Akademisyenler için AI Workflow: Literatür Taramasından Manuscript Draft'a

Akademik AI kullanımı hâlâ kayıp bir disiplin

Çoğu akademisyen yapay zekayı keşfetti, ama nasıl entegre edeceğini bilemiyor. İki uç gözleniyor. Bir tarafta tezgâhüstü kullanım: ChatGPT'ye soruyu sorup gelen cevabı kopyalamak, halüsinasyon ile sahte referansları yakalayamadan göndermek. Diğer tarafta ahlaki panik: AI'yı tamamen reddetmek, akademik etik adına bütün kullanım biçimlerini "yasak" görmek.

Doğru yaklaşım orta yerde. Yapay zeka aracı, doğru noktalarda kullanıldığında araştırma kalitesini düşürmez, tam tersine zaman ve hata yönetimi katmanı ekler. Yanlış noktalarda kullanıldığında ise paper retraction'a kadar varan riskler doğurur.

Bu yazıda akademik araştırma sürecinin beş aşamasında nereye AI girer, nereye girmemesi gerekir, hangi aracı hangi prompt pattern'i ile kullanmak en verimlidir, ICMJE Vancouver yazarlık kuralları açısından sınır nerede çizilir.

Aşama 1: Literatür Tarama

Klasik PubMed, Scopus, Web of Science arama bilgisi hâlâ temel. AI bunun yerini almaz, üstüne yatay araç ekler.

Önerilen iş bölümü:

• Geleneksel arama (PubMed, Scopus): Boolean operatörlü, MeSH terimli, sistematik. Replicable. Sistematik derleme için zorunlu.
• Perplexity, Elicit, SciSpace: Semantik arama, paper özetleme, "bu makale neyi gösteriyor" hızlı tarama. Tezgâhüstü pre-screening için.
• Connected Papers, ResearchRabbit: Görsel atıf ağı, ilgili paperlara dallanma. Bir seed paper'dan literatürü hızlı haritalama.

Doğru kullanım pattern'i:

1. Önce PubMed/Scopus'ta replicable arama yap, kaydet.
2. Sonuçları Zotero veya Mendeley'e at.
3. İlginç ama emin olamadığın paper'ı Perplexity veya SciSpace'e ver, özet al, kararını ver.
4. Connected Papers ile etrafına bak, kaçırdığın klasik referans var mı kontrol et.

Yapma:

• ChatGPT'ye "X konusunda en önemli 10 paper'ı listele" deme. Halüsinasyon riski yüksek, sahte DOI üretir. Hâlâ olan vakalardan biri: Claude 3.5 Sonnet 2025'te orijinal olmayan paper başlığı + sahte yazar kombinasyonu üretti, akademisyen bunu makaleye koydu, peer review aşamasında yakalandı.
• AI'ya literatür tarama dosyalat. Replicable olmayan tarama, sistematik derleme için kabul edilemez.

Aşama 2: Eleştirel Okuma ve Sentez

Bu aşamada AI gerçekten değer üretir. Uzun context window'lu modeller (Claude 3.5 Sonnet, Gemini 1.5 Pro, GPT-4.1) tek seferde 50-100 sayfa PDF'i sindirebiliyor.

Prompt pattern'leri:

Bu makaleyi okudum. Aşağıdaki yapıda özetle:
1. Çalışmanın araştırma sorusu (PICO formatında)
2. Yöntem (tasarım, örneklem, ölçüm aracı, istatistik)
3. Bulgular (sayısal değerlerle, p-değeri ve effect size dahil)
4. Sınırlılıklar (yazarların kendi belirttikleri + senin gördüklerin)
5. Bu makalenin alana katkısı (1 cümle)
6. Bu makaleye karşı eleştirilebilecek 3 nokta

Sentez için:

Sana 5 makale veriyorum. Hepsi konu Y üzerine yapılmış RCT.
Aşağıdaki tabloyu çıkar:
| Çalışma | n | Müdahale | Karşılaştırma | Birincil sonuç | Effect size | p |
Sonra şu soruları cevapla:
- Hangi çalışmaların sonucu birbiriyle çelişiyor?
- Bu çelişkinin metodolojik nedeni ne olabilir?
- Bir sonraki sistematik derleme için PICO sorusunu nasıl daraltırsın?

Faydası: İnsan bir paper'ı 45 dakikada okuyup özetlerken AI 5 dakikada yapar. Ama insanın eleştirel okuma değeri burada bitmiyor. AI'nın özetini gözden geçirip kabul etmek, yanlış yorumlanan kısmı düzeltmek, ekstra ince ayrıntıyı yakalamak hâlâ insanın işi.

Aşama 3: Yöntem ve İstatistik Tartışma

Akademisyenler için AI'nın en az tartışmalı kullanımı: kod yazımı, istatistik tartışması, yöntem netleştirmesi.

R / Python / SPSS asistanı:

• "Mixed effects model için R'da lme4 paketinde syntax nedir? Random intercept + random slope nasıl yazılır?"
• "Bu veri seti için hangi test uygun? Normallik testi sonuçları, varyans homojenliği şu şu."
• "Forest plot için metafor paketinde forest() fonksiyonu hangi argümanlarla çalıştırılır?"

Yöntem netleştirme:

• "Propensity score matching ile inverse probability weighting arasındaki kavramsal fark nedir? Hangi durumda hangisini tercih ederim?"
• "Bland-Altman analizinde %95 limits of agreement nasıl yorumlanır? Klinik anlam ile istatistiksel anlam farkı nedir?"

Önemli: AI bu noktada uzman değil, hızlı bir sözlük. Cevabı doğrulamadan kullanmak hata. Özellikle yeni metodolojik yaklaşımlarda (örnek: Bayesian network meta-analysis) cevap eksik veya yanlış olabilir. Cochrane Handbook, klasik istatistik kitapları ve metodolog danışmanlık hâlâ doğrulama katmanı.

Aşama 4: Manuscript Draft

İşte burası dikkat ve disiplin gerektiren bölge. Yapay zekanın yazdığı metni olduğu gibi kullanmak akademik etik açısından sorunlu, peer review aşamasında yakalanır.

Doğru kullanım:

• Outline yazımı: "Şu bulgulara dayalı bir Tartışma bölümünün outline'ı nasıl olur? Hangi alt başlıklar?"
• Cümle revizyon: "Bu cümleyi daha akıcı yazar mısın? Anlam bozulmasın."
• Çeviri katmanı: TR ile düşünüp, İngilizce yazma sürecinde dil revizyon asistanı.
• Karşı-argüman üretimi: "Bu Tartışma paragrafıma reviewer ne itiraz edebilir? Eksik noktalar?"

Yanlış kullanım:

• "Bana giriş yaz" deyip gelen 4 paragrafı kopyalamak. Tipik AI dili (overgeneralisation, vague claims, missing citations) peer reviewer için kırmızı bayrak.
• AI'nın ürettiği referansı doğrulamadan kullanmak. DOI'leri uydurabiliyor.
• AI'ya tamamen yazdırdığın manuscript'i tek yazar olarak imzalamak. ICMJE Vancouver kriterlerinin Madde 1'i ihlal: "substantial contribution to drafting" yok.

ICMJE'nin AI'ya bakışı (2024 güncellemesi):

"AI tools (including LLMs) cannot be listed as authors. AI cannot take responsibility for the work. If AI is used during drafting, this must be disclosed in the Methods or Acknowledgments section."

Yani: AI kullanımı yasak değil, ama açıklanmalı. Author listesine yazılmıyor. JAMA, Lancet, Nature, NEJM dahil tüm major dergiler 2024'ten itibaren disclosure zorunlu.

Aşama 5: Peer Review Hazırlığı

Manuscript hazır, submit etmeden önce AI'yı "düşman reviewer" olarak kullanmak son derece değerli.

Prompt pattern:

Sen sıkı bir reviewer'sın. Şu dergiye gönderilecek (örnek: BMC Medical Research Methodology) bu manuscript'i okuyorsun.
Aşağıdaki başlıklarda eleştirel rapor yaz:
1. Major revision'a yol açacak metodolojik zayıflıklar
2. İstatistik analiz seçimi: doğru mu, yanlış mı? Alternatif var mı?
3. Sonuçların yorumlanmasında overstatement var mı?
4. Sınırlılıklar bölümü yeterli mi?
5. Reporting standardı (örnek: PRISMA 2020, STROBE, CONSORT, TRIPOD) tam karşılanıyor mu?
6. Düzeltilmesi gereken minör 5 nokta (cümle, terminoloji, format).

Çıkacak rapor genelde gerçek reviewer raporunun %50-70'ini tahmin eder. Submit öncesi 1-2 tur self-review, major revision olasılığını ciddi düşürür.

Tezgâhüstü ek kullanım:

• Cover letter şablonu üretmek (kişiselleştirme gerekir).
• Editör yanıtı taslağı (özellikle major revision sonrası).
• Conflict of interest beyanı şablonu.

Disiplinler arası örnekler

Sağlık bilimleri: Klinik çalışma protokolü için CONSORT/STROBE checklist self-review, sistematik derleme PRISMA checklist, AI çalışmaları için TRIPOD-AI 2024 uyumu.

Sosyal bilimler: Anket geliştirme (madde havuzu üretme, ardından insan revizyonu), nitel veri kodlama (theme suggestion, ardından insan validasyon), APA stil revizyonu.

Mühendislik: Algoritma alternatifleri tartışması, kod refactoring (yine ardından insan testi), benchmark tablo şablonu, IEEE format revizyonu.

Hukuk: İçtihat sentezi (sahte içtihat riski yüksek, mutlaka doğrula), karşı-argüman üretimi, akademik makale yapısı.

Yapma listesi

• AI'ya kaynak ürettirme. Halüsinasyon riski yüksek.
• AI'nın çıktısını disclosure'sız kullanma. Major dergilerde disclosure zorunlu.
• AI'yı author listesine ekleme. ICMJE yasaklıyor.
• AI'nın ürettiği p-değeri veya effect size'ı doğrulamadan rapor etme.
• Acemi modelleri (3.5 öncesi, küçük free-tier modeller) ciddi akademik işte kullanma. Hata oranı yüksek.

Yap listesi

• Uzun context window'lu modeli (Claude 3.5 Sonnet+, Gemini 1.5 Pro+, GPT-4.1+) seç.
• Her AI çıktısını doğrulama katmanından geçir.
• Prompt'larını sakla, refine et, ekiple paylaş.
• Submit öncesi AI'yı düşman reviewer olarak çalıştır.
• AI kullanımını manuscript'te açıkça beyan et.

Doğru entegre edilmiş AI workflow'u, yıllık paper üretkenliğinizi %30-50 artırabilir. Yanlış entegrasyon ise tek bir retraction ile kariyer hasarı yaratabilir. Sınır, disiplin ile zenginleşmiş kullanımdır.