Gamfed Türkiye Kaptanı Bahadır Sansarcı yazıyor: Yapay Zeka Akademide Sizi Kurtarmıyor — Sizi İhbar Ediyor!
| YAPAY ZEKA & EĞİTİM EŞİTSİZLİĞİ |
| 81.663 üniversite başvurusunu inceleyen yeni bir araştırma, yapay zekanın aslında kimi kayırdığını — ve kimi cezalandırdığını — rakamlarla gözler önüne seriyor. |
| 81.663 İNCELENEN BAŞVURU | 2× DÜŞÜK GELIRLI ÖĞRENCININ ALDIĞI CEZA | %28 DAHA FAZLA YZ KULLANIMI |
Diyelim ki iki öğrenci var. İkisi de aynı üniversiteye başvuruyor. İkisi de aynı not ortalamasına, aynı sınav puanına sahip. İkisi de başvuru mektuplarını yazarken ChatGPT’den yardım alıyor — tam olarak aynı miktarda.
Birinin ailesi zengin. Diğerinin değil.
Sonuç? Zengin öğrencinin kabul şansı yaklaşık %11 düşüyor. Yoksul öğrencinin ise %22. Aynı yapay zeka kullanımı, iki katı ceza.
Bu kulağa adil gelmiyor. Çünkü değil.
Cornell ve Carnegie Mellon üniversitelerinden bir araştırma ekibi, 2020 ile 2024 yılları arasında seçici bir ABD üniversitesine gönderilen 81.663 başvuruyu inceledi. Bulguları hem çarpıcı hem de son derece rahatsız edici.
· · ·
Bölüm 01
Herkes ChatGPT Kullanıyor. Ama Herkes Aynı Şekilde Değil.
2022 sonunda ChatGPT dünyaya açıldığında herkes aynı soruyu sormaya başladı: “Bu araç eğitimi demokratikleştirecek mi?” Mantık basitti — varlıklı öğrencilerin özel yazım koçları ve danışmanları vardı; yoksul öğrencilerin yoktu. Ama artık yapay zeka ücretsizdi ve herkese açıktı. Oyun alanı düzlenecekti.
Araştırmacılar da tam bunu test etti. Ve ilk bulgu gerçekten umut vericiydi: 2024 yılında her iki grup da yapay zekayı yoğun biçimde benimsedi.
Yapay Zeka Kullanım Dağılımı — GPT Sonrası Dönem (2024)
| YG — yoğun kullanım | %18,7 |
| DG — yoğun kullanım | %22,7 (+%21) |
| YG — ort. alfa skoru | 0,080 |
| DG — ort. alfa skoru | 0,102 (+%28) |
| ARAŞTIRMA BULGUSU Düşük gelirli öğrenciler 2024’te yapay zekayı yüksek gelirli öğrencilere kıyasla %28 daha fazla kullandı. Özel ders alamayanlar için yapay zeka gerçekten bir ikame görevi gördü. |
Bu aslında tam da beklenen şeydi. Özel yazım koçu tutamayanlar için ChatGPT bir fırsat eşitleyicisiydi. Rasyonel, makul, anlaşılır bir tercih.
Ama işte burada hikaye çarpıcı bir kıvrım yapıyor.
· · ·
Bölüm 02
Kabul Komitesi Fark Ediyor.
Araştırmacılar her başvuru mektubunun ne kadarının yapay zeka tarafından üretildiğini tahmin eden bir ölçüm sistemi geliştirdi. 0 ile 1 arasında bir skor — 0 tamamen insan yazımı, 1 tamamen yapay zeka.
Ardından bu skoru kabul kararlarıyla ilişkilendirdiler. Ve gördükleri şey basit bir “yapay zeka kullanma, ceza yersin” hikayesi değildi. Asıl mesele, cezanın kime uygulandığıydı.
Kabul Oranları — GPT Öncesi ve Sonrası
| Dönem | Yüksek Gelir | Düşük Gelir | Fark |
| GPT öncesi (2020–2023) | %23,6 | %12,9 | 10,7 pp |
| GPT sonrası (2024) | %26,3 ↑ | %12,3 ↓ | 14,0 pp |
| Değişim | +2,7 pp | −0,6 pp | Uçurum +%31 |
YZ Kullanımının Kabul Şansını Düşürme Oranı
| Yüksek gelirli | %62 düşüş |
| Düşük gelirli | %83 düşüş — 1,85× daha ağır |
| Erişimi eşitleyen araç, sonuçları eşitlemedi. Aksine, uçurumu derinleştirdi. Lee ve ark., 2026 — arXiv:2602.17791 |
Üstelik araştırmacılar not ortalaması, sınav puanı, okul türü, cinsiyet, birinci kuşak öğrenci olup olmama gibi onlarca değişkeni kontrol ettiler. Fark yine de kaldı. Yani bu eşitsizliği “zaten başlangıçta farklı profillerdi” diye açıklamak mümkün değil.
· · ·
Bölüm 03
Peki Neden? Üç Olası Açıklama.
Aynı Araç — Farklı Kullanım — Farklı Sonuç
| YÜKSEK GELIRLI ÖĞRENCI → Soyut, stratejik istemler yazıyor → YZ çıktısını kendi sesiyle harmanlıyor → Yapay zeka izi görünmez hale geliyor → Profiliyle tutarlı ton yakalıyor → → Daha az şüphe, daha az ceza | DÜŞÜK GELIRLI ÖĞRENCI → “Benim için şunu yaz” tarzı direkt istemler → YZ çıktısını olduğu gibi kullanıyor → Yapay zeka izleri belirgin kalıyor → Parlaklık profiliyle çelişiyor → → Daha fazla şüphe, daha ağır ceza |
1. “İz Bırakma” Sorunu
Yapay zekayı etkili kullanmak bir beceri — ve bu beceri eşit dağılmış değil. Varlıklı ailelerin çocukları daha soyut, stratejik istemler yazıyor; yapay zekanın çıktısını kendi sesleriyle harmanlıyor. Düşük gelirli öğrenciler ise daha doğrudan istemler yazıyor. Yapay zekanın izleri daha belirgin kalıyor. Ve okuyucu fark ediyor.
2. “Bunu Sen mi Yazdın?” Şüphesi
Kabul komitesi yalnızca metni değerlendirmiyor; profili de değerlendiriyor. Düşük sosyoekonomik geçmişten gelen bir öğrencinin mektubunda beklenmedik bir parlaklık gördüklerinde şüphe ateşleniyor: “Bu gerçekten onun sesi mi?” Bu bilinçsiz bir önyargı. Ama gerçek.
3. Yapay Zekanın Kültürel Körlüğü
ChatGPT büyük ölçüde eğitimli, Batılı, ayrıcalıklı yazarların metinleriyle eğitildi. Ürettiği metin “sofistike” görünüyor — ama bir kalıbın içinde. Okuyucu, o kalıbı bir düşük gelirli öğrencinin özgün sesinden beklediğiyle eşleştiremiyor.
| KRITIK BULGU Araştırmacılar ölçülebilir dilsel özellikleri kontrol ettiğinde, fark yalnızca %7,1 azaldı. Asıl mekanizma başka bir yerde — muhtemelen değerlendirme sürecinin içinde. |
· · ·
Bölüm 04 : Dijital Uçurum Ölmedi. Evrildi.
Dijital Uçurumun Üç Kuşağı
| Dönem | Uçurumun Biçimi | Asıl Soru |
| 1990’lar–2000’ler | 1. düzey: Erişim uçurumu | Bilgisayarın var mı? |
| 2000’ler–2010’lar | 2. düzey: Kullanım uçurumu | İnterneti nasıl kullanıyorsun? |
| 2020’ler — Şimdi | 3. düzey: Getiri uçurumu | Erişim sana ne kazandırıyor? |
Şimdi üçüncü düzey var: Herkese açık, ücretsiz yapay zeka araçları — ama eşit olmayan getiriler. Erişim eşitlendi. Kullanım becerisi eşitlenmedi. Değerlendirme sistemi hiç değişmedi.
| Yapay zeka eşitsizliği ortadan kaldırmıyor. Onu görünmez hale getiriyor — ta ki sonuçlar ortaya çıkana dek. |
· · ·
Bölüm 05 : Rakamlar Neyi Söylüyor?
Dilsel Özellikler — GPT Sonrası, YZ Kullananlar Arasında
| Gösterge | Yüksek Gelir | Düşük Gelir | Fark |
| Ortalama kelime sayısı | 621 | 601 | −%3,2*** |
| Benzersiz kelime türleri | 320 | 306 | −%4,3*** |
| Sözcük çeşitliliği (MTLD) | 95,8 | 90,9 | −%5,1*** |
| Sözcük tekrarı (Yule’s K) | 108,4 | 112,0 | +%3,3*** |
Yüzeysel olarak bakınca bu iyi bir haber gibi görünüyor: metinler birbirine benzemeye başlıyor. Ama daha derin düşününce bu bir alarm zili. Kabul mektupları insanları birbirinden ayırt etmek için var. Herkesinkisi birbirine benzemeye başlarsa bu ayrıştırma işlevi çöküyor. Ve tam o noktada okuyucu, profil uyumunu sorgulamaya başlıyor. Yoksul öğrencinin “çok parlak” mektubu şüphe uyandırmaya başlıyor.
· · ·
Bölüm 06 : Peki Şimdi Ne Yapmalı?
Araştırmacılar son derece dürüst: nedenselliği kanıtlayamıyorlar. Bu bir korelasyon çalışması. Ama 81.663 başvuruyu, beş yılı, onlarca kontrol değişkenini kapsayan tutarlı bir örüntü var ortada.
| KURUMLAR IÇIN “İyi yazılmış mektup = iyi aday” denklemini yeniden düşünme zamanı. Değerlendirme rubriklerinin anlatı özgünlüğüne, deneyimsel ayrıntıya, yansıtma derinliğine ağırlık vermesi gerekiyor. |
| ÖĞRENCILER IÇIN Yapay zekayı kullanmak sorun değil — ama nasıl kullandığınız çok önemli. Metni sıfırdan yazdırmak yerine kendi düşüncelerinizi yapay zekayla rafine etmek çok farklı bir sonuç doğuruyor. Sesinizi kaybetmeyin. |
| HEPIMIZ IÇIN “Yapay zeka eğitimi demokratikleştirecek” anlatısını daha dikkatli sorgulamak gerekiyor. Erişim bir demokratikleşme değil; yalnızca ilk adım. Asıl soru şu: bu araçlara erişim kime nasıl bir getiri sağlıyor? |
Son Söz: Araç Değişti, Sistem Değişmedi
Bu araştırmanın bıraktığı en ağır his şu: düşük gelirli öğrenciler tam da yapılması gereken şeyi yaptı. Ellerindeki kıt kaynaklara rasyonel bir yanıt olarak, ücretsiz ve erişilebilir bir aracı benimsediler.
Ve bu rasyonel tercih, değerlendirme sisteminin değişmemiş olması nedeniyle onların aleyhine işledi.
Eşitsizlik ortadan kalkmadı. Sadece biçim değiştirdi. Daha görünmez, daha teknik, daha “nesnel” bir kılığa büründü.
Yapay zeka araçları gerçekten demokratikleşmeye hizmet edecekse, yalnızca erişimi değil; kullanım becerisi eğitimini, değerlendirme sistemlerinin yeniden tasarımını ve okuyucu önyargılarının dürüstçe sorgulanmasını da kapsayan bütünlüklü bir dönüşüm gerekiyor. Araç değişti. Sistem değişmedi. Ve bu fark, her şeyi anlatıyor.
Kaynakça:
Lee, J., Borchers, C., Alvero, A.J., Joachims, T., & Kizilcec, R.F. (2026). “The Digital Divide in Generative AI: Evidence from Large Language Model Use in College Admissions Essays.” arXiv:2602.17791. Cornell University & Carnegie Mellon University.
Bu makale söz konusu araştırmanın bulgularına dayalı bağımsız bir sosyolojik yorumdur. Araştırmanın gözlemsel niteliği nedeniyle nedensel iddialar değil, güçlü ilişkisel örüntüler söz konusudur.
Yorum gönder