1647’de cadılar aranıyordu; 2026’da yapay zekâ izleri. Peki, değişen yalnızca şüphelinin adı mı?
Bir zamBir zamanlar cadıları teşhis etmek için işaretler aranıyordu; bugün yapay zekâ kullananları teşhis etmek için üslup, kelime seçimi ve metin örüntüleri inceleniyor. Araçlar değişiyor; kanıtla şüphe arasındaki mesafe ise her zaman kapanmıyor.
1647’de Matthew Hopkins’in The Discovery of Witches adlı eseri, cadılık şüphesinin toplumsal korku ve otoriteyle birleştiği bir dönemin izlerini taşıyordu. Sıradan davranışlar, alışılmadık özellikler ve önceden benimsenmiş kanaatler suçluluk göstergesi olarak okunabiliyordu. Bugün, 2026’da, yükseköğretimde yapay zekâ kullanımı etrafındaki tartışmaların tarihsel cadı avlarıyla bire bir aynı olduğunu söylemek elbette mümkün değil. Ancak iki dönem arasında üzerinde düşünülmesi gereken bir mantık benzerliği var: Şüphe, kanıtın önüne geçtiğinde, araştırılması gereken bir iddia kolaylıkla verilmiş bir hükme dönüşebilir.
Geçmişte olağan dışı davranışlar, söylentiler ve kuşkulu görülen işaretler suçlamalara dayanak yapılabiliyordu. Bugün ise kusursuz görünen paragraflar, birdenbire yükselen yazım kalitesi, resmî bir anlatım, Amerikan İngilizcesi kullanımı veya üslup değişiklikleri yapay zekâ kullanımının göstergesi sayılabiliyor. Nitekim Birleşik Krallık’ta Joint Council for Qualifications (JCQ) rehberi, varsayılan Amerikan yazımı ve terimlerini, nitelik düzeyine uymayan sözcük seçimini, bulunamayan veya doğrulanamayan kaynakları ve öğrencinin önceki çalışmalarından farklı üslubu olası kötüye kullanım göstergeleri arasında sayıyor. Ancak rehber bu göstergeleri yalnızca olası bir işaret olarak sunuyor ve tespit araçlarının çıktısını da bütüncül bir değerlendirmenin parçası sayıyor. Bir işaret, tek başına kanıt değildir; bir olasılık da hüküm yerine geçemez.
Üstelik burada önemli bir ayrım var: Yapay zekâ kullanımından şüphelenmek ile akademik dürüstlüğün ihlal edildiğini kanıtlamak aynı şey değildir. Bir öğrencinin yapay zekâdan yararlanmış olması, çalışmasının bütünüyle kendisine ait olmadığı anlamına gelmez. Aynı şekilde, yapay zekâ kullanmadığını söylemesi de çalışmanın bilimsel bakımdan doğru, özgün veya güvenilir olduğunu kendiliğinden kanıtlamaz.
Mesele, bir aracın kullanılıp kullanılmadığından daha geniştir. Mesele, bilginin nasıl üretildiği, nasıl doğrulandığı ve sonuçların sorumluluğunu kimin üstlendiğidir.
Güven meselesi: Yalnızca yapay zekâyı kullananlar mı sorgulanmalı?
İngiltere’de yeterlilik sisteminin geleceğine ilişkin tartışmalar, meselenin yalnızca yapay zekâ kullanarak kopya çekme iddialarından ibaret olmadığını gösteriyor. Ofqual Baş Düzenleyicisi Sir Ian Bauckham, 16 Ekim 2026’da yaptığı konuşmada üç temel soruyu gündeme taşıdı: Yapay zekânın pek çok işi yapabildiği bir dünyada insanların ne bildiğini ve ne yapabildiğini kanıtlayan yeterliliklere hâlâ ihtiyaç var mı? Yeterliliklerde yapay zekânın kötüye kullanımı ve yapay zekâ kaynaklı kopya çekme nasıl ele alınmalı? Sınavların ve yeterlilik sisteminin yönetiminde yapay zekâya ne ölçüde izin verilmeli?
Bu soruların önemi, tartışmayı bireyin davranışından sistemin sorumluluğuna taşımasında yatıyor. Bauckham’ın yaklaşımında yeterliliklerin toplumsal güvenilirliği, teknolojik yenilik kadar önem taşıyor. Dijital değerlendirme yalnızca daha hızlı veya daha çağdaş göründüğü için benimsenmemeli; uygulanabilirliği, adaleti, erişim farklılıkları ve geniş ölçekte güvenilir biçimde işletilip işletilemeyeceği de hesaba katılmalı.
Burada dikkat çekici bir çelişki var. Yapay zekânın kötüye kullanılmasını önlemek istiyoruz; fakat aynı zamanda değerlendirme sistemlerinin kendisini de yapay zekâya ve dijital altyapılara daha fazla bağımlı hâle getirmeyi tartışıyoruz. O hâlde güven sorusu yalnızca “Bu metni kim yazdı?” değildir. “Bu değerlendirmeyi kim yaptı, hangi ölçütle yaptı, hata payı nedir ve yanlış bir kararın sorumluluğunu kim üstlenecek?” soruları da aynı ciddiyetle ele alınmalıdır.
Bu çelişki, Üretim–Doğrulama Açığı (PVG) çerçevesinde daha net görülür. Yapay zekâ metin üretimini ucuzlattıkça doğrulama yükü artar; ancak bu yükü hafifletmek için başvurulan tespit ve otomatik değerlendirme araçları da bir doğrulama faaliyetidir ve kendileri doğrulanmaya muhtaçtır. Doğrulayıcının doğrulanmadığı bir düzende açık kapanmaz, yalnızca bir üst katmana taşınır. Üretimi denetlemek için kurulan mekanizma kendi hata payını görünmez kıldığında, güvenin dayanağı olması gereken şey yeni bir belirsizlik kaynağına dönüşür.
Bir öğrencinin veya araştırmacının yapay zekâ kullanıp kullanmadığını belirlemeye çalışırken denetim sistemlerinin doğruluğunu sorgulamamak; teknolojik güvenilirliği tartışırken teknolojinin ürettiği kararları sorgulanamaz kabul etmek, aynı sorunun iki yüzüdür. Bir tarafta insanın ürettiği metne duyulan şüphe, diğer tarafta makinenin ürettiği değerlendirmeye duyulan aşırı güven bulunabilir.
Bu nedenle, “direksiyonda kim var?” sorusu; yalnızca yazarlar için değil, değerlendiriciler için de geçerlidir. Bir tespit aracının çıktısını yalnızca onaylayan değerlendirici, bir metni yalnızca onaylayan yazar kadar biçimsel kontrole, o ölçüde de gerçek muhakemeden uzaklığa sahiptir. Düğmeye insan basıyor olabilir; ancak kararın gerekçesini algoritma belirliyorsa sorumluluk yerinde durmaz. Bu yüzden her otomatik değerlendirmenin yanında şu soruların yanıtı da bulunmalıdır: Hata oranı nedir ve farklı gruplarda farklı mı çalışır? İtiraz yolu nedir? İnsan değerlendirici sonucu hangi gerekçeyle onaylayıp hangi gerekçeyle reddedebilir?
Bu nedenle akademik dürüstlüğü koruma çabası, yalnızca bireyleri daha sıkı denetlemekle sınırlı kalmamalıdır. Denetimin kendisi de kanıta, şeffaflığa, orantılılığa ve hesap verebilirliğe tabi olmalıdır. Aksi hâlde güveni korumak adına geliştirilen sistemler, güvenin hangi temelde kurulacağını belirsizleştirebilir.
Modern cadı avının asıl riski, yalnızca yanlış kişiyi suçlamak değildir; suçlamayı üreten mekanizmayı sorgulanamaz saymaktır.
İşaretler kanıt değildir; fakat kanıt aramak da suç değildir
İngiltere’de sınav ve değerlendirme sistemleri üzerine yürütülen tartışmalarda, yapay zekâ destekli kopya çekme ihtimali ve geleneksel değerlendirme yöntemlerinin yeterliliği önemli yer tutuyor. Bu kaygıların temelsiz olduğunu söylemek mümkün değil. Yapay zekâ, bir kişinin kendi başına üretmediği bir metni kısa sürede oluşturmasını kolaylaştırabilir; akademik emeğin kime ait olduğu sorusunu da daha karmaşık hâle getirebilir.
Fakat akademik dürüstlüğü koruma amacı, kullanılan her yöntemin güvenilir olduğu anlamına gelmez. Yapay zekâ tespit araçlarının çıktıları kendi başlarına kesin hüküm sayılmamalıdır. Bir metnin insan mı yoksa yapay zekâ tarafından mı üretildiği konusunda olasılıksal bir değerlendirme sunan araç, akademik ihlali kanıtlayan tarafsız bir hakem değildir. Bu kaygının ampirik dayanakları da var. Liang ve arkadaşlarının Patterns dergisinde yayımlanan çalışması, yaygın GPT tespit araçlarının ana dili İngilizce olmayan yazarların metinlerini orantısız biçimde yapay zekâ ürünü olarak işaretlediğini ortaya koyuyor. Daha basit ve daha öngörülebilir dil kullanan yazar, tam da bu yüzden şüpheli görünebiliyor. OpenAI’nin kendi metin sınıflandırıcısını düşük doğruluk gerekçesiyle 2023’te geri çekmesi de bu araçların sınırlarını geliştiricilerinin bile kabul ettiğini gösteriyor. JCQ rehberi de benzer bir çekince taşıyor: Tespit modellerinin doğruluğunun, kişinin İngilizce yeterliliği gibi etkenlere göre değiştiğini belirtiyor.
Bu bulgu, Türkiye gibi İngilizce akademik yayın baskısı altındaki bir bağlam için özellikle önemlidir. SSCI dergilerine yazan, İngilizceyi ikinci dil olarak kullanan bir araştırmacı, yazım kalitesini artırmak için ne yaparsa yapsın kuşku altına girebilir.
Öğrencinin metnindeki biçimsel düzgünlüğü suç belirtisi sayıp düzensizliği masumiyet işareti kabul etmek, ölçme ve değerlendirmeyi baştan sorunlu bir zemine taşır. Bir öğrenci iyi yazıyorsa neden iyi yazdığını açıklamak zorunda bırakılabilir; kötü yazıyorsa bu kez de yeterliliği sorgulanabilir. Böylece öğrenci, ne yaparsa yapsın kuşkuya açık bir konuma yerleştirilir.
Elbette birdenbire ortaya çıkan olağan dışı bir kalite artışı araştırılabilir. Ancak araştırmak ile peşinen suçlu kabul etmek arasında, akademik adaletin belirleyici olduğu bir mesafe vardır. Bu mesafeyi koruyamayan sistem, dürüstlüğü güvence altına almaktan çok, şüphenin idari bir rutine dönüşmesine hizmet edebilir.
Bilimsel titizlik, şüphe duymak kadar şüpheyi de sınamayı gerektirir.
Yapay zekâ çağının asıl paradoksu: Üretim artıyor, doğrulama geride kalıyor
Üretim–Doğrulama Açığı (Production–Verification Gap, PVG) kavramını tartıştığım çalışmamda ele aldığım temel sorun, tam da bu noktada belirginleşiyor. Yapay zekâ; bilgiye erişimi, metin üretimini, hipotez geliştirmeyi ve farklı alanlar arasında bağ kurmayı büyük ölçüde hızlandırıyor. Oysa üretim kapasitesindeki bu artış, doğrulama kapasitesinin de aynı hızla yükseldiği anlamına gelmiyor.
Yapay zekâ saniyeler içinde kapsamlı görünen bir açıklama, akademik bir paragraf, araştırma sorusu veya kaynakça üretebilir. Fakat açıklamanın doğru olup olmadığını, atıf yapılan kaynağın gerçekten o iddiayı destekleyip desteklemediğini, kullanılan yöntemin araştırma sorusuna uygunluğunu ve ulaşılan sonucun verilerden çıkarılıp çıkarılamayacağını aynı hızla garanti edemez.
Sorun ortadan kalkmıyor; yalnızca ağırlık merkezi üretimden doğrulamaya kayıyor. Metin üretmek kolaylaştıkça, üretilen metnin doğruluğunu sınamak; bilgiye erişim hızlandıkça, bilginin güvenilirliğini değerlendirmek; hipotez üretmek ucuzladıkça ise hipotezleri elemek ve yanlış olanları reddetmek bilimsel çalışmanın merkezine yerleşiyor. Başka bir deyişle, bilimsel çalışmada belirleyici olan, giderek daha fazla içerik üretmekten çok, üretilen içeriğin doğruluğunu sınamak ve güvenilirliğini ortaya koymak hâline geliyor.
Bu yalnızca teknik bir sorun değildir. Aynı zamanda bilimsel muhakeme ve sorumluluk sorunudur.
Bir metnin akıcı olması onun doğru olduğunu göstermez. Kaynakçasının uzun olması kaynakların gerçekten incelendiğini kanıtlamaz. İstatistiksel bir tablonun düzgün hazırlanması modelin doğru kurulduğu anlamına gelmez. Bir araştırmanın bilimsel terminolojiyle donatılması da araştırmanın bilimsel katkı sunduğunu tek başına göstermez.
Bütün bunlar yapay zekâdan önce de mümkündü. İnsanlar da yanlış bilgi üretiyor, hatalı çıkarımlarda bulunuyor, kaynakları seçici kullanıyor ve zayıf argümanları güçlü bir dille sunabiliyordu. Yapay zekânın değiştirdiği şey, bu sorunların varlığı değil; üretimin ölçeği, hızı ve ikna edici bir biçime sokulma kolaylığıdır.
İşte asıl tehlike burada: Yanlışın üretim maliyeti düşerken, yanlışın tespit maliyeti aynı ölçüde düşmeyebilir.
Direksiyonda kim var: İnsan mı, algoritma mı?
Yapay zekâ çağının en önemli sorusu, yalnızca kimin hangi aracı kullandığı değildir. Asıl soru, düşünsel sürecin yönünü kimin belirlediğidir.
Araştırmacı soruyu kendisi sorabilir, yapay zekâdan yanıt alabilir ve son metni kendisi onaylayabilir. İlk bakışta kontrol insandadır. Ancak araştırma sorusunun sınırlarını algoritmanın önerileri belirliyorsa, alternatif açıklamalar yeterince araştırılmıyorsa, seçilen kaynaklar bağımsız biçimde doğrulanmıyorsa ve insan yalnızca ortaya çıkan metni kabul ediyorsa, biçimsel kontrol ile gerçek muhakeme arasında bir ayrışma oluşabilir.
Direksiyonda oturmak, aracın yönünü gerçekten belirlemekle aynı şey değildir.
Bir başka ifadeyle, insanın son düğmeye basması, karar sürecinin bütünüyle insana ait olduğunu göstermez. Yapay zekâ hangi soruların önemli görüleceğini, hangi açıklamaların makul bulunacağını ve hangi kaynakların öne çıkacağını etkileyebilir. Araştırmacı bu etkileri sorgulamadan kabul ettiğinde, kararın biçimsel sahibi olmaya devam ederken düşünsel özerkliğini kısmen devretmiş olabilir.
Burada iki farklı araştırmacı profili ortaya çıkar. İlki, yapay zekâyı kendi muhakemesini genişletmek için kullanır: alternatif açıklamalar ister, karşı kanıt arar, kaynakları kontrol eder, varsayımlarını sınar ve gerektiğinde üretilen yanıtı reddeder. İkincisi ise soruyu verir, yanıtı alır, metni biçimsel olarak düzeltir ve ortaya çıkan ürünü kendi bilimsel katkısı olarak sunar.
İki durumda da yapay zekâ kullanılmıştır. Fakat bilimsel sorumluluk aynı ölçüde taşınmamıştır.
Bu nedenle akademik tartışmayı yalnızca “Yapay zekâ kullanıldı mı?” sorusuna indirgemek yetersizdir. Daha anlamlı sorular şunlardır: Yapay zekâ araştırmanın hangi aşamasında kullanıldı? Hangi iddialar bağımsız olarak doğrulandı? Araştırmacı, üretilen sonuçları sorgulayabilecek bilgi ve yöntem yeterliliğine sahip mi? Hata ortaya çıktığında sorumluluğu kim üstlenecek?
Bu soruların yanıtı, kullanılan aracın adından çok daha açıklayıcıdır.
Akademinin görünmez teşviki: Çok üret, hızlı üret, sorgulamayı sonraya bırak
Yapay zekâ tartışmasını yalnızca öğrenci davranışları üzerinden yürütmek, sorunun kurumsal boyutunu gözden kaçırır. Akademik sistemler yayın sayısını, üretim hızını ve ölçülebilir çıktıları ödüllendirirken doğrulama emeğini, metodolojik ihtiyatı ve bilimsel yargıyı aynı ölçüde ödüllendirmiyorsa, yapay zekânın etkisi yalnızca bireysel tercihlerle açıklanamaz.
Bir araştırmacıdan daha kısa sürede daha fazla yayın, daha fazla rapor, daha fazla proje ve daha fazla çıktı bekleniyorsa, üretimi hızlandıran araçların cazibesi şaşırtıcı değildir. Asıl mesele, bu hızın hangi bilim anlayışına hizmet ettiğidir.
Akademi, üretilen metin sayısını bilimsel ilerlemenin güvenilir bir göstergesi olarak kabul ederse yapay zekâ mevcut teşvikleri güçlendirebilir. Daha çok metin, daha çok atıf, daha çok biçimsel uyum ve daha çok görünürlük; fakat aynı ölçüde daha fazla doğruluk, özgünlük veya açıklayıcı güç olmayabilir. Bu durumda yapay zekâ yalnızca araştırmacının kapasitesini artırmaz; içinde çalıştığı sistemin zaaflarını da büyütür.
Ortaya ironik bir tablo çıkar: Bilimsel üretim hiç olmadığı kadar hızlanırken, üretilen bilginin ne kadarının gerçekten sınandığını anlamak zorlaşabilir. Akademik görünürlük artarken bilimsel katkının sınırları bulanıklaşabilir. Bilgi miktarı çoğalırken muhakeme emeği görünmezleşebilir.
Böyle bir düzende sorun yalnızca düşünmeden yazan araştırmacı değildir. Düşünmeden üretilmiş çıktıyı yeterince sorgulamadan ödüllendiren değerlendirme sistemi de sorunun parçasıdır. Bu nedenle akademik dürüstlük, yalnızca bireylere yasaklar koyarak korunamaz. Değerlendirme düzeninin de niteliği, doğrulamayı, yeniden üretilebilirliği ve gerekçelendirilmiş bilimsel yargıyı ödüllendirmesi gerekir.
Bilimsel şüphe ile modern cadı avı arasındaki sınır
Burada önemli bir yanlış anlaşılmayı önlemek gerekir: Yapay zekâ kullanımını denetlemek, kendi başına bir cadı avı değildir. Akademik dürüstlüğü korumak, öğrencinin emeğini güvence altına almak ve araştırma süreçlerini denetlenebilir kılmak meşru amaçlardır. Sorun, bu amaçların hangi kanıt standardıyla gerçekleştirildiğidir.
Bir öğrencinin çalışmasında şüpheli bir durum tespit edilmişse süreç; metnin oluşumuna ilişkin kanıtları, taslakları, kaynak kullanımını, öğrencinin açıklamalarını ve ilgili değerlendirme ölçütlerini dikkate almalıdır. Öğrenciye iddialara cevap verme olanağı tanınmalı; karar, tek bir tespit aracının sonucuna veya üslup benzerliğine dayandırılmamalıdır.
Benzer biçimde, akademik bir araştırmada yapay zekâ kullanımı tespit edildiğinde de otomatik olarak bilimsel ihlal sonucuna ulaşılmamalıdır. Kullanımın niteliği, beyan yükümlülükleri, ilgili kurumun kuralları, araştırmacının doğrulama emeği ve çalışmanın bilimsel geçerliliği ayrı ayrı değerlendirilmelidir.
Çünkü iki farklı sorun vardır: Birincisi, kimin ne ürettiği ve emeğin nasıl temsil edildiği; ikincisi, üretilen iddiaların doğru ve geçerli olup olmadığı. Bunlar ilişkili olmakla birlikte aynı soru değildir. Yapay zekâ kullanmadan hazırlanmış bir çalışma bilimsel bakımdan yanlış olabilir. Yapay zekâ desteğiyle hazırlanmış bir çalışma ise kaynakları, verileri, yöntemleri ve çıkarımları bağımsız olarak doğrulanmışsa bilimsel katkı sunabilir. Kullanım biçimini incelemek gerekir; yalnızca kullanımın varlığından hareketle hüküm vermek değil.
Cadı avı benzetmesinin asıl anlamı burada ortaya çıkar. Bir topluluk, belirsizliği yönetmek yerine onu hızlı bir suçlama yoluyla ortadan kaldırmaya yöneldiğinde, denetim adaletin aracı olmaktan uzaklaşabilir. Şüphe, araştırmayı başlatması gereken bir işaret olmaktan çıkar ve kendi başına hüküm veren bir mekanizmaya dönüşür.
Bilim, şüpheyi ortadan kaldırarak değil, şüpheyi kanıtın sınırları içinde tutarak ilerler.
Çözüm yasaklamak değil; üretim ile doğrulamayı birlikte tasarlamak
Yapay zekâ çağında akademik dürüstlüğü korumak için değerlendirme yöntemlerinin yeniden düşünülmesi gerekiyor. Bu, her teknolojik yeniliği sorgusuz kabul etmek anlamına gelmediği gibi, yeni araçları bütünüyle dışlamak anlamına da gelmez.
Öncelikle değerlendirme, yalnızca nihai ürüne değil, o ürünün oluşum sürecine de bakmalıdır. Öğrencinin veya araştırmacının kaynakları nasıl seçtiği, verileri nasıl işlediği, varsayımlarını nasıl gerekçelendirdiği ve ulaştığı sonuçları nasıl savunduğu önemlidir. Bu, somut uygulamalara dönüşebilir: Çalışmanın ara aşamalarının incelenmesi, ödevin önemli bölümlerinin gözetim altında tamamlanması, öğrenciyle çalışması üzerine kısa bir sözlü görüşme yapılması ve kaynakların örneklem yoluyla kontrol edilmesi gibi. Nitekim JCQ rehberi de ara aşamaların incelenmesini ve kısa sözlü görüşmeyi öneriyor.
İkinci olarak, yapay zekâ kullanımının hangi aşamalarda ve hangi amaçlarla gerçekleştiği açıkça beyan edilebilmelidir. Dil düzeltme, literatür taramasına destek, hipotez geliştirme, kod üretimi, veri analizi ve sonuç yorumlama aynı epistemik ağırlığa sahip değildir. Bunları tek bir “kullanıldı/kullanılmadı” ayrımına sıkıştırmak, gerçekte ne olduğunu anlamayı zorlaştırır.
Üçüncü olarak, doğrulama bağımsız ve görünür bir bilimsel faaliyet olarak değerlendirilmelidir. Kaynakların gerçekten var olup olmadığı, atıfların iddiaları destekleyip desteklemediği, verilerin yeniden incelenebilirliği, yöntemlerin uygunluğu ve sonuçların sınırları açıkça ortaya konulmalıdır.
Dördüncü olarak, akademik değerlendirme nicelikten niteliğe yönelmelidir. Daha çok çıktı üretmek ile daha fazla bilimsel bilgiye katkıda bulunmak birbirinden ayrılmalıdır. Bilimsel başarı, yalnızca kaç metin üretildiğiyle değil; hangi sorunun çözüldüğü, hangi iddianın sınandığı, hangi belirsizliğin azaltıldığı ve hangi sonucun bağımsız olarak doğrulanabildiğiyle değerlendirilmelidir.
Son olarak, yapay zekâ destekli değerlendirme ve hakemlik süreçlerinde nihai sorumluluk açıkça tanımlanmalıdır. Bir sistemin öneride bulunması, kararın gerekçesini üstlendiği anlamına gelmez. Algoritmik bir değerlendirme de insan denetiminin ve hesap verebilirliğin yerine geçmemelidir. Tespit araçları kullanılacaksa bile çıktıları yalnızca soruşturmayı başlatan bir ipucu olarak ele alınmalı, hata oranları kurum içinde şeffaf biçimde bilinmeli ve itiraz hakkı güvence altında olmalıdır.
Bunlar yalnızca teknik iyileştirmeler değildir. Bilimsel üretimin hangi ölçütlerle değerli sayılacağına ilişkin kurumsal tercihlerdir.
Sonuç: Şüpheyi otomatikleştirmek de kesinliği otomatikleştirmek de tehlikelidir
Yapay zekâ çağında iki farklı kolaycılık aynı anda gelişebilir. Bir tarafta, yapay zekâ kullandığı düşünülen herkesi potansiyel ihlal sahibi sayan otomatik şüphe; diğer tarafta, yapay zekânın ürettiği her akıcı metni bilgi, her tutarlı görünen açıklamayı bilimsel muhakeme sayan otomatik güven.
İlki, kanıtlanmamış bir şüpheyi hükme dönüştürür. İkincisi, doğrulanmamış bir iddiayı bilgi görünümüne sokar. İkisi de düşünsel sorumluluğu zayıflatır.
Yapay zekâyı yalnızca yasaklanması gereken bir tehdit olarak görmek, onun bilimsel araştırmaya sunduğu imkânları küçümser. Onu kendiliğinden güvenilir bir bilgi kaynağı olarak görmek ise doğrulama ihtiyacını gözden kaçırır. Yapay zekâ ne bilimin otomatik düşmanıdır ne de kendiliğinden dostu. Etkisi, onu kullanan kişinin epistemik kapasitesi kadar içinde çalıştığı teşvik ve sorumluluk düzenine de bağlıdır.
Bu nedenle geleceğin akademik tartışması, yalnızca kimin yapay zekâ kullandığını belirlemeye odaklanmamalıdır. Yapay zekâdan yararlanırken kimin düşündüğünü, hangi iddiaların nasıl doğrulandığını ve sonuçların sorumluluğunu kimin üstlendiğini de sorgulamalıdır. Çünkü bir sistemin ürettiği yanıtı kabul etmek, onu anlamakla; onu anlamak, doğrulamakla; doğrulamak da bilimsel sorumluluğu yerine getirmekle aynı şey değildir.
Ve belki de çağımızın en büyük ironisi şudur: Bilgi üretimini otomatikleştirebilecek kadar ilerlemiş olabiliriz; fakat bu, bilginin doğruluğuna karar verme sorumluluğunu otomatikleştirebildiğimiz anlamına gelmez.
Bir zamanlar cadı avlarında şüphe, hükmün önüne geçiyordu. Bugün akademide aynı tarihsel hatayı tekrarlamamak için yalnızca yanlış suçlamalardan değil, doğrulanmamış kesinliklerden de sakınmalıyız.
Bilimsel olgunluk, her soruya hızla yanıt üretmekte değil; üretilen yanıtın hangi kanıta dayandığını, nerede yanılabileceğini ve hangi koşullarda reddedilmesi gerektiğini gösterebilmekte yatar.
Direksiyonda kimin oturduğu önemlidir. Fakat bilim açısından daha önemli olan, rotanın hangi bilgiyle çizildiği, yolun hangi kanıtlarla denetlendiği ve yanlış bir yola girildiğinde sorumluluğu kimin üstlendiğidir.
Çünkü bilimde mesele yalnızca bir yere ulaşmak değildir. Nereye, nasıl ve hangi gerekçeyle ulaşıldığını hesap verebilir biçimde gösterebilmektir.
Kaynakça
- Hopkins, M. (2020). The discovery of witches. Bookey. https://cdn.bookey.app/files/pdf/book/en/the-discovery-of-witches.pdf (Original work published 1647)
- Joint Council for Qualifications (JCQ). (2025). AI Use in Assessments: Your role in protecting the integrity of qualifications (yürürlük: 30 Nisan 2025). https://www.jcq.org.uk/knowledge-hub/ai-use-in-assessments-your-role-in-protecting-the-integrity-of-qualifications-2/
- Ofqual / Sir Ian Bauckham (16 Ekim 2026). Bauckham, I. (2026, October 16). Connecting curriculum, assessment and trust – qualifications for the next decade [Speech]. Office of Qualifications and Examinations Regulation (Ofqual); Confederation of School Trusts Annual Conference, ICC, Birmingham. GOV.UK. https://www.gov.uk/government/speeches/connecting-curriculum-assessment-and-trust-qualifications-for-the-next-decade
- Liang, W., Yuksekgonul, M., Mao, Y., Wu, E. ve Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7).https://europepmc.org/api/getPdf?pmcid=PMC10382961
- Elmacı, O. (2026). Bilimin Yeni Sorusu: Yapay Zekâyı Kim Kullanıyor Değil, Direksiyonda Kim Var? Yapay Zekâ Çağında Bilimsel Muhakemenin Paradoksu. https://oelmaci.live/9412f
#YapayZekâ #AkademikEtik #EğitimdeDönüşüm #YapayZekâOkuryazarlığı #BilimselMuhakeme #ÖlçmeDeğerlendirme #HigherEducation #AcademicIntegrity
