Answers are grounded in this paper and cite their sources.
Günümüzde üretici yapay zekâ araçlarının yazılım mühendisliği eğitimine entegrasyonu, bu araçların öğrencileri “bilişsel tembelliğe” ittiği endişesi ile “verimliliği artıran bir asistan” olduğu görüşü arasındaki ikilem nedeniyle hızla genişleyen bir araştırma alanı haline gelmiştir. Özellikle Büyük Dil Modellerinin ve benzeri üretici araçların kod üretimindeki başarısı, eğitimcileri, bu araçların salt çözüm üreticisi olarak değil, öğrencilerin eleştirel düşünme ve hata ayıklama becerilerini geliştirecek pedagojik bir araç olarak nasıl konumlandırılacağı sorusuna yöneltmiştir. Bu araştırma, Kırklareli Üniversitesi Yazılım Mühendisliği Bölümü’nde öğrenim gören (1. Sınıf n = 47, 2. Sınıf n = 56, 3. Sınıf n = 11 ve 4. Sınıf n = 4), lisans öğrencileri ile gerçekleştirilmiş olup, veriler ilişkisel tarama modeli esas alınarak toplanmış ve Yapısal Eşitlik Modellemesi ile analiz edilmiştir. Bulgular, yapay zekâ desteğinin mesleki öz-yeterliliği doğrudan etkilemediğini; bunun yerine öğrencilerin derinlemesine öğrenme süreçlerini tetikleyerek ve iş birliğine dayalı hata ayıklama becerilerini güçlendirerek dolaylı ve istatistiksel olarak anlamlı bir etki yarattığını ortaya koymuştur. Özellikle Önem-Performans Haritası Analizi (IPMA) ve Gerekli Koşul Analizi (NCA) sonuçları, iş birliğine dayalı hata ayıklama deneyiminin mesleki yetkinlik inancı için en stratejik öneme sahip değişken olduğunu, ancak öğrencilerin bu süreçte en düşük performansı sergilediğini göstermiştir. Çalışma sonucunda, yapay zekânın eğitim müfredatlarına entegrasyonunda odak noktasının kod üretiminden ziyade; koddaki hataların analizi, kasıtlı hata enjeksiyonu ve hata ayıklama süreçlerine kaydırılması gerektiği vurgulanmıştır.
No takes yet. Share an insight, caveat, or question.
Selçuk Yazar (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: