Makine, Öğrenme İllüzyonu ve 30.000 Makalelik Yığın

GLP-1 reseptör agonistleri üzerine bir kitap yazmaya oturduğumda amacım tek bir kitaptı: farmakolog gözüyle, mekanizmadan klinik sonlanıma kadar giden, kaynaklı bir metin. Ortaya 14 bölümlük, 48 sayfalık, 71 kaynaklı, dizgisi tamamlanmış bir kitap ortaya çıktı. Kitabın tamamı burada:

📕 GLP-1 Reseptör Agonistleri — kitabın tam metni (PDF, 48 sayfa)

Ama bu yazının konusu kitabın kendisi değil. Bir yanda yapay zekânın öğrenmeyi zayıflattığına dair kanıtlar birikiyor; diğer yanda ben aynı araçla bir kitap yazıp konuyu klasik yoldan öğrendiğimden daha iyi öğrendiğimi düşünüyorum. Bu çelişki değil: kanıtların işaret ettiği zarar aracın kendisinden değil, kullanım biçiminden geliyor. Yazının asıl iddiası bu — ve kitap, bunun somut bir örneği.

Önce sorun: GLP-1 literatürü artık okunabilir bir yığın olmaktan çıktı

Bu yazıyı yazarken PubMed'e baktım (23 Temmuz 2026, başlık/özet taraması): GLP-1 reseptör agonistleri için 30.192 kayıt var. Bunların 1.338'i sistematik derleme ya da meta-analiz, üstelik 1.011'i yalnızca son beş yılda yayımlanmış.

Bu sayılar klasik tavsiyeyi işlevsiz bırakıyor. "Sistematik derlemeleri oku" demek, önünüze 1.338 başlık koymak demek. Hangisinin sağlam olduğunu anlamak, konuyu öğrenmekten önce gelen ayrı bir iş.

Ve bu ayıklama işi göründüğünden zor. Somut bir örnek, tam da bu yazının konusundan: "ChatGPT öğrenmeyi iyileştiriyor" iddiasıyla en çok dolaşıma giren meta-analiz — 51 çalışmayı birleştiren, hakemli bir dergide, Nature portföyünde yayımlanmış bir çalışma — Nisan 2026'da geri çekildi; gerekçe, meta-analizdeki tutarsızlıkların editörün analizin geçerliliğine olan güvenini ortadan kaldırmasıydı (geri çekme notu). Yani "hakemli" ve "meta-analiz" etiketleri tek başına yeterli bir filtre değil.

İşte bir kitabı kendiniz için yazmanın ilk gerekçesi bu: yığını sizin sorunuza göre süzen, kararı size bırakan bir metin, hazır bir derlemeden daha kullanışlı oluyor.

Peki yapay zekâ öğrenmeye ne yapıyor?

Bu soruyu duygusal değil, kanıtla cevaplamak gerekiyor. Elimizdeki en iyi çalışma, tesadüfen, Türkiye'de yapıldı.

Bastani ve ark. (PNAS, 2025), Türkiye'de büyük bir lisede 9, 10 ve 11. sınıflardan yaklaşık 1.000 öğrenciyle saha deneyi yürüttü. İki farklı yapay zekâ asistanı dağıtıldı: biri standart ChatGPT arayüzünü taklit eden "GPT Base", diğeri öğrenmeyi korumak üzere tasarlanmış — cevabı vermek yerine öğretmenin hazırladığı ipuçlarını veren — "GPT Tutor". Sonuç iki katmanlı: asistan elinin altındayken performans belirgin biçimde artıyor (GPT Base ile notlarda %48, GPT Tutor ile %127 iyileşme). Ama erişim geri alındığında GPT Base grubu, yapay zekâyı hiç görmemiş öğrencilerden %17 daha kötü performans gösteriyor. GPT Tutor'daki koruma kalkanları bu zararı büyük ölçüde ortadan kaldırıyor. Yazarların ifadesiyle öğrenciler, korumasız araçta GPT-4'ü bir "koltuk değneği" olarak kullanıyor.

Bu tek bulgu yazının tezini özetliyor: zarar araçtan değil, cevabı hazır almaktan geliyor.

Yanına birkaç çalışma daha koyulabilir:

• Gerlich (Societies, 2025), 666 katılımcılık karma yöntemli bir çalışmada, sık yapay zekâ kullanımı ile eleştirel düşünme puanları arasında anlamlı negatif korelasyon buldu; aradaki köprü "bilişsel yük boşaltma" (cognitive offloading). Kesitsel bir çalışma olduğu için nedensellik kurmuyor, eğilimi gösteriyor.
• Lee ve ark. (CHI 2025), 319 bilgi çalışanından 936 gerçek kullanım örneği topladı: yapay zekâya duyulan güven arttıkça eleştirel değerlendirme azalıyor, kişinin kendi uzmanlığına duyduğu güven arttıkça artıyor.
• Kosmyna ve ark. (2025), 54 katılımcıyı dört oturum boyunca EEG ile izledi; LLM kullanan grupta en zayıf nöral bağlantılanma görüldü, katılımcılar dakikalar önce kendi yazdıkları metinden doğru alıntı yapmakta zorlandı ve metni sahiplenme duyguları en düşük seviyedeydi. Bu çalışma bir ön baskı; örneklem küçük ve yayımlanmış metodolojik eleştirileri var. Yani kesin dille değil, "ön bulgu" diliyle aktarılması gereken bir kaynak — bu yazının ilerleyen kısmında anlatacağım kanıt kademesi kuralının kendisi burada işliyor.

Dikkat edilmesi gereken bir nokta var: "yapay zekâ sinapsları azaltıyor" diyen bir kanıt yok. Ölçülen şeyler EEG düzeyinde bağlantılanma, hatırlama başarısı ve erişim kesildikten sonraki sınav performansı. Ama pratik sonuç aynı yere çıkıyor — öğrenmeyi sağlayan zihinsel çabayı devrederseniz, öğrenmenin kendisi de devroluyor.

Öğrenmenin nerede olduğuna dair iki eski bulgu

Bu tablo, öğrenme psikolojisinin yarım asırlık iki klasik bulgusuyla birlikte okununca anlam kazanıyor:

• Üretme etkisi (Slamecka ve Graf, 1978): Bir bilgiyi okumak yerine kendiniz üretirseniz, o bilgi daha kalıcı oluyor.
• Test etkisi (Roediger ve Karpicke, 2006): Bilgiyi tekrar tekrar okumak yerine hafızadan geri çağırmak, uzun vadeli kalıcılığı belirgin biçimde artırıyor.

İkisinin ortak paydası, çabanın kendisinin öğrenmenin mekanizması olması. Hazır cevap, tam da bu mekanizmayı devre dışı bırakıyor. GPT Base ile GPT Tutor arasındaki fark da burada: biri çabayı ortadan kaldırıyor, diğeri çabayı yönlendiriyor.

Kitap yazmak neden farklı bir kullanım biçimi

Kendi kitabınızı yazarken üretme ve geri çağırma sizde kalıyor. Otomatikleşen kısım, öğrenmeyle ilgisi olmayan kısım:

Kazanç iki taraflı: literatürü tarama ve biçim işleri için harcanacak haftalar geri geliyor; buna karşılık metni yazma, karar verme ve yorumlama yükü — yani sinapsları çalıştıran kısım — yerinde duruyor. Üstelik kitap benim ihtiyacıma göre şekilleniyor: bir farmakolog için kritik olan yerlerde derinleşiyor, gerisinde durup geçiyor. Hazır bir derlemede bu ayarı yapamazsınız.

Bunu Bastani çalışmasının diliyle söylersem: kitap-yazma skill'i benim koruma kalkanım. Cevabı hazır vermesin diye değil — sırayı, kuralı ve doğrulamayı koruyup kararı bana bıraksın diye kurulmuş bir çerçeve.

Kitabın kendisi: GLP-1 agonistleri

Kitabın iskeleti şuydu: giriş ve tanımlar, tarihçe, inkretin fizyolojisi, PK/PD, moleküler mekanizma, yapı-kimya, tip 2 diyabette klinik kanıt, obezite, kardiyovasküler sonlanımlar, nörolojik etkiler, yan etkiler, ilaç etkileşimleri, özel popülasyonlar ve gelecek.

Farmakolog için kritik olan yerlerde derinleştim: GLP-1R'nin Sınıf B GPCR olarak iki adımlı bağlanma mekanizması, Gs ve β-arrestin yolakları arasındaki taraflı sinyalleşme, etkinin glukoza bağımlı olmasının sülfonilürelerle karşılaştırıldığında ne anlama geldiği, kardiyovasküler sonlanım çalışmalarının tasarım farkları, ve ameliyat öncesi aspirasyon riski gibi doğrudan pratiğe değen konular.

Teknik taraf şöyleydi:

• \documentclass[10pt,twoside,twocolumn]{book}, XeLaTeX, Türkçe için polyglossia
• Gövde fontu Palatino — ders kitabı hissi veren, uzun okumada yormayan bir seçim
• Beş adet tcolorbox kutu tipi: klinik kutusu, mekanizma kutusu, kanıt kutusu, uyarı kutusu ve özet tablo
• natbib + BibTeX ile atıflar, 15 tablo, 18 şekil yuvası

Bu iskeletin hiçbiri sıfırdan tasarlanmadı. Daha önce Gbelikte ve Laktasyonda İlaç Güvenliği kitabını yazarken oturmuştu; PROTAC kitabında kopyalandı; GLP-1'de üçüncü kez kullanıldı. Üçüncü tekrarda artık bunun bir şablon değil, bir süreç olduğu belliydi.

Görseller: her şekil bir yere dayanır

Bilimsel kitapta en çok zaman yiyen kısım metin değil, görsel. İki yol var ve ikisi de meşru — ama karıştırılmamaları gerekiyor.

Birinci yol, bir makaledeki şekli adapte etmek. Bu durumda kaynak açıkça gösterilir ve "adapte edilmiştir" ifadesi şekil altına girer. İkinci yol, kendi yazdığın metinden yeni bir görsel üretmek. Ben bunun için Gemini'nin görsel üretim modelini kullandım.

Buradaki asıl numara model seçimi değil, stil şablonunun sabitlenmesi. Tek bir STYLE bloğu yazdım — minimalist tıbbi illüstrasyon, pastel palet (krem, açık mavi, soluk yeşil, pudra pembe), düz beyaz zemin, kesik-noktalı dik açılı bağlantı çizgileri, sadece Türkçe etiket, telefonda okunabilecek büyüklükte yazı — ve her görsel isteğinde bu bloğu değiştirmeden kullandım. Değişen tek şey, altına eklenen konu tarifi.

Sonuç: onlarca ayrı görsel, tek bir kitabın parçası gibi duruyor. Stil tutarlılığı, kitabın kimliğinin yarısı. (Bu yazıdaki üç görsel de aynı yöntemle, aynı stil şablonuyla üretildi.)

Sonra skill: tekrarı kodlamak

Üç kitap sonra elimde yazılı olmayan bir kontrol listesi vardı: önce kaynakları topla, sonra başlıkları literatüre göre revize et, sonra iskeleyi kur, sonra bölümleri yaz, sonra görselleri üret, sonra derle, sonra denetle. Her seferinde bu listeyi hatırlamaya çalışıyordum. Hatırlamak yerine yazdım.

kitap-yazma, bu akışı fazlara bölen bir Claude Code skill'i:

Fazların altında küçük Python scriptleri çalışıyor: durum takibi, intake yanıtlarını yapılandırmaya çevirme, iskele kurma, kaynak alma ve DOI doğrulama, PDF'ten şekil çıkarma, derleme, atıf denetimi, kısaltma denetimi. Hepsi standart kütüphane — kurulum derdi olmasın diye.

En önemli kısım: sıfır uydurma

Bir dil modelinin bilimsel yazımdaki en tehlikeli yeteneği, hatalı olması değil — makul görünmesi. Var olmayan bir DOI, gerçekten var olabilecek bir dergi adı, doğru formatta bir yıl. Gözle ayırt edilmiyor.

Bu bir izlenim değil, ölçülmüş bir şey. Walters ve Wilder (Scientific Reports, 2023) 42 konuda üretilen 636 atfı tek tek arattı: GPT-3.5'in atıflarının %55'i, GPT-4'ünkilerin %18'i tamamen uydurmaydı; gerçek olanların da sırasıyla %43 ve %24'ünde künye hatası vardı. Tıp tarafında Chelli ve ark. (JMIR, 2024) sistematik derleme referansları için aynı testi yaptı: halüsinasyon oranı GPT-3.5 için %39,6, GPT-4 için %28,6, Bard için %91,4. Yani "kaynak ver" demek, kaynak almak anlamına gelmiyor.

Bu yüzden skill'in en katı kuralı kaynak tarafında:

Akış tek yönlü: bul → retraksiyon ve DOI kontrolü → CrossRef'ten künye → DOI ile tekilleştir → kanıt kademesini etiketle → Zotero'ya işle. DOI çözülmeden hiçbir kaynak references.bib'e giremiyor.

Kademe etiketi sadece bir sıralama değil, yazım dilini belirliyor. Sistematik derlemeye dayanan bir iddia kesin dille yazılabilir; bir ön baskıya dayanan iddia "ön bulgular düzeyinde" diye yazılır — bu yazıda Kosmyna çalışmasına yaptığım gibi; şirket blogundan gelen bir faz bilgisi çapraz doğrulanmadan hiç yazılmaz. Doğrulanamayan şey gizlenmiyor, işaretleniyor.

Retraksiyon kontrolünün neden akışın başında durduğunu da yukarıda gördük: geri çekilmiş bir meta-analize dayanarak yazılmış bir paragraf, yazının tamamını götürür.

Aynı mantık hesaplamalı bölümler için de geçerli: kendi bilgisayarımda koşturamadığım bir yöntemi koşmuş gibi göstermek yerine, yöntemi anlatıp koşulmadığını söylemek.

Neyi otomatikleştirmedim

Skill'in yaptığı iş "kitabı yaz" değil, "kitabı yazarken sırayı ve kuralları koru". Her fazın sonunda durup onay bekliyor. Kararlar bende kalıyor:

• Bölüm başlıkları ve sırası, kaynak taramasından sonra kesinleşiyor — çünkü literatür çoğu zaman ilk taslağın yanlış yerde derinleştiğini gösteriyor.
• Hangi tartışmanın kitaba gireceği, hangi çalışmanın hangi ağırlıkta anlatılacağı editoryal bir karar.
• Klinik yorum — bir sinyalin pratikte ne kadar önemli olduğu — otomatikleşecek bir şey değil.

Otomatikleşen kısım, mekanik olan kısım: dosya yapısı, LaTeX kalıpları, kaynak künyeleri, atıf denetimi, derleme zinciri, stil tutarlılığı. Yani kitabın kendisi değil, kitabın etrafındaki her şey.

Çıkarım

Yapay zekâyı eğitimde kullanmanın sorusu "kullanmalı mı" değil, "hangi işi devrediyorsunuz" sorusu. Kanıtların gösterdiği zarar, cevabı hazır almaktan doğuyor: erişim kesildiğinde geriye bir şey kalmıyor. Kaynak taramasını, biçim işlerini ve doğrulamayı devredip yazmayı, karar vermeyi ve yorumlamayı kendinizde tutarsanız tablo tersine dönüyor — zamandan kazanıyorsunuz, öğrenmeden kaybetmiyorsunuz.

Kendi ihtiyacınıza göre bir kitap yazmak bunun oldukça saf bir örneği: 1.338 derlemenin arasında kaybolmadan konuyu öğreniyorsunuz, öğrendiğinizi kendi cümlelerinizle sabitliyorsunuz ve elinizde sonradan dönebileceğiniz, her cümlesi doğrulanmış bir metin kalıyor. Halüsinasyondan korunmanın yolu da yapay zekâdan uzak durmak değil; her kaynağın DOI'sini çözdüren, geri çekilmişleri eleyen, doğrulanamayanı işaretleyen bir akış kurmak.

Aynı deseni tez yazımı ve tez istatistiği için de kurdum; hepsinin ortak omurgası aynı: fazlara böl, her fazın sonunda dur, hiçbir şeyi uydurma, kaynağı doğrula, kararı insana bırak.

Kaynaklar

• Bastani H, Bastani O, Sungu A, Ge H, Kabakcı Ö, Mariman R. Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS. 2025;122(26):e2422633122. doi:10.1073/pnas.2422633122
• Gerlich M. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies. 2025;15(1):6. doi:10.3390/soc15010006
• Lee HP, Sarkar A, Tankelevitch L, ve ark. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. doi:10.1145/3706598.3713778
• Kosmyna N, Hauptmann E, Yuan YT, ve ark. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv ön baskı. 2025. arXiv:2506.08872 — hakem sürecinden geçmemiştir.
• Slamecka NJ, Graf P. The generation effect: Delineation of a phenomenon. J Exp Psychol Hum Learn Mem. 1978;4(6):592–604. doi:10.1037/0278-7393.4.6.592
• Roediger HL, Karpicke JD. Test-Enhanced Learning. Psychol Sci. 2006;17(3):249–255. doi:10.1111/j.1467-9280.2006.01693.x
• Walters WH, Wilder EI. Fabrication and errors in the bibliographic citations generated by ChatGPT. Sci Rep. 2023;13:14045. doi:10.1038/s41598-023-41032-5
• Chelli M, Descamps J, Lavoué V, ve ark. Hallucination Rates and Reference Accuracy of ChatGPT and Bard for Systematic Reviews: Comparative Analysis. J Med Internet Res. 2024;26:e53164. doi:10.2196/53164
• Retraction Note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: insights from a meta-analysis. Humanit Soc Sci Commun. 2026. doi:10.1057/s41599-026-07310-z