Öğretim teknolojileri alanında onlarca yıl çalıştım. ‘Teknolojiyle öğrenme’ dediğimde aklımda hep öğrenciler vardı. Şimdi anladım ki o öğrenci bazen bizzat kendimiz olmalıyız.
70 yaşındayım. Emekli bir Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümü akademisyeniyim teknolojiyle öğrenmeyi onlarca yıl araştırdım. Kod yazmayı da biliyorum. Böylesine büyük bir projeyi daha önce hiç baştan sona, frontend, backend ve veritabanı dahil tamamlamadım.
Ta ki geçen yıla kadar.
Nart24.de Almanya’ya yönelik bir ticari araç yedek parçası satış sitesi. Ödeme entegrasyonu, gerçek stok, fiyat yönetimi, TecDoc araç veri tabanı, ve üstüne bir de AI destekli müşteri chat asistanı. Hepsi canlı, hepsi çalışıyor.
Bunu mümkün kılan en büyük ortağım öncelikle Deniz Mert Özden ve Claude (Anthropic’in yapay zeka asistanı) oldu.
Ne inşa ettik birlikte?
Laravel 12 backend + MariaDB tüm iş mantığıyla
TecDoc API entegrasyonu müşteri aracını seçiyor (Marka → Model → Tip), AI chat asistanı o araca özel yanıt veriyor
Anthropic Claude destekli Almanca chat asistanı gerçek stok ve fiyat verileriyle, halusinasyon olmadan cevap verebiliyor.
Ödeme sistemi, sipariş yönetimi, canlı e-ticaret tamamen gerçek bir e-ticaret ortamı
Claude sadece kod yazmadı. Mimariyi birlikte tasarladık. Hata aldığımda nedenini anlattı. Yanlış gittiğimde düzelttik. Ben de her kararın arkasındaki gerekçeyi anlamadan ilerlemeye razı olmadım.
Yıllarca “Teknolojiyle Öğrenme” üzerine çalıştım. Şimdi bizzat deneyimleme şansım oldu: “Yapay zeka doğru kullanıldığında sadece iş yapmıyor öğretiyor da”.
70 yaşında üretimde canlı bir uygulama çıkarmak mümkün mü?
Mümkün. Ben yaptım.
Belki bu hikaye, “artık geç” diyenlere ya da “bunu tek başıma yapamam” diyenlere küçük bir dokunuş olur.
Sayın M. Nuri Çankaya ile 1 Mart, 2026 tarihinde yaptığımız söyleşinin bağlantılarını kaynaklar kısmında bulabilirsiniz. Söyleşi bir saat, yirmi dakika sürdü. Sıkılabileceğinizi düşündüğüm için Yapay Zekadan yardım almak amacıyla kaynaklardaki bağlantıları NotebookLM’e yükledim önce bir ses dosyası oluşturdu.
Başlamışken ağanın eli tutulmaz dedim ve bir blog yazısı yazmasını istedim sağolsun kırmadı beni, aşağıda paylaşıyorum. Aslında birde güzel infografik hazırlamış;
Bugün 1 Mart 2026. ChatGPT’nin 2022 sonunda yarattığı o ilk büyük depremin üzerinden yaklaşık üç buçuk yıl geçti ve dünya kelimenin tam anlamıyla “takla attı”. Kendimizi, yüzme bilmediğimiz derin bir denize aniden itilmiş ve suyun üzerinde kalmaya çalışırken bulduk. Halen debeleniyoruz, ancak artık sadece hayatta kalmak değil, bu yeni ekosistemin mimarı olmak zorundayız. Prof. Dr. Yaşar Özden’in vizyoner öngörüleri ışığında, eğitim paradigmasının enkazından yeni bir insanlık sürümünün nasıl doğduğunu analiz etme zamanı.
1. “Ayağımızın Altındaki Halı Çekildi”: Değişimin Hızı ve Uyum Süreci
Teknolojik sıçramalar ile insani uyum arasındaki makas hiç bu kadar açılmamıştı. Mevcut kaosun temelinde, kurumlarımızın ve zihinlerimizin hala eski dünyanın koordinatlarına göre çalışmaya çabalaması yatıyor.
“Birileri ayağımızın altından halıyı çekti ve biz hala daha halı olan bir yerde gezdiğimizi zannediyoruz.” — Prof. Dr. Yaşar Özden
2026 perspektifinden baktığımızda, bu “halı çekme” eyleminin sadece bir başlangıç olduğunu görüyoruz. Değişim o kadar hızlı gerçekleşti ki, kurumsal yapılar bu hıza biyolojik olarak yanıt veremedi. Güvenli sahilimizden itildik; fizik kuralları bizi suyun üstünde tutuyor olabilir, ancak ilerlemek için “eski halıda yürüme” illüzyonundan tamamen kurtulmamız gerekiyor.
2. Endüstri Devrimi Okul Modeli Bitti: Bilmek Yetmez, Yapabilmek Gerek
Yüzyıllardır süregelen, fabrikaları model alan ve 200 kişilik amfilerde tek bir ağızdan çıkan bilginin not edildiği o “çaresiz” eğitim modeli artık tarih oldu. Eğitim paradigması, endüstriyel modelin enkazından kurtarılmalı ve “tam zamanlı” (just-in-time) üretim modeline evrilmelidir.
Amfi Paradoksu ve Yapılandırmacılığın İflası: 200 kişinin bir odaya kapatılıp bir kişinin anlatımıyla eğitildiği model, yapay zekanın kişiselleştirilmiş öğrenme asistanlarına dönüştüğü bu çağda anlamsızdır. Geçmişte “herkesin farklı öğrendiğini” savunan Yapılandırmacılık (Constructivism), maalesef “saldım çayıra, Mevlam kayıra” yaklaşımına kurban edildi. Oysa gerçek eğitim, her bireyin potansiyeline uygun desteği yapay zeka ile ölçeklendirmektir.
Teoriden Probleme Dönüş: Eğitim sistemimizdeki %75 teori ve %25 uygulama dengesi artık geçersizdir. Bilgi artık “hiç olmadığı kadar erişilebilir durumdadır” ve her yerdedir. Yapay zeka, bilgiye erişim konusunda “Google’ı bile işsiz bırakmışken”, bizim ihtiyacımız olan “kitabı tersten okumaktır”. Yani önce problemi ortaya koymak, ardından o problemi çözmek için gereken bilgiyi yapay zeka aracılığıyla sentezlemektir.
3. Yazılımın Demokratikleşmesi: “Vibe Coding” ve Kişisel Girişimcilik
Kod yazmak artık teknik bir “meziyet” değil, bir fikir geliştirme “aracıdır”. 13 yaşındaki bir çocuğun sadece 10 dakikada, hiçbir kodlama bilgisi olmadan Gemini veya Cursor gibi araçlarla (Vibe Coding) bir iPhone uygulaması geliştirebildiği bir dünyadayız. Teknik donanım eksikliği bir engel olmaktan çıkmış, asıl değer “fikir ve sistem kurgusuna” kaymıştır.
Bunun en çarpıcı kanıtı, bizzat Prof. Dr. Yaşar Özden’in 70 yaşında gerçekleştirdiği girişimcilik pivotudur. Tek başına, arkasında dev bir yazılım ekibi varmışçasına, 1,5 milyon ürünün stok, fiyat ve görsel bilgisini anlık güncelleyen devasa bir e-ticaret sitesi kurması, yeni dünyanın çalışma modelini özetliyor: Mimar sizsiniz, işçi ise yapay zeka. Rutin kod yazan veya standart süreçleri yöneten “beyaz yakalılar” (ve yakında “moraracak” olan rutin mühendisler), bu demokratikleşme dalgasının ilk elenenleri olacaktır.
4. Karbon Bilgisayarlar ve Homo Artificialis: Silikonun Ötesindeki Gelecek
Bugünkü yapay zeka sistemleri silikon tabanlıdır ve muazzam bir enerji israfı ile ısınma problemiyle boğuşmaktadır. Oysa doğa, bu problemi milyonlarca yıl önce çözmüştür. Bir kartalın kilometrelerce yukarıdan avını görmesi, bir kuşun 6 ay boyunca durmadan, GPS kullanmadan göç etmesi veya bir köpek balığının 20 kilometre öteden kan kokusu alması için devasa soğutma sistemlerine veya veri merkezlerine ihtiyacı yoktur.
“Bütün gelişmeler sonunda karbona doğru gidecek… bu iş karbonda bitecek silisyumda değil.” — Prof. Dr. Yaşar Özden
Teknolojik evrim, silisyumun sınırlarını aşarak karbon tabanlı sistemlere yönelecek. Bu, biyolojik zekanın yapay zekayla doğrudan entegre olduğu (ense çipi gibi hibrit formlar, HuBOT’lar) sonunda tamamen karbon tabanlı Homo Artificialis dönemini başlatacak. Matematiksel ölçekleme yasaları, önümüzdeki 18 ay içinde (2027 sonu veya 2028 başı gibi) Yapay Genel Zekaya (AGI) ulaşacağımızı öngörüyor. AGI geldiğinde, insan zekasıyla her alanda rekabet edebilen bir güçle karşı karşıya kalacağız.
5. “Hık Deyiciler” ve IQ Düşüşü Tehlikesi: Yankı Odasındaki İnsanlık
Yapay zekanın en büyük riski, bizi aptallaştırma potansiyelidir. Öğrenme, metabolik olarak “pahalı” bir iştir; enerji harcatır. Eğer zihnimiz bir şeyi öğrenmek için enerji harcamazsa, o bilgi kalıcı olmaz. 2000’lerden itibaren gözlemlenen IQ artışının (Flynn Etkisi) tersine dönmesi ve 2035’te küresel bir IQ düşüşü öngörülmesi tesadüf değildir.
Meta ve “Sanal Arkadaşlar” Stratejisi: Meta gibi devlerin stratejisi, ekran süresini 1 saatten 3 saatin üzerine çıkarmaktır. Bunu da size özel “sanal arkadaşlar”, finansal danışmanlar veya her dediğinizi onaylayan “hık deyiciler” (yes-men) yaratarak yapacaklar.
Bilişsel Yankı Odası: Yapay zekanın sadece duymak istediklerinizi söyleyen, sizi sürekli doğrulayan bir asistan olarak kullanılması, eleştirel düşünme yetisini köreltir. Eğer yapay zeka gerçekleri değil, sadece sizin hoşunuza gidenleri söylüyorsa, o bir yardımcı değil, zihinsel bir hapishanedir.
Sonuç: Bir “AI Actionist” Olmak
1811 yılında İngiltere’deki tekstil işçileri (Ludditeler), işlerini ellerinden alan makineleri parçalamak için fabrikaları ateşe vermişlerdi. Sonuç ne oldu? İngiltere’de otomasyon yasaklandı, ancak o girişimciler gemilere binip Amerika’ya giderek sanayi devrimini orada başlattılar ve Avrupa geride kaldı. Tarih bize gösteriyor ki: Su yolunu bulur.
Yenilikten korkmak veya onu putlaştırmak yerine, bir “AI Actionist” (Yapay Zeka Aksiyonisti) olmak zorundayız. İyi doktorlar, iyi hukukçular ve iyi mimarlar var olmaya devam edecek; ancak bunlar, yapay zekayı kendi uzmanlıklarını üst seviyeye taşımak için kullananlar olacaktır. Değişim kaçınılmazdır; önemli olan bu değişimi anlamak ve insanlık yararına kanalize etmektir.
Kapanış Sorusu: Yapay zeka sizi daha akıllı, daha yaratıcı bir üst sürüme mi taşıyacak; yoksa sizi sadece onaylayan ve düşünmekten vazgeçiren bir “hık deyicinin elinde bilişsel bir gerilemeye mi mahkum edecek?
Yapay zeka hakkında olumlu olumsuz bir çok paylaşım oluyor. Bende kendi deneyimlerimi paylaşayım istedim. Evet, Yapay Zekayı ilk çıkışından itibaren izliyor ve üretim amaçlı kullanmaya çalışıyorum. Geldiğim nokta bana 70 yıllık hayatımda yapmadığım bir şeyi yaptırdı. 70 yaşında şahıs şirketi kurup yurtdışına yazılım yapmaya başladım.
Yapay Zekanın kullanım alanlarından birisi olan Vibe Coding yardımıyla Laravel12, Mariadb, Redis, Stripe kullanan günlük olarak 1.5 milyon ürünün fiyat, stok ve resim yenilenmesinin yapılabildiği bir projeyi hayata geçirebildim. Öyle oluncada hemen bir şahıs şirketi kurup bu yapıyı yurtdışında kullanıma açtım (Internet üzerinden)
Galiba bu Yapay Zeka gelişimi olmasaydı bende yaşdaşlarım gibi başka hayallerle uğraşıyor olacaktım🫣
Uzun bir zamandır “Bilmek yetmez YAPABİLMEK gerekir, bilenler kusura bakmasın Yapay Zekayı işe aldık” (eskiden google çalışıyordu ama yeni gelen onu yetinden ettik) diyordum yaşayarak deneyimleme şansım oldu.
Bu metin, yapay zekanın eğitimdeki yükselişinin akademik dürüstlük üzerindeki etkilerini ve bu konudaki yaygın endişeleri ele almaktadır. Yapılan araştırmalar, modern teknolojilere rağmen öğrenci kopya çekme oranlarının geçmiş yıllara kıyasla büyük bir değişim göstermediğini ortaya koymaktadır. Yazarlar, eğitimcilerin bu durumu sadece bir yasaklama meselesi olarak değil, yapay zeka okuryazarlığını artırmak ve öğrenme sürecini yeniden tanımlamak için bir fırsat olarak görmelerini önermektedir. Özellikle etik kullanım sınırlarının belirlenmesi ve öğrencilerle şeffaf bir iletişim kurulması, teknolojinin eğitimi olumsuz etkilemesini önlemek adına kritik öneme sahiptir. Sonuç olarak kaynak, okulların korku yerine iş birliği ve net politikalarla bu yeni dijital çağa uyum sağlaması gerektiğini vurgulamaktadır.
Kaynak:
Challenge Success (challengesuccess.orq) Stanford CRAFT (craft.stanford.edu) Common Sense Media (commonsense.org) NotebookLM
Büyük Dil Modellerindeki Kültürel Yanlılık: "WEIRD" Psikolojisinin Bilimsel ve Etik Sonuçları
1. Giriş: "Hangi İnsanlar?" Sorunsalı ve Yapay Zekanın Evrensel Olmayan Psikolojisi
Büyük Dil Modellerinin (LLM'ler) yeteneklerinin "insan seviyesinde" olduğu yönündeki beyanlar, teknoloji dünyasını büyüleyen tehlikeli ve baştan çıkarıcı bir aşırı basitleştirmedir. GPT-4 gibi sistemlerin performansı, zorlu profesyonel ve akademik ölçütlerde insanlarla kıyaslanarak sunulurken, bu karşılaştırmalar temel bir soruyu gölgede bırakmaktadır: Bu modellerin taklit ettiği veya ulaştığı iddia edilen "insan" standardı, gerçekte kimi temsil etmektedir? Bu rapor, bu tehlikeli genellemeye karşı kritik bir entelektüel müdahale olarak şu soruyu sorar: Hangi insanlar?
İnsan psikolojisi, küresel ölçekte yekpare bir yapıdan uzaktır. Kültürler arasında sosyal tercihler, işbirliği, ahlaki yargılar, etik karar verme mekanizmaları, düşünce tarzları, kişilik özellikleri ve benlik algısı gibi temel alanlarda derin ve sistematik farklılıklar bulunmaktadır. İnsanlığı tekil bir kategori olarak ele almak, bu zengin çeşitliliği göz ardı ederek yanıltıcı bir evrensellik varsayımına yol açar. Bu raporun amacı, günümüzün önde gelen LLM'lerinin, psikolojik olarak küresel bir aykırı değer olan belirli bir insan grubunun zihinsel ve davranışsal eğilimlerini yansıttığını kanıtlamaktır. Bu grup, sosyal bilimlerde "WEIRD" olarak adlandırılan ve dünya nüfusunun küçük bir azınlığını oluşturan toplumlardır. Bu yanlılığın merkezinde, küresel psikolojide aykırı bir değer teşkil eden WEIRD psikolojisi kavramı yatmaktadır.
2. "WEIRD" Yanlılığının Kaynağı: Batılı, Eğitimli, Sanayileşmiş, Zengin ve Demokratik Psikoloji
LLM'lerde gözlemlenen kültürel yanlılığın kökenini anlamak için, bu modelleri besleyen verilerin doğasını incelemek kritik bir öneme sahiptir. Modellerin kavramsal çerçevesini şekillendiren temel hammadde olan eğitim verilerinin ezici çoğunluğu, belirli bir psikolojik profile sahip toplumlardan gelmektedir. Bu durumu açıklamak için kullanılan anahtar kavram **"WEIRD"**dir.
"WEIRD" kısaltması, Western (Batılı), Educated (Eğitimli), Industrialized (Sanayileşmiş), Rich (Zengin) ve Democratic (Demokratik) toplumları tanımlar. Kültürel psikoloji araştırmaları, bu toplumların küresel ve tarihsel bağlamda psikolojik olarak birer aykırı değer (outlier) olduğunu ortaya koymaktadır. WEIRD bireyler, dünyanın geri kalanına kıyasla daha bireyci, bağımsız ve kişisel olmayan bir temelde toplum yanlısı (örneğin, yabancılara güvenme eğilimi) olma eğilimindedir. Aynı zamanda ahlaki olarak daha az dar görüşlü, otoriteye daha az saygılı, daha az konformist ve yerel gruplarına daha az sadıktırlar. Bu psikolojik özellikler, evrensel "insan" doğasının bir yansıması değil, belirli kültürel ve tarihsel süreçlerin bir ürünüdür.
LLM'ler bu yanlılığı birkaç temel mekanizma aracılığıyla edinir:
Veri Kaynağı: Eğitim verilerinin büyük bir kısmı, internetten toplanan metinlerden oluşur.
Dijital Uçurum: İnternet erişimi ve dijital içerik üretimi, WEIRD toplumlarda orantısız bir şekilde daha yüksektir. Birleşmiş Milletler verilerine göre, dünya nüfusunun neredeyse yarısı hala internete erişememektedir.
Dilsel Hakimiyet: İngilizce, dil teknolojilerinde ezici bir hakimiyete sahiptir ve bu durum, İngilizce konuşan WEIRD kültürlerin norm ve değerlerinin daha fazla temsil edilmesine yol açar.
Bu dinamik, makine öğrenmesindeki "Garbage In, Garbage Out" (Çöp Girdi, Çöp Çıktı) deyişinin psikokültürel bir uyarlaması olarak özetlenebilir: "WEIRD in, WEIRD out" (WEIRD Girdi, WEIRD Çıktı). Modele hangi kültürel grubun verisi ağırlıklı olarak girerse, modelin çıktıları da o grubun psikolojik özelliklerini yansıtacaktır. Bu teorik çerçeve, LLM'lerin psikolojisini doğrudan ölçen ve bir sonraki bölümde sunulacak olan ampirik bulgularla güçlü bir şekilde desteklenmektedir.
LLM'lerdeki WEIRD yanlılığı, yalnızca teorik bir endişe olmanın ötesinde, standart psikometrik araçlarla ölçülebilen ve tekrarlanabilen somut bulgularla desteklenmektedir. Bu bölümde sunulan kanıtlar, raporun temel iddiasını bilimsel verilerle sağlamlaştırmaktadır. Araştırmamızda, LLM'lerin (GPT ile temsil edilen) psikolojisini üç farklı boyutta analiz ettik: kültürel değerler, bilişsel stil ve benlik algısı.
3.1. Kültürel Değer Analizi: Dünya Değerler Araştırması (World Values Survey)
GPT'nin değer yargılarını ve sosyal tutumlarını küresel bir perspektifle karşılaştırmak için, sosyal bilimlerdeki en kapsamlı kültürlerarası veri setlerinden biri olan Dünya Değerler Araştırması (WVS) kullanılmıştır. GPT'ye WVS anket soruları yöneltilmiş ve yanıtları 65 ülkedeki 94.000'den fazla insanın yanıtlarıyla karşılaştırılmıştır. Bulgular oldukça nettir:
Psikolojik Yakınlık: Hiyerarşik kümeleme analizi (Şekil 1) ve bu analize dayanan çok boyutlu ölçekleme görselleştirmesi (Şekil 2), GPT'nin psikolojik olarak ABD ve Uruguay'a, ardından ise Kanada, Kuzey İrlanda, Yeni Zelanda ve Büyük Britanya gibi ülkelerden oluşan bir kümeye en yakın olduğunu göstermektedir.
Psikolojik Mesafe: Buna karşılık, GPT'nin psikolojisi Etiyopya, Pakistan ve Kırgızistan gibi WEIRD olmayan kültürlerden belirgin şekilde uzaktır.
Güçlü Korelasyon: En çarpıcı bulgu, bir ülkenin ABD'ye olan kültürel mesafesi ile GPT-insan benzerliği arasında güçlü bir negatif korelasyon (r = -.70) olmasıdır (Şekil 3). Bu korelasyon o kadar güçlüdür ki, bir ülkenin ABD'ye olan kültürel mesafesini bilmek, o ülkenin psikolojisinin GPT'ninkine ne kadar benzemeyeceğini yüksek bir isabetle tahmin etmemizi sağlar. Kültürel mesafe arttıkça, psikolojik benzerlik sistematik olarak azalmaktadır. Bu bulgu, modelin eğitim verilerinin orantısız bir şekilde WEIRD toplumlardan ve özellikle İngilizce konuşulan ülkelerden geldiği hipotezini doğrudan desteklemektedir.
3.2. Bilişsel Stil Analizi: Analitik ve Bütüncül Düşünce
İnsanların bilgiyi işleme biçimleri kültürden kültüre farklılık gösterir. Bu farklılığı ölçmek için "üçlü görev" (triad task) kullanılmıştır. Bu görevde, analitik düşünce, nesneleri niteliklerine ve soyut özelliklerine göre gruplamaya odaklanırken; bütüncül düşünce, nesneleri bağlamsal ve işlevsel ilişkilerine göre gruplamaya odaklanır. WEIRD toplumlarda analitik düşünce baskınken, dünyanın geri kalanında bütüncül düşünce daha yaygındır.
Analiz sonuçları, GPT'nin ezici bir şekilde WEIRD toplumlarda baskın olan analitik düşünme tarzını sergilediğini ve bu alandaki performansının Hollanda, Finlandiya ve İsveç vatandaşlarınkine en yakın düzeyde olduğunu ortaya koymaktadır (Şekil 4).
3.3. Benlik Algısı Analizi: Bireyci ve İlişkisel Benlik
"Ben kimim?" sorusuna verilen yanıtlar, bir bireyin benlik algısını ortaya koyar. WEIRD toplumlardaki insanlar kendilerini genellikle kişisel özellikleriyle ("Ben çalışkanım") tanımlarken, WEIRD olmayan toplumlardaki insanlar sosyal rolleri ve ilişkileriyle ("Ben bir anneyim") tanımlama eğilimindedir.
GPT'den "ortalama bir insanı" tanımlaması istendiğinde, verdiği yanıtların neredeyse tamamen WEIRD toplumlara özgü bireyci ve kişisel niteliklere odaklandığı görülmüştür (Şekil 5). Bu bulgu, GPT'nin "insan" algısının dahi WEIRD bir mercekten süzüldüğünü göstermektedir.
Bu üç farklı alanda elde edilen tutarlı ve ölçülebilir kanıtlar, LLM'lerdeki WEIRD yanlılığının teorik bir endişe olmadığını, aksine acil dikkat gerektiren somut ve sistematik bir olgu olduğunu ortaya koymaktadır. Bu durumun bilimsel ve etik düzlemdeki yansımaları ise endişe vericidir.
4. Sonuçlar: "WEIRD" Yanlılığının Bilimsel ve Etik Riskleri
Önceki bölümde sunulan ampirik kanıtlar, "Peki, ne olmuş?" sorusunu gündeme getirmektedir. LLM'lerin WEIRD psikolojisini yansıtması, hem bilimsel araştırmalar hem de toplumsal uygulamalar için ciddi riskler barındırmaktadır.
Bilimsel açıdan en temel riskler şunlardır:
Hatalı Genellemeler: LLM performansını evrensel "insan" performansı olarak kabul etmek, insan psikolojisi ve bilişşi hakkında kökten yanlış bilimsel sonuçlara yol açma potansiyeli taşır. Eğer modelimiz insanlığın sadece küçük ve aykırı bir kesimini temsil ediyorsa, bu model üzerinden "insan zekası" hakkında yapılan çıkarımlar yanıltıcı olacaktır.
Yanıltıcı Kıyaslamalar: Yapay genel zeka (AGI) arayışında, ilerlemeyi ölçmek için kullanılan "insan seviyesi" ölçütü, aslında insan zekasının tamamını değil, yalnızca WEIRD zekasını temsil etmektedir. Bu durum, AGI hedefini yanlış bir yöne saptırma riski taşır.
Etik ve toplumsal riskler ise daha geniş kapsamlıdır:
Kültürel Uyumsuzluk: WEIRD normlarına göre "düşünen" yapay zeka sistemleri, dünya çapında milyarlarca insan için tuhaf, saldırgan veya anlamsız çıktılar üretebilir. Ahlaki ikilemler, sosyal normlar veya basit iletişim biçimleri söz konusu olduğunda, modelin "doğru" kabul ettiği yanıt, başka bir kültürde tamamen "yanlış" olabilir.
Normatif Dayatma: Bu sistemlerin küresel olarak yaygınlaşması, farkında olmadan WEIRD değerlerini, ahlaki yargılarını ve bilişsel eğilimlerini diğer kültürlere dayatma tehlikesi yaratır. Bu durum, belirli bir dünya görüşünü, değer sistemini ve düşünce tarzını evrensel bir varsayılan olarak dayatan ve diğer kültürel psikolojileri marjinalleştirme potansiyeli taşıyan teknolojik sömürgeciliğin dijital bir formu olarak görülebilir ve gezegenimizdeki değerli psikolojik çeşitliliği zamanla aşındırabilir.
Bu bulgular, yapay zekanın geleceğine dair önemli bir uyarı niteliği taşımaktadır. Geliştirilen teknolojilerin, insanlığın yalnızca küçük bir kesiminin dünya görüşünü yansıtarak küresel bir standart haline gelmesi, göz ardı edilemeyecek kadar büyük bir risktir.
5. Sonuç: Geleceğin Yapay Zekası İçin Bir Uyarı ve Yol Haritası
Bu araştırma, büyük dil modellerinin teknolojik yeteneklerinin ardında yatan gizli bir gerçeği ortaya koymaktadır. Bu sistemler kültürel olarak tarafsız değildir; aksine, hem küresel hem de tarihsel olarak insan psikolojisinin aykırı bir örneğini temsil eden bir zihniyeti, yani WEIRD psikolojisini bünyesinde barındırır.
Bu durum, yapay zeka araştırmacılarına ve geliştiricilerine yönelik net bir uyarıdır: "İnsan" kelimesini kullanırken son derece dikkatli olmalı ve her zaman şu soruyu sormalıyız: "Hangi insanlar?" Bir modelin performansını insanlıkla kıyaslamak, temsil ettiği kültürel çeşitliliği anlamadan yapıldığında hem bilimsel olarak hatalı hem de etik olarak sorunludur.
Bu yanlılığın giderilmesi, basit teknik ayarlamaların ötesinde, veri toplama ve model denetimi paradigmalarında köklü bir değişim gerektirmektedir:
Veri Çeşitliliği: Eğitim verilerinin ve modelleri denetleyen insan geri bildirimlerinin kültürel çeşitliliğinin radikal bir şekilde artırılması esastır. Dünyanın farklı bölgelerinden, dillerinden ve kültürlerinden gelen veriler aktif olarak toplanmalı ve entegre edilmelidir.
Boyut Yeterli Değildir: Modelleri sadece daha büyük hale getirmek, bu temel veri çeşitliliği sorununu çözmeyecektir. "WEIRD in, WEIRD out" prensibi, modelin boyutu ne olursa olsun geçerliliğini koruyacaktır. Sorun verinin miktarında değil, temsiliyetindedir.
LLM'ler sıkça "stokastik papağanlar" olarak adlandırılmıştır; yani anlamdan yoksun bir şekilde gördükleri dilsel kalıpları tekrar eden sistemler. Bulgularımız bu analojiye önemli bir ekleme yapmaktadır: LLM'ler, eğitim verileri büyük ölçüde küresel ve tarihsel bir psikolojik aykırı değer olan WEIRD toplumlardan geldiği için, oldukça tuhaf bir papağan türüdür. Büyük dil modelleri toplumlarımıza daha fazla entegre oldukça, bu sistematik yanlılığın doğuracağı toplumsal sonuçlar göz ardı edilemeyecek kadar önemli hale gelecektir.
Yapay Zekanın Kültürel Kör Noktası: Büyük Dil Modellerindeki "WEIRD" Yanlılığını Azaltmaya Yönelik Politika Önerileri
1. Giriş: "İnsan-Seviyesinde" Performansın Gizli Tehlikesi
Büyük dil modellerinin (LLM'ler) olağanüstü başarısı, teknik raporlarda ve akademik tartışmalarda sıklıkla "insan-seviyesinde" performans gibi iddialı ifadelerle ölçülmektedir. Ancak bu başarı, bu politika notunun merkezinde yer alan kritik bir soruyu gölgede bırakmaktadır: "Hangi insanlar?" Bu sorunun yanıtı yalnızca felsefi değil, aynı zamanda ölçülebilir bir sorundur; zira somut veriler, bir kültür ABD gibi WEIRD bir referans noktasından uzaklaştıkça, önde gelen dil modellerinin o kültürü anlama ve temsil etme yeteneğinin (r = -0.70 gibi güçlü bir korelasyonla) dramatik bir şekilde düştüğünü göstermektedir. Bu sorunun yanıtı, yapay zeka sistemlerinin küresel ölçekte adil, etkili ve kapsayıcı olabilmesi için hayati bir stratejik öneme sahiptir.
Yapılan kapsamlı araştırmalar, "insan" teriminin tekil ve homojen bir kategori olmadığını, dünya genelinde önemli psikolojik çeşitlilikler barındırdığını ortaya koymaktadır. Özellikle Batılı, Eğitimli, Sanayileşmiş, Zengin ve Demokratik (WEIRD) olarak tanımlanan toplumlar, küresel ve tarihsel bir perspektiften bakıldığında psikolojik bir aykırı değerdir. Bu toplumlar, daha bireyselci, analitik düşünmeye yatkın ve kişisel özelliklere odaklı benlik algısına sahip olma eğilimindedir. Dünyanın geri kalanındaki pek çok kültür ise daha kolektivist, bütüncül düşünen ve benliği sosyal roller üzerinden tanımlayan psikolojik profiller sergilemektedir.
Bu durum, LLM'lerin eğitim verilerinin büyük olasılıkla bu WEIRD yanlılığını yansıttığı gerçeğiyle birleştiğinde, ele alınması gereken önemli bilimsel ve etik sorunlar doğurmaktadır. Eğer bir yapay zeka sistemi, insanlığın sadece küçük ve psikolojik olarak sıra dışı bir kesiminin ürettiği verilerle eğitilirse, ortaya çıkan "makine psikolojisi" de kaçınılmaz olarak bu dar kültürel kalıbı yansıtacaktır. Bu not, LLM'lerdeki bu kültürel yanlılığın ampirik kanıtlarını sunacak, potansiyel risklerini analiz edecek ve bu sorunu azaltmaya yönelik somut politika önerileri sunacaktır.
Büyük dil modellerindeki WEIRD yanlılığı sadece teorik bir endişe değil, somut verilerle kanıtlanmış bir olgudur. Bu ampirik kanıtları incelemek, sorunun boyutunu anlamak ve hem politika yapıcılar hem de geliştiriciler için etkili çözümler üretmek adına kritik bir öneme sahiptir. Aşağıda sunulan kanıtlar, bu yanlılığın ne kadar derinlere işlediğini gözler önüne sermektedir: Sorun yalnızca modellerin neye inandığıyla (kültürel değerler) sınırlı değildir; aynı zamanda nasıl düşündüğünü (bilişsel tarz) ve hatta 'insan' olmanın ne anlama geldiğine dair temel varsayımlarını (benlik algısı) da kapsamaktadır.
2.1. Kültürel Değerlerdeki Kümelenme: Dünya Değerler Araştırması Bulguları
Dünya genelinde kültürel değerleri ölçen en kapsamlı veri setlerinden biri olan Dünya Değerler Araştırması (WVS) kullanılarak yapılan bir analiz, LLM'lerin kültürel konumunu net bir şekilde ortaya koymaktadır. GPT modeline WVS anket soruları yöneltildiğinde ve alınan yanıtlar 65 ülkenin verileriyle karşılaştırıldığında, hiyerarşik kümeleme analizi sonucunda GPT'nin yanıtları, aralarında Amerika Birleşik Devletleri, Uruguay, Kanada, Büyük Britanya, Avustralya, Almanya ve Hollanda'nın da bulunduğu WEIRD toplumlarla en yakın kümede yer almıştır.
Buna karşılık, GPT'nin değer yargıları Etiyopya, Pakistan ve Kırgızistan gibi kültürlerden en uzak konumda bulunmuştur. Bu bulgu, LLM'nin ahlaki ilkeler, sosyal tutumlar ve politik görüşler gibi temel konulardaki yargılarının, küresel insan çeşitliliğini temsil etmek yerine, belirli bir kültürel grubun değerler sistemine ne kadar benzediğini çarpıcı bir şekilde göstermektedir.
2.2. ABD'den Kültürel Uzaklık ile Artan Uyumsuzluk
WEIRD yanlılığını gösteren bir diğer güçlü kanıt, ülkelerin ABD'den olan kültürel uzaklığı ile GPT'nin o ülkedeki insan yanıtlarını taklit etme başarısı arasındaki ilişkidir. Yapılan istatistiksel analiz, bu iki değişken arasında güçlü bir negatif korelasyon (r = -0.70) olduğunu ortaya koymuştur.
Bu istatistiğin anlamı son derece açıktır: Bir kültür, ABD'den ne kadar farklıysa, GPT'nin o kültürün psikolojisini anlama ve temsil etme yeteneği o kadar azalmaktadır. Bu durum, LLM'lerin küresel uygulanabilirliği üzerinde ciddi bir kısıtlama yaratmaktadır. Model, ABD'ye kültürel olarak yakın olan Avustralya, Hollanda veya Almanya gibi ülkelerin yanıt örüntülerini yüksek bir doğrulukla taklit edebilirken, Mısır, Ürdün veya Nijerya gibi kültürel olarak daha uzak toplumları temsil etme konusunda sistematik olarak başarısız olmaktadır.
2.3. Bilişsel Tarz: Analitik Düşünce Yanlılığı
Yanlılık sadece tutumsal değerlerle sınırlı değildir; aynı zamanda temel bilişsel süreçlere de nüfuz etmektedir. "Üçlü görev" (triad task) adı verilen ve düşünce tarzını ölçen bir deneyde, katılımcılardan üç nesne arasından en ilişkili ikisini seçmeleri istenir. WEIRD toplumlardaki bireyler, nesneleri soyut kategorilere göre gruplandırma eğilimi olan "analitik düşünme" tarzını sergileme eğilimindedir. Buna karşılık, daha az WEIRD toplumlarda ise nesneleri bağlamsal ve işlevsel ilişkilerine göre gruplandıran "bütüncül düşünme" tarzı daha yaygındır.
Bu görev GPT'ye uygulandığında, modelin ezici bir çoğunlukla analitik seçimler yaptığı gözlemlenmiştir. Modelin bilişsel stili, Hollanda, Finlandiya ve İsveç gibi analitik düşüncenin en yaygın olduğu ülkelerle büyük bir benzerlik göstermektedir. Bu bulgu, LLM'nin sadece ne düşündüğünün değil, aynı zamanda "nasıl düşündüğünün" de kültürel olarak yanlı olduğunu göstermektedir.
Modelin "insan" hakkındaki temel varsayımları da bu kültürel filtreden geçmektedir. GPT'den "ortalama bir insanın" kendisini nasıl tanımlayacağını ("Ben kimim?" sorusuna yanıt olarak) listelemesi istendiğinde, ortaya çıkan yanıtlar ezici bir şekilde WEIRD toplumlara özgü bireyselci ve kişisel niteliklere odaklanmıştır (örneğin, "Ben zekiyim," "Ben iyimserim").
Bu durum, daha az WEIRD toplumlarda yaygın olan ve benliği sosyal roller ("Ben bir babayım") ve ilişkiler ("Ben X kabilesinin bir üyesiyim") bağlamında tanımlayan kolektivist benlik algısını tamamen göz ardı etmektedir. Bu, LLM'nin "insan" hakkındaki en temel kavramsal çerçevesinin bile ne kadar dar bir kültürel perspektife dayandığını açıkça ortaya koymaktadır.
Sunulan bu kanıtlar, LLM'lerdeki WEIRD yanlılığının tesadüfi bir gürültü olmadığını, hem tutumsal hem de bilişsel alanlarda sistematik ve ölçülebilir bir olgu olduğunu göstermektedir. Bu durumun yaratacağı riskler, yapay zekanın toplumsal entegrasyonu arttıkça daha da belirgin hale gelecektir.
3. Riskler ve Sonuçlar: "WEIRD Girdi, WEIRD Çıktı" Prensibi
Makine öğrenimi alanında "Çöp Girdi, Çöp Çıktı" (Garbage In, Garbage Out) ilkesi, düşük kaliteli verilerin kusurlu sistemler üreteceğini ifade eden temel bir kuraldır. LLM'lerde gözlemlenen kültürel yanlılık, bu ilkenin yeni bir tezahürü olarak karşımıza çıkmaktadır: "WEIRD Girdi, WEIRD Çıktı." Kültürel olarak homojen ve psikolojik olarak aykırı bir veri kümesiyle eğitilen sistemler, kaçınılmaz olarak bu dar dünya görüşünü yansıtan ve küresel insan çeşitliliğini temsil edemeyen çıktılar üretecektir. Bu durumun stratejik sonuçları ve riskleri şunlardır:
Küresel Temsil Eksikliği: LLM'lerin ahlaki değerler, sosyal meseleler ve politik görüşler üzerine ürettiği içerikler, daha az WEIRD toplumlarda yaşayan milyarlarca insan için "garip ve tuhaf" gelebilir, bu da modellerin bu popülasyonlar tarafından benimsenmesini ve etkili bir şekilde kullanılmasını engelleyebilir.
Toplumsal Entegrasyon Riskleri: Bu yanlı sistemler sosyal kurumlara, eğitim platformlarına, sağlık hizmetlerine ve altyapıya entegre edildiğinde, mevcut kültürel eşitsizlikleri ve güç dengesizliklerini pekiştirme ve daha da derinleştirme riski taşımaktadır.
Zarar ve Saldırı Kavramlarının Standardizasyonu: Farklı toplumlar, "zararlı" veya "saldırgan" içeriğin ne olduğu konusunda farklı normlara sahiptir. Ancak, WEIRD merkezli denetleme ve "yanlılıktan arındırma" çabaları, bu çeşitliliği göz ardı ederek tek bir kültürel standardı küresel ölçekte dayatabilir.
Büyümenin Çözüm Olmaması: Daha büyük modeller geliştirmenin veya sistemleri sadece çok dilli hale getirmenin bu sorunu otomatik olarak çözmesi beklenmemelidir. Zira internetteki metin verilerinin büyük çoğunluğu WEIRD kaynaklar tarafından ve genellikle İngilizce olarak üretilmektedir, bu da mevcut yanlılığın ölçeklenerek devam etmesine yol açacaktır.
Mevcut durumun devam etmesi halinde yapay zeka, küresel insan çeşitliliğini yansıtan bir ayna olmak yerine, onu dar bir psikolojik kalıba indirgeyen bir tektipleştirme aracı olma tehlikesi taşımaktadır. Bu gidişatı tersine çevirmek, proaktif ve kararlı politika müdahalelerini zorunlu kılmaktadır.
4. Eyleme Geçirilebilir Öneriler: Daha Kapsamlı Bir Yapay Zeka İçin Stratejiler
Sorunu tespit etmek, çözümün yalnızca ilk adımıdır. Yapay zekanın küresel insanlığa hizmet etme potansiyelini tam olarak gerçekleştirebilmesi için hem politika yapıcıların hem de geliştiricilerin bu kültürel yanlılığı azaltmak üzere proaktif adımlar atması gerekmektedir. Aşağıdaki öneriler, bu yönde izlenebilecek stratejik bir yol haritası sunmaktadır.
4.1. Politika Yapıcılar İçin
Stratejik Hedef: Yapay zekanın temelini oluşturan veri altyapısını küreselleştirerek dijital sömürgeciliği önlemek ve adil bir temsil sağlamak.Veri Çeşitliliğini Teşvik Edin: WEIRD olmayan toplumlardan gelen dilsel ve kültürel verilerin toplanmasını, dijitalleştirilmesini ve sorumlu bir şekilde kullanılmasını destekleyen kamu finansmanlı araştırma ve altyapı projeleri oluşturun.
Stratejik Hedef: Sektörde hesap verebilirliği artırmak ve yanlılığın kaynaklarını izlenebilir hale getirmek.Şeffaflık Raporlamasını Zorunlu Kılın: Büyük yapay zeka modelleri geliştiren şirketlerin, modellerini eğitmek için kullandıkları verilerin coğrafi, kültürel ve dilsel kökenleri hakkında düzenli olarak şeffaflık raporları yayınlamalarını teşvik eden düzenlemeler geliştirin.
Stratejik Hedef: Tek bir kültürel bakış açısının küresel standart haline gelmesini önleyerek, yapay zeka yönetişiminde çoğulculuğu tesis etmek.Küresel İşbirliğini Artırın: Yapay zeka etiği ve standartları konusunda uluslararası bir diyalog ortamı yaratarak, farklı kültürel normların ve değerlerin yapay zeka yönetişim çerçevelerine dahil edilmesini sağlayın.
4.2. Yapay Zeka Geliştiricileri İçin
Stratejik Hedef: Pasif veri toplama alışkanlıklarını kırarak, modellerin yanlılığını temelden düzeltmek ve küresel pazarlara uyum yeteneğini artırmak.Eğitim Veri Kümelerini Aktif Olarak Çeşitlendirin: İnternetten pasif veri toplamanın ötesine geçerek, dünya genelindeki farklı kültürleri, dilleri ve bakış açılarını temsil eden veri kaynaklarını bilinçli olarak arayın ve eğitim setlerinize dahil edin.
Stratejik Hedef: "Yanlılıktan arındırma" süreçlerinin kendisinin kültürel bir yanlılık aracı haline gelmesini önlemek ve denetim mekanizmalarını küreselleştirmek.İnsan Geri Bildirim Ekiplerini Küreselleştirin: Modelleri "yanlılıktan arındırmak", denetlemek ve ince ayar yapmak için kullanılan insan değerlendiricilerin coğrafi ve kültürel olarak çeşitli olmasını sağlayın. "Zararlı" veya "uygunsuz" olanın tanımının kültürel olarak göreceli olduğunu kabul edin.
Stratejik Hedef: Kültürel yanlılığı, teknik performans kadar önemli bir metrik olarak kabul etmek ve sürekli izleme ve iyileştirme döngüleri oluşturmak."WEIRD Girdi, WEIRD Çıktı" Olabilirliğini Sürekli Test Edin: Modellerinizin performansını yalnızca teknik ölçütlerle değil, aynı zamanda farklı kültürel gruplardaki psikolojik ve davranışsal temsiliyet açısından da düzenli olarak denetleyin.
Bu adımların uygulanması, yapay zekanın belirli bir kültürün "yankı odası" olmaktan çıkıp, küresel insan zekasının ve çeşitliliğinin bir yansıması haline gelmesine yardımcı olacaktır.
5. Sonuç: Küresel Çeşitliliği Yansıtan Bir Yapay Zeka İnşa Etmek
Bu politika notunun ana argümanı nettir: Mevcut büyük dil modelleri, insanlığın yalnızca küçük ve psikolojik olarak aykırı bir kesimini, yani WEIRD toplumları yansıtan belirgin bir "WEIRD psikolojisi" sergilemektedir. Bu durum, modellerin değer yargılarından bilişsel tarzlarına, hatta "insan" kavramına ilişkin temel varsayımlarına kadar uzanan sistematik bir yanlılıktır.
Yapay zekanın küresel ölçekte yaygınlaşmasıyla birlikte, bu sistematik yanlılık önemli toplumsal riskler taşımaktadır. Kültürel eşitsizlikleri derinleştirme, küresel normları tek tipleştirme ve milyarlarca insanı dijital dünyada yabancılaştırma potansiyeline sahiptir.
Bu nedenle, politika yapıcıları ve yapay zeka geliştiricilerini bu sorunu acilen ele almaya davet ediyoruz. Eğitim verilerini ve insan geri bildirim mekanizmalarını bilinçli olarak çeşitlendirerek bu kültürel kör noktayı gidermek, bir tercih değil, bir zorunluluktur. Nihai hedefimiz, yapay zekanın 'stokastik bir papağan' olmasının ötesine geçmesini sağlamaktır. Mevcut haliyle bu papağan, insanlığın sadece psikolojik olarak aykırı bir kesiminin verileriyle beslenmiş 'tuhaf bir türdür'. Bizim görevimiz, insanlığın zengin psikolojik ve kültürel çeşitliliğini anlayan, ona saygı duyan ve ondan öğrenen, gerçek anlamda küresel bir zeka yaratmaktır.
Yapay Zekanın Gizli Kimliği: Neden Tüm "İnsanlar" Gibi Düşünmüyor?
Giriş: "İnsan Gibi" Bir Yapay Zeka, Ama Hangi İnsan?
Yapay zeka (YZ) ve onun en gelişmiş versiyonları olan büyük dil modelleri (LLM'ler), giderek artan bir şekilde "insan benzeri" performans sergiledikleri iddiasıyla gündeme geliyor. Sınavları geçiyor, mantık yürütüyor ve hatta ahlaki ikilemler üzerine fikir beyan ediyorlar. Ancak bu "insan benzerliği" iddiasının kalbinde kritik bir soru yatıyor: Peki, ama hangi insanlar gibi?
İnsan psikolojisi, dünya üzerinde tek bir kalıba sığdırılamayacak kadar zengindir. Değerlerimiz, düşünme biçimlerimiz ve kendimizi algılayışımız, içinde yaşadığımız kültüre göre büyük farklılıklar gösterir. Bu gerçek, yapay zeka tartışmalarında genellikle göz ardı edilir.
Bu belge, yapay zekanın dijital zihninin aslında belirli bir kültürel mahallenin ürünü olduğunu ortaya koyuyor ve bu "gizli kimliğin" küresel ölçekte yaratabileceği etik ve toplumsal riskleri gözler önüne seriyor.
Araştırmacıların yapay zekanın benzediğini iddia ettiği bu özel grup, "WEIRD" kısaltmasıyla tanımlanır. Bu, insanlığın psikolojik olarak tuhaf veya aykırı bir alt kümesini ifade eden bir terimdir.
Western (Batılı)
Educated (Eğitimli)
Industrialized (Sanayileşmiş)
Rich (Zengin)
Democratic (Demokratik)
Kaynak metindeki bulgulara göre, WEIRD toplumlarda yaşayan insanlar, küresel ve tarihsel bir perspektiften bakıldığında psikolojik bir aykırı değer (outlier) olarak kabul edilir. Onları farklı kılan temel özellikler şunlardır: Daha bireyci ve bağımsız olma eğilimindedirler, yabancılara karşı daha fazla güven duyarlar (kişisel olmayan profesyonellik), otoriteye daha az saygı duyar, kendi gruplarına daha az sadakat gösterir, daha az konformist ve ahlaki olarak daha az dar görüşlü olurlar.
Bu psikolojik profil, dünyadaki insan topluluklarının yalnızca küçük bir bölümünü temsil etmektedir. Geri kalan milyarlarca insan, dünyayı ve ilişkileri çok daha farklı merceklerden görmektedir.
Öğrenme Köprüsü:Peki, bu özel psikolojik profil, tamamen dijital olan bir yapay zekaya nasıl "bulaşıyor"? Cevap, yapay zekanın nasıl öğrendiğinde gizli.
2. Yapay Zeka "Psikolojisini" Nasıl Geliştirir: WEIRD Veri Döngüsü
Büyük Dil Modelleri (LLM'ler), öğrenme sürecini internetten, kitaplardan ve diğer kaynaklardan elde edilen devasa metin verilerini analiz ederek gerçekleştirir. Milyarlarca kelime ve cümleyi işleyerek dilin kalıplarını, kavramlar arası ilişkileri ve dolayısıyla bu metinleri üreten insanların dünya görüşlerini öğrenirler. Sorun da tam olarak burada başlar.
WEIRD Girdi, WEIRD Çıktı
Makine öğrenmesi dünyasında "Garbage In, Garbage Out" (Çöp Girdi, Çöp Çıktı) olarak bilinen meşhur bir ilke vardır. Bu araştırma, bu ilkeyi yapay zekanın kültürel yanlılığını açıklamak için zekice bir şekilde uyarlıyor: "WEIRD in, WEIRD out." YZ'nin eğitim verilerinin orantısız bir şekilde WEIRD kaynaklı olmasının temel nedenleri şunlardır:
İnternet Erişimi: Birleşmiş Milletler verilerine göre, 2023 itibarıyla dünya nüfusunun neredeyse yarısı internete erişememektedir. En az gelişmiş ülkeler, aynı zamanda internet bağlantısının en zayıf olduğu yerlerdir. Bu durum, internetteki verilerin büyük bir kısmının belirli coğrafyalardan geldiği anlamına gelir.
Dil Hakimiyeti: Yapay zekayı eğitmek için kullanılan verilerde İngilizce ezici bir üstünlüğe sahiptir.
Sonuç: Bu iki faktör birleştiğinde, YZ'nin "öğrendiği" dijital dünyanın, büyük ölçüde WEIRD kökenli insanlar tarafından üretilen içeriklerden oluştuğu netleşir.
Öğrenme Köprüsü:Bu teori kulağa mantıklı geliyor, ancak yapay zekanın gerçekten de WEIRD bir psikolojiye sahip olduğunu gösteren somut kanıtlar var mı? Araştırmacılar bunu test etmek için birkaç zekice deney tasarladılar.
3. Kanıtlar: Yapay Zekanın WEIRD Kimliği Üzerine Üç Test
Araştırmacılar, teorilerini test etmek için popüler bir GPT modelini farklı psikolojik testlere tabi tutarak onun "zihinsel" yapısını haritalandırdılar. Sonuçlar oldukça çarpıcıydı.
3.1. Test 1: Küresel Değerler Haritası
Araştırmacılar, ilk olarak Dünya Değerler Araştırması'nı (World Values Survey - WVS) kullandılar. Bu anket, dünya genelinde on binlerce insana ahlak, güven, din ve siyaset gibi konulardaki değerlerini soran kapsamlı bir çalışmadır. Aynı sorular GPT modeline de yöneltildi.
Elde edilen sonuçlar, psikolojik bir dünya haritası gibiydi. Bu haritada GPT, ABD, Kanada, Yeni Zelanda ve Almanya gibi WEIRD ülkelerle aynı kümede yer alırken; Etiyopya, Pakistan ve Kırgızistan gibi ülkelerden çok uzakta konumlandı.
Daha da çarpıcı olan sonuç, istatistiksel bir ilişkiydi: Bir ülkenin kültürel olarak ABD'den uzaklığı arttıkça, o ülkedeki insanların cevaplarıyla GPT'nin cevapları arasındaki benzerlik sistematik olarak azalıyordu (r = -.70'lik güçlü bir negatif korelasyon). Basitçe söylemek gerekirse, bu bulgu, YZ'nin değer yargılarının adeta bir "Amerikan Pasaportu" taşıdığını gösteriyordu.
Ayrıca, bir ülkenin İnsani Gelişme Endeksi, kişi başına düşen milli geliri ve internet kullanım oranı ne kadar yüksekse, GPT'nin cevaplarının o ülkenin insanlarına o kadar çok benzediği görüldü. Bu da yanlılığın teknolojik ve ekonomik gelişmişlikle ne kadar iç içe geçtiğini gösteriyor.
3.2. Test 2: Düşünme Tarzları - Analitik mi, Bütünsel mi?
Psikolojide iki temel düşünme tarzı vardır: analitik ve bütünsel. "Şampuan," "saç," ve "sakal" kelimelerinden oluşan bir üçlü düşünelim. Bu kelimeleri nasıl gruplardınız? Cevabınız, düşünme tarzınız hakkında ipucu verir.
Düşünme Tarzı
Yaklaşım
Örnek Gruplama
Tipik Olduğu Toplumlar
Analitik
Nesneleri soyut kategorilere göre gruplandırır.
Saç ve Sakal (ikisi de vücut kılıdır)
WEIRD Toplumlar
Bütünsel
Nesneleri ilişkilerine ve bağlamlarına göre gruplandırır.
Saç ve Şampuan (şampuan saçı temizler)
WEIRD Olmayan Toplumlar
Araştırmacılar GPT'ye bu tür üçlü gruplar verdiğinde, modelin seçimlerinin ezici bir çoğunlukla analitik olduğu görüldü. GPT, bu testte en çok Hollanda, Finlandiya ve İsveç'teki insanlara benzer şekilde "düşündü".
3.3. Test 3: "Ben Kimim?" - Yapay Zekanın Ortalama İnsan Algısı
"Ben kimim?" testi, insanlardan "Ben..." ile başlayan cümleler kurarak kendilerini tanımlamalarını isteyen basit ama güçlü bir yöntemdir. Cevaplar, kültürel olarak benlik algısındaki derin farkları ortaya koyar:
WEIRD Cevapları: Genellikle kişisel özelliklere odaklanır ("Ben çalışkanım," "Ben sporcuyum").
WEIRD Olmayan Cevaplar: Genellikle sosyal rollere ve ilişkilere odaklanır ("Ben bir anneyim," "Ben bir köylüyüm").
Deneyde GPT'den, "ortalama bir insanın" kendini nasıl tanımlayacağını listelemesi istendi. GPT'nin verdiği cevaplar, ezici bir çoğunlukla WEIRD tarzıydı; yani bireysel özelliklere ve kişisel başarılara dayanıyordu. Bu, YZ'nin "ortalama insan" algısının bile WEIRD bir filtreyle şekillendiğini gösteriyordu.
Öğrenme Köprüsü:Bu kanıtlar, yapay zekanın sadece belirli bir insan grubunun dünya görüşünü yansıttığını açıkça gösteriyor. Peki bu durumun pratik sonuçları nelerdir ve neden endişelenmeliyiz?
4. Neden Önemli? "Stokastik Papağan"dan "WEIRD Papağan"a
Yapay zekadaki bu WEIRD yanlılığı, sadece akademik bir merak konusu değildir. YZ sistemleri hayatlarımıza daha fazla entegre oldukça, bu yanlılığın toplumsal sonuçları ve riskleri de artmaktadır.
Eleştirmenler, büyük dil modellerini (LLM'ler) "stokastik papağanlar" olarak adlandırmıştır. Bu benzetme, LLM'lerin anlamdan yoksun bir şekilde, sadece eğitim verilerinde gördükleri istatistiksel kalıpları tekrarladıklarını ifade eder.
Ancak bu araştırmanın yazarları, bu benzetmeye kritik bir ekleme yapıyor: LLM'ler herhangi bir papağan değil, "tuhaf bir papağan türüdür" (a peculiar species of parrots). Çünkü duydukları ve tekrarladıkları şeyler, büyük ölçüde insanlığın sadece küçük ve psikolojik olarak aykırı bir kesiminden, yani WEIRD toplumlarından gelmektedir.
Bu durum, yapay zekanın ahlaki değerler, sosyal konular ve siyaset hakkındaki çıktılarının, dünya üzerindeki WEIRD olmayan milyarlarca insana "tuhaf ve yabancı" gelebileceği anlamına gelmektedir. Örneğin, "toplumsal sorumluluk" gibi bir konuda tavsiye istendiğinde, YZ'nin bireysel başarıyı ve özerkliği önceliklendiren bir cevap vermesi, kolektif bağları ve ailevi görevleri her şeyin üzerinde tutan milyarlarca insan için anlamsız, hatta yadırgatıcı gelebilir.
Bu belgede sunulan kanıtlar, net bir sonuca işaret etmektedir: Mevcut büyük dil modelleri, tüm insanlığın psikolojik bir yansıması değil, küresel ve tarihsel olarak aykırı bir grup olan WEIRD toplumlarının dijital bir yankısıdır.
Daha büyük veya daha güçlü modeller geliştirmek, bu temel sorunu otomatik olarak çözmeyecektir. Asıl çözüm, yapay zekayı eğitmek için kullanılan verileri ve bu sistemleri şekillendiren insan geri bildirimlerini aktif olarak çeşitlendirmekten geçmektedir.
Unutmayın ki yapay zeka ile etkileşime girdiğinizde, evrensel bir 'insan' zekasıyla değil, belirli bir dünya görüşünün dijital bir yansımasıyla konuşuyorsunuz. Bu gizli kimliği sorgulamak, daha adil ve kapsayıcı bir teknoloji geleceği inşa etmenin ilk ve en önemli adımıdır.
Bugün LinkedIn'de gelen yazılar arasında ODTÜ'nün ilkleriyle ilgili bir videoyu görünce aklıma Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümünde yaptıklarımız geldi.
1996 yılında Internet üzerinden ilk radyo yayını ile 1998 yılında Internet üzerinden ilk TV yayınları ITL (Instructional Technology Laboratory, Öğretim Teknolojileri Laboratuvarı) tarafından gerçekleştirilmişti (şimdi yok ama arşiv unutmuyor)
Her iki ilkin gerçekleşmesine doğrudan katkım olduğu için hep gurur duydum. O laboratuvarda çalışma arkadaşlarımla birlikte bir çok ilki gerçekleştirme şansımız olmuştu.
Şimdi mezunu olduğum ve yıllarca akademisyen olarak görev yaptığım üniversitemin tanıtım filminde görünce sizlerle paylaşmak istedim.
Bunlara ek olarak, 1998 yılında Türkiye'de ilki ODTÜ'de kurulan ve kurucu başkanı olma şansını edindiğim Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümü tarafından diğer kurulacak bölüm öğretim üyelerine bu yeni bölümleri anlatan/tanıtan harmanlanmış (Yüz yüze + Internet üzerinden) iki dönem 6 dersten oluşan IDE_AS (Internet'e Dayalı Eğitim Asenkron-Senkron) programını değişik üniversitelerden gelen Öğretim üyesi ve Yardımcılarıyla gerçekleştirmiştik. O dönemde ses, görüntü içeren içerikleri katılımcıların kullanımına sunmuştuk.
Daha sonraki yıllarda ITL laboratuvarı olarak Kamu-Üniversite projesi olarak EGM projesini gerçekleştirdik (2004-2006). Bu proje sırasında EGM-Anıttepe tesislerine kurduğumuz akıllı sınıfta gerçekleşen canlı dersleri anında yayınlayarak 1000'den fazla EGM personelinin dünyanın değişik bölgelerinden derslere canlı katılımını sağlamıştık.
Arşiv unutmuyor, aslında bazı şeylerin ilklerini büyük bir heyecanla özveriyle çalışan kalabalık bir gurupla birlikte gerçekleştirdik. Hatırlayanlar katkı yapabilir. 🙂
İlköğretim 8. Sınıfta okuyan bir çocuğa “Nesne Yönelimli Programlama, Object Oriented Programming" kavramlarına giriş seviyesinde nasıl bilgi verilir? Bir kazanım dosyasını Çizgi Romana dönüştürün 2 tıklama yaparak ve içinde istediğin karakterler varken.
İşte nasıl...
Bu amacı gerçekleştirmek için iki yapay zeka aracı ve aşağıdaki promptu kullandım.
Prompt: Bilgisayar dersi öğretim programı Türkiye'de 2006 yılında 1-8. Sınıflar için hazırlanmıştır. 8. Sınıf öğrencileri için hazırlanan program, "Nesne Yönelimli Programlama, Object Oriented Programming" kavramlarına bir giriş sağlamaktadır. Bunu amaca ulaşmak için, sayfa çeviren bir animasyon efekti ile ses efektleri içeren etkileşimli, web tabanlı hikaye kitabı oluşturun.
Hedef kitleniz ortaokul öğrencileri.
Not: Yer tutucuları kullanmak yerine uygun görüntüler oluşturun.
Prompt: Bilgisayar dersi öğretim programı Türkiye'de 2006 yılında 1-8. Sınıflar için hazırlanmıştır. 8. Sınıf öğrencileri için hazırlanan program, "Nesne Yönelimli Programlama, Object Oriented Programming" kavramlarına bir giriş sağlamaktadır. Bunu amaca ulaşmak için, sayfa çeviren bir animasyon efekti ile ses efektleri içeren etkileşimli, web tabanlı hikaye kitabı oluşturun. Hedef kitleniz ortaokul öğrencileri. Not: Yer tutucuları kullanmak yerine uygun görüntüler oluşturun.
Gemini'de oluşturduğum web örneği indirilip başka sitede gösterilmiyordu ama pdf olarak hazırlanıp indirilebiliyordu;
Sonuç; Manus oluşturulan materyalin indirilip kendi sitenizde yayınlamaya uygun materyaller üretirken Gemini buna izin vermedi fakat oluşturma sürelerini kıyasladığımda Gemini daha iyi.
Temel Eğitim Okullarındaki müfredat kazanım tabanlı olduğu için yapay zekanın yardımıyla bir özel-gpt yaptım. Girdiğiniz herhangi bir kazanım için 5 adımlı öğrenme nesneleri oluşturabiliyor. Ben bunlara uzun zamandan bu yana BAKOgreN (Beş Adımda Kazanım Öğrenme Nesnesi) diyorum. Belki öğretmen arkadaşlardan ilgilenen olur diye paylaşıyorum. Özel-GPT'yi OpenAI sisteminde oluşturduğum için kullanabilmek için ChatGPT kullanıcısı olmayı gerektiriyor 🙃. Bağlantı aşağıda:
Sadece kazanımı girip (ya da önerilerden birini seçmeniz) ve sonra tuşa basmanız, beş aşamalı yapı için yeterli, WEB sayfası için o size soracaktır evet derseniz kodu hazırlayıp sizinle paylaşacaktır.
Benzeri materyal paylaşımı için Gemini 2.5'la ortaklaşa React+Firebase uygulaması yaptım oradan da erişebilirsiniz;
Okulum Bulutta
kayıt olmayı unutmayın 🙂 umarım beğenirsiniz. Yapay Zeka epeyce işlerimi kolaylaştırdı.
Pazartesi, Temmuz 14, 2025
ORTAOKUL (7-8. SINIF) VE LİSELERDE SEÇMELİ "YAPAYZEKA" DERSİ MÜFREDATA Girdi?
Bilgisayar (Bilimi) Eğitimi konusunda çok uzun zamandan bu yana görüşlerimi paylaşıyorum. Bizde bu konu ne yazık ki moda olarak gelip her modanın olduğu gibi demode olup hayatımızdan çıkıyor. Bu konunun öğretim programlarına girmesi sadece rapor yazarak gerçekleşmiyor. Aşağıdaki cümle yazıdan alıntı;
"İlk hizmet içi öğretmen eğitimleri Eylül 2025'te başlıyor."muş :-(
Konu çok boyutlu Fatih projesi sırasında karatahta üzerinde 32 saatlik öğretim programlarının başına ne geldiyse benzeri sonuçlar istemiyorsak bu işi iyi planlayıp adım adım sabırla yürütmeliyiz. Eğitimde değişimler süreçtir, bilgisayarda olduğu gibi "Run" deyince gerçekleşmez. Meraklısı için yazdıklarımın bir kısmını paylaşayım;
Not: Aynı çözüm kümesini kullanarak farklı sonuçlar beklemek konusunda A. Einstein'in sözü hep aklımda.
“It is not enough to know, it is necessary to be able to do it”
As in the advent of horseless carriages? Horseless carriage? In fact, the term reminded me of the term “wireless phone”, where terms like horseless carriage and cordless phone are situations where a new technology is compared to an old one by saying things that the new technology doesn’t have. After all, insisting on old technology in order to explain/accept new technology is a very old human habit. Against the cars that started mass production with Henry Ford’s production line idea, there were always those who made prescient comments such as “The horse is here to stay, but the automobile is only a novelty — a fad” and resisted innovation. It is not difficult to find similar predictions in every period of history and every innovation comes, for example; The paradox that “machines are coming to take our jobs” is an issue that has been around for hundreds of years, at least since the industrialization of weaving in the early 18th century, which increased productivity and feared that thousands of workers would be thrown out on the streets. The resulting displacement of workers is still a concern, as it was in the past.
In 1589, when Queen Elizabeth I of England applied for a royal patent for a knitting machine by the clergyman William Lee, she panicked and said: “Imagine what this invention will do to my poor subjects, if it were to happen it would surely ruin their lives by depriving them of employment.” In the 1880s, the Qing dynasty strongly opposed the construction of railways in China, arguing that losing their baggage-carrying jobs could lead to social upheaval. In the early 19th century, the Luddites sabotaged machinery to protect their business in England, despite the general economic growth fueled by steam power. Fears of robot-induced unemployment have always dominated the debate about future jobs. However, for some reason, these have not gone beyond wasting people’s time. Those who adapted quickly always took a step forward, while those who resisted had to continue to live with what was presented to them as slaves of their time by lamenting behind the fleeing trains. If we go back in time from today, it is possible to define periods in which more than one revolutionary change took place. Although there are many different definitions for these changes, the most widely accepted idea today is that we are in the “4th Industrial Revolution”. Unlike the previous three industrial revolutions, this period symbolizes a period in which human-robot relations developed a lot. The human-robot relationship is actually a form of the human-machine relationship, and there are many different human-machine relationship modes. While these are changes specific to this era, many innovations are excluded by people due to the typical human characteristic of “resistance to innovation”. The rapid change in technology makes it difficult to predict which job-specific skills will evolve and which will become obsolete in the near future. In the past, it took centuries for the shifts in skill requirements brought about by technological progress to manifest themselves. But in the digital age, advances in technology require new skills seemingly overnight. To give an example of the change in new skills, when we look at the advertisements for the same position in about 30 years;
Table: Socio-behavioral skills are becoming more important Job requirements of a Hilton Hotel manager candidate in Shanghai, China
1986
2018
Excellent character, willing to learn Between the ages of 20 and 25 Fluent English proficiency in good health Living close to the hotel location
Positive attitude and good communication skills Ability to work independently and as part of a team Proficient IT skills Have at least two years of experience, four-year university degree
Sources:
1986: Wenhui News, 17 August 1986, http://www.sohu.com/a/194532378_99909679; 2018: https://www.hosco .com/en/job/waldorf-astoria-shanghai-on-the-bund/management-trainee-front-office. Note: IT = Information Technology
We can see that three types of skills are becoming more and more important in place of the skills that were important in the last century. These are, respectively,
advanced cognitive skills, such as complex problem-solving,
socio-behavioural skills such as teamwork, and
combinations of skills that predict adaptability, such as reasoning and self-efficacy.
Since 2001, the share of employment in occupations with intensive non-routine cognitive and socio-behavioral skills has increased from 19 percent to 23 percent in developing economies and from 33 percent to 41 percent in advanced economies.
For a society formed by individuals with such skills, well-trained human resources and lifelong learning are required. That’s because individuals with more advanced skills are better able to take advantage of new technologies to adapt to the changing nature of work. Up to this point, I have tried to give examples of the effects of the carpet slipping from under our feet during the technology-human interaction on society. At the end of the day, lifelong education, education, has brought the result of well-educated people and their ability to adapt to the very rapid changes that occur in parallel with technological changes. In fact, the COVID-19 pandemic, which started all over the world in March 2020 and affected all societies, caused radical changes in education. The mass production paradigm of the industrial revolution, which was based on information transfer/loading, suddenly faced a major paradigmatic problem with the disappearance of the school base of this production system. Individuals who were prepared for life with the information overload that took place as 50 minutes of class and 10 minutes of break on production benches that were structured as classes that took shape parallel to the industrial revolution were actually not able to fully meet the requirements of this age. Otherwise, why would Koç, Sabancı and other industrial manufacturers have to establish their own schools and undertake the task of training suitable personnel for their own factories? If graduates of educational institutions today receive additional training to learn the job when they start working, the reason for this lies in the fact that today’s schools cannot train the individuals needed by the age. Today’s education system assumes that readiness for life is still in the formula “KNOWING is enough”. However, in this age, “Knowing is not enough, it is necessary to be able to do”. However, when we look at the undergraduate education programs (the latest Teacher Training Programs updated by the Council of Higher Education) in which teacher candidates who will play a very important role in raising the “Can Do Individuals” needed today are trained;
We see that the average theoretical course hours are 84.85% and the practice hours are 15.15%. In short, we aim to train teachers with whom we load knowledge. In fact, the numbers in this table give us enough clues as to why we cannot raise the individuals of the age. I will repeat a sentence I wrote above with a little modification “It is not enough to know, it is necessary to be able to do it, sorry for those who know, we hired Google and now there is Artificial Intelligence”. Yes, the developments in WEB have now made access to information (book information) unlimited by freeing it from a single format (text, sound, image, animation, simulation, etc.). Instead of wise people who impart knowledge as in schools before and after the industrial revolution, there is now a need for Learning Assistants (Guides) who will train individuals who have the knowledge, skills and attitudes to use this knowledge. In fact, most of the theoretical information given in the above table in all fields is far from meeting today’s needs.
When we look at current technological trends, we come across topics such as Artificial Intelligence and robots, Blockchain, Augmented Reality and Virtual Reality, Smart Applications (I – Applications), RPA (Robotic Process Automation), Big Data, Bioengineering, Clean energy, Mobility, WEB 3.0, Space technologies, Cloud and edge computing, New generation materials. Is there any need to say much about how much knowledge and practice the students received and practiced for these topics during the 12 years of Basic Education? The majority of the current trends listed above require technological knowledge, skills and attitudes. In short, can our teachers be given the technological training required by the age before they start their service? Again, if we look at the Teacher Training Undergraduate Programs on the pages of the Council of Higher Education;
Except for two programs, our teacher candidates take one technology-related course, and although the majority of these courses are given practically, they are not enough for them to acquire the Technological Formation, which is a requirement of the age. Again, we have come to the problem in the introductory parts of the article, in order to find teachers trained in accordance with the requirements of the age, it becomes necessary to give in-service trainings to teachers (to complete their deficiencies in undergraduate education).
When we delved into teacher training programs, we forgot about the big change; “COVID-19″, yes, this pandemic has caused huge changes in education/training systems. When the industrial revolution disabled schools, it became almost impossible to find solutions for education/training activities without using TECHNOLOGY. During the absolute closure periods, Parents and Teachers, who did not perceive the use of technology as keeping up with the times, were helpless in front of the students. There were other reasons for this, for example, although having the necessary technological devices appeared as a problem, the main problem was that teachers were not ready to use such virtual environments for education and training. As the first solution, the situation was tried to be passed by using presentation programs, which are indispensable for today’s classrooms and the biggest problem of the education system in my opinion. The method that confines the student-teacher relationship to the transmitter-listener mode in face-to-face education was transferred to virtual classroom environments without any changes during the COVID-19 period. This caused students to be more disconnected from the course. The multiple-choice exams created using the slides prepared for the presentation were very popular with the students because they completed many courses that they had not been successful in until this term by getting very high grades in these exams. In addition, schools with Technological Formation were able to close this term without suffering any loss of education/training in environments with classes and students and had the chance to prepare for and implement this new education/training paradigm. Now that schools have opened, a group of Ludist is again making statements such as the virtual environment is very harmful for our children. In fact, these COVID-19 absolute shutdowns herald the end of industrial revolution schools. As in the examples of horseless carriages and wireless phones, concepts such as virtual learning and distance learning will be hollow in the future and education will turn into a different form than today’s format. For example, the curriculum prepared with a 50-minute lecture and ten-minute break format to convey information will be replaced by curriculums, teaching methods, teaching materials in which more technology is used for education. In fact, the current slogan ” The future is coming” seems to be right for this change.
As a result, even if we are late for the question of what we should do next, we will have to say that wherever the damage is returned, it is profit, and we will have to make plans and put them into practice not only for teacher training but also for all professional fields. We should not forget that we need to train people who will perform all professions by having solid knowledge of the field (CK), professional knowledge (PK) that will enable them to use this field knowledge, and Technological Formation (TF) that will enable them to do this information using technology.
Laravel 12 backend + MariaDB tüm iş mantığıyla
TecDoc API entegrasyonu müşteri aracını seçiyor (Marka → Model → Tip), AI chat asistanı o araca özel yanıt veriyor
Anthropic Claude destekli Almanca chat asistanı gerçek stok ve fiyat verileriyle, halusinasyon olmadan cevap verebiliyor.
Ödeme sistemi, sipariş yönetimi, canlı e-ticaret tamamen gerçek bir e-ticaret ortamı
