Eğitimde Yapay Zeka Kullanımının Tarihçesi

Bağlantı Tablosu

Özet ve Giriş

Eğitimde Yapay Zeka Kullanımının Tarihçesi

Araştırma Metodolojisi

Literatür incelemesi

Özet

Sonuç ve Referanslar

2. Eğitimde Yapay Zeka Kullanımının Tarihçesi

Yapay zekanın eğitimde kullanımının tarihi, ilk akıllı öğretim sistemlerinin geliştirilmesiyle birlikte 1960'lı yıllara dayanmaktadır. Bu sistemler, öğrencilere bireysel ihtiyaçlarına ve öğrenme stillerine göre kişiselleştirilmiş eğitim sağlamak üzere tasarlanmıştır. Ancak üretken yapay zekanın eğitimde kullanımının evrimine girmeden önce, üretken yapay zeka modellerinin tarihini ve evrimini anlamamız gerekiyor.

2.1. Üretken Yapay Zeka Modellerinin Tarihi ve Evrimi

Üretken Yapay Zeka (AI) modelleri, özellikle Dil Modelleri (LLM'ler), yıllar içinde kayda değer bir ilerlemeye tanık oldu ve doğal dil işleme ortamını ve çok çeşitli diğer yaratıcı görevleri dönüştürdü (Susarla ve diğerleri, 2023). Bu bölümde, bu modellerin tarihsel kökenlerini ve evrimsel gidişatını inceleyerek gelişimlerini şekillendiren önemli kilometre taşlarını vurgulayacağız.

• Dil Modellemesinin İlk Günleri: Yüksek Lisans'ın gelişim tarihi, istatistiksel Doğal Dil İşleme'nin (NLP) ortaya çıkışıyla 1950'lerde ve 1960'larda başladı. Başlangıç aşamasında, dil modelleri öncelikle belirli bir kelimenin veya kelime dizisinin dilsel bir bağlamda olasılığını tahmin etmek için istatistiksel metodolojileri kullandı. N gram ve n kelime dizileri bu dönemde temel tekniklerdi (Russell ve Norvig, 2010).

• N-gramlardan Kelime Gömmelere: 2000'li yılların ortalarında “Word2Vec” algoritmasının (Mikolov ve diğerleri, 2013) tanıtılmasıyla n-gram tabanlı modellerden kelime gömmelerin kullanımına önemli bir geçiş ortaya çıkmaya başladı. Bu yenilikçi yaklaşım, kelimelerin anlamsal anlamlarını yakalamak için vektör temsillerinin kullanılmasına dayanıyordu. Bu buluş, dil modellemede daha sonraki gelişmelerin temelini oluşturdu.

• Metin tabanlı derin öğrenme modellerindeki gelişmeler (yani Sıradan Sıraya NLP): Kelime yerleştirmelerin dil modellemeye entegrasyonu yeni bir çağ başlattı. Bu vektör temsilleri, tekrarlayan sinir ağları (RNN'ler) ve daha sonra kodlayıcı-kod çözücü mimarisi gibi derin öğrenme modellerine girdi olarak hizmet etti. Bu değişimin, metin özetleme ve makine çevirisi de dahil olmak üzere NLP araştırmaları üzerinde derin bir etkisi oldu (Sutskever ve diğerleri, 2014). Vektör temsilleri aracılığıyla anlamsal bağlamı yakalama yeteneği, oluşturulan içeriğin kalitesini ve derinliğini önemli ölçüde artırdı.

• Transformer Mimarisi Devrimi: 2017 yılında Transformer mimarisinin (Vaswani ve diğerleri, 2017) tanıtılması, NLP ve bilgisayarlı görü araştırmalarının ve özellikle dil modelleme araştırmalarının ilerlemesinde bir dönüm noktası olarak kabul edilmektedir. Transformatör mimarisi, bir öz-dikkat mekanizması getirerek NLP'de bir paradigma değişimini temsil ediyordu. BERT gibi transformatör mimarisine dayalı çeşitli derin öğrenme modelleri geliştirilmiştir (Devlin vd., 2018). Bu yenilik, modelin diziler içindeki uzun vadeli bağımlılıkları yakalamasını sağlayarak oluşturulan içeriğin tutarlılığını ve bağlamsallığını geliştirdi. Transformer mimarisi, Yüksek Lisans'ın daha sonraki gelişiminin temelini attı.

• Yüksek Lisans'ın Ortaya Çıkışı: Son yıllarda yapay zeka alanı, Büyük Dil Modellerinin (LLM'ler) çoğalmasına tanık oldu. "Temel modeller" terimiyle de bilinen bu modeller; kitaplar, haber makaleleri, web sayfaları ve sosyal medya gönderilerini kapsayan geniş ve çeşitli veri kümeleri üzerinde eğitilir ve milyarlarca hiper parametreyle ayarlanır (Bommasani ve diğerleri, 2021). Bu benzeri görülmemiş veri ölçeği, model mimarisi ve eğitim tekniklerindeki ilerlemelerle birleştiğinde önemli bir dönüm noktası oldu. Bu temel modeller, orijinal olarak eğitilmedikleri görevler de dahil olmak üzere çok çeşitli görevlere olağanüstü bir uyum yeteneği sergiliyor. ChatGPT, üretken bir yapay zeka modelinin eylem halindeki örnek bir örneği olarak duruyor. Bu olağanüstü yapay zeka sistemi Kasım 2022'de piyasaya sürüldü ve orijinal olarak geniş bir metin ve kod kaynakları veri kümesi üzerinde eğitilmiş, üretken, önceden eğitilmiş transformatör GPT-3.5'ten ince ayar yapıldı (Neelakantan ve diğerleri, 2022). ChatGPT, Büyük Dil Modellerini (LLM'ler) insan amacına göre hizalamada büyük umut vaat eden bir teknik olan İnsan Geri Bildiriminden Takviyeli Öğrenmenin (RLHF) gücünden yararlanır (Christiano ve diğerleri, 2017). ChatGPT'nin şaşırtıcı derecede üstün performansı, üretken yapay zeka modellerinin eğitiminde paradigma değişikliği potansiyelinin altını çiziyor. Bu değişim, takviyeli öğrenme (Christiano ve diğerleri, 2017), ipucu mühendisliği (Brown ve diğerleri, 2020) ve düşünce zinciri (CoT) istemleri (Wei ve diğerleri, 2022), üretken yapay zeka modellerine dayalı bir akıllı hizmetler ekosistemi oluşturmanın gerçekleştirilmesine yönelik kolektif bir adım olarak.

Bu ilerlemelerin doruk noktası, medya açısından zengin, gerçekçi ve uygun içerikleri (metin, resimler, ses ve video dahil) kavramak ve oluşturmak için dikkate değer bir kapasiteye sahip üretken yapay zeka modellerinin ortaya çıkmasına yol açtı. Bu yetenekler, bu modellerin eğitim gibi farklı uygulamalarda kullanılmasını ve yaygın olarak benimsenmesini sağlamıştır. Bu ilerlemelere rağmen, üretken yapay zeka ortamında endişeler ve zorluklar ortaya çıktı (Susarla ve diğerleri, 2023). ChatGPT gibi modellerin yeni görevlere uyarlanma kolaylığı, anlayışlarının derinliği hakkında soruları gündeme getiriyor. Yapay zeka adaleti uzmanları, bu modellerin eğitim verilerinde kodlanan toplumsal önyargıları sürdürme potansiyeline karşı uyardı (Glaser, 2023) ve bunları "rastgele papağanlar" olarak etiketledi (Bender ve diğerleri, 2021).

2.2. Eğitimde Üretken Yapay Zeka Kullanımının Evrimi

Eğitimde yapay zeka kullanımı yeni değil; Eğitimde yapay zeka kullanımına yönelik ilk girişimler, Urbana-Champaign'deki Illinois Üniversitesi'ndeki araştırmacıların PLATO (Programmed Logic for for Education) adı verilen akıllı bir eğitim sistemi (ITS) geliştirdiği 1960'ların başlarına kadar uzanabilir. Otomatik Öğretim İşlemleri) (Bitzer ve diğerleri, 1961). PLATO, grafik kullanıcı arayüzlerine sahip öğrencilerin, yapay zeka kullanılarak geliştirilen ve ihtiyaçlarına göre uyarlanan eğitim materyalleriyle etkileşime girmelerini sağlayan ilk bilgisayar sistemiydi. Yapay Zekanın Eğitimde kullanılmasına yönelik ilk girişimlere ilişkin bir başka örnek, 1960'larda programlama derslerini otomatik olarak notlandırmak için geliştirilen “Otomatik Sınıflandırıcı” sistemidir (Hollingsworth, 1960).

Kişisel bilgisayarların ortaya çıkışı 1970'li yıllarda ITS'lerin gelişimini artırmıştır, bu dönemde geliştirilen sistemin bir örneği TICCIT'dir (Zaman Paylaşımlı, Etkileşimli Bilgisayar Kontrollü Öğretim Televizyonu) (Stetten, 1971). TICCIT, 1970'lerin başında Pittsburgh Üniversitesi'nde geliştirilen bir başka erken dönem ITS'ydi. TICCIT, kişiselleştirilmiş multimedya tabanlı içeriği kitlesel olarak evlerdeki ve okullardaki kullanıcılara sunmaya yönelik ilk girişimlerden biriydi.

1960'lı ve 1970'li yıllarda ITS'lerin geliştirilmesindeki ilerlemeler, sınıflarda öğrencilerin bire bir bireyselleştirilmiş eğitimine değer veren öğrenme teorileri ve ilkeleriyle desteklenmiştir (Örneğin, BF Skinner'ın “programlanmış öğretim hareketi” üzerine öncü çalışmasının çalışmasına bakınız). ve Benjamin Bloom'un “usta öğrenme” üzerine çalışması (Block & Burns, 1976). Bu dönemde geliştirilen ITS'ler çoğunlukla kural tabanlı sistemlerdi. Yapay zekadaki ilerlemeler ve 1970'lerde mikro bilgisayarların ortaya çıkışı, ITS'lerin eğitilme şeklini etkiledi. ve geliştirildi (Reiser, 2001a), 1980'lerden bu yana, özellikle bilgisayar tabanlı öğretimin ve özellikle yapay zeka tabanlı eğitimin kullanımı, çeşitli öğretim etkinliklerini otomatikleştirecek şekilde gelişti (Reiser, 2001b).

1990'larda dünya çapında ağın (WWW) gelişiyle akıllı eğitim hizmetlerinin sunum ortamında büyük bir değişim yaşandı Chen ve diğerleri. (2020). ITS'ler, makine öğrenimi modelleriyle desteklenen akıllı, uyarlanabilir ve kişiselleştirilmiş öğrenme hizmetleri sunmak üzere gelişti. ATS'lerin geliştirilme ve kullanıcılara sunulma şeklindeki bu ilerlemelere rağmen, yetenekleri bireyselleştirilmiş öğretim ve öğrenmenin sağlanmasıyla sınırlıydı. WWW'nin "Web 2.0" olarak adlandırılan evrimi ve işbirlikçi ve sosyal temelli etkileşimin ek yetenekleri, ITS'lerin geliştirilmesinde yeni bir çağın yolunu açtı. Kullanıcıların Web 2.0 hizmetleriyle etkileşimine dayalı olarak toplanan veriler ve farklı makine öğrenimi algoritmaları kullanarak yazılım aracılarının bu veriler üzerinde eğitilme yeteneği, öğrenme analitiğinin uyarlanması ve kişiselleştirilmiş öğrenmenin uygulanmasında daha fazla ilerleme sağlanmasına yol açmıştır (Clow, 2013) .

21. yüzyılda yapay zekanın eğitimde kullanılmasında birçok atılım yaşandı. Bu atılımlar aşağıdaki alanlardaki gelişmelerle desteklenmiştir: (i) Donanım yetenekleri ve performansı (Nickolls & Dally, 2010), (ii) Büyük veri madenciliği (Wu ve diğerleri, 2013) ve (iii) Yapay zeka modelleri ve mimarileri (örn. derin öğrenme modellerinin ortaya çıkışı) (LeCun ve diğerleri, 2015). Transformer derin öğrenme mimarisinin 2017 yılında ortaya çıkışı (Vaswani ve diğerleri, 2017), genel olarak akıllı yazılım geliştirme tarihinde bir dönüm noktası olarak kabul edilmektedir (Bkz. Bölüm 2.1). Üretken önceden eğitilmiş transformatörler (GPT) gibi birçok akıllı model hemen ardından ortaya çıkmaya başladı (Radford vd., 2018). Kasım 2022'de OpenAI, GPT 3.5 mimarisini temel alan ChatGPT'yi piyasaya sürdü ve yalnızca birkaç ayda 100 milyonun üzerinde kullanıcıya ulaştı. O zamandan beri ve bugün, öğrencilere kişiselleştirilmiş öğretim, uyarlanabilir öğrenme ve ilgi çekici öğrenme deneyimleri sağlamak için üretken yapay zeka tabanlı eğitim araçları geliştirilmektedir (Bkz. Bölüm 4.2).