Üniversitelerde Yapay Zekâdan Önce Veri Yönetişimi Nasıl Kurulmalı?

Üniversite neden veriyle yönetilmek zorunda?

Bir üniversite önce nerede olduğunu bilmeli ki nereye gideceğini yapay zekâyla modelleyebilsin.

Üniversite; öğrencinin başvuru, kayıt, ders seçimi, devam, ölçme-değerlendirme, danışmanlık, kariyer ve mezuniyet yolculuğunu yönetirken aynı anda akademik faaliyet, araştırma, insan kaynağı, finans, kampüs, kalite, mezun ve sektör ilişkileri gibi çok sayıda alanı birlikte yürütür. Bu alanlardan birindeki değişiklik diğerlerini etkileyebilir.

Örneğin bir programdaki başarı düşüşünü yalnızca sınav sonuçlarıyla açıklamak çoğu zaman yeterli değildir. Ders yükü, devam davranışı, ön koşul dersleri, danışmanlık teması, öğrenme yönetim sistemi etkileşimi ve programın öğrenci profili birlikte değerlendirildiğinde daha anlamlı bir tablo ortaya çıkabilir.

Öğrenci, akademisyen, araştırma, idari süreç ve dış paydaş verileri birbirinden bağımsız ele alındığında kurum aynı gerçeğin farklı sürümleriyle çalışmaya başlar. Birimler farklı tanımlar kullanır, raporlar uzlaştırılamaz ve yönetim geçmişi açıklamak için bile zaman kaybeder. Yapay zekâ bu parçalanmayı kendiliğinden çözmez; tersine, belirsizliği daha hızlı çoğaltabilir.

Veri toplamak ile veriyi yönetmek aynı şey değildir

Üniversiteler her gün çok miktarda veri üretir. Öğrenci bilgi sistemi, öğrenme yönetim sistemi, ERP, insan kaynakları, araştırma yönetimi, kalite, kütüphane ve kampüs sistemleri sürekli kayıt oluşturur. Ancak çok veri üretmek, veri odaklı yönetilmek anlamına gelmez.

Veri yönetişimi; verinin kim tarafından, hangi amaçla ve hangi kuralla tanımlandığını; doğruluğundan kimin sorumlu olduğunu; kimlerin hangi koşullarda erişebildiğini ve değişikliklerin nasıl izlendiğini belirleyen kurumsal karar düzenidir. Bu nedenle yalnızca bilgi işlem biriminin görevi değildir. Veri sahibi iş birimi, veri sorumluları, güvenlik, hukuk, kalite ve teknoloji ekipleri birlikte çalışmalıdır.

OECD’nin dijital eğitim görünümü de veri koruma, siber güvenlik ve sistemler arası birlikte çalışabilirliği veri ve teknoloji yönetişiminin temel unsurları arasında ele alıyor. Buradan çıkarılacak pratik sonuç şudur: veri doğru tanımlanmalı, sahibi belirlenmeli, güncel tutulmalı, kalite kontrolünden geçmeli, erişim kuralları tanımlanmalı ve gerekli olduğunda diğer sistemlerdeki verilerle anlamlı biçimde ilişkilendirilebilmelidir.

• Ortak tanım: Aynı kavram bütün birimlerde aynı anlama gelmeli.
• Sahiplik: Verinin anlamı ve kalitesi için sorumlu iş birimi belli olmalı.
• Kalite: Doğruluk, tamlık, tutarlılık ve güncellik düzenli izlenmeli.
• Yetki: Erişim, kullanım amacı ve paylaşım sınırları role göre belirlenmeli.
• İzlenebilirlik: Verinin kaynağı, değişimi ve rapora nasıl dönüştüğü takip edilebilmeli.
• Birlikte çalışabilirlik: Sistemler yalnızca teknik olarak değil, kavramsal olarak da aynı dili konuşmalı.

Üniversitenin veri haritası nasıl çıkarılır?

Veri haritasının amacı bütün alanları tek bir dev veri tabanında toplamak değildir. Amaç, kritik kararların hangi veriye dayandığını, bu verinin nerede üretildiğini, kim tarafından yönetildiğini ve başka hangi alanlarla ilişki kurduğunu görünür hale getirmektir. Başlangıç için aşağıdaki sekiz veri alanı yeterli bir kurumsal çerçeve sağlar.

Yapay zekâ için veriyi modellemek ne demektir?

Veri modellemek yalnızca tablolar, alanlar ve teknik veritabanı ilişkileri tasarlamak değildir. Kurumun nasıl çalıştığını; hangi olayların, değişkenlerin ve kararların birbiriyle ilişkili olduğunu ortak bir dille tanımlamaktır.

Örneğin öğrenci başarısı yalnızca sınav notuyla açıklanamaz. Devam durumu, ders yükü, geçmiş performans, danışmanlık, LMS etkileşimi ve program bağlamı birlikte değerlendirilebilir. Ancak bu değişkenler arasındaki ilişki bir neden-sonuç hükmü olarak kabul edilmemelidir. Model bir erken sinyal üretebilir; öğrencinin durumu hakkındaki değerlendirmeyi danışman veya yetkili kurul bağlam içinde yapmalıdır.

İyi bir üniversite veri modeli üç soruya cevap verir: Hangi kurumsal kavramları kullanıyoruz? Bu kavramlar hangi süreçlerde ve sistemlerde oluşuyor? Hangi karar için hangi ilişkiyi kurmaya gerçekten ihtiyacımız var? Bu yaklaşım, dijital dönüşüm ve teknoloji stratejisinin “önce problem, sonra veri ve kullanım senaryosu, en son teknoloji” ilkesinin yükseköğretimdeki karşılığıdır.

AI ajanları üniversite verisinde nasıl konumlanabilir?

AI ajanları, açıkça tanımlanmış görevler ve yetkiler içinde farklı sistemlerden veri okuyabilir, kalite kontrollerini çalıştırabilir, anormallikleri işaretleyebilir, periyodik rapor taslakları hazırlayabilir ve süreç göstergelerini izleyebilir. Bu kapasite, özellikle tekrarlı veri toplama ve raporlama yükünü azaltabilir.

Örneğin bir ajan, yetkili olduğu veri kaynaklarında boş veya çelişkili kayıtları belirleyip veri sahibine bildirebilir. Başka bir ajan, haftalık göstergeleri özetleyerek yöneticinin dikkatini olağan dışı değişimlere çekebilir. Ancak ajan; veriye erişme hakkını kendisi belirleyemez, bir öğrenci hakkında bağlayıcı karar veremez ve kaynağı belirsiz bir veriyi kurumsal gerçek olarak ilan edemez.

AI ajanı veri yönetişiminin yerine geçmez. Ajan mimarisi kurulmadan önce veri sahipliği, erişim amacı, gizlilik, kayıt tutma, güvenlik, hata yönetimi ve insan onayı tanımlanmalıdır. Aksi halde kurum yalnızca dağınık verinin üzerine daha hızlı çalışan yeni bir otomasyon katmanı eklemiş olur.

İnsan nerede, AI nerede?

Yapay zekâ büyük veri kümelerinde örüntü bulma, sınıflandırma, özetleme, erken sinyal üretme ve alternatif senaryolar oluşturma konusunda güçlü bir destek sağlayabilir. İnsan ise bağlamı kurar, etik etkileri değerlendirir, istisnaları yönetir, stratejik kararı verir ve kararın sorumluluğunu taşır.

UNESCO’nun eğitim ve araştırmada üretken yapay zekâ rehberi insan merkezli yaklaşım ile insan eylemliliğinin korunmasını öne çıkarır. Avrupa Komisyonu’nun eğitimde AI ve veri kullanımına ilişkin etik rehberi de faydayı değerlendirirken risk, mahremiyet ve sorumlu kullanımın birlikte ele alınmasını önerir. Bu kaynaklar bağlayıcı bir kurum politikası yerine geçmez; üniversitenin kendi bağlamında değerlendirmesi gereken ilkeleri görünür kılar.

Ana ilke nettir: AI karar vermeyi desteklemeli; kurumsal sorumluluğun yerini almamalıdır. Öğrenci kabulü, ölçme-değerlendirme, disiplin, burs, akademik ilerleme veya personel kararları gibi etkisi yüksek alanlarda insan incelemesi ve itiraz edilebilirlik özellikle korunmalıdır.

Üniversiteler için 6 adımlı veri yönetişimi yol haritası

Veri yönetişimi, bütün verileri önce tek yerde toplamak amacıyla başlatılan büyük bir teknoloji yatırımı olmamalıdır. “Önce veri gölü kuralım, sonra ne yapacağımızı düşünürüz” yaklaşımı; maliyeti, kapsamı ve riski büyütürken iş değerini belirsiz bırakabilir. Daha güvenli başlangıç, gerçek bir karar ihtiyacından hareket etmektir.

• 1. Kritik kararları belirle: Üniversitenin daha iyi veya daha erken vermesi gereken kararları seç.
• 2. Gerekli veriyi belirle: Her karar için gerçekten ihtiyaç duyulan veri ve göstergeleri tanımla.
• 3. Kaynakları ve sahipleri çıkar: Verinin hangi sistemde üretildiğini, anlamından ve kalitesinden kimin sorumlu olduğunu belirle.
• 4. Kalite ve erişim kurallarını tanımla: Ortak tanım, doğrulama, güncellik, yetki, saklama ve izleme kurallarını oluştur.
• 5. Küçük bir AI kullanım senaryosuyla pilot yap: Sınırlı veri, açık insan onayı ve ölçülebilir hedefle varsayımları sınamaya başla.
• 6. Sonucu ölç, öğren ve ölçekle: Faydayı, hatayı, kullanıcı davranışını ve riskleri birlikte değerlendir; yalnızca doğrulanan yaklaşımı genişlet.

En sık yapılan hatalar

Veri yönetişimi ile yapay zekâ programları genellikle teknoloji eksikliğinden değil, karar ve sorumlulukların belirsizliğinden zorlanır. Aşağıdaki hatalar erken aşamada görünür hale getirilmelidir.

• Önce AI aracı satın almak ve problemi sonradan tanımlamak
• Tüm verileri tek yerde toplamanın tek başına yönetişim sağlayacağını düşünmek
• Veri sahibini ve kalite sorumluluğunu belirlememek
• Öğrenci verilerinde mahremiyet, amaç sınırlaması ve erişim yetkisini ihmal etmek
• AI çıktısını sorgulanabilir bir öneri yerine doğrudan karar olarak kullanmak
• Sınırlı ve ölçülebilir pilot yapmadan sistemi kurum geneline yaymak
• Teknik entegrasyonu kavramsal uyum sanmak; aynı kavrama farklı anlamlar yüklemeye devam etmek

Üniversite 5.0 ile bağlantısı

Üniversite 5.0 yaklaşımı, dijital kapasitenin insan, bilim ve toplum için ölçülebilir değere dönüştürülmesini hedefler. Bu hedefin uygulanabilir olması için üniversitenin öğrenciyi, akademik üretimi, araştırmayı, kaynakları ve toplumsal etkiyi hangi verilerle izleyeceğini bilmesi gerekir.

Üniversite 5.0, daha fazla teknoloji kullanan üniversite değil; sahip olduğu veriyi insan merkezli, etik ve ölçülebilir değere dönüştürebilen üniversitedir. Bu nedenle veri yönetişimi yalnızca idari raporlamanın konusu değil, yeni nesil üniversitenin kurumsal öğrenme mekanizmasıdır.

Bu yaklaşım, yapay zekânın eğitimdeki rolünü yalnızca kopya tartışmasına indirmeyen üniversitelerde yapay zekâ perspektifiyle de tamamlanır: Yapay zekâ, öğrencinin veya yöneticinin yerine karar veren değil; daha iyi soru sormaya ve daha güçlü değerlendirme yapmaya yardım eden bir kapasite olmalıdır.

Sonuç: güvenilir AI, anlaşılmış ve yönetilen veriyle başlar

Yapay zekâ üniversiteler için güçlü bir dönüşüm aracı olabilir. Erken sinyaller üretebilir, eğilimleri gösterebilir, süreçler arasındaki ilişkileri görünür kılabilir, karar desteği sağlayabilir ve yöneticilerin kurumu daha bütünsel görmesine yardımcı olabilir.

Ancak zayıf, eksik, birbirinden kopuk veya anlamı tanımlanmamış veriden güvenilir stratejik değer üretilemez. Üniversitelerin yapay zekâ dönüşümüne model veya araç seçerek değil; kritik kararlarını, kurumsal veri alanlarını, veri sahipliğini ve insan denetimini tanımlayarak başlaması gerekir.

Doğru başlangıç büyük bir veri platformu satın almak değildir. Doğru başlangıç; gerçek bir kurumsal problemi seçmek, o problem için gereken veriyi anlamak, küçük bir kullanım senaryosunu güvenli biçimde sınamak ve öğrenilenleri yönetişim kapasitesine dönüştürmektir.