Meta-bilişsel Tembellik: Üretken Yapay Zekanın Öğrenme Motivasyonu Üzerindeki Etkisi
(bera-journals.onlinelibrary.wiley.com)Üzgünüm, ancak sağlanan bağlantı geçerli bir makale içeriği içermiyor. Başka bir makale veya içerik sağlarsanız özetleme ve çeviri konusunda yardımcı olabilirim.
1 yorum
Hacker News yorumları
Çok bariz bir şey gibi görünüyor. Bir sorunun yanıtını hemen almaktansa kendiniz araştırmaya zaman harcarsanız çok daha fazla şey öğrenirsiniz.
Yanıt hemen verilse bile ek araştırma yapacak kadar disiplinli insanlar elbette vardır, ama çoğunluk böyle değil; şirketler de uzun vadeli zarardan çok hızlı, “verimli” ve “rekabetçi” çözümler istiyor.
Şimdi okumanın yerini yapay zeka ile arama ve geri getirmenin aldığı yeni bir çağın eşiğindeyiz; yapay zekanın bir koltuk değneğine dönüşüp genç kuşakları zayıflatabileceği kaygısı da yerinde. Yine de sonucun ne olacağını bilmiyoruz; henüz yapay zeka kullanımının iş sonuçlarına zarar verdiğine dair bir işaret yok ve “AGI büyük toplumsal değişimlere yol açacak” şeklindeki daha büyük önerme muhtemelen doğru görünüyor.
Öğrenme merakla bağlantılıdır; merak da araştırmanın zorluğuyla bağlantılı değildir. Meraklı biri yanıtı doğrudan alsa bile daha fazla soru sorar; meraksız biri ise orada durur. Hepimiz devlerin omuzlarında duruyoruz ve bu kötü değil, iyi bir şey. Devlerden vazgeçip insanları o yüksekliğe kendi başlarına tırmandırmanın bazı faydaları olabilir; ama bilgi aktarım yöntemi olarak bunun çok daha az etkili olduğunu düşünüyorum.
30 yıl önce insanlığın bilgisine anında erişebilsek herkesin daha zeki olacağı umuluyordu; ama Wikipedia varken bile çoğu insan ne bilgi veren ne de insanı iyi hissettiren öfke tetikleyici videoları kaydırıyor. Elbette Pakistan’da cep telefonuyla kod yazıp bir vim eklentisini sürdüren kişi gibi örnekler şaşırtıcı; ancak bu, ortalama insanlık genelinde görülen bir etkiden çok, aracı kullanma fırsatı yakalayan az sayıdaki kişide görülen bir etki.
Bir fizikçi YouTube röportajında, artık herhangi bir fizikçinin ChatGPT’ye en yeni makaleler hakkında lisansüstü düzeyde sorular sorarak fiziğin alt alanları arasında bilgi geçişi yapabildiğini ve bunun fizik araştırmalarına yardımcı olduğunu söylemişti.
Senior bir mühendisi projeden çekip junior’a eğitim verdiniz diyelim; junior yetkinlik ve deneyim kazanıp başka bir şirkete giderse şirket negatif ROI ile baş başa kalıyor. Sonuçta bu bir ortak kaynakların trajedisi; bugün de mekanizma farklı olsa da durum benzer. Nitelikli yazılım mühendisi kıtlığı yaşanabilir, ama sektörün mühendisleri konumlandırma ve çalıştırma biçimi o kadar israfçı ki bir süre bu kıtlığa dayanacak pay var gibi görünüyor.
Yanıt aramaktan ziyade pahalı çıkmaz sokaklardan kaçınmak için kullanıyorum.
Bu meselenin iki yönü var ve biraz tartışmalı olabilir. Herhangi bir konuda ChatGPT’ye soru sorunca genellikle verilen yanıta dayanarak daha fazla soru sormaya başlıyorum; çoğu aptalca sorular oluyor ama bu süreçte bilgiyi alıp analiz ettikten sonra merak yüzünden daha derine indiğimi hissediyorum.
İnternette araştırmayla karşılaştırınca iyi yanları var; ancak derine indikçe çoğu zaman birinin görüşleri karışmış yazılarını okumaya başlıyorsunuz. O yazı, hangi soruların önemli olduğunu, hangi açıdan bakılması gerektiğini ve sonucun ne olduğunu sanki baştan belirlemiş gibi hissettiriyor. Eğitici olsa da geriye sürekli yeni sorular kalıyor.
Fark merakta. Bir konuya merakınız varsa öğrenirsiniz; yoksa yanıtı alıp tatmin olursunuz. Bu tembellik değildir ve insan her şeye merak duyamaz.
Fark, modelin politik eğilimini tek bir aktörün belirlemesi ve o modelin tek bir köşe yazısından çok daha fazla insanla etkileşime girmesi.
Sanırım Stack Overflow’da hiç soru sormadım. Aptal görüneceğinden kaygılandığım bir sorunun o toplulukta nasıl karşılanacağını kolayca tahmin edebiliyordum. Ama bu modellere her türlü aptalca soruyu hiç kaygılanmadan sorabiliyorsunuz; bunu seviyorum.
ChatGPT ile “meraklı” bir tartışma yapmak, sonuçta kendi önyargılarınız ile ChatGPT’nin önyargılarının karıştığı bir filtreden interneti aramak demek. Kaçmış gibi hissedebilirsiniz ama hâlâ internetin içindesiniz. İnternet artık sorulara sözlü yanıt veriyor sadece; yine de internet.
OpenAI ilk kez ChatGPT’yi çıkardığından beri bu noktayı söyleyip duruyorum. Her yerde kullanılabilen ve her soruya bir yanıtı varmış gibi görünen LLM’lerin tehlikesi, varlıklarının kendisinden çok cezbedici doğalarında yatıyor
Asıl tehlike, bir problemi kendi başınıza sessizce evirip çevirmek yerine en yakındaki LLM’den hemen yanıt isteme cazibesi. Zihinde problemle oynama eylemi, yani eleştirel düşünme, sonuçta bir beceridir ve ancak bilinçli, ölçülü pratikle gelişir
Başlaması zor bir proje olduğunda ChatGPT’ye sormak neredeyse hiç sürtünme yaratmıyor; bir bakıyorum projeyle uğraşıyorum ve 8 saat geçmiş, iş bitmiş oluyor. Sinir bozucu bir kütüphane kurulumunda takılırsam ChatGPT bunu çözüyor ve hayal kırıklığına uğramamı engelliyor. Beni herhangi bir araçtan daha fazla akış durumuna sokup orada tutuyor ve ertelemeyi önlemenin iyi bir yolu
Bu kullanımda LLM, Google ile aynı türden bir araçtır: bilgiyi sorgulayıp geri çağırarak edinmenin bir yolu. Google’da olduğu gibi sorgu sonucu son değil, bir araçtır. “Laboratuvarda bir ay geçirmek, kütüphanede geçirilecek bir haftayı kazandırır” sözündeki gibi, Claude/ChatGPT/Copilot’a 10 dakika sormak da zaman kazandırabilir. Özel öğretmen tutmak da tembellik mi?
Yanıtları hızlıca geri getirebilmek tehlikeli olan şey değil. 90’larda Google ya da 70’lerde taşınabilir hesap makineleri için de benzer şeyler söylenmişti. Benim için LLM, zaten elle internette arayacağım süreci yalnızca hızlandırıyor; eleştirel düşünmeyi iyi yapmak için daha fazla soru sormak gerekir
Genelde ya doğrudan çözüyorum ya da daha iyi bir birincil kaynak aklıma geliyor
arXiv’de bir ön baskısı var ve 18. sayfanın üst kısmında metabilişsel tembellikin ne olduğu açıklanıyor: “İnsan-yapay zeka etkileşimi bağlamında metabilişsel tembelliği, öğrencinin yapay zeka yardımına bel bağlaması, metabilişsel yükü dışsallaştırması ve sorumlu metabilişsel süreçleri öğrenme göreviyle daha az etkili biçimde ilişkilendirmesi olarak tanımlıyoruz”
Buradaki “metabilişsel yük”, öğrencinin aktif öz izleme, planlama ve değerlendirme gerektiren görevleri yerine getirirken öğrenme sürecini etkili biçimde düzenlemek için ihtiyaç duyduğu bilişsel ve metabilişsel çaba gibi görünüyor
Makale bunu, aracın zor bilişsel işleri üstlenmesini sağlayan bilişsel dış kaynak kullanımına benzer görüyor; bunun sonucunda da kişinin beceri geliştirme fırsatlarından mahrum kaldığını ve araca bağımlı hale geldiğini savunuyor
https://arxiv.org/pdf/2412.09315
Buna “tembellik” demek indirgemeci. “Bir şeyin yardımına bel bağlamak” zaten tüm teknolojinin amacıdır
Bu konuda kesinlikle ikircikli bir durum var. Bir yandan, “kimse cebinde hesap makinesi taşımayacak” denerek çocukların gerçek dünyada tamamen aciz kalacağı söylenen zamanları hatırlatıyor. Sonra hesap makineleri neredeyse herkesin cebine girdi ve çocuklar da gayet iyi idare etti.
Öte yandan öğrenmeyi öğrenmenin, medya okuryazarlığının, bağımsız araştırma yapıp sonuç çıkarma sürecinden elde edilen kazanımların da önemli olduğunu düşünüyorum.
Yanıt muhtemelen ortalarda bir yerde. LLM’i nihai hedef yapmak yerine bir öğrenme destek aracı olarak kullanmak.
Son zamanlarda Z kuşağının toplama gerektiren kart oyunlarında ya da para üstü hesaplamada afalladığını gördüm. Milenyum kuşağı için bunlar ilkokul düzeyi işler.
Bugün hâlâ ata eyer vurabilen, saat olmadan zamanı okuyabilen, gömlek dikebilen, kumaş yapabilen, ilkel aletlerle avlanabilen ya da ateş yakabilen kaç kişi var? Çocukları AI’dan saklayabiliriz de, AI’dan yararlanarak gelişmelerini de öğretebiliriz. Fazla fütüristik gelen şeylerden vazgeçince ne olduğunu görmek istiyorsanız Amishlere bakın. Saygı duyulacak bir yaşam; ama bu yazıyı okuyanların kaçı o yaşamı seçer?
Bir arkadaşım ChatGPT’ye bir müzisyenin biyografisini sordu; aynı bilgilerin ve kaynakların bulunduğu Wikipedia sayfasını okumaması biraz korkutucuydu. Annem “kapsül gardırop” oluşturmak için ChatGPT kullandığını söyledi; oysa kıyafetlere bakıp giymediklerini atsa yeter değil mi diye düşündüm. Bu kadar basit kararları neden bir bilgisayar vermeli?
LLM’in öğrenme desteği olarak kullanılması gerektiğinden emin değilim. Çevrimiçi aramadan ya da kişinin kendi yaratıcı hikâyelerinden neden daha iyi olduğunu hiç görmedim; LLM’in işe yaradığı net kullanım örnekleri varsa duymak isterim.
Gerçekçi olarak, geniş bilgiye ve ayrıntılara hızlı erişme becerisine ilişkin çıtanın yükseleceğini düşünüyorum. Gerektiğinde ayrıntıları çok hızlı doğrulayabiliyorsanız, birçok alanı orta düzeyde anlamanın büyük değeri var. Daha derine indikçe öğrenme hızı da giderek yavaşlayabiliyor. Karmaşık işler yaparken, ayrıntıları bilseniz bile önemli oldukları için zaten tekrar kontrol etmeniz gerekirdi.
Birim çemberde π/4’ün katları dışında neredeyse hiçbir şeyi refleks olarak hatırlamıyorum; π/6’nın katlarını yapabiliyorum ama yavaş. Yine de bunları anında hatırlayamamanın beni daha kötü bir matematikçi yaptığını düşünmüyorum. Önemsiz bir sorunun yanıtını bulmakta biraz yavaş olabilirim, ama karmaşık problemleri hâlâ çözebilirim.
İntegral formüllerine küçük integral tabloları kitapçığından ya da Wolfram Alpha’dan bakıyorum. Kendim türetebilsem bile %100 doğru olacağına inanmıyorum. Metabilişsel tembellik bende çoktan yer etti. Yeter ki bunun tamamen beyin çürümesine dönüşmeden önce nasıl durdurulacağını bulabilelim, sorun olmaz gibi. Öğrencilere eleştirel düşünmeyi öğretir ve AI’ın bizi Wall-E’deki uzay gemisi insanlarına dönüştürmeden destek olmasını sağlamanın yolunu bulursak ayakta kalabiliriz.
Özet, metabilişsel tembelliğin ne olduğunu tanımlamıyor; önceki sonuç açıklamaları da bağlamdan anlamını yeterince vermiyor.
Kişisel olarak ChatGPT’nin Google aramasına göre açıkça daha iyi olduğu nokta, ilk yanıta dair giderek daha nüanslı sorular sormaya devam edebilmem. Geleneksel aramada, takip aramaları yaptıkça harcanan zamana kıyasla merakın marjinal faydası azalıyor. Soruyu daha hassas hâle getirdikçe SEO için optimize edilmemiş sonuçların çıkması zorlaşıyor; yeni bilgi içermeyen genel okur yazıları ya da çok geniş uzmanlık arka planı gerektiren özel materyaller çıkması kolaylaşıyor. LLM, istediğim yanıta giden köprüyü iyi kuruyor.
Junior mühendislerin bu tuzağa düştüğünü duymuştum. Bilgi eksikliğini iş arkadaşlarına göstermektense her şeyi chatbota soruyorlar. Chatbot bariz hatalardan kaçınsa bile junior kişi ince hataları fark edemiyor.
Belirli bir Wikipedia maddesini bulup ardından kaynakları kurcalayarak “istediğim yanıtın” ilk ortaya çıktığı özgün metni bulmaya çok benziyor.
Halüsinasyon olasılığını hesaba katmak gerekiyor, ama her an kullanılabilen, yorulmak bilmeyen bir açıklayıcıya sahip olmak, yoğun teknik bilgiyi keşfetme ve yeni kavramları anlama motivasyonumu aksine artırıyor. Yalnız boş bir sayfaya ilk cümleleri yazma isteğini azaltıyor gibi. Konuyu ChatGPT ile araştırıp kabaca bir taslak ve temel içerik aldıktan sonra yazmaya devam ediyorum.
Bazı durumlarda, içeriği doğrulamak için arama motoruna gireceğim belirli dizeleri bile LLM sağlıyor. Arama ciddi biçimde bozuldu; yaklaşık 2014 civarında Google arama sonuçları sayfasında sonuçlardan çok reklam görmeye başladığımdan beri de böyle.
Cep telefonu ve dizüstü bilgisayarlar, bunlar olmadan büyümüş biri olarak bazı şeyleri değiştirdi. Yaklaşık 20-25 yıl önce, web’de bir iki aramayla, en fazla iki üç aramayla neredeyse her olguyu öğrenebileceğimi fark ettim; yaklaşık 10-15 yıl önce de bunu istediğim anda yapabilen bağlı bir cihaz cebime girdi.
Ama yaklaşık 5 yıl önce, sosyal ortamlarda çoğunlukla bilinçli olarak bunu yapmamaya başladım. Sohbet sırasında önemsiz bir olguyu merak etsem bile akışı kesip ekranı çıkarıp bakarak cevap vermiyor, sadece o kişiyle vakit geçirmeye devam ediyorum.
80’lerde ve 90’larda, pub quiz’i gibi ortamlarda iki kişinin de hemen bilmediği küçük bir olgu üzerine hararetli tartışmalar yaşanırdı. Artık cevabı bulmak o kadar kolay ki böyle şeyler neredeyse yok oldu; tamamen kaybettik. Özlemiyorum ama bilincimin web aramasıyla erişilebilen olgulara ne kadar bağlı olduğunu daha keskin biçimde hisseder oldum ve beynimin bu kadar büyük bir kısmını kontrolüm dışındaki bir yere taşeron vermekten hoşlanıp hoşlanmadığımdan emin değilim.
Hafızaya yardımcı olması için sırf genel kültür bilgisi öğrenmek de bir yöntem.
Üretken yapay zekanın yazdığı kodun tamamının insanlar tarafından gözden geçirilmesi gerektiği söyleniyor. Açık hatalar olmadığını ve gereksinimlere uygun “doğru şeyi” ürettiğini kontrol etmek gerektiği kastediliyor.
Üretken yapay zekayı bu şekilde kullanan uygulayıcıların anlattıkları, nelere dikkat etmesi gerektiğini bilen deneyimli geliştirici için iyi bir araç olduğunu söylüyor. Peki ya daha yeni öğrenen, ne yaptığını bilmeyen insanlar? Onlar nelere dikkat etmeleri gerektiğini bilmiyor. use-after-free’in ne olduğunu, önbellek belleğinin nasıl çalıştığını sormaları gerektiğini bilirler mi? Algoritmaların ve veri yapılarının adlarını bilirler mi? Üretken yapay zekanın saçmaladığı anı fark ederler mi?
Bu tür araştırmalar zor ama önemli. Örneklem küçük olsa da ilginç; birinin bunu tekrarlayıp doğrulayıp doğrulamayacağını merak ediyorum.
breakifadeleri koymaya başlamış.while (condition) { do_stuff(); if (!condition) { break; } }gibi. Bakınca ortak noktanın ChatGPT olduğu anlaşılmış; döngülerin nasıl çalıştığını soran öğrencilerin hepsi “döngüden çıkmak içinbreak()kullan” şeklinde cevapların varyasyonlarını almış. Bilgisayar biliminde bunu böyle yapmayız; sadece gereksiz olmakla kalmaz, biçimsel ispatları da daha karmaşık hale getirir. Bu yüzden sınava “derste öğrendiğiniz şekilde yapın” uyarısı koymak ve olağan tek seferlik bir istisna tanımak gerekmiş.Örneğin programcıyım ama matematiğim berbat. Oyun yapmak istiyorum ve aslında yapabiliyorum da, fakat matematik yüzünden ilerlemek çoğu zaman çok daha zorlaşıyor. Daha önce oyun yapıp yayımladım, ama matematik hep ayağıma dolanıyor. İstediğim davranışı ve sonucu tam olarak biliyorum, fakat oraya nasıl ulaşacağımı her zaman çıkaramıyorum.
LLM’ler bu tür kısımları küçük birer kara kutu olarak ayırmaya çok yardımcı oluyor. Sonucun doğru olduğunu biliyorum ama nasıl öyle olduğundan %100 emin değilim. Yanlış kod verdiğinde, neyi aradığımı ve nedenini bildiğim için fark edebiliyorum; eksik olan tek şey “nasıl” kısmı. İçini tamamen anlamasanız da herkese açık API’sini anladığınızda kullanabildiğiniz üçüncü taraf kütüphanelere benziyor; ama o kodu kendi codebase’inize koyup üzerine bir sürü birim testi ekliyormuşsunuz gibi.
Şu anda akıl yürütme tipi bir LLM olan deepseek-r1’i mükemmel
rustlingseğitimiyle test ediyorum. İyi belgelenmiş ve çözümleri internette kolayca bulunuyor; kodlama görevlerini değerlendirirken yeni bir iş bakmanın ve yazılım mühendisliğini hobi olarak yapmanın zamanı gelip gelmediğini görmek için tembel bir test olarak kullanmaya uygun.rustlingsile test etmemin nedeni, öğrenciler ve gelecekteki çalışma arkadaşları için bir öğrenme aracı olarak değerini de görmek. Böyle bir şey öğretmen olarak işe yarayabilir. Rust derleyicisi de çok iyi tavsiyeler verdiği için LLM çıktısıyla karşılaştırılacak harika bir temel çizgi var.Sonuç olarak deepseek-r1’in yakın zamanda kimsenin yerini alacak gibi görünmediğini düşünüyorum. Muazzam miktarda metin üretiyor ama çoğu anlamsız ve neredeyse her zaman fena halde yanlış. Yine de deneyimsiz geliştiriciler ya da yeni başlayanlar, özellikle de yeni başlayanlar, kafaları karışıp yanlış yollara sürüklenebilir; makul görünen ama aslında öyle olmayan bir şeye akıl yürütmelerini taşeron verme riski var.
Şimdilik istatistiksel modelin uzun uzun konuşmasına aşırı bel bağlamak, eğitim ve geleceğin geliştiricilerinin performansı için zararlı görünüyor. Kahve ve hayal kırıklığı gözyaşlarıyla eğitilmiş, kod ve mimariyle bizzat boğuşmak zorunda kalmış belki de son eski usul yazılım mühendisi kuşağı için altın çağ gelebilir. Çünkü LLM’lerin seri ürettiği çöpü birilerinin düzeltmesi gerekecek.
Amaç, o çıktıyı olduğu gibi kullanmaktan ziyade, üstüne nihai cevabı toparlayan bir katman eklemek gibi görünüyor.
Stack Overflow’un yeni yeni popüler olmaya başlamasından hemen önce kod yazmaya başladım; o zaman da “Stack Overflow tembel geliştiriciler yaratacak”, “gerçek geliştiricinin sonu geldi” gibi blog yazılarının ortalığı kapladığını hatırlıyorum. Buna karşı çıkmaya çalışmıyorum; sadece bu duygunun zaman içinde ayrıntıları değişerek tekrarlanması ilginç.
Socrates, Platon’un Phaedrus’unda yazının “öğrenenin ruhunda unutkanlık yaratacağını” söyleyerek eleştirmişti; Leonard Euler logaritma tabloları yerine logaritmaların ilk ilkelerden türetilmesi gerektiğini savunmuştu; Lord Kelvin ise mekanik hesap makinelerinin öğrencilerin akıl yürütme becerilerini geliştirmeyi ihmal etmelerine yol açacağını düşünmüştü.
Henry Ford’un otobiyografisinde, 1907’de bir çiftçinin benzinli traktörlerin “çocukları tembel ve işe yaramaz hâle getireceğini” ve onların çiftçiliği öğrenmesini engelleyeceğini söylediği bir bölüm var; 1877’de New York Times’ta ise silgili kalemlerin öğrencileri yazmadan önce düşünmek zorunda bırakmayarak dikkatsizleştireceğine dair öğretmenlerin kaygıları yer almıştı.
Augustus De Morgan, basılı çarpım tablolarına güvenen öğrencilerin sayıları anlamadığını ve “basit hesap makinelerine” dönüştüğünü söylemişti; John Philip Sousa fonografın enstrüman öğrenmeyi durduracağını söyleyerek eleştirmişti; Richard Feynman da taşınabilir hesap makineleri yüzünden öğrencilerin tahmin yapma ve matematiksel ilişkileri anlama becerilerini kaybedebileceğinden endişelenmişti.
Daha da uzatabilirim. Claude 15 tane yazdı. 20 yıl sonra, yapay zeka hepimizi öldürmezse, LLM’lerle çalışmanın bugün insanların sandığı gibi bir koltuk değneği olmadığını geriye dönüp göreceğiz gibi geliyor.