full-stack / case.study
yayındaBloomedu: AI Destekli Kişiselleştirilmiş Eğitim
Bloom Taksonomisi'ni temel alarak öğrencilerin bilişsel gelişimini yapay zeka ile dinamik olarak analiz eden ve kişiselleştiren EdTech girişimi.
9 Nisan 2026
product.screens
Uygulama içi görünümler
Canlı demo yerine ürünün gerçek yüzeyleri — akış, arayüz ve mühendislik kararları burada okunur.
screenshots.coming
Bloomedu: AI Destekli Kişiselleştirilmiş Eğitim için 3–4 uygulama ekranı eklenecek. Şimdilik vaka çalışması metni ve P/D/I kartları ana kanıt.
architecture.decisions
Problem → karar → etki
problem
Çözülen problem
Geleneksel eğitim platformları öğrenciyi çoğunlukla tek skorla değerlendiriyor; öğretmen ise öğrencinin Bloom Taksonomisi'nde hangi bilişsel basamakta zorlandığını anlık ve açıklanabilir şekilde göremiyor.
decision
Mühendislik kararı
Klasik sabit test akışı yerine LLM destekli adaptif motor seçildi; öğrenci yanıtları taksonomi basamağına göre yorumlanıp ilişkisel veride izlenerek hem kişiselleştirilmiş soru üretimi hem de öğretmen için takip edilebilir gelişim modeli kurgulandı.
impact
Kanıtlanan etki
14 takım arasından En İyi Proje seçildi; teknik derinliği ve ticarileşme potansiyeliyle TÜBİTAK BİGG 1812 Akdeniz 2026-1 dönemi ön jüri sunumuna kabul edildi.
Her öğrencinin öğrenme hızı, bilgiyi işleme biçimi ve bilişsel algısı birbirinden tamamen farklıdır. Ancak mevcut eğitim platformlarının çoğu, tüm öğrencileri aynı statik testlerden geçirerek başarıyı sadece bir "skor" olarak ölçer. Bloomedu, bu sorunu kökünden çözmek için Bloom Taksonomisi'nin pedagojik gücünü modern yapay zeka yetenekleriyle birleştiren bir girişim olarak doğdu.
Ekip arkadaşlarımla birlikte hayata geçirdiğimiz bu projede, teknik altyapıyı tamamen bir "startup" mantığıyla ölçeklenebilir ve adaptif olacak şekilde tasarladık. Kaynak kod: ekip reposu somethn7/Bloomedu.
Mimari ve Teknik Yaklaşım
Bir öğrenci Bloomedu sistemine girdiğinde, karşılaştığı sorular statik bir veritabanından rastgele çekilmez. Sistem arka planda şu veri akışını işletir:
- Bilişsel Seviye Tespiti: Öğrencinin verdiği ilk yanıtlar yapay zeka (LLM) tarafından analiz edilir. Öğrenci sadece formülü mü hatırlıyor (Bilgi/Hatırlama), yoksa formülü farklı bir senaryoya uyarlayabiliyor mu (Uygulama/Analiz)?
- Dinamik Prompt Mühendisliği (Prompt Engineering): Sistem, öğrencinin takıldığı basamağı tespit ettiğinde, arka planda LLM'e özel yapılandırılmış promptlar gönderir. Örneğin; "Öğrenci 'Uygulama' basamağında zorlanıyor. Ona bu konunun pratik hayattaki kullanımını sorgulatan, ipucu destekli yeni bir soru üret."
- Gerçek Zamanlı Gelişim Takibi: Elde edilen veriler, ilişkisel veritabanımızda loglanarak hem öğretmenler hem de öğrenciler için anlamlı grafiklere ve gelişim raporlarına dönüştürülür.
Karşılaşılan Zorluklar ve Çözümler
Yapay zekayı bir "cevap makinesi" olmaktan çıkarıp bir "öğretmen" formatına sokmak teknik açıdan zorluydu. Başlangıçta LLM, öğrencilere doğrudan doğru cevabı verme eğilimindeydi.
Bu sorunu çözmek için Sistem Promptlarını (System Prompts) çok katmanlı hale getirdik. Yapay zekaya, "Sen bir cevap anahtarı değilsin, sen Sokratik sorgulama yapan bir eğitmensin" rolünü vererek halüsinasyonları (hallucination) ve kolaya kaçma durumlarını minimize ettik. Ayrıca API maliyetlerini düşürmek için, her etkileşimde tam bağlam (full context) göndermek yerine, sadece öğrencinin mevcut taksonomi vektörünü gönderdiğimiz optimize edilmiş bir caching (önbellekleme) yapısı kurguladık.
Girişimcilik ve BİGG Süreci
Bloomedu, sadece kodladığımız bir proje olarak kalmadı. 14 takım arasından En İyi Proje seçilmesi ve Antalya Teknokent'te gerçekleştirilen TÜBİTAK BİGG 1812 Ön Jüri Sunumu sürecine kabul edilmesi, teknik bir mimariyi iş modeline dönüştürme ve ticarileşme stratejilerini (B2B ve B2C eğitim modelleri) yatırımcılara aktarma konusunda bize muazzam bir vizyon kattı.
Mühendislik, sadece çalışan kod yazmak değil; doğru problemi tespit edip, en optimum teknolojiyle o problemi çözmektir. Bloomedu, benim bu felsefeyi tam anlamıyla hayata geçirdiğim en değerli ürünlerden biridir.