Simülasyon Tabanlı Öğrenme

1. Giriş

2010 yılında Singapur Genel Hastanesi acil tıp bölümünden Fatimah Lateef, Simulation in Patient Safety başlıklı derlemesini Journal of Emergencies, Trauma, and Shock dergisinde yayımladı [1]. Lateef'in çalışması, simülasyon tabanlı eğitimin (simulation-based education, SBE) yalnızca bir öğretim tekniği değil, hasta güvenliğinin sağlanmasında etik bir zorunluluk olduğunu ileri sürerek, simülasyon pedagojisini tıp eğitiminin merkezine taşıyan seminal bir metin haline geldi [1]. Bu çalışma, havacılıktan tıbba, askeri eğitimden mühendisliğe uzanan simülasyon tabanlı öğrenme geleneğinin olgunlaşma noktasını temsil etmekteydi. Ancak asıl önemlisi, bu olgunlaşmanın yapay zekâ teknolojileriyle giderek daha derin biçimde iç içe geçmesiydi.

2010 yılı, yapay zekâ tarihi açısından kritik bir geçiş dönemine denk gelmektedir. Kitabımızın önceki bölümlerinde incelediğimiz ikinci YZ kışının sona ermesinin ardından, makine öğrenmesi ve istatistiksel yöntemler yükselişe geçmişti. ImageNet veri kümesi 2009'da yayımlanmış [2], GPU tabanlı hesaplama gücü artmış ve derin öğrenme henüz büyük patlamasını yapmamış olsa da zemin hazırlanmaktaydı. Eş zamanlı olarak, bilgisayar bilimlerinde "yapay ajan" (artificial agent) kavramı olgunlaşıyor, sanal gerçeklik (virtual reality, VR) ve artırılmış gerçeklik (augmented reality, AR) teknolojileri tıbbi simülasyonlara entegre ediliyordu [3]. Bir önceki bölümde ele aldığımız AutoTutor gibi akıllı öğretim sistemleri, yapay zekânın eğitimdeki potansiyelini göstermişti; simülasyon tabanlı öğrenme ise bu potansiyeli üç boyutlu, immersif ve bedensel (embodied) bir öğrenme ortamına taşıyordu.

Simülasyon tabanlı öğrenme, yapay zekâ ile eğitimin kesiştiği en eski ve en verimli alanlardan biridir. 1929'da Edwin Link'in uçuş simülatöründen [4], 1960'larda Sim One adlı ilk hasta simülatörüne [5], 2010'ların yüksek sadakat (high-fidelity) insan hasta simülatörlerine ve yapay zekâ destekli uyarlanabilir senaryolara uzanan bu gelenek, makinenin "gerçekliği taklit etme" kapasitesindeki sürekli ilerlemenin bir aynasıdır. Bu bölüm, simülasyon tabanlı öğrenmenin tarihsel gelişimini, yapay zekâ ile olan derin bağlantısını, Lateef'in çalışmasının alandaki konumunu ve bu paradigmanın günümüz eğitim teknolojilerine mirasını çok boyutlu biçimde analiz edecektir. Bölüm, bir sonraki bölümde ele alacağımız 2012 AlexNet devrimine ve derin öğrenmenin yükselişine zemin hazırlayan teknolojik ve kavramsal iklimi de yansıtmaktadır.

2. Literatür Taraması

Simülasyon tabanlı öğrenme, eğitim bilimleri, tıp eğitimi, havacılık mühendisliği, bilişsel psikoloji ve yapay zekâ gibi çok sayıda disiplinin kesişim noktasında konumlanan geniş bir araştırma alanıdır. Bu alanın anlaşılması, farklı dönem ve perspektiflerden gelen kaynakların sistematik biçimde taranmasını gerektirmektedir.

Lateef'in (2010) temel çalışması, simülasyonun hasta güvenliği bağlamındaki rolünü kapsamlı biçimde incelemiş ve simülasyonu "gerçek deneyimleri yönlendirilmiş deneyimlerle etkileşimli biçimde ikame eden bir teknik" olarak tanımlamıştır [1]. Bu tanım, alandaki en yaygın kabul gören tanımlardan biri haline gelmiştir. Lateef, simülasyonun tıp eğitimindeki beş temel işlevini — öğrenme ortamı sağlama, beceri geliştirme, ekip çalışması eğitimi, performans değerlendirme ve hasta güvenliği — sistematik biçimde ele almıştır [1].

Gaba'nın (2004) Anesthesiology dergisindeki kapsamlı derlemesi, simülasyonun tıp eğitimindeki tarihsel gelişimini ve geleceğini değerlendiren en etkili çalışmalardan biridir [6]. Gaba, simülasyon teknolojilerini bir sınıflandırma çerçevesine oturtmuş ve "fidelity" (sadakat) kavramını — fiziksel, psikolojik ve kavramsal sadakat boyutlarıyla — tanımlamıştır [6]. Bu sınıflandırma, sonraki araştırmacılar için vazgeçilmez bir kavramsal araç olmuştur.

McGaghie, Issenberg, Cohen, Barsuk ve Wayne (2011) tarafından yayımlanan meta-analitik derleme, simülasyon tabanlı tıp eğitiminin "kasıtlı pratik" (deliberate practice) ile birleştirildiğinde geleneksel klinik eğitime göre anlamlı biçimde üstün sonuçlar ürettiğini kanıtlamıştır [7]. Bu çalışma, 14 karşılaştırmalı çalışmayı sistematik biçimde analiz ederek simülasyonun etkililiğine ilişkin en güçlü ampirik kanıtı sunmuştur.

Issenberg, McGaghie, Petrusa, Lee Gordon ve Scalese'nin (2005) BEME (Best Evidence Medical Education) sistematik derlemesi, etkili tıbbi simülasyonun on temel özelliğini belirlemiştir [8]. Bu özellikler arasında geri bildirim sağlama, tekrarlı pratik imkânı, müfredata entegrasyon, zorluk düzeyinin kademeli artırılması ve bireyselleştirilmiş öğrenme yer almaktadır [8]. Bu on maddelik çerçeve, simülasyon tasarımında altın standart olarak kabul edilmektedir.

Ziv, Wolpe, Small ve Glick'in (2003) çığır açıcı makalesi, simülasyon tabanlı eğitimi bir "etik zorunluluk" olarak konumlandırmıştır [9]. Yazarlar, tıp eğitiminde "yap, gör, öğret" (see one, do one, teach one) geleneğinin etik açıdan savunulamaz olduğunu ve simülasyonun hastaları gereksiz risklerden korumanın en etkili yolu olduğunu ileri sürmüşlerdir [9]. Bu argüman, simülasyon tabanlı eğitimin yaygınlaşmasında güçlü bir meşruiyet temeli sağlamıştır.

Havacılık simülasyonunun tıp eğitimine etkisi konusunda Helmreich ve ekibinin (1999) çalışması, havacılıkta geliştirilen Ekip Kaynak Yönetimi (Crew Resource Management, CRM) ilkelerinin sağlık alanına transferini analiz etmiştir [10]. Havacılıktaki güvenlik kültürü ve simülasyon tabanlı eğitim deneyimi, tıbbi simülasyonun gelişimi için doğrudan bir model oluşturmuştur.

Ericsson'un (2004) kasıtlı pratik (deliberate practice) teorisi, simülasyon tabanlı eğitimin pedagojik temellerinden birini sağlamıştır [11]. Ericsson, uzman performansının gelişiminin yapılandırılmış geri bildirim, tekrarlı pratik ve artan zorluk düzeyi gerektirdiğini göstererek, simülasyonun bu koşulları karşılama potansiyelini ortaya koymuştur [11].

Kneebone (2003), simülasyonun cerrahi eğitimindeki rolünü eleştirel biçimde değerlendirmiş ve simülasyonun klinik bağlamdan kopuk biçimde kullanılmasının yetersiz kalacağını vurgulamıştır [12]. Kneebone'un çalışması, simülasyonun sınırlılıklarını tartışan önemli bir eleştirel kaynaktır.

Fanning ve Gaba (2007), simülasyon tabanlı öğrenmede geri bildirim (debriefing) süreçlerinin merkezi rolünü analiz etmişlerdir [13]. Yazarlar, simülasyondan öğrenmenin büyük bölümünün simülasyon sırasında değil, sonrasındaki yapılandırılmış tartışma sürecinde gerçekleştiğini ileri sürmüşlerdir [13]. Bu bulgu, simülasyon pedagojisinin en önemli kavramsal katkılarından biridir.

Cant ve Cooper'ın (2010) hemşirelik eğitimindeki simülasyon uygulamalarına odaklanan sistematik derlemesi, simülasyonun farklı sağlık disiplinlerindeki etkililiğini değerlendirmiştir [14]. Cook ve ekibinin (2011) meta-analizi ise 609 çalışmayı kapsayarak simülasyon tabanlı öğrenmenin geleneksel yöntemlere göre bilgi edinimi, beceri gelişimi ve hasta sonuçları açısından tutarlı biçimde üstün olduğunu göstermiştir [15].

Rosen (2008), tıbbi simülasyonun tarihini kapsamlı biçimde incelemiş ve havacılık simülatörlerinden modern hasta simülatörlerine uzanan gelişim çizgisini çizmiştir [16]. Dieckmann'ın (2009) düzenlediği derleme, simülasyon ortamlarının tasarımı ve yönetimi konusunda kuramsal ve pratik bir çerçeve sunmuştur [17]. Türkçe akademik literatürde, Nabiyev'in (2021) Yapay Zekâ ders kitabı, simülasyon ve yapay zekâ arasındaki kavramsal bağlantıları genel YZ tarihi çerçevesinde ele almıştır [18].

3. Tarihsel ve Teorik Arka Plan

3a. Simülasyonun Kökenleri: Havacılıktan Tıbba

Simülasyon tabanlı öğrenmenin entelektüel ve teknolojik soy ağacı, 20. yüzyılın başlarına kadar uzanmaktadır. 1929'da ABD'li mucit Edwin A. Link, "Link Trainer" adını verdiği ilk mekanik uçuş simülatörünü geliştirdi [4]. Bu cihaz, pilotların yer üzerindeyken temel uçuş manevralarını pratik etmelerine olanak tanıyordu. İkinci Dünya Savaşı sırasında ABD Ordusu, yarım milyondan fazla pilotu Link Trainer kullanarak eğitti — bu, tarihte büyük ölçekli simülasyon tabanlı eğitimin ilk sistematik uygulamasıydı [4]. Link Trainer, yapay bir ortamın gerçekliğin belirli yönlerini yeterli sadakatle taklit etmesi halinde etkili bir öğrenme aracı olabileceğini kanıtlayan tarihi bir dönüm noktasıdır.

1960'larda bilgisayar teknolojisinin gelişmesi, simülasyonun yeni bir boyut kazanmasını sağladı. Aerojet General Corporation mühendislerinden Abrahamson ve Denson, 1967'de "Sim One" adını verdikleri bilgisayar kontrollü ilk hasta simülatörünü geliştirdiler [5]. Sim One, gerçekçi bir insan mankeni üzerine inşa edilmiş olup, nefes alabilir, göz kırpabilir, çenesini açıp kapayabilir ve intravenöz ilaçlara yanıt verebiliyordu [5]. Sistem, anestezi indüksiyonu ve endotrakeal entübasyon eğitimi için tasarlanmıştı. Ancak Sim One, döneminin teknolojik sınırlılıkları ve yüksek maliyeti nedeniyle yaygınlaşamadı ve prototip aşamasında kaldı [16].

1980'lerde havacılık sektöründe yaşanan bir dizi ciddi kaza, Ekip Kaynak Yönetimi (CRM) kavramının doğuşuna zemin hazırladı [10]. CRM, pilotların bireysel teknik becerilerinin ötesinde ekip çalışması, iletişim, durum farkındalığı ve karar verme becerilerini geliştirmeyi hedefleyen bir eğitim paradigmasıydı [10]. CRM eğitiminin önemli bir bileşeni, ekiplerin simülasyon ortamlarında kriz senaryolarını deneyimlemesiydi. Bu yaklaşım, sonraki on yıllarda tıp eğitimine doğrudan transfer edilecekti.

3b. David Gaba ve Tıbbi Simülasyonun Kurumsallaşması

Tıbbi simülasyonun modern tarihinde en belirleyici figürlerden biri, Stanford Üniversitesi anesteziyoloji profesörü David M. Gaba'dır. Gaba, 1980'lerin sonlarında havacılık simülasyonundan esinlenerek "Anesthesia Crisis Resource Management" (ACRM) kavramını geliştirdi [6]. Gaba ve ekibi, anestezi kriz yönetimi eğitimi için yüksek sadakat hasta simülatörleri kullanmaya başladı ve 1992'de bu deneyimlerini sistematik biçimde raporladı [19]. Gaba'nın katkısı yalnızca teknolojik değil, kavramsal düzeyde de çığır açıcıydı: Tıpta hata yapmanın kaçınılmaz olduğunu, ancak simülasyon yoluyla hata yönetimi becerilerinin geliştirilebileceğini ileri sürdü [6].

1990'ların ortalarından itibaren ticari hasta simülatörlerinin piyasaya çıkması — özellikle Laerdal Medical'ın SimMan serisi ve Medical Education Technologies Inc. (METI) tarafından geliştirilen Human Patient Simulator — simülasyon tabanlı eğitimin kurumsallaşmasını hızlandırdı [8]. Bu simülatörler, bilgisayar kontrollü fizyolojik modeller sayesinde ilaçlara, müdahalelere ve çevresel koşullara gerçekçi yanıtlar üretebiliyordu.

3c. Bilişsel ve Pedagojik Temeller

Simülasyon tabanlı öğrenme, birden fazla öğrenme teorisinden beslenmiştir. Kolb'un (1984) deneyimsel öğrenme kuramı, öğrenmenin somut deneyim, yansıtıcı gözlem, soyut kavramsallaştırma ve aktif deney olmak üzere dört aşamalı döngüsel bir süreç olduğunu öne sürmektedir [20]. Simülasyon, bu döngünün dört aşamasını da tek bir eğitim ortamında sunabilme kapasitesine sahiptir.

Ericsson'un (2004) kasıtlı pratik teorisi, simülasyonun pedagojik meşruiyetini güçlendiren bir diğer kuramsal dayanak sunmuştur [11]. Ericsson'a göre uzman performansı, gelişigüzel tekrarla değil, yapılandırılmış geri bildirim eşliğinde yürütülen bilinçli ve odaklanmış pratikle gelişir [11]. Simülasyon ortamları, kasıtlı pratiğin temel koşullarını — tanımlanmış hedefler, anında geri bildirim, tekrar imkânı ve artan zorluk düzeyi — karşılayabilen nadir eğitim ortamlarından biridir.

Schön'ün (1983) "yansıtıcı uygulayıcı" (reflective practitioner) kavramı, simülasyon sonrası geri bildirim (debriefing) süreçlerinin kuramsal temelini oluşturmuştur [21]. Fanning ve Gaba'nın (2007) gösterdiği gibi, simülasyondan öğrenmenin büyük bölümü eylem sırasında değil, eylem sonrasındaki yapılandırılmış yansıtma sürecinde — debriefing'de — gerçekleşmektedir [13].

3d. Yapay Zekâ ve Simülasyonun Kesişimi

Simülasyon tabanlı öğrenme ile yapay zekâ arasındaki ilişki, her iki alanın da "gerçekliğin modellenmesi" temel problemini paylaşmasından kaynaklanmaktadır. Yapay zekâ araştırmacıları, 1950'lerden itibaren dünyayı temsil eden modeller — uzman sistemleri, bilgi tabanları, ontolojiler — geliştirmek için çalışmıştır. Simülasyon mühendisleri ise insan fizyolojisinin, fiziksel süreçlerin ve karmaşık sistemlerin bilgisayar ortamında modellerini oluşturmaya çabalamıştır. İki geleneğin kavşağında, "akıllı simülasyon" (intelligent simulation) kavramı doğmuştur [3].

2010 yılına gelindiğinde yapay zekâ teknolojileri simülasyon tabanlı öğrenmeye birkaç kritik noktada katkı sağlamaktaydı: uyarlanabilir senaryo yönetimi (simülasyonun öğrencinin performansına göre dinamik biçimde değiştirilmesi), doğal dil işleme tabanlı sanal hastalar, otomatik performans değerlendirme ve kişiselleştirilmiş geri bildirim üretimi [3]. Bu kesişim, kitabımızın önceki bölümlerinde incelediğimiz akıllı öğretim sistemleri geleneğinin — özellikle AutoTutor'un — üç boyutlu ve bedensel bir öğrenme ortamına taşınması anlamına gelmekteydi.

4. Ana Konu Analizi

4a. Temel Mekanizma: Simülasyon Tabanlı Öğrenme Nasıl Çalışır?

Simülasyon tabanlı öğrenme, en genel tanımıyla "gerçek deneyimleri yönlendirilmiş ve sıklıkla immersif deneyimlerle ikame eden" bir eğitim tekniğidir [1]. Bu deneyimler, gerçek dünyanın önemli yönlerini etkileşimli biçimde canlandırarak, katılımcıların gerçek ortamdaymış gibi davranmalarını ve karar vermelerini sağlar. Lateef'in (2010) vurguladığı gibi, simülasyonun "immersif doğası" — öğrenenlerin fiziksel, bilişsel ve duygusal olarak deneyime dalmalarını sağlama kapasitesi — bu yaklaşımı geleneksel didaktik eğitimden temelden ayıran özelliktir [1].

Simülasyon teknolojileri, sadakat (fidelity) düzeylerine göre geniş bir spektrumda sınıflandırılmaktadır [6]. Düşük sadakat simülasyonlar — anatomik modeller, parsiyel görev eğitmenler (part-task trainers), basit maketler — belirli bir becerinin izole biçimde pratik edilmesine olanak tanır. Orta sadakat simülasyonlar, bilgisayar tabanlı senaryo programları ve ekran simülasyonlarını kapsar. Yüksek sadakat simülasyonlar ise tam vücut insan hasta simülatörlerini, sanal gerçeklik sistemlerini ve standardize hasta (standart hasta, SP) kullanımını içerir [8]. Her sadakat düzeyi, belirli öğrenme hedeflerine hizmet etmekte olup, yüksek sadakatin her zaman daha etkili olduğu varsayımı ampirik olarak desteklenmemektedir [8].

Yüksek sadakat hasta simülatörleri — SimMan, METI HPS, Harvey Kardiyoloji Simülatörü gibi — bilgisayar kontrollü fizyolojik modellerle donatılmıştır [8]. Bu modeller, kalp atış hızı, kan basıncı, solunum hızı, oksijen satürasyonu gibi vital parametreleri gerçek zamanlı olarak simüle eder ve uygulanan tedavilere — ilaç enjeksiyonu, entübasyon, defibrilasyon — fizyolojik olarak tutarlı yanıtlar üretir [6]. Bu fizyolojik modelleme yeteneği, simülasyonu basit bir "role play"den ayıran ve onu bir "bilgisayar bilimi problemi"ne dönüştüren temel özelliktir.

Simülasyon tabanlı öğrenmenin etkililiğinin merkezinde "debriefing" (yapılandırılmış geri bildirim tartışması) süreci yer almaktadır [13]. Fanning ve Gaba'nın (2007) gösterdiği gibi, debriefing simülasyonun en kritik bileşenidir: Katılımcıların deneyimlerini yapılandırılmış biçimde analiz etmeleri, karar süreçlerini sorgulamaları ve alternatif yaklaşımları değerlendirmeleri bu aşamada gerçekleşir [13]. Debriefing olmadan simülasyon, yalnızca bir "deneyim" olarak kalır; debriefing ile birlikte ise yapılandırılmış bir "öğrenme olayına" dönüşür.

4b. Kilit Aktörler ve Katkıları

David M. Gaba ve Stanford Simülasyon Merkezi. Gaba, tıbbi simülasyonun kurumsallaşmasında en belirleyici figürdür [6]. Stanford Üniversitesi'ndeki çalışmalarıyla ACRM kavramını geliştirmiş, yüksek sadakat simülasyonun tıp eğitimindeki potansiyelini sistematik biçimde kanıtlamış ve simülasyon alanının kavramsal çerçevesini oluşturmuştur [6][19]. Gaba'nın 2004 tarihli kapsamlı derlemesi, alanın en çok atıf alan makalelerinden biri olmuştur.

Fatimah Lateef ve Klinik Perspektif. Singapur Genel Hastanesi'nde acil tıp uzmanı olan Lateef, simülasyonu klinik pratik perspektifinden ele alarak, hasta güvenliği ile simülasyon tabanlı eğitim arasındaki bağlantıyı güçlü biçimde kurmuştur [1]. Lateef'in katkısı, simülasyonun yalnızca bir "eğitim aracı" değil, sağlık sistemlerinin güvenlik altyapısının bir parçası olarak konumlandırılmasında etkili olmuştur.

K. Anders Ericsson ve Kasıtlı Pratik Paradigması. Florida State Üniversitesi'nden bilişsel psikolog Ericsson, doğrudan simülasyon alanında çalışmamış olsa da, kasıtlı pratik teorisiyle simülasyon tabanlı eğitimin pedagojik meşruiyetine en güçlü kuramsal katkıyı sağlamıştır [11]. McGaghie ve ekibinin simülasyonu "kasıtlı pratik" çerçevesine oturtması, Ericsson'un kuramsal mirasının doğrudan bir uygulamasıdır [7].

William C. McGaghie ve Ampirik Kanıt Tabanı. Northwestern Üniversitesi'nden McGaghie, simülasyon tabanlı eğitimin ampirik kanıt tabanını sistematik biçimde oluşturan araştırmacıların başında gelmektedir [7]. Meta-analitik çalışmaları, simülasyonun etkililiğini istatistiksel olarak kanıtlayarak, politika yapıcıları ve eğitim yöneticilerini ikna etmede kritik rol oynamıştır.

Laerdal Medical ve Endüstriyel Boyut. Norveçli medikal cihaz şirketi Laerdal Medical, 1960'lardan itibaren tıbbi simülasyon ekipmanlarının geliştirilmesinde öncü rol oynamıştır [8]. Resusci Anne (1960), SimMan (2000) ve SimNewB gibi ürünleriyle simülasyon tabanlı eğitimin yaygınlaşmasını mümkün kılmıştır. Laerdal'ın katkısı, akademik araştırmaların ticari ürünlere dönüştürülmesinde endüstrinin kritik rolünü örneklemektedir.

4c. Standardize Hastalar ve İnsan Boyutu

Simülasyon tabanlı öğrenmenin önemli bir bileşeni olan standardize hastalar (standardized patients, SP), teknoloji tabanlı simülatörlerle tamamlayıcı bir rol oynamaktadır. 1960'larda Howard Barrows tarafından geliştirilen SP yöntemi, eğitimli aktörlerin belirli hastalık senaryolarını canlandırmasına dayanmaktadır [6]. SP'ler, iletişim becerileri, fizik muayene teknikleri ve klinik akıl yürütme gibi insani etkileşim gerektiren yetkinliklerin geliştirilmesinde teknolojik simülatörlerden daha etkili olabilmektedir. 2010 yılı itibarıyla birçok tıp fakültesi, SP programlarını yüksek sadakat simülatörlerle birleştiren "hibrit simülasyonlar" geliştirmiştir — örneğin, bir SP'nin koluna parsiyel görev eğitmeni takılarak hem iletişim hem de prosedürel becerilerin aynı senaryo içinde değerlendirilmesi mümkün kılınmıştır [8]. Bu hibrit yaklaşım, simülasyonun yalnızca teknolojik bir çözüm değil, insan-makine etkileşiminin karmaşık bir düzenlemesi olduğunu göstermektedir.

4d. Dönem İçindeki Yeri: 2010'da Simülasyonun Konumu

2010 yılı, simülasyon tabanlı tıp eğitiminin "kanıta dayalı" meşruiyet kazandığı döneme denk gelmektedir. McGaghie ve ekibinin (2011) meta-analizi, simülasyonun kasıtlı pratik ile birleştirildiğinde geleneksel klinik eğitime göre anlamlı biçimde üstün olduğunu istatistiksel olarak kanıtlamıştır [7]. Cook ve ekibinin (2011) 609 çalışmayı kapsayan kapsamlı meta-analizi ise simülasyonun bilgi, beceri ve davranış düzeylerinde tutarlı pozitif etkiler ürettiğini doğrulamıştır [15].

Bu dönemde simülasyon merkezleri dünya çapında hızla çoğalıyordu. ABD'de Accreditation Council for Graduate Medical Education (ACGME), uzmanlık eğitimi programlarında simülasyon kullanımını teşvik etmekte ve bazı yetkinliklerin simülasyonla değerlendirilmesini zorunlu kılmaktaydı [7]. Avrupa'da, İsrail'de, Singapur'da ve Avustralya'da ulusal simülasyon stratejileri geliştirilmekteydi.

Ancak 2010, aynı zamanda simülasyonun sınırlılıklarının da belirginleştiği bir dönemdi. Yüksek sadakat simülatörlerin maliyeti (birim başına 50.000-250.000 USD), simülasyon merkezlerinin altyapı gereksinimleri ve nitelikli eğitici ihtiyacı, bu teknolojinin eşit biçimde erişilebilir olmadığını ortaya koyuyordu [8]. Gelişmekte olan ülkelerde simülasyon merkezleri hâlâ lüks olarak algılanıyor, bu da küresel sağlık eğitimi eşitsizliklerini derinleştiriyordu.

4e. Genel Yapay Zekâ Tarihindeki Yeri

Simülasyon tabanlı öğrenme, yapay zekâ tarihinin birkaç kritik gelişme çizgisinin kesişim noktasında yer almaktadır.

Birincisi, simülasyon, yapay zekânın "dünyayı modelleme" kapasitesinin somut bir uygulamasıdır. Hasta simülatörlerindeki fizyolojik modeller — kardiyovasküler, solunum, farmakokinetik, sinir sistemi modellerini birleştiren karmaşık hesaplamalı modeller — yapay zekânın "dünyayı anlama" hedefinin tıbbi alandaki yansımasıdır [6]. Bu modeller, kural tabanlı uzman sistemlerin bir türevi olarak başlamış, zamanla diferansiyel denklem tabanlı ve veri güdümlü hibrit modellere evrilmiştir.

İkincisi, uyarlanabilir simülasyon senaryoları — öğrencinin performansına göre senaryonun dinamik biçimde değiştirilmesi — yapay zekânın "karar verme" ve "planlama" kapasitelerinin eğitim bağlamındaki uygulamasıdır [3]. Bu yaklaşım, kitabımızın önceki bölümlerinde ele aldığımız akıllı öğretim sistemlerinin (ITS) üç boyutlu simülasyon ortamına taşınması anlamına gelmektedir.

Üçüncüsü, simülasyon tabanlı öğrenme, "pekiştirmeli öğrenme" (reinforcement learning) paradigmasıyla derin kavramsal benzerlikler taşımaktadır. Simülasyonda öğrenen, bir ortamda eylemler gerçekleştirir, bu eylemlerin sonuçlarını gözlemler ve geri bildirim alarak davranışlarını düzeltir — bu, pekiştirmeli öğrenmenin temel döngüsüyle yapısal olarak aynıdır [22]. Bu parallellik, 2010'ların sonlarında yapay zekâ ajanlarının simülasyon ortamlarında eğitilmesi paradigmasının — OpenAI Gym, DeepMind Lab gibi — gelişmesinde kavramsal bir köprü oluşturmuştur.

Dördüncüsü, simülasyon ortamları, yapay zekâ araştırmaları için giderek daha önemli bir "test yatağı" haline gelmiştir. 2010 sonrasında derin öğrenme devrimiyle birlikte, yapay zekâ ajanlarının simülasyon ortamlarında eğitilmesi ve test edilmesi standart bir araştırma yöntemi olmuştur [22]. Bu gelişme, tıbbi simülasyonun "insanları eğitmek için simülasyon" geleneğinden, yapay zekânın "makineleri eğitmek için simülasyon" geleneğine evrilen kavramsal bir dönüşümü yansıtmaktadır.

5. Eleştirel Değerlendirme

Simülasyon tabanlı öğrenme, 2010 yılına gelindiğinde güçlü bir ampirik kanıt tabanı oluşturmuş olsa da, bu yaklaşıma yönelik ciddi eleştiriler ve sınırlılıklar da mevcuttur.

Maliyet ve Erişilebilirlik Sorunu. Yüksek sadakat simülasyonun en temel sınırlılığı, yüksek maliyetidir [8]. Tam donanımlı bir simülasyon merkezi kurmanın maliyeti yüz binlerce dolarla ölçülmekte olup, bu durum simülasyon tabanlı eğitimi ağırlıklı olarak zengin ülkelerdeki büyük kurumların erişebildiği bir ayrıcalığa dönüştürmektedir. Issenberg ve ekibinin (2005) belirttiği gibi, maliyet-etkinlik analizleri, simülasyonun gerçekten "yatırıma değer" olup olmadığı konusunda kesin sonuçlar sunamamaktadır [8].

Fidelity Paradoksu. Simülasyon alanındaki yaygın bir varsayım, daha yüksek sadakatin (fidelity) daha etkili öğrenme anlamına geldiği yönündedir. Ancak ampirik kanıtlar bu varsayımı her zaman desteklememektedir [8]. Norman, Dore ve Grierson (2012), yüksek sadakat simülasyonun belirli öğrenme hedefleri için gereksiz ve hatta ters etki yapabilecek olduğunu göstermiştir [23]. Bu "fidelity paradoksu," simülasyon tasarımının basit bir "daha gerçekçi = daha iyi" formülüne indirgenemeyeceğini ortaya koymaktadır.

Transfer Problemi. Simülasyonda kazanılan becerilerin gerçek klinik ortama transfer edilip edilmediği, alanın en tartışmalı sorularından biridir [12]. Kneebone (2003), simülasyonun klinik bağlamdan izole biçimde kullanılmasının transfer sorunlarını derinleştirebileceğini vurgulamıştır [12]. Gerçek klinik ortamın karmaşıklığı — öngörülemeyen komplikasyonlar, hasta çeşitliliği, zaman baskısı, ekip dinamikleri — simülasyonda tam olarak yeniden üretilememektedir.

Debriefing Kalitesi Sorunu. Simülasyonun etkililiğinin debriefing sürecine büyük ölçüde bağlı olması, bir güç kaynağı olduğu kadar bir kırılganlık noktası da oluşturmaktadır [13]. Nitelikli debriefing yürütücüsü yetiştirmek zaman alıcı ve maliyetlidir; debriefing kalitesindeki değişkenlik, simülasyon deneyiminin öğrenme çıktılarını doğrudan etkilemektedir. Bu durum, yapay zekâ destekli otomatik debriefing sistemlerinin geliştirilmesine yönelik araştırmaları motive etmiştir.

Değerlendirme Güçlükleri. Simülasyondaki performansın nesnel ve güvenilir biçimde ölçülmesi, hâlâ tam olarak çözülmemiş bir problemdir [7]. Gözlemci değerlendirmelerinin öznel olması, kontrol listelerine dayalı değerlendirmelerin karmaşık yetkinlikleri yeterince yansıtamaması ve global derecelendirme ölçeklerinin güvenilirlik sorunları, simülasyon tabanlı değerlendirmenin sınırlılıklarıdır.

Havacılık-Tıp Analojisinin Sınırları. Simülasyon tabanlı eğitimin havacılıktan tıbba transferi, sıklıkla doğrudan bir analoji olarak sunulmuştur [10]. Ancak bu analoji sınırlıdır: Havacılık, standart prosedürlerin ve otomasyonun egemen olduğu görece kapalı bir sistemdir; tıp ise her hastanın benzersiz olduğu, belirsizliğin yüksek olduğu ve karar vermenin çok boyutlu bilgi sentezi gerektirdiği açık bir sistemdir. CRM ilkelerinin tıbba transferinde bu temel farklılıkların yeterince gözetilmediği ileri sürülmüştür.

6. Etik ve Toplumsal Boyutlar

Simülasyon tabanlı öğrenme, eğitim teknolojileri arasında etik boyutlarıyla en çok tartışılan alanlardan biridir.

"Etik Zorunluluk" Argümanı ve Karşı Argümanlar. Ziv ve ekibinin (2003) ileri sürdüğü "simülasyon etik bir zorunluluktur" argümanı [9], güçlü bir normatif iddia taşımaktadır: Eğer simülasyon yoluyla hastalar korunabiliyorsa, simülasyon kullanmamak etik olarak savunulamaz. Ancak bu argüman, simülasyona erişimi olmayan kurumları ve ülkeleri dolaylı biçimde "etik dışı" konuma düşürme riski taşımaktadır. Küresel sağlık eşitsizlikleri bağlamında, erişilebilir ve düşük maliyetli simülasyon çözümleri geliştirmek ayrı bir etik sorumluluk olarak ortaya çıkmaktadır.

"Bedensiz Öğrenme" ve İnsani Boyut. Simülasyonun giderek daha sofistike hale gelmesi, "gerçek hasta ile etkileşimin yerine simülasyonun geçip geçemeyeceği" sorusunu gündeme getirmektedir [12]. Eleştirmenler, tıp eğitiminin yalnızca teknik beceriler ve prosedürel bilgiden ibaret olmadığını, empati, merhamet, belirsizlikle başa çıkma ve ölüme yakınlık gibi insani boyutların simülasyonla tam olarak aktarılamayacağını ileri sürmektedir. Bu endişe, 2020'lerde yapay zekânın sağlık alanındaki genişlemesiyle daha da güncel hale gelmiştir.

Veri ve Gizlilik. Simülasyon ortamlarında öğrenci performansının kaydedilmesi — video, ses, fizyolojik veriler, karar süreçleri — ciddi gizlilik sorunları yaratmaktadır. Performans verilerinin kimlerin erişimine açık olacağı, ne kadar süre saklanacağı ve kariyer değerlendirmelerinde nasıl kullanılacağı konularında açık düzenlemeler gereklidir. 2010 yılında bu konudaki yasal çerçeve henüz yetersizdi; günümüzde GDPR ve KVKK gibi düzenlemeler yeni standartlar getirmiş olsa da, simülasyon verilerine özgü etik kurallar hâlâ tartışma konusudur.

Eşitsizlik ve Dijital Uçurum. Simülasyon merkezleri ağırlıklı olarak gelişmiş ülkelerdeki büyük üniversite hastanelerinde kurulmuştur. Bu durum, zaten dezavantajlı konumdaki bölgelerdeki tıp öğrencilerinin simülasyon tabanlı eğitime erişememesine yol açarak, küresel sağlık eğitimi eşitsizliğini pekiştirmektedir. Lateef'in (2010) Singapur merkezli perspektifi bile, bu teknolojinin belirli bir kurumsal ve ekonomik altyapıyı gerektirdiğini dolaylı biçimde ortaya koymaktadır [1]. Düşük ve orta gelirli ülkelerde simülasyon tabanlı eğitimin yaygınlaştırılması, yalnızca teknoloji transferi değil, bağlama duyarlı ve kültürel olarak uyarlanmış modellerin geliştirilmesini gerektirmektedir.

Standardizasyon ve Kültürel Bağlam. Simülasyon senaryolarının büyük çoğunluğu Batılı — özellikle Anglo-Amerikan — klinik bağlamlara göre tasarlanmıştır. Farklı kültürlerdeki hasta-hekim ilişkisi dinamikleri, sağlık inançları ve tedavi beklentileri, standart senaryoların evrensel olarak uygulanamayacağını göstermektedir. Bu durum, simülasyonun "kültürel yetkinlik" boyutunun yeterince ele alınmadığını ortaya koymaktadır.

7. Güncel Uygulamalar ve Miras

Simülasyon tabanlı öğrenmenin mirası, günümüzde birden fazla alanda somut biçimde görülmektedir.

Yapay Zekâ Destekli Simülasyon. 2010'ların sonlarından itibaren yapay zekâ teknolojileri, simülasyon tabanlı öğrenmeyi kökten dönüştürmeye başlamıştır. Doğal dil işleme tabanlı sanal hastalar, öğrencilerle serbest metin veya sesli diyalog yürütebilmektedir. Makine öğrenmesi algoritmaları, öğrenci performansını otomatik olarak değerlendirmekte ve kişiselleştirilmiş geri bildirim sunmaktadır. Büyük dil modelleri (GPT, Claude gibi), 2023'ten itibaren sanal hasta simülasyonlarında kullanılmaya başlanarak, daha doğal ve uyarlanabilir etkileşimler mümkün kılmıştır.

Yapay Zekâ Eğitimi İçin Simülasyon. Kavramsal bir tersine dönüş olarak, simülasyon ortamları artık yalnızca insanları değil, yapay zekâ ajanlarını eğitmek için de kullanılmaktadır [22]. OpenAI'ın Gym kütüphanesi, DeepMind'ın simülasyon ortamları ve otonom araç geliştirmedeki sanal sürüş ortamları, simülasyonun yapay zekâ araştırmalarındaki merkezi rolünü göstermektedir. Bu gelişme, 2010'daki "insanları eğitmek için simülasyon" paradigmasını "makineleri eğitmek için simülasyon" paradigmasıyla tamamlamaktadır.

Pandemi ve Uzaktan Simülasyon. COVID-19 pandemisi (2020-2022), simülasyon tabanlı eğitimin dijitalleşmesini ve uzaktan erişilebilir hale gelmesini hızlandırmıştır. Sanal simülasyon platformları, telesimülasyon uygulamaları ve ekran tabanlı simülasyonlar, fiziksel simülasyon merkezlerine erişimin kısıtlı olduğu dönemlerde alternatif çözümler sunmuştur.

Dijital İkizler ve Kişiselleştirilmiş Tıp. Simülasyon teknolojilerinin en güncel uzantısı olan "dijital ikiz" (digital twin) kavramı, bireysel hastaların fizyolojik modellerini bilgisayar ortamında oluşturarak tedavi planlamasını ve cerrahi hazırlığı kişiselleştirmeyi hedeflemektedir. Bu yaklaşım, simülasyonun "genel eğitim" amacından "bireysel hasta bakımı" amacına genişlediğini göstermektedir.

Akreditasyon ve Standartlaşma. Society for Simulation in Healthcare (SSH) ve International Nursing Association for Clinical Simulation and Learning (INACSL) gibi kuruluşlar, simülasyon uygulamaları için standartlar ve akreditasyon çerçeveleri geliştirmiştir. Bu standartlar, simülasyon tabanlı eğitimin kalite güvencesini sağlamakta ve kurumlar arası karşılaştırılabilirliği mümkün kılmaktadır.

8. Bölüm Özeti

Bu bölümde, simülasyon tabanlı öğrenmenin yapay zekâ ile kesişen tarihsel gelişimini, kuramsal temellerini, alandaki kilit aktörleri ve 2010 yılı itibarıyla ulaştığı olgunluk düzeyini çok boyutlu biçimde analiz ettik. Lateef'in (2010) çalışmasının temsil ettiği dönüm noktası, simülasyonun artık deneysel bir eğitim yöntemi olmaktan çıkarak, hasta güvenliği odaklı bir etik zorunluluk ve kanıta dayalı bir eğitim standardı olarak kabul görmesidir [1].

Simülasyon tabanlı öğrenme, yapay zekâ tarihinin birkaç kritik temasıyla derin bağlantılar taşımaktadır: gerçekliğin modellenmesi, uyarlanabilir sistemler, insan-makine etkileşimi ve öğrenme süreçlerinin otomasyonu. Havacılık simülatörlerinden yüksek sadakat hasta simülatörlerine, CRM eğitiminden yapay zekâ destekli senaryolara uzanan bu gelenek, makinelerin "dünyayı anlama ve taklit etme" kapasitesindeki sürekli ilerlemenin bir yansımasıdır.

Bölümün kitabın genel argümanına katkısı şu şekilde özetlenebilir: Simülasyon tabanlı öğrenme, yapay zekânın "dar ama derin" uygulama alanlarından birinin — eğitim teknolojilerinin — en bedensel ve immersif boyutunu temsil etmektedir. Önceki bölümde incelediğimiz AutoTutor, metin tabanlı diyalog yoluyla öğretim yaparken, simülasyon tabanlı öğrenme üç boyutlu, fiziksel ve duygusal bir öğrenme deneyimi sunmaktadır. Her iki yaklaşım da yapay zekânın eğitimi dönüştürme potansiyelinin farklı boyutlarını göstermektedir. Bir sonraki bölümde ele alacağımız 2012 AlexNet devrimi ve derin öğrenmenin yeniden doğuşu, simülasyon dahil tüm yapay zekâ uygulama alanlarını kökten değiştirecek paradigma kırılmasının başlangıcını işaret etmektedir.

9. Kaynakça

[1] Lateef, F. (2010). Simulation-based learning: Just like the real thing. Journal of Emergencies, Trauma, and Shock, 3(4), 348–352. https://doi.org/10.4103/0974-2700.70743

[2] Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L. (2009). ImageNet: A large-scale hierarchical image database. 2009 IEEE Conference on Computer Vision and Pattern Recognition, 248–255. https://doi.org/10.1109/CVPR.2009.5206848

[3] Vozenilek, J., Huff, J. S., Reznek, M., & Gordon, J. A. (2004). See one, do one, teach one: Advanced technology in medical education. Academic Emergency Medicine, 11(11), 1149–1154. https://doi.org/10.1197/j.aem.2004.08.003

[4] Page, R. L. (2000). Brief history of flight simulation. SimTecT 2000 Proceedings, 11–17.

[5] Denson, J. S., & Abrahamson, S. (1969). A computer-controlled patient simulator. Journal of the American Medical Association, 208(3), 504–508. https://doi.org/10.1001/jama.1969.03160030078009

[6] Gaba, D. M. (2004). The future vision of simulation in health care. Quality and Safety in Health Care, 13(Suppl 1), i2–i10. https://doi.org/10.1136/qshc.2004.009878

[7] McGaghie, W. C., Issenberg, S. B., Cohen, E. R., Barsuk, J. H., & Wayne, D. B. (2011). Does simulation-based medical education with deliberate practice yield better results than traditional clinical education? A meta-analytic comparative review of the evidence. Academic Medicine, 86(6), 706–711. https://doi.org/10.1097/ACM.0b013e318217e119

[8] Issenberg, S. B., McGaghie, W. C., Petrusa, E. R., Lee Gordon, D., & Scalese, R. J. (2005). Features and uses of high-fidelity medical simulations that lead to effective learning: A BEME systematic review. Medical Teacher, 27(1), 10–28. https://doi.org/10.1080/01421590500046924

[9] Ziv, A., Wolpe, P. R., Small, S. D., & Glick, S. (2003). Simulation-based medical education: An ethical imperative. Academic Medicine, 78(8), 783–788. https://doi.org/10.1097/00001888-200308000-00006

[10] Helmreich, R. L., Merritt, A. C., & Wilhelm, J. A. (1999). The evolution of Crew Resource Management training in commercial aviation. The International Journal of Aviation Psychology, 9(1), 19–32. https://doi.org/10.1207/s15327108ijap0901_2

[11] Ericsson, K. A. (2004). Deliberate practice and the acquisition and maintenance of expert performance in medicine and related domains. Academic Medicine, 79(10 Suppl), S70–S81. https://doi.org/10.1097/00001888-200410001-00022

[12] Kneebone, R. (2003). Simulation in surgical training: Educational issues and practical implications. Medical Education, 37(3), 267–277. https://doi.org/10.1046/j.1365-2923.2003.01440.x

[13] Fanning, R. M., & Gaba, D. M. (2007). The role of debriefing in simulation-based learning. Simulation in Healthcare, 2(2), 115–125. https://doi.org/10.1097/SIH.0b013e3180315539

[14] Cant, R. P., & Cooper, S. J. (2010). Simulation-based learning in nurse education: Systematic review. Journal of Advanced Nursing, 66(1), 3–15. https://doi.org/10.1111/j.1365-2648.2009.05240.x

[15] Cook, D. A., Hatala, R., Brydges, R., Zendejas, B., Szostek, J. H., Wang, A. T., ... & Hamstra, S. J. (2011). Technology-enhanced simulation for health professions education: A systematic review and meta-analysis. JAMA, 306(9), 978–988. https://doi.org/10.1001/jama.2011.1234

[16] Rosen, K. R. (2008). The history of medical simulation. Journal of Critical Care, 23(2), 157–166. https://doi.org/10.1016/j.jcrc.2007.12.004

[17] Dieckmann, P. (Ed.). (2009). Using simulations for education, training and research. Pabst Science Publishers.

[18] Nabiyev, V. V. (2021). Yapay zekâ: İnsan-bilgisayar etkileşimi (6. Baskı). Seçkin Yayıncılık.

[19] Gaba, D. M., Howard, S. K., Fish, K. J., Smith, B. E., & Sowb, Y. A. (2001). Simulation-based training in anesthesia crisis resource management (ACRM): A decade of experience. Simulation & Gaming, 32(2), 175–193. https://doi.org/10.1177/104687810103200206

[20] Kolb, D. A. (1984). Experiential learning: Experience as the source of learning and development. Prentice-Hall.

[21] Schön, D. A. (1983). The reflective practitioner: How professionals think in action. Basic Books.

[22] Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press.

[23] Norman, G., Dore, K., & Grierson, L. (2012). The minimal relationship between simulation fidelity and transfer of learning. Medical Education, 46(7), 636–647. https://doi.org/10.1111/j.1365-2923.2012.04243.x

10. Tartışma Soruları

1. Analitik: Simülasyon tabanlı öğrenmenin havacılıktan tıbba transferinde hangi kavramsal ve yapısal uyarlamalar gerekli olmuştur? Bu transfer sürecinde hangi unsurlar başarıyla aktarılmış, hangileri sorunlu kalmıştır?

2. Karşılaştırmalı: Bir önceki bölümde ele aldığımız AutoTutor ile simülasyon tabanlı öğrenme arasındaki temel farklar nelerdir? Metin tabanlı diyalog ile bedensel (embodied) simülasyon deneyimi, farklı türde öğrenme kazanımları üretir mi?

3. Spekülatif: Eğer yüksek sadakat hasta simülatörleri 1960'larda yaygın ve ucuz olarak erişilebilir olsaydı, tıp eğitiminin gelişimi nasıl farklılaşırdı? "Yap, gör, öğret" geleneği hiç yerleşir miydi?

4. Etik: Ziv ve ekibinin "simülasyon etik bir zorunluluktur" argümanı, simülasyona erişimi olmayan kurumları ve ülkeleri dolaylı olarak "etik dışı" konuma düşürme riski taşımakta mıdır? Bu gerilim nasıl çözülebilir?

5. Güncel: Büyük dil modelleri (GPT, Claude gibi) sanal hasta simülasyonlarında kullanılmaya başlanmıştır. Bu gelişme, simülasyon tabanlı öğrenmenin doğasını nasıl değiştirmektedir? LLM tabanlı sanal hastalar, fiziksel simülatörlerin yerini alabilir mi?

6. Analitik: Fanning ve Gaba'nın "öğrenme simülasyon sırasında değil, debriefing sırasında gerçekleşir" argümanı, simülasyon tasarımı için ne gibi pratik sonuçlar doğurmaktadır? Yapay zekâ destekli otomatik debriefing sistemleri bu süreci iyileştirebilir mi?

7. Karşılaştırmalı: "İnsanları eğitmek için simülasyon" (tıbbi simülasyon) ile "makineleri eğitmek için simülasyon" (pekiştirmeli öğrenme ortamları) arasındaki kavramsal benzerlikler ve farklılıklar nelerdir? Bu iki gelenek birbirinden ne öğrenebilir?

8. Spekülatif: Norman ve ekibinin "fidelity paradoksu" bulgusu — yüksek sadakatin her zaman daha etkili olmadığı — yapay zekâ destekli simülasyon tasarımı için ne anlama gelmektedir? "Optimal sadakat" nasıl belirlenmelidir?

9. Etik: Simülasyon ortamlarında öğrenci performansının kaydedilmesi ve analiz edilmesi, ciddi gizlilik sorunları yaratmaktadır. Yapay zekâ tabanlı otomatik değerlendirme sistemleri bu sorunları derinleştirir mi, hafifletir mi?

10. Güncel: COVID-19 pandemisi, simülasyon tabanlı eğitimin dijitalleşmesini ve uzaktan erişilebilir hale gelmesini hızlandırmıştır. Bu deneyim, simülasyonun geleceği hakkında hangi kalıcı dersleri bırakmıştır?