Kurumsal Eğitimde Dönüşüm: Öğrenme Mühendisliği

Prof. Dr. Kürşat Çağıltay - TED Üniversitesi Eğitim Fakültesi Dekanı
IEEE Türkiye Profesyonel Gelişim ve Eğitim Koordinatörü
Arzu Hancı Karademirci - SEM Eğitim ve Gelişim Merkezi Müdürü

2026’nın ilk günlerinde, L&D (Öğrenme ve Gelişim) ekosistemi için yeni ve disiplinlerarası bir yaklaşım olarak öne çıkan öğrenme mühendisliğini mercek altına alıyoruz. Bu yaklaşımı, kurumsal öğrenme dinamiklerini yeniden düşünmeye ve değerlendirmeye imkân tanıyan bir çerçeve olarak inceleyeceğiz. Öğrenme mühendisliğine ilgimizin nedeni, sahada karşılaştığımız sorular ile akademik alan yazında sunulan yanıtlar arasındaki ilişkiyi daha yakından inceleme ihtiyacıdır. Uygulama deneyimlerinden gelen soruları ve bilimin sunduğu yanıtları ele aldığımızda, iki hattın aslında aynı çözüm kümesinde kesiştiğini görmek mümkün.

Bu yazı dizisi, kurumsal gelişim ve öğrenme mühendisliği kapsamına sadık kalarak, bahsedilen kritik kesişimi görünür kılmak; birlikte düşünmek, derinleşmek ve çözüm önerileri üretmek için kurgulanmıştır.

Aslında, öğrenme mühendisliğini bugün konuşuyor olmamız bir tesadüf değil. Kurumsal öğrenme ve gelişim alanında son yıllarda yaşanan niceliksel büyüme, beraberinde daha derin bir sorgulamayı zorunlu kılıyor: 

•    Artan öğrenme ve gelişim yatırımları gerçekten anlamlı sonuçlara dönüşüyor mu? 
•    Bu yatırımlar, çalışanların farklı bağlamlarda doğru karar verebilme ve performans sergileyebilme becerilerine ne ölçüde yansıyor?
•    Eğitimler tamamlandıktan sonra, öğrenmenin iş başındaki davranışlara ve kurumsal sonuçlara nasıl aktarıldığını gerçekten takip edebiliyor muyuz?
•    Hangi öğrenme müdahalesinin, hangi çalışan profili için, hangi koşullarda etkili olduğunu biliyor muyuz?
•    Öğrenme deneyimlerini tasarlarken, kanıta dayalı veriyle mi yoksa alışkanlıklarla mı ilerliyoruz?
•    Eğitim sistemlerimiz, değişen iş koşullarında kurumun öğrenme hızını ve uyum kapasitesini artıracak şekilde kurgulanmış mı?
•    Öğrenme ve gelişim yatırımları, çalışanların uzmanlıklarında derinleşmesini (upskilling), yeni yetkinliklere geçişini (reskilling) ve disiplinler arası iş birliğini destekleyen T-shape gelişimi ne ölçüde güçlendiriyor?

Tüm bu sorular ve yanıtlarına yönelik çalışmalarımız bizi kurumsal öğrenme ve gelişimin güncel ihtiyaçlarına daha yakından bakmaya davet ediyor.

İş Çıktıları, Kanıt ve Hesap Verebilirlik

Küresel ölçekte bakıldığında, kurumsal öğrenme ve gelişim artık bir destek faaliyeti değil, stratejik bir yatırım alanıdır. 

Josh Bersin (2024), küresel kurumsal eğitim sektörünün 340 milyar doların üzerinde bir büyüklüğe ulaştığını ve şirketlerin çalışan başına yıllık ortalama 1.500 dolar yatırım yaptığını ortaya koyuyor. Benzer biçimde, The Business Research Company (2025), küresel kurumsal eğitim pazarının 2025’te ise 417,43 milyar dolar büyüklüğe ulaşmasının beklendiğini raporluyor.

Bu tablo bize şunu açıkça gösteriyor: kurumlar öğrenmeye her zamankinden daha fazla yatırım yapıyor. Ancak, yatırımın ölçeği büyüdükçe, artık yalnızca ne kadar eğitim verildiği değil, bu eğitimlerin hangi problemi çözdüğü, nasıl bir etki yarattığı ve bu etkinin nasıl kanıtlandığı soruları da kaçınılmaz hale geliyor.

Başka bir deyişle, kurumsal eğitimde mesele artık “daha fazla yapmak” değil; ne yaptığını bilerek, kanıta dayalı ve sistematik biçimde tasarlamak. Kırılma noktası, eğitim faaliyetlerinin performans, davranış ve iş çıktılarıyla kurduğu bağın ne kadar net olduğu. İşte bu noktada öğrenme mühendisliği, artan yatırımları anlamlı sonuçlara dönüştürmeyi hedefleyen bütüncül bir yaklaşım olarak öne çıkıyor.

Bu yaklaşımı doğru okuyabilmek için, öğrenme mühendisliğini geçici bir moda kavram olarak değil; sınırları, iddiaları ve sorumluluk alanları net ve güncel bir disiplin olarak tanımak, ele almak gerekiyor.

Öğrenme Mühendisliği Nedir?

Yetenek Geliştirme Derneği (ATD), öğrenme mühendisliğini, öğretim sistemleri tasarımı yaklaşımının bir sonraki evresi olarak konumlandırıyor (ATD, 2023). ATD’ye göre bu yeni yaklaşım, öğrenme bilimleri, mühendislik, psikoloji, veri bilimi, nörobilim gibi çoklu disiplinleri ve yüz yüze, dijital, mobil, simülasyon gibi çoklu öğrenme ortamlarını bir araya getiriyor. Amaç, öğrenme tasarımını daha kanıta dayalı, uyarlanabilir ve etkisi izlenebilir hale getirmek.

Jim Goodell (2022) ise Institute of Electrical and Electronics Engineers - International Consortium for Innovation and Collaboration in Learning Engineering (IEEE - ICICLE) topluluğunun benimsediği konsensüs tanımı aktarıyor. Bu tanıma göre öğrenme mühendisliği üç temel bileşenin kesişiminde yer almaktadır:

1. Öğrenme bilimlerini uygulamak,
2. İnsan-merkezli ve mühendislik temelli tasarım metodolojisinden yararlanmak,
3. Veriye dayalı karar verme süreçleriyle ilerlemek.

Bu yaklaşımda amaç, öğrenenleri ve onların gelişimini destekleyen koşulları bilinçli biçimde tasarlamaktır. Üretilen şey yalnızca bir eğitim içeriği değil; insanların güçlü öğrenme çıktıları elde edebileceği deneyimler ve sistemlerdir.

Literatürdeki tanımlar farklı olsa da ortak bir özde buluşuyor: öğrenme mühendisliği, öğrenme biliminde üretilen kavramsal bilgiyi, mühendislik mantığıyla; yani insan-merkezli tasarım, veriye dayalı karar verme ve iteratif iyileştirme süreçleriyle birleştirerek, ölçeklenebilir ve etkisi izlenebilir öğrenme çözümlerine dönüştürmeyi amaçlayan bir mesleki pratiktir (Kolodner, 2023).

Bu noktada önemli bir ayrımı netleştirmek gerekir. Öğrenme mühendisliği, mevcut eğitim tasarımı uygulamalarını yeniden adlandıran bir şemsiye kavram değildir. Yalnızca daha fazla veri toplamak, daha karmaşık teknolojiler kullanmak ya da öğrenme deneyimlerini dijitalleştirmek anlamına da gelmez.

Kurumsal eğitim bağlamında öğrenme mühendisliğini ayırt edici kılan; öğrenmeyi, mikro düzeyde bireysel öğrenme deneyimlerinden, makro düzeyde organizasyonel öğrenme kapasitesine uzanan bir çerçevede, baştan sona tasarlanan, izlenen, test edilen ve gerektiğinde yeniden yapılandırılan çalışan bir sistem olarak ele almasıdır.

Bu sistem yaklaşımı, öğrenme çözümlerinin yalnızca “iyi tasarlanmış” olmasını değil; belirli bağlamlarda, belirli öğrenenler için, belirli iş çıktıları üretip üretmediğinin sürekli olarak sınanmasını gerektirir. 

Tam da bu nedenle öğrenme mühendisliği, kurumsal eğitimde niyet ile etki arasındaki mesafeyi kapatmayı hedefleyen bir uygulama disiplini olarak öne çıkmaktadır.

Öğrenme Mühendisliğinin Ortaya Çıkışı

Bu hikâyenin ilk kıvılcımı Carnegie Mellon Üniversitesi’nden Herbert A. Simon ile 1960’lara uzanır. Simon’ın yaklaşımı, eğitimi yalnızca pedagojik bir mesele olarak değil; modellenebilir, sistematik biçimde iyileştirilebilir bir alan olarak düşünmenin önünü açmıştır (Simon, 1969). Öğrenme mühendisliği yaklaşımının temeli, büyük ölçüde bu bakış açısına dayanır.

1990’lardan 2010’lara uzanan dönemde ise öğrenme mühendisliği kavramını mümkün kılan temel bileşen olgunlaşır. Öğrenme Bilimleri alanı kurumsallaşır; Janet L. Kolodner’ın alanda yaptığı öncü katkılarla birlikte, Journal of the Learning Sciences etrafında şekillenen akademik topluluk zaman içinde kurumsallaşmıştır. Bu süreç, International Society of the Learning Sciences gibi yapıların oluşumuna zemin hazırlamıştır (Kolodner, 1996; Sawyer, 2006). 

Bu dönemde öğrenmenin nasıl gerçekleştiğine dair güçlü kuramsal çerçeveler geliştirilirken, Design-Based Research (DBR) yaklaşımıyla, çevik çalışma prensipleri ile uyumlu sürekli test etme ve iyileştirme döngüleri (iterative improvement) sahaya taşınır (Brown, 1992; Collins, 1992).

Aynı yıllarda Pittsburgh merkezli Carnegie Mellon Üniversitesi’nin ekosistemi — LearnLab, akıllı öğretim sistemleri ve veri-yoğun öğrenme platformları — öğrenme mühendisliğinin “mühendislik” tarafını besleyen önemli bir odak noktası hâline gelir. Aynı üniversiteden Ken Koedinger ve çalışma arkadaşlarının geliştirdiği Knowledge–Learning–Instruction (KLI) çerçevesi gibi modeller, öğrenme kuramlarının uygulamaya sistematik biçimde rehberlik edebileceğini göstermiştir (Koedinger ve diğerleri, 2012). Ölçme-değerlendirme, öğrenme analitiği, deneysel altyapılar ve HCI/UX pratikleri bu dönemde güçlü bir birikim oluşturur.

2010’ların ortasına gelindiğinde yeni bir sorun giderek daha görünür hâle gelir: Öğrenme biliminde üretilen bilgi, prototip düzeyinde etkili çözümler sunsa da, bu çözümler ölçeğe taşındığında aynı etkiyi sürdürememektedir. Bu noktada “prototipten ürüne, küçük denemelerden büyük sistemlere geçiş”te ciddi bir boşluk olduğunu vurgulanır (Goodell, Kolodner ve Kessler, 2023). Öğrenme mühendisliği kavramının yeniden gündeme gelişini, büyük ölçüde bu ölçek problemine verilen bir yanıt olarak okumak mümkündür.

2018 yılı ise öğrenme mühendisliği açısından belirgin bir dönüm noktası olur. IEEE bünyesinde kurulan ICICLE (Industry Consortium on Learning Engineering), öğrenme mühendisliğini bir meslek ve uygulama alanı olarak tanımlamayı, geliştirmeyi ve yaygınlaştırmayı hedefler (Goodell, 2022). ICICLE, alan için ortak bir tanım üretir ve öğrenme mühendisliği yetkinliklerini oluşturmaya başlar; öğrenme bilimleri, insan-merkezli mühendislik tasarımı ve veriye dayalı karar verme bileşenlerini merkeze alır (IEEE ICICLE, 2019). Aynı zamanda öğrenme mühendisliğini bireysel bir uzmanlık değil, disiplinlerarası bir “takım işi” olarak konumlandırır. 

Bu dönemde kavram akademik alan yazında da daha görünür hâle gelmeye başlar. Harvard Üniversitesi’nden Chris Dede, öğrenme mühendisliğinin bir isimden çok bir “eylem” olduğunu vurgular. Dede, Richards ve Saxberg (2019) editörlüğünde yayımlanan Learning Engineering for Online Education kitabı, özellikle çevrimiçi ve karma öğrenme bağlamında öğrenme mühendisliğini kuramsal ve uygulamalı örneklerle somutlaştırır.

2018–2019 yıllarında EDUCAUSE ve ELI tarafından yayımlanan çerçeveler, öğrenme mühendisliğini yükseköğretim ve kurumsal öğrenme dünyasına taşır (EDUCAUSE, 2018). 2019 sonrasında ise alan, meslekleşme ve topluluk bilinci kazanmaya başlar. Boston College’da (t.y.) öğrenme mühendisliği yüksek lisans programı açılır. Kolodner’ın (2023 ) vurguladığı gibi, her ne kadar alan yazında daha eski yayınlar bulunsa da, kendisini “öğrenme mühendisi” olarak tanımlayan topluluk oldukça yenidir.

2020’li yıllarda öğrenme mühendisliğinde odak, hız ve altyapı konularına kaymıştır. Ryan S. Baker ve çalışma arkadaşları, öğrenme mühendisliğinin etkisini artırabilmesi için araştırma-geliştirme altyapılarına ve veri-temelli deneysel ortamlara sistematik biçimde yatırım yapılması gerektiğini vurgulamaktadır (Baker, Boser & Snow, 2022). ASSISTments gibi veri-yoğun öğrenme platformları, öğrenme çözümlerinin gerçek öğrenme ortamlarında hızlı biçimde test edilmesini ve sürekli iyileştirilmesini mümkün kılarak bu yaklaşımın uygulanabilirliğini göstermektedir (Heffernan & Heffernan, 2014). 
Bu dönemde öğrenme mühendisliği, öğrenme teorisi, veri analitiği ve insan merkezli tasarımı bir araya getirerek eğitim sistemlerini bilinçli ve kanıta dayalı biçimde geliştirmeyi hedefleyen bir disiplin olarak daha net biçimde tanımlanır.

Bu kronolojik çerçeve bize şunu göstermektedir: Öğrenme mühendisliği, bir moda kavram değil; onlarca yıl boyunca biriken bilimsel bilgi, teknolojik kapasite ve pratik ihtiyaçların doğal bir kesişim noktasıdır (Goodell & Kolodner, 2023; Kolodner, 2023). Bu yönüyle öğrenme mühendisliği, öğrenmeyi yalnızca pedagojik bir etkinlik olarak değil; tasarlanabilir, test edilebilir ve sürekli iyileştirilebilir bir sistem olarak ele almaktadır.

Kurumsal Eğitim Neden Öğrenme Mühendisliğine Dönüşmek Zorunda?

Araştırmalar, birçok kurumda öğrenme ve yetkinlik geliştirme programlarının iş sonuçlarıyla sistematik biçimde ilişkilendirilmediğini ve bu nedenle davranış değişimi ile performans etkisinin sınırlı kaldığını göstermektedir. 

Örneğin, McKinsey & Company tarafından yayımlanan analizler, kuruluşların önemli bir bölümünün eğitim yatırımlarının iş performansına katkısını düzenli ve ölçülebilir göstergelerle takip edemediğini; bu durumun öğrenme programlarının sürdürülebilir etki yaratmasını zorlaştırdığını ortaya koymaktadır (McKinsey & Company, 2015; 2018).

Benzer biçimde Boston Consulting Group’un insan yönetimi üzerine analizleri, organizasyonların yetenek yönetimi stratejilerini iş sonuçlarına bağlamak için daha sistematik ölçüm, geribildirim ve sürekli iyileştirme mekanizmalarına ihtiyaç duyduğunu göstermektedir (Boston Consulting Group, 2021).
Bu bağlamda temel sorun, kurumların “eğitimin yapıp yapmadığı” değil; bireylerin ve kurumların nasıl öğrendiği, bu öğrenmenin hangi koşullarda oluştuğu ve öğrenmenin farklı bağlamlarda doğru karar verme becerisine dönüşüp dönüşmediğidir.

Geleneksel L&D modelleri çoğunlukla içerik üretimi, program yaygınlığı ve katılım metriklerine odaklanırken; öğrenme mühendisliği, öğrenmeyi kanıta dayalı olarak tasarlanan, test edilen ve sürekli iyileştirilen bir sistem olarak ele alır (Goodell, 2022). Bu sistem yaklaşımı, bireysel öğrenme deneyimlerini organizasyonel kapasite inşasıyla doğrudan ilişkilendirir.

Bu nedenle öğrenme mühendisliği, kurumsal eğitim için bir “ilerleme seçeneği” değil; artan yatırım baskısı, ölçülebilir etki beklentisi ve organizasyonel öğrenme ihtiyacının doğal sonucu olarak ortaya çıkan bir dönüşüm yönüdür (Bersin, 2024). 

Kurumlar açısından soru artık “öğrenme mühendisliğine geçmeli miyiz?” değil; “hangi hızda, nasıl ve hangi olgunlukla geçeceğiz?” sorusudur.
 

Kaynakça

Association for Talent Development. (2023). Learning engineering: What it is and how it can benefit organizations. https://www.td.org
Baker, R. S., Boser, U., & Snow, E. L. (2022). Learning engineering: A view on where the field is at, where it’s going, and the research needed. Technology, Mind, and Behavior, 3(1). https://doi.org/10.1037/tmb0000058 
Bersin, J. (2024, 23 Mart). The $340 billion corporate learning industry is poised for disruption. Josh Bersin Company.
https://joshbersin.com/2024/03/the-340-billion-corporate-learning-industry-is-poised-for-disruption/ 
Boston College. (t.y.). Master’s in Learning Engineering program. Boston College News. https://www.bc.edu/bc-web/bcnews/nation-world-society/education/learning-engineering-program.html
Boston Consulting Group. (2021). Creating People Advantage 2021: The Future of People Management Priorities.
https://web-assets.bcg.com/16/b1/c25cb9e2471c81c355c9dccb8d4f/bcg-creating-people-advantage-2021-jun-2021.pdf
Brown, A. L. (1992). Design experiments: Theoretical and methodological challenges in creating complex interventions in classroom settings. The Journal of the Learning Sciences, 2(2), 141–178.
Collins, A. (1992). Toward a design science of education. New Directions in Educational Technology (Ed. E. Scanlon & T. O’Shea). Springer-Verlag.
Dede, C., Richards, J., & Saxberg, B. (2019). Learning engineering for online education: Theoretical contexts and design-based examples. Routledge.
https://doi.org/10.4324/9781351186193
EDUCAUSE Learning Initiative & EDUCAUSE. (2018). Learning Engineering [e-book]. EDUCAUSE Library. https://library.educause.edu/-/media/files/library/2018/9/eli7160e.epub
Goodell, J. (2022). Learning engineering: A practitioner’s perspective. In J. Goodell & J. L. Kolodner (Eds.), Learning engineering toolkit: Evidence-based practices from the learning sciences, instructional design, and beyond (ss. 3–18). Routledge.
Goodell, J. (2022). Learning engineering toolkit: Evidence-based practices from the learning sciences, instructional design, and beyond. Routledge.
Goodell, J., Kolodner, J., & Kessler, A. (2023). Learning engineering applies the learning sciences. In Learning Engineering Toolkit: Evidence-Based Practices from the Learning Sciences, Instructional Design, and Beyond. Routledge.
Heffernan, N. T., & Heffernan, C. L. (2014). The ASSISTments ecosystem: Building a platform that brings scientists and teachers together for minimally invasive research on human learning and teaching. International Journal of Artificial Intelligence in Education, 24(4), 470–497. https://doi.org/10.1007/s40593-014-0024-x
IEEE Industry Consortium on Learning Engineering (ICICLE). (2019). What is learning engineering? https://sagroups.ieee.org/icicle/
Koedinger, K. R., Corbett, A. T. & Perfetti, C. (2012). The knowledge-learning-instruction framework: Bridging the science-practice chasm to enhance robust student learning. Cognitive Science, 36(5), 757–798. https://doi.org/10.1111/j.1551-6709.2012.01245.x
Kolodner, J. L. (1996). Case-based reasoning. Morgan Kaufmann.
Kolodner, J. L. (2023). Learning engineering: The next evolution of the learning sciences in practice. Journal of the Learning Sciences, 32(1), 1–8.
McKinsey & Company. (2015). Getting more from your training programs.
https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/getting-more-from-your-training-programs
McKinsey & Company. (2018). Do your training efforts drive performance?
https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/do-your-training-efforts-drive-performance 
Sawyer, R. K. (2006). The Cambridge handbook of the learning sciences. Cambridge University Press.
Simon, H. A. (1969). The sciences of the artificial. MIT Press.
The Business Research Company. (2025). Corporate training market insights 2025.
https://www.thebusinessresearchcompany.com/market-insights/corporate-training-market-insights-2025