B2G Cloud Intelligence, yükseköğretimde Business-to-Government (B2G) bilgi sistemleri, bütünleşik veri analizi, politika boşluğu belirleme ve kanıta dayalı öneri geliştirme süreçlerini deneyimsel biçimde öğretmek için tasarlanmış yapay zekâ destekli, bulut tabanlı bir simülasyon ve karar-destek platformudur. Subagyo ve çalışma arkadaşları platformu Endonezya'daki Universitas Negeri Malang'da Yönetim Bilgi Sistemleri dersi alan öğrencilerle dört haftalık tek gruplu pre-test–post-test pilot tasarımında değerlendirmiştir. Başlangıçta 72 öğrenci katılmış, eksik veri nedeniyle 68 öğrencinin sonuçları analiz edilmiştir. Genel öğrenme puanı 60,3'ten 81,7'ye yükselmiş, ortalama fark 21,4 puan, ortalama normalize kazanç 0,54 ve genel Cohen's dz etki büyüklüğü 2,49 olarak rapor edilmiştir. Ancak kontrol grubu bulunmadığından bu artış yalnız platform kullanımından kaynaklanan nedensel etki olarak yorumlanamaz.
Platform altı ana işlevi tek bir B2G öğrenme akışında birleştirir: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis ve Policy Map. Öğrenciler önce senaryonun göstergelerini ve veri kaynaklarını inceler, daha sonra politika problemlerini yorumlar, AI destekli alternatifleri değerlendirir, mevcut ve hedef durumlar arasındaki boşlukları belirler ve sonunda kanıta dayalı bir Policy Map oluşturur.
Technology Acceptance Model temelli kullanılabilirlik anketinde genel ortalama 4,22/5 olarak bulunmuştur. Algılanan yararlılık 4,31, kullanım kolaylığı 4,08, öğrenme katılımı 4,27 ve karar desteği kalitesi 4,22'dir. Grup düzeyindeki Gap Analysis Report, Policy Map ve Project Reflection değerlendirmesinin genel puanı 86,1/100'dür.
Çalışma, platformun yükseköğretimde temel dijital yönetişim, veri bütünleştirme, politika analizi ve kanıta dayalı öneri geliştirme yetkinlikleriyle ilişkili olumlu pre/post değişimler gösterebildiğine ilişkin pilot kanıt sunmaktadır. Buna karşılık işgücü piyasası hazırlığı, profesyonel performans, kamu sektörü verimliliği veya makroekonomik sonuçlar doğrudan ölçülmemiştir.
Araştırmanın temel problemi
Kamu sektörü ile işletmeler arasındaki dijital etkileşimler yalnız bir yazılım arayüzünün kullanılmasını değil; farklı veri kaynaklarının birleştirilmesini, kurumlar ve paydaşlar arasındaki ilişkilerin anlaşılmasını, politika boşluklarının belirlenmesini ve kanıta dayalı kararların oluşturulmasını gerektirir. Kaynağın çıkış noktası, geleneksel Yönetim Bilgi Sistemleri öğretiminin bu karmaşık ilişkileri çoğu zaman ayrı teknolojik özellikler veya yazılı vakalar olarak aktarması ve öğrencilerin entegre karar verme sürecini deneyimleme fırsatının sınırlı kalabilmesidir.
B2G bağlamında bir yönetici yalnız sistemin teknik olarak nasıl çalıştığını değil, verinin hangi kurumdan geldiğini, hangi politika problemini temsil ettiğini, hangi aktörleri etkilediğini ve analiz sonucunun nasıl bir öneriye dönüştürüleceğini de anlamalıdır. Çalışma bu nedenle bulut tabanlı simülasyonu insan sermayesi ve temel dijital yönetişim yetkinliği geliştirme aracı olarak konumlandırmaktadır.
B2G Cloud Intelligence nedir?
B2G Cloud Intelligence, öğrencileri bir B2G bilgi sistemi bağlamında veri keşfi, bütünleştirme, politika yorumlama, AI destekli alternatif geliştirme, boşluk analizi ve Policy Map üretimi adımlarından geçiren; son kararın öğrenci ve öğretim elemanında kaldığı bulut tabanlı bir eğitim ve karar-destek simülasyonudur.
Business-to-Government bağlamı
Business-to-Government (B2G), işletmeler ile kamu kurumları arasındaki bilgi, hizmet, düzenleme, veri ve karar süreçlerini kapsayan etkileşim bağlamıdır. Kaynakta kullanılan eğitim senaryolarında kamu hizmeti gereksinimleri, iş dünyasına ait veriler, politika göstergeleri, kullanıcı gereksinimleri ve paydaş rolleri birlikte ele alınmaktadır.
Öğrenciler sistem analisti ve karar verici rolüne yerleştirilerek yalnız doğru teknik özelliği seçmek yerine şu zinciri anlamaya çalışmaktadır:
problem bağlamı → veri → paydaş → politika boşluğu → alternatif açıklama → öneri.
Kavramsal öğrenme çerçevesi
Kaynak Şekil 1'de B2G Cloud Intelligence'ın kavramsal yapısı dört ana aşamada sunulmaktadır.
- Girdiler: yönetim öğrencileri, Management Information Systems dersi, B2G senaryosu ve kamu/iş dünyası verileri.
- B2G Cloud Intelligence platformu: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis ve Policy Map.
- Deneyimsel öğrenme süreci: keşif, problem analizi, ekip tartışması, karar verme ve yansıtma.
- Öğrenme çıktıları: B2G bilgi sistemlerini anlama, veri analizi, politika önerisi geliştirme, işbirlikçi problem çözme ve proje yansıtması.
Bu yapı platformu yalnız içerik sunan bir öğrenme yönetim sisteminden ayırmaktadır. Öğrencinin görevi, verilmiş materyali okumaktan çok bir senaryoda veri ve karar zincirini kurmaktır.
Altı temel modül
| Modül | Bilimsel/eğitsel görevi |
|---|---|
| Helicopter View | B2G senaryosundaki göstergeleri ve problem bağlamını makro düzeyde görmeyi sağlar. |
| Data Integration | Farklı veri kaynakları ve göstergeler arasındaki ilişkilerin araştırılmasını destekler. |
| Policy Insight | Politika problemlerinin ve ilgili göstergelerin sistematik olarak yorumlanmasını destekler. |
| AI Consultant | Alternatif açıklamalar, analitik ipuçları ve ilk öneri seçenekleri sunan rehberli karar-destek bileşenidir. |
| Gap Analysis | Mevcut koşullar ile beklenen/hedef koşullar arasındaki farkların belirlenmesine yardımcı olur. |
| Policy Map | Veri, aktör, problem, boşluk ve önerileri yapılandırılmış kanıta dayalı karar çıktısına dönüştürür. |
AI Consultant öğrencilerin yerine karar veriyor mu?
Hayır. Kaynakta AI Consultant otonom karar verici olarak değil, problem açıklama ve alternatif öneri üretimini destekleyen bir scaffolding aracıdır; öğrenciler AI çıktısını Data Integration, Policy Insight ve Gap Analysis sonuçlarıyla doğrulamak, öğretim elemanları ise önerilerin mantık ve tutarlılığını denetlemek zorundadır.
İnsan gözetimi neden merkezi?
Çalışma AI çıktılarının doğrudan nihai cevap olarak kullanılmasına izin veren bir tasarım sunmamaktadır. Öğrenciler AI Consultant'tan gelen önerileri mevcut göstergeler ve senaryo bağlamıyla karşılaştırmıştır. Öğretim elemanları grup tartışmaları ve sunumlar sırasında önerilerin ilgisini, mantığını ve tutarlılığını değerlendirmiştir.
Bu tasarımın amacı, öğrencinin AI'dan alınan öneriyi pasif biçimde kopyalaması yerine önerinin veri ve politika temelini sorgulamasıdır. Kaynak AI'nın katkısını özellikle keşfi hızlandırma ve bilişsel scaffolding bağlamında tartışmaktadır.
Bununla birlikte kaynak, AI Consultant'un altında çalışan belirli AI modeli veya büyük dil modeli, sürüm, sağlayıcı, API, prompt şablonu ya da inference yapılandırması gibi teknik ayrıntıları raporlamamaktadır. Bu nedenle AI bileşeninin yazılım düzeyinde birebir yeniden üretimi için gerekli bütün teknik bilgiler makalede mevcut değildir.
Sistem mimarisi
Kaynak Şekil 2 platformu katmanlı bir mimari olarak göstermektedir:
| Katman | Kaynakta gösterilen işlevler |
|---|---|
| User Layer | Öğrenciler, öğretim elemanları ve yöneticiler |
| Interface Layer | Dashboard, Helicopter View, Policy Map Interface, Gap Analysis Interface |
| Core Service Layer | Simulation Engine, AI Consultant, Policy Insight Engine, Learning Activity Manager |
| Data Layer | B2G senaryo veri setleri, kullanıcı aktivite kayıtları, politika göstergeleri ve öğrenci çıktıları |
| Evaluation Layer | Pre-test/post-test, TAM/kullanılabilirlik, rubrik puanlama ve öğrenme analitiği |
| Learning Outcomes | B2G sistem anlayışı, veri analizi, politika önerisi ve proje yansıtması |
Şekil, platformun veri sunumu yapan tek bir ekran değil; kullanıcı etkileşimini, analiz servislerini, veri katmanını ve değerlendirme süreçlerini birbirine bağlayan bir öğrenme sistemi olarak tasarlandığını göstermektedir.
Araştırma soruları
Kaynak iki temel araştırma sorusu ortaya koymaktadır. Birinci soru, B2G Cloud Intelligence'ın yapay zekâ destekli, bulut tabanlı bir simülasyon olarak dijital ekonomik yönetişim kapasitesini destekleyecek biçimde nasıl tasarlanıp uygulandığıdır. İkinci soru ise platform kullanımından sonra öğrencilerin dijital beceri, veri bütünleştirme, politika analizi ve kanıta dayalı karar verme göstergelerinde ne ölçüde değişim görüldüğüdür.
Bu soruların ikinci kısmı “platform öğrencilerin mesleki performansını artırıyor mu?” sorusuyla aynı değildir. Çalışma gerçek kamu görevlileri veya işgücü piyasasındaki profesyoneller üzerinde yapılmamıştır.
Çalışmanın Yöntemi ve Bulguları
Araştırma tasarımı
Çalışma değerlendirici tek gruplu pre-test–post-test pilot tasarım kullanmıştır. Aynı öğrencilerin simülasyon öncesi ve sonrası puanları karşılaştırılmıştır. Kontrol grubu bulunmadığı için gözlenen değişimler platformla zaman bakımından ilişkilidir; yalnız platformun neden olduğu etki olarak belirlenemez.
Katılımcılar
| Öğe | Değer |
|---|---|
| Başlangıç katılımcısı | 72 öğrenci |
| Analize alınan geçerli veri | 68 öğrenci |
| Dışlanan | 4 öğrenci; post-test veya anket tamamlanmadı |
| Sınıf sayısı | 4 |
| Çalışma grubu | 12 grup |
| Grup büyüklüğü | 5–6 öğrenci |
| B2G'yi daha önce özel olarak çalışmamış | 49 öğrenci |
| Temel B2G bilgisi bulunan | 19 öğrenci |
Dört haftalık prosedür
| Hafta | Temel faaliyet |
|---|---|
| 1 | Platform oryantasyonu, B2G senaryosu açıklaması, grup oluşturma ve pre-test |
| 2 | Helicopter View ve Data Integration ile gösterge ve veri ilişkilerinin incelenmesi |
| 3 | Policy Insight, AI Consultant ve Gap Analysis ile problem yorumlama ve alternatif çözüm geliştirme |
| 4 | Policy Map ve Gap Analysis Report, grup sunumu, post-test ve TAM/kullanılabilirlik anketi |
Çalışma dört hafta boyunca haftada iki oturum biçiminde yürütülmüştür.
Pre-test ve post-test hangi yetkinlikleri ölçtü?
Beş gösterge kullanılmıştır:
- B2G bilgi sistemi akışını anlama,
- bulut tabanlı sistem mimarisini anlama,
- veri bütünleştirme analizi,
- politika analizi,
- sistem tasarımı ve karar verme.
Kaynak, maddelerin içerik geçerliğinin yönetim bilgi sistemleri, dijital yönetişim ve eğitimsel değerlendirme uzmanlarınca incelendiğini belirtmektedir. Ancak uzman sayısı, madde sayısı ve ayrı bir nicel içerik geçerliği katsayısı raporlanmamaktadır.
Normalize kazanç
Kaynak öğrenme değişimini ham puan farkının yanında normalize kazançla da ifade etmektedir:
\[ g = \frac{\text{post-test puanı}-\text{pre-test puanı}} {\text{maksimum puan}-\text{pre-test puanı}} \]
Kaynak sınıflandırmasında \(g<0{,}30\) düşük, \(0{,}30\leq g\leq0{,}70\) orta ve \(g>0{,}70\) yüksek kazançtır. Çalışmanın genel ortalaması \(g=0{,}54\) olduğundan kaynak bunu orta düzey normalize kazanç olarak sınıflandırmaktadır.
Pre-test ve post-test ortalamaları
| Yetkinlik | Pre-test | Post-test | Artış |
|---|---|---|---|
| B2G bilgi sistemi akışını anlama | 60,8 | 82,1 | +21,3 |
| Bulut tabanlı sistem mimarisi | 57,6 | 78,4 | +20,8 |
| Veri bütünleştirme analizi | 59,2 | 80,7 | +21,5 |
| Politika analizi | 62,1 | 84,3 | +22,2 |
| Sistem tasarımı ve karar verme | 61,7 | 83,0 | +21,3 |
| Genel ortalama | 60,3 | 81,7 | +21,4 |
En büyük ham artış politika analizi göstergesinde görülmüştür: 62,1'den 84,3'e, yani 22,2 puan.
İstatistiksel karşılaştırma
| Gösterge | Ortalama fark | Normalize kazanç | Test | p | Cohen's dz | %95 GA |
|---|---|---|---|---|---|---|
| B2G bilgi sistemi akışı | 21,3 | 0,54 | t(67)=15,14 | <0,001 | 1,84 | [18,49; 24,11] |
| Bulut sistem mimarisi | 20,8 | 0,49 | t(67)=13,83 | <0,001 | 1,68 | [17,80; 23,80] |
| Veri bütünleştirme analizi | 21,5 | 0,53 | t(67)=15,03 | <0,001 | 1,82 | [18,64; 24,36] |
| Politika analizi | 22,2 | 0,59 | t(67)=16,35 | <0,001 | 1,98 | [19,49; 24,91] |
| Sistem tasarımı ve karar verme | 21,3 | 0,56 | t(67)=14,52 | <0,001 | 1,76 | [18,37; 24,23] |
| Genel puan | 21,4 | 0,54 | t(67)=20,52 | <0,001 | 2,49 | [19,32; 23,48] |
21,4 puanlık artış platformun nedensel etkisini kanıtlıyor mu?
Hayır. Pre-test ile post-test arasındaki 21,4 puanlık fark istatistiksel olarak belirgin olsa da kontrol grubu bulunmadığından normal ders ilerlemesi, tekrarlı test etkisi, öğretim elemanı rehberliği, grup tartışması ve konuya zaman içinde aşinalık gibi alternatif açıklamalar dışlanamamaktadır.
TAM tabanlı kullanıcı kabulü
| Boyut | Ortalama | SS | Kaynak Tablo 3 etiketi |
|---|---|---|---|
| Algılanan yararlılık | 4,31 | 0,52 | Excellent |
| Algılanan kullanım kolaylığı | 4,08 | 0,61 | Good |
| Öğrenme katılımı | 4,27 | 0,55 | Excellent |
| Karar desteği kalitesi | 4,22 | 0,58 | Excellent |
| Genel ortalama | 4,22 | 0,57 | Excellent |
Kaynak içi kategori notu: yöntem bölümü 1–5 Likert ölçeğinde 3,41–4,20 aralığını “good”, 4,21–5,00 aralığını “very good” olarak tanımlamaktadır. Buna rağmen kaynak Tablo 3'te 4,21 üzerindeki değerler “Excellent” olarak etiketlenmiştir. Verianla sayısal sonuçları aynen korumakta, iki farklı sözel kategori sistemini sessizce birleştirmemektedir.
Kaynak TAM ölçeği için Cronbach's alpha ile iç tutarlılık analizinin yapıldığını belirtmektedir; ancak sonuçlar bölümünde sayısal Cronbach alfa katsayısı raporlanmamaktadır. Bu nedenle ölçeğin iç tutarlılığına ilişkin yeni bir değer üretilemez.
Proje çıktılarının grup düzeyi değerlendirmesi
| Değerlendirme boyutu | Ortalama puan | Kaynak yorumu |
|---|---|---|
| Problem tanımlama | 12,6/15 | Good |
| B2G süreç haritalama | 13,0/15 | Good |
| Veri keşfi ve bütünleştirme | 13,0/15 | Good |
| AI Consultant ve Policy Insight kullanımı | 13,2/15 | Good |
| Gap Analysis kalitesi | 12,8/15 | Good |
| Policy Map ve öneri | 13,4/15 | Excellent |
| Yansıtma ve ekip çalışması | 8,1/10 | Good |
| Toplam | 86,1/100 | Good |
Bu puanlar 68 öğrencinin bireysel rubrik puanlarının ortalaması değildir. Policy Map, Gap Analysis Report ve Project Reflection 12 çalışma grubu tarafından ortak hazırlanmış olduğundan sonuçlar grup düzeyi analitik çıktı kalitesi olarak yorumlanmalıdır.
Platform kullanım kayıtları neden sonuç modeline girmedi?
Helicopter View, Data Integration, AI Consultant, Policy Insight, Gap Analysis ve Policy Map etkileşim kayıtları destekleyici veri olarak tutulmuştur; ancak kaynak bu logları tamamlanmış nicel veri seti olarak analiz etmemiştir. Bu nedenle “AI Consultant'ı daha sık kullanan öğrenciler daha fazla gelişti” veya belirli bir modülün puan artışını açıkladığı gibi ilişki sonuçları bu çalışmadan çıkarılamaz.
Çalışmanın desteklediği sonuçlar
- Dört haftalık uygulamanın ardından aynı öğrencilerin bütün beş temel yetkinlik alanındaki ortalama puanları yükselmiştir.
- Genel pre/post farkı 21,4 puandır ve eşleştirilmiş karşılaştırmada p<0,001 olarak rapor edilmiştir.
- Genel Cohen's dz etki büyüklüğü kaynakta 2,49 olarak verilmiştir.
- Ortalama normalize kazanç 0,54 ile kaynağın orta kazanç kategorisindedir.
- Öğrenciler platformun yararlılık, katılım ve karar desteği boyutlarını yüksek puanlamıştır.
- 12 öğrenci grubu ortalama 86,1/100 düzeyinde Gap Analysis Report, Policy Map ve Project Reflection çıktısı üretmiştir.
- AI Consultant, nihai karar verici değil, insan doğrulamasına bağlı destek aracı olarak uygulanmıştır.
Çalışmanın desteklemediği sonuçlar
- B2G Cloud Intelligence'ın puan artışının tek nedeni olduğunu kanıtlamaz.
- Platformun geleneksel öğretimden daha iyi olduğunu kontrol grubu olmadan göstermez.
- Öğrencilerin gerçek kamu kurumlarında daha iyi performans göstereceğini kanıtlamaz.
- İşgücü piyasası hazırlığı veya iş bulma olasılığında artış ölçmez.
- Kamu sektörü verimliliği, kurumsal performans veya makroekonomik sonuçları ölçmez.
- Tek üniversitedeki sonuçların diğer ülkeler, üniversiteler veya profesyonel gruplar için aynı olacağını göstermez.
- AI Consultant'un tek başına öğrenme kazanımına yaptığı bağımsız katkıyı ayırmaz.
Temel sınırlılıklar
- Kontrol grubu yoktur. Tek gruplu tasarım nedensellik kuramaz.
- Ölçülen yapı temeldir. Paydaş müzakeresi, siyasi uygulanabilirlik, gerçek politika uygulama kapasitesi ve kamu sektörü performansı ölçülmemiştir.
- Tek üniversite ve tek ders bağlamıdır. Genellenebilirlik sınırlıdır.
- Katılımcılar öğrencidir. Kamu görevlileri veya işgücü piyasası profesyonelleri değildir.
- Platform logları inferans analizine alınmamıştır. Modül kullanım sıklığı ve öğrenme sonucu arasındaki ilişki bilinmemektedir.
- AI teknik ayrıntıları eksiktir. AI Consultant'un model sağlayıcısı, model sürümü ve teknik inference yapılandırması kaynakta verilmemiştir.
- Ölçek güvenirlik katsayısı eksiktir. Cronbach alfa yöntem olarak belirtilmiş olsa da sayısal sonuç raporlanmamıştır.
Gelecek araştırmalar
Kaynak daha güçlü kanıt için kontrol gruplu, bekleme listeli, eşleştirilmiş karşılaştırmalı veya yarı-deneysel tasarımlar önermektedir. Ayrıca farklı üniversiteler, kamu çalışanları, yerel yönetim personeli ve MSME politika kolaylaştırıcıları gibi daha çeşitli katılımcı gruplarında değerlendirme yapılması gerektiği belirtilmektedir.
Platform kullanım günlüklerinin de gelecekte nicel hale getirilmesi önerilmektedir. Potansiyel göstergeler arasında özellik erişim sıklığı, kullanım süresi, AI Consultant sorgu sayısı, Policy Map revizyon sayısı ve bu davranışların değerlendirme sonuçlarıyla ilişkisi bulunmaktadır.
Gerçek kamu verileri, MSME politika verileri ve yerel yönetim karar vakaları kullanılarak yürütülecek çalışmalar, platformun eğitim ortamının ötesindeki uygulama değerini daha doğrudan değerlendirebilir.
Kaynak ve Yöntem Notu
Özgün başlık: AI-Assisted B2G Cloud Intelligence Simulation for Foundational Digital Governance Competencies: A Pilot Study in Higher Education
Yazarlar: Subagyo; Andi Basuki; I Nyoman Suputra; Ari Gunawan; Afis Baghiz Syafruddin
Sorumlu yazar: Andi Basuki
Kurum 1: Department of Management, Universitas Negeri Malang, Malang 65145, Indonesia
Kurum 2: Department of Management, Universitas Gadjah Mada, Yogyakarta 55281, Indonesia
Dergi: Economies
Yayınevi: MDPI
Yayın türü: Hakemli araştırma makalesi; pilot yükseköğretim değerlendirme çalışması
Bibliyografik kayıt: Economies, 2026, 14(9), 362
DOI: 10.3390/economies14090362
Gönderim: 8 Temmuz 2026
Revizyon: 7 Ağustos 2026
Kabul: 19 Ağustos 2026
Yayın: 1 Eylül 2026
Lisans: Creative Commons Attribution (CC BY).
Araştırma tasarımı: Tek gruplu, pre-test–post-test, dört haftalık değerlendirme pilotu.
Örneklem: 72 başlangıç katılımcısı; 68 geçerli bireysel pre/post ve anket kaydı; 12 grup düzeyi proje çıktısı.
Temel platform modülleri: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis ve Policy Map.
Temel değerlendirme araçları: beş göstergeli pre-test/post-test, TAM tabanlı 1–5 Likert kullanılabilirlik anketi ve 100 puanlık grup proje rubriği.
İstatistik: tanımlayıcı ortalamalar, ham kazanç, normalize kazanç, eşleştirilmiş örneklem karşılaştırması, %95 güven aralıkları ve Cohen's dz etki büyüklüğü. Kaynak normalite koşulu karşılanmadığında Wilcoxon signed-rank testinin kullanılacağını belirtmektedir; raporlanan ana sonuçlar t istatistikleriyle verilmiştir.
Finansman: Institute for Research and Community Service, State University of Malang; KBK Topic Competitive scheme, contract No. 24.2.121/UN32.14.1/LT/2025.
Etik: Universitas Negeri Malang tarafından etik muafiyet; No. 19.06.11/UN32.14.2.8/LT/2026. Kaynak belgesi muafiyetin 19 Haziran 2025'te verildiğini ve 19 Haziran 2026'ya kadar geçerli olduğunu belirtmektedir.
Bilgilendirilmiş onam: Bütün katılımcılardan alınmıştır.
Veri erişilebilirliği: Verilerin talep üzerine sağlanacağı belirtilmiştir.
Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.
Yazar katkıları: Kavramsallaştırma Subagyo ve I Nyoman Suputra; metodoloji Andi Basuki ve Subagyo; yazılım Afis Baghiz Syafruddin; doğrulama Ari Gunawan ve I Nyoman Suputra; formel analiz Andi Basuki ve Subagyo; araştırma Subagyo; kaynaklar Afis Baghiz Syafruddin; veri düzenleme Ari Gunawan; ilk taslak Subagyo, Andi Basuki ve I Nyoman Suputra; gözden geçirme/düzenleme Afis Baghiz Syafruddin, Andi Basuki ve Ari Gunawan; görselleştirme Afis Baghiz Syafruddin ve Ari Gunawan; gözetim Subagyo; proje yönetimi I Nyoman Suputra; fon edinimi Subagyo tarafından yürütülmüştür.
Kaynak içi TAM kategori notu: yöntem bölümü 4,21–5,00 aralığını “very good” olarak tanımlarken Tablo 3 aynı aralıkta yer alan bazı puanları “Excellent” olarak etiketlemektedir.
Güvenirlik raporlama sınırı: Cronbach's alpha ile iç tutarlılık analizinin yapıldığı belirtilmektedir; ancak makalede sayısal alpha değeri raporlanmamıştır.
AI yeniden üretilebilirlik sınırı: AI Consultant'un pedagojik ve işlevsel rolü tanımlanmıştır; ancak kullanılan AI modeli, sağlayıcı, model sürümü, API/prompt yapılandırması ve ayrıntılı bulut altyapısı raporlanmamaktadır.
Ana yorum sınırı: Çalışma temel dijital yönetişim yetkinliklerinde gözlenen pre/post değişimlere ilişkin pilot kanıt üretmektedir; işgücü piyasası, profesyonel performans, kamu sektörü verimliliği veya makroekonomik etki için nedensel kanıt değildir.
Görsel yeniden çizim: Kaynak Şekil 1'in kavramsal öğrenme akışı ve Şekil 2'nin katmanlı sistem mimarisi Verianla için semantik olarak eşdeğer fakat grafik olarak özgün şemalar halinde yeniden kurulabilir. Şekil 3–6'daki platform ekranları ve öğrenci çıktıları doğrudan ekran kopyası yerine ana bilgi akışını temsil eden açıklayıcı şemalar olarak yeniden tasarlanmalıdır.
Verianla Live uygunluğu: Live Architecture, Live Process, Live Compare ve Live Data için yüksek derecede uygundur. Kullanıcı parametrelerinden yeni öğrenme etkisi üreten interaktif bir simülasyon kaynak tarafından desteklenmemektedir.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir