AI Öğrenci Başarı Analizi & Erken Uyarı

Bu sistem, öğrenci sayısının öğretmenin bireysel takibini güçleştirdiği ve rehberlik biriminin erken sinyal almakta güçlük çektiği her eğitim ortamı için tasarlanmıştır. Sınıf mevcutları büyüdükçe her öğrencinin akademik seyrini ayrı ayrı izlemek giderek olanaksızlaşır; sistem tam bu noktada devreye girerek veriyi insanın işleyemeyeceği hızda okur ve öncelikli vakaları öne çıkarır.

• Özel okullar ve liselerin rehberlik birimleri: Sınıflar arası başarı farklılıklarını ve bireysel gerileme trendlerini merkezi olarak izlemek, rehber öğretmenin haftalık gündemini veriye dayalı biçimde oluşturmak isteyen kurumlar. Sistem, rehberlik görüşme önceliklerini rastlantıya değil risk skoruna göre belirler.
• Büyük dershaneler ve YKS/LGS hazırlık kursları: Yüzlerce öğrencinin deneme sınav notlarını, katılım oranlarını ve ödev teslim geçmişlerini elle takip etmek yerine sistemin önceliklendirmesiyle çalışmak isteyen kurumlar. Eğitmen, gerileme yaşayan öğrenciye sezgiyle değil, otomatik uyarıyla ulaşır.
• Etüt merkezleri: Veliye aylık karne döngüsü yerine haftalık veya anlık sinyal vererek veli güvenini artırmak ve veli-kurum iletişimini proaktif temele oturtmak isteyen merkezler. "Neden daha önce söylemediniz?" sorusunun önüne geçmek için kritik bir araçtır.
• Çok şubeli eğitim grupları: Şubeler arası başarı kıyaslaması yaparak kaynak ve eğitmen dağılımını optimize etmek, hangi şubede sistematik akademik risk bulunduğunu veri odaklı biçimde tespit etmek isteyen yönetim ekipleri.
• Öğrenci koçluğu platformları: Koçların hangi öğrenciye önce odaklanması gerektiğini veriye dayalı biçimde belirlemek istediği, bireysel seansları daha verimli planlamak için nesnel bir başlangıç noktasına ihtiyaç duyan hizmet modelleri.

Sistemin fayda sağlaması için kurumun halihazırda en az bir dijital veri kaynağı — not girişi, devamsızlık kaydı veya sınav takip uygulaması — kullanıyor olması yeterlidir. Veri tabanına API entegrasyonu, Excel/CSV periyodik yükleme ve doğrudan veritabanı bağlantısı olmak üzere birden fazla bağlantı yöntemi desteklenir. Küçük ölçekli kurslar için 60.000 ₺ bandında temel paket, kurumsal entegrasyon gerektiren büyük yapılar için 150.000 ₺ aralığında kapsamlı kurulum sunulmaktadır. Her iki pakette de keşif görüşmesi ücretsizdir.

Bir öğrencinin üç haftadır ödevini teslim etmediğini, devamsızlığının belirgin biçimde arttığını ve son iki deneme sınavında notunun ciddi düşüş sergilediğini fark etmek için genellikle değerli zaman kaybedilir. Öğretmen kalabalık sınıfta her bireyi eş zamanlı izleyemez; rehberlik birimi ise sorun yeterince büyüyüp not defterine yansımadan, hatta veli şikâyeti gelmeden harekete geçemiyor olabilir. Bu gecikme yalnızca eğitimsel değil, kurumsal ve ilişkisel açıdan da pahalıya mal olur.

Gecikmeli farkındalığın yarattığı somut sonuçlar şöyle sıralanabilir:

• Zamanında yapılabilecek kısa bir motivasyon görüşmesi ya da konu tekrarı, birkaç hafta ertelendikten sonra telafi edilmesi çok daha güç bir akademik açığa dönüşür. Erken müdahalenin maliyeti her zaman geç müdahalenin maliyetinden düşüktür.
• Veliler "neden daha önce söylemediniz?" sorusunu sorar; kurumun şeffaflık ve özen algısı zedelenir, dönem sonunda yenileme oranı düşer.
• Öğretmen rehberlik görüşmesi için en çok kimin öncelikli olduğunu sezgiyle ya da sınıf sıralamasına bakarak belirler; bu yöntem sistematik olarak en sessiz ama en riskli öğrenciyi gözden kaçırır.
• Şubeler arası veya dönemler arası karşılaştırma mümkün olmadığı için hangi sınıfın ya da şubenin kronik bir sorun yaşadığı ancak çok geç anlaşılır.

Yapay zekâ destekli erken uyarı sistemi bu boşluğu veri düzeyinde kapatır. Öğrencinin tarihsel başarı seyrini, güncel not hareketlerini, devamsızlık frekansını ve ödev teslim oranını birlikte değerlendirerek her öğrenci için bir risk skoru üretir. Bu skor kurumun belirlediği eşiği geçtiğinde öğretmen ve rehberlik birimi otomatik bildirim alır; böylece müdahale fırsatı, sonuçlar kronikleşmeden açık kalır.

Önemli dürüstlük notu: Sistem bir karar makinesi değil, öneri ve uyarı aracıdır. Üretilen risk skoru istatistiksel bir işarettir; öğrencinin yaşadığı aile meselesi, sağlık durumu ya da motivasyonel dalgalanma gibi bağlamsal faktörleri kapsamaz. Nihai değerlendirme ve müdahale biçiminin belirlenmesi her koşulda öğretmenin ve rehberlik uzmanının insani yargısına aittir. Sistem bu yargıyı devralmaz; yalnızca hangi öğrencinin önce incelenmesi gerektiğini öne çıkarır.

1. Veri bağlantısı ve keşif (1–2 hafta): Mevcut not, devamsızlık ve sınav sistemlerinizin API'si ya da dışa aktarım formatı incelenir. Hangi veri noktalarının modele dahil edileceği, hangi sıklıkla veri güncelleneceği ve bildirimlerin kime gideceği birlikte kararlaştırılır. Bu aşamanın amacı sistemi kurumun gerçek veri akışına hizalamaktır; hazır şablona değil, kurumunuza özel haritalama yapılır.
2. Model kurulumu ve kalibrasyonu (2–4 hafta): Makine öğrenmesi modeli kurumunuzun tarihsel verileriyle beslenir ve eğitilir. Risk eşikleri — düşük, orta, yüksek — kurumun pedagojik tercihlerine ve geçmiş dönemlerdeki müdahale eşiği anlayışına göre ayarlanır. Bu aşamada modelin ürettiği risk sinyalleriyle rehberlik biriminin geçmişte kendi gözlemiyle fark ettiği vakalar karşılaştırılarak kalibrasyon doğrulanır.
3. Panel ve bildirim entegrasyonu (2–3 hafta): Öğretmen ve yönetici panosu kurulur; her öğretmen yalnızca kendi öğrencilerinin risk özetini görür. E-posta, SMS veya kurumun kullandığı dahili bildirim kanallarına bağlantı yapılır. Bildirim sıklığı ve içeriği kurum tarafından özelleştirilebilir.
4. Pilot dönem (2–3 hafta): Seçili bir şube ya da sınıfta canlı izleme başlar. Sistemin ürettiği risk sinyalleriyle öğretmenlerin yerinde gözlemleri karşılaştırılır; yanlış alarm oranları ve gözden kaçan vakalar ölçülerek model ince ayar görür. Pilot aşaması tamamlanmadan genel yayılıma geçilmez.
5. Tam kurumsal yayılım ve eğitim: Tüm öğrenciler ve şubeler sisteme dahil edilir. Öğretmen, rehberlik uzmanı ve yöneticilere yönelik ayrı eğitim oturumları düzenlenir; risk skorunu nasıl okuyacakları, nasıl yorumlayacakları ve bildirimlere nasıl yanıt verecekleri somut örneklerle aktarılır.

Sistem aşağıdaki veri kaynaklarını tek bir risk profilinde birleştirebilir:

Her veri kaynağının modeldeki ağırlığı pilot aşamasında kuruma özgü gözlemlerle kalibre edilir. Böylece farklı kurum tiplerinde — yoğun devamsızlık takibi yapan okul ile ağırlıklı olarak sınav verisi toplayan dershane — model aynı çerçevede farklı parametre ağırlıklarıyla çalışır.

Öğrenci verileri — özellikle reşit olmayanların akademik performans bilgileri, devamsızlık kayıtları ve davranış notları — kişisel veri niteliği taşır ve Kişisel Verilerin Korunması Kanunu (KVKK) çerçevesinde işlenmesi açık rıza ya da kanuni dayanak gerektirir. Bu sistemin tasarımı bu yükümlülüğü baştan gözetir.

• Veri yerleşimi: Sistem Türkiye sınırları içindeki sunucularda barındırılır; öğrenci verisi yurt dışına aktarılmaz. Yapay zekâ işleme katmanlarına gönderilen içerik, kimlik bilgisi içermeyen anonim istatistiksel örüntüler biçiminde iletilir.
• Şifreleme: Tüm API bağlantıları TLS 1.2+ ile şifrelenir; veritabanında öğrenci kimliği, iletişim bilgileri ve akademik kayıtlar gibi hassas alanlar AES-256 ile korunur.
• Rol tabanlı erişim: Her öğretmen yalnızca kendi öğrencilerinin verilerini ve risk özetlerini görür. Rehberlik uzmanı birim bazında görünüm alabilir; kurum yöneticisi anonim istatistiksel raporlara erişir. Erişim hakları atama ve iptal işlemleri yönetici panelinden anlık yürütülür.
• Denetim izi: Sisteme yapılan her erişim, veri güncellemesi ve bildirim eylemi zaman damgalı denetim loguyla kaydedilir. KVKK'nın öngördüğü veri ihlali bildirim yükümlülüğüne uygun otomatik uyarı mekanizması mevcuttur.
• Açık rıza ve aydınlatma: Teslimatta kurumun kullanabileceği KVKK uyumlu Aydınlatma Metni taslağı ve Veri İşleme Sözleşmesi örneği sunulur. Reşit olmayan öğrenciler için veli onayı sürecine ilişkin yönlendirme ayrıca verilir.
• Model gizliliği: Yapay zekâ modelinin eğitiminde kullanılan veriler yalnızca o kuruma aittir; başka kurumlarla paylaşılmaz ve modelin genel havuzuna dahil edilmez. Her kurumun risk modeli kendi verileriyle özelleştirilmiş olarak ayrı tutulur.
• Saklama ve imha politikası: Öğrenci verileri kurumun belirlediği azami süre boyunca saklanır; süre dolunca imha prosedürü uygulanır ve bu işlem denetim loguyla kayıt altına alınır. Mezun veya kaydı silinen öğrencilere ait veriler kurumun veri envanterinden çıkarılır; bu süreç KVKK'nın silme ve yok etme yükümlülüklerine uyum sağlar.