CranioCatch, Diş Hekimliği Eğitiminde Yeni Nesil Değerlendirme Standardı Sunuyor
Bilimsel Kanıt: CranioCatch, Diş Hekimliği Eğitiminde Yeni Nesil Değerlendirme Standardı Sunuyor
266 öğrenciyle yapılan araştırma, AI destekli performans değerlendirmesinin oral radyoloji eğitimindeki rolünü ortaya koyuyor
Diş hekimliği eğitiminde “ne kadar bildiğiniz” ile “klinik ortamda ne kadar iyi karar verebildiğiniz” her zaman aynı şey değildir. Bu farkı bilimsel olarak ortaya koyan yeni bir araştırma, Diagnostics dergisinde (MDPI, Ağustos 2026) yayımlandı: “Artificial Intelligence-Supported Performance-Based Assessment in Oral Radiology Education: A Constructive Alignment Perspective”.
Lokman Hekim Üniversitesi, Ankara Üniversitesi, Başkent Üniversitesi, Gazi Üniversitesi ve Ankara Medipol Üniversitesi’nden araştırmacıların (Coşkun Albayrak ve ark.) yürüttüğü bu çalışma, CranioCatch AI platformunun diş hekimliği eğitimindeki katkısını objektif verilerle inceliyor.
Araştırma Nasıl Yapıldı?
Çalışmaya Lokman Hekim Üniversitesi’nden 266 dördüncü sınıf diş hekimliği öğrencisi katıldı. Öğrenciler, CranioCatch’in yapay zeka destekli lezyon tespit platformunu kullanarak beş farklı panoramik radyografide yer alan patolojileri (fibröz displazi, dentigeröz kist, kompound odontoma, radiküler kist ve ameloblastoma) tespit edip sınırlarını belirledi ve teşhis etti.
Öğrenci performansı, CranioCatch’in uzman diş hekimleri (iki board-sertifikalı ağız, diş ve çene radyolojisi uzmanı) tarafından doğrulanmış AI tespitleriyle karşılaştırılarak bir “confusion matrix” (karışıklık matrisi) çerçevesinde değerlendirildi. Duyarlılık (sensitivity) ve kesinlik (precision) değerleri hesaplanarak her öğrenci için bir kompozit performans skoru oluşturuldu.
Öne Çıkan Bulgular
- Farklı bir yetkinliği ölçüyor: Araştırma, CranioCatch skorları ile öğrencilerin yıl sonu başarı notları ve final sınavı sonuçları arasında istatistiksel olarak anlamlı bir korelasyon bulamadı (ρ = 0.06–0.11, p > 0.05). Araştırmacılara göre bu bir eksiklik değil, tam tersine önemli bir bulgu: AI destekli değerlendirme, geleneksel yazılı sınavların ölçtüğü “bilgi hatırlama” (Knows / Knows How) düzeyinden farklı olarak, Miller Piramidi’nin “Shows How” düzeyindeki uygulamalı tanısal muhakemeyi ölçüyor.
- Aşırı işaretleme, düşük performansla ilişkili: ROC analizi, öğrencilerin işaretlediği bölge sayısı arttıkça (8.5 bölge eşiğinin üzerinde) performans skorlarının anlamlı şekilde düştüğünü gösterdi (p < 0.001). Bu, kararsız öğrencilerin “rastgele işaretleme” stratejisine yöneldiğini ve bunun kesinliği (precision) düşürdüğünü ortaya koyuyor.
- Anlık geri bildirim, yansıtıcı öğrenmeyi destekliyor: Öğrenciler, değerlendirme sonrasında kendi işaretlemelerini uzman-onaylı AI sonuçlarıyla anında karşılaştırabildi — bu da klasik sınavlarda mümkün olmayan bir öğrenme döngüsü sağladı.
Constructive Alignment Çerçevesinde Ne Anlama Geliyor?
Eğitim bilimci John Biggs’in geliştirdiği constructive alignment (yapılandırılmış hizalama) ilkesine göre, öğrenme hedefleri, eğitim faaliyetleri ve değerlendirme yöntemleri birbiriyle tutarlı olmalıdır. Araştırmacılar, geleneksel yazılı sınavların radyografik yorumlama gibi uygulamalı becerileri yeterince ölçemediğini; CranioCatch gibi platformların ise bu boşluğu dolduran, gerçek klinik senaryoları yansıtan “authentic assessment” (özgün değerlendirme) araçları olduğunu vurguluyor.
CranioCatch’in Eğitimdeki Rolü
Bu çalışma, CranioCatch’in şu yönlerini bilimsel olarak destekliyor:
- Standartlaştırılmış, uzman-doğrulanmış referans standardı ile objektif değerlendirme
- Confusion matrix tabanlı precision/sensitivity skorlaması ile ölçülebilir performans takibi
- Anlık geri bildirim ile öğrencinin kendi sonuçlarını AI ile karşılaştırabilmesi
- Eğitmen esnekliği: Öğretim üyeleri, AI metriklerine ek olarak kendi uzman değerlendirmesini de sürece dahil edebiliyor
- Geleneksel sınavları tamamlayan, yerine geçmeyen bir değerlendirme boyutu
Yazarlar ayrıca önemli bir dengeyi de vurguluyor: AI destekli araçlar eğitimde büyük değer sunsa da, öğrencilerin AI çıktılarına aşırı güvenmesi (automation bias) riskine karşı denetimli ve eleştirel bir yaklaşımla kullanılmalı. CranioCatch’in bu çalışmadaki kullanımı da tam olarak bu ilkeye uygun şekilde — uzman doğrulaması ve eğitmen denetimiyle — kurgulanmış.
Sonuç
266 öğrenci üzerinde yapılan bu çok merkezli akademik işbirliği, CranioCatch’in yalnızca klinik bir tanı destek sistemi değil, aynı zamanda diş hekimliği eğitiminde bilimsel olarak doğrulanmış, yetkinlik odaklı bir değerlendirme aracı olduğunu ortaya koyuyor.
Kaynak: Coşkun Albayrak, S.; Gürel, F.S.; Kubat, G.; Coşkun, Ö.; Budakoğlu, I.İ.; Orhan, K. Artificial Intelligence-Supported Performance-Based Assessment in Oral Radiology Education: A Constructive Alignment Perspective. Diagnostics 2026, 16, 2542. https://doi.org/10.3390/diagnostics16162542 (Açık erişim, CC BY 4.0)
CranioCatch’in eğitim kurumlarına sunduğu çözümler hakkında bilgi almak için bizimle iletişime geçin.
