Yapay Zekâ
Bilimsel Araştırmalarda AI: Verimlilik Artışı vs Kalite Riskleri
AI Araştırma Asistanı Olarak
AI, birçok bilimsel alanda gerçek bir devrimdir; verileri işleme ve gerçek yaşam malzemeleri ve durumlarını modelleme yeteneği, birkaç yıl önce en güçlü süper bilgisayarların bile başaramadığı bir seviyededir.
Recent examples include diverse forms of AI being used for:
- Füzyon reaktörleri için yeni malzemeler bulma.
- Uzay teleskobunun görüntü netliğini geri kazandırma.
- Metal 3D baskı süreçlerini optimize etme.
- Güneş hücreleri, hidrojen elektrokatalizörleri, süpersert malzemeler, polimerler ve katı hal elektrolitleri için yeni malzemeler keşfetme.
These applications usually rely on highly specialized AI models, finely trained to examine a specific class of crystal or process a unique set of images.
Ancak, AI’dan bahsettiğimizde, daha geniş halk genellikle genel amaçlı LLM’leri (Büyük Dil Modelleri) düşünür. Bunlar şu anda ağırlıklı olarak metin yazma ve iyileştirme, ayrıca geleneksel arama motorlarına kıyasla daha gelişmiş, okunabilir sorgular gerçekleştirme için kullanılmaktadır.
Teorik olarak, bu sadece öğrencilerin denemeleri, kötü şiirler ve PowerPoint sunumları için değil, aynı zamanda bilimsel araştırmalar ve yayınlanmış makaleler için de geçerli olmalıdır.
Bu, prestijli bilimsel dergi Science1’de yayınlanan ve “Scientific production in the era of large language models” başlıklı yakın tarihli bir analizde açıklandığı gibi, iki ucu keskin bir kılıç olabilir.
Bu analizde, Kaliforniya Üniversitesi ve Cornell Üniversitesi araştırmacıları, LLM kullanan bilim insanlarının çıktısını önceki çalışmalarına kıyasla incelediler. LLM kullanmanın bilimsel makalelerin kalitesini artırabileceğini, ancak aynı zamanda daha düşük kaliteli araştırmaların hacmini artırarak akademideki mevcut sorunları şiddetlendirdiğini keşfettiler.
Özet
AI, yazım, keşif ve verimliliği hızlandırarak bilimsel araştırmaları hızla yeniden şekillendiriyor. Ancak aynı araçlar, akademiyi daha düşük kaliteli araştırmalarla doldurma riski taşıyor ve geleneksel değerlendirme ölçütleri ile hakemlik sistemlerini zorlayabilir.
Bilimsel Araştırma Makalelerinde AI Kullanımının Tespiti
İlk zorluk, LLM kullanımının bilimsel yazımda ne kadar yaygın olduğunu ve kimlerin kullandığını belirlemektir.
Şaşırtıcı olmayan bir şekilde, bu veriler araştırmacılar tarafından gönüllü olarak açıklanmaz; araçlar hâlâ yeni ve özellikle teknik veri ya da niş konularda hatalı olabilmektedir.
Araştırmacılar, arXiv, bioRxiv ve Sosyal Bilimler Araştırma Ağı (SSRN) gibi büyük bilimsel veri tabanlarından Ocak 2018 – Haziran 2024 tarihleri arasında 2 milyondan fazla makale derlediler.
Ardından, 2023’ten önce gönderilen – insan tarafından yazıldığı varsayılan – makaleleri AI‑tarafından üretilen metinle karşılaştırdılar.
Bu verileri kullanarak AI kullanımını tespit eden bir model geliştirdiler. Bu araçla, hangi bilim insanlarının LLM kullandığını ve ne zaman başladıklarını makul bir doğrulukla belirlediler. Daha sonra bu bilim insanlarının araçları benimsemeden önce ve sonra yayın hacimlerini, ayrıca bu makalelerin bilimsel dergiler tarafından kabul edilip edilmediğini izlediler.
AI’ın Bilimsel Araştırmaya Etkisi
Kaydırarak kaydırın →
| AI Etki Alanı | Olumlu Etki | Risk |
|---|---|---|
| Makale Yazımı | Artan netlik ve hız | Düşük kaliteli çıktının artan hacmi |
| Literatür Keşfi | Daha geniş, yeni araştırma görünürlüğü | Son veya atıf almamış çalışmalara yönelik yanlılık |
| Akademik Kariyerler | Daha yüksek verimlilik ölçütleri | Ölçütler gerçek beceriden ayrılıyor |
Daha Yüksek Verimlilik
İlk sonuç, LLM kullanmanın bilim insanlarının verimliliğini artırdığı; en azından yayın sayısı bakımından ölçüldüğünde –dir.
arXiv’de, LLM kullandıkları tespit edilen bilim insanları, AI kullanmadıkları görülenlere göre yaklaşık üçte bir daha fazla makale yayımladı. bioRxiv ve SSRN’de ise artış %50’yi aştı.
“Yayınla ya da yok ol” kültürü çoğu bilim insanının kariyer yolunu belirlediğinden, bu hacim artışı kariyer yolları üzerinde ciddi bir etki yaratmaktadır.
Başka bir bulgu, bu artışın İngilizceyi ana dili olarak konuşmayan bilim insanları için daha belirgin olduğudur.
Örneğin, Asya kurumlarıyla ilişkili araştırmacılar, algılayıcı onların LLM kullanmaya başladığını belirttikten sonra %43,0 ile %89,3 arasında daha fazla makale yayımladı.
Bu mantıklı; birçok bilim insanı teknik olarak parlak ve İngilizceyi (modern akademinin bir gerekliliği) okuyabiliyor, ancak ikinci bir dilde net, zarif cümleler kurmakta zorlanabiliyor.
LLM’lerin yaygın kullanımı, anadili İngilizce olmayanlar için oyun alanını eşitleyebilir, yüksek kaliteli araştırmaların yazarın dil akıcılığına bakılmaksızın uluslararası tanınırlık kazanmasına yardımcı olabilir.
Bilimsel Bilginin Daha İyi Keşfi
LLM’ler, Elicit, ResearchRabbit veya Scite gibi özel AI’lar kullanılarak belirli bir konuya ilişkin makaleleri bulmak için de kullanılabilir.
Bilimsel araştırmanın önemli bir kısmı, diğer makaleleri bulup okuyarak bilgi çıkarmak ya da yeni bağlamlarda yeniden kullanılabilecek deneysel protokolleri tanımlamaktan oluşur.
AI’lar genellikle daha yeni makalelere öncelik verir ve geleneksel arama motorlarına kıyasla atıf sayılarına daha az ağırlık verir. Bu nedenle, yeni fikirler ya da daha az tartışılan deneyler arayan bilim insanları için alternatif bir yol sunarlar.
“LLM kullanan insanlar daha çeşitli bilgi kaynaklarına bağlanıyor, bu da daha yaratıcı fikirlerin ortaya çıkmasını sağlayabilir.”
Keigo Kusumegi, Cornell Üniversitesi doktora öğrencisi
Bu hipotez, AI yardımıyla yazılmış makalelerin daha çeşitli bibliyografyalara sahip olup olmadığını ya da daha yenilikçi ve disiplinlerarası olup olmadığını kontrol ederek gelecekte test edilebilir.
AI Bilim ve Akademide Yeni Bir Sorun Olarak
Son yıllarda, özellikle sosyal bilimlerde, bilimsel araştırma tekrarlanabilirlik krizi yaşamaktadır.
Birçok makalenin sonuçları diğer araştırmacılar tarafından yeniden üretilemediği için, ciddi görünümlü çalışmalar hatalı ya da hatta sahte olabilir. Bu, bilim için “varoluşsal bir kriz” olarak tanımlanmıştır.
Tarihsel olarak, karmaşık yazım – daha uzun cümleler ve sofistike kelime dağarcığı – daha yüksek kaliteli araştırmaların bir göstergesi olarak kabul edilmiştir. Bu kesin bir ölçüt olmasa da, uzmança yazılmış araştırmaları kalitesiz analizlerden ayırmaya yardımcı olmuştur.
Buna karşılık, AI yardımıyla yazılan makaleler şu anda dergiler tarafından kabul edilme olasılığı daha düşüktür.
Genel olarak, bu durum “yayınlanan makale sayısı” metriğini araştırmacının gerçek yeteneğinden daha da koparıyor. Editörler ve hakemler, AI giderek daha verimli ve insan benzeri hale geldikçe en değerli gönderileri belirlemekte zorlanabilir.
Son olarak, “slop” denilen büyük hacimli sahte ama inandırıcı görünümlü araştırma makaleleri AI aracılığıyla üretilebilir. Bu risk yalnızca sosyal medyayla sınırlı değildir; hakemlerin zamanının zaten LLM’lerin ortaya çıkmasından önce kıt olduğu bilimsel araştırmalar için de önemli bir sorundur.
AI’ın Bilimsel Araştırmaların Geleceği İçin Ne Anlama Geldiği
AI bir araç olduğundan, araştırmacıların onu etkili bir şekilde kullanmayı öğrenmesi gerekir. LLM’leri araştırma laboratuvarlarından yasaklamak neredeyse imkânsızdır ve tespit edilmesi daha da zorlaşacaktır.
AI’nın bilimsel yazımda uyumlu ve üretken bir şekilde kullanılması, ileride belirleyici konu olacaktır.
“Şu anda soru ‘AI kullandınız mı?’ değil. Soru ‘AI’yı tam olarak nasıl kullandınız ve faydalı oldu mu?’”
Bilimde işe alım uygulamaları, yalnızca yayın hacmine dayanmak yerine derinlemesine mülakatlar ve teknik testler gibi niteliksel ölçütlere dönerek fayda sağlayabilir.
Benzer şekilde, hakemler ve bilimsel dergiler de uyum sağlamalıdır. Sahte makalelerin kitlesel üretimini engellemek için, bir gönderinin analiz öncesinde meşru bir araştırma laboratuvarından mı geldiğini doğrulayan sistemler gerekebilir.
Sonuçta, bir makalenin teknik unsurlarını derinlemesine anlamak, dilsel zarafetten daha çok kaliteyi değerlendirmede öncelikli unsur haline gelecektir.
AI Yeniliklerine Yatırım
Yatırımcı İçin Özet
AI destekli araştırma verimliliği doğrudan daha yüksek kaliteli sonuçlara dönüşmeyebilir. Uzun vadeli kazananlar, yalnızca içerik üretimi değil, hesaplama, altyapı ve doğrulamayı sağlayan şirketler olacaktır. Nvidia bu tezde merkezi bir konumda kalmaktadır.
Nvidia
Nvidia, oyun odaklı bir grafik kartı şirketinden, tüm teknoloji endüstrisine AI donanımı sağlayan dünyanın en büyük şirketine evrilmiştir.
AI‑özel donanımının öncüsü olarak Nvidia, araştırmacıların bu araçları kullanmasına ilk yardımcı olan şirket olmuştur. Nvidia GPU’ları için genel amaçlı bir programlama arayüzü olan “CUDA”, oyun dışı kullanım kapılarını açmış ve bugünün AI uygulamalarının yolunu hazırlamıştır.
“Araştırmacılar, GeForce adlı bu oyun kartını satın alıp bilgisayarlarına ekleyerek temelde kişisel bir süper bilgisayar elde ettiklerini fark ettiler.
Moleküler dinamik, sismik işleme, BT rekonstrüksiyonu, görüntü işleme – bir dizi farklı alan.”
Nvidia donanımının, doğrudan ya da Microsoft, Google, Meta ve OpenAI bulutları aracılığıyla, araştırmacılar için tercih edilen donanım olmaya devam edeceği muhtemeldir.
AI sermaye harcamalarının 2025’te 200 milyar dolara kadar ulaşması bekleniyor; bu, en büyük teknoloji şirketlerinin sürekli artan birikimli harcamalarının üzerine ekleniyor. Nvidia çip üretiminin artmasıyla yüksek performanslı RAM gibi diğer elektronik bileşenler de kıtlık yaşıyor.
Bilimsel araştırma, tüketici ya da B2B kullanımına kıyasla AI hesaplamasının büyük bir kısmını oluşturmasa da, yeni alaşımlar, ilaçlar ve bilimsel metodolojiler vaat ederek uzun vadede en etkili itici güç haline gelebilir.
(OkuyabilirsinizNvidia’nın tarihçesi, mevcut işi ve gelecekteki beklentileri hakkında daha fazla bilgiye, şirketle ilgili özel yatırım raporumuzda.)
Referans Çalışma
1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Scientific production in the era of large language models. Science. 18 Dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000
