Pygmalion Etkisi ve Yapay Zekâ: Beklentiyi Doğru Yönet

1968’de yapılan ünlü bir deney, öğretmenlere “bu öğrenciler yıl içinde büyük sıçrama yapacak” denildiğinde bazı öğrencilerin IQ puanlarının ciddi arttığını iddia etti. Yıllar boyunca bu hikâye, eğitim dünyasında neredeyse sihirli bir formüle dönüştü: “Öğrencine inan, her şey değişsin.”

Sorun şu: Bu anlatı fazla temiz, fazla hızlı ve fazla tek adımlı. Gerçek sınıfta ise işler böyle yürümüyor. Üstelik 2025’in sonunda, yapay zekâ destekli eğitim platformları, öğrenme analitiği ve kişiselleştirilmiş öğrenme çözümleri gündemin ortasındayken, “beklenti” konusu daha da kritik hale geldi. Çünkü artık beklentiler sadece sezgiyle değil; veri panelleri, risk skorları, otomatik geri bildirimler ve tahmin modelleriyle de şekilleniyor.

Bu yazıda Pygmalion etkisinin ne kadar “gerçek” olduğunu, öğretmen beklentilerinin nerede işe yaradığını ve yapay zekânın bu beklentileri daha adil, daha isabetli ve daha işe yarar hale getirmek için nasıl kullanılacağını anlatıyorum.

Pygmalion etkisi: Efsane değil, ama mucize de değil

Pygmalion etkisi sınıfta kendini gerçekleştiren kehanet mekanizmasının çalışabileceğini söyler; fakat modern araştırmalar, etkinin genellikle küçük olduğunu ve her öğrenci/yaş grubu için aynı şekilde işlemediğini gösterir.

1968’deki ilk çalışmanın (Rosenthal & Jacobson) eğitim çevrelerinde bu kadar popüler olmasının nedeni belli: Hikâye çok cazip. Öğretmenin beklentisi yükseliyor, öğrenci yükseliyor. Nokta.

Fakat daha yakından bakınca tablo karışıyor:

• Etkinin büyük kısmı küçük yaşlarda (özellikle 1. ve 2. sınıf) görülmüş. Yani “her kademede aynı güçte” bir etki iddiası zayıf.
• İlk ölçümlerde bazı sınıflarda olağandışı düşük başlangıç puanları var. Bu da “sonradan artış”ın bir kısmının ölçüm hatası olabileceğini düşündürüyor.
• Sonuçlar farklı raporlarda çok farklı büyüklüklerde anlatılmış (bazı yerlerde çok büyük, bazı yerlerde küçük artış). Bu tür oynaklık, güveni düşürür.
• Sadece IQ’ya bakılması, sınıf başarısı, notlar, okuma akıcılığı gibi daha doğrudan eğitim çıktılarının gölgede kalmasına yol açmış.

Bugün eğitim biliminde genel kanaat daha dengeli: Beklentiler önemlidir, bazen etkiler; ama tek başına sınıfın kaderini değiştiren bir “düğme” değildir.

Araştırmaların 50+ yıllık özeti: En sık kaçırılan 3 gerçek

Net konuşalım: “Öğretmen beklentisi öğrenciyi yükseltir” cümlesi her zaman yanlış değil; sadece çoğu zaman abartılı.

1) Etki var, ama çoğunlukla küçük

Meta-analizler ve geniş derlemeler, sınıfta kendini gerçekleştiren kehanetlerin oluşabildiğini; ancak etkilerin genellikle küçük kaldığını söyler. Bu şu anlama gelir: Beklentiler, özellikle kırılgan dönemeçlerde (okula yeni başlama, öğretmen değişimi, yeni bir ders alanı) devreye girer; fakat tek başına “sıçrama” garantilemez.

2) Beklentilerin bir kısmı zaten “doğru tahmin”

Öğretmenler öğrenciyi gün boyu gözlemler. Çalışma alışkanlığı, temel beceriler, motivasyon, ev desteği gibi sinyalleri toplar. Dolayısıyla öğretmen beklentisi bazen öğrencinin geleceğini şekillendirdiği için değil, isabetli tahmin olduğu için sonuçları öngörebilir.

Bu ayrımı kaçırdığınızda, öğretmen “düşük beklediği için” öğrenci düşmüş gibi görünür; oysa öğretmen sadece mevcut durumu doğru okumuş olabilir.

3) Asıl risk: Negatif beklenti ve görünmez etiketleme

Bir öğrenci “zayıf”, “ilgisiz”, “yapamıyor” diye zihinlerde etiketlendiğinde, öğretmenin verdiği söz hakkı, bekleme süresi, geribildirim kalitesi ve hedef seçimi değişebilir. Bu değişiklikler küçük görünür ama bir dönem boyunca birikir.

Beklenti yönetimi bu yüzden pedagojik bir nezaket değil, öğrenme fırsatlarının dağıtımı meselesidir.

Yapay zekâ beklentiyi güçlendirir mi, yoksa bozar mı?

Yapay zekâ sınıfta iki uçlu bir bıçak. Doğru kurgulanırsa öğretmene “daha adil ve daha net” bir resim sunar. Kötü kurgulanırsa mevcut önyargıları parlatıp hızlandırır.

Yapay zekânın faydalı olduğu yer: Kör noktaları görünür kılmak

İyi tasarlanmış bir öğrenme analitiği sistemi, öğretmenin fark etmediği desenleri gösterebilir:

• Okuma hızında 6 haftadır plato
• Problem çözmede doğruya gidiyor ama süre uzuyor (çalışan bellek yükü)
• Derse katılım düşük ama ödev tam (sınıf içi kaygı ihtimali)

Bu tür sinyaller, beklentiyi “etiket” olmaktan çıkarıp kanıta dayalı öğretim kararı haline getirir.

Yapay zekânın tehlikeli olduğu yer: “Risk skoru”nun etikete dönüşmesi

Bir öğrenciye “başarısızlık riski: yüksek” demek kolay. Zor olan, bunun öğretmen davranışını nasıl etkilediğini yönetmek.

Benim sahada en sık gördüğüm hata şu: Risk uyarısı, destek planını tetikleyeceğine, öğretmenin iç sesini tetikliyor.

“Demek ki bu çocuk zaten zorlanacak.”

Bu cümle kurulduğu anda Pygmalion etkisinin karanlık tarafı devreye girer.

Pygmalion etkisini sınıfta işe yarar hale getiren 5 pratik strateji (AI ile birlikte)

Beklentiyi “motivasyon cümlesi” olmaktan çıkarıp sınıf rutinine gömmeniz gerekiyor. İşe yarayan yaklaşım, küçük ama sürekli adımlar.

1) Beklentiyi davranışa çevirin: “Yüksek beklenti dili” + somut destek

“Buna inanıyorum” demek yetmez. Öğrenci şunu duymalı:

• Hedef: “Bu hafta 8 soruda 6 doğruya çıkıyoruz.”
• Yol: “Her gün 10 dakikalık tekrar + 2 ipucu kartı.”
• Geri bildirim: “Hata türün şu; düzeltme yöntemin bu.”

AI burada kısa alıştırmalar, adaptif soru setleri ve hataya göre ipucu üretimiyle destek olabilir.

2) Sınıf içi “bekleme süresini” ölçün ve düzeltin

Beklenti farkları çoğu zaman mikro davranışlarda saklıdır: Öğrenciye düşünmesi için tanınan süre, söz hakkı dağılımı, yüz ifadeleri.

Basit bir uygulama:

• 1 hafta boyunca kimlere ne kadar söz hakkı verdiğinizi not edin.
• Eğer okulunuzda mümkünse, ders videosundan konuşma sürelerini çıkaran araçlarla (mahremiyet kurallarına uyarak) dağılımı görün.

Bu, “ben adilim” hissini veriyle test eder. Rahatsız edici olabilir; ama faydalıdır.

3) AI panellerinde “başlangıç düzeyi”ni zorunlu alan yapın

Birçok analiz hatası, öğrencinin nereden başladığını hesaba katmadan “gelişim” iddiası üretmekten çıkar.

Kullanılan dijital eğitim platformu veya ölçme aracı şunları net göstermeli:

• başlangıç düzeyi
• hedef düzey
• haftalık ilerleme
• kullanılan süre ve deneme sayısı

Öğretmenin beklentisi de böylece “çocuğun potansiyeli” gibi soyut değil, ilerleme verisi gibi somut bir zemine oturur.

4) “Negatif beklenti”yi erken yakalayacak kontrol listesi oluşturun

Kendinize ve ekibinize şu kontrolü düzenli yapın:

• Bu öğrenciye daha az mı soru soruyorum?
• Hatalarını daha hızlı mı geçiştiriyorum?
• Onu daha kolay görevlere mi yönlendiriyorum?
• Aileyle iletişimde daha mı umutsuz bir dil kullanıyorum?

AI destekli not analizleri (ör. öğretmenin gözlem notlarındaki dil kalıpları) bu kontrolü güçlendirebilir. Ama karar yine insanda kalmalı.

5) Kişiselleştirilmiş öğrenmede “hedef bandı” kullanın

Tek hedef koymak yerine bant koymak beklenti yönetimini iyileştirir:

• Minimum hedef (erişilebilir)
• Ana hedef (sınıf standardı)
• Zorlayıcı hedef (uzatma)

Adaptif öğrenme sistemleri bu bantları otomatik önerip öğrenciyi bandın içinde tutabilir. Öğretmen de “ya yapamazsa” korkusuyla çıtayı düşürmek yerine, bant içinde destekleyici ilerleyebilir.

Sık sorulan iki soru: Pygmalion etkisi ve AI sınıfta nasıl birlikte çalışır?

“Yüksek beklenti her öğrenciye aynı mı uygulanmalı?”

Hayır. Yüksek beklenti aynı hedef demek değildir; adil hedef demektir. Bazı öğrenciler için yüksek beklenti, temel okuma akıcılığını sabitlemek; bazıları için metinler arası çıkarım yapmaktır. Burada kritik olan, hedefin veriye dayanması ve öğretmenin öğrenciye gerçek bir yol haritası sunmasıdır.

“AI öğretmen beklentisini objektif yapar mı?”

Kısmen. AI, ölçtüğü şeylerde objektif olabilir; ama ölçmediği şeylerde kördür. Merak, cesaret, sınıf iklimi, sosyal aidiyet gibi alanları sayıya dökmek zordur. Bu yüzden AI, öğretmenin yerini almaz; öğretmenin karar kalitesini artıran bir geri bildirim mekanizması olur.

İnsan sezgisi + veri: 2026’ya girerken en sağlam yaklaşım

Pygmalion etkisinin popüler versiyonu, öğretmenlere “tek adımda mucize” vaadi veriyor. Ben bu vaadi tehlikeli buluyorum. Çünkü gerçekleşmediğinde suçluluk üretir: “Demek ki yeterince inanmadım.” Oysa eğitim, bir poster cümlesiyle değil, rutinle ilerler.

Yapay zekâ destekli eğitim ortamlarında beklenti yönetimi daha da görünür hale geldi. Öğrenci verileri, tahminler ve uyarılar öğretmenin zihninde sürekli bir arka plan sesi oluşturuyor. Bu sesi doğru ayarlarsanız beklentileriniz daha isabetli, daha adil ve daha destekleyici olur. Yanlış ayarlarsanız öğrenciyi bir skorla tanımlamaya başlarsınız.

Bir sonraki adım basit: Kullandığınız dijital eğitim platformunda (LMS, ölçme aracı, adaptif öğrenme sistemi) hangi göstergelerin beklentilerinizi etkilediğini listeleyin. Sonra her gösterge için şu soruyu sorun: “Bu veri, öğrenciyi etiketlememe mi hizmet ediyor; yoksa öğretim kararımı iyileştirmeme mi?”

2026’ya yaklaşırken eğitimde yapay zekâ tartışmasının merkezinde tek bir cümle olmalı: Veri, beklentiyi yükseltmek için değil; desteği doğru yere koymak için kullanılmalı. Sizce okulunuzda AI, beklentileri daha adil hale mi getiriyor, yoksa görünmez etiketleri daha hızlı mı üretiyor?