Çapraz Kültürel İngilizce Yazma Öğretimi için DeepSeek İstemi Optimizasyonu: Transfer Yeterliliği Üzerine Pratik Bir Çalışma

Özet

Bu çalışma, kültürlerarası bağlamlarda İngilizce yazma transfer yetkinliğini artırmak için DeepSeek tabanlı katmanlı bir istem optimizasyon çerçevesi geliştirmektedir. Üç aşamalı bir istem zinciri ve 60 İngilizce bölümü öğrencisi ile yürütülen yarı deneysel bir çalışma sonucunda, deney grubunda kontrol grubuna kıyasla anlamlı bir gelişme olduğu görülmüştür.

Özet

Geleneksel İngilizce yazma öğretiminin dil aktarımının sistematik olarak geliştirilmesini ihmal etmesi ve mevcut istem (prompt) çerçevelerinin sınıf içi öğretime uyum sağlamaması sınırlamalarını gidermek amacıyla, bu çalışma DeepSeek modeli tabanlı, cümle, paragraf, söylem ve kültür olmak üzere dört aşamalı görev seviyesini kapsayan ve tüm görevlerin üçlü formda tanımlandığı hiyerarşik bir aktarım eğitim sistemi oluşturmaktadır. Sözdizimi, yapı, kültür, sicil (register) ve mantığı kapsayan beş boyutlu bir görev kütüphanesi kurulmuş ve öğrencilerin gerçek yazma taslaklarından hedef odaklı istemler otomatik olarak üretilmiştir. Modelin Uzmanlar Karışımı (Mixture of Experts - MoE) mimarisi ile entegre edilen iç içe geçmiş bir istem zinciri, karmaşık ödevleri üç sıralı aşamaya ayırmak için geliştirilmiştir: anlamsal yeniden düzenleme, dilsel revizyon ve kültürel adaptasyon. Yarı deneysel bir tasarım benimseyen bu araştırma, bir üniversiteden 60 ikinci sınıf İngilizce bölümü öğrencisini seçmiş ve onları üç eğitim turu boyunca üç haftalık aşamalı müdahaleye tabi tutulmak üzere, her birinde 30 öğrenci bulunan bir deney grubu ve bir kontrol grubu olarak atamıştır. Deney sonrası sonuçlar, deney grubunun kültürel aktarım puanının 2,8'den 4,5'e yükseldiğini, kontrol grubunda ise bu artışın yalnızca 0,3 olduğunu ortaya koymuştur; deney grubunun öğretmen tarafından değerlendirilen ortalama puanı 59,1'den 74,4'e yükselirken, kontrol grubunda bu puan 60,1'den 64,9'a çıkmıştır. Yapay zeka puanlaması ile öğretmen değerlendirmesi arasındaki korelasyon katsayılarının çoğu 0,8'in üzerindedir ve katılımcıların %90'ından fazlası yapay zeka ile yeniden yazma ve yapısal optimizasyon fonksiyonlarını onaylamaktadır. Bu denemedeki küçük örneklem boyutuna rağmen, söz konusu optimizasyon yaklaşımının üniversite İngilizce yazma derslerinde uygulanması fizibledir.

Giriş

Çapraz kültürel bir bağlamda İngilizce yazma öğretiminde, ana dili İngilizce olmayan öğreniciler, dil bilgisinden pratik uygulamaya geçiş yaparken genellikle yetersiz aktarım yeteneği sorunuyla karşılaşırlar^1,2. Öğrenciler belirli bir dil bilgisi ve kelime dağarcığı temeline sahip olsalar da, cümle kalıplarını, yapılarını ve kültürel ifadeleri etkili bir şekilde gerçek yazıya dönüştürmekte zorlanırlar; bu durum, kalıplaşmış bir dil çıktısına ve sınırlı düşünceye yol açarak nihayetinde genel yazım kalitesini etkiler³. Ek olarak, dil yapısı, mantıksal organizasyon ve pragmatik normlardaki çapraz kültürel farklılıklar, yazma aktarımının karmaşıklığını daha da artırmaktadır⁴. Son yıllarda, büyük dil modelleri (LLM'ler) yazma öğretimi için yeni teknik destek sağlamıştır⁵. DeepSeek gibi akıllı yazma araçları, dil üretimi ve yeniden yapılandırmada güçlü yetenekler sergilemiştir. Ancak öğretim uygulamalarında, bu araçlar çoğunlukla yüzeysel dil düzeltmeleriyle sınırlı kalmış ve aktarım yeteneğini geliştirmeye odaklanan öğretim sürecine henüz derinlemesine entegre edilmemiştir. Bu araçlar, öğretim hedefi yöneliminden ve üretim davranışının kontrol edilebilirliğinden yoksundur^6,7. Yaygın AI destekli yazma uygulamaları, işlevlerini sistemli aktarım yetkinliğinin geliştirilmesini hedeflemek yerine çoğunlukla yüzeysel dil bilgisi hata düzeltmeleriyle sınırlandırmakta, bu da model çıktıları üzerinde öğretim odaklı kontrolün zayıf olmasına neden olmaktadır.

ESL yazma desteği üzerine mevcut araştırmalar üç ana kategoriye ayrılmaktadır: geleneksel istem odaklı yazma geri bildirimi, genel yapay zeka düzeltme müdahalesi ve manuel merkezli aktarım eğitimi. İlk olarak, genel istem mühendisliği araştırmaları, hiyerarşik aktarım öğretimi hedefleriyle eşleşmeksizin soru yanıtlama ve metin yeniden yazımının teknik optimizasyonuna öncelik vermektedir^8,9. İkinci olarak, tipik ChatGPT tabanlı ESL özel dersleri, katmanlı sözdizimsel, yapısal ve kültürlerarası aktarım geliştirilmesinden ziyade genel yazma doğruluğunun artırılmasına odaklanmaktadır¹⁰. Üçüncü olarak, taklit ve karşılaştırmalı yazıma dayanan geleneksel aktarım pedagojisi, akıllı araçlar tarafından desteklenen kapalı döngü geri bildirimden yoksundur¹¹. Önceki çalışmalardan farklı olarak bu araştırma, çok seviyeli öğretim hedefleriyle uyumlu, aktarım odaklı hiyerarşik istemler özelleştirmekte ve örnek odaklı bir istem otomatik oluşturma iş akışı kurarak; model üretimi, öğretmen geri bildirimi ve öğrenci revizyonunu birleştiren benzersiz bir kapalı döngü eğitim mekanizması oluşturmaktadır.

Önceki literatür; dilsel kültürel farklılaşma, modelin yapısal kısıtlamaları ve kopuk sınıf uygulamaları arasında potansiyel bir bağlantı olduğunu öne sürmektedir, ancak böyle bir nedensel zincir mevcut ampirik çalışmalarda yeterince doğrulanmamıştır ve bu durum, mevcut makalede incelenecek olan temel araştırma hipotezini oluşturmaktadır^12,13. Bu makalede değinilen DeepSeek'in doğal özelliklerine gelince, açık talimat arayüzü ve MoE tabanlı uzman yönlendirme tasarımı, mevcut model teknik raporlarında ve uygulamalı dil araştırmalarında belgelenmiştir. Belgelenmiş bu model özelliklerinden yola çıkarak, bu çalışma karmaşık kültürlerarası aktarım görevlerini parçalamak için iç içe geçmiş istem zincirleri tasarlamakta ve farklılaştırılmış aktarım ödevleri için dinamik alt model zamanlama kuralları geliştirmektedir. Yapılandırılmış aktarım yeteneği geliştirmeye odaklanan bu çalışma, büyük dil modellerini genel metin düzenleme araçlarından üniversite İngilizce yazma eğitimi için özelleştirilmiş aktarım eğitim sistemlerine dönüştürmeyi hedefleyerek, hedeflenmiş DeepSeek istem optimizasyonunu araştırmaktadır.

İkinci dil yazma araştırmaları alanında, aktarım fenomeni uzun süredir temel bir konu olmuştur^14,15. Geleneksel dil aktarım teorisi, özellikle fonetik, kelime dağarcığı ve sözdizimine vurgu yaparak, ana dilin hedef dil edinme süreci üzerindeki pozitif ve negatif aktarım etkilerine odaklanmaktadır¹⁶. Mirzayev E, İkinci Dil olarak İngilizce (ESL) yazma öğretiminde, birinci dilden gelen negatif aktarımın öğrencilerin yazma becerilerinin gelişimini sınırlayan temel bir faktör olmaya devam ettiğini belirtmiştir¹⁷. Araştırma kapsamı genişledikçe, akademik camia odağını kademeli olarak yazı yapısı aktarımına genişletmiştir¹⁸. Ara dil yazımlarında, birçok faktör nedeniyle sıklıkla dil hataları ve fosilleşme görülür¹⁹. Aynı zamanda, bilişsel aktarım teorisi de giderek daha fazla dikkat çekmektedir²⁰. Bu teori, yazma sürecindeki bilişsel organizasyon ve ifade kalıpları arasındaki farkları vurgular. Örneğin, Batı tarzı yazım doğrusal akıl yürütmeyi ve açık mantığı vurgularken, Çin geleneği sarmal bir yaklaşımı ve anlamsal belirsizliği tercih eder. Bu ikisi arasında belirgin bir gerilim vardır. Bu nedenle, dil aktarımı sadece dil birimlerinin dönüştürülmesini değil, aynı zamanda daha derin bir düzeyde düşünce yapılarının ve kültürel ifade normlarının uyarlanmasını ve dönüştürülmesini de içerir ki bu, güncel İngilizce yazma öğretiminde önemli bir zorluktur²¹.

Aktarım yeteneğini geliştirme uygulamalarında, mevcut çalışmalar genellikle öğrenicilerin hedef dil aktarım mekanizmasını anlamalarını ve uygulamalarını geliştirmek için taklitçi yazma²², karşılaştırmalı yazma²³ ve çeviri eğitimi²⁴ gibi stratejiler kullanmaktadır. Taklitçi yazma, temel söylem yeteneğinin oluşturulmasına yardımcı olur ancak kolayca yapısal katılığa yol açabilir; karşılaştırmalı yazma, dil stilini ve kültürel farkındalığı geliştirebilir ancak sistematik görev katmanlandırmasından ve kişiselleştirilmiş geri bildirimden yoksundur; çeviri eğitimi kültürel metafor tanımayı teşvik edebilir ancak rehberlik olmadan kolayca anlamsal sapmalara veya pragmatik uygunsuzluklara neden olabilir. Yukarıdaki stratejiler öncelikle manuel gösterime ve deneyimsel rehberliğe²⁵ dayanmakta olup, aktarım stratejilerinin açık inşasından ve sistematik geri bildirim mekanizmalarından yoksundur; ayrıca dil yeterliliğindeki ve bilişsel stillerdeki bireysel farklılıklara uyum sağlamaları zordur. Bazı çalışmalar aktarım eğitimini çeşitlendirilmiş yazma görevleri aracılığıyla genişletmeye çalışmış olsa da^26,27, öğretim süreci henüz "aktarım hedefi-dil üretimi-strateji geri bildirimi" şeklinde kapalı bir döngü oluşturmamıştır; aktarım stratejilerinin içselleştirilme etkisi sınırlıdır ve öğrencilerin gerçek yazma görevlerindeki aktarım yeteneği gelişimi hâlâ yetersizdir²⁸.

Büyük dil modeli teknolojisinin gelişmesiyle birlikte, bu teknolojinin dil öğretimindeki yardımcı potansiyeli giderek daha fazla dikkat çekmeye başlamıştır²⁹. ChatGPT (Chat Generative Pre-trained Transformer)³⁰ ve DeepSeek³¹ tarafından temsil edilen üretken yapay zeka araçları; metin parlatma, dil yeniden yazımı ve dil düzenlemesi gibi senaryolarda yaygın olarak kullanılmaktadır. Diasamidze ve arkadaşları, ChatGPT kullanan ESL öğrencilerinin dil bilgisel doğruluk, kelime dağarcığı zenginliği ve metin organizasyon yeteneği açısından geleneksel öğretim grubundan daha iyi performans gösterdiğini saptamıştır³². Ancak mevcut uygulamalar çoğunlukla yüzeysel dil işleme ile sınırlıdır ve aktarım hedefleri konusunda sistematik rehberlikten yoksundur. Ranade, güncel eğitim senaryolarındaki istem tabanlı projelerin çoğunlukla genel şablonlara dayandığını ve üretilen içeriğin bağlamsal adaptasyon ve görev özgüllüğü eksikliği yaşadığını belirtmiştir³³. Ayrıca, ana akım model eğitimi açık bir derlemeleme (corpus) üzerinden yürütülmekte olup Çince ve İngilizce kültürel ifadeler arasındaki farkların derinlemesine modellenmesinden yoksundur. Üretilen metinlerde kültürel uygunsuzluklar ve doğal olmayan pragmatik yapıların ortaya çıkma eğilimi vardır^34,35; bu durum, teknolojinin kültürlerarası yazı aktarım öğretimindeki derinlemesine uygulamasını sınırlamaktadır.

Protokol

Etik onay

Deney öncesinde, yazarlar kolejden onay almış (Onay Numarası: NBCC-ETH-2026-037) ve tüm öğrenci katılımcılara bilgilendirilmiş onam formları dağıtmıştır. Tüm öğrenciler; araştırma amaçları, deneysel prosedürler ve veri kullanım düzenlemeleri hakkında açıkça bilgilendirilmiştir. Katılım gönüllülük esasına dayalıdır ve katılımcılar istedikleri zaman çalışmadan çekilebilmişlerdir. Gizliliği korumak amacıyla tüm kişisel veriler ve yazılı çalışmalar anonim hale getirilmiş ve yalnızca akademik analizler için kullanılmıştır. Toplam 60 katılımcı, araştırmaya yer almadan önce onam formunu imzalamıştır. Katılımcılar, aynı yüksek meslek yüksekokulundaki paralel iki ikinci sınıf İngilizce yazma dersinden, uygunluk örneklemesi yöntemi kullanılarak seçilmiştir. Dahil edilme kriterleri şunları içermekteydi: CET-6 sınavını şu puanla geçmek > 425 kişi, bu dönem hiç devamsızlık yapmamış ve son iki ünite yazılı sınavından ortalama puanlar almış. Dışlama kriterleri şunları içermekteydi: ders dışında ticari İngilizce yapay zeka yazma yazılımlarının uzun süreli kullanımı ve ağır disleksi.

Tüm sürekli sonuç değişkenleri için değişkenlik, ortalama ± standart sapma (SD) olarak raporlanmıştır. Tüm analizler, grup başına n = 30 katılımcı (deney grubuya karşı kontrol grubu), toplam N = 60 örneklem büyüklüğü ile gerçekleştirilmiştir. Boylamsal tekrarlanan ölçüm verileri için, grup ve zamanın ana etkilerini ve grup-zaman etkileşimini incelemek amacıyla tekrarlanan ölçümler varyans analizi (RM-ANOVA) kullanılmıştır. Münferit zaman noktalarındaki post-hoc ikili karşılaştırmalar için bağımsız örneklemler t-testleri kullanılmıştır. Kontrol grubu, geleneksel yazma eğitimiyle birlikte genel, ücretsiz ve özelleştirilmemiş bir yapay zeka yazma aracı (kademeli istemler veya aktarım odaklı şablonlar olmaksızın) almıştır. Bu çalışmada kullanılan özelleştirilmiş iç içe geçmiş istem zinciri ve beş seviyeli görev kütüphanesi müdahalesinin eksikliği dışında; eğitim saatleri, yazma görevleri, geri bildirim sıklığı ve eğitim metinleri deney grubu ile aynıdır. Deney grubu, iç içe geçmiş istem zinciri rehberliği, kültürlerarası adaptasyon çıktısı ve "üretim-yansıtma-yeniden üretim" mekanizmasını içeren, yazma eğitimini optimize etmek için DeepSeek modeline dayalı talimatlar kullanmıştır. Buna karşılık kontrol grubu, geleneksel öğretim yöntemlerini veya optimize edilmemiş yapay zeka destekli araçları kullanmıştır. İki grubun öğretim etkileri karşılaştırılarak, büyük dil modeline dayalı aktarım eğitim yönteminin öğrencilerin yazma aktarım yeteneğini geliştirmedeki etkinliği doğrulanmıştır.

Genel araştırma fikri

Bu çalışma, öğrencilerin İngilizce yazı aktarım yeteneklerini geliştirmeyi ve özellikle DeepSeek'in eğitim amaçlı adaptasyonuna odaklanarak etkili öğretim tasarımı yöntemleri geliştirmeyi amaçlamıştır. İlk olarak, model istemlerini (prompt) yeniden tasarlamak için bir öğretim optimizasyon stratejisi önerilmiştir. Bu strateji, oluşturulan çıktıların sözdizimsel yapı, paragraf mantığı ve kültürel ifade dahil olmak üzere yazı öğretimindeki çoklu aktarım hedefleriyle uyumunu artırmıştır. İkinci olarak, öğretmenlerin yazı görevleri, yapılandırılmış ve hedef odaklı istem şablonlarına dönüştürülmüştür. Ardından, öğretim görevleri ile model davranışları arasında bir eşleme ilişkisi kurulmuştur. Bu durum, modelin kontrol edilebilirliğini artırmış ve oluşturulan içeriğin pedagojik olarak ilgili olmasını sağlamıştır. Son olarak çalışma, “üretim–yansıma–yeniden yazım–yeniden üretim” şeklinde kapalı döngülü bir aktarım eğitim süreci geliştirmiştir. Bu süreç, öğrencileri aktarım stratejilerini belirlemeye ve model desteğiyle dil ifadelerini aktif olarak geliştirmeye teşvik etmiştir. Tekrarlanan yinelemeler yoluyla öğrencilerin diller arası ve kültürler arası yazı aktarım yetenekleri sürekli olarak güçlendirilmiştir. Cümle yapısı dönüşüm adımları Şekil 1A–D'de gösterilmektedir.

Yapay zeka destekli yazma eğitim sisteminin tüm çalışma mantığını açıklığa kavuşturmak ve tekrarlanabilirliği artırmak için, ham girdi, öğretmen müdahaleleri, istem uygulaması, öğrenci etkinlikleri, nihai çıktılar ve ilgili değerlendirme kriterleri dahil olmak üzere temel bağlantıları kapsayan genel uygulama iş akışı Tablo 1'de özetlenmiştir.

Transfer odaklı görev oluşturma stratejisi

Bu çalışma, İngilizce yazma becerilerinde transfer yeteneğinin geliştirilmesine odaklanmıştır. Öğrencilerin çok seviyeli dil transfer stratejilerini sistematik olarak kavramalarını ve uygulamalarını sağlamak amacıyla, sığdan derine doğru ilerleyen bir transfer görevi yolu oluşturulmuştur. Yolun genel yapısını tanımlamak için bu süreç, dört seviyeli bir görev seti olarak belirlenmiştir:

T = {T₁,T₂,T₃,T₄} (1)

T₁ , öğrencilerin çeşitli cümle yapısı yöntemlerinde ustalaşmalarına yardımcı olmak için kısa cümle genişletme, çatı değişimi ve yan cümle değiştirme gibi temel dilbilgisi yapısı işlemlerine odaklanan cümle düzeyindeki aktarım görevini temsil eder. T₂ , öğrencilerin paragraf içindeki bilgilerin organizasyonuna ve bağlantısına dikkat etmelerini sağlayan ve ana cümle çıkarımı ile cümleler arası mantığın düzenlenmesi yoluyla paragrafın yapısal netliğini ve ifade tutarlılığını geliştirmeleri için onları eğiten paragraf düzeyindeki aktarım görevidir. T₃, bölümün genel mantıksal düzenine ve argümantasyon ritmine kadar uzanan ve öğrencileri paragrafların sırasını ayarlayıp yapısal yan yana getirme ilişkisini optimize ederek tam bir argümantasyon sistemine sahip İngilizce bir makale oluşturmaya yönlendiren söylem düzeyi görevini temsil eder. T₄ , öğrencilerin ana dil yazımındaki örtük sözcükler ve anlamsal ipuçları gibi örtük kültürel ifade özelliklerini belirlemelerini ve bunları hedef dil kültürüne uygun doğrudan ifadelere veya mantıksal açık formlara dönüştürmelerini gerektiren kültürel düzeydeki aktarım görevidir. Bunun evrim süreci Şekil 2'de gösterilmiştir. Görev tasarımının uygulanabilirliğini ve değerlendirmesini artırmak için, bu çalışma her görev düzeyini daha fazla bir üçlü form olarak tanımlamıştır:

T_i = (S_i,G_i,E_i) (2)

S_j görev giriş örneğini, G_i hedef aktarım işlemini ve E_i destekleyici değerlendirme kriterlerini temsil eder. Bu yapılandırılmış ifade aracılığıyla, görevin her seviyesinin bir önceki seviyedeki stratejinin ustalığı üzerine inşa edilmesi ve uygun örnekler, hedef tanımlamaları ve performans kriterleri ile donatılması sağlanarak, aktarım yolunun istikrarlı bir şekilde ilerlemesi için bir mekanizma oluşturulmuştur. Aktarım eğitimi sisteminin oluşturulma sürecinde, görev türlerinin sistematik olarak kapsanması ve öğretim çağrılarının verimli yönetimi amacıyla, bu çalışma yazı aktarımındaki yaygın dil dönüşüm boyutlarına dayalı olarak beş farklı aktarım hedefi türünü kapsayan yapılandırılmış bir görev kütüphanesi oluşturmuştur. Görev kütüphanesi resmi olarak şu şekilde ifade edilmiştir:

M = {(D_j,T_Dj)∣_j = 1,2,3,4,5} (3)

D_j  beş transfer boyutuna karşılık gelir: sözdizimsel transfer, yapısal transfer, kültürel transfer, sicil transferi ve mantıksal transfer; her boyutla ilişkili T_Dj  görev seti, o boyutun işlem alt kümesini temsil eder. Görev kütüphanesinin geliştirilme sürecinde yazarlar öncelikle, çok sayıda gerçek öğrenci yazı örneğine dayanarak yaygın transfer zorluklarını ve dil hata türlerini özetleyip sınıflandırmış; ardından gerçek öğretim ihtiyaçları ve değerlendirme standartları ile birleştirerek farklı transfer türlerini fonksiyonel alanlara ayırmış ve her bir görevin temel eğitim hedeflerini ve işlem modlarını belirlemişlerdir. Her bir görev, soyut olarak aşağıdaki üçlü yapı şeklinde temsil edilmiştir:

T_i,j = (S_i,j,G_i,j,C_i,j) (4)

S_i,j görev girdi örneğini, G_i,j görevin transfer hedef açıklamasını ve C_i,j görevin değerlendirme ve kontrol boyutunu temsil eder. Sözdizimsel transfer görevinde bu çalışma; cümle bağlama, yan cümlecik iç içe geçirmeleri, edilgen yapıya dönüştürme ve ilgili kavramları kapsayan, basitten zora doğru ilerleyen bir cümle yeniden düzenleme dizisi tasarlayarak öğrencilerin cümle genişletme ve dilbilgisel dönüşüm yeteneklerini geliştirmeyi amaçlamıştır. Yapısal transfer görevi; ana cümleyi yeniden yazma, destekleyici cümleleri sıralama ve neden-sonuç ile örnekleme ilişkilerini yeniden yapılandırma yoluyla paragraf mantığının optimize edilmesine, bilgi organizasyonunun güçlendirilmesine ve mantıksal kurgu yeteneğinin artırılmasına odaklanmıştır. Kültürel transfer görevi, kültürlerarası bir korpusa dayalı olup örtük ifadeler ve eufemizmler gibi pragmatik sapmaları hedeflemiştir. Kültürel uyumluluğun gelişimini teşvik etmek için gerçek bağlama yakın ifade dönüşümleri tasarlanmıştır. Sicil transfer görevi, öğrencilere sözlü ifadeleri akademik dile dönüştürme ve sicil değiştirme stratejilerini ustalıkla kullanma konusunda rehberlik etmiştir. Mantıksal transfer görevi ise bağlaçların kullanımı, mantıksal ilişkilerin açık hale getirilmesi ve paragraf geçişleri üzerine eğitimler yürütürken, akıl yürütme zincirleri oluşturmaya ve ifadenin netliğini sağlamaya odaklanmıştır.

Öğrencilerin gerçek yazı örneklerine dayanan bu çalışma, talimatların ilgisini ve üretilen içeriğin pratikliğini artırmayı amaçlayarak, öğretim görevleriyle yakından bağlantılı bir istem oluşturma süreci geliştirmiştir. Süreç, öğretim süreci boyunca gereksiz cümleler, karmaşık yapılar ve uygunsuz kültürel ifadeler gibi tipik aktarım sorunlarına odaklanarak temsili öğrenci metin parçalarını seçen öğretmenler tarafından yönetilmiştir. Ardından, eğitim hedeflerini netleştirmek için örnekleri sistem arayüzü üzerinden aktarım türleriyle etiketlemişlerdir. Etiketleme bilgilerini alan sistem, aktarım görevi tanımlama modülünü otomatik olarak etkinleştirmiştir. Daha sonra girdiyi, önceden tanımlanmış görev kütüphanesi ve istem şablon kütüphanesi ile eşleştirmiştir. Eşleştirme işlemi; aktarım türü, dilbilimsel özellikler ve metin yapısı gibi faktörleri dikkate almıştır. Bu faktörlere dayanarak sistem, en uygun şablonu seçmiş ve başlangıç istemini oluşturmuştur. Sistem ayrıca yapılandırılmış geliştirme işlemini de desteklemiştir. Öğretmen etiketlemeleri, model tarafından kolayca yorumlanabilen standart bir formata dönüştürülmüştür. Modelin hem öğretmenin niyetlerini hem de öğrencinin sorularını doğru şekilde anlamasına yardımcı olmak için isteme ilgili öğretim ipuçları yerleştirilmiştir. Talimatların esnekliğini ve kontrol edilebilirliğini artırmak için sistem, bir öğretmen destek modülü içermiştir. Bu modül; öğretmenlerin öğretim kılavuzlarını değiştirerek, bağlamsal ayarları düzenleyerek ve ton ile stili özelleştirerek istemleri rafine etmelerine olanak sağlamıştır. Sonuç olarak, öğretmenler oluşturma süreci üzerinde daha fazla kontrol sağlamış ve süreci farklı öğretim senaryolarına daha iyi uyarlamışlardır.

Deepseek komut optimizasyon mekanizması

İngilizce yazı aktarım eğitiminin pratik ihtiyaçlarına dayanarak, bu çalışma aktarım odaklı beş tip istem şablonu geliştirmiştir. Bu şablonlar, büyük dil modelinin üretim davranışını yönlendirmek ve düzenlemek için tasarlanmıştır. Yapısal aktarım şablonu, paragraf organizasyonuna ve söylem yapısına odaklanmıştır. Öğrencilerin giriş–gelişme–sonuç gibi yapıları benimseyerek ve fikirlerin mantıksal akışını iyileştirerek metinleri yeniden düzenlemelerine yardımcı olmuştur. Sözdizimsel aktarım şablonu, cümle düzeyindeki karmaşıklığa vurgu yapmıştır. Yazılı ifadenin gelişmişliğini artırmak için edilgen çatı, paralel yapılar ve karmaşık yan cümleler dahil olmak üzere çeşitli dilbilgisel yapıların kullanımını teşvik etmiştir. Kültürel aktarım şablonu, yazıdaki kültürel uygunluk konusunu ele almıştır. Öğrencilere, ana dillerinden ve kültürlerinden etkilenen ifadeleri, İngilizce konuşulan bağlamlarda daha doğal ve kabul edilebilir formlara uyarlamaları konusunda rehberlik etmiştir. Sicil aktarım şablonu, üslup adaptasyonuna ve sicil kontrolüne odaklanmıştır. Öğrencilerin dil kullanımını farklı yazı amaçlarına, hedef kitlelere ve türlere göre ayarlamalarına yardımcı olmuştur. Mantık aktarım şablonu, mantıksal organizasyonu güçlendirmeyi amaçlamıştır. Neden-sonuç, karşılaştırma ve zıtlık ile paralel gelişim gibi ilişkilerin etkili kullanımını teşvik ederek tutarlılığı ve argümantasyon disiplinini artırmıştır. Birlikte, bu beş şablon yazı aktarımının temel boyutlarını kapsamıştır. Hem öğretim görevi tasarımı hem de model tabanlı metin üretimi için yapılandırılmış öğretim desteği sağlamışlardır.

Her şablon türü, farklı öğretim durumlarındaki evrenselliğini ve uyarlanabilirliğini sağlamak için birleştirilmiş bir format izlemiştir. Şablon dört temel unsurdan oluşmaktaydı: Birincisi, gerekli aktarım görevini açıkça belirten öğretim hedefiydi; ikincisi, öğretimin etkinliği için korpus temeli olarak öğrencilere gerçek dil parçaları sunan örnek girdidir; üçüncüsü, öğrencilerin karşılaştırması ve model ayarı için kullanması amacıyla aktarım sonrası ideal dil çıktısının standart stilini gösteren hedef çıktıdır; dördüncüsü ise şablon için geçerli olan dil seviyesini, metin türünü ve kullanım stratejisini açıklayan, ayrıca üretim kontrolünü ve öğretim rehberliği etkisini artırmak için ayarlanabilir parametre istemleri sağlayan kullanım önerisidir.

İstem şablonlarının tasarım mantığını ve pratik uygulamasını daha ayrıntılı açıklamak için, aşağıda beş transfer odaklı istemin temsili örnekleri sunulmuştur. Tüm şablonlar; bir talimat hedefi, örnek girdi, hedef çıktı ve kullanım önerisinden oluşan birleştirilmiş çerçeveye uygun olarak hazırlanmıştır. Öğrenciler, sözdizimsel çeşitliliği artırmak için basit cümleleri genişletmeye, cümle yapılarını dönüştürmeye ve yan cümleler eklemeye yönlendirilmiştir. Örneğin, öğrencinin yazdığı "I study English writing. It is very important for cross-cultural communication" taslağı için optimize edilmiş çıktı "Learning English writing plays a vital role in improving learners’ ability of cross-cultural communication" şeklindedir. Bu istem, temel sözdizimsel yeniden yapılandırma ve yapı dönüştürmeye odaklanarak, orta zorluk seviyesindeki ikinci sınıf İngilizce bölümü öğrencileri için cümle düzeyinde eğitime uygun görülmüştür. Bir diğer istem türü ise kültürel transferi hedeflemiş; yerel kültürel düşünceyle etkilenmiş "Chinglish" ifadeleri belirlemeyi ve cümleleri Batı kültürel normlarına uygun doğal İngilizce pragmatik ifadelere dönüştürmeyi amaçlamıştır. Öğrencinin "Many people think you must work hard if you want to succeed" cümlesi örnek alındığında, revize edilmiş versiyon "People generally believe that diligence is the key to success" olmuştur. Bu istem, örtük Çince düşünce kalıplarını ortadan kaldırmaya ve İngilizce bağlamda açık ifade yeteneğini geliştirmeye odaklanan kültürel düzeydeki transfer eğitimine uygulanmıştır.

Bu çalışma ayrıca, öğrencilerin paragraf taslaklarını birleşik girdi olarak alan ve ardışık aşamalarda çalışan üç aşamalı bir iç içe geçmiş istem zinciri geliştirmiştir. İlk aşama semantik yeniden düzenlemeydi; burada istem, katılımcının verilen paragrafın cümlelerini yeniden düzenlemesini, fikirlerin mantıksal sırasını optimize etmesini ve net konu cümlelerine sahip eksiksiz bir paragraf oluşturmasını gerektiriyordu. İkinci aşama dilsel revizyondur; bu aşamada revize edilen paragrafın resmi akademik İngilizceye yeniden yazılması, konuşma dilindeki kelimelerin değiştirilmesi, karmaşık cümlelerin ve pasif yapıların uygun şekilde kullanılması istenmiştir. Üçüncü aşama ise kültürel adaptasyondur; bu aşamadaki istem, kullanıcıları metindeki kültürel-pragmatik ifadeleri kontrol etmeye, ana dil kaynaklı kültürel etkileşimleri gidermeye ve içeriği İngilizce kültürlerarası yazım kurallarına uygun hale getirmeye yönlendirmiştir. Yukarıdaki örnekler, tekli istem şablonlarının ve iç içe geçmiş istem zincirlerinin çalışma modlarını tam olarak göstermiştir. Bu temel üzerine çalışma, DeepSeek'in MoE mimarisiyle birleştirilmiş eksiksiz bir aşamalı istem zinciri tasarlamıştır.

Tek aşamalı istemlerin üretim kontrolü ve görev yanıt derinliği açısındanki kısıtlamalarını aşmak amacıyla, bu çalışmada hiyerarşik yönlendirme ve karmaşık aktarım görevlerinin aşamalı üretimini sağlayan, fazlı ve sürekli özelliklere sahip iç içe geçmiş bir istem zinciri yapısı tasarlanmıştır. Bu mekanizma, tam bir aktarım görevini birkaç alt hedefe bölmüş ve her bir alt hedef için; anlamsal yeniden yapılandırma, dil stili ayarlaması ve kültürel pragmatik uyumun mantıksal sırasıyla seri olarak birbirine bağlanan, bağlama bağımlı bir üretim zinciri oluşturan karşılık gelen istem şablonları tasarlamıştır. Bu çalışma, DeepSeek için iç içe geçmiş istem zinciri optimizasyonunu standart açık API'si üzerinden uygulamıştır. DeepSeek modeli, dış istemlerden bağımsız olarak çalışan dahili bir muhakeme modülü şeklinde işlev gören otomatik bir arka uç uzman yönlendirme sistemine sahip, doğal bir Uzmanlar Karışımı (Mixture of Experts - MoE) mimarisi benimsemiştir. Özelleştirilmiş çok aşamalı istemler yalnızca model girdilerinin içerik özelliklerini ayarlamıştır. Optimize edilmiş girdilere gömülü anlamsal, stilistik ve kültürel gereksinimlere paralel olarak, modelin doğal MoE yönlendirme mekanizması metin üretimi sırasında en uygun uzman modüllerini otonom olarak etkinleştirmiştir. Anlamsal yeniden düzenleme, stilistik ayarlama ve kültürel uyuma odaklanan üç aşamalı istem tasarımı, yalnızca girdi metinlerini rafine etmiş ve modelin dahili uzman seçimi ve tahsis mantarına müdahale etmemiştir.

Operasyonel süreç açısından sistem, öğretmenler tarafından yüklenen öğrenci metinlerini almış, hedef açıklama eklemelerini aktarmış ve iç içe zincir yapısının etkinleştirilip etkinleştirilmeyeceğini otomatik olarak belirlemiştir. Etkinleştirildiği takdirde sistem, sırasıyla üç aşamayı yürütmüştür: ilk aşama, paragraf organizasyonunu ve mantıksal ipuçlarını optimize etmek için yapı aktarım şablonunu çağıran anlamsal yeniden düzenlemeydi; ikinci aşama, konuşma dilindeki ifadeleri akademik yazılı dile dönüştürmek için dil şablonunu kullanan dil tarzı ayarlamasıydı; üçüncü aşama ise, hedef dil kültürüne uygun olmayan ifadeleri tanımlayıp değiştirmek için kültürel aktarım şablonunu çağıran ve daha otantik metinler üreten kültürel adaptasyondu.

Her bir üretim turu, önceki turun çıktısını girdi olarak almış ve anlamsal tutarlılığı sağlamak için bağlam vektörü önbelleğini korumuştur. Öğretmenler; şablon seçimi, talimat değişikliği ve sıra düzenlemesi dahil olmak üzere sistem arayüzündeki istem zinciri yapısını özelleştirmişlerdir. Sistem ayrıca, öğretmenlerin görevleri toplu olarak yeniden kullanmalarını veya atamalarını kolaylaştıran "şablon kombinasyon paketi" işlevini de desteklemiştir. Ek olarak sistem, her üretimden sonra ara sonuçlar sunan yerleşik bir dinamik kesme ve geri bildirim mekanizmasına sahipti. Öğretmenler, sonraki talimatları gerçek zamanlı olarak notlandırmış veya ayarlamış, böylece bir "üretim-ayarlama-yeniden üretim" öğretim kapalı döngüsü oluşturmuşlardır.

Model oluşturma, değerlendirme

DeepSeek modeline dayalı metin oluşturma ve değerlendirme sürecinde, bu çalışma; sözdizimsel karmaşıklık, yapısal standardizasyon ve söylemsel tutarlılık olmak üzere üç açıdan oluşturulan metinleri sistematik olarak analiz etmek ve nicel olarak değerlendirmek için çok boyutlu bir otomatik puanlama mekanizması kurmuştur. Bu çalışmada, metin özelliklerinin çıkarılması ve otomatik değerlendirme için spaCy bağımlılık ayrıştırıcısı ve Coreferee eşbaşvuru çözümleme eklenti modülü kullanılmıştır. spaCy bağımlılık ayrıştırıcısı, İngilizce metnin sözdizimsel yapısını ayrıştırarak ortalama cümle uzunluğu ve iç içe geçmiş yan cümle sayısı gibi temel göstergeleri çıkarmış ve böylece sözdizimsel karmaşıklığın nicel analizini mümkün kılmıştır. spaCy çerçevesi içinde çalışan Coreferee eşbaşvuru çözümleme eklenti modülü ise temel olarak metindeki dahili referans ilişkilerini tanımlamış ve söylemsel referans tutarlılığını değerlendirerek otomatik yazı kalitesi puanlaması için teknik destek sağlamıştır. Ağ kısıtlamaları nedeniyle, yukarıda belirtilen yurt dışı kaynaklı açık kaynaklı web sitelerine erişilememiştir.

İlk olarak, sistem sözdizimsel karmaşıklığı değerlendirdi. Ortalama cümle uzunluğu, yan cümlecik gömme derinliği ve cümle çeşitliliği gibi özellikler çıkarıldı. Bu özellikler, bağımlılık ayrıştırması ve derin sözdizimsel ağaç modellemesi yoluyla elde edildi. Sonuçlara dayanarak sistem, öğrencilerin basit cümle kalıplarından daha karmaşık yapılara başarıyla geçip geçmediklerini değerlendirdi. İkinci olarak, sistem paragraf organizasyonunu değerlendirdi. Konu, destekleyici ve sonuç cümleleri dahil olmak üzere temel paragraf öğelerini belirlemek için BERT tabanlı metin temsillerini sınıflandırma modelleriyle birleştirdi. Ardından, organizasyonun İngilizce akademik yazım kurallarına uygun olup olmadığını belirlemek için bir paragraf yapı haritası oluşturuldu. Üçüncü olarak, sistem metinsel tutarlılığı değerlendirdi. Mantıksal bağlaçların kullanımı, cümleler arasındaki anlamsal tutarlılık ve metin boyunca referans bağlantılarının kalitesi incelendi. Bu göstergeler, mantıksal gelişimin netliğini ve fikirlerin sorunsuz ilerleyişini değerlendirmek için kullanıldı. Konu tutarlılığını ölçmek için sistem, vektör tabanlı temsilleri kullanarak anlamsal benzerliği hesapladı. Referans tutarlılığı, anlamsal boşlukları ve belirsiz referansları azaltmaya yardımcı olan eşgönderim çözümleme teknikleri aracılığıyla değerlendirildi. Son olarak, tüm boyutlardan elde edilen puanlar birleştirilmiş bir puanlama vektöründe toplandı. Sonuçlar, farklı yazı örnekleri arasında güvenilir karşılaştırmalar yapılmasına olanak tanıyan kapsamlı bir değerlendirme sistemi oluşturmak için standartlaştırıldı.

Manuel değerlendirme aşamasında bu çalışma, öğretmen değerlendirmelerinin ilgisini ve öğretim geri bildirimlerinin etkinliğini artırmak amacıyla; aktarım davranışının belirginliği, ifadenin doğallığı ve kültürel uyarlanabilirliği kapsayan, yazı aktarımı eğitimi için üç boyutlu bir puanlama sistemi geliştirmiştir. Sistem, nicel puanlama ve nitel yorumların organik bir kombinasyonunu sağlamak için yardımcı işlevlerini birleştirmiştir. Aktarım davranışı boyutunda öğretmenler, öğrencilerin metinleri yeniden yazarken aktarım stratejilerini önceden belirlenmiş görev hedeflerine göre kullanımlarını değerlendirmiştir. Sistem, cümle düzenlemesi ve yapısal yeniden yapılandırma gibi işlemlerin gerekli aktarım türünü etkili bir şekilde yansıtıp yansıtmadığını belirlemede öğretmenlere yardımcı olmak için orijinal metin ile oluşturulan versiyonun yan yana karşılaştırmalı bir görünümünü sunmuştur.

Doğal ifade değerlendirmesi, dil çıktısının akıcılığına ve özgünlüğüne odaklanmıştır. Öğretmenler, cümlelerin anadili İngilizce olan kişilerin ifade alışkanlıklarına uygun olup olmadığını değerlendirmek ve dilbilgisi yapısının, kelime diziliminin ve cümle ritminin doğal ve uygun olup olmadığına karar vermek için sistem tarafından oluşturulan dil göstergelerini kullanmışlardır. Ayrıca, notlar aracılığıyla sorunları belirtmiş ve alternatif ifadeler önermişlerdir. Kültürel uyum boyutu, kültürlerarası pragmatiğin uygunluğuna odaklanmıştır. Öğretmenlerin; metnin, kaynak dil kültürünün etkisinden kaynaklanan anlamsal belirsizlik, retorik çatışmalar veya belirsiz değer yargıları gibi uygunsuz ifadeler içerip içermediğini belirlemeleri gerekmiştir. Sistem, yaygın kültürel sapma kelime örnekleri sağlamış ve öğretmenlerin yorumlarda düzeltme temelini ve kültürel bağlam gereksinimlerini açıklamasını destekleyerek öğrencilerin kültürel aktarım farkındalığını ve ifade doğruluğunu geliştirmelerine rehberlik etmiştir. Her boyut 5 puanlık bir ölçekle değerlendirilmiş, serbest notlar ve önerilen doldurma modüllerini içermiştir. Nihai değerlendirme sonuçları bir radar grafiği olarak sunulmuştur.

Değerlendirme verimliliğini artırmak ve pratik sınıf içi kullanımı desteklemek amacıyla, bu çalışmada AI tabanlı puanlamayı öğretmen değerlendirmesiyle birleştiren iş birlikli bir değerlendirme mekanizması geliştirilmiştir. Sistem, öncelikle DeepSeek tarafından oluşturulan metnin çok boyutlu bir değerlendirmesini gerçekleştirmiştir. Otomatik puanlama modülü aracılığıyla sözdizimsel karmaşıklık, paragraf organizasyonu ve metinsel tutarlılık gibi temel yönler değerlendirilmiştir. Puanlama sonuçları daha sonra öğretmen arayüzünde gerçek zamanlı olarak görüntülenmiştir. Öğretmenler, her boyut için ayrıntılı puanları incelemiş ve öğrencilerin transfer performansı konusundaki anlayışları ile mesleki yargılarına dayanarak gerektiğinde bu puanları düzenlemişlerdir. Ayrıca, otomatik puanlama ile yakalanamayabilecek geri bildirimler ve öğretimsel öneriler sunmak için doğrudan metne hedefli yorumlar eklemişlerdir. Her değerlendirme boyutu için beşli bir derecelendirme ölçeği benimsenmiştir. Arayüz, kişiselleştirilmiş geri bildirimi kolaylaştırmak için serbest metin notasyonu ve öneri modüllerini de içermiştir. Değerlendirme sonuçları, öğretmenlerin farklı transfer boyutlarındaki öğrenci güçlü ve zayıf yönlerini hızlıca belirlemelerine olanak tanıyan bir radar grafiği ile görselleştirilmiştir.

Buna ek olarak sistem, öğretmenlerin belirli boyutların ağırlığını veya genel puanları öğretim hedefleriyle uyumlu hale getirmek için ayarlamasına olanak tanıdı. Bu özellik, nihai değerlendirmenin öğrencilerin gerçek performansını ve öğrenme ihtiyaçlarını daha doğru bir şekilde yansıtmasını sağladı. Manuel inceleme tamamlandıktan sonra sistem, makine tarafından oluşturulan ve öğretmen tarafından oluşturulan değerlendirme verilerini otomatik olarak entegre etti. Ardından görsel bir geri bildirim raporu oluşturdu. Rapor, bir transfer performansı radar grafiği ve bir versiyon takip grafiği içeriyordu. Bu görselleştirmeler, öğrencilerin birden fazla metin oluşturma ve revizyon turu boyunca transfer yeteneklerindeki değişimleri net bir şekilde göstererek öğrenme sürecinin sürekli izlenmesine imkan tanıdı.

Transfer eğitimi süreci

Bu çalışmada eksiksiz bir aktarım eğitimi süreci tasarlanmıştır. İlk olarak, öğretmen öğretim hedeflerine ve öğrencilerin gerçek seviyelerine dayanarak belirli İngilizce yazma görevleri atamış, aktarım türünü ve eğitimin odağını netleştirmiştir. Ardından sistem, öğretmenin belirlediği görevlere dayanarak ilgili istem talimatlarını otomatik olarak oluşturmuş ve öğrencilerin yeniden yazma ve aktarım eğitimi için temel materyal teşkil edecek ilk taslağı oluşturmak üzere DeepSeek modelini çağırmıştır. İlk taslağı alan öğrencilerin, metinde yer alan aktarım özelliklerini aktif olarak belirlemeleri ve öğrendikleri aktarım stratejilerini kullanarak söz dizimsel yapının, paragraf organizasyonunun ve kültürel ifadenin uygunluğunu artırmak amacıyla içeriği hedef odaklı bir şekilde yeniden yazmaları gerekmiştir. Yeniden yazma işlemi tamamlandıktan sonra öğretmen, öğrencinin gönderdiği metinle ilgili ayrıntılı bir inceleme yapmış, aktarım stratejisinin etkinliğini vurgulamış ve iyileştirme ile yazım rehberliği için spesifik öneriler sunmuştur. Öğretmenin geri bildirimlerine dayanarak, öğrencilerin metinlerini geliştirmelerini ve aktarım stratejileri uygulamalarını derinleştirmelerini daha fazla desteklemek amacıyla optimize edilmiş bir sürüm oluşturmak için DeepSeek modeli yeniden çağrılmıştır. Son olarak öğrenci, final taslağının gönderimini tamamlamış, aktarım biliş tablosunu doldurmuş, öz değerlendirme yapmış, aktarım yöntemlerini ve etkilerini özetlemiş; böylece üstbilişsel yeteneğin geliştirilmesini ve yazma aktarım becerilerinin içselleştirilmesini sağlamıştır. Bu çalışma için tasarlanan aktarım biliş tablosu Tablo 2'de gösterilmiştir.

Tüm maddeler için 1 (hiç hakim değil) ile 5 (tam hakimiyet) arasında değişen 1–5'lik bir derecelendirme ölçeği benimsenmiştir. Öz değerlendirme verileri, ardışık üç eğitim turundan sonra toplanmıştır; puanlama kıyaslamaları, beş boyutlu görev kütüphanesindeki önceden tanımlanmış transfer operasyon standartlarına atıfta bulunmaktadır.

Sonuçlar

Deney tasarımının öğretimi

Bu çalışmada, program çağrıları için platformun açık API arayüzüne dayanarak DeepSeek'in temel açık kaynaklı sürümü kullanılmıştır. Beş adet istem şablonu metni, dört seviyeli görev örneği girişi, aktarım açıklama kategori etiketleri ve yazım hatası-şablon eşleştirme eşleme kurallarından oluşan tam set, ekler kısmında derlenmiştir. Sistemin sabit çağırma parametreleri şunlardı: 0.7 sıcaklık katsayısı ve oluşturulan uzunluk, yazım sorusu tipine göre dinamik olarak sınırlandırılmıştır. Sistem; anlamsal yeniden yapılandırma > üslup düzenlemesi > kültürel adaptasyon şeklindeki sabit bir sırayı kesin olarak takip ederek iç içe geçmiş istem zinciri çağrılarını yürütmüştür. Model çıktısı, sınıf içi öğretimde etkili metinler elde etmek amacıyla eğitmen tarafından manuel olarak seçilmiştir.

Bu çalışmaya, manuel puanlama sürecine katılmaları için 5 yılı aşkın deneyime sahip, tam zamanlı üç üniversite düzeyinde İngilizce yazma öğretmeni davet edilmiştir. Tüm puanlayıcılar, resmi puanlamadan önce standart bir eğitim almış; değerlendirme boyutları, 5 puanlık puanlama sistemi, kültürel aktarım, sözdizimi, söylem ve diğer puanlama ayrıntıları hakkında bilgi edinerek puanlama öncesi kalibrasyonu tamamlamışlardır. Tüm öğrenci kompozisyonları, iki öğretmen tarafından kör ve çift kör puanlama modunda bağımsız olarak puanlanmıştır. İki puanlayıcının puanları arasındaki fark 1 puandan (5 üzerinden) fazla olduğunda, üçüncü bir kıdemli öğretmen puanlamaya hakemlik yapmış ve iki geçerli puanın ortalaması, söz konusu örnek için nihai manuel puan olarak kabul edilmiştir. Farklı araştırma amaçları doğrultusunda, değerlendirme aşamasına iki grup puanlayıcı dahil edilmiştir. Resmi deneyde, 5 yılı aşkın öğretim deneyimine sahip üç tam zamanlı üniversite İngilizce yazma öğretmeni, tüm öğrenci yazma örneklerinin kör ve çift puanlamasını gerçekleştirmiş ve 5 puanlık ölçekte puanlama farklılıkları 1 puanı aştığında üçüncü bir kıdemli öğretmen hakemlik görevini üstlenmiştir. Buna karşılık, değerlendiriciler arasındaki değerlendirme standartlarının tutarlılığını doğrulamak amacıyla ayrı olarak yürütülen Sınıf İçi Korelasyon Katsayısı (ICC) kullanılarak yapılan değerlendiriciler arası güvenilirlik testine beş puanlayıcı katılmıştır. Puanlayıcı sayısındaki fark, farklı fonksiyonel gereksinimlerden kaynaklanmaktadır: üç temel öğretmen deneysel verilerin pratik puanlamasını sağlarken, genişletilmiş beş puanlayıcılı panel, tüm değerlendirme sisteminin güvenilirliği için daha güçlü kanıtlar sunmuştur.

Sözdizimsel karmaşıklık, BERT metin yapısı puanlaması ve anlamsal benzerlik, 0–5 puanlık bir aralıkta puanlanmıştır. Her bir boyut için ağırlıklar, yabancı dil yazma öğretimi ve araştırmaları standartlarına göre şu şekilde belirlenmiştir: sözdizimi 0,35, metin yapısı 0,35, mantık ve kültür 0,3. Ağırlık değerleri, aynı alandaki yazma çalışmaları için kullanılan olgun nicel değerlendirme sistemlerine dayandırılmıştır. Yapay zeka otomatik puanlama modülü, önceden sınıflandırılmış 15 model deneme üzerinden belirlenen eşik değerleri kullanılarak kalibre edilmiştir. İnsan puanlaması, birleştirilmiş beş puanlık bir derecelendirme ölçeğine göre yapılmıştır. Resmi değerlendirme öncesindeki ön deney doğrulaması için makine puanlaması ve insan kalibrasyonu birleştirilmiştir.

Öğretim görevi, her biri bir hafta süren üç eğitim turu ile "sözdizimi-yapı-kültür" şeklinde tanımlanan üç düzeyli transfer hedefleri çerçevesinde yürütülmüştür. İlk tur, sözdizimsel çeşitliliği ve ifade doğruluğunu artırmak amacıyla cümle düzeyinde yeniden yazımı kapsamıştır; ikinci tur, paragraf organizasyonunu ve mantıksal tutarlılığı geliştirmek için paragraf düzeyinde yapısal yeniden yapılandırmayı içermiştir; üçüncü tur ise kültürlerarası pragmatik farkındalığı ve ifade adaptasyonunu güçlendirmek için kültürel düzeyde transferi kapsamıştır. Ön test, birbirini izleyen üç eğitim turu ve son test boyunca aynı katılımcılardan toplanan tekrarlı ölçümler nedeniyle; grup (deney vs. kontrol) ana etkilerini, test zamanı ana etkilerini ve eğitim süresince puan değişimlerinin iki kohort arasında farklılık gösterip göstermediğini yansıtan grup × zaman etkileşim etkisini incelemek için temel istatistiksel yaklaşım olarak tekrarlı ölçümler varyans analizi (RM-ANOVA) benimsenmiştir. Küresellik varsayımı Mauchly testi ile doğrulanmış; küreselliğin ihlal edildiği durumlarda Greenhouse–Geisser düzeltmesi uygulanmıştır. Bağımsız örneklemler t-testleri yalnızca belirli zaman noktalarındaki post-hoc ikili gruplar arası karşılaştırmalar için ayrılmış; Pearson korelasyonu ve Cohen’s d ise sırasıyla puanlama tutarlılığı ve etki büyüklüğü nicelendirmesi için kullanılmıştır.

Tüm istatistiksel analizler, veri toplama işlemi öncesinde önceden belirlenmiştir. İki grup arasındaki yazı öncesi ve sonrası göstergeleri karşılaştırmak için bağımsız örneklemler t-testleri uygulanmış olup, temel boş hipotez, yazı transfer performansı açısından gruplar arasında fark olmadığını varsaymıştır. Yapay zeka otomatik puanlaması ile öğretmen manuel değerlendirmeleri arasındaki doğrusal ilişkiyi nicelleştirmek için Pearson korelasyon analizi kullanılmış ve gruplar arası karşılaştırmalar için standartlaştırılmış etki büyüklüğü olarak Cohen’s d hesaplanmıştır. Tüm hipotez testleri için anlamlılık eşiği α = 0.05 olarak belirlenmiş ve tüm test istatistiklerinin yanında %95 güven aralıkları hesaplanmıştır. Tüm istatistiksel hesaplamaları yürütmek için SPSS 26.0 kullanılmıştır. Tüm katılımcılar üç turluk eğitimin tamamını ve ilgili değerlendirmeleri bitirdiği için öğrenci test puanları ve anket veri setlerinde herhangi bir eksik veri oluşmamıştır; bu nedenle, eksik değerler için herhangi bir atama veya vaka silme işlemine gerek duyulmamıştır.

Değerlendirme indeks sisteminin oluşturulması

Öğrencilerin İngilizce yazma aktarımı eğitimindeki performanslarını kapsamlı bir şekilde değerlendirmek amacıyla bu çalışmada; "sentaks-yapı-kültür" şeklinde üç düzeyli aktarım hedeflerini kapsayan, dil yetkinliğini, model yanıtını, öğretim geri bildirimini ve öz-bilişi entegre eden çok boyutlu bir değerlendirme sistemi oluşturulmuş ve altı temel gösterge belirlenmiştir. İlk olarak, "yazma aktarım indeksi"; sentaktik çeşitlilik, yapısal netlik ve kültürel uyumluluğu kapsayan, nicel analiz için sistemin otomatik puanlaması ile öğretmenin manuel puanlamasını birleştiren kapsamlı bir değerlendirme göstergesidir. "Sentaktik karmaşıklık puanı", öğrencilerin cümlelerinin zenginliğini ve karmaşıklığını değerlendirmek için ortalama cümle uzunluğu, yan cümle iç içe geçme düzeylerinin sayısı ve fiil öbeği kullanım sıklığı gibi özellikleri çıkarmak amacıyla doğal dil işleme teknolojisinden yararlanmıştır. "Akademik stil eşleşmesi" analizi, metnin İngilizce akademik yazım stil normlarına uyup uymadığını belirlemek için bir NLP (Doğal Dil İşleme) modeline dayanarak, edilgen yapı kullanım oranını ve resmi kelime dağarcığı oranını incelemiştir. Ek olarak çalışma, yapay zeka destekli öğretimin gerçek etkisini ölçmek amacıyla, model tarafından oluşturulan önerilerin kabul edilebilirliği ve pratikliği konusundaki geri bildirimleri öğretmen anketleri aracılığıyla toplayarak öznel bir değerlendirme boyutu eklemiştir. "Öğretmen değerlendirme puanlarındaki değişiklikler", deney öncesi ve sonrası öğrencilerin kompozisyonlarına verilen öğretmen puanlarını karşılaştırarak, yapay zeka destekli öğretimin yazım kalitesindeki artış üzerindeki etkisini yansıtmıştır. Son olarak, "Öğrencilerin aktarım yeteneğine ilişkin öz-değerlendirmesi", öğrencilerin yapı, sentaks, kültür ve diğer boyutlardaki hakimiyetlerini öz-değerlendirmelerine rehberlik etmek için aktarım biliş tablosunu kullanmış, böylece üstbilişsel farkındalıklarını ve yansıtma yeteneklerini geliştirmiştir. Her bir gösterge için spesifik açıklamalar ve veri kaynakları Tablo 3'te gösterilmiştir.

Sözdizimsel ve üslup göstergeleri, bağımlılık ayrıştırma ve BERT tabanlı sınıflandırma yoluyla otomatik olarak hesaplanmış olup, normalize edilmiş puanlar 0 ile 5 arasında değişmektedir; manuel değerlendirmede ise 5'li bir ölçek kullanılmıştır. Sözdizimsel karmaşıklık için kullanılan hesaplama formülleri, temel payda olarak toplam kelime sayısı/yan cümle sayısını esas almıştır. Ham veri kaynağı: kayıtlı olan tüm 60 öğrencinin ön test ve son test yazı kompozisyonlarıdır.

Deneysel sonuçlar ve analiz

Öğrencilerin sözdizimsel aktarım, yapısal aktarım ve kültürel aktarım olmak üzere üç boyuttaki kapsamlı performans farklarını sezgisel bir şekilde sunmak amacıyla, Şekil 3 deney grubundaki ve kontrol grubundaki öğrencilerin deney öncesi ve sonrası ortalama yazma transfer indeksleri karşılaştırılmıştır: Şekil 3 sentaktik aktarım, yapısal aktarım ve kültürel aktarımın üç boyutunda deney grubu ile kontrol grubu arasındaki ortalama puan farkını göstermiştir. Deney grubu, deney sonrasında her bir boyutta aktarım yeteneğinde anlamlı bir gelişme göstermiş ve radar grafiğinin dış halkası iç halkadan belirgin şekilde daha büyük çıkmıştır; bu durum, DeepSeek modeline dayalı öğretim optimizasyon yönteminin öğrencilerin İngilizce yazma aktarım yeteneğinin gelişimini teşvik etmede olumlu bir etkiye sahip olduğunu göstermektedir. Buna karşılık, kontrol grubunun çeşitli aktarım yeteneği göstergeleri deney öncesinde ve sonrasında nispeten değişmeden kalmıştır. Genel iyileşmenin sınırlı olması, geleneksel öğretim yöntemlerinin veya sistem talimatları optimize edilmemiş yapay zeka destekli araçların aktarım eğitiminde sınırlı bir role sahip olduğunu göstermektedir. Öğrencilerin çok boyutlu dil aktarımındaki öğrenme potansiyellerini etkili bir şekilde harekete geçirmek zorlayıcı olmuştur.

Deney grubunun sözdizimsel aktarım, yapısal aktarım ve kültürel aktarım boyutlarındaki deney öncesi ortalama yazı aktarım indeksleri sırasıyla 3.0, 2.9 ve 2.8 iken; deney sonrasında bu değerler sırasıyla 4.3, 4.1 ve 4.5'e yükselerek 1.3, 1.2 ve 1.7'lik artışlar göstermiştir; bu durum, öğretim yönteminin farklı aktarım seviyelerinde iyi bir müdahale etkisine sahip olduğunu göstermektedir. Kontrol grubunun deney öncesi puanları 3.0, 3.0 ve 2.9 idi. Deney sonrasında değerler sırasıyla 3.4, 3.3 ve 3.2'ye yükselmiş olup, bu değerler deney grubununkilerden anlamlı derecede daha düşüktür. Özellikle kültürel aktarım boyutunda, deney grubunun 2.8'den 4.5'e çıkarak 1.7 puanlık bir artışla en belirgin gelişmeyi gösterdiği ve bunun kontrol grubunun 0.3 puanlık artışından anlamlı derecede yüksek olduğu dikkat çekicidir. Bu sonuç, önerilen öğretim yönteminin öğrencilerin İngilizce kültürel ifade normlarını tanımlamalarına ve bunlara uyum sağlamalarına yardımcı olmada önemli bir rol oynadığını ortaya koymuştur. Bu durum sadece dil biçimindeki düzenlemelere değil, aynı zamanda öğrencilerin kültürlerarası pragmatik farkındalıklarının artmasına ve hedef dilin kültürel ifade alışkanlıklarını anlama derinliklerine de yansımıştır. Dil aktarımı temel olarak sözdizimsel karmaşıklık, dil üslubu uyumu ve diğer yönlerde kendini göstermiştir. Çalışmada, öğrencilerin yazı metinlerinin derinlemesine analizini yapmak, temel dil özelliklerini çıkarmak ve üç tur görev boyunca öğrencilerin dil aktarım yeteneğindeki değişimleri sistematik olarak değerlendirmek için otomatik NLP teknolojisi kullanılmış ve öğretmen puanlarıyla birleştirilmiştir.

Sözdizimsel karmaşıklık ve dilsel stil

Sözdizimsel karmaşıklık açısından çalışma, her görev turunda belirlenen yazma ödevini tamamlayan öğrenciler tarafından oluşturulan metnin ortalama cümle uzunluğunu ve yan cümle iç içe geçme düzeylerinin sayısını kaydetmiştir. Bu iki gösterge, dil anlatımının karmaşıklığını ölçmek için yaygın olarak kullanılmıştır. Şekil 4'te gösterildiği gibi, bu göstergeler öğrencilerin cümle çeşitliliği ve yapısal organizasyon yeteneğindeki gelişim düzeyini etkili bir şekilde yansıtmıştır.

Sözdizimsel karmaşıklığın boylamsal gelişimi kapsamında, deney grubu üç görev turunda belirgin bir yükseliş eğilimi göstermiş; bu durum, transfer eğitiminin öğrencilerin dil yapılarını ifade etme yetenekleri üzerindeki etkili teşvikini yansıtmıştır. Ortalama cümle uzunluğu açısından bakıldığında, deney grubu Görev 1'deki 12.5 kelimeden Görev 3'teki 16.1 kelimeye yükselerek 3.6 kelimelik bir artış göstermiştir; bu artış, kontrol grubunun aynı dönemdeki yalnızca 0.9 kelimelik artışından (12.4'ten 13.3'e) anlamlı derecede daha yüksektir. Benzer şekilde, yan cümle iç içe geçme katmanlarının sayısıyla ölçülen yapısal karmaşıklık boyutu açısından, deney grubu 1.8 katmandan 2.7 katmana yükselirken, kontrol grubu 1.7'den 1.9 katmana nispeten yavaş bir artış göstermiştir. İki öğrenci grubu arasındaki sözdizimsel karmaşıklık farkının istatistiksel olarak anlamlı olup olmadığını daha fazla doğrulamak için çalışma, görevin üç aşamasındaki ortalama cümle uzunluğunu ve yan cümle iç içe geçme seviyelerinin sayısını analiz etmek amacıyla bağımsız örneklem t-testleri uygulamıştır. Sonuçlar, ortalama cümle uzunluğu açısından deney grubu ile kontrol grubu arasında anlamlı bir fark olduğunu göstermiştir: t(58) = 4.23, p < 0.001, Cohen’s d = 0.98; ayrıca yan cümle iç içe geçme seviyelerinin sayısında da anlamlı bir fark saptanmıştır: t(58) = 3.15, p = 0.002, Cohen’s d = 0.78. Bu karşılaştırma, sistematik transfer eğitiminin öğrencilerin karmaşık cümleler kurma yeteneklerini geliştirmekle kalmayıp, aynı zamanda dilbilgisel organizasyon stratejilerine olan hakimiyetlerini de güçlendirdiğini ortaya koymuştur. Özellikle görevin üçüncü aşamasında, deney grubundaki öğrenciler çok katmanlı yan cümleleri ve karmaşık cümle yapılarını kullanmada daha fazla esneklik göstermişlerdir. Bu durum, dil transferlerinin "işlevsel" bir düzeyden daha "stratejik" bir düzeye doğru belirgin bir kayma yaşadığını yansıtmıştır. Transfer odaklı eğitim yolu, öğrencilerin sözdizimsel transfer becerilerini sürekli olarak geliştirmiş, tek cümle yazımının sınırlılıklarını ve geleneksel öğretimde sıkça görülen sabit ifade kalıplarını etkili bir şekilde aşmıştır. Dil stili adaptasyonu açısından çalışma, öğrencilerin deney öncesi ve sonrası yazı metinlerini çıkarmıştır. Akademik dil stili uyumunu değerlendirmek için temel göstergeler olarak resmi kelime dağarcığının oranı ve edilgen çatı kullanım sıklığını belirlemek amacıyla NLP modeli kullanılmıştır. Bu göstergeler, öğrencilerin İngilizce yazımda hedef stile uyum sağlayacak dil farkındalığına ve ifade yeteneğine sahip olup olmadıklarını yansıtmıştır. İlgili sonuçlar Şekil 5'te gösterilmektedir.

Şekil 5, deney ve kontrol gruplarının görev öncesi ve sonrası akademik stil uyumundaki değişimleri, temel olarak resmi sözcük orantısı ve edilgen yapı kullanım sıklığı şeklindeki iki ana göstergeye odaklanarak göstermektedir. Genel olarak, DeepSeek modeline dayalı transfer eğitimini tamamladıktan sonra, deney grubunun akademik stile uyum yeteneği önemli ölçüde gelişmiş olup bu durum, söz konusu öğretim yönteminin öğrencilerin dil normları konusundaki farkındalıklarını ve akademik stillere uyum sağlama becerilerini geliştirmedeki etkinliğini kanıtlamaktadır. Resmi sözcük orantısı açısından, deney grubu görev öncesindeki 0.42 değerinden görev sonrası 0.56 değerine yükselmiş ve nispeten belirgin bir artış göstermiştir. Buna karşın, kontrol grubu 0.43'ten 0.48'e yalnızca hafif bir artış göstermiş, bu da sınırlı bir iyileşmeye işaret etmiştir. Bu sonuç, sistematik istem rehberliği ve model geri bildirimi alan deney grubundaki öğrencilerin, yazım sürecinde akademik stil gerekliliklerini karşılayan resmi sözcükleri kullanmaya daha eğilimli olduklarını ve dil stillerinin kademeli olarak İngilizce akademik yazım standartlarına yaklaştığını göstermiştir. Edilgen yapı kullanım sıklığı açısından ise deney grubu, görev öncesi 0.18'den görev sonrası 0.27'ye çıkarak 0.09'luk bir artış sergilemiş; buna karşın kontrol grubunda artış yalnızca 0.02 olmuştur.

Yukarıdaki değişikliklerin istatistiksel olarak anlamlı olup olmadığını daha fazla doğrulamak için, çalışma görev öncesi ve sonrası veriler üzerinde bağımsız örneklem t-testi uygulamıştır. Sonuçlar, deney grubunun resmi kelime dağarcığı oranında anlamlı bir iyileşme gösterdiğini ortaya koymuştur, t(58) = 3.89, p < 0.001, Cohen's d = 0.92; pasif yapı kullanım sıklığındaki artış da anlamlı bulunmuştur, t(58) = 4.56, p < 0.001, Cohen’s d = 1.05. Bu durum, deney grubundaki öğrencilerin dil stili adaptasyonunda önemli bir ilerleme kaydettiğini ve bu ilerlemenin tesadüfi olmadığını, aksine sistematik istem yönlendirmesi ve model geri bildiriminin birleşik etkisinin bir sonucu olduğunu göstermiştir.

İstatistiksel doğrulama

Ek olarak, öğretim uygulamasında yapay zeka tarafından oluşturulan içeriğin güvenilirliğini daha fazla doğrulamak için çalışma, farklı istem türleri altında yapay zeka tarafından oluşturulan içerik ile öğretmen tarafından oluşturulan içeriğin ortalama puanlarını da karşılaştırmıştır. İkisi arasındaki tutarlılık, Pearson korelasyon katsayısı hesaplanarak değerlendirilmiştir. İlgili karşılaştırma sonuçları Tablo 4'te gösterilmektedir. Tablo 4, beş tip aktarım odaklı istemde yapay zeka tarafından oluşturulan içerik ve öğretmen puanlarının tutarlılığını göstermektedir. Ortalama puan açısından bakıldığında, genel olarak yapay zeka puanı öğretmen puanından biraz daha düşük çıkmıştır. Yine de fark çoğu görev türünde makul bir aralıkta kalmış olup, bu durum DeepSeek modelinin yazma aktarım görevlerini değerlendirmede yüksek stabiliteye ve referans değerine sahip olduğunu göstermektedir. Sözdizimsel aktarım istemi altında, ortalama öğretmen puanı 4.1, yapay zeka puanı ise 4.0 olmuş ve ikisi arasındaki fark sadece 0.1 olarak gerçekleşmiştir. Yapısal ve mantıksal aktarım istemlerinde, yapay zeka puanı öğretmen puanından sadece 0.1 puan daha düşük çıkmıştır; bu da modelin, yüksek derecede dil yapısı ve net kurallar içeren bu görevlerde öğretmenin değerlendirme kriterlerini daha iyi simüle edebildiğini göstermektedir. Buna karşılık, kültürel aktarım ve sicil aktarımı istemleri altındaki puanlama sapmaları nispeten belirgindir; yapay zeka puanları sırasıyla 3.6 ve 3.7 olarak gerçekleşmiş ve öğretmen puanlarından 0.2 daha düşük çıkmıştır; bu durum, yapay zekanın anlamsal çıkarımlar ve kültürel pragmatik gibi yüksek öznellik içeren görevlerle uğraşırken hala belirli sınırlamalara sahip olduğunu yansıtmaktadır. Puanlayıcılar arası güvenilirlik ICC (n = 5 puanlayıcı) aracılığıyla değerlendirilmiştir. Manuel puanlama için genel ICC 0.86 çıkmış ve her bir boyut için ICC değerleri 0.82 ile 0.89 arasında değişerek tatmin edici bir puanlayıcılar arası uzlaşıya işaret etmiştir.

Pearson korelasyon katsayısının daha ayrıntılı analizi, çeşitli istemler altındaki puanların tutarlılığının yüksek düzeyde olduğunu ortaya koymuştur; bu durum, yapay zeka puanının değer açısından sadece öğretmenin değerlendirmesine yakın olmakla kalmayıp, aynı zamanda puanlama eğiliminde de iyi bir doğrusal ilişki sergilediğini göstermektedir. Bunlar arasında, sözdizimsel aktarım isteminin tutarlılık katsayısı 0,87 ile en yüksek seviyeydi; yapısal aktarım ve mantıksal aktarım istemleri ise sırasıyla 0,83 ve 0,85 idi; bu da yapay zekanın sözdizimsel karmaşıklık, paragraf organizasyonu ve mantıksal tutarlılık açısından değerlendirme sonuçlarının öğretmenin değerlendirmesiyle yüksek düzeyde tutarlı olduğunu göstermektedir. Bunun nedeni, bu görevlerin net hedeflere ve ölçülebilir dil özelliklerine sahip olması ve bunun da model tanıma ile kararlı değerlendirmeyi kolaylaştırmış olması olabilir. Alan aktarım isteminin korelasyon katsayısı 0,81'dir. Hafif bir düşüş göstermiş olsa da, hala güçlü bir değerlendirme yeteneği sergilemiş ve yapay zekanın üslup uyarlaması düzeyinde belirli bir değerlendirme kapasitesine sahip olduğunu göstermiştir. Ancak, kültürel aktarım isteminin tutarlılık katsayısı sadece 0,79 idi; bu değer diğer türlerden daha düşük olsa da hala kabul edilebilir bir aralıkta yer almaktadır.

Öğretim uygulamalarında farklı istem türlerinin uygulanabilirliğini ve öğretmenler tarafından kabul görme derecesini incelemek amacıyla bir istem yanıt memnuniyet anketi tasarlanmıştır. Beş İngilizce öğretmeni (T1–T5 olarak numaralandırılmış), Şekil 6'da gösterildiği gibi, beş farklı istem türünün üretim önerilerini beş seviyeli bir ölçek (çok memnuniyetsizden çok memnuniyete kadar) kullanarak değerlendirmeye davet edilmiştir: beş öğretmenin beş istem türü üzerindeki puanları bir miktar farklılık gösterse de genel kabul yüksek çıkmıştır. Bunlar arasında "sözdizimsel aktarım" ve "kültürel aktarım" istemleri, ortalama 4,0 puan ile en yüksek puanları almış olup, bu durum öğretimdeki güçlü pratikliği ve uyarlanabilirliği yansıtmaktadır. Buna karşılık, "sicil aktarımı" istemi puanları nispeten düşük kalmış, ortalaması yalnızca 2,4 olmuştur; T4 ve T5 gibi bazı öğretmenlerin en düşük puanları vermesi, bu istemin öğretim uygulamalarındaki rehberliğinin ve uyarlanabilirliğinin hala geliştirilmeye ihtiyaç duyduğunu göstermektedir.

Bireysel düzeyde, öğretmenlerin puanlama eğilimlerinde belirgin farklılıklar vardı. T1'in genel puanı pozitifti ve bu durum AI destekli yazıma yüksek düzeyde kabul gösterildiğini belirtirken; T5'in puanları, özellikle "sicil aktarımı" (register transfer) ve "mantık aktarımı" (logic transfer) olmak üzere birden fazla Prompt boyutunda düşüktü. Bu fark, öğretmenlerin öğretim deneyimi, dil tercihi veya AI araçlarına olan aşinalığı ile ilgili olabilir ve gelecekteki Prompt tasarımlarının, farklı öğretmen gruplarının kabulünü artırmak için kişiselleştirilmiş adaptasyon mekanizmalarını göz önünde bulundurması gerektiğini göstermektedir. AI destekli öğretimin öğrencilerin yazı kalitesini artırma üzerindeki gerçek etkisini daha fazla doğrulamak için çalışma, deney grubu ile kontrol grubunun öğretmenler tarafından değerlendirilen genel puanlarındaki deney öncesi ve sonrası değişimleri karşılaştırmıştır. Karşılaştırma sonuçları Şekil 7'de gösterilmiştir.

Şekil 7'de gösterildiği üzere, deney ve kontrol gruplarının deney öncesi ve sonrası öğretmenler tarafından değerlendirilen genel puanları arasında anlamlı farklılıklar görülmüştür. Genel olarak, DeepSeek modeline dayalı öğretim optimizasyonu müdahalesinden sonra, deney grubunun genel puanında belirgin bir artış eğilimi gözlemlenmiştir. Buna karşılık, kontrol grubundaki puan değişimi nispeten daha düşük seyretmiştir. Deney grubunun deney öncesindeki ortalama öğretmen puanı 59,1 puan iken, deney sonrası ortalama puan anlamlı bir şekilde 74,4 puana yükselerek 15,3 puanlık bir artış göstermiştir. Bu durum, yapay zeka destekli öğretimin öğrencilerin yazma kalitesi üzerinde olumlu bir etki yarattığını göstermiştir. Kutu grafiğinden, deney grubunun puanlarının dağılım aralığının da genişlediği gözlemlenmiştir. Özellikle, deney sonrası puan kutusu deney öncesine göre anlamlı derecede daha yüksektir; üst maksimum ve alt minimum değerler artmış olup, bu da öğrencilerin genel seviyesinin önemli ölçüde geliştiğini göstermektedir. Buna karşılık, kontrol grubundaki puan değişimleri nispeten sınırlı kalmıştır. Deney öncesinde kontrol grubunun ortalama puanı 60,1 puan iken, deney sonrasında bu değer 64,9 puana ulaşarak 4,8 puanlık bir artış göstermiştir. Bu artış, deney grubuna kıyasla çok daha düşüktür ve kontrol grubunun puanlama kutusu deney öncesi ve sonrası arasında pek değişmemiştir; bu da geleneksel öğretim yöntemlerinin veya optimize edilmemiş yapay zeka destekli araçların yazma kalitesini artırma konusunda sınırlı bir etkiye sahip olduğunu göstermektedir.

Ek olarak bu çalışmada, öğrencilerin yapısal düzenleme, cümle dönüşümü ve kültürel ifade gibi alanlardaki yetenek gelişimlerine yönelik üç tur öz değerlendirme yapmalarına rehberlik etmek ve böylece öğrencilerin üstbilişsel farkındalıklarındaki değişim eğilimini ve transfer stratejilerine hakimiyetlerini yansıtmak için transfer biliş tablosu kullanılmıştır. Sonuçlar Şekil 8'de gösterilmektedir. Şekil 8'de sunulan öğrencilerin transfer yeteneğine ilişkin öz değerlendirme radar grafik verilerine göre; yapısal transfer, sözdizimsel transfer, kültürel transfer, sicil transferi ve mantıksal transfer olmak üzere beş boyuttaki öz değerlendirmeler üç görev turu boyunca sürekli bir artış eğilimi göstermiştir; bu durum DeepSeek modeli tabanlı öğretim optimizasyonu müdahalesi altında, öğrencilerin transfer stratejilerini kullanma yeteneklerinin önemli ölçüde geliştiğini göstermektedir. Görevlerin ilk turunda, öğrencilerin öz değerlendirme puanları genel olarak düşüktü. Beş boyut arasında "yapısal transfer" 3,2 ve "mantıksal transfer" 3,0 puan alırken, "kültürel transfer" 2,5 ve "sicil transferi" 2,7 puan almış olup bu durum öğrencilerin transfer stratejilerini tanımlama ve kullanma konusunda henüz yetersiz olduklarını göstermektedir. İkinci görev turuna gelindiğinde, her bir maddenin puanları yükselmiş; "yapısal transfer" 3,8'e, "sözdizimsel transfer" 3,5'e ve "mantıksal transfer" 3,7'ye çıkmıştır. Bu durum, öğretmen rehberliği ve model geri bildiriminin desteğiyle öğrencilerin temel transfer işlemlerinin kilit noktalarını kademeli olarak kavradıklarını ve bunları gerçek yazıma ilk kez uyguladıklarını göstermiştir. Üçüncü görev turunda, öğrencilerin öz değerlendirme puanları önemli ölçüde artarak "yapısal transfer" 4,5'e ve "mantıksal transfer" 4,3'e ulaşmış, diğer boyutlar da 4,0 puanın üzerinde sabitlenmiştir; bu da çok turlu transfer eğitiminin öğrencilerin dil formu kontrolü ve metin oluşturma yeteneğini geliştirmedeki sürekli etkisini ortaya koymuştur. Bu aşamada öğrenciler, transfer stratejilerinin anlaşılması, uygulanması ve değerlendirilmesi arasında temel bir bilişsel kapalı döngü oluşturmuşlardır. Öğretmen geri bildirimlerine ek olarak, çalışmada deney grubundaki tüm öğrencilere yapay zeka destekli yazma işlevi hakkında bir memnuniyet anketi uygulanmış ve toplam 30 geçerli anket toplanmıştır. Anket, yapay zekanın performansını yeniden yazma önerileri, yapısal optimizasyon ve kültürel ipuçları olmak üzere üç fonksiyonel modülde değerlendirmiş ve öğrencilerin beş düzeyli standartlara göre seçenekleri belirlemesini istemiştir. Sonuçlar Tablo 5'te gösterilmiştir.

Tablo 5'te gösterilen yapay zeka destekli yazma işlevlerine ilişkin öğrenci memnuniyet anketi sonuçlarına göre, deney grubundaki öğrenciler genel olarak yeniden yazma önerileri, yapısal optimizasyon ve kültürel ipuçları şeklindeki üç işlevsel modülde yapay zekanın performansına olumlu yorumlar yapmışlardır; bu durum, yapay zeka destekli yazma sistemlerinin yazma eğitimi verimliliğini ve öğretim destek kalitesini artırmadaki iyi uygulama potansiyellerini göstermektedir. Genel olarak, öğrencilerin %90'ından fazlası "yeniden yazma önerileri" ve "yapısal optimizasyon" şeklindeki iki işlevsel maddede "çok memnun" veya "memnun" olduklarını belirtmişlerdir; bunlardan "yeniden yazma önerileri" %91 ile en yüksek memnuniyete ulaşarak, öğrencilerin yapay zekanın sözdizimsel yeniden yapılandırma ve dil cilalama yeteneğini yüksek düzeyde kabul ettiğini göstermiştir. Buna karşılık, "kültürel ipuçları" işlevine yönelik memnuniyet nispeten daha düşük kalmıştır. Yine de bu oran %83'e ulaşmış olup, yapay zekanın kültürlerarası ifadeyi yönlendirmede belirli bir karmaşıklık ve öznellik taşımasına rağmen, öğrencilerin ana dil kültürel etkileşimlerini belirlemelerine ve bunları düzenlemelerine yardımcı olma rolünün çoğu öğrenci tarafından kabul edildiğini göstermiştir. Memnuniyetsizlik açısından, üç işlevde "memnun değil" veya "hiç memnun değil" seçeneğini tercih eden öğrencilerin oranı %5'in altında kalmış; bu da yapay zeka destekli işlevlerin çoğu uygulama senaryosunda iyi bir kullanılabilirlik ve kabul görülebilirliğe sahip olduğunu ortaya koymuştur. "Kültürel ipuçları" maddesinde "orta" şeklinde değerlendirme yapan öğrencilerin oranının nispeten yüksek olması dikkat çekicidir; bu durum, mevcut yapay zekanın kültürel adaptasyon sorunlarıyla uğraşırken öğrencilerin beklentilerini tam olarak karşılamayabileceğini ve hala geliştirilmeye açık alanlar olduğunu göstermektedir. Kapsamlı bir analiz, DeepSeek tabanlı talimat optimizasyon yönteminin, özellikle dil formu desteği açısından öğrenciler tarafından yaygın olarak kabul gördüğünü ortaya koymaktadır.

Tekrarlı Ölçümler ANOVA

Grupların (denekler arası faktör: deney grubu ile kontrol grubu) ve zamanın (denekler içi faktör: ön test, Görev 1, Görev 2, Görev 3, son test) yanı sıra bunların etkileşiminin öğrencilerin İngilizce yazma transfer performansı üzerindeki etkilerini incelemek için iki yönlü tekrarlı ölçümler varyans analizi (RM-ANOVA) yapılmıştır. Mauchly testi, küresellik varsayımının ihlal edildiğini göstermiştir (p < 0.05), bu nedenle denekler içi etkiler için serbestlik derecelerini düzeltmek amacıyla Greenhouse–Geisser düzeltmesi uygulanmıştır. Tüm analizler grup başına n = 30 katılımcı üzerinden gerçekleştirilmiştir. Sonuçlar Tablo 6'da gösterilmektedir:

Greenhouse–Geisser düzeltmeli tekrarlı ölçümler ANOVA sonuçları; ölçülen tüm boyutlarda Grup, Zaman ve Grup × Zaman etkileşiminin anlamlı ana etkilerini göstermiştir (p < 0.001). Genel Transfer İndeksi için, anlamlı bir Grup etkisi (F(1,58) = 76.32) gözlemlenmiş; buna ek olarak anlamlı bir Zaman etkisi (F(2.14,124.12) = 92.75) ve anlamlı bir Grup × Zaman etkileşimi (F(2.14,124.12) = 68.49) saptanmıştır; bu durum, genel transfer performansındaki zamanla meydana gelen değişimlerin gruplar arasında anlamlı derecede farklılaştığını göstermektedir.

Benzer şekilde, sözdizimsel aktarımda Grup (F(1,58) = 52.18), Zaman (F(2.11,122.38) = 71.26) ve Grup × Zaman etkileşiminin (F(2.11,122.38) = 45.73) anlamlı etkileri görülmüş olup, bu durum gruplar ve ölçüm noktaları arasında sözdizimsel aktarım yeteneğinde farklı gelişim modelleri olduğunu göstermektedir. Yapısal Aktarım için de anlamlı Grup (F(1,58)=48.65), Zaman (F(2.09,121.22) = 67.81) ve etkileşim etkileri (F(2.09,121.22) = 41.36) belirlenmiş olup, bu sonuçlar gruba bağlı seyirlerle birlikte tutarlı iyileşmeleri yansıtmaktadır. Özellikle, Kültürel Aktarım; anlamlı bir Grup etkisi (F(1,58) = 81.44), belirgin bir Zaman etkisi (F(2.07,119.96) = 98.52) ve güçlü bir Grup × Zaman etkileşimi (F(2.07,119.96) = 79.27) ile en güçlü etkileri sergileyerek, bu boyutta en önemli ve farklılaşmış büyüme modelinin olduğunu düşündürmüştür. Genel olarak, tüm indeksler istatistiksel olarak anlamlı etkiler göstermiş ve müdahalenin, zaman içinde aktarım gelişimi üzerinde istikrarlı ve farklılaşmış bir etki yarattığını doğrulamıştır.

VERİ ERİŞİLEBİLİRLİĞİ:

Bu çalışma sırasında üretilen veya analiz edilen tüm veriler bu makalede yer almaktadır. Ham değerlendirme verileri Ek Tablo 1'de sunulmuştur.

Şekil 1: Cümle yapısı dönüşüm adımları. (A) Cümle yapısını iyileştirmek için fiilleri birleştirme ve güçlendirme stratejileri. (B) Gerund, infinitive ve nominalize özneler dahil olmak üzere alternatif özne dönüşümleri. (C) Cümle çeşitliliğini ve özlülüğünü artırmak için sonlu olmayan ifadelerin kullanımı. (D) Geliştirilmiş akademik stil ve kültürlerarası İngilizce ifadeyi gösteren cilalanmış final versiyon örnekleri. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 2: Görev evrim ağacı diyagramı. Cümle, paragraf, söylem ve kültürel düzeyden oluşan dört aşamalı aktarım görevlerinin kademeli yapısını sunmaktadır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 3: Deney öncesi ve sonrası yazma aktarım yeteneğinin karşılaştırılması.Radar grafiği, deneysel grubun ve kontrol grubunun sözdizimsel, yapısal ve kültürel aktarım boyutlarındaki ön test ve son test puanlarını göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Şekil 4: Sözdizimsel karmaşıklık eğilim çizgisi grafiği. Üç eğitim görevi boyunca ortalama cümle uzunluğu ve yan cümle iç içe geçme katmanlarındaki değişimler gösterilmektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5: Akademik terminoloji eşleştirme. Bu şekil, müdahale öncesi ve sonrası resmi kelime hazinesi oranındaki değişimleri ve edilgen yapı kullanım sıklığını göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 6: İstem yanıt memnuniyet ısı haritası. Katılımcı öğretmenlerin beş farklı istem şablonu türüne verdiği puanlar burada özetlenmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 7: Öğretmen değerlendirmelerindeki değişimlerin kutu grafiği. Kutu grafiği, iki grup için deney öncesi ve sonrası öğretmen tarafından değerlendirilen yazma puanlarının dağılımını ve genel değişimlerini göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 8: Öğrencilerin öz değerlendirme yoluyla belirledikleri aktarım yeteneklerinin radar grafiği. Üç eğitim turunda beş aktarım boyutundaki öğrenci öz değerlendirme puanlarını göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Lütfen çevirmek istediğiniz metni giriniz.	Öğretmen İşlemleri	İstem Türü	Öğrenci Operasyonu	Çıktı	Değerlendirme Kriterleri
Öğrencilerin orijinal yazı taslakları (cümleler/paragraflar/makaleler)	1. Etiket aktarım türlerini ve görev seviyelerini belirleyin 2. Gerekirse istem parametrelerini ayarlayın	Tekli aktarım istemi / Üç aşamalı iç içe geçmiş istem zinciri	1. Aktarım stratejilerini öğrenin 2. Taslakları yapay zeka geri bildirimlerine göre revize edin 3. Öz değerlendirmeyi tamamlayın	Yapay zeka tarafından revize edilmiş metin + Öğrenci tarafından revize edilmiş nihai taslak	Sözdizimsel karmaşıklık, yapısal rasyonellik, kültürel uygunluk, mantıksal tutarlılık, sicil standartlaşması (0–5 ölçeği)

Tablo 1: İş Akışı Özet Tablosu. Bu tablo; girdi materyalleri, öğretmen ve öğrenci işlemleri, istem türleri, nihai çıktılar ve ilgili değerlendirme kriterlerini kapsayacak şekilde, yapay zeka destekli İngilizce yazma transfer eğitiminin tüm operasyonel iş akışını özetlemektedir.

Proje Kategorisi	İçindekiler
Görev hedeflerinin anlaşılması	Lütfen bu yazım görevi döngüsünün yapısal düzenleme, kültürel adaptasyon ve dil dönüştürme gibi taşıma hedeflerini kısaca açıklayınız.
Kullanılan migrasyon stratejisi	Lütfen benimsediğiniz migrasyon stratejilerini listeleyiniz (birden fazla seçim yapılabilir):
	Yapısal Ayarlama
	Cümle dönüşümü
	Dil değiştirme
	Kültürel dışavurum
	Mantıksal bağın güçlendirilmesi
	Diğer：_______
Örnekleri ve talimatları yeniden yazın	Yeniden yazılmış 1–2 cümle seçin; yeniden yazım öncesi ve sonrası versiyonları gösterin ve değişikliklerin nedenlerini ve hedeflenen aktarım amaçlarını açıklayın.
Karşılaşılan güçlükler ve şüpheler	Migrasyon sırasında karşılaştığınız zorlukları veya belirli bir ifadeyle ilgili sorularınızı belirtiniz.
Öz değerlendirme puanı (5 puan üzerinden)	Lütfen metin yeniden yazımınızı aşağıdaki üç hususa göre değerlendirin:
	• Strateji uygulama doğruluğu (/5)
	• İfadenin doğal akıcılığı (/5)
	• Kültürel uyum (/5)
Gelecekteki yazı geliştirme hedefleri	Bir sonraki eğitim turunda güçlendirmek veya optimize etmek istediğiniz aktarılabilirliği kısaca açıklayınız

Tablo 2: Transfer bilişi tablosu. Öğrencilerin yazma transfer stratejilerini öz değerlendirmeleri için 1–5 arası bir derecelendirme ölçeği (1 = hiç hakim değil, 5 = tamamen hakim) benimsenmiştir.

Gösterge adı	Açıklama	Veri Kaynağı
Yazma transfer indeksi (0–5)	Sözdizimi, yapı ve kültür olmak üzere üç seviyeyi kapsayan, dil transfer yeteneğini kapsamlı bir şekilde ölçen nicel bir göstergedir.	Sistem tarafından otomatik puanlama + öğretmenler tarafından manuel puanlama
Sözdizimsel karmaşıklık puanı	Ortalama cümle uzunluğu, yan cümlecik gömme sayısı, fiil öbeği zenginliği vb. içerir.	NLP otomatik analizi
Akademik stil uyumu	İngilizce akademik yazım standartlarına uygun mu?	Doğal dil işleme model değerlendirmesi
İstem yanıt memnuniyeti	Öğretmenlerin model tarafından üretilen önerileri kabul etme düzeyleri ve pratik değerlendirmeleri	Öğretmen Anketi
Öğretmen inceleme notu değişiklikleri	Yazım kalitesindeki iyileşmeyi yansıtmak için deney öncesi ve sonrası öğretmen puanlarının karşılaştırılması	Öğretmen Puanlama Kayıtları
Öğrencilerin öz değerlendirme transfer yeteneği	Öğrencilerin farklı transfer boyutlarındaki hakimiyetlerini kendilerinin değerlendirmesi	Transfer farkındalık formunun doldurulması

Tablo 3: Değerlendirme göstergelerinin, açıklamaların ve veri kaynaklarının özeti. Bu tablo, bu çalışmadaki her bir temel değerlendirme göstergesi için tanımları, ölçüm yöntemlerini ve orijinal veri kaynaklarını açıklığa kavuşturmaktadır.

İstem türü	Öğretmenlerin ortalama değerlendirmesi	Yapay zeka puan ortalaması	Pearson korelasyon katsayısı
Yapısal transfer	4	3.9	0.83
Sentaktik transfer	4.1	4	0.87
Kültürel transfer	3.8	3.6	0.79
Yazmaç aktarımı	3.9	3.7	0.81
Mantıksal aktarım	4.2	4.1	0.85

Tablo 4: Yapay zeka tarafından oluşturulan içerik ile öğretmen değerlendirmeleri arasındaki tutarlılığın karşılaştırılması. Sonuçlar, farklı istem türleri genelinde yapay zeka tarafından oluşturulan içerik ile öğretmen değerlendirmeleri arasındaki tutarlılığı göstermektedir.

Fonksiyon öğeleri	Çok memnun	Memnun	Genellikle	Memnun değil	Hiç memnun değil
Yeniden yazım önerisi	66%	25%	7%	1.50%	0.50%
Yapısal optimizasyon	60%	30%	7%	2%	1%
Kültürel ipuçları	55%	28%	12%	3.50%	1.50%

Tablo 5: Öğrencilerin yapay zeka destekli işlevlerden memnuniyetine ilişkin anket istatistikleri. İstatistikler; yapay zeka ile yeniden yazma, yapısal optimizasyon ve kültürel istem işlevlerine yönelik öğrenci memnuniyetinin dağılımını göstermektedir.

Ölçüm	Grup F(df)	Zaman F(df)GG	Grup × Zaman F(df)GG	p
Genel Transfer İndeksi	76.32 (1, 58)	92.75 (2.14, 124.12)	68.49 (2.14, 124.12)	<0.001
Sözdizimsel Transfer	52.18 (1, 58)	71.26 (2.11, 122.38)	45.73 (2.11, 122.38)	<0.001
Yapısal Transfer	48.65 (1, 58)	67.81 (2.09, 121.22)	41.36 (2.09, 121.22)	<0.001
Kültürel Transfer	81.44 (1, 58)	98.52 (2.07, 119.96)	79.27 (2.07, 119.96)	<0.001

Tablo 6: Tekrarlı ölçümler ANOVA sonuçlarının özeti. Yazma transferi genel performansı ve bunun üç alt boyutu için grup, zaman ana etkilerini ve grup-zaman etkileşimini içeren iki yönlü tekrarlı ölçümler ANOVA sonuçlarını sunmaktadır. Kısaltmalar: GG = Greenhouse–Geisser düzeltmesi.

Ek Tablo 1: Ham veri değerlendirmesi. Bu çalışmadaki tüm analizlerde kullanılan ham verileri içerir.Lütfen bu dosyayı indirmek için buraya tıklayın.

Tartışma

Bu araştırma, kültürlerarası İngilizce yazma aktarımı öğretimi için DeepSeek'in MoE mimarisine dayalı çok seviyeli bir talimat optimizasyon çerçevesi oluşturmaktadır. Cümle düzeyinden kültürel boyuta kadar uzanan dört aşamalı ilerleyici görevlere ve beş kategorili standartlaştırılmış bir görev kütüphanesine odaklanan araştırma, gerçek öğrenci yazma örneklerine dayalı otomatik istem üretimi gerçekleştirmekte ve karmaşık kültürlerarası adaptif görevleri ayrıştırmak için üç aşamalı iç içe geçmiş istem zincirleri kurmaktadır. Sadece metin düzeltme ile sınırlı geleneksel genel istem tasarımlarından farklı olarak, önerilen çözüm, istem derlemesini dil aktarımı öğretim hedefleriyle yakından ilişkilendirmekte ve model üretimi, öğretmen notlandırması ve öğrenci iteratif revizyonundan oluşan kapalı döngü bir öğretim akışı inşa etmektedir. Disipliner ilerleme perspektifinden bakıldığında, mevcut çalışma, ikinci dil ediniminde istem mühendisliğinin pratik sınırlarını genişleterek, büyük dil modeli parametre özelliklerini EFL sınıfı hedefli eğitimle birleştirmek için ölçülebilir bir şablon oluşturma yolu sunmaktadır. Ayrıca, yalnızca sözdizimsel negatif aktarım hatalarına odaklanan mevcut araştırma bulgularını tamamlayarak, yapay zeka destekli ortamda kültürlerarası pragmatik aktarım araştırmaları için ampirik kanıtları zenginleştirmektedir^36,37.

Ampirik yarı-deneysel veriler, deney grubunun sözdizimsel, yapısal ve kültürel aktarım göstergelerinin tamamında belirgin bir ilerleme kaydettiğini doğrulamaktadır; ancak bazı doğal kısıtlamalar araştırma sonuçlarının genellenebilirliğini sınırlamaktadır. Araştırma koşulları nedeniyle çalışma, değerlendirici körleme düzenlemesi olmaksızın randomize edilmemiş sınıf gruplandırmasını benimsemiştir ve tüm örneklemler tek bir üniversitenin İngilizce bölümlerinden seçilmiştir; bu durum, puan varyasyonları sırasında öğrencilerin özerk öğrenme motivasyonlarından ve öğretmenlerin uzun vadeli öğretim alışkanlıklarından kaynaklanabilecek etkilerin dışlanmasını zorlaştırmaktadır. Ayrıca, bu müdahale yalnızca üç hafta sürmüş olup kısa vadeli bir eğitim programını temsil etmektedir. Tüm katılımcıların tek bir meslek yüksekokulundan seçildiği tek merkezli örnekleme tasarımıyla birlikte değerlendirildiğinde, gözlemlenen olumlu etkiler uzun vadeli öğretim uygulamalarında tamamen istikrarlı olmayabilir. Bu nedenle, araştırma bulguları dikkatle yorumlanmalı ve ulaşılan sonuçların farklı üniversite türlerine, daha uzun öğretim döngülerine veya farklı dil yeterliliğine sahip öğrenci gruplarına doğrudan genellenmesi uygun görülmemelidir.

Pratik öğretim uygulamalarında, mevcut istem optimizasyon sistemi ile DeepSeek modelinin kombinasyonu, belirgin sınırlamalar ve tipik hata durumları sergilemektedir. Kültürel ve üslup aktarımı görevleri açısından model, ince kültürel çağrışımlara ve bağlama bağlı üslup taleplerine sahip metinleri işlerken zaman zaman pragmatik olarak uygun olmayan ifadeler veya katı stil dönüştürme sonuçları üretmektedir^38,39; ayrıca uzun ve karmaşık paragraflardaki örtük yerel kültürel düşünce biçimlerini doğru şekilde tanımlayamamakta, bu da Chinglish ifadelerin eksik revize edilmesine yol açmaktadır. Otomatik puanlamada, AI değerlendirmesinin tutarlılığı oldukça subjektif kültürel pragmatik maddeler için önemli ölçüde düşmekte ve retorik anlatımdaki nüanslı farklar ile kültürlerarası imaları etkili bir şekilde ayırt edememektedir. Ek olarak, üç aşamalı iç içe geçmiş istem zinciri, çok turlu yinelemeli üretimde anlamsal sapmalara meyillidir; burada anlamsal yeniden düzenlemenin ilk aşamasından kaynaklanan hatalar, sonraki dilsel revizyon ve kültürel adaptasyon adımlarında devralınmakta ve büyütülmektedir^40,41.

Takip eden geliştirme trendleri açısından, üç pratik boyut üzerinden daha fazla iyileştirme yapılabilir. İlk olarak, farklı dil yeterlilik seviyelerine sahip öğrenciler ve İngilizce ana dalı dışındaki öğrencilerden yazı külliyatı toplayarak görev kütüphanesinin ölçeğini genişletmek, böylece çeşitlendirilmiş öğrenci grupları için şablon uyumluluğunu güçlendirmek. İkinci olarak, mevcut istatistiklerde öğretmen değerlendirmesine kıyasla tutarlılığının daha düşük olduğu tespit edilen yapay zeka kültürel aktarım puanlamasındaki sapmaları azaltmak için hafifletilmiş DeepSeek alt modüllerinin sürekli ince ayarı ile birleştirmek. Üçüncü olarak, istem kurallarının sürekli yinelemeli optimizasyonu için otomatik uzun vadeli veri birikimini gerçekleştirmek amacıyla tüm istem optimizasyon sistemini geleneksel çevrimiçi yabancı dil öğrenme platformlarına entegre etmek. Diller arası kültürel külliyat kaynaklarının sürekli zenginleşmesiyle birlikte, önerilen teknik çerçevenin sonraki araştırmalarda iki dilli çeviri öğretimi ve kültürlerarası iletişim derslerine uygulama alanını genişletmesi beklenmektedir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
BERT Ön Eğitimli Dil Modeli	Google	https://github.com/google-research/bert	Metin temsili, paragraf yapısı tanıma, anlamsal benzerlik hesaplaması ve metin sınıflandırma, yazılı içeriğin otomatik puanlanmasını desteklemektedir.
Hakemlik Süreci	Patlama Yapan YZ	https://github.com/explosion/coreferee	Yazım kalitesinin otomatik olarak puanlanmasına yardımcı olmak amacıyla, metinsel referans ilişkileri belirlenmekte ve söylemsel referans tutarlılığı değerlendirilmektedir.
DeepSeek Büyük Dil Modeli	DeepSeek Yapay Zeka	https://chat.deepseek.com/	MoE model mimarisi temel alınarak, talimat optimizasyonu ve istem sözcük zinciri tasarımı gerçekleştirilmiştir. Model, sabit parametreler kullanmaktadır: 0,7 sıcaklık katsayısı ve soru tipine göre dinamik olarak sınırlandırılan üretilen uzunluk.
spaCy	Patlama Yapay Zekası	https://github.com/explosion/spaCy	İngilizce metnin bağımlılık sözdizimi yapısı analiz edilmekte ve sözdizimsel karmaşıklığı nicelleştirmek için ortalama cümle uzunluğu ve iç içe geçmiş yan cümle sayısı gibi göstergeler çıkarılmaktadır.
SPSS 26.0	IBM	https://www.ibm.com/products/spss-statistics	Tekrarlanan Ölçümler ANOVA (RM-ANOVA), bağımsız örneklemler t-testi, Pearson korelasyon analizi, etki büyüklüğü (Cohen’s d) hesaplama ve güvenilirlik (ICC) testi gerçekleştirildi.