Yapay Zeka ile Tıbbi Makale Yazımında Beyan Eden Kaybediyor, Yakalanan Daha Çok Kaybediyor

Yapay zeka ile tıbbi makale yazımı, akademik tıp yayıncılığının tartışma konusu olmaktan çıkıp günlük pratiği haline geldi. Springer Nature'ın Nisan 2026'da yayımladığı, 1.000'i aşkın araştırmacıyı kapsayan ankete göre araştırmacıların %69'u ChatGPT, Claude, Gemini gibi araçları araştırma veya yayın sürecinde düzenli ya da ara sıra kullanıyor. Buna karşılık üçte biri bu kullanımı dergiye hiç beyan etmemiş. Tıp, tablonun en disiplinli ucunda: katılımcıların %70'i her zaman beyan ettiğini, yalnızca %9'u hiç beyan etmediğini söylüyor. Fiili duruma bakınca makas yine de çarpıcı — Elsevier dergilerinde yayımlanan 1.998 radyoloji makalesi tarandığında yalnızca 34'ünde (%1,7) büyük dil modeli kullanımına dair bir ifade bulunmuş.

Kullanım tavana vurmuş durumda; yapay zeka beyanı ise tabanda sürünüyor. Bu makasın literatürdeki adı "şeffaflık paradoksu". Bu yazıda paradoksun üç ayağını ele alıyoruz: beyan etmek neden gerçekten maliyetli, gizlemek neden daha tehlikeli ve 2026 sonunda gelecek Vancouver Standardı oyunu nasıl değiştirecek.

Yapay zeka ile tıbbi makale yazımı 2026'da nasıl görünüyor?

Aynı ankete göre araştırmacıların birincil kullanım alanı çeviri ve özetleme; onu makale yazımı-düzenleme ile veri analizi ve modelleme izliyor. Yani yapay zeka artık idari kolaylık değil, çalışma tasarımından analize uzanan çekirdek araştırma faaliyetlerinin içinde. Nature'ın 1.600 araştırmacıyla yaptığı bir başka ankette katılımcıların %32'si araştırma fikri geliştirmek için bile üretken yapay zekaya başvurduğunu söylüyor.

Araç ekosistemi de aşamalara göre ayrışmış durumda. Genel amaçlı sohbet modelleri — ChatGPT, Claude, Gemini, Copilot, Grok, DeepSeek — taslak yazımından dil düzeltmeye her aşamada kullanılıyor. Literatür tarafında Perplexity, Elicit, Consensus, ResearchRabbit ve Litmap gibi araçlar kaynak keşfi vadediyor; NotebookLM ve ChatPDF yüklenen makaleleri özetliyor; Paperpal ve Grammarly editing katmanında, DeepL ve Google Translate çeviri katmanında çalışıyor.

Ancak araştırma bütünlüğü literatürünün bu araçları sistematik test eden çalışması, pembe tabloya ciddi çekinceler düşüyor. Literatür tarama araçlarının testinde bir senaryoda bulunan kaynakların %90'ı sorulan soruyla alakasız çıktı; araçlar akademik olmayan içerikleri, hatta işaretlenmemiş yağmacı dergi bağlantılarını listeledi ve ikna edici görünen uydurma referanslar üretti. Özetleme testinde ChatPDF, yüklenen makalenin yazar listesini dahi halüsine ederken NotebookLM aynı soruları doğru yanıtladı. Editing testinde Claude 3.5 Sonnet tabanlı Paperpal, değiştirilmemesi gereken standart bir terimi yeniden yazmayı önerdi. Araç hangisi olursa olsun ilke aynı: çıktı, kullanan araştırmacının doğrulamasından geçmeden makaleye giremez — ve sorumluluk her koşulda yazarda kalır.

AI izi nedir? Tıbbi makalenizde iki ayrı iz var

AI izi, bilimsel bir metinde yapay zeka kullanımına işaret eden her türlü bulgudur. İki biçimde ortaya çıkar: metnin üslubuna sinen istatistiksel parmak izi (kelime ve cümle örüntüleri) ve kullanımın kayıt altına alınması gereken süreç izi (hangi araç, hangi aşamada, hangi görev için kullanıldı).

Birinci iz ölçülebilir hale geldi. Yapay zeka konferanslarına gönderilen hakem raporları üzerinde yapılan büyük ölçekli bir analiz, raporların %6,5 ila %16,9'unda basit dil düzeltmesinin ötesine geçen dil modeli müdahalesi tespit etti. Aynı çalışmada "commendable", "meticulous", "intricate" gibi sıfatların sıklığı, tarihsel taban değerlere göre 9,8 ila 34,7 kat artmıştı. Metne sinen bu kelime enflasyonu, yazarın haberi bile olmadan makalesini işaretliyor.

İkinci iz ise dergilerin asıl istediği şey: sürecin belgelenmesi. Hangi araç, hangi sürüm, hangi bölümde, ne için kullanıldı ve çıktı nasıl doğrulandı? Birinci iz kozmetik bir sorun; ikincisi yapısal bir yükümlülük. Yazının geri kalanı bu ikinci izin nasıl yönetileceği üzerine.

AI dedektörleri neden hem yakalıyor hem yanlış suçluyor?

2023'te üç İngiliz akademisyen ilginç bir deney yaptı: yükseköğretimde ChatGPT ve intihal üzerine bir makaleyi, tartışma bölümüne kadar tamamen ChatGPT'ye yazdırıp saygın bir dergide yayımladılar. ChatGPT'nin metne yerleştirdiği referansların tamamı "inandırıcı ama tümüyle kurgu" çıkmıştı; yazarlar bunları elle gerçek kaynaklarla değiştirdi. Makale bugüne dek 350 binin üzerinde görüntülendi ve tespit meselesinin daha o gün bir silahlanma yarışı olduğunu gösterdi: dönemin dedektörü ChatGPT metinlerini %100'e yakın skorla yakalıyordu, ama modele "lisans öğrencisi gibi yaz" talimatı vermek bile skoru ancak %97'ye düşürüyordu. O günden bu yana modeller büyüdü, atlatma teknikleri basitleşti.

Madalyonun öbür yüzü Türk araştırmacıyı doğrudan ilgilendiriyor. Tespit araçlarını sistematik olarak test eden uluslararası bir çalışma, dedektörlerin genel olarak güvenilmez olduğunu ve kritik bir bulguyu ortaya koydu: insan elinden çıkmış bir metin makine çevirisinden geçtiğinde dedektörlerin güvenilirliği belirgin biçimde düşüyor. Türkçe yazıp DeepL ya da benzeri bir araçla İngilizceye çeviren bir araştırmacı, tek satır yapay zeka kullanmadan "AI çıktısı" damgası yiyebilir. Nitekim radyoloji taramasındaki beyanların çoğunluğunun ana dili İngilizce olmayan kurumlardan gelmesi tesadüf değil — dil desteği en çok bu grubun işine yarıyor ve en çok bu grup beyan ediyor.

Sonuç net: tespit teknolojisi ne dergiler için sağlam bir denetim mekanizması ne de yazarlar için güvenli bir saklanma garantisi. Nature'ın 2025'te haberleştirdiği gibi, gönüllü "bilim dedektifleri" beyan edilmemiş yapay zeka kullanımı taşıyan yüzlerce yayını yayın sonrası ifşa etmeye çoktan başladı. Denetim boşluğu, ifşa riskini ortadan kaldırmıyor; sadece zamanlamasını belirsizleştiriyor.

Beyan neden güven kaybettiriyor?

Beyan konusundaki isteksizlik bir paranoya değil; ölçülmüş bir gerçeklik. Organizasyon davranışı alanının önde gelen dergilerinden birinde yayımlanan 13 deneylik bir seri, yapay zeka kullandığını beyan eden kişilere duyulan güvenin — profesörden iş başvurusu yapan adaya, yatırım fonundan grafik tasarımcıya kadar her senaryoda — beyan etmeyenlere göre tutarlı biçimde düşük olduğunu gösterdi. Mekanizma "meşruiyet" algısı: değerlendirici, işin saf insan emeği olmadığını öğrenince yaptığı işi örtük olarak daha az meşru buluyor. Etki, beyanın gönüllü ya da zorunlu olmasından bağımsız; teknolojiye olumlu bakan değerlendiricilerde zayıflıyor ama kaybolmuyor.

Akademik değerlendirme tarafında da tablo benzer. Deneysel bir çalışmada, yapay zeka desteği açıklanan metinler 5 puanlık ölçekte 0,32 puan daha düşük değerlendirildi; ceza, yapay zekanın taslak ürettiği durumlarda salt düzenleme yaptığı durumlara göre daha ağırdı ve kendi yazarlığına en çok güvenen değerlendiriciler en sert notu kırıyordu.

Buraya kadar okuyanın aklına gelen soru meşru: madem beyan cezalandırılıyor, neden beyan edeyim? Aynı deney serisinin 13. çalışması cevabı veriyor. Yapay zeka kullanımı üçüncü bir tarafça ifşa edilen kişiye duyulan güven (2,49), kendisi beyan edene (3,15) göre de sessiz kalana (4,02) göre de belirgin ölçüde düşüktü. Beyan bir maliyet; ifşa edilmek daha büyük bir maliyet. Üstelik gizlemenin normatif bir bedeli de var: Avrupa Araştırma Bütünlüğü Davranış Kuralları (ALLEA), içerik üretiminde yapay zeka kullanımını gizlemeyi açıkça araştırma bütünlüğü ihlali olarak tanımlıyor. Yani denklem üç değişkenli — beyan puan kaybettirir, ifşa itibar kaybettirir, gizleme kural ihlalidir. Rasyonel tercih, beyanı iyi yönetmekten geçiyor.

Yapay zeka ile tıbbi makale yazımı yasak mı? Kurallar bugün ne diyor

Yasak değil; koşullu serbest. Yazarlık cephesi netleşmiş durumda: COPE'un pozisyon bildirisi, yapay zeka araçlarının yazarlık kriterlerini karşılayamayacağını söylüyor — sorumluluk üstlenemez, çıkar çatışması beyan edemez, telif sözleşmesi imzalayamaz. ICMJE önerileri aynı çizgide. Yayın etiği literatürü bir adım öteye gidiyor: yapay zeka teşekkür bölümüne de yazılmamalı — teşekkür, edilen kişinin onayını ve dolaylı sorumluluğunu ima eder; modelin ikisi de yok. Doğru yer, tıpkı SPSS ya da R gibi, metin içinde kullanım tarifi ve gerektiğinde kaynakçada atıf. Aynı literatür yasakların da işe yaramadığını gösteriyor: Science'ın ilk dönemdeki tam yasağına karşılık Nature ve JAMA şeffaflık koşuluyla izin yolunu seçti, çünkü yasak denetlenemiyor ve kullanımı yeraltına itiyor.

Peki masanın öbür tarafı ne bekliyor? 2025'te 18 dergi editörüyle yapılan nitel bir çalışma — dokuzu baş editör — fiili beklentiyi üç parçaya indirgemiş: aracın adı ve sürümü, yapılan işin tanımı, sorumluluğu üstlendiğinizi belirten bir cümle. Yer tercihi de net: teşekkür bölümü değil, Methods. Yazım-dilbilgisi düzeltmesi çoğu editör için eşik altı ("bu araçlar zaten hep vardı" yaklaşımı); metnin fikri içeriğine dokunan her kullanım eşik üstü. Arada kalan gri bölge içinse editörlerin ortak formülü var: tereddütteyseniz beyan edin. Aynı çalışmanın rahatlatıcı bulgusu, editörlerin kendilerini cezalandırıcı değil "normları yazarlarla birlikte inşa eden" tarafta konumlandırması — ve düşündürücü bulgusu, beyanların yıldan yıla kısalıp yüzeyselleşmesi. Kurallar oturmadan pratik aşınıyor.

Türkiye'deki düzenleyici çerçevenin genel görünümü için sağlık bilimleri araştırma mevzuatı rehberimize bakabilirsiniz; yapay zeka beyanı henüz ulusal mevzuatın değil, dergi politikalarının ve uluslararası standartların konusu.

Yapay zekayla istatistiksel analiz neden en riskli katman?

Yapay zeka ile tıbbi makale yazımı tartışması çoğunlukla metin üzerinden yürüyor; oysa klinik araştırmacı için asıl riskli bölge analiz katmanı. Genel amaçlı modeller artık Python kütüphaneleri üzerinden istatistiksel analiz yürütebiliyor ve araştırma bütünlüğü literatürü bunun iki bedeline işaret ediyor. Birincisi, hız ve erişim kolaylığının deneyimsiz kullanıcıda p-hacking'i — istatistiksel anlamlılık var ama teorik anlam yok durumunu — artırma potansiyeli. İkincisi, modellerin stokastik doğası: aynı veriye aynı soruyu iki kez sorduğunuzda farklı yorum alabiliyorsunuz, bu da bulguların tekrarlanabilirliğini zedeliyor. Aynı çalışmanın nitel analiz testi daha da çarpıcı: Claude 3 Opus'a 160 makalelik bir veri tabanında tematik analiz yaptırıldığında model temaları hızla üretti, ancak temaları desteklemesi istenen alıntıları kaynak metinde hiç var olmayan cümlelerden uydurdu.

Bu yüzden analizde yapay zekanın güvenli rolü, testi yürütmek değil süreci hızlandırmak: hangi testin uygun olduğuna insan karar verir, varsayımları insan kontrol eder, çıktıyı insan doğrular. Test seçiminin sistematiği için istatistik testi karar ağacı rehberimiz, çoklu test kaynaklı yalancı anlamlılık riski için çoklu karşılaştırma ve Bonferroni yazımız bu kararların insan tarafını anlatıyor. Analizde yapay zeka kullanıldıysa bu da beyan kapsamındadır — hem de metin düzeltmeden çok daha yüksek öncelikle.

Vancouver Standardı neyi değiştirecek?

Sorunun kökü, her yayıncının kendi beyan kuralını yazması. Bu dağınıklığa karşı Uluslararası Bilim Konseyi (ISC), COPE, STM ve Global Young Academy, Dünya Araştırma Bütünlüğü Konferansları Vakfı (WCRIF) çatısı altında ortak bir girişim başlattı: araştırmada yapay zeka beyanı için küresel bir raporlama standardı. Girişim, 3–6 Mayıs 2026'da Vancouver'da yapılan 9. Dünya Araştırma Bütünlüğü Konferansı'nın odak oturumunda şekillendiği için taslağın adı şimdiden kondu: Vancouver Standardı. Hedef, yazar katkılarını standardize eden CRediT taksonomisinin yapay zeka karşılığını üretmek.

Süreç üç konsültasyon turuyla ilerliyor. Aralık 2025–Şubat 2026'daki ilk turda ihtiyaç haritası çıkarıldı; Scholarly Kitchen'daki değerlendirmeye göre sonuçlar hem manzaranın karmaşıklığını hem de netlik için güçlü bir talebi ortaya koydu. Şu an açık olan ikinci tur (Temmuz–Ekim 2026) işin kalbine iniyor: beyan eşiği nerede başlayacak, kullanım 18 kategorili bir taksonomiyle mi sınıflanacak, yapay zeka kullanılmadığında bile "kullanılmamıştır" ibaresi (negatif beyan) zorunlu olacak mı ve insan denetimi ile doğrulama nasıl raporlanacak? Görüşler 16 Ekim 2026'ya kadar toplanıyor ve süreç herkese açık — araştırma üreten her hekim ISC'nin anketine katılabilir. Nihai taslak 2026 sonu–2027 başında bekleniyor.

Yön zaten belli. STM Eylül 2025'te yapay zeka kullanımını sınıflandırma ve etiketleme önerilerini yayımladı; akademik literatürde de kademeli beyan çerçeveleri tartışılıyor: yazım düzeltmesi için beyan yok, dil iyileştirmesi için tek cümle, içerik katkısı için ayrıntılı rapor, fikri üretim için prompt kayıtlarına kadar inen kapsamlı belgeleme. "Kullandın mı, kullanmadın mı" ikiliği bitiyor; yerine "ne kadar, nerede, kim doğruladı" sorusu geliyor.

Bugün ne yapmalı? Hekim araştırmacı için beyan protokolü

Standart otururken beklemek lüks değil; şu anki gönderileriniz bugünkü kurallarla değerlendiriliyor. Beş adımlık pratik bir protokol öneriyoruz.

1. Süreç günlüğü tutun. Hangi araç, hangi sürüm, hangi tarihte, hangi bölüm için, hangi görevde kullanıldı — ChatGPT'de taslak, Claude'da düzenleme, DeepL'de çeviri gibi karışık iş akışlarında bu kayıt hayati. Beyan cümlesini gönderim gecesi hafızadan yazmak, eksik ya da yanlış beyanın en sık nedeni.

2. Beyanı Methods'a yazın ve ölçekleyin. Teknik kullanımda kısa, fikri katkıda ayrıntılı olun. Editörler prompt dökümü değil, güven veren bir çerçeve istiyor.

3. Doğrulamayı anlatın. Beyanın en çok güven inşa eden parçası, çıktıyı nasıl kontrol ettiğinizi söyleyen cümle. Hedef, birebir tekrarlanabilirlik değil kredibilite — editör çalışmasının kendi ifadesiyle, aynı prompt iki kez farklı yanıt üretirken tekrarlanabilirlik zaten gerçekçi bir çıta değil.

4. Hazır kalıptan uyarlayın. Editörlerin örnek gösterdiği format "ChatGPT 4o (Mayıs 2024 sürümü)" düzeyinde somutluk içeriyor; Claude, Gemini ya da başka bir model için aynı şablon geçerli.

   İngilizce: "During the preparation of this manuscript, the authors used [araç, sürüm, tarih] to [görev] in the [bölüm] section. All AI-assisted content was reviewed, verified against the cited sources, and edited by the authors, who take full responsibility for the accuracy and integrity of the final text."

   Türkçe (tez ve etik kurul dosyaları için): "Bu çalışmanın hazırlanması sırasında yazarlar, [bölüm] bölümünün [görev] amacıyla [araç, sürüm, tarih] aracını kullanmıştır. Yapay zeka destekli tüm içerik yazarlar tarafından gözden geçirilmiş, kaynaklarla doğrulanmış ve düzenlenmiştir; nihai metnin doğruluğu ve bütünlüğüne ilişkin tüm sorumluluk yazarlara aittir."

5. Yükleme sınırlarını bilin. Hasta verisi, yayımlanmamış veri setleri, telifli tam metinler ve hakemlik yaptığınız yazmalar üçüncü taraf yapay zeka araçlarına yüklenmez. Araştırma bütünlüğü literatürü bunların her birini ayrı bir ihlal kategorisi olarak tanımlıyor; bazı dergiler kendi içeriklerinin yapay zeka araçlarına yüklenmesini yayın koşullarında açıkça yasaklamış durumda.

Kullanım tipine göre karar tablosu:

AI izi silinecek bir leke değil, yönetilecek bir kayıt

Yapay zeka ile tıbbi makale yazımının 2026'daki gerçek sorusu "kullanmalı mıyım" değil, "kullanımı nasıl belgelemeliyim". Şeffaflık paradoksunun çözümü metni "temizlemek" değil; süreci baştan sağlam kurmak. Model İstatistik olarak analiz ve yazım süreçlerimiz insan yürütümlü ve adım adım belgelidir; her teslimde hedef derginin politikasına uygun beyan metnini projeyle birlikte hazırlıyoruz. Böylece makaleniz hem hakem önünde savunulabilir hem de 2027'de yürürlüğe girecek standartlara şimdiden hazır oluyor.

Bu konuda profesyonel rehberlik almak ister misiniz? Projenizi birlikte değerlendirelim.