TL/DR

• Uyarlanabilir öğrenme, çalışanın verdiği yanıtlara göre sonraki içeriği, soru zorluğunu veya tekrar zamanını düzenler.

• Aynı ekipteki çalışanlar, farklı konularda ek açıklamaya ve pratiğe ihtiyaç duyabilir.

• Mikro öğrenme; kısa bilgi kartları, senaryolar ve geri bildirimlerle bu yaklaşımı günlük işe taşımayı kolaylaştırır.

• Etkiyi görmek için eğitim süresini, bilginin zaman içindeki kalıcılığını ve sahadaki uygulamayı birlikte izlemek gerekir.

Aynı ürün eğitimini tamamlayan iki mağaza çalışanı, iş başında farklı konularda zorlanabilir. Biri ürünün özelliklerini iyi bilir ama müşterinin itirazlarına yanıt vermekte güçlük çeker. Diğeri müşteriyle rahat konuşur, ancak kampanya koşullarını karıştırır. Eğitimden benzer puanlarla geçmeleri, ikisinin de aynı desteğe ihtiyaç duyduğu anlamına gelmez.

Uyarlanabilir öğrenmede, çalışanın verdiği yanıtlar bir sonraki içeriği belirlemek için kullanılır. Örneğin müşteri itirazlarıyla ilgili sorularda zorlanan çalışana yeni diyalog örnekleri sunulabilir. Kampanya koşullarını karıştıran çalışan ise bu koşulları farklı alışveriş durumlarında uygulayacağı sorularla pratik yapabilir. Yanıtlara göre soruların zorluğu veya bir konunun ne zaman tekrar edileceği de değişebilir.

Adaptive Learning, yani uyarlanabilir öğrenme, bu farkı eğitim akışının içine taşır. Çalışanın yanıtı, bir sonraki öğrenme adımlarını şekillendirir.

Uyarlanabilir öğrenme nasıl çalışır?

Uyarlanabilir öğrenmede sistem, çalışanın yanıtlarını ve performansını değerlendirerek içeriğin sırasını, zorluğunu, sunacağı desteği ve tekrar zamanlarını otomatik olarak ayarlar. Öğrenme sürecinde yeni bilgiler edindikçe bu seçimleri günceller.

Örneğin çalışan bir konuda zorlandığında sistem ek bir açıklama sunabilir veya öğrendiğini farklı bir senaryoda uygulamasını isteyebilir. Konuya hâkim olduğunu gösteren çalışan ise daha karmaşık uygulamalara geçebilir. Önceki konular da ne kadar hatırlandıklarını görmek için ilerleyen günlerde yeniden sorulabilir.

Sistemin bu kararları verebilmesi için önce çalışanın neyi öğrenmesi gerektiği açıkça tanımlanmalıdır. “Ürün bilgisi” bir konu başlığıdır; çalışandan ne beklendiğini tek başına anlatmaz. “Müşterinin ihtiyacına göre iki ürün arasındaki farkı açıklayabilmek” ise hem eğitimin hem de değerlendirmenin nasıl hazırlanacağına yol gösterir.

Bu hedef için çalışana bir müşteri senaryosu verilip iki ürünü karşılaştırması istenebilir. Yanıtı, ürün özelliklerini mi karıştırdığını, yoksa bu özelliklerin müşterinin ihtiyacıyla ilişkisini mi kuramadığını gösterebilir. Sistem de sonraki açıklamayı veya alıştırmayı buna göre seçebilir.

Kişiselleştirilmiş eğitimle arasındaki fark nedir?

Kişiselleştirilmiş eğitim, çalışanın rolüne, hedeflerine veya ihtiyaçlarına uygun bir öğrenme deneyimi sunmayı kapsar. Örneğin resepsiyon ekibine misafir karşılama, mağaza ekibine ürün önerisi eğitimi atanabilir.

Uyarlanabilir öğrenmede bu seçime, öğrenme sırasında toplanan veriye göre değişen bir akış eklenir. Aynı resepsiyon ekibindeki iki çalışan, verdikleri yanıtlara bağlı olarak farklı pratiklerle karşılaşabilir.

Bu nedenle bir eğitim yolunun uyarlanabilir olup olmadığını anlamak için işleyişine bakmak gerekir: Çalışan zorlandığında ne değişiyor? Konuyu öğrendiğini gösterdiğinde sonraki adım nasıl belirleniyor? Önceden doğru yanıtladığı bilgi yeniden kontrol ediliyor mu?

Bu kararlar basit kurallarla da verilebilir. Örneğin aynı öğrenme hedefinde tekrarlanan yanlışlar, kısa bir açıklama ve yeni bir soru için tetikleyici olabilir. Daha gelişmiş modeller ise çalışanın bilgi düzeyini ve sorunun zorluğunu tahmin ederek seçim yapabilir.

Araştırmalar ne söylüyor?

Wang ve arkadaşlarının 2024’te yayımladığı meta-analiz, yapay zekâ destekli uyarlanabilir öğrenmeye ilişkin 45 bağımsız çalışmayı inceledi. Öğrencilerin bilişsel öğrenme sonuçlarında, uyarlama yapılmayan yöntemlere kıyasla orta ile büyük düzey arasında olumlu etki bulundu: g = 0,70. Bu değer, yüzde 70 daha fazla öğrenme anlamına gelmez. Wang ve ark., 2024.

Sonuçlar her alanda aynı büyüklükte değil. Okuma becerisine odaklanan 27 çalışmalık başka bir meta-analizde etki daha küçüktü: g = 0,29. İki bulgu birlikte, yöntemin potansiyelini ve bağlamın önemini gösteriyor. Öğrenci araştırmalarından belirli bir mağaza ekibi için süre veya satış artışı yüzdesi çıkarılamaz. Alrawashdeh ve ark., 2024.

Tasarım tercihi de önemli. Fraulini ve arkadaşlarının 30 hakemli yayını kapsayan incelemesinde, zorluğu uyarlayan müdahaleler en yüksek etkiyi gösterdi. İhtiyaca göre destek sunma ve eksik konulara yeniden yönlendirme gibi yaklaşımlar da öne çıktı. Kurumlar açısından bu bulgu, sistemin hangi öğrenme kararını değiştirdiğine bakmayı gerektiriyor. Fraulini ve ark..

Mikro öğrenmeyle nasıl birleşir?

Uyarlanabilir bir akışta içeriğin küçük ve net parçalara ayrılması, doğru desteği seçmeyi kolaylaştırır. Bir çalışan kampanya koşullarındaki tek bir ayrıntıyı karıştırıyorsa o hedefe bağlı kısa bir kart ve senaryo üzerinde çalışabilir.

Örneğin mağaza ekipleri için şöyle bir akış tasarlanabilir:

1. Kısa bir soruyla başlayın. Çalışanın kampanya koşullarını bir müşteri durumuna uygulamasını isteyin.

2. Yanıtın gerekçesini açıklayın. Hangi koşulun kararı değiştirdiğini gösterin.

3. İhtiyaç duyulan bilgiyi sunun. Zorlanılan noktaya bağlı kısa kartı açın.

4. Yeni bir senaryo sorun. Aynı hedefi, farklı müşteri ve ürün koşullarıyla yeniden deneyin.

5. Daha sonra tekrar kontrol edin. Bilginin birkaç gün sonra da kullanılabildiğini görün.

İkinci sorunun farklı olması önemlidir. Çalışanın yeni duruma doğru yaklaşması, kuralı uygulayabildiğine dair daha yararlı bir işaret verir. Aynı sorunun tekrarında ise önceki cevabı hatırlamış olabilir.

Her adım kısa tutulabilir. Böylece öğrenme, ekip için planlanan uygun zamanlarda günlük işin parçası hâline gelir. Brik’in öğrenme döngüleri yaklaşımı da pratik, geri bildirim ve zaman içine yayılan pekiştirme üzerinde durur.

Tekrarın zamanlaması neden önemli?

Çalışanın eğitim sonunda bir soruyu doğru yanıtlaması, aynı bilgiyi üç hafta sonra da hatırlayacağını tek başına göstermez. Bilginin ne kadar kalıcı olduğunu anlamak için eğitimden bir süre sonra yeniden sorular sormak gerekir.

Latimier, Peyre ve Ramus’un meta-analizi, bilgiyi hatırlamaya yönelik alıştırmaları zamana yaymanın, aynı alıştırmaları tek oturumda yapmaya göre kalıcılığı artırdığını gösteriyor. Araştırmada, tekrarlar arasındaki süreyi giderek uzatmanın eşit aralıklarla tekrara göre genel bir üstünlüğü bulunmadı. Latimier ve ark., 2021.

Örneğin eğitimde ele alınan bir konuyla ilgili ilk soru ertesi gün, sonraki soru birkaç gün sonra, bir başka soru da ilerleyen haftalarda sorulabilir. Bu takvim bir uygulama örneğidir. Tekrarların ne zaman yapılacağı planlanırken konunun iş açısından önemi, bilginin ne kadar süre hatırlanması gerektiği ve çalışanın yanıtları dikkate alınmalıdır.

Alıştırmaların bu şekilde zamana yayılması aralıklı pratiktir. Sistem, çalışanın yanıtlarına göre bir sonraki tekrarı erkene alıyor veya ileri bir tarihe bırakıyorsa tekrarın zamanlaması da uyarlanabilir hâle gelir.

Araştırma notu: Meta-analizde bildirilen g = 0,74, standartlaştırılmış etki büyüklüğüdür. Bu değer, kalıcılığın yüzde 74 arttığı anlamına gelmez.

Yapay zekâ bu sürece ne katar?

Uyarlanabilir bir akışın içerik ihtiyacı vardır. Aynı öğrenme hedefi için farklı sorular, açıklamalar ve senaryolar hazırlanmalıdır. Yapay zekâ; kaynak dokümandan taslak üretmek, soru çeşitliliği sağlamak ve geri bildirim hazırlamak için kullanılabilir. Kurumun prosedürlerini doğru yansıtıp yansıtmadığı ise içerik kontrolünde değerlendirilmelidir.

Öğrenme desteğinin nasıl verildiği de önem taşır. Bastani ve arkadaşlarının lise matematiğinde yürüttüğü araştırmada, koruyucu öğretim tasarımı bulunmayan yapay zekâ desteği kaldırıldığında öğrencilerin performansı olumsuz etkilendi. İpuçlarıyla yönlendiren öğretici tasarım bu olumsuzluğu büyük ölçüde önledi. Kurumsal eğitim için buradan çıkarılabilecek ders, çalışanın düşünme sürecini koruyan destek tasarlamaktır. Bastani ve ark., 2025.

Bir müşteri itirazı senaryosunda bunun karşılığı, çalışana seçim yaptırmak ve ardından seçimin gerekçesini açıklamak olabilir. Böylece geri bildirim, bir sonraki kararda kullanılabilecek bir düşünme adımı sunar.

Etkiyi nasıl ölçmelisiniz?

Tamamlama oranı, eğitime katılımı takip etmek için yararlıdır. Uyarlanabilir öğrenmeyi değerlendirirken buna hedef bazında öğrenme, kalıcılık ve saha uygulaması verilerini eklemek gerekir.

Küçük bir pilot, başlangıç için yönetilebilir bir yoldur. Tek bir rol ve net bir hedef seçin. Başlangıç düzeyini ölçün. Benzer koşullardaki ekiplerde sabit ve uyarlanabilir akışları karşılaştırın. Hedefe ulaşmak için harcanan zamanı ve sonraki haftalardaki kalıcılığı izleyin.

İş sonuçlarını yorumlarken kampanya yoğunluğu, ekip deneyimi ve yönetici desteği gibi etkenleri de hesaba katın. Satıştaki değişimin ne kadarının eğitimle ilişkili olduğunu anlamak, aynı dönemde gerçekleşen diğer değişimleri görmeyi gerektirir.

Çalışanlara yanıtlarının nasıl kullanılacağını açıklayın. Bir yanlış cevabı kalıcı bir yetersizlik etiketi hâline getirmeyin. Aynı soruda çok kişi zorlanıyorsa soru dilini, açıklamayı ve kaynak içeriği de inceleyin.

Brik yaklaşımıyla nereden başlanabilir?

Brik, kurum içi dokümanları mikro öğrenme içeriklerine dönüştürmeyi ve eğitimi ekip, lokasyon veya pozisyona göre ulaştırmayı destekler. Kısa içerikler ve ilerleme takibi, öğrenme hedefleri etrafında bir akış kurmak için başlangıç sağlar. Brik özel içerik, Brik mikro öğrenme.

Uyarlanabilir bir tasarımda sonraki adım, hangi yanıtın hangi açıklamaya, yeni soruya veya tekrara yönlendireceğini belirlemektir. Kapsamı net bir pilotla, bu kararların çalışanların öğrenmesine nasıl katkı verdiği görülebilir.

Ekibinizin hangi öğrenme hedefleriyle başlayabileceğini değerlendirmek için Brik ekibiyle iletişime geçebilirsiniz.

Sık sorulan sorular

Adaptive Learning için yapay zekâ şart mı?

Basit kurallarla da uyarlanabilir bir akış kurulabilir. Örneğin bir hedefte tekrarlanan yanlış cevaplar, ilgili açıklamaya ve yeni bir senaryoya yönlendirebilir. Yapay zekâ içerik hazırlama ve daha gelişmiş uyarlama kararlarını destekleyebilir.

Mikro öğrenmeyle uyarlanabilir öğrenme birlikte kullanılabilir mi?

Evet. Kısa ve tek hedefli içerikler, ihtiyaç duyulan açıklama veya pratiğin seçilmesini kolaylaştırır. Mikro öğrenme içeriğin yapısını, uyarlama ise çalışanın bir sonraki adımının nasıl belirleneceğini tanımlar.

Bir konuyu bilen çalışan bütün eğitimi atlayabilir mi?

Ön değerlendirme, uygun konularda öğrenme yolunu kısaltmaya yardımcı olabilir. Atlanabilecek bölümler, kurumun eğitim gereklilikleri ve hedefin taşıdığı risk dikkate alınarak belirlenmelidir. Tek doğru cevap, geniş bir konunun öğrenildiğine karar vermek için sınırlı bir göstergedir.

Başarı için hangi göstergeyle başlanmalı?

Önce somut bir öğrenme hedefi belirleyin. Çalışanın bu hedefe ne kadar sürede ulaştığını ve bir süre sonra farklı bir senaryoda aynı bilgiyi kullanıp kullanamadığını birlikte ölçün.