışmaları için en az haftada bir AI kullandığını söylüyor. Verinin toplandığı dönem Ekim 2025; bugünün kullanım oranı gibi sunmak doğru olmaz. Çalışma, ön lisans ve lisans öğrencilerinden oluşan, katılımın isteğe bağlı olduğu bir çevrim içi panele dayanıyor. Gallup’ın bulguları ve yöntem açıklaması bu ayrıntıları birlikte veriyor.
Bu veri araçların gündelik çalışmaya yerleştiğini gösteriyor. Öğrencilerin ne kadar öğrendiğini ise tek başına söylemiyor.
Bir ürün yöneticisi için haftalık aktif kullanıcı, ürünün benimsenmesine ilişkin yararlı bir gösterge olabilir. Bir eğitim kurumu için aynı göstergenin yanına başka sorular eklemek gerekiyor. Öğrenci benzer bir problemi bağımsız çözebiliyor mu? Üretilen cevaptaki hatayı fark edebiliyor mu? Bir hafta sonra kararının gerekçesini açıklayabiliyor mu?
Bir öğrenci zorlandığı kavramı modele farklı biçimlerde anlattırıp anlayışını geliştirebilir. Başka bir öğrenci aynı araca soruyu verip cevabı teslim edebilir. İki işlem de kullanım grafiğinde birer başarılı etkileşim olarak görünebilir. Eğitim açısından sonuçları aynı kabul edilemez.
Çalışan API ile öğrenilmiş mühendislik arasındaki mesafe
Somut bir yazılım ödevi düşünelim. Öğrenciden, stok miktarını azaltan bir ASP.NET Core API geliştirmesi isteniyor. LLM; endpoint’i, veri erişimini ve test iskeletini kısa sürede üretebilir. Ekranda başarılı HTTP yanıtı görmek, öğrencinin eşzamanlılık problemini kavradığını göstermeye yetmez.
Ben değerlendirmede öğrencinin iki isteğin aynı ürünü aynı anda satın alması halinde ne olacağını açıklamasını isterdim. Stok kontrolüyle güncelleme arasındaki yarış durumunu gösterebilmeli, seçtiği işlem sınırını gerekçelendirebilmeli ve başarısız siparişin sistemde nasıl temsil edileceğini anlatabilmeli.
Ayrıca testin hangi varsayımı sınadığını bilmeli. Sırayla gönderilmiş iki isteğin geçtiği bir test, eşzamanlı isteklere dayanıklılığı kanıtlamaz. Modelin yazdığı testin de yanlış problemi doğrulayabileceğini görebilmeli.
Burada AI kullanımı, dersin hedefiyle birlikte anlam kazanıyor. Amaç eşzamanlılık mantığını öğrenmekse bağımsız çözüm ve açıklama önemli. Amaç AI tarafından üretilmiş bir servisin güvenilirliğini değerlendirmekse model çıktısına erişim ödevin doğal parçası olabilir. Ödev tasarlanırken hangi yetkinliğin ölçüldüğü açıkça belirlenmeli.
Tercih hakkının ödevde bir karşılığı olmalı
Bir kullanım politikasına gönüllülük yazmak kolay. Uygulamada bunun karşılığını kurmak daha fazla emek istiyor.
AI kullanmak istemeyen öğrenciye iki kat uzun bir ödev veriliyorsa, alternatif yol aynı ders kazanımını ölçmüyorsa veya değerlendirme anahtarı belirli bir chatbot çıktısını bekliyorsa tercih hakkı zayıflar. Benim savunduğum yaklaşım, uygun derslerde eşdeğer bir çalışma yolu tasarlamak.
Örneğin bir araştırma yöntemleri dersinde AI ile üretilmiş bir literatür özetini denetleme görevinin yanında, öğrenciye hazır bir problemli özeti denetleme seçeneği verilebilir. İki yol da kaynak doğrulama, yöntem eleştirisi ve kanıt değerlendirme becerisini ölçebilir. Alternatifin gerçekten eşdeğer olup olmadığını dersin sorumlusu ayrıca değerlendirmeli.
Doğrudan LLM değerlendirmesi öğreten bir derste ise araçla etkileşim öğrenme hedefinin kendisi olabilir. Böyle bir dersin araç, hesap ve veri koşullarının kayıt öncesinde açıklanmasını beklerim. Her ders için aynı kuralı uygulamak yerine dersin amacıyla öğrencinin seçeneği birlikte tasarlanmalı.
Politika, LMS ekranında da çalışmalı
İşin sistem tarafında beni en çok ilgilendiren yer burası. Bir PDF dosyasındaki ilke, öğrenme yönetim sistemindeki akışa dönüşmediğinde uygulanması kişisel yorumlara kalıyor.
Ben böyle bir yapıda ders ve ödev düzeyinde açık politika alanları tutardım. Araç kullanımı hangi amaçla isteniyor, hangi veri sınıflarına izin veriliyor, eşdeğer alternatif var mı, hangi ölçütlerle değerlendirme yapılacak ve kararın hangi sürümü geçerli? Öğrenci, ödeve başlamadan bunları görebilmeli.
AI desteği isteğe bağlıysa dış servise bağlantı, öğrenci bu yolu seçtiğinde kurulmalı. Sadece ödev sayfasını açmış olmak, metnin veya profil bilgilerinin bir AI sağlayıcısına gönderilmesini başlatmamalı. Alternatif yol da aynı teslim ekranından, aynı değerlendirme ölçütleriyle ilerleyebilmeli.
Politika değişiklikleri için sürüm tutmak da yararlı. Dönemin ortasında değişen bir kullanım kuralını, öğrencinin daha önce yaptığı teslimin üzerine sessizce uygulamak güveni zedeler. Sistem; geçerli kuralı, değişiklik tarihini ve etkilenen ödevleri anlaşılır biçimde gösterebilmeli.
Kurumsal lisans veri akışını tek başına açıklamaz
Üniversite hesabıyla oturum açılabilmesi, entegrasyonun güvenlik değerlendirmesini tamamlamaz. SSO kimliği doğrular; modelin hangi içeriği göreceği, kaydedeceği veya kullanabileceği için ayrıca yetki ve veri sınırları gerekir.
Bir öğrenci belgesini dış modele gönderirken çıkarım isteğini, sağlayıcının hizmet kayıtlarını, kötüye kullanım denetimini ve model eğitimi kullanımını ayrı başlıklar olarak ele alırım. Bunların koşulları ürüne, sözleşmeye ve ayarlara göre değişebilir. Bir ürünün eğitim verisi kullanmama taahhüdünden bütün bu alanların aynı kuralla yönetildiği sonucu çıkarılamaz.
Uygulama kayıtlarında da aynı dikkati beklerim. Hata incelemek için bütün öğrenci metnini loglamak yerine mümkün olduğunca istek kimliği, süre, sonuç kodu, kullanılan politika sürümü ve içerik taşımayan hata sınıfları tutulabilir. Gerçekten içerik kaydı gerekiyorsa bunun amacı, erişimi ve saklama süresi ayrıca belirlenmeli.
Yerel LLM seçeneğini de bu çerçevede değerlendiriyorum. Yerel çalıştırma, veri akışı üzerinde daha fazla kontrol sağlayabilir. Buna karşılık modelin erişebildiği belgeler, servis hesaplarının yetkileri, kayıtlar ve işletim sorumluluğu kurumda kalır. Sunucunun kurum içinde olması, tasarım kararlarını kendiliğinden çözmez.
Ölçme biçimini yeniden tasarlamak gerekiyor
Office for Students ve Advance HE’nin 11 Kasım 2026 tarihli raporu, 120’den fazla kurumdan 300’ü aşkın öğrenci ve çalışanın deneyimlerini ele alıyor. Rapor, AI kullanımının bazı öğrenme süreçlerini destekleyebildiğini; bazı kullanımların ise öğrencinin yapması gereken düşünsel çalışmayı devralabildiğini anlatıyor. Denetimsiz ödevlerin geçerliliği ve AI tespit araçlarının güvenilirliği de raporda tartışılıyor.
Bu, AI’nin herkes üzerindeki uzun vadeli etkisini ölçmüş bir deney olarak okunmamalı. Kurumların mevcut uygulamalarında hangi sorunlarla karşılaştığını anlamak için yararlı bir kaynak.
Ben mühendislik eğitiminde, teslim edilen ürünün yanında kısa sözlü savunmayı ve küçük bir gereksinim değişikliğini değerli buluyorum. Öğrenciye, geliştirdiği servisin yeni koşul altında neden bozulduğunu ve nasıl düzelteceğini açıklatmak, çözümün sahipliğini görünür kılar. Bu uygulamalar erişilebilirlik gereksinimleri gözetilerek tasarlanmalı.
AI kullanımı açık olan çalışmalarda da modelin ürettiği kısmı, öğrencinin yaptığı değişiklikleri ve doğrulama adımlarını kısa bir mühendislik notuyla görmek isterim. Öğrencinin bütün özel konuşmalarını toplamak yerine değerlendirme için gerekli kanıtı istemek daha ölçülü bir yaklaşım olur.
Üniversitenin kendi sorusunu koruması
Yapay zeka okuryazarlığını gerekli buluyorum. Bu okuryazarlığın içinde aracı kullanmak, çıktısını sorgulamak, veri sınırlarını bilmek ve hangi işte kullanılmamasına karar verebilmek de var.
Bir üniversitenin başarısını kaç hesabın açıldığı veya kaç prompt gönderildiği üzerinden değerlendirmek bana eksik geliyor. Öğrencinin daha iyi soru sorabilmesi, bir iddiayı sınayabilmesi ve geliştirdiği çözümün sorumluluğunu alabilmesi daha güçlü hedefler.
Kampüslerdeki itirazı bu yüzden dinlemek gerektiğini düşünüyorum. Öğrencinin öğrenme sürecine ilişkin sözü, sistemin tasarım girdilerinden biri olmalı. Üniversiteler AI’yi tartışırken kendi eğitim amaçlarını, araç sağlayıcılarının ürün hedefleri kadar açık ifade edebilmeli.
