Yapay Zekâ ve Eğitimde Etik Meseleler-VI

Yapay zekâ teknolojilerinin eğitim alanında kullanımı giderek yaygınlaşmakta ve bu durum, etik meselelerin daha da önem kazanmasına neden olmaktadır. Yapay zekânın eğitimde sağladığı faydalar, kişiselleştirilmiş öğrenme deneyimlerinden otomatik değerlendirme süreçlerine kadar çeşitlilik gösterse de, beraberinde önemli etik sorunları da getirmektedir.

Öncelikle, algoritmik adalet ve önyargı konusu ele alınmalıdır. Yapay zekâ sistemleri, genellikle büyük veri setleri üzerinde eğitilir; ancak bu veri setleri, bilinçli veya bilinçsiz önyargılar içerebilir. Bu durum, öğrencilerin değerlendirilmesinde adaletsizliklere yol açabilir. Örneğin, belirli etnik gruplardan veya sosyoekonomik geçmişlerden gelen öğrencilerin önyargılı sonuçlarla karşılaşma riski bulunur. Adalet ve şeffaflık, bu tür sistemlerin güvenilirliğini artırmak için hayati öneme sahiptir. Yapay zekâ algoritmalarının işleyişine dair açıklık, öğrencilerin ve eğitimcilerin bu sistemlere duyduğu güveni pekiştirecektir.

Veri gizliliği ve güvenlik, bir diğer kritik etik meseledir. Eğitimde kullanılan Yapay zekâ sistemleri, öğrenci verilerini toplar ve analiz eder. Bu verilerin gizliliği ve güvenliği sağlanmadığında, öğrencilerin mahremiyeti tehlikeye girebilir. Öğrenciler ve veliler, verilerin nasıl kullanılacağı konusunda bilgilendirilmeli ve rızaları alınmalıdır. Bu, verilerin kötüye kullanılma riskini azaltmak için gerekli bir etik zorunluluktur.

Dijital bölünme ve erişim eşitsizlikleri, eğitimde Yapay zekânın uygulanmasında önemli bir etik sorunu temsil eder. Ekonomik durumu iyi olmayan veya dijital altyapı eksikliği olan bölgelerde yaşayan öğrenciler, bu teknolojilerden yeterince faydalanamayabilir. Bu durum, eğitimde fırsat eşitsizliğini artırabilir ve sosyal adaleti zedeleyebilir. Yapay zekâ uygulamalarının adil bir şekilde sunulması, eğitimde eşit fırsatlar sağlamak için kritik öneme sahiptir.

Yapay zekânın karar verme süreçlerinde kullanımı da dikkatli bir şekilde ele alınmalıdır. Otomatikleştirilmiş karar verme, insan müdahalesini azaltabilir ve bu durum, özellikle kritik eğitim kararlarında sorunlara yol açabilir. Öğretmenlerin ve diğer eğitim profesyonellerinin Yapay zekâ ile nasıl etkileşime geçeceği, eğitimde insan faktörünün önemini koruyacak şekilde tasarlanmalıdır.

Son olarak, sorumluluk ve hesap verebilirlik meselesi öne çıkmaktadır. Yapay zekâ sistemlerinin hatalı veya önyargılı sonuçlar üretmesi durumunda, bu sonuçların sorumluluğunu kimin taşıyacağı net olmalıdır. Eğitimde Yapay zekâ kullanımı, etik standartlar ve düzenlemelerle desteklenmelidir. Bu, adil, güvenli ve şeffaf bir yapay zekâ uygulaması için gereklidir.

Sonuç olarak, Yapay zekânın eğitimdeki potansiyeli büyük olsa da, bu teknolojilerin kullanımı sırasında ortaya çıkan etik meselelerin dikkatle ele alınması gerekmektedir. Eğitimde yapay zekânın adil, şeffaf ve güvenli bir şekilde entegrasyonunu sağlamak, gelecekte bu teknolojinin faydalarını maksimize ederken, olası zararları en aza indirecektir.

Kaynakça

Baepler, P., Walker, J.D., & Driessen, M. (2014). It's not about seat time: Blending, flipping, and efficiency in active learning classrooms. Computers & Education, 78, 227-236.

Baker, R.S., & Inventado, P.S. (2014). Educational data mining and learning analytics. In J.A. Larusson & B. White (Eds.), Learning analytics: From research to practice (pp. 61-75). Springer.

Chen, Z., & Chi, M.T. (2020). Understanding online learning through multiple levels of analysis. Educational Psychologist, 55(2), 74-83.

Fischer, C., & He, J. (2020). Use of adaptive learning technologies to personalize instruction in K-12 education. Journal of Educational Computing Research, 57(4), 865-893.

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.

Kizilcec, R.F., Bailenson, J.N., & Gomez, C.J. (2015). The instructor's face in video instruction: Evidence from two large-scale field studies. Journal of Educational Psychology, 107(3), 724-739.

Kurt, C. (2024).Yapay Zekâ ve Öğrenme Analitiği: Eğitimdeki Dönüşümün Anahtarı-I. http://www.nirvanasosyal.com/m/h-1856-yapay-zek-ve-ogrenme-analitigi-egitimdeki-donusumun-anahtari-i.html(Erişim.20.06.2024)

Roll, I., & Wylie, R. (2016). Evolution and revolution in artificial intelligence in education. International Journal of Artificial Intelligence in Education, 26(2), 582-599.

Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30-32.

Wang, Y., & Heffernan, N.T. (2013). The "assistance" model: Leveraging how many hints and attempts a student needs. In S. Carberry, S. Weibelzahl, A. Micarelli, & G. Semeraro (Eds.), User modeling, adaptation, and personalization (pp. 115-127). Springer.

Woolf, B.P., & Lane, H.C. (2013). Improving student performance in computer-based learning environments through the use of educational data mining. Journal of Learning Analytics, 1(1), 13-22.