PBIM-AOS (Perceptual Bottleneck Inventory – Agentic Operating System), öğrenci hatalarının arkasındaki algısal darboğazları kanıta dayalı olarak incelemek ve öğretmene pedagojik karar desteği sağlamak amacıyla geliştirilmekte olan agentic yapay zekâ yaklaşımıdır.

Öğrenci hatasını görmek yeterli mi, yoksa yapay zekâ bu hatanın arkasındaki öğrenme sorununu anlamada öğretmene yardımcı olabilir mi?

Yapay zekânın eğitimdeki ilk yaygın kullanım biçimlerinden biri oldukça basitti:

Öğrenci → Yapay zekâ → Cevap

Öğrenci bir soru soruyor, yapay zekâ ise bildiklerine ve verilen bağlama dayanarak bir cevap üretiyordu.

Üretken yapay zekânın eğitimde kullanımı açısından bu önemli bir gelişmeydi. Ancak öğretme ve öğrenme süreci yalnızca soru ve cevaplardan oluşmaz.

Bu yaklaşım, yapay zekânın pedagojik kararların yerine geçmesi yerine öğretmenin mesleki yargısını desteklemesi gerektiğini vurgulayan insan-merkezli yapay zekâ yaklaşımlarıyla da uyumludur.

Bir öğrenci matematik problemini yanlış çözdüğünde öğretmen açısından asıl önemli soru çoğu zaman:

“Doğru cevap nedir?”

değil,

“Öğrenci neden böyle düşündü?”

sorusudur.

Perceptual Bottleneck Inventory (PBI) yaklaşımının çıkış noktalarından biri de bu ayrımdır. Öğrencinin hatası bize neyin yanlış gittiğini gösterebilir; algısal darboğaz ise neden yanlış gittiğini anlamamıza yardımcı olabilir.

Bu düşüncenin matematik eğitimindeki sistematik uygulaması olan PBIM — Perceptual Bottleneck Inventory for Mathematics, öğrenme çıktıları, matematiksel kavramlar, tipik öğrenci hataları, algısal darboğazlar, tanılama soruları ve öğretim müdahaleleri arasında yapılandırılmış ilişkiler kurmaktadır.

Fakat burada yeni bir soru ortaya çıkmaktadır:

Bu pedagojik bilgi yalnızca bir envanterde saklanmak yerine, öğrencinin öğrenme sürecinde aktif olarak kullanılabilir mi?

PBIM-AOS — PBIM Agentic Operating System — bu soruya yanıt arayan bir sonraki adımdır.

---

Chatbot’tan AI ajanlarına

Bir chatbot ile agentic bir yapay zekâ sistemi arasında önemli bir fark vardır.

Bir chatbotu çok bilgili tek bir öğretmene benzetebiliriz.

Agentic Operating System ise farklı uzmanlıklara sahip öğretmenleri, ölçme-değerlendirme uzmanlarını ve rehberlik süreçlerini koordine eden bir okul yönetimine benzetilebilir. Kaynak belgede bu ayrım, Agentic OS’nin planlama, karar verme, görev paylaşımı, araç kullanımı ve sonuçların değerlendirilmesini yöneten bir üst katman olmasıyla açıklanmaktadır.

Bu nedenle agentic yaklaşımda yapay zekâ artık yalnızca cevap üretmez.

Bir hedef doğrultusunda farklı görevleri yerine getiren uzman ajanlar birlikte çalışabilir.

Eğitim açısından düşünüldüğünde süreç örneğin şöyle olabilir:

Öğrenci yanıtı
↓
Tanılama
↓
Algısal darboğazın belirlenmesi
↓
Kanıtların değerlendirilmesi
↓
Öğretim müdahalesi
↓
Öğrenme etkinliği
↓
Değerlendirme
↓
Yeniden tanılama

Bu yapı tek seferlik bir yapay zekâ cevabından farklı olarak sürekli bir öğrenme döngüsü oluşturur. PBIM-AOS’un öngördüğü temel döngü de öğrenci yanıtından başlayıp tanılama, darboğaz, müdahale ve değerlendirme üzerinden yeniden tanılamaya ulaşmaktadır.

---

PBIM’den PBIM-AOS’a

PBIM ile PBIM-AOS arasındaki ilişkiyi belki de en kısa şekilde şöyle ifade edebiliriz:

PBIM “Ne biliyoruz?” sorusuna cevap verir.
PBIM-AOS ise “Bu bilgiyi öğrenci için nasıl işletebiliriz?” sorusuna cevap arar.

PBIM bir pedagojik bilgi katmanıdır.

Bir öğrenme çıktısına ilişkin matematiksel kavramları, tipik öğrenci hatalarını, olası algısal darboğazları, tanılama sorularını ve öğretim müdahalelerini yapılandırır.

PBIM-AOS ise bu bilgiyi kullanan pedagojik yürütme ve karar katmanıdır. Kaynak belgede bu iki katman açık biçimde “PBIM = pedagojik bilgi katmanı” ve “PBIM-AOS = pedagojik yürütme ve karar katmanı” olarak ayrılmaktadır.

Bu nedenle PBIM-AOS, PBIM’in yerine geçmez.

PBIM’in üzerine kurulur.

---

PBIM-AOS’un uzman ajanları

PBIM-AOS mimarisinde pedagojik sürecin farklı bölümlerini ele alan uzman ajanlar öngörülmektedir.

Outcome Agent, öğrencinin çalıştığı öğrenme çıktısını belirler.

Bottleneck Agent, PBIM envanterindeki bilgilerden yararlanarak olası algısal darboğazları değerlendirir.

Misconception Agent, öğrenci yanıtını PBIM’de tanımlanmış tipik öğrenci hatalarıyla karşılaştırır.

Evidence Agent, öğrencinin cevabından tanısal değeri olan kanıtları çıkarır.

Intervention Agent, belirlenen sorun ve mevcut kanıtlara göre uygun öğretim müdahalelerini önerir.

Activity Agent, öğrenci veya sınıf için yapay zekâ destekli öğrenme etkinlikleri oluşturur.

Assessment Agent, tanıyı doğrulamaya ve müdahale sonrasında öğrenmeyi yeniden değerlendirmeye yönelik sorular üretir.

Teacher Coach Agent ise öğretmene pedagojik açıklamalar, alternatif stratejiler ve sınıf içi uygulama önerileri sunar.

Bu sekiz uzman ajan PBIM-AOS’un başlangıç mimarisinin temelini oluşturmaktadır.

Ancak ajanların birbirinden bağımsız çalışması yeterli değildir.

Burada PBIM-AOS’un merkezi bileşenlerinden biri devreye girer:

Orchestrator

Orchestrator’ı sistemin orkestra şefi gibi düşünebiliriz.

Orchestrator şu sorularla ilgilenir:

Hangi ajan çalışmalı?
Bir sonraki ajan hangisi olmalı?
Yeterli kanıt var mı?
Ek bir tanılama sorusu gerekli mi?
Tanı hipotezi yeterince güçlü mü?
Öğretmen onayı gerekiyor mu?
Müdahaleye geçilebilir mi?

Dolayısıyla agentic sistem yalnızca birçok yapay zekâ modelinin aynı anda kullanılması anlamına gelmez.

Asıl özellik, uzman bileşenlerin ortak bir pedagojik amaç doğrultusunda koordine edilmesidir. Kaynakta Orchestrator’ın hangi ajanın çalışacağına, ek kanıt gerekip gerekmediğine ve öğretmen onayına ihtiyaç olup olmadığına karar veren merkezi bileşen olduğu belirtilmektedir.

---

Kesin tanı değil, kanıta dayalı hipotez

PBIM-AOS tasarımının pedagojik açıdan en önemli ilkelerinden biri burada ortaya çıkmaktadır.

Bir öğrencinin tek bir yanlış cevabından hareketle:

“Bu öğrencide şu algısal darboğaz vardır.”

demek doğru olmayabilir.

Bunun yerine sistemin şöyle düşünmesi gerekir:

Olası darboğaz
+
Öğrenci yanıtından elde edilen kanıt
+
Güven düzeyi
+
Gerekirse ek tanılama sorusu

Dolayısıyla sistem kesin bir etiket üretmek yerine bir tanı hipotezi oluşturur.

Örneğin:

Olası darboğaz: PBIM-06
Güven: %68
Kanıt: Öğrencinin yanıtındaki belirli bir ifade
Gerekli ek kanıt: Bir tanılama sorusuna verilecek yeni yanıt

Bu yaklaşım PBIM-AOS’u basit bir öğrenci sınıflandırma sisteminden ayırmaktadır.

Ve çok önemli başka bir ilkeye götürmektedir.

Teacher-in-the-loop

PBIM-AOS’un amacı öğretmenin pedagojik kararlarını yapay zekâya devretmek değildir.

Tam tersine sistemin önerdiği model şöyledir:

AI
↓
Tanı hipotezi
↓
Kanıt
↓
Gerekçe
↓
Öğretmen
↙ ↓ ↘
Onayla — Değiştir — Reddet
↓
Müdahale

Bu nedenle PBIM-AOS’u “otomatik öğretmen” olarak değil, teacher-in-the-loop pedagogical decision support system olarak tanımlamak daha doğru olacaktır.

Yapay zekâ analiz eder.

Yapay zekâ kanıtları toplar.

Yapay zekâ alternatifler önerir.

Ama kritik pedagojik kararın sorumluluğu öğretmende kalır.

---

Öğretmenin rolü nasıl değişebilir?

Bu yaklaşım öğretmenin önemini azaltmak yerine rolünü değiştirebilir.

Geleneksel durumda öğretmen öğrencinin problemini belirlemek, olası nedenlerini düşünmek, uygun etkinliği hazırlamak, öğrenciyi yeniden ölçmek ve sonuçları değerlendirmek zorundadır.

PBIM-AOS destekli bir ortamda sistem bu sürecin bazı bölümlerini hazırlayabilir:

olası öğrenme güçlüklerini analiz etmek,
kanıtları toplamak,
müdahale seçenekleri oluşturmak,
etkinlikler hazırlamak,
yeniden değerlendirme soruları üretmek.

Öğretmen ise bu çıktıları pedagojik bilgi ve deneyimiyle değerlendirerek nihai kararı verir. Kaynak belge bunu öğretmenin karar verici rolünü korurken rutin analiz ve hazırlık yükünün azaltılması olarak tanımlamaktadır.

Bu anlamda öğretmenin rolü içerik üreten kişiden giderek daha fazla öğrenme sürecini yöneten pedagojik karar vericiye dönüşebilir.

---

Tek bir cevaptan öğrenme geçmişine

PBIM-AOS’un bir başka önemli özelliği, tek bir öğrenci yanıtıyla sınırlı kalmamasıdır.

PBIM ağırlıklı olarak:

Learning Outcome → Bottleneck

ilişkisini yapılandırırken, PBIM-AOS zaman içerisinde:

Student
↓
Learning Outcome
↓
Bottleneck
↓
Intervention
↓
Progress
↓
Bottleneck History

ilişkisini kurabilir.

Burada dikkat edilmesi gereken önemli bir nokta vardır.

Amaç öğrenciye kalıcı bir etiket vermek değildir.

Bir öğrencinin “PBIM-06 öğrencisi” olduğunu söylemek yerine, sistem zaman içinde gözlenen kanıtlara dayalı, değişebilen bir learner model oluşturmalıdır.

Çünkü öğrenme de öğrencinin yaşadığı güçlükler de dinamiktir.

---

Üç katmanlı PBIM ekosistemi

Bu gelişim PBIM ekosistemini üç katmanda düşünmemize olanak verir:

Level 1 — PBIM Model

Perceptual Bottleneck Inventory for Mathematics

Bilimsel ve pedagojik çekirdektir.

Öğrenme çıktıları, algısal darboğazlar, tipik hatalar, tanılama ve müdahale bilgilerini yapılandırır.

Level 2 — PBIM Platform

PBIM modelini öğretmenler ve araştırmacılar için kullanılabilir hale getiren yazılım katmanıdır.

Level 3 — PBIM-AOS

PBIM Agentic Operating System

PBIM bilgisini kullanarak tanılama, kanıt toplama, müdahale, etkinlik, değerlendirme ve yeniden tanılama süreçlerini koordine eden agentic zekâ katmanıdır.

Kaynak belgede de PBIM ekosistemi tam olarak bu üç düzeyle kavramsallaştırılmaktadır: PBIM Model bilimsel/pedagojik çekirdek, PBIM Platform modeli kullanılabilir hale getiren yazılım ve PBIM-AOS öğrenme süreçlerini yöneten agentic zekâ katmanıdır.

Bunu daha kısa biçimde şöyle ifade edebiliriz:

PBI → kuramsal çerçeve

PBIM → matematik eğitimi için yapılandırılmış pedagojik model

PBIM Platform → modelin çalışan uygulaması

PBIM-AOS → modeli harekete geçiren agentic pedagojik karar sistemi

---

Yapay zekâ öğretmenin yerine mi geçiyor?

PBIM-AOS açısından cevap hayır.

Asıl hedef yapay zekânın öğretmen yerine karar vermesi değil, öğretmenin karar verebilmesi için daha sistematik kanıt üretmesidir.

Bu ayrım eğitimde yapay zekânın geleceği açısından önemlidir.

Sorulması gereken soru yalnızca:

“Yapay zekâ öğrenciye ne öğretebilir?”

değil,

“Yapay zekâ öğretmenin öğrencinin öğrenmesini daha iyi anlamasına nasıl yardımcı olabilir?”

olmalıdır.

PBIM-AOS bu ikinci sorudan hareket etmektedir.

Bu nedenle sistemin başarısı yalnızca kullandığı büyük dil modelinin gücüyle ölçülmemelidir.

Başarı;

tanıların ne kadar kanıta dayalı olduğu,
önerilerin ne kadar açıklanabilir olduğu,
öğretmenin ne ölçüde kontrol sahibi olduğu,
müdahalelerin öğrenmeye ne ölçüde katkı sağladığı

ile değerlendirilmelidir.

---

Sonuç: Cevap üreten AI’dan öğrenmeyi anlamaya çalışan AI’a

Üretken yapay zekânın eğitimdeki ilk dönemi büyük ölçüde cevap üretme üzerine kuruluydu.

Agentic AI ise farklı bir olasılığın kapısını açmaktadır:

öğrenme sürecini izleyen, kanıt toplayan, hipotez geliştiren, müdahale seçenekleri oluşturan ve sonuçları yeniden değerlendiren sistemler.

PBIM-AOS’un hedeflediği dönüşüm de budur.

PBIM, öğrenci hataları ile bunların altında bulunabilecek algısal darboğazlar arasındaki pedagojik bilgiyi yapılandırmaktadır.

PBIM-AOS ise bu bilgiyi dinamik bir öğrenme sürecinin parçası haline getirmeyi amaçlamaktadır.

Böylece:

Öğrenci hatası → Kanıt → Algısal darboğaz hipotezi → Öğretmen kararı → Müdahale → Etkinlik → Yeni kanıt → Yeniden değerlendirme

şeklinde sürekli bir öğrenme döngüsü kurulabilir.

Belki de eğitimde agentic yapay zekânın en önemli potansiyeli burada yatmaktadır:

Yapay zekânın öğretmen yerine karar vermesi değil, öğretmenin öğrencinin nasıl düşündüğünü daha iyi görebilmesine yardımcı olması.

---

Prof. Dr. M. Yaşar Özden
Educational Technology & AI in Education
Founder, PBI — Perceptual Bottleneck Inventory
Developer, PBIM — Perceptual Bottleneck Inventory for Mathematics