Yapay Zeka Kullanmanın Bilişsel Maliyeti

Mahmut Özer
Mahmut Özer mahmutozer2002@yahoo.com

Yapay zeka artık her yaştan insanın günlük yaşamının ayrılmaz parçası oldu. Özellikle ChatGPT gibi büyük dil modelleri (LLM) kullanan üretken yapay zekâ araçları öğrencilerin ve her meslekten insanın gündelik işlerinde sıklıkla kullanılmaya başlandı.

Metin üretme, diller arası çeviri, grafik oluşturma, özet çıkartma, karşılaşılan sorunlarla ilgili tavsiye ve öneri alabilme gibi özellikler nedeniyle bu uygulamalar bireyler için avantajlı bir seçenek oluşturuyor. Özellikle temel eğitimden yükseköğretime kadar öğrencilerin çoğu artık eğitimlerinin önemli bir destekçisi olarak bu uygulamaları kullanıyor.

Elbette bu tip genel amaçlı teknolojik dönüşümlerin sağladığı faydalar kadar yol açtığı sorunlar ve getirdiği riskler de var. Risklere yönelik tartışmalar genellikle veri güvenliği, yanlı bilgiler üretilerek eşitsizliklerin artmasına katkısı, ürettiği kararların şeffaf olmaması, güncellik sorunu, halüsinasyon görerek doğru olmayan bilgiler üretmesi gibi farklı boyutlarda devam ederken son zamanlarda bu uygulamaların bilişsel maliyeti ile ilgili çalışmalar da birer birer ortaya çıkmaya başladı. Bu kapsamda yeni bir çalışma öğrenme sırasında bilgi toplamak amacıyla büyük dil modellerinin (LLM'ler) kullanılması ile geleneksel arama motorlarının kullanılmasının bilişsel yük ve öğrenme çıktıları üzerindeki etkilerine odaklanıyor (Matthias Stadler, Maria Bannert, Michael Sailer, Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry, Computers in Human Behavior, 2024). Çalışmada 91 üniversite öğrencisi iki gruba ayrılıyor. Bir konuyu araştırarak öneriler oluşturmada gruplardan birisi ChatGPT’yi kullanırken diğeri arama motoru Google’ı kullanıyor.

Bilindiği gibi arama motorları aranan konu ile ilgili web sitelerine yönlendirirken ve dolayısıyla arayanın bu sitelerden bulduğu bilgileri ayıklaması, değerlendirmesi, analiz etmesi ve nihayetinde araştırdığı konu bağlamında anlamlı bir metin oluşturması gerekirken LLM’ler bu yükü arayandan alarak doğrudan kendisi cevap üretmektedir. Bir başka deyişle, arama motoru ile araştırmada arayan içeriğe daha aktif bir şekilde dâhil olurken LLM’lerde nispeten daha pasif bir konumdadır. Bu nedenle bu iki farklı arama yaklaşımının hem üretilen içeriğin niteliği hem de arayanlara yönelik bilişsel yük farklılıklarının ne olduğu yanıtı aranan soruları oluşturuyor.

Çalışmanın bulguları LLM kullanan öğrencilerin bilişsel yükün üç boyutunda da (dışsal, içsel ve yapıcı bilişsel yük) geleneksel arama motoru kullanan öğrencilere göre daha düşük bilişsel yük deneyimlediklerine işaret etmektedir. En büyük fark yapıcı bilişsel yükte ortaya çıkarken en küçük fark dışsal bilişsel yükte oluşmuştur. Dolayısıyla, geleneksel arama motoru kullanan öğrenciler LLM kullanan öğrencilere göre daha fazla derin işlem yapmakta ve gerekçeli metnin oluşturulmasında daha fazla yapıcı bilişsel yük kullanmaktadır. Kısaca, LLM’ler, bilgiye kolay ve hızlı erişim sağlayarak bilişsel yükü azalttığı için öğrencilerin bilgi üzerinde daha az çaba göstermesine ve yüzeysel işleme yönelmelerine yol açmaktadır. Yazarların da vurguladıkları gibi LLM’lerde durum bu iken geleneksel arama görevlerinin daha zorlayıcı olması öğrencileri daha fazla düşünmeye ve bilgiyi işleyerek anlamlı bir yapıya dönüştürmeye sevk etmekte, dolayısıyla daha kalıcı öğrenmeye daha fazla katkıda bulunmaktadır.

Diğer taraftan öğrencilerin oluşturdukları gerekçeli önerilerinin çeşitliliğine yönelik çalışmanın bulguları, klasik arama motoru kullanan öğrencilerin çok daha fazla geçerli argüman oluşturabildiklerini göstermektedir. LLM’ler bilişsel yükleri azaltarak insan katkısını en düşük düzeye çektiği için gerekçe çeşitliliği de düşmektedir. Bu bulgular LLM’ler öğrencilere bilgi sunmakta etkili olsa da, öğrencilerin bunu eleştirel biçimde işleyip yapılandırılmış gerekçelere dönüştürme kapasitelerinin düştüğüne işaret etmektedir. Bir başka deyişle, bilgiye kolay erişim öz-düzenlemeyi ve derin düşünmeyi azaltmaktadır. Çalışmada elde edilen bulgu da LLM kullanımının gerekçe kalitesi üzerindeki etkisinin bilişsel çaba eksikliğinden (düşük yapıcı bilişsel yük) kaynaklandığını açıkça göstermektedir. Dolayısıyla, LLM gibi sistemler, öğrencinin öz-düzenleme becerileri yerine kendisini ikame ettiği için öğrencinin planlama, kontrol etme ve değerlendirme süreçlerini atlatmasına neden olabilmektedir.

Özetle, LLM’leri kullanan ChatGPT gibi üretken yapay zekâ uygulamalarının sağladıkları avantajların insanların bilişsel yükleri üzerinden önemli maliyetleri olduğu görülmektedir. İnsan-makine iletişim ve etkileşiminde yapay zekâ uygulamalarında insan nispeten pasif kalmakta ve özellikle yapısal bilişsel yükü azaldığı için öğrenme yüzeysel kalabilme riski taşımaktadır. Yukarda değinilen çalışmada öğrencilerin ürettikleri gerekçelerin çeşitliliği ile ilgili elde edilen bulgular, uzun vadede öğrencilerin eleştirel düşünme ve bağımsız problem çözebilme becerilerinin zayıflayabileceğini ima etmektedir.

Çünkü bu araçlar nedeniyle içsel ve dışsal bilişsel yükler daha düşük olmasına rağmen bu süreçte ortaya çıkan zaman fazlası geleneksel yönetmeleri kullananlara göre önerilerinde daha nitelikli gerekçeler üretebilmelerini sağlayamamıştır. Yani, LLM’ler öğrenmeyi derinleştiren ve kalıcı kılan zorlayıcı bilgi ve deneyimleme süreçlerinden öğrenciyi kurtarıyor gibi görünmesine rağmen süreç böyle devam ederse uzun vadede öğrencilerin bu melekelerinin gelişimini olumsuz etkileyebilecektir. Dolayısıyla, hem LLM kullanımı hem de üretilen gerekçelerin geleneksel yöntemlere göre daha çeşitli ve daha nitelikli olabilmesini sağlayan yaklaşımlar geliştirilmelidir. Yapay zekâ uygulamalarının özellikle eğitim sisteminde bilişsel etkileşimi ve karmaşık içeriklerle aktif olarak meşgul olmayı teşvik edecek şekilde kullanılması gerekmektedir. Bir başka deyişle üretken yapay zekâ araçları, sadece sağladığı kolaylıklarla değil, nasıl kullanıldıkları ve ne tür bilişsel süreçleri tetikledikleriyle birlikte değerlendirilmelidir.

Tüm yazılarını göster