1

BEĞENDİM

ABONE OL

News

0

Yapay zekânın yükseköğretimdeki yükselişi; yeni programları, araştırma merkezlerini, uzmanlaşmış laboratuvarları ve teknik birimleri gündeme getirmiştir. Temel bilgisayar bilimleri, ileri algoritmalar, yüksek hesaplama, model geliştirme ve donanım araştırmaları açısından bu yapıların önemli görevleri bulunmaktadır. Sistem çapındaki akademik dönüşüm ise kurumsal çoğalmadan daha geniş bir hareket gerektirmektedir. Tıp, hukuk, gazetecilik, eğitim bilimleri, psikoloji, sosyoloji, mühendislik, ekonomi, sanat ve tarım kendi bilimsel geleneklerini korurken yapay zekâyı kendi problem alanlarında anlayabilecek, sorgulayabilecek, kullanabilecek ve geliştirebilecek yeni yeterlikler kazanmaktadır.

Bu dizinin ilk yazısında önerilen Akademik Entegrasyon Mimarisi, alan uzmanlığı ile yapay zekâ okuryazarlığının birlikte gelişmesini ve teknik yetkinliğin birkaç akademik birimde yoğunlaşmak yerine üniversitenin bilgi dolaşımına yayılmasını esas almıştır. İkinci yazıda geliştirilen Ar-Ge Ekosistemi ise dijital kanıt, teknoloji öngörüsü, etki analizi, aksiyon araştırması ve Birleştirilmiş Zekâ aracılığıyla bu bütünleşmiş yapının kendi faaliyetlerinden bilgi üretmesini açıklamıştır. Üçüncü katman, aynı sistemin dönüşüm sırasında oluşan gerilimleri, belirsizlikleri ve beklenmeyen sonuçları nasıl okuyacağıdır.

Bu gereksinme, yapay zekâyı teknik performans ile örgütsel ve toplumsal bağlamın birlikte çalıştığı sosyoteknik bir sistem olarak ele alan güncel yaklaşımlarla örtüşmektedir. NIST’in Yapay Zekâ Risk Yönetim Çerçevesi, yapay zekâ sistemlerinin toplumsal dinamikler ve insan davranışıyla etkileşim içinde çalıştığını; sonuçların teknik özellikler kadar kullanım amacı, sistemi işleten aktörler ve sosyal çevreden doğduğunu vurgulamaktadır (Tabassi, 2023). Berente ve çalışma arkadaşları da özerklik, öğrenme ve açıklanması güç hesaplamalı süreçleri birbiriyle ilişkili örgütsel sorunlar olarak ele almaktadır (Berente et al., 2021). Üniversiteye giren bir model böylece uzmanlığın anlamını, akademik emeğin dağılımını ve sorumluluk sınırlarını da yeniden biçimlendirmektedir.

Bu güncel çerçeve, riski sabit bir olasılık tablosuna indirgemeyen hareketli bir değerlendirme anlayışı gerektirmektedir. NIST, yapay zekâ risklerinin kısa veya uzun vadeli, yerel veya sistemik biçimlerde ortaya çıkabildiğini; veri ve kullanım bağlamı değiştikçe beklenmeyen sonuçların oluşabileceğini belirtmektedir (Tabassi, 2023). Yükseköğretimde veri sızıntısı, lisans maliyeti veya hatalı çıktı oranı ölçülebilirken akademik muhakemenin, mesleki kimliklerin ve öğrencilerin yardım arama davranışlarının zaman içindeki yönü daha açık uçlu kalmaktadır. Risk Zekâsı hesaplanabilen göstergelerle henüz tam modellenemeyen etkileri aynı değerlendirme alanında buluşturmaktadır.

Bu yazıda Risk Zekâsı, tehditleri sıralayan bir kontrol listesi olarak ele alınmamaktadır. Kavram; öğrenme sisteminin kendi değişimini gözlemleyebilmesi, zayıf sinyalleri fark edebilmesi, olası sonuçları farklı bilim alanlarının bilgisiyle yorumlayabilmesi, kanıt ile varsayımı ayırabilmesi ve yeni bilgi ortaya çıktığında yönünü yeniden düzenleyebilmesi anlamına gelmektedir. Çok disiplinli yapay zekâ entegrasyonu, teknolojik yeterlik kadar kendi dönüşümünü okuyabilen bir öğrenme sistemi gerektirmektedir. Risk Zekâsı bu sistemin ortak akademik muhakeme yeteneğini oluşturmaktadır.

ÇOK DİSİPLİ DÖNÜŞÜMÜN RİSK HARİTASI

Yapay zekâ dönüşümünü sabit bir tehdit listesi üzerinden okumak sistemin hareketli yapısını daraltmaktadır. Aynı araç farklı bireylerde, fakültelerde veya üniversitelerde farklı sonuçlar üretebilmektedir. Bu nedenle risk haritası teknolojinin özelliklerinden önce dönüşümün mikro, mezo ve makro düzeylerde oluşturduğu gerilim alanlarını incelemelidir.

Sistemik bakış açısından önemli olan, her riskin tek bir noktada doğup aynı yerde sonuçlanmadığını görebilmektir. Bir fakültenin hız kazanmak amacıyla aldığı teknik karar, başka bir birimde veri güvenliği yükü oluşturabilmekte; maliyeti azaltan ortak platform, akademik çeşitlilik açısından bağımlılık üretebilmekte; öğrencinin erişimini kolaylaştıran otomasyon, öğretim üyesinin değerlendirme rolünü daraltabilmektedir. Böylece riskler kurum içinde yer değiştirebilmekte, bir düzeyde çözülen sorun başka ölçekte yeni bir gerilim üretebilmektedir. Bu nedenle Risk Zekâsı, tek tek tehditleri kaydetmenin yanında ilişkiler arasındaki aktarımı ve ikinci dereceden sonuçları okuyabilmelidir. Üniversiteyi birbirine bağlı teknik, insani ve örgütsel bileşenlerden oluşan sosyoteknik bir sistem olarak görmek bu analizi güçlendirmektedir.

Mikro düzeyde temel aktör insandır. Öğretim üyeleri, araştırmacılar, öğrenciler ve yöneticiler yapay zekâ ile çalışırken yeni bir aracı kullanmayı öğrenmenin ötesinde akademik rollerini, uzmanlık sınırlarını ve karar verme sorumluluklarını yeniden yorumlamaktadır. Hesaplamalı çıktıya aşırı güven, muhakemenin devri, temel becerilerin zayıflaması, yanlış bilginin doğrulanmadan kullanılması, akademik dürüstlük ve sürekli değişen araçlara yetişme baskısı burada belirginleşmektedir. UNESCO’nun öğretmenler için Yapay Zekâ Yeterlik Çerçevesi de teknik beceriyi insan merkezli yaklaşım, etik, yapay zekâ temelleri, pedagojik kullanım ve mesleki öğrenmeyle birlikte ele almaktadır (Miao & Cukurova, 2024). Bu yaklaşım, akademik hazırlığın yazılım kullanımından daha kapsamlı bir mesleki dönüşüm olduğunu göstermektedir.

Öğretim üyeleri bu hareketin başlıca taşıyıcılarıdır. Müfredatı, değerlendirmeyi, araştırma kültürünü ve bilimsel standartları günlük uygulamaya çevirmektedirler. Bu nedenle akademik çevrede görülen tereddüdü doğrudan “direnç” olarak etiketlemek açıklayıcı gücü azaltmaktadır. Tereddüt; bilgi eksikliği, rol belirsizliği, destek yetersizliği, etik kaygı, mesleki kimliği koruma isteği veya önceki teknoloji uygulamalarından kalan kurumsal hafıza üzerinden gelişebilmektedir. Risk Zekâsına sahip kurum, bu kaygıyı sistem hakkında bilgi taşıyan sinyal olarak değerlendirmektedir. Örneğin bir fakülte üretken yapay zekâyı kaynak karşılaştırmalarında teşvik ederken diğeri değerlendirme süreçlerinde sınırlayabilir. Ortak açıklama, veri kullanımı ve insan sorumluluğu ilkeleri bulunmadığında farklı uygulamalar öğrenciler ile öğretim üyeleri için çelişkili normlar üretebilmektedir.

Mezo düzeyde fakülte ve kurum bulunmaktadır. Birimler arasında gelişme hızları, bütçe olanakları ve teknik uzmanlık farklılık göstermektedir. Bir bölüm ortak hesaplama altyapısından yararlanırken diğeri bağımsız ticari platformlara bağlanabilmekte; bazı programlar kendi rehberlerini hazırlarken diğerlerinde gölge kullanım pratikleri oluşabilmektedir. Parçalı satın alma kararları, veri akışlarının görünmezleşmesi, tekrarlanan lisans maliyetleri, erişim farklılıkları ve birbiriyle uyumsuz akademik ölçütler kurumsal bütünlüğü zorlayabilmektedir. Mezo düzeyde Risk Zekâsı, tüm birimleri aynı uygulamaya yönelten standartlaştırmadan çok, farklılıkları görünür kılan ve ortak gereksinimleri ilişkilendiren bir koordinasyon yeteneği olarak anlam kazanmaktadır.

Makro düzeyde konu ulusal öğrenme sistemine genişlemektedir. Teknolojik dışa bağımlılık, veri egemenliği, Türkçenin büyük dil modellerindeki temsili, lisans maliyetleri, yüksek hesaplama altyapısına erişim, bölgesel üniversiteler arasındaki farklar ve yetişmiş insan kaynağı burada belirleyici olmaktadır. Bir üniversitenin araştırma programını büyük ölçüde tek bir ticari sağlayıcının fiyatlandırmasına, kullanım koşullarına veya model değişikliklerine bağlaması teknik tercih olmaktan çıkarak bilimsel özerklik sorununa dönüşebilmektedir. Aynı biçimde Türkçe akademik terminolojinin, yerel hukuk metinlerinin veya kültürel bağlamın modellerde zayıf temsil edilmesi, çıktı kalitesinin yanında hangi bilginin görünür kaldığını da etkilemektedir.

Bu nedenle yerli ve ulusal teknolojik yetkinlik, bilimsel ve teknolojik özerkliğin bileşeni olarak değerlendirilmelidir. Türkçe büyük dil modellerinin geliştirilmesi, üniversitelerin ortak hesaplama kaynaklarına erişebilmesi, güvenli akademik yapay zekâ ortamlarının kurulması ve doğrulanabilir bilimsel veri havuzlarının desteklenmesi, sistemin kendi araştırma gereksinimlerini belirleme gücünü artırmaktadır.

Hukuki çevre de kullanım bağlamının önemini açık biçimde göstermektedir. Avrupa Birliği Yapay Zekâ Tüzüğü; eğitim kurumlarına erişim, öğrenme sonuçlarının değerlendirilmesi, eğitim düzeyinin belirlenmesi ve sınavlarda davranışın izlenmesi gibi bazı kullanım alanlarını yüksek riskli sınıfta değerlendirmektedir (European Parliament & Council of the European Union, 2024). Buradaki kritik ölçütü kullanım amacı, kararın ağırlığı ve insan üzerindeki etkisi oluşturmaktadır. Aynı model bir ders planı taslağında düşük sonuç ağırlığı taşırken öğrenci kabulünde çok daha farklı bir sorumluluk alanı oluşturmaktadır.

RİSK ZEKÂSINI ÖĞRENME SİSTEMİNE DAĞITMAK

Risk Zekâsı’nın özgün değeri, belirli bir ofiste veya uzman grubunda toplanmasından çok akademik sistem boyunca dağıtılmasında ortaya çıkmaktadır. Kolbjørnsrud (2024), örgütsel zekâyı insan ve dijital aktörlerin birlikte problem çözme ve değişime uyum sağlama yeteneği üzerinden ele almakta; bu yeteneğin aktörlerin bileşimi, örgütsel mimari ve kültürle bağlantılı olduğunu göstermektedir. Üniversite bağlamında riskleri okuyabilme gücü de tek bir etik kurulun, bilişim biriminin veya yapay zekâ merkezinin uzmanlığıyla sınırlı kalmamakta; disiplinler, insanlar, dijital araçlar ve kurumsal hafıza arasındaki ilişkilerden doğmaktadır.

Bilgisayar bilimleri model performansını, veri niteliğini, siber güvenliği ve teknik güvenilirliği incelemektedir. Eğitim bilimleri öğrenme, ölçme ve değerlendirme üzerindeki sonuçları değerlendirmektedir. Psikoloji bilişsel yük, güven, bağımlılık ve motivasyon boyutlarını okumaktadır. Sosyoloji güç ilişkilerini, eşitsizlikleri ve kültürel dönüşümü izlemektedir. Hukuk sorumluluk, veri kullanımı, fikrî haklar ve karar süreçlerinin sonuçlarını ele almaktadır. İletişim bilimleri kamusal güven, dezenformasyon ve platformlaşma alanlarını değerlendirmektedir. Ekonomi maliyet, üretkenlik, iş gücü ve kaynak dağılımını çözümlemektedir. Bu bakışların her biri başka bir kör noktayı azaltmaktadır.

Buradaki felsefi ayrım da önemlidir. Risk değerlendirmesi, geleceği tamamen hesaplanabilir kabul eden mekanik bir varsayıma dayandırıldığında insan davranışı, kurum kültürü ve tarihsel bağlam sayısal göstergelere indirgenebilmektedir. Üniversite ise açık bir toplumsal sistemdir; aktörler teknolojiye tepki vermekte, kuralları yorumlamakta, yeni kullanım biçimleri geliştirmekte ve araçların anlamını zaman içinde değiştirmektedir. Bu nedenle Risk Zekâsı, kesinlik üretme iddiasından çok belirsizlik altında gerekçeli karar verebilme niteliği taşımaktadır. Model olasılık üretmekte, disiplinler anlam katmakta, kurum ise hangi sonucun kabul edilebilir olduğuna ilişkin akademik ve toplumsal sorumluluğu üstlenmektedir. Bu ayrım, hesaplama gücü ile karar yetkisini birbirine karıştırmamak açısından temel önem taşımaktadır.

Somut bir örnek bu dağıtılmış yapıyı görünür kılmaktadır. Üniversite, birinci sınıf öğrencilerine otomatik yazılı geri bildirim veren bir sistem pilotu başlatmış olsun. Teknik ölçümler geri bildirim süresinin kısaldığını ve sistemin yüksek kullanılabilirlik gösterdiğini ortaya koyabilir. Eğitim bilimleri, öğrencilerin yeniden yazma davranışını ve kavramsal gelişimini inceleyebilir. Dil ve iletişim uzmanları metinlerde üslup benzeşmesi oluşup oluşmadığını değerlendirebilir. Psikoloji, öğrencinin kendi metnine duyduğu güven ile sistem önerilerine bağımlılığı arasındaki ilişkiyi araştırabilir. Hukuk ve bilişim uzmanları verinin nerede işlendiğini ve hangi kayıtların tutulduğunu inceleyebilir. Tek bir performans metriği “başarılı” görünürken, disiplinlerin birlikte çalışması daha nitelikli bir karar üretmektedir.

Güncel yükseköğretim literatürü bu ortak anlamlandırma gereğini doğrudan göstermektedir. Jiang ve Abdullah’ın (2026) sistematik incelemesi, yapay zekâ destekli yükseköğretim yönetişiminde öngörücü modelleme, veriye dayalı koordinasyon ve hesap verebilirliğe odaklı anlamlandırmayı üç temel mekanizma olarak belirlemektedir. Yapay zekâ bu çerçevede geri bildirimleri, bilgi akışlarını ve karar rutinlerini yeniden düzenleyen kurumsal bir altyapı hâline gelmektedir. Risk Zekâsı da tek bir skor üretmekten çok dağınık sinyalleri ortak akademik yoruma çevirebilen sistem niteliği taşımaktadır. Bu yetenek risk farkındalığı, risk okuryazarlığı ve risk kültürüyle desteklenmektedir.

Risk farkındalığı, sistemin farklı ölçeklerde oluşan sinyalleri görebilmesini sağlamaktadır. Öğretim üyesinin tekrarlanan kaygısı, öğrencilerin aynı tür model hatalarını benimsemesi, belirli bir lisans maliyetinin hızla artması veya bazı grupların araca erişememesi erken bilgi taşıyabilmektedir.

Risk okuryazarlığı, görülen sinyalin bilimsel ölçütlerle yorumlanmasını sağlamaktadır. Her olumsuzluk aynı olasılığa, etkiye veya öneme sahip bulunmamaktadır. Veri kaynağını, kanıt kalitesini, model sınırlarını, belirsizliği ve bağlamı okuyabilmek sezgisel tepkileri akademik değerlendirmeye dönüştürmektedir.

Risk kültürü ise bu gözlemlerin kurumsal dolaşıma katılabildiği ortamı oluşturmaktadır. İnsanların hataları, tereddütleri ve beklenmeyen sonuçları paylaşabildiği; pilotlarda istenen sonucu vermeyen bulguların saklanmak yerine araştırma girdisine dönüştürüldüğü yapı, sistemin öğrenme gücünü artırmaktadır. NIST’in yönetişim, haritalama, ölçme ve yönetme işlevlerini yapay zekâ hayat çevrimi boyunca birlikte ele alan yaklaşımı da risk değerlendirmesinin tek seferlik bir kontrol yerine sürekli geri bildirim ve güncelleme gerektirdiğini göstermektedir (Tabassi, 2023). Böyle bir kültür, erken uyarıları kurumsal öğrenmeye dönüştüren sosyal zemini sağlamaktadır.

Dolayısıyla Risk Farkındalığı + Risk Okuryazarlığı + Risk Kültürü, Risk Zekâsı’nın kurumsal altyapısını oluşturmaktadır. Bununla birlikte sistem özelliği, bu üç koşulun insan muhakemesi, disipliner bilgi, dijital kanıt ve kurumsal hafızayla ilişkilendirilmesiyle ortaya çıkmaktadır. Birinci yazıdaki Akademik Entegrasyon Mimarisi burada riskleri de disiplinlere dağıtmaktadır; ikinci yazıdaki Ar-Ge Ekosistemi ise sinyalleri kanıta, kanıtı öğrenmeye çevirecek mekanizmayı sağlamaktadır.

Teknoloji öngörüsü yaklaşan gelişmeleri izlemekte, etki analizi gerçekleşen değişimi okumakta, aksiyon araştırması bulguları yeni pilotlara taşımaktadır. Risk Zekâsı bu çevrime hangi etkinin anlamlı olduğu, hangi belirsizliğin daha fazla kanıt gerektirdiği ve hangi koşullarda yön değişikliğinin gerekli hâle geldiği konusunda akademik değerlendirme gücü kazandırmaktadır. Böylece risk bilgisi teknolojinin karşısına yerleştirilen fren işlevinden çıkarak daha nitelikli karar üretmenin bilimsel girdisine dönüşmektedir.

ENTEGRASYONDAN GÜVENİLİR DÖNÜŞÜME

Sistemik yaklaşımın uygulamadaki karşılığı, bütün üniversiteye aynı anda yayılan tek tip teknoloji programlarından çok birbirini besleyen akademik gelişim çevrimlerinde görülmektedir. Bu geçiş beş tamamlayıcı unsur üzerinden açık biçimde düzenlenebilir.

Birinci unsur: Öğretim üyelerinin sürekli mesleki gelişimidir. Genel yapay zekâ eğitimlerinin ardından disipline özgü atölyeler, uygulama laboratuvarları, akademik mentörlük, ortak araştırma projeleri ve fakülteler arası çalışma grupları teknik beceriyi alanın yöntem ve sorumluluklarıyla buluşturmalıdır. Bir hukuk akademisyeninin kullanım gereksinimiyle bir tıp araştırmacısının veya gazetecilik öğretim üyesinin gereksinimleri aynı yapı üzerinden karşılanamamaktadır.

UNESCO’nun beş boyutlu öğretmen yeterlik çerçevesi de teknik bilgi ile insan merkezlilik, etik, pedagojik uygulama ve mesleki öğrenmenin birlikte geliştirilmesini önermektedir (Miao & Cukurova, 2024). Bu çok katmanlı yaklaşım, öğretim üyesi gelişiminin “hangi aracı nasıl kullanırım?” düzeyinden “hangi amaçla, hangi koşulda ve hangi akademik sorumlulukla kullanırım?” düzeyine taşınmasını desteklemektedir.

İkinci unsur: Kontrollü pilotlardır. Bir uygulamanın kurum çapında hızla yayılması yerine sınırlı bir programda sınanması, dijital kanıt üretilmesi, etkisinin değerlendirilmesi ve bulgulara göre uyarlanması daha güvenilir bir geçiş sağlamaktadır:

küçük pilot → dijital kanıt → etki analizi → uyarlama → ölçekleme

Örneğin otomatik değerlendirme aracı önce birkaç derste kullanılabilir; notların dağılımı kadar öğrencinin itiraz biçimi, öğretim üyesinin kontrol süresi, model hatalarının türü, erişilebilirlik ve veri akışı da gözlenebilir. Pilotun değeri, genişleme öncesinde bilinmeyenleri azaltmasından ve varsayımları gerçek bağlamda sınamasından doğmaktadır.

Üçüncü unsur: Kurumsal rehberliktir. EDUCAUSE’un 2026 araştırmasında 1.960 katılımcının verileri, kurumların yüzde 92’sinde işle ilgili bir yapay zekâ stratejisi bulunduğunu; katılımcıların yüzde 94’ünün son altı ay içinde iş amacıyla yapay zekâ kullandığını, buna karşılık yüzde 54’ünün kullanımı yönlendiren politika veya rehberlerden haberdar olduğunu göstermektedir. Yeterlik geliştirmeyi stratejisine alan kurumlarda mevcut çalışan ve öğretim üyelerini yeniden yetiştirme yaklaşımı yüzde 69 ile öne çıkmaktadır (Robert, 2026). Bu tablo, kullanım hızının kurumsal açıklık ve ortak öğrenme mekanizmalarından daha hızlı ilerleyebildiğini göstermektedir.

Rehberlik, genel yasaklar üretmekten çok kullanım koşullarını görünür hâle getirmelidir. Hangi verilerin hangi araçlara aktarılabileceği, yapay zekâ katkısının akademik üründe nasıl açıklanacağı, hangi kararların insan onayı gerektirdiği, hangi araçların güvenlik ölçütlerini karşıladığı ve hesap verebilirliğin kimde bulunduğu açık biçimde tanımlanmalıdır. Avrupa Birliği’nin eğitimde bazı kullanım alanlarını kararın ağırlığına göre yüksek riskli sınıfta değerlendirmesi de bağlama dayalı bu yaklaşımı desteklemektedir (European Parliament & Council of the European Union, 2024).

Kurumsal rehberliğin kurumsal hafızaya bağlanması gerekmektedir. Pilotlarda karşılaşılan sorunlar, istisnalar, kullanıcı geri bildirimleri ve düzeltme kararları sonraki uygulamalar için erişilebilir bilgiye dönüşmelidir. Böylece politika belgesi durağan bir metin yerine kanıtla güncellenen öğrenme kaydı niteliği kazanmaktadır. Örneğin bir aracın veri saklama koşullarındaki değişiklik, farklı derslerde yeniden keşfedilen bağımsız sorunlar üretmek yerine merkezi bir akademik teknoloji kaydında değerlendirilerek ilgili birimlere aktarılabilir. Kurumsal hafıza, Risk Zekâsını kişilere bağlı sezgiden biriken ve yeni kararlara taşınan akademik bilgiye dönüştürmektedir.

Dördüncü unsur: Teknolojik özerkliktir. Türkçe büyük dil modellerinin geliştirilmesi, ortak akademik hesaplama altyapılarının güçlendirilmesi, üniversiteler arası paylaşılan veri merkezleri, güvenli yapay zekâ çalışma ortamları ve doğrulanabilir açık bilim kaynakları stratejik önem taşımaktadır. Her üniversitenin kendi büyük modelini geliştirmesi kaynakların etkili kullanımı açısından gerekli olmayabilir; ortak altyapılar ve paylaşılan uzmanlık ağları daha güçlü bir bilimsel ekosistem sağlayabilmektedir. Amaç, seçenek üretebilen ve kritik araştırma süreçlerinde tek sağlayıcıya bağımlı kalmayan bir sistem geliştirmektir.

Beşinci unsur: Paydaş geçişidir. Öğretim üyeleri, öğrenciler, yöneticiler, teknik personel, mezunlar ve işverenler aynı hızda değişmemektedir. Bu nedenle dönüşüm aşamalı ilerlemeli; farklı gruplardan gelen bilgi yeniden tasarım sürecine katılmalıdır. Güncel örgütsel yapay zekâ literatürü, insan ve dijital aktörlerin tamamlayıcı katkılarının uygun görev dağılımı, örgütsel mimari ve işbirliği koşullarıyla kurumsal zekâya dönüşebildiğini göstermektedir (Kolbjørnsrud, 2024). Güvenilir dönüşüm, insanları teknolojik hıza uyduran tek yönlü bir hareket yerine teknolojiyi akademik bağlama uyarlayan karşılıklı öğrenme süreci olarak çalışmaktadır.

Bu geçişin başarısı tek bir benimseme oranıyla ölçülmemelidir. Kullanım yoğunluğu, öğrenme niteliği, hata türleri, insan müdahalesinin konumu, erişim farklılıkları, maliyet ve akademik memnuniyet birlikte izlenmelidir. Örneğin bir aracın kullanım oranı yüzde doksana ulaşırken öğretim üyelerinin çoğu çıktıları yeniden kontrol etmek için daha fazla zaman harcıyorsa yüksek benimseme kurumsal kazanç anlamına gelmeyebilir. Tersine düşük kullanım, aracın başarısızlığından çok yanlış problem için seçildiğini gösterebilir. Risk Zekâsı, göstergeleri hedefe dönüştürmek yerine onları kararın bağlamını açıklayan çoklu kanıt kümesi olarak değerlendirmektedir.

YAPAY ZEKÂ ÜNİVERSİTESİNDEN RİSK ZEKÂSINA SAHİP ÖĞRENME SİSTEMİNE

Bu üç yazının birlikte ortaya koyduğu yaklaşım, yapay zekâ çağında yükseköğretimin dönüşümünü yeni kurumsal yapılar oluşturma meselesinden daha geniş bir sistem problemi olarak ele almaktadır. Akademik Entegrasyon Mimarisi, yapay zekâ yeterliğini bilim alanlarına dağıtmaktadır. Ar-Ge Ekosistemi, bütünleşmiş yapının dijital kanıt üretmesini, uygulamalarını izlemesini ve öğrendiğini yeni kararlara taşımasını sağlamaktadır. Risk Zekâsı ise aynı sistemin kendi değişimini okuyabilmesine, belirsizlikleri yorumlayabilmesine ve yeni bilgiler karşısında yönünü yeniden düzenleyebilmesine imkân vermektedir.

Bu çerçevede güçlü yükseköğretim sistemi, açılan yapay zekâ bölümlerinin sayısı veya satın alınan lisansların miktarıyla tanımlanmamaktadır. Güç; disiplinlerini geliştirebilme, öğretim üyelerini hazırlayabilme, kaynakları ortaklaştırabilme, teknolojik özerkliği destekleyebilme, olası sonuçları okuyabilme, uygulamalardan öğrenebilme ve yeni bilimsel bilgi üretebilme yeteneğinde ortaya çıkmaktadır.

Risk Zekâsı burada sınır çizen bir güvenlik duvarından daha kapsamlı rol üstlenmektedir. Sistem, küçük işaretleri anlamlandırmakta, farklı uzmanlıkları doğru anda devreye sokmakta ve kararlarını yeni kanıta göre güncellemektedir. Örgütsel zekâ yaklaşımı insan ve dijital aktörlerin ortak problem çözme gücünü ilişkilerin niteliğine bağlamakta (Kolbjørnsrud, 2024); yükseköğretimde yapay zekâ yönetişimine ilişkin güncel inceleme ise hesap verebilirliğe odaklı anlamlandırmayı kurumsal uyum mekanizması olarak göstermektedir (Jiang & Abdullah, 2026). Böylece Risk Zekâsı, tek bir kişinin veya birimin özelliğinden ortak akademik yorumun niteliğine taşınmaktadır.

Yapay zekâ çağında yükseköğretimin gücü, teknolojiyi belirli kurumlarda yoğunlaştırmasından çok farklı bilim alanlarının ortak öğrenme sisteminde teknolojiyi anlayabilmesi, geliştirebilmesi ve sonuçlarını birlikte değerlendirebilmesinden doğacaktır. Risk Zekâsı, dönüşümün karşısında duran bir kontrol mekanizması yerine öğrenme sisteminin kendi değişimini okuyabilmesini sağlayan dağıtılmış akademik muhakeme yeteneği olarak anlam kazanacaktır.

PROF. DR. GÜLSÜN KURUBACAK ÇAKIR- ANKARA HBV ÜNİVERSİTESİ ÖĞRETİM ÜYESİ

KAYNAKÇA

Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing artificial intelligence. MIS Quarterly, 45(3), 1433–1450. https://doi.org/10.25300/MISQ/2021/16274

European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union. https://eur-lex.europa.eu/eli/reg/2024/1689/oj

Jiang, X., & Abdullah, Z. (2026). AI-enabled governance in higher education: A systematic review of applications, outcomes, and emerging implications. Frontiers in Education, 11, 1856440. https://doi.org/10.3389/feduc.2026.1856440

Kolbjørnsrud, V. (2024). Designing the intelligent organization: Six principles for human-AI collaboration. California Management Review, 66(2), 44–64. https://doi.org/10.1177/00081256231211020

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084

Robert, J. (2026, January 12). The impact of AI on work in higher education. EDUCAUSE. https://www.educause.edu/research/2026/the-impact-of-ai-on-work-in-higher-education

Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1