EdTech Yazılım Geliştirme: Kişiselleştirilmiş Öğrenme Platformları

HolonIQ 2025 Global Education Outlook raporuna göre küresel EdTech pazarı 2027’de 605 milyar USD bandına yaklaşıyor; bu büyümenin yaklaşık %58’ini kişiselleştirilmiş öğrenme platformları, %22’sini ise jeneratif AI tutor uygulamaları sürüklüyor. GSV State of Higher Ed 2025 verisi yüksek öğretimde adaptive learning kullanımının üç yılda %18’den %47’ye, Coursera Industry Report 2025 ise kurumsal L&D bütçelerinde kişiselleştirilmiş öğrenme harcamasının yıllık %34 büyüdüğünü gösteriyor. Klasik tek-tip e-öğrenme deneyiminin yerini, her öğrencinin bilişsel profiline ve öğrenme hızına uyum sağlayan adaptive learning sistemleri alıyor; bu sistemler ortalama öğrenme verimini %42 artırırken tamamlanma oranlarını iki katına çıkarıyor. Bu yazıda EdTech yazılım geliştirmenin teknik mimarisini, kişiselleştirilmiş öğrenme algoritmalarını, veri katmanını ve kurumsal LMS entegrasyonunu detaylı inceliyoruz.

Bu 2026 rehberinde adaptive learning mimarisi, içerik modellemesi, öğrenci modelleme, öğrenme analitiği, LTI/xAPI/cmi5 standartları, KVKK/COPPA uyumluluğu, WCAG 2.2 erişilebilirlik, EU AI Act eğitim etkisi ve geliştirme yol haritasını dikey segment bazında ele alıyoruz: K-12, Yükseköğretim, Kurumsal L&D, Test Prep ve Dil Öğrenme.

EdTech Dikey Segmentleri: Kim Kim İçin Ne Çözüyor?

EdTech tek bir pazar değil; ihtiyaç, regülasyon, ödeme modeli ve teknik gereksinim açısından birbirinden çok farklı dikeyler içerir. HolonIQ taksonomisi beş ana segmenti şu şekilde ayırır: K-12 okul içi, yükseköğretim ve sürekli eğitim, kurumsal Learning & Development, sınav hazırlık (test prep) ve dil öğrenme. Her segmentin satın alma süreci, başarı KPI’sı ve teknik altyapı odağı farklıdır. Bir platformun aynı anda hepsine hitap etmesi nadiren mantıklıdır; tipik startup ya da kurumsal ekip iki segmente odaklanıp diğerlerine API ile bağlanır.

Segment	Asıl KPI	Ödeme Modeli	Teknik Öncelik	Düzenleyici Yük
K-12	Müfredat hedefi başarımı	Okul/bakanlık ihalesi	SSO + ebeveyn paneli	COPPA, KVKK, ebeveyn rızası (yüksek)
Yükseköğretim	Kurs tamamlama, retention	Üniversite lisansı, LTI	LTI 1.3, LMS entegrasyon	FERPA tarzı, GDPR/KVKK (orta)
Kurumsal L&D	Beceri kazanımı, ROI	Seat-based SaaS	SSO/SCIM, skills graph	İK regülasyonu, GDPR (orta)
Test Prep	Sınav skoru artışı	B2C abonelik	Adaptive engine, mobil	Tüketici (düşük-orta)
Dil Öğrenme	Günlük aktif kullanıcı, streak	Freemium + abonelik	Konuşma tanıma, oyunlaştırma	Tüketici (düşük)

İlginç bir veri: Duolingo 2025 yatırımcı raporuna göre dil öğrenme uygulamasının günlük aktif kullanıcı sayısı 113 milyona ulaştı ve gelirin %91’i abonelikten geliyor; oysa aynı yıl Coursera kurumsal segmenti %58 ile en hızlı büyüyen iş birimi. Yani EdTech’in iki ucu (oyunlaştırılmış B2C dil ve kurumsal beceri geliştirme) farklı kasları kullanan iki ayrı pazardır.

Kişiselleştirilmiş Öğrenme: Tanım, Algoritma Ailesi ve Teorik Çerçeve

Kişiselleştirilmiş öğrenme, her öğrencinin önbilgisi, öğrenme stili, hedefi ve performansı temel alınarak içerik, hız ve değerlendirme yolunun dinamik şekilde uyarlandığı bir yaklaşımdır. Adaptive learning sistemleri Item Response Theory (IRT), Bayesian Knowledge Tracing (BKT) ve Deep Knowledge Tracing (DKT) gibi algoritmalarla öğrencinin bilgi durumunu modelleyerek bir sonraki en uygun içeriği önerir. Tam otomatize kararlardan ders kazanım önerilerine, ekibe kohort-bazlı raporlamadan adaptive sınava kadar geniş bir kişiselleştirme yelpazesi vardır.

• Knowledge graph: kavramlar ve önkoşul ilişkileri yönlü grafik (DAG) olarak tanımlanır.
• Student model: her öğrencinin her kavramdaki ustalık olasılığı sürekli güncellenir.
• Pedagogical model: öğrenme amacına en uygun aktivite tipi (video, alıştırma, simülasyon) seçilir.
• Recommendation engine: bir sonraki içerik bireysel olarak önerilir, ekleyici A/B test ile kalibre edilir.
• Feedback loop: hata örüntüleri sonraki seans için zorluk seviyesini ve içerik tipini günceller.

Algoritma	Tip	Veri İhtiyacı	Yorum Edilebilirlik	Tipik Kullanım
Item Response Theory (IRT)	İstatistiksel (psikometri)	Düşük (item kalibrasyonu)	Yüksek	Sınav skorlama, test prep
Bayesian Knowledge Tracing (BKT)	Markov / HMM	Orta	Yüksek	Beceri ustalığı takibi
Performance Factor Analysis (PFA)	Lojistik regresyon	Orta	Yüksek	Tekrar aralıkları
Deep Knowledge Tracing (DKT)	LSTM / Transformer	Yüksek (>10K seq)	Düşük	Büyük ölçek, içerik bol
Contextual Bandit	RL	Yüksek	Orta	İçerik öneri keşfi
LLM Tutor (RAG destekli)	Foundation Model	Çok yüksek	Düşük	Sokratik diyalog, soru-cevap

EdSurge 2025 makalesi tek bir altın algoritma olmadığını net biçimde ortaya koyuyor: küçük kohortlarda IRT/BKT karması, büyük veriyle DKT, içerik keşfinde contextual bandit ve diyalog-tabanlı tutoringde RAG’lı LLM birlikte çalışmalı. Bu yüzden olgun EdTech ekipleri tek model yerine bir ensemble kurar.

Teknik Mimari: LMS Çekirdek, LRS, Adaptive Engine ve Analytics

Modern bir kişiselleştirilmiş öğrenme platformunda LMS çekirdeği, içerik yönetim sistemi (CMS), öğrenme analitiği veri ambarı, adaptive engine ve değerlendirme motoru ayrı servisler olarak çalışır. xAPI (Experience API / Tin Can) standardı ile öğrenme etkileşimleri standardize edilir ve Learning Record Store (LRS) içinde saklanır. IMS Global spesifikasyonlarıyla LMS-içerik-değerlendirme arayüzü ortak protokole oturtulur, böylece tedarikçi bağımsız bir ekosistem kurulur.

Bileşen	Sorumluluğu	Standart/Protokol	Örnek Açık Kaynak	Örnek Ticari
LMS Çekirdek	Kullanıcı, kurs, kayıt, yetkilendirme	LTI 1.3, OneRoster 1.2	Moodle, Open edX	Canvas, Blackboard, D2L
LXP (Learning Experience Platform)	Öneri, sosyal, beceri rotaları	xAPI, LTI	Totara LXP	Degreed, EdCast, 360Learning
CMS / Yazarlık	İçerik üretimi, sürüm, çeviri	SCORM 2004, xAPI, cmi5	H5P, Adapt	Articulate, Rise, iSpring
LRS (Learning Record Store)	Öğrenme verisi depolama	xAPI, Caliper Analytics	Yet Analytics, Learning Locker	Watershed, Veracity
Adaptive Engine	Kişiselleştirme algoritması	IRT, BKT, DKT	OpenAdapt, EdNet baseline	Knewton (Wiley), ALEKS, Smart Sparrow
Analytics & BI	Dashboard, early-warning	Caliper, dbt+SQL	Apache Superset, Metabase	Tableau, Power BI, Looker
Proctoring	Sınav güvenliği	WebRTC, AI yüz/ses	Safe Exam Browser	Proctorio, Honorlock, ProctorU

LMS ile LXP ayrımı 2026’da kritik: LMS yönetim katmanı (zorunlu kurs, atama, sertifika), LXP ise deneyim katmanıdır (öneri, sosyal öğrenme, beceri rotası). Kurumsal L&D çoğunlukla LMS’in üzerine bir LXP serer; iki sistem xAPI ile veri paylaşır. Bu yüzden mimari kararda “tek monolith vs. iki katmanlı” tartışması başlangıçtan netleştirilmelidir.

Boyut	LMS	LXP
Asıl odak	Yönetim, uyumluluk, atama	Keşif, deneyim, motivasyon
İçerik kaynağı	Kurum içi, satın alınmış katalog	İç + dış + UGC + AI önerilmiş
Akış	Lineer kurs > modül > ders	Netflix benzeri öneri akışı
Başarı metriği	Tamamlama, sertifika, uyum	Engagement, beceri büyümesi
Tipik kullanıcı	HR, compliance, akademik birim	Çalışan, öğrenen kendisi
Yapay zeka rolü	Operasyonel (rapor, atama)	Merkezi (öneri, tutor, eşleme)

Öğrenci Modelleme ve Adaptive Algoritma Tasarımı

Bayesian Knowledge Tracing (BKT), öğrencinin bir kavramı bilip bilmediğini gizli durum olarak modelleyen Markov modelidir; başlangıçta P(L0), öğrenme olasılığı P(T), tahmin P(G) ve sürçme P(S) parametrelerini kullanır. Deep Knowledge Tracing (DKT) ise LSTM/Transformer ile öğrencinin tüm geçmiş etkileşimini girdi olarak alır ve sonraki performansı öngörür; EdNet veri seti benchmark’larında BKT’ye göre %18 daha yüksek doğruluk sağlar ancak yorum edilebilirlikten ödün verir. Üretim ortamına alım sırası şu olmalı: kural-tabanlı baseline → IRT/BKT → DKT katmanı → contextual bandit ile içerik keşfi.

1. Knowledge graph’i domain uzmanlarıyla birlikte tanımlayın ve prerequisite kenarlarını ekleyin; her kenara güven skoru iliştirin.
2. Her madde için zorluk parametresini IRT (1PL/2PL/3PL) ile pilot grupta kalibre edin; en az 200 yanıt/madde hedefleyin.
3. Soğuk başlangıç problemi için demographic-based prior dağılım kullanın ve ilk seansta kısa diagnostic ile bireysel a posteriori’ye geçin.
4. Modeli çevrimdışı değerlendirin: AUC, accuracy, prediction calibration, fairness disparity (alt gruplar arasında).
5. A/B test ile gerçek öğrenme kazanımına (post-test artışı) etkisini ölçün; sadece engagement değil.
6. Model performansını periyodik (3 aylık) yeniden eğitin; içerik değiştikçe drift olur, yeni içeriği “shadow mode” ile devreye alın.
7. Açıklanabilirlik için her öneriyi bir “neden bu içerik” notuyla sunun; eğitmenin müdahale edebileceği override mekanizması bırakın.

Adaptive engine üzerine pratik bir not: kurumsal yapay zeka entegrasyon projelerindeki gibi EdTech adaptive engine de “büyük model + zorunlu kullan” yerine “küçük model + iyi ölçülmüş baseline + kademeli devreye alma” mantığıyla daha güvenli kuruluyor.

AI Tutor ve Jeneratif Asistanlar: Yetenek Matrisi

Khan Academy Khanmigo, Duolingo Max, Coursera Coach gibi AI tutor uygulamaları 2025’in en konuşulan EdTech ürünleri oldu. AI tutor’ları kabaca dört yetenek ekseninde değerlendirebiliriz: konu açıklama, Sokratik soru sorma, ödev/değerlendirme rehberliği ve eğitmen yardımcılığı. Pedagojik açıdan en yüksek değer Sokratik diyalog (cevabı vermeden yönlendirme) ile geliyor; oysa LLM’lerin doğal eğilimi cevabı doğrudan vermek. Bu yüzden sıkı sistem prompt mühendisliği ve RAG (Retrieval-Augmented Generation) ile doğrulanmış kaynaklar zorunlu.

Yetenek	Pedagojik Değer	Teknik Zorluk	Risk Seviyesi	Tipik Çözüm
Kavram açıklama	Orta	Düşük	Halüsinasyon (orta)	RAG + müfredat kaynağı
Sokratik soru	Yüksek	Yüksek (prompt)	Cevap sızdırma	Sistem prompt + guardrail
Ödev rehberliği	Yüksek	Orta	Akademik dürüstlük	“Sadece ipucu” modu, log
Otomatik notlama	Yüksek (öğretmen yükü)	Yüksek	Yanlış puanlama, taraf	İnsan-doğrulamalı, rubric
Eğitmen yardımcısı	Çok yüksek	Orta	Veri sızıntısı	Tenant izolasyon, audit
Çocuk diyalog	Değişken	Yüksek	İçerik güvenliği	Sıkı moderasyon + yaş tonu

AI tutor’da bellek mimarisi ürünün niteliğini belirler. AI agent memory katmanları (vector, episodic, semantic) eğitim diyaloğunda öğrencinin geçmiş hatalarını, tercih ettiği örnek tipini ve hedefini taşımak için gerekli; tek seferlik prompt yerine süreklilik bu sayede sağlanır. Türkçe veya çok-dilli uygulamalarda vector embedding boyut optimizasyonu kohort başına ay sonu LLM maliyetini önemli oranda düşürür.

İçerik Üretim Araçları, Standartlar ve İçerik Stratejisi

İçerik, EdTech ürününün “yakıtı”dır; algoritma ne kadar iyi olursa olsun kötü içerikle sonuç üretemez. Authoring araç seçimi, çıktı standardı, sürüm yönetimi ve yerelleştirme stratejisi en başta belirlenmelidir. ADL Initiative 2025 itibarıyla cmi5’i SCORM’un modern halefi olarak resmen öneriyor; yeni projelerde xAPI tabanlı cmi5 + paralel olarak SCORM 2004 export kabul edilebilir bir denge.

Standart	Yıl	Veri Granülaritesi	Offline Desteği	2026 Tavsiyesi
SCORM 1.2	2001	Çok düşük	Sınırlı	Sadece legacy uyum
SCORM 2004 (4th)	2009	Orta	Sınırlı	Hâlâ yaygın, kabul
xAPI (Tin Can)	2013	Çok yüksek	Tam	Birinci tercih (LRS gerekir)
cmi5	2016	Çok yüksek	Tam	Yeni projeler için ideal
IMS Caliper	2015	Yüksek (analitik odaklı)	Yok	Yükseköğretim analytics
LTI 1.3 + Advantage	2019	—	—	LMS entegrasyonunda zorunlu

• Otomasyon-destekli yazarlık: LLM ile taslak üretip uzmanın inceledirildiği bir akış, içerik maliyetini %40-60 düşürür.
• Mikro-öğrenme: 3-7 dakikalık üniteler tamamlanma oranını ciddi artırır; mobil için doğal birim.
• Çoklu yerelleştirme: Sadece çeviri değil, kültürel uyarlama (örnek, ölçü birimi) zorunlu; LLM ile ilk geçiş + insan revizyonu standart.
• Accessibility-first: Her içerikte transkript, altyazı (WebVTT), klavye erişimi, alt-text otomatik kontrol edilmeli.

Learning Analytics: Veri Lakehouse, Dashboard ve Early-Warning

Learning analytics, öğrenme etkileşimlerinden anlamlı içgörü çıkarma disiplinidir. Tipik bir platform günde milyonlarca xAPI statement üretir; bu veri lakehouse’da Bronze-Silver-Gold katmanlarında işlenir ve eğitmen dashboard’ı ile öğrenci kişisel dashboard’ı için ayrı view’lar oluşturulur. Early-warning sistemleri terk riski yüksek öğrencileri tespit ederek eğitmen müdahalesini tetikler; Coursera’nın 2024 raporuna göre bu tür müdahaleler tamamlanma oranını %23 artırıyor. OECD Digital Education Outlook 2025 kohort bazlı analitiğin kurumsal dijital eğitim yatırımının ROI ölçümünde en kritik bileşen olduğunu vurguluyor.

Metrik Ailesi	Örnek KPI	Toplama Sıklığı	Karar Sahibi
Engagement	Oturum süresi, geri dönüş, tamamlama	Gerçek zamanlı	Ürün, eğitmen
Bilişsel	Zorluk uyumu, hata örüntüleri, mastery	Seans sonu	Adaptive engine, eğitmen
Duygusal/motivasyonel	Sentiment, frustration, give-up oranı	Seans sonu	Eğitmen, içerik ekibi
Erişim/Eşitlik	Demografik bazlı başarı farkı	Aylık	Yönetici, regülatör
İçerik kalitesi	Item discrimination, drop point	Haftalık	Yazarlık ekibi
İş etkisi	Beceri kazanımı, sertifika ROI	Çeyrek	Müşteri yöneticisi, satış

Kurumsal müşteriler “öğrenme yatırımı bana ne döndü?” sorusunu giderek daha net soruyor. Dijital dönüşüm KPI çerçevesi EdTech tarafında “beceri kazanımı → görev performansı → iş çıktısı” zinciri olarak somutlaşır; analytics tasarımının bu zinciri en üst seviyeye kadar takip edebilmesi farklılaştırıcı oluyor.

Uyumluluk, Erişilebilirlik ve Etik AI Çerçevesi

EdTech projeleri için KVKK, GDPR ve özellikle 13 yaş altı kullanıcılarda COPPA uyumluluğu zorunludur. WCAG 2.2 AA erişilebilirlik standardı kurumsal müşterilerin sözleşme şartı olarak talep ediyor; ekran okuyucu desteği, klavye navigasyonu, renk kontrastı ve “drag & drop” yerine klavye-erişimli alternatif tasarımdan itibaren düşünülmelidir. AB tarafında 2025’te yürürlüğe giren EU AI Act eğitim sınıflamasını “yüksek risk” olarak belirledi: değerlendirme ve giriş kararlarını etkileyen AI sistemleri için ek dokümantasyon, insan denetimi ve risk değerlendirmesi şart.

Çerçeve	Kapsam	EdTech Yansıması	Kontrol
KVKK	Türkiye, kişisel veri	Açık rıza, veri minimizasyonu	VERBİS, DPIA
GDPR	AB, kişisel veri	Veri sahibi hakları, hukuki dayanak	DPO, ROPA
COPPA	ABD, <13 yaş	Ebeveyn rızası, veri toplama sınırı	FTC, audit
EU AI Act	AB, yüksek-risk AI	Değerlendirme/giriş AI’ları	CE benzeri uyum
WCAG 2.2 AA	Erişilebilirlik	UI, içerik, dökümantasyon	Axe, Lighthouse, manuel
SOC 2 Type II	Güvenlik kontrolleri	Kurumsal satışta beklenti	Yıllık denetim

• K-12’de tüm AI etkileşimlerinin loglanması ve ebeveyn talebinde sunulabilmesi temel beklentidir.
• Kullanıcı verisinde Türkiye sınırları içi ikamet (data residency) kamu/üniversite ihalelerinde zorunlu hale geliyor.
• AI tutor çıktısı için “AI tarafından üretildi” işaretlemesi şeffaflık standardı oldu, regülasyonsuz pazarlarda bile beklenti yüksek.
• Erişilebilirlik manuel test olmadan tamamlanmaz; ekran okuyucuyla gerçek kullanıcı denemesi yıllık plan içinde olmalı.

Yol Haritası: 0’dan 18 Ayda Üretime EdTech Platformu

Sıfırdan kurulan bir EdTech ürününün üretime alınması tipik olarak 12-18 ay sürer; daha kısa hedef genellikle özellik tıkanıklığına ya da teknik borç birikimine yol açar. Aşağıdaki çizelge bir B2B kurumsal LMS+adaptive learning platformu için referans takvimdir; B2C dil uygulaması için sıkıştırılabilir, K-12 ihale projesi için uzayabilir.

Faz	Süre	Çıktı	Risk
0. Discovery	4 hafta	Knowledge graph, segment kararı, KPI	Yanlış segment
1. MVP LMS	3 ay	Kullanıcı, kurs, ödev, raporlama, SSO	Standartların geç eklenmesi
2. İçerik + Yazarlık	2 ay	SCORM/xAPI ingestion, içerik yönetimi	Pedagojik kalite
3. Analytics + LRS	2 ay	xAPI pipeline, dashboards, early-warning	Veri gizliliği
4. Adaptive Engine v1	3 ay	IRT/BKT baseline, A/B çerçevesi	Soğuk başlangıç
5. AI Tutor	2 ay	RAG’lı tutor, guardrail, log	Halüsinasyon, maliyet
6. Uyum & Audit	2 ay	WCAG, SOC 2, KVKK/GDPR dökümanı	Sertifika gecikmesi

Üretim sonrası farklılaştırma genelde 6 ila 12. ay arasında adaptive engine v2 ve özelleştirilmiş AI tutor ile elde edilir; bu noktada RAG altyapı kurulumu ve maliyet kontrolü, ürün-pazar uyumunun ardından gelmesi gereken kritik teknik yatırımlardır.

Sektörel Karşılaştırma: PropTech, TravelTech, GovTech ile Ortak ve Farklı Yönler

EdTech, sektörel yazılım dikeylerinde “düzenleme yoğun + içerik yoğun + algoritma yoğun” üçlüsünü aynı anda taşıyan birkaç alandan biridir. Karşılaştırmalı bakış mimari kararı netleştirir: PropTech daha çok varlık ve işlem yoğunken, TravelTech envanter ve rezervasyon arbitrajına odaklanır, GovTech ise prosedürel uyum ve sürdürülebilir entegrasyon ister. EdTech bu üçünden farklı olarak öğrenme bilimi (learning science) disiplinini ekibe katmayı zorunlu kılar.

Sık Sorulan Sorular

Sonuç: Segment Bazlı Verdict ve 2026 Tavsiyesi

EdTech yazılım geliştirme; pedagoji, veri bilimi ve klasik kurumsal yazılım disiplinlerinin kesiştiği zorlu ama yüksek etkili bir alandır. Segment bazlı net verdict şu şekilde özetlenebilir:

• K-12: Açık kaynak LMS + sıkı uyum (COPPA, ebeveyn rıza, accessibility) + kontrollü AI tutor. Yeni kurulan bir startup için “tek başına K-12” en zor giriş; ortaklık şart.
• Yükseköğretim: LTI 1.3 ile mevcut LMS’lere entegrasyon en yüksek hızı verir. Adaptive engine ve learning analytics katmanı asıl farklılaştırıcıdır.
• Kurumsal L&D: LXP + skills graph + AI tutor üçlüsü 2026’da hâkim mimari. ROI ölçümü ve İK sistemine entegrasyon (SCIM, HRIS) satış kapatır.
• Test Prep: Güçlü item bank + IRT/BKT adaptive + mobil-öncelikli UX. B2C dağıtım ve marka asıl yatırım.
• Dil Öğrenme: Oyunlaştırma + konuşma tanıma + LLM tutor + günlük alışkanlık. Pazarlama maliyeti teknik maliyeti aşar; ölçek kritik.

Doğru kurgulanan kişiselleştirilmiş öğrenme platformu, öğrenme kazanımını ikiye katlarken eğitmen iş yükünü ciddi azaltır. xAPI/LTI/cmi5 standartlarına uyum, güçlü öğrenci modelleme, etik veri kullanımı ve WCAG 2.2 erişilebilirlik birlikte ele alındığında kurumsal müşterilerin uzun vadeli güvenini kazanan platformlar inşa edilir. 2026 ve sonrasında jeneratif AI entegrasyonu farklılaşmanın asıl ekseni olacak; ancak temel pedagojik kaliteyi ve regülasyon uyumunu atlayan hiçbir AI yatırımı sürdürülebilir değer üretmez.