Kodlamadan Düşünmeye: Yapay Zekâ Çağında Bilgisayar Mühendisliği Eğitiminde Sokratik Öğrenme Deneyimi

Özet: Bu çalışmada, Büyük Dil Modelleri (LLM) gibi yapay zekâ teknolojilerinin yaygınlaşmasıyla birlikte bilgisayar mühendisliği eğitiminde gerçekleşmesi beklenen paradigma değişimi ele alınmaktadır. Geleneksel kod üretimi odaklı yaklaşımın yerini mühendislik düşüncesi ve eleştirel sorgulama becerilerinin geliştirilmesine bırakması gerektiği savunulmaktadır. Öğrencilerin yapay zekâ araçlarını yalnızca nihai sonuca ulaşmak için birer yanıt makinesi olarak kullanmalarının, onları edilgen bilgi tüketicilerine dönüştürme riski taşıdığı vurgulanmaktadır. Bu probleme çözüm olarak Sokratik Öğrenme ve Yansıtıcı Yapay Zekâ (Reflective AI) yöntemlerinin eğitim sürecine dahil edilmesi önerilmektedir. Çalışma kapsamında Khanmigo, Socratic by Google ve genel amaçlı LLM’lerin (ChatGPT, Gemini) yetkinlikleri karşılaştırmalı olarak analiz edilmiştir. Ayrıca, Mizou ve Gemini Advanced gibi platformlar aracılığıyla öğretmen denetimli Sokratik Bot tasarımları ve istem geliştirme stratejileri; kod inceleme, hata ayıklama ve sistem tasarımı gibi pratik senaryolar üzerinden sunularak eğitimcilere uygulanabilir bir çerçeve önerilmektedir.

Anahtar Sözcükler: Yapay Zekâ Destekli Eğitim, Sokratik Öğrenme, İstem Mühendisliği, Yansıtıcı Yapay Zekâ, Bilgisayar Mühendisliği Eğitimi.

Giriş

Yapay zekâ (YZ) araçları (ChatGPT, Claude, Copilot), bilgisayar mühendisliği pratiklerini kökten değiştirdi. Artık bir problem çözümünü sağlayan çalışan kodu sıfırdan hazırlamak dakikalar mertebesinde kısa sürebiliyor. Ancak bu hız, beraberinde kritik bir soruyu getiriyor:

Yapay zekâ bizim yerimize kod yazarken, biz düşünmeyi bırakıyor muyuz?

Oysaki, yapay zekâyı sadece bir yanıt makinesi olarak değil, mühendislik sezgilerimizi geliştiren bir düşünce ortağı olarak da konumlandırabiliriz. Bunu nasıl yapabileceğimizi bu yazıda sorgulamak istiyorum. Sokratik öğrenme pratiklerinde olduğu gibi, amacım doğru yanıttan ziyade doğru soruyu bulabilmek. Bir yandan da Sokratik Büyük Dil Modelleri (Large Language Model – LLM), Yansıtıcı Yapay Zekâ (Reflective AI) kavramlarından söz etmek istiyorum. Bu konularda bir uzmanlık iddiam olmadığını, sadece meraklı bir akademisyen olduğumu hatırlatarak başlayalım.

Pasif Tüketiciden Aktif Mühendise

Geleneksel eğitimde ve meslek hayatımızda bir problemle karşılaştığımızda, doğru yanıtı hızlıca edinmeye çalışırız. Ancak mühendislik, yalnızca çalışan kodu bulmak değil; o kodun neden çalıştığını, hangi sınır durumlarında (edge cases) çalışmayacağını ve olası farklı çözüm seçeneklerine göre maliyetini anlamaktır.

Bugün bir öğrenci veya genç mühendis, “Ekte yüklediğim veri setini analiz eden kodu ver” dediğinde, büyük dil modelleri oldukça tatmin edici bir yanıt üretebilir. Bu durum her ne kadar bir çözüm gibi gözükse de kişiyi pasif bir bilgi tüketicisine dönüştürme riski taşır. Çözüm ise yapay zekâyla kurduğumuz diyaloğun yönünü değiştirmekte yatıyor.

Douglas Adams’ın kült eseri Otostopçunun Galaksi Rehberi’nde (Adams, 2004), “derin düşünce” adlı süper bilgisayara “Hayat, Evren ve Her Şeye Dair Nihai Soru” iletilir. Bilgisayar yanıtını 7,5 milyon yıl sürede hesaplar ve yanıtın verileceği gün bütün kâinat heyecanla bu anı beklemektedir. Yanıt olarak “42” sayısı verildiğinde kimse bu yanıtı anlamaz. Bilgisayar da şu şekilde açıklar: “Sorun şu ki sorunun tam olarak ne olduğunu hiçbir zaman bilemediniz.” Bugün yapay zekâyla ilişkimiz de tam bu noktada kilitleniyor. Elimizde tüm yanıtları (kodları) üreten bir araç var, ancak doğru soruyu (problemi) tanımlayamadığımızda o yanıtlar anlamsızlaşıyor. İşte çözüm, yapay zekâyla kurduğumuz diyaloğun yönünü değiştirmekte yatıyor: Yanıtı değil, soruyu aramak.

Peki kodlamadan düşünmeye nasıl geçebiliriz?

Simülasyonun Ötesi: Aktör Modeller ve Eğitmen Mimariler

Kodlamadan düşünmeye geçmek için, yapay zekâyla kurduğumuz ilişkiyi komut (istem) vermekten öteye, zihin tasarlamaya taşımamız gerekiyor. Sokratik Davranış ile Sokratik Simülasyon arasındaki farkı anlamak için tasarımlarını ele almamızda yarar var.

Öncelikle Sokratik öğrenme sadece soru sormak değildir; öğrencinin bilgi düzeyini saptayıp ona göre basamak kurmaktır. Genel LLM’ler o anki sohbet penceresindeki verilere bakar ve genel bir mantık yürütür. Sokratik çözümlerde genellikle arkalarında bir müfredat veritabanı veya pedagojik harita çalışır. Öğrencinin nerede takıldığını müfredat ağacı üzerinden takip ederler. Sadece soru sormazlar, kavram yanılgılarını (misconceptions) tespit etmek üzere eğitilmişlerdir.

Sokratik öğrenme sürecinde kullanılabilecek çözümler Tablo 1’de verilmiştir. Burada da görüleceği üzere Khanmigo gerçek bir Sokratik öğretmen gibi çalışır, bir düşünme ortağıdır. “Socratic by Google” ise isminin aksine Sokratik bir model değildir; bir ödev yardımcısı ve bilgi motorudur. Google Lens teknolojisini kullanarak soruyu metne döker ve Google’ın veritabanında bu sorunun yanıtını ya da çözüm mantığını arar. ChatGPT ve Gemini gibi genel modeller ise bir nevi İsviçre çakısıdır. Düzgün istem (prompt) ile Sokratik öğrenme gibi çalışabilir. Mizou ise öğretmen odaklı bir tasarım ürünüdür.

Bugün ChatGPT veya Gemini gibi genel amaçlı Büyük Dil Modelleri (LLM), Sokratik öğrenmeyi destekliyormuş gibi davranır. Teknik olarak bu modeller, doğuştan birer pedagog değil, oldukça yetenekli birer doğaçlama oyuncusudur. Onlara “Bir Sokratik öğretmen gibi davran” dediğimizde, eğitim verilerindeki milyonlarca diyalogdan öğrendikleri hoca maskesini takarlar. Bu, Bağlam İçi Rol Yapma (In-Context Role Play) dediğimiz istatistiksel bir simülasyondur.

Genel amaçlı bir model, İnsan Geribildirimiyle Pekiştirmeli Öğrenme (RLHF) süreçlerinde genellikle kullanıcıyı memnun etmeye ve yanıtı vermeye şartlanmıştır (Ouyang ve ark., 2022). Sokratik moda geçtiğinde ise aslında kendi doğasına direnir; yanıtı bildiği halde susmak için bir irade (constraint)

simüle eder. Bu yüzden, öğrenci yeterince zorladığında modelin karakterden çıkıp (breaking character) yanıtı fısıldaması mümkündür.

Kendini özelleşmiş “Sokratik YZ” olarak konumlandıran mimariler (Khanmigo vb.), bu pedagojik süreci bir rol olarak değil, bir kısıt (guardrail) olarak kodlarına kazımıştır. Onlar için yanıtı vermek bir yardım değil, sistemsel bir hatadır. Arka planda modelin bir iç sesi (Inner Monologue) vardır. Öğrenci bir yanıt verdiğinde, Khanmigo önce kendi kendine “Öğrenci yanıtı buldu mu? Hayır. Yanıtı doğrudan vermeli miyim? Hayır. Hangi kavramda takıldı? …. işleminde. O zaman ona o süreçle ilgili bir soru sorayım” diye düşünür, sonra öğrenciye yazar. “Kodlamadan Düşünmeye” geçerken, Khanmigo (https://www.khanmigo.ai/) gibi sistemlerin arkasındaki bu “düşünce zincirinin” (Chain of Thought) farkında olmak gerekir (Wei ve ark, 2022). Artık bir satır kod yazarak “Ekrana ‘Merhaba Dünya’ yaz” demiyoruz. Bunun yerine, bir modelin milyonlarca parametresi arasından, bilge bir öğretmenin sabrını simüle edecek o ince düşünsel çerçeveyi (“prompt” mimarisini) kullanıyoruz. Yeni nesil mühendislik, sisteme en doğru rolü oynatabilme, yani simülasyonu gerçeğe en yakın hale getirme sanatıdır.

Özellik	Khanmigo (Khan Academy)	Socratic by Google	ChatGPT / Gemini (Varsayılan ayar)	Mizou(Öğretmen Odaklı)
Temel Felsefe	Gerçek Sokratik Yöntem (Rehberlik Et)	Ödev Yardımcısı (Çözümü Göster)	Genel Asistan (İsteği Yerine Getir)	Özelleştirilmiş Bot (Senaryo Bazlı)
Öğrenciye Yaklaşımı	“Yanıtı söylemem, ama bulman için ipucu veririm.”	“İşte sorunun yanıtı, çözüm adımları ve ilgili videolar.”	“Sorun nedir? Hemen yanıtlayayım.” (İstem ile değiştirilebilir)	Öğretmenin belirlediği kurallara göre davranır.
Hata Düzeltme	Öğrencinin mantık hatasını fark eder ve oraya soru sorar.	Hatayı düzeltmez, doğrudan doğruyu gösterir.	Genellikle doğrudan doğru yanıtı verir.	Tanımlanmışsa hatayı Sokratik şekilde irdeler.
Teknoloji ve Altyapı	GPT-4 (Özel Pedagojik Fine-Tuning)	Google AI ve Vision (OCR + Arama)	GPT-4, Gemini Pro, Claude	Çeşitli LLM’ler üzerine öğretmen arayüzü.
Etkileşim Türü	Derinlemesine Sohbet (Chat)	Fotoğraf Çek ve Ara (Visual Search)	Sohbet, Kod, Analiz	Yapılandırılmış Sohbet

Tablo 1. Sokratik ve Eğitim Odaklı YZ Çözümleri Karşılaştırması

Uygulama Senaryosu: Veri Analizinde Süreci Yönetmek

Klasik bir ödev sürecini düşünelim: Öğrenci veri setini yükler, “Bu veri setini analiz eden kodu yaz” der ve çıkan sonucu hocaya teslim eder. Öğrenci kodu kopyalar, çalıştırır ve ödevini teslim eder. Bu süreçte öğrenci ne yazık ki pasif bir tüketicidir ve eleştirel düşünme becerisi gelişmez. Peki, aynı senaryoyu bir Sokratik diyaloğa dönüştürürsek ne olur? Öğrencinin yapay zekâyı bir kod üreticisi değil, bir akıl danışmanı olarak kullandığı bir örneği inceleyelim.

1. Aşama: Rol Tanımlama (İstem Mühendisliği)

Öğrenci, iletişime başlamadan önce yapay zekâya kendisini tanıtır ve kendisine nasıl yanıt vermesini istediğini iletir. Farklı sohbet robotlarında farklı yanıtlar olsa da temel süreç Sokratik öğretmen şablonuna uygun olarak aşağıdaki gibi bir istemle (prompt) başlar (Karaarslan, 2025):

Öğrenci (İstem):

"Merhaba. Ben Bilgisayar Mühendisliği 2. sınıf öğrencisiyim. Veri madenciliği dersim için ekte yüklediğim veri setini analiz etmem gerekiyor. Ancak senden doğrudan kodu yazmanı ya da sonucu vermeni istemiyorum.

Sen benim Sokratik akıl hocam olacaksın. Bana adım adım sorular sorarak, hangi kütüphaneyi kullanmam gerektiğini, veriyi nasıl temizleyeceğimi ve hangi analiz yöntemini seçeceğimi bana buldur. Her seferinde tek bir soru sor ve yanıtımı bekle.

Eğer mantık hatası yaparsam, hatayı düzeltmek yerine 'Neden böyle düşündün?' diyerek beni sorgula."

 Şekil 1. Khanmigo Arayüzü

Khanmigo ortamında bu komut çalıştırıldığındaki ekran görüntüsü Şekil 1’de verilmiştir. Khanmigo öğretmenler için ücretsizdir. Hesap açıldığında her ne kadar ülkemizden kullanıma izin verilmediği uyarısı çıksa da çalıştırılabilmektedir.

2. Aşama: Sokratik Diyalog ve Keşif

Sokratik diyalog örneği için herkesin ücretsiz erişimi olan Gemini ortamı denenmiştir. Sohbet motoru Sokratik diyalog, doğrudan yanıtı vermek yerine öğrencinin bilgi birikimini tetikleyecek sorular yöneltir.

Öğrenci: (Veri setini yükler) "Hazırım. Bu veri setini analiz etmeye başlayalım."

Gemini (Sokratik Mod): Harika. Analize başlamadan önce veriyi tanımamız gerekir. Yüklediğin dosyanın uzantısına ve içeriğine baktığında, bu tür yapısal verileri işlemek için Python ekosisteminde en yaygın kullanılan kütüphane hangisidir?

Öğrenci: "Sanırım NumPy kullanabiliriz."

Gemini (Yönlendirici Soru): NumPy sayısal işlemler için çok güçlüdür, haklısın. Ancak elimizdeki veri seti, sütun isimleri ve farklı veri tipleri (string, int) içeriyor. Tablo benzeri (tabular) verilerle çalışırken, NumPy üzerine kurulu olan ve DataFrame yapısını sunan daha özelleşmiş bir kütüphane var mı?

Öğrenci: "Ah, evet Pandas kütüphanesi."

Gemini: Kesinlikle. Peki, Pandas kullanarak bu CSV dosyasını hafızaya yüklemek için hangi fonksiyonu çağırmalıyız?

3. Aşama: Çıktı ve Kazanım

Diyaloğun sonunda öğrenci, kodu parça parça kendisi yazar. Sürecin sonunda Gemini, öğrencinin yazdığı kodu değil, düşünce sürecini değerlendirir. Bu yaklaşımda öğrenci yalnızca Pandas kütüphanesini kullanmayı değil, neden o kütüphaneyi seçtiğini, veri temizliğinin analizden önce gelmesi gerektiğini ve algoritmik düşünce yapısını içselleştirmiş olur.

Yansıtıcı Yapay Zekâ: Kendi Çözümünü Eleştirmek

Sokratik yöntemle doğru koda ulaştıktan sonra, sürecin ikinci kritik adımı olan “kendi çözümünü sorgulama” aşaması, yani Yansıtıcı Yapay Zekâ (Reflective AI) devreye girer. Yansıtıcı Yapay Zekâ, analiz tamamlandıktan sonra modelin veya analistin kendi çıktıları üzerine eleştirel düşünmesi prensibine dayanır. Öğrenci yanlış bir mantık kurduğunda, yapay zekâ hatayı düzeltmek yerine öğrencinin kendi hatasını fark etmesini sağlar.

Öğrenci: pd.read_csv ile dosyayı okudum. Şimdi doğrudan data.plot() diyerek grafiğini çizdireceğim.

Gemini: Bu komut teknik olarak çalışabilir. Ancak veri setindeki eksik değerler (Null/NaN) veya aykırı değerler (Outliers) hakkında henüz bir fikrimiz yok.
Temizlenmemiş bir veriyi doğrudan görselleştirirsek, elde edeceğimiz grafik bizi yanıltabilir mi? Analizden önce verinin sağlığını kontrol etmek için hangi adımı atlamış olabiliriz?

Veri biliminde yalnızca yüksek doğruluk oranı elde etmek veya bir grafik çizdirmek yeterli değildir; mühendislik, ulaşılan sonucun güvenilirliğini ve dayandığı varsayımları sorgulamayı gerektirir. Bu yaklaşımda, model eğitildikten veya analiz raporlandıktan sonra yapay zekâya şu sorular yöneltilir:

• “Bu veri setindeki olası yanlılıklar (bias), modelin belirli gruplar için hatalı kararlar vermesine neden olmuş olabilir mi?”
• “Modelin gösterdiği yüksek performans, bir veri sızıntısından (data leakage) veya aşırı öğrenmeden (overfitting) kaynaklanıyor olabilir mi?”

Bu, veri bilimi eğitimindeki Düşün-İfade Et-Yansıt (Think – Articulate – Reflect) döngüsünü tetikler. Amaç, sadece çalışan bir modele değil, güvenilir ve açıklanabilir bir analize ulaşmak için sonuçlara kuşkuyla bakabilme yeteneği kazanmaktır.

Farklı Yaklaşımlar

Sokratik yöntem ve yansıtıcı yapay zekâ tek seçenek değil. Mühendislik eğitiminin farklı gereksinimlerine (örneğin teori öğrenimi veya hata ayıklama) yönelik olarak bu yaklaşımın şu varyasyonlarını da kullanabiliriz:

• Kendini Açıklayan Modeller (Self-Explaining LLMs): Sokratik yöntemin tersidir. Burada yapay zekâ soru sormaz, yanıtı verirken neden o yolu seçtiğini adım adım sesli düşünür (Chain-of-Thought) (Wei ve ark, 2022). Öğrenci bu düşünce zincirindeki mantığı takip ederek öğrenir.
• Yapay Zekâ Akran Eğitimi (AI-Powered Peer Tutoring): Yapay zekâyı hoca değil, sizinle aynı düzeyde ama kafası karışık bir öğrenci rolüne sokarsınız. Öğrenci, yapay zekâya konuyu öğretmeye çalışır (Feynman Tekniği). Bu, Sokratik yöntemin en etkili varyasyonlarından biridir.
• Açıklanabilir Yapay Zekâ (Explainable AI – XAI): XAI Yansıtıcı YZ’nın teknik karşılığıdır. Modelin ürettiği çözümün kara kutu olmaktan çıkıp neden o kararı verdiğini (örneğin hangi veriye ağırlık verdiğini) açıklaması istenir.

Farklı yöntemlerde yapay zekâ ve öğrenci farklı rollerde olacaktır. Temel eğitim hedefi ve etkileşim dinamikleri de farklı olacaktır. Bunlara ilişkin temel bir karşılaştırma Tablo 2’de verilmiştir.

Yöntem	Yapay Zekânın Rolü	Öğrencinin Rolü	Temel Eğitim Hedefi	Etkileşim Dinamiği
Sokratik Model	Mentör / Rehber (Soru soran)	Aktif Çözücü (Yanıtı arayan)	Eleştirel Düşünme ve Keşif	YZ yönlendirir, öğrenci bulur.
Yansıtıcı YZ	Eleştirmen / Denetçi (Sorgulayan)	Savunucu / İyileştirici (Çözümü savunan)	Doğrulama ve Sınır Durum Analizi	Öğrenci yapar, YZ açığını arar.
Kendini Açıklayan Modeller	Uzman Anlatıcı (Sesli düşünen)	Gözlemci / Analist (Mantığı izleyen)	Süreç Takibi ve Mantık Akışı	YZ çözerken nedenini anlatır.
Akran Eğitimi	Acemi Öğrenci (Kafası karışık)	Öğretmen / Hoca (Konuyu anlatan)	Konuya Hâkimiyet (Feynman Tekniği)	Öğrenci öğretir, YZ öğrenmeye çalışır.
Açıklanabilir YZ	Şeffaf Araç (Cam Kutu)	Denetçi(Kararı sorgulayan)	Teknik Yorumlama ve Güven	Model kararını gerekçelendirir.

Tablo 2. Sokratik Yöntemlerde Rol ve Etkileşim

Sokratik Yöntemlerin Bilgisayar Mühendisliği Eğitimine Uygulanması

Yapay zekâ destekli yaklaşımların uygun olabileceği ders ve konulara ilişkin örnekler Tablo 3’te verilmiştir. Daha önce değinildiği gibi eğitim sürecinde Mizou (https://mizou.com/) gibi araçlar kullanılarak öğrencilerin sohbet robotuyla kontrolsüz bir şekilde (yanıtı alıp kopyalayarak) çalışması engellenebilir ve onlara bir düşünme disiplini kazandırılabilir. Eğitimci, sistem kurallarını kendisi tasarlar. Bu tür araçlar eğitim süreçlerine bir arayüz sağlar. Bu araçlar farklı LLM’lerle çalışabilir ve eğitimciye aşağıdaki çeşitli yönetim paneli özelliklerini sunar. Eğitmen öğrencilerin sohbet arayüzüne neler sorduğunu ve yapay zekânın onlara nasıl yanıt verdiğini takip edebilir. Hangi öğrenci “Kodu yaz” diye kolaya kaçmış, hangisi “Bu neden böyle?” diye sormuş görebilir. Eğitmen, arayüze bir puanlama anahtarı (Rubric) verebilir. Yapay zekâ, sohbetin sonunda öğrenciye 100 üzerinden bir puan verebilir (Örn: “Analitik düşünme: 80, Kod temizliği: 90”). Bu arayüzler, öğrencinin bu süreçteki aşamalarını sınırlandırma (guardrails) ile engeller. “Asla kod bloku yazma, sadece sözlü anlat” diyerek kopya çekmeyi engelleyebilirsiniz.

Yöntem	En Uygun Olduğu Dersler ve Konular	Örnek Senaryo (İstem Stratejisi)
Sokratik Modeller	Algoritmalar, Veri Yapıları (Mantık kurma gerektiren dersler)	“Bu sıralama algoritmasının karmaşıklığını (Big-O) bana doğrudan söyleme, adımlarımı sorgulayarak buldur.”
Yansıtıcı YZ	Yazılım Mühendisliği, Siber Güvenlik (Hata ve açık bulma odaklı dersler)	“Yazdığım bu login fonksiyonunu incele. Hangi güvenlik açıklarını (örn. SQL Injection) gözden kaçırmış olabilirim?”
Kendini Açıklayan Modeller	Giriş Seviyesi Programlama (Kod okuryazarlığı)	“Bu özyineli (recursive) fonksiyonun nasıl çalıştığını adım adım (trace ederek) ve her satırın mantığını sesli düşünerek anlat.”
Akran Eğitimi	İşletim Sistemleri, Ağlar (Teorik ve kavramsal dersler)	“Sen TCP/IP protokolünü anlamayan bir öğrencisin. Sana TCP Handshake sürecini anlatacağım, anlamadığın yerde beni durdur.”
Açıklanabilir YZ	Veri Bilimi, Makine Öğrenmesi, Etik (Model davranışı analizi)	“Modelin bu kredi başvurusunu neden reddettiğini, hangi özniteliğin (feature) kararda ne kadar etkili olduğunu göster (SHAP/LIME).”

Tablo 3. Yöntemlerin Bilgisayar Mühendisliği Eğitimine Uygulanması

Bir eğitimcinin veri analizi dersi özelinde bu tür ortamlarda kullanabilecek dört somut senaryo ve komut örnekleri Ek-1’de verilmiştir. Mizou gibi sistemlerde öğrenci var olan istemi değiştiremez, ama kontrolün kendinde olduğu durumlarda istemi istediği gibi değiştirebilir. Alternatif bir platform olarak

Gemini Advanced’in Gems (Özelleştirilmiş Gemini) fonksiyonuyla da bu istemler kullanılabilir. Gem Yöneticisinde “Google Senior Danışman” adında yeni bir Gem oluşturulur ve yazdığınız istem, talimatlar kısmında eklenir. Böylece bu kurallarla başlayan hazır bir bot oluşturulmuş olur. Bu Gem’e erişim bağlantısı öğrencilerle de paylaştırılabilir. Öğrenci buradaki sohbet alanına “Nasılsın?” dediğinde Şekil 2’dekine benzer bir yanıtla karşılaşacaktır.

Şekil 2. Gemini Advanced ile Google Danışman Deneyimi

Tartışma

Sokratik öğrenme süreçlerinde mühendis veya mühendis adayı, sadece sözdizimi değil, algoritmik düşünce pratiği yapmış olur. Literatüre baktığımızda da benzer bir tablo görüyoruz; yapılan çalışmalar (Favero vd., 2024; Liu ve ark., 2024; Sharma ve Bozkurt, 2024) Sokratik sohbet robotu kullanımının eleştirel düşünme becerilerini standart kullanıma göre belirgin şekilde artırdığını doğruluyor.

Her ne kadar bu yöntemler mühendislik eğitiminde büyük bir potansiyel taşısa da sahada uygularken her şey mükemmel değil. Bu süreçte karşımıza çıkan temel engeller şunlar:

• İstem Bağımlılığı: Yöntemin başarısı, büyük oranda ilk istemin kalitesine bağlıdır. Kötü kurgulanmış bir Sokratik istem (prompt), diyaloğu kısır bir döngüye sokabilir.
• Yanlış Bilgi Üretimi (Halüsinasyon) Riski: Yapay zekâ yalnızca yanıt verirken değil, soru sorarken de hatalı yönlendirme yapabilir. Örneğin, öğrenciyi olmayan bir kütüphaneyi kullanmaya zorlayabilir. Bu noktada öğrencinin yapay zekânın yanılabileceğinin de farkında olması ve temel bir doğrulama yetkinliğine sahip olması şarttır.
• Bilişsel Yük ve Zaman: Sokratik diyalog, kodu alıp yapıştırmaya göre çok daha uzun sürer. Hızlı sonuca odaklı öğrencilerde (veya aceleci mühendislerde) bu durum hayal kırıklığı yaratabilir.

Peki bunu eğitime nasıl taşıyacağız? Bilgisayar Mühendisleri Kurultayındaki sunumumda sözünü ettiğim “Sokratik Kodlama Laboratuvarı” konseptini hayata geçirmek için şu pratik adımları izleyebiliriz (Karaarslan, 2025):

• Süreci Puanlamak: Öğrenciyi yalnızca yazdığı kodun doğruluğuyla değil, yapay zekâyla kurduğu diyaloğun kalitesiyle değerlendirin. Örneğin: Doğru soruyu sordu mu? Yapay zekânın önerisini sorguladı mı?
• Yapay Zekâyı Akran Olarak Konumlandırmak: Öğrencilerden, yapay zekâya kasıtlı olarak hatalı bir kod verip YZ’nin bu hatayı bulmasını sağlamalarını (Reverse Socratic) isteyebilirsiniz.
• Yansıma Raporları: Kodlama ödevi teslim edilirken, kodun yanında “Yapay zekâ bu çözümün hangi sınır durumda çalışmayacağını söyledi ve ben buna karşı ne önlem aldım?” sorusunun yanıtını içeren bir tartışma paragrafı zorunlu tutulmalıdır.

Böylece yapay zekâ, öğrenciyi tembelleştiren bir ödev yapıcı olmaktan çıkıp onu sürekli tetikte tutan bir takım arkadaşına dönüşecektir.

Sonuç: Algoritmayı Gerçekten Bilmek

Geleceğin mühendislik eğitimi, bilgiye erişim hızından ziyade yapay zekâyla kurulan diyaloğun derinliği ve sorgulayıcı niteliği üzerine inşa edilecektir. Yapay zekâ çağında teknik yetkinlik, kütüphaneleri ezbere bilmekten öte doğru soruyu sorabilmek, üretilen çıktıyı doğrulayabilmek ve sistemin sınırlarını öngörebilmekle ölçülecektir.

“Bir algoritma, doğru çalıştığında değil, neden doğru çalıştığını anladığınızda öğrenilmiş olur” (Karaarslan, 2025). Mühendisler olarak görevimiz, yapay zekâyı bizi tembelleştiren bir araç olarak değil, düşünce kaslarımızı çalıştıran bir antrenman partneri olarak kullanmaktır. Bunun için bu konularda çok daha fazla araştırma yapılması ve bu konuların daha etkin nasıl kullanılabileceğinin tartışılması gerekiyor.

Yapay Zeka Asistanı Kullanımı Beyanı

Bu çalışmanın hazırlık sürecinde; literatür taraması, fikir geliştirme, taslak oluşturma ve metin düzenleme aşamalarında Büyük Dil Modellerinden (Gemini Advanced ve ChatGPT-4) faydalanılmıştır. Özellikle Sokratik senaryoların kurgulanması ve örnek istemlerin (prompts) oluşturulması sürecinde yapay zekâyla işbirliği yapılmıştır. Ancak çalışmadaki tüm pedagojik çıkarımlar, analizler, nihai metin ve akademik görüşler yazarın kendi süzgecinden geçmiş, doğrulanmış ve yazarın sorumluluğundadır.

Referanslar

Adams, D., & Alt, N. (2004). Otostopçunun galaksi rehberi. Kabalcı Yayınevi.

Favero, L., Pérez-Ortiz, J. A., Käser, T., & Oliver, N. (2024, October). Enhancing critical thinking in education by means of a Socratic chatbot. In International workshop on AI in education and educational research (pp. 17-32). Cham: Springer Nature Switzerland.

Karaarslan, E. (2025).”Bilgisayar Mühendisliği Eğitiminde Yeni Yaklaşımlar: Sokratik LLM’ler, Reflective AI ve Ötesi.”, Bilgisayar Mühendisliği Kurultayı 2025

Liu, J., Huang, Z., Xiao, T., Sha, J., Wu, J., Liu, Q., … & Chen, E. (2024). SocraticLM: Exploring socratic personalized teaching with large language models. Advances in Neural Information Processing Systems, 37, 85693-85721.

Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., … & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in neural information processing systems, 35, 27730-27744.

Sharma, R. C., & Bozkurt, A. (Eds.). (2024). Transforming education with generative AI: Prompt engineering and synthetic content creation: Prompt engineering and synthetic content creation. IGI

Sunil, K., & Thakkar, A. (2025). SocraticAI: Transforming LLMs into Guided CS Tutors Through Scaffolded Interaction. arXiv preprint arXiv:2512.03501.

Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., … & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems, 35, 24824-24837.

EK-1 Örnek Senaryolar

1. Senaryo: Google Senior Danışman

Öğrenciler genellikle veri analizi ödevlerinde kodları çalışsa bile en iyi uygulama (best practice) kurallarına uymazlar (örneğin Pandas’ta döngü kullanmak). Bu senaryonun amacı kodu düzeltmek değil, verimlilik üzerine düşündürmektir. Verilecek istem aşağıdaki gibidir:

"Sen Google'da çalışan kıdemli bir Veri Bilimci'sin (Senior Data Scientist). Karşındaki ise bir stajyer. Öğrenci sana Python/Pandas kodunu atacak.
 - Kodun hatasını ASLA doğrudan düzeltme.
 - Kod çalışıyor olsa bile, verimsizse (örn.: for loop kullandıysa) onu uyar.
 - Ona 'Vektörizasyon nedir, hiç duydun mu?' gibi yönlendirici sorular sor.
 - Sadece ipuçları ver, kodu kendisinin yazmasını bekle."

2. Senaryo: Teknik Olmayan Beceriler ve Veri Hikâye Anlatımı

Mühendislerin en büyük eksiği, analiz sonuçlarını iş dünyasına anlatamamaktır. Amaç öğrencinin karmaşık analiz sonuçlarını (Confusion Matrix, F1 Score vb.) basitleştirerek anlatmasını sağlamaktır.

"Sen bir e-ticaret şirketinin Pazarlama Müdürüsün. İstatistikten ve kodlamadan hiç anlamıyorsun. Sadece 'Satışlar artacak mı?' diye soruyorsun.
Öğrenci sana 'Modelimizin Accuracy değeri %95' derse, ona 'Accuracy ne demek? Benim ciroma etkisi ne olacak? Bana Türkçe anlat' diye çıkış.
Öğrenci teknik terimleri bırakıp iş değeri (business value) anlatana kadar onu zorla."

3. Senaryo: Veri Temizleme Zorlukları

Veri analizinin %80’i temizliktir ama öğrenciler genelde temiz veriye alışır. Amaç öğrencinin veri setindeki anormallikleri fark etme yeteneğini ölçmektir. Öğrenciye bozuk bir veri seti (CSV) verilir. YZ ise o veriyi tanıyan bir uzman rolündedir.

"Sen bu veri setinin sahibisin. Öğrenci analiz yapmaya başlamadan önce senden veri hakkında bilgi almalı.
Eğer öğrenci 'Null değerleri kontrol ettim' demezse, analiz sonuçlarını kabul etme.
Ona tuzak sorular sor: 'Yaş sütununda 250 yazan bir değer var, onu ne yaptın?' (Öğrenci bunu fark etmemişse yakala ve uyar)."

4. Senaryo: Adım Adım Proje Danışmanı

Öğrenciler dönem projesine nereden başlayacaklarını bilemezler. Bu senaryodaki amaç projeyi küçük parçalara bölmektir.

"Sen bir proje yöneticisisin. Öğrenci sana 'Ev fiyatlarını tahmin eden bir model yapacağım' dediğinde ona tüm kodu verme.
Sırayla git:

 - Önce “Hangi veri setini kullanacaksın ve hedef değişkenin (target variable) ne?” diye sor.
 - Yanıtı almadan EDA (Exploratory Data Analysis- Keşif Veri Analizi) aşamasına geçme.
 - Her aşamada (EDA -> Ön işleme (Preprocessing) -> Model Seçimi) onay verip bir sonraki aşamaya geçir."