İçindekiler

1. Özet

2. Giriş

3. Yöntem

4. Öğrenme Yönetim Sistemleri ve Veri Hasadı Pratikleri

4.1 LMS Telemetri Altyapısı

4.2 Gölge Profil (Shadow Profile) Oluşumu

5. Algoritmik Önyargı (Bias) ve Fişleme Mekanizmaları

5.1 Tarihsel Önyargı Vektörü

5.2 Gerçek Dünya Vakası: İngiltere A-Level Skandalı (2020)

6. Federe Öğrenme: Etik Bir Mimari Alternatif

6.1 Federe Öğrenme Nedir?

6.2 Merkezi LMS ile Mimari Karşılaştırma

6.3 Veri Minimizasyonu ve Yerel Gözetim (Local Proctoring)

7. Bilişim Etiği Boyutu

8. Metodoloji ve Uygulama

8.1 Ön Hazırlık: Tarayıcı Gözetiminin Gerçek Dünya Kanıtları

8.2 Simülasyon Sistemi: lms-sim.netlify.app

8.3 Senaryo 1 — Merkezi LMS: Davranışsal Telemetri ile Fişleme

8.3.1 Gölge Profil Matrisi

8.3.2 Algoritmik Puan Manipülasyonu

8.3.3 Anlık Sınav İptali: Sekme Değiştirme Senaryosu

8.4 Senaryo 2 — Federe Öğrenme Modeli: Etik Denetim

8.5 Senaryo Analizi Bulguları

9. Tartışma

10. Sonuç

11. Kaynakça

Yapay Zeka ve Özgünlük Raporları

 

1. Özet

Öğrenme Yönetim Sistemleri (LMS), kurumlarda pedagojik bir araçtır. Ancak, aynı zamanda kapsamlı bir gözetim altyapısıdır. Çünkü bu sistemler öğrencilerin verilerini merkezi sunucularda biriktirir. Bu bağlamda çalışma, telemetri tabanlı veri hasadı pratiklerini inceler. Ayrıca, fare titremesinden klavye dinamiklerine uzanan davranışsal izleri analiz eder. Bunun sonucunda ortaya çıkan gölge profilleri araştırır. Üstelik bu profillere dayanan algoritmik önyargıları etik açıdan tartışır. Çalışmanın temel argümanı oldukça nettir. Merkezi LMS mimarileri bir fişleme aracına dönüşmektedir. Dolayısıyla, algoritmalar eğitimdeki fırsat eşitliğini doğrudan tehdit etmektedir. Buna karşılık, Federe Öğrenme mimarisi teknik ve etik bir alternatiftir. Son olarak, araştırma interaktif bir simülatör kullanmıştır. Böylece lms-sim.netlify.app üzerinde senaryo analizi yürütülmüştür.

Anahtar Kelimeler: Öğrenme Yönetim Sistemleri, algoritmik önyargı, federe öğrenme, gölge profil, telemetri, tarayıcı parmak izi, keystroke dynamics, bilişim etiği, veri minimizasyonu.

2. Giriş

2.1. LMS ve Arka Plan İşleyişi

Bir öğrenci Moodle’a girdiğinde ne olur? Aslında öğrenci ne sandığını düşünür? Çoğu kullanıcı platforma bağlandığında sadece içerik tükettiğini sanır. Ayrıca, yalnızca sınava girdiğini düşünür. Öte yandan, perde arkasındaki işleyişten tamamen habersizdir. Örneğin, sistemler tıklama zamanlarını ve sayfa geçiş sürelerini kaydeder. Bununla birlikte, forum katılımı ve video duraklamaları da izlenir. Sonuçta sistem detaylı bir profil oluşturur. Kısacası, bu durum modern LMS’lerin olağan çalışma biçimidir. Nitekim sistemler xAPI ve SCORM standartlarını kullanır. Böylece öğrencinin her hareketi veriye dönüşür.

2.2. Algoritmik Sınıflandırma ve Önyargı

Peki, bu veri ne işe yarar? İşte burada durum oldukça endişe vericidir. Yapay zekâ modülleri, bu birikmiş veriyi yoğun biçimde kullanır. Sonuç olarak, öğrencileri sadece başarılarına göre sınıflandırmaz. Aynı zamanda davranışlarına göre de ayırır. Fareyi titretmek veya silme tuşuna çok basmak birer risktir. Hatta cihaz şarjının düşük olması bile risk sayılır. 2020 yılında İngiltere’de yaşananlar bu duruma çarpıcı bir örnektir. Ofqual’ın algoritması, bireysel performansı dikkate almadı. Bunun yerine okulların geçmişini kullandı. Sonuçta algoritma notların yaklaşık yüzde kırkını aşağı çekti. Üstelik bu düşüş en çok dezavantajlı öğrencileri vurdu. Aslında algoritma teknik bir hata yapmadı. Sadece toplumdaki eşitsizliği teknik bir çıktıya dönüştürdü. Buna dayanarak çalışma iki temel iddiayı savunur. İlk olarak, merkezi LMS mimarisi yapısal bir etik sorunudur. İkinci olarak, Federe Öğrenme teknik düzeyde uygulanabilir bir çözümdür.

3. Yöntem

Bu araştırma karma bir yöntem benimser. Bunun yanı sıra nitel ve teknik analizleri birlikte kullanır. Teorik çerçeve, betimsel bir literatür taramasına dayanır. Özellikle LMS mimarisi ve Federe Öğrenme literatürü incelenir. Ayrıca akademik çalışmalar ve teknik belgeler taranmıştır. Uygulama boyutunda ise, algoritmik önyargı mekanizmaları analiz edilir. Bunun için React kütüphanesiyle bir simülatör geliştirilmiştir. Nitekim, sistem üzerinde iki farklı mimari senaryo test edilmiştir. Sonuç olarak bulgular betimsel analiz yöntemiyle detaylıca raporlanmıştır.

4. Öğrenme Yönetim Sistemleri ve Veri Hasadı Pratikleri

4.1 LMS Telemetri Altyapısı

LMS platformları kapsamlı veri toplama mekanizmalarına sahiptir. Üstelik bu durum pedagojik işlevleri tamamen aşar. Sistemler sayfa sürelerini ve tamamlanma oranlarını otomatik kaydeder. Dahası, sınav analizleri ve forum etkileşimleri de izlenir. Böylece detaylı bir telemetri akışı oluşur. Aslında bu sadece teknik bir kayıt işlemi değildir. Aynı zamanda sistematik bir veri hasadıdır. Özellikle modern platformların modülleri bu işi çok ileri taşır. Örneğin, sekmeler arası geçişler anlık olarak izlenir. Buna ek olarak, fare mikro-titremesi ve tuş ritmi kaydedilir. Sonunda algoritmalar bunları ‘kopya şüphesi’ etiketiyle dosyaya ekler.

4.2 Gölge Profil (Shadow Profile) Oluşumu

Telemetri verisinin birikmesi ‘gölge profil’ yaratır. Nitekim bu kavram sosyal medyada sıkça geçer. Ancak, eğitim ortamında bu durum çok daha sistematiktir. Bir LMS’in kurduğu profil çok katmanlıdır. Örneğin, öğrencinin davranışsal imzasını ve dikkat örüntüsünü içerir. Üstelik sistem bunu öğrencinin rızası olmadan yapar. Çoğu zaman, veriler kapalı merkezi sunucularda saklanır. Dolayısıyla, KVKK ve GDPR açısından yasal dayanak oldukça tartışmalıdır. Çünkü kurumlar verileri orantısız biçimde işler.

5. Algoritmik Önyargı (Bias) ve Fişleme Mekanizmaları

5.1 Tarihsel Önyargı Vektörü

Yapay zekâ modülleri akademik performansı ölçer. Ancak, sadece anlık veriyi kullanmaz. Bunun yerine tarihsel veri havuzlarına da bakar. Bu duruma ‘tarihsel önyargı vektörü’ denir. Sonuç olarak, geçmişteki eşitsizlikler mevcut öğrencilere yansır. Eğitim verisi toplumsal eşitsizlikler barındırır. Dolayısıyla, algoritma bunları teknik bir çıktıya dönüştürür. Aslında sistemin hata yaptığını düşünmemeliyiz. Sistem sadece elindeki veriye göre çalışır. Özellikle okul türü ve coğrafi konum oldukça etkilidir. Öte yandan, sorun sadece demografik verilerle sınırlı değildir. Aynı zamanda davranışsal veri de büyük risk taşır. Örneğin, kaygılı bir öğrencinin fare hareketi puanı düşürebilir.

5.2 Gerçek Dünya Vakası: İngiltere A-Level Skandalı (2020)

2020’de A-Level sınavları pandemi nedeniyle iptal edildi. Bunun üzerine Ofqual yeni bir algoritma kullandı. Algoritma öğretmen tahminlerini tek tek revize etti. Ancak, okulların geçmiş yıl başarılarını temel aldı. Sonuçlar oldukça tartışmasız ve çarpıcıydı. Nitekim algoritma notların yüzde kırkını düşürdü. Üstelik bu düşüş en çok dezavantajlı öğrencileri vurdu. Öte yandan, özel okul öğrencileri durumdan çok az etkilendi. Bunun sonucunda kamuoyu büyük bir tepki gösterdi. Başbakan algoritmayı ‘mutant algoritma’ olarak nitelendirdi. Nihayetinde Ofqual eski sisteme geri döndü. Fakat süreç binlerce öğrenciyi mağdur etti. Özetle, bu vaka algoritmik önyargının somut bir kanıtıdır. Dahası, binlerce kişiyi etkileyen gerçek bir sistemik hatadır.

6. Federe Öğrenme: Etik Bir Mimari Alternatif

6.1 Federe Öğrenme Nedir?

Federe Öğrenme dağıtık bir makine öğrenmesi paradigmasıdır. Nitekim bu model 2017’de Google tarafından geliştirildi. Bu sistemde, ham veriler merkezi sunucuya asla gitmez. Bunun yerine, yapay zekâ modeli her cihaza dağıtılır. Cihaz modeli yalnızca kendi yerel verisiyle günceller. Daha sonra, merkeze sadece matematiksel özetler iletilir. Kısacası, sistem veriyi yerinde öğrenir. Sonuç olarak bu durum, kökten farklı bir veri egemenliğidir.

6.2 Merkezi LMS ile Mimari Karşılaştırma

Merkezi LMS’de veri akışı tek yönlüdür. Yani, her etkileşim merkezi sunucuya doğrudan gider. Veriler orada depolanır ve yoğun biçimde işlenir. Dolayısıyla, öğrencinin verisi üzerinde hiçbir denetimi yoktur. Buna karşılık, Federe Öğrenme’de veri cihazda kalır. Sadece anonim özetler merkeze iletilir. Aşağıda Tablo 1’de bu yapısal fark özetlenmiştir:

Tablo 1

Merkezi ve Federe Mimari Karşılaştırması

Kriter Merkezi LMS Federe Öğrenme
Veri konumu Merkezi sunucu Yerel cihaz
Davranışsal veri ifşası Tam Yok
Gölge profil riski Yüksek Düşük
Algoritmik önyargı riski Yüksek Düşük
Veri ihlali riski Yüksek Düşük
Şeffaflık Düşük Yüksek

 

6.3 Veri Minimizasyonu ve Yerel Gözetim (Local Proctoring)

GDPR ve KVKK veri minimizasyonunu zorunlu kılar. Başka bir deyişle, veriler işlendikleri amaçla sınırlı kalmalıdır. Bu çerçevede, sınav yönetmek için davranışsal veri depolanamaz. Aksi takdirde, orantılılık ilkesi açıkça ihlal edilir. Nitekim, Federe Öğrenme ‘yerel gözetim’ ilkesini uygular. Sistem, kural ihlalini doğrudan tarayıcı içinde tespit eder. Ardından, tespit sinyalini merkeze anonim biçimde iletir. Ancak, hassas davranışsal veriler asla sunucuya gitmez. Böylece sistem denetim işlevini korur ve profillemeyi engeller.

7. Bilişim Etiği Boyutu

Bu sorun sadece teknik bir tercihten ibaret değildir. Aynı zamanda dört temel etik ilke açısından incelenmelidir.

  • Fırsat eşitliği: Algoritmik puanlama eski cihaz kullananları aşağı çeker. Dolayısıyla, yapısal eşitsizlikler yeniden üretilir.

  • Bilgiye dayalı rıza: Platformlar öğrencilerden habersiz profil oluşturur. Üstelik bu durum rıza ilkesini açıkça ihlal eder.

  • Şeffaflık ve hesap verebilirlik: Kurumlar puanlama gerekçelerini çoğu zaman açıklamaz. Bu nedenle, bireyler süreçten tamamen habersiz kalır.

  • Veri egemenliği: Kendi verisinde söz hakkı olmayan öğrenci nesneye dönüşür. Sonuç olarak, dijital öznellik hakkı ihlal edilir.

8. Metodoloji ve Uygulama

8.1 Ön Hazırlık: Tarayıcı Gözetiminin Gerçek Dünya Kanıtları

Tarayıcılar gerçekten bu kadar derin veri toplar mı? Öncelikle bu soruyu somut bir deneyimle yanıtlamalıyız. Bu amaçla katılımcılara iki farklı araç sunuldu. İlk olarak, deviceinfo.me adresi detaylıca incelendi. Bu araç cihaz verilerini tamamen izinsiz listeler. Örneğin, şarj yüzdesi ve ekran çözünürlüğü hemen okunur. Kısacası, kullanıcı izin vermese de tarayıcı veriyi alır. İkinci olarak, amiunique.org adresi test edildi. Bu araç tarayıcı parmak izi yöntemini açıkça gösterir. Nitekim, sistem onlarca parametreyi hızlıca birleştirir. Böylece kullanıcıya özgü benzersiz bir kimlik üretir. Üstelik çerezler temizlense bile bu kimlik asla değişmez.

Şekil 1. Tarayıcı parmak izi (browser fingerprinting) yöntemiyle arka planda toplanan cihaz ve ağ verileri örneği.

8.2 Simülasyon Sistemi: lms-sim.netlify.app

Bu simülatör gerçek bir sınav oturumunu taklit eder. Ayrıca, sistem üç ayrı telemetri akışı toplar:

  • Mouse Jitter: Sistem fare sapmalarını anlık ölçer. Sonrasında aşırı titremeyi anksiyete olarak işaretler.

  • Odak Kaybı: Sistem pencere dışına çıkılıp çıkılmadığını kaydeder. Eğer çıkılırsa sistem sınavı derhal iptal eder.

  • Klavye Dinamikleri: Sistem tuş vuruşlarını zaman damgasıyla tutar. Özellikle silme oranını özgüven eksikliği olarak yorumlar.

Ayrıca, sistem cihazın batarya yüzdesini de kaydeder.

Şekil 2. lms-sim interaktif sınav arayüzü ve davranışsal telemetri verilerinin gerçek zamanlı izlenmesi.

8.3 Senaryo 1 — Merkezi LMS: Davranışsal Telemetri ile Fişleme

8.3.1 Gölge Profil Matrisi

Sınav bitince sistem verileri YZ motorundan geçirir. Böylece aşağıdaki gölge profil matrisi oluşur. Ancak burada kritik bir nokta vardır. Öğrencinin soruları doğru bilmesi matrisi kesinlikle değiştirmez.

  • Sistem %17 sapma tespit etti. YZ Çıkarımı: Yüksek anksiyete. Güvenilirlik: DÜŞÜK.

  • Backspace oranı: %34. YZ Çıkarımı: Özgüven eksikliği. Yanıt kalıcılığı: ZAYIF.

  • Batarya Seviyesi: %12. YZ Çıkarımı: Hazırlık yetersizliği. Sistem Güveni: DÜŞÜK.

  • Odak Kaybı: 0 tespit. YZ Çıkarımı: Kopya girişimi yok.

8.3.2 Algoritmik Puan Manipülasyonu

Öğrenci tüm soruları doğru yanıtlamıştır. Dolayısıyla ham puanı tam olarak 100’dür. Fakat, YZ bu puanı profiline göre dinamik olarak revize eder.

Özetle, öğrenci sadece doğru cevaplar verir. Buna karşın, sistem farenin titremesini cezalandırır.

 

Şekil 3. Merkezi LMS senaryosunda davranışsal gölge profile dayalı algoritmik puan düşürme işlemi.

8.3.3 Anlık Sınav İptali: Sekme Değiştirme Senaryosu

Başka bir test kolunda öğrenci sekme değiştirir. Bunun üzerine sistem anında sınavı iptal eder. Aslında bu tepki son derece yerindedir. Ancak, merkezi modelde telemetri akışı asla durmaz. Böylece tüm veriler sunucuya iletilmeye devam eder. Sonuçta iptal edilen sınav bile veri üretir.

 

Şekil 4. Tarayıcı odak kaybı (window.onblur) tespiti sonucunda sınav oturumunun iptal edilmesi.

8.4 Senaryo 2 — Federe Öğrenme Modeli: Etik Denetim

İkinci modda mimari kökten değişir. En önemli fark şudur: Cihaz sunucuya sıfır bayt gönderir. Bu modda, tüm işlemler sadece tarayıcıda gerçekleşir. Yani, merkeze sadece anonim gradyanlar iletilir. Böylece sistem, davranışsal imzayı güvende tutar. Ayrıca, sekme değiştirme durumunda sistem aynı tepkiyi verir. Fakat, bu süreçte kişisel veriler merkeze kopyalanmaz. Böylece denetim sağlanır ve profil engellenir. Sonuç son derece açıktır. Merkezi modelde öğrenci 85 puan alır. Halbuki, federe modelde tam 100 puan alır.

Şekil 5. Federe Öğrenme senaryosunda veri minimizasyonu sayesinde manipülasyonsuz sınav sonucu.

8.5 Senaryo Analizi Bulguları

İki senaryo karşılaştırıldığında tablo oldukça çarpıcıdır. Çünkü öğrencinin doğruları tamamen sabit kalmıştır. Değişen tek şey, mimarinin veriyi nasıl işlediğidir. Merkezi modelde, telemetri performansın önüne geçer. Üstelik öğrenci kopya çekmese bile notu düşer. Kısacası klavye örüntüsü bile bu cezaya yetmektedir. Öte yandan, Federe modelde tablo tam tersidir. Sistem verileri sadece yerel olarak işler. Sonuç olarak, öğrenci hak ettiği puanı alır. Dahası, kişisel veriler güvende kalır.

9. Tartışma

9.1. Algoritmik Kararların Etik Boyutu

Bu bulgular etik bir sorunu net olarak ortaya koyar. Ayrıca, senaryo analizi A-Level skandalını doğrular. Nitekim, davranışsal örüntüler öğrenciyi kolayca fişler. Sonuç olarak, bireyin bilgi düzeyi ikincil plana düşer. Çalışmanın literatüre katkısı oldukça özeldir. Daha önce bu konu siber güvenlik açısından incelenmiştir. Oysa bu çalışma pedagojik adalet boyutunu ele alır. Böylece Federe Öğrenme etik bir mimari olarak konumlanır.

9.2. Araştırmanın Sınırlılıkları

Bununla birlikte, araştırmanın çeşitli sınırlılıkları mevcuttur. Öncelikle, simülatör gerçek bir LMS kadar karmaşık değildir. Sadece temel mekanizmayı temsil eden stilize bir modeldir. Dolayısıyla, genelleme yapmak yerine kavramsal görünürlük hedeflenir. Gelecekte, araştırmacılar gerçek öğrenme verisiyle testler yapmalıdır. Bu sayede kavramsal çerçeve ampirik bir zemin kazanacaktır.

10. Sonuç

Kurumlar LMS’leri giderek gözetim altyapısına dönüştürür. Belki de bu dönüşüm tam olarak kasıtlı değildir. Fakat, sonucu açısından hiçbir şey fark etmez. Çünkü algoritmalar akademik kararları kolayca manipüle eder. Nitekim, simülatör analizi bu durumu somutlaştırmıştır. Örneğin, şarjı düşük cihazla giren öğrenci fişlenebilir. Bu durum, münferit bir hata değildir. Aksine, yapısal ve mimari bir sorundur. Sonuç olarak, Federe Öğrenme buna uygun bir çözümdür. Zira, veri minimizasyonu ve şeffaflık ilkeleriyle tam uyumludur. Gelecekte adil sistemler tasarlamak şarttır. Bu nedenle, bu mimarinin standartlaşması kritik bir gerekliliktir.

11. Kaynakça

Arğın, E. (2025). Yapay Zekâ ve Algı Yönetimi: Algoritmalar, Manipülasyon ve Toplumsal Güven. İnsanat Sanat Tasarım ve Mimarlık Araştırmaları Dergisi, 5(2), 1023-1042. https://izlik.org/JA77YH69WG

Asıl, S. (2025). YAPAY ZEKÂ ETİĞİ: TEMEL İLKELER, SORUNLAR VE DİSİPLİNLERARASI YAKLAŞIMLAR. İnönü Üniversitesi İletişim Fakültesi Elektronik Dergisi (İNİF E-Dergi), 10(1), 152-175. https://doi.org/10.47107/inifedergi.1605400

Barocas, Solon and Selbst, Andrew D., Big Data’s Disparate Impact (2016). 104 California Law Review 671 (2016), Available at SSRN: https://ssrn.com/abstract=2477899 or http://dx.doi.org/10.2139/ssrn.2477899

Bhagoji, A.N., Chakraborty, S., Mittal, P. &amp; Calo, S.. (2019). Analyzing Federated Learning through an Adversarial Lens. <i>Proceedings of the 36th International Conference on Machine Learning</i>, in <i>Proceedings of Machine Learning Research</i> 97:634-643 Available from https://proceedings.mlr.press/v97/bhagoji19a.html.

Cebeci Çorum, F. (2026). ALGORİTMİK ÖN YARGI VE ALGORİTMİK AYRIMCILIK: KAVRAMLAR, GÜNCEL YARGI KARARLARI VE ÖN YARGININ AZALTILMASINA YÖNELİK OLASI BİR YOL HARİTASI OLARAK AB YAPAY ZEKÂ TÜZÜĞÜ. Hacettepe Hukuk Fakültesi Dergisi, 16(2), 301-336. https://doi.org/10.32957/hacettepehdf.1858048

Garcia, D. (2017). Leaking privacy and shadow profiles in online social networks. Science Advances, 3(8). https://doi.org/10.1126/sciadv.1701172

Harkness, M. (2021). How an algorithm deepened inequality in UK A-level results. Saqib Safdar Blog. https://www.saqibsafdar.com/bias-in-the-2020-a-level-grading-algorithm/

McMahan, B., Moore, E., Ramage, D., Hampson, S. &amp; Arcas, B.A.y.. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. <i>Proceedings of the 20th International Conference on Artificial Intelligence and Statistics</i>, in <i>Proceedings of Machine Learning Research</i> 54:1273-1282 Available from https://proceedings.mlr.press/v54/mcmahan17a.html.

MIT Technology Review. (2020, Ağustos 20). The UK exam debacle reminds us that algorithms can’t fix broken systems. https://www.technologyreview.com/2020/08/20/1007502/uk-exam-algorithm-cant-fix-broken-system/

Mothukuri, V., Parizi, R. M., Pouriyeh, S., Huang, Y., Dehghantanha, A., & Srivastava, G. (2021). A survey on security and privacy of federated learning. Future Generation Computer Systems, 115, 619–640. https://doi.org/10.1016/j.future.2020.10.007

Yeşilkaya, N. (2023). Yapay Zekaya Dair Etik Sorunlar. Şarkiyat, 14(3), 948-963. https://doi.org/10.26791/sarkiat.1189864

 

 

Yapay Zeka ve Özgünlük Raporları

Bu makale 29.05.2026 tarihinde benzerlik incelemesinden geçmiştir.

İntihal (Plagiarism) Oranı: %2 (Araç: Dupli Checker)

Bu makale 29.05.2026 tarihinde yapay zeka içerik incelemesinden geçmiştir.

Yapay Zeka (AI) Üretimi Benzerlik Oranı: %4.50

(Araç: AI Detector Writer — https://aidetectorwriter.com/)

 

 

Creative Commons Lisansı
Bu eser Huzeyfe Kul tarafından Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası Lisansı ile lisanslanmıştır.