Laboratuvara erişimleri olmadığı için, küçük bir oda kiraladılar ve gece geç saatlere kadar çalıştılar – genellikle uyuyakaldılar ve ertesi sabah derslerini kaçırdılar.

Yenilikleri Electrolux Group’un dikkatini çekti ve şirket 1925 yılında haklarını satın aldı.

İlk kez, sıradan haneler buz veya elektrik olmadan yiyecekleri güvenli bir şekilde saklayabildiler; bu, modern mutfağa doğru devrim niteliğinde bir adımdı.

İki mucit, satılan her buzdolabı için yaklaşık 50 öre (0,50 İsveç kronu) telif ücreti aldı ve 1960’lara kadar on milyondan fazla buzdolabı üretildi.

Bir asır sonra, Electrolux, kısmen KTH’de doğan parlak bir fikir sayesinde, dünyanın en büyük ev aletleri üreticilerinden biri olmaya devam ediyor.

İlginç bir gerçek: Electrolux’un kurucusu Axel Wennergren, soğutma teknolojisinin geliştirilmesine devam etmek için KTH’de bir araştırma pozisyonuna fon sağladı. Bu, daha sonra Soğutma Bölümü’nün başlangıcı oldu ve bugün Enerji Teknolojisi Bölümü’nün bir parçasıdır.

Kaynak

Önemli noktalar

• Telif hakkı, insan zihninin ürünü olan ve özgünlüğü kanıtlayan her türlü esere uygulanır.

• Özgün bir yaklaşım veya özel bir düzenleme içermeyen, yalnızca gerçek sonuçları sunan bilimsel çalışmalar telif hakkı ile korunmayabilir.

• AI kullanılarak içerik oluştururken talep edilebilecek korunan eserlerin kullanımına ilişkin bilgisizlik, telif hakkı ihlali olup olmadığının belirlenmesinde sıkça karşılaşılan bir sorundur.

• AI bir “yazar” olarak kabul edilmez, ancak özgün eserlerin yaratılmasına yol açan bir araç olarak kullanılabilir.

• Bununla birlikte, AI tasarımcıları ve bunları kullanan kuruluşlar, üretilen içerik üzerinde hak iddia edebilir ve hak sahibi olmak isteyebilir.

Yazma yardımı, makaleleri özetleme, bilgilere daha hızlı erişim: günümüzde, üretken yapay zeka (AI) kullanımı önemli ölçüde zaman tasarrufu sağlıyor ve sanata, yazmaya ve araştırmaya yaklaşımımızı önemli ölçüde değiştiriyor. Ancak, AI tarafından üretilen içeriğin statüsüyle ilgili birçok soru hala cevapsız kalmaktadır. 27 Aralık 2023’te New York Times, OpenAI ve Microsoft’u ABD federal mahkemesine götürerek, AI modellerini eğitmek için milyonlarca makalesini kullandıkları suçlamasında bulundu¹. Amazon ise, seyahat rehberlerinden çocuk kitaplarına kadar ChatGPT tarafından oluşturulan yüzlerce eserin listelendiği, AI tarafından üretilen kitapların büyük bir akınıyla karşı karşıya. O zamandan beri şirket, kurallarını değiştirerek yazarların eserlerinin yapay zeka tarafından üretilip üretilmediğini açıklamalarını zorunlu hale getirdi ve hizmetleri yazar başına günde üç yayına sınırladı.

Hala büyük ölçüde düzenlenmemiş bir teknolojiyle karşı karşıya olan birçok soru hala cevaplanmayı bekliyor. Yapay zeka modelleri, telif hakkı ile korunan verileri içerik üretmek için kullanma hakkına sahip mi? Yapay zeka bir eserin yazarı olabilir mi? Yapay zeka tarafından üretilen içeriğin hakları kime ait: kullanıcıya mı yoksa yazılım tasarımcısına mı? Bordeaux Üniversitesi özel hukuk kıdemli öğretim üyesi Camille Jalicot, yapay zeka ve telif hakkı ile ilgili sorularımızı yanıtlayarak, neyin doğru, neyin yanlış ve neyin belirsiz olduğunu açıklıyor.

#1 Romanlardan tiyatro oyunlarına ve bilimsel makalelere kadar her türlü eser telif hakkı ile korunabilir.

DOĞRU

Camille Jalicot. Fikri Mülkiyet Kanunu, farklı türdeki eserler arasında ayrım yapmaz. Telif hakkı koruması, türü, ifade biçimi, değeri veya kullanım amacı ne olursa olsun tüm fikri eserler için geçerlidir. Prensip olarak, her türlü eser telif hakkı ile korunabilir. Ancak, korunabilmesi için bir koşulu yerine getirmesi gerekir: orijinal olması. Ancak, pratik açıdan bakıldığında, cevap biraz daha nüanslıdır. Bazı eserler telif hakkı korumasına kolayca tabi tutulabilirken, bu her zaman böyle değildir. Bu, bilimsel makaleler yazan araştırmacıların karşılaştığı zorluklardan biridir: eğer sadece gerçek sonuçları özgün bir şekilde düzenlemeden sunarlarsa, mahkeme eserlerinin korunabilir bir entelektüel yaratım olmadığını düşünebilir.

Araştırmacıların çalışmalarını korumaya çalıştıkları, ancak mahkemelerin özgünlük eksikliği nedeniyle korunamayacağına karar verdikleri durumlar vardır. Öte yandan, daha benzersiz bir yaklaşım benimsenirse, çalışmalarında kişiliklerinin bir parçası bulunabilir ve bu nedenle telif hakkı ile korunabilir.

#2 AI, telif hakkı sahiplerinin izni olmadan verileri arayabilir.

KISMEN DOĞRU

Veri madenciliği, AI’nın algoritmaları eğitmek için internette bulunan üçüncü taraf verilerini analiz etmesini sağlayan bir tekniktir. Avrupa düzeyinde, yapay zeka ile ilgili standart kuralları belirleyen Tüzük, Dijital Tek Pazarda telif hakkı ve ilgili haklara ilişkin 17 Nisan 2019 tarihli 2019/790 sayılı Direktifte² belirtilen kurallara atıfta bulunmaktadır. Prensip olarak, araştırma kuruluşları ve kültürel miras kurumları tarafından bilimsel araştırma amaçlı metin ve veri madenciliği, verilere erişimin yasal olması koşuluyla izin verilir³.

Benzer şekilde, veri madenciliği, AI geliştiricileri gibi ticari amaçlarla faaliyet gösteren özel kuruluşlar tarafından da gerçekleştirilebilir. Prensip olarak, bu kuruluşların verilere yasal olarak erişmesi koşuluyla, bu tür madencilik de izin verilir. Ancak hak sahipleri bu uygulamayı kısıtlayabilir veya yasaklayabilir, ancak bu durumda reddetmelerini açıkça belirtmeleri gerekir [Editörün notu: bu, “opt-out” mekanizmasıdır]. Bir anlamda, geleneksel yasal çerçeve tersine çevrilmiştir. Telif hakkı yasası, bir eserin izinsiz kullanımını yasaklarken, direktif bir istisna getirmektedir: prensip olarak, eserin hak sahipleri tarafından yasaklanmamış veri madenciliği izin verilmektedir.

#3 AI, telif hakkını ihlal eden içerik üretebilir.

DOĞRU

Önemli bir sorun, AI’nın telif hakkını ihlal eden içerik üretebilmesi olup olmadığıdır. Bir kullanıcı ChatGPT’ye masum bir soru sorduğunda, modelin ürettiği içerik önceden var olan bir eseri kopyalayabilir mi? AI, bazen telif hakkı ile korunan verilerle eğitildiğinden, telif hakkı ihlali teşkil edecek kadar mevcut eserlere çok benzer içerik üretebilir. Örneğin, Disney ve NBCUniversal kısa süre önce, telif hakkı ile korunan Darth Vader veya Minions gibi fotoğraflardan büyük ölçüde esinlenerek görüntüler üreten Midjourney⁴ aleyhine dava açtı.

Benzer şekilde, bir bilimsel makale AI tarafından üretilirse, üretilen içeriğin diğer makalelere o kadar benzer olması nedeniyle telif hakkı ihlali oluşturma riski vardır. Bu, kullanıcılar için zararlıdır: AI, ürettiği öğelerin kaynaklarını sağlamaz. AI tarafından üretilen ham içerikte neyin telif hakkı ile korunduğu ve neyin korunmadığı belirsizdir ve bu nedenle bu verilerin nasıl kullanılacağı da belirsizdir, bu da davalara yol açabilir.

#4 AI kullanılarak üretilen eserler “fikri eser” olarak kabul edilebilir

BELİRSİZ

Veri madenciliği sorununun ötesinde, AI tarafından üretilen içeriğin yasal niteliği, yani fikri mülkiyet hukuku ile korunup korunamayacağı sorusu da vardır. Telif hakkı hukukunda, bir eserin korunması yalnızca eserin yaratılmış olmasından kaynaklanır. Bir roman yazarsanız, bir resim yaparsanız veya bir makale yazarsanız, eser bitmemiş olsa bile, eser orijinal olduğu sürece telif hakkına sahip olursunuz. Ancak, önceden alınacak bir koruma veya önlem bulunmadığından, eserin korunması, bir yargıç yasal bir uyuşmazlık bağlamında eserin orijinalliği hakkında karar verene kadar varsayımsal kalır.

YANLIŞ

Ancak, AI tarafından üretilen içerik, basit bir nedenden ötürü a priori fikri bir eser değildir: Bir eserin orijinal olması için, bir insan tarafından üretilmiş olması gerekir. AI ne bir insan ne de bir tüzel kişiliktir. Bu nedenle AI, bir “yazar” olamaz. Fransız telif hakkı yasası kapsamında AI tarafından üretilen ham içeriğin korunmasını şimdiden dışlayabiliriz.

DOĞRU

Bununla birlikte, AI tarafından üretilen içeriğin kullanıcı tarafından önceden özel bir araştırmaya tabi tutulabileceği unutulmamalıdır. Yazılan komuta bağlı olarak, AI, Photoshop veya Word gibi bir sanatçı veya araştırmacı tarafından bir araç olarak kullanılabilir. Bu nedenle, orijinal entelektüel eserlerin yaratılmasına mükemmel bir şekilde yol açabilir. Sonuç olarak, yazarın yaratıcı bir çabasını algılayabiliyorsak, AI tarafından üretilen bir eserin korunmasını reddedemeyiz.

#5 AI, yaratıcı bir eserin haklarının sahibi olabilir.

BELİRSİZ

Yine, AI hakların sahibi olamaz. Ancak, AI tasarımcıları veya en azından bunları kullanan kuruluşlar, üretilen içeriğin haklarını talep edebilir. İkincisi, eserin yaratılmasını gerekçe göstererek hak talebinde bulunabilir. Mevcut durumda, böyle bir talebin başarılı olacağı kesin değildir, ancak başarılı olursa, soru “kim neye sahip olacak” ve “hangi modele göre” olacaktır. Teknolojinin kullanıcısı ve tasarımcısı arasında ortak mülkiyetten mi bahsediyor olacağız? Yoksa ikisinden sadece biri mi sahibi olacak?

Bu yeni bir konu olduğu için henüz kesin bir cevabımız yok. Bunun başlıca nedeni, özellikle gelişmelerin çok hızlı olduğu AI alanında, yasal sürecin inovasyonun hızından daha yavaş olmasıdır. Ancak bu, yasa koyucuların bu konulara ilgi duymasını engellemez ve bu nedenle cevaplar verilmelidir. Bu konu yakından takip edilmelidir...

Bu yazı AI and copyright: the true, the false, and the uncertain başlıklı yazıdan derlenmiştir.

Araştırma yönetimiyle ilgili kararlar alırken ideal durum, üç tür girdiye sahip olmaktır: hakem değerlendirmesi, uzman görüşü ve nicel kanıtlara dayanan bilgi.

Bu tamamlayıcı yaklaşımlar aynı yönde sonuç verip 'örtüştüğünde', kararınızın sağlam olduğundan emin olabilirsiniz. Çelişkili sonuçlar ise genellikle daha fazla araştırma yapılması gerektiğine dair faydalı bir uyarıdır.

Neyi ölçmeye çalışıyorsunuz?

Öncelikle neyi ve neden ölçmeye çalıştığınızı anlamanız gerekir. Aşağıdaki grafik, farklı varlık türleri için her ölçüm nedenine bağlı riski göstermektedir.

Araştırmacılar söz konusu olduğunda metrik kullanımının, tüm ölçüm türlerinde orta ila yüksek risk taşıdığına dikkat edin. Bunun nedeni, eksik ya da hatalı içeriğin az miktarda bile olsa metrik sonuçları üzerinde potansiyel olarak büyük bir etki yaratabilmesidir. Bu nedenle, araştırmacıları değerlendirirken uzman görüşünü tamamlayacak metriklerin seçimi konusunda son derece dikkatli olunması gerekmektedir.

• Anlama: Örneğin, “bilimin bilimi”. Kullandığınız veritabanına dayalı olarak bilimi anlamanıza yardımcı olur

• Gösterme: Örneğin, tanıtım materyallerinde bir kurumu pazarlamak veya hibe başvurusu için kanıt sağlamak

• İzleme: Örneğin, bir hedefe göre ilerlemeyi çizmek

• Karşılaştırma: Örneğin, üniversite sıralamaları

• Teşvik Etme: Örneğin, bir araştırmacının açık bilimi ne kadar desteklediğini göstermek için OA içeriğini ölçmek

• Ödüllendirme: Örneğin, iş terfisi, hibe, ödül veya takdir

Kimi ölçmeye çalışıyorsunuz?

Tüm araştırmacılar eşit değildir. Aklınızda bulundurmanız gerekenler:

• Araştırmacı ne kadar süredir aktif olarak yayın yapıyor?

• Kariyerinde hangi aşamada?

• Hastalık, çocuk veya başka nedenlerle ara vermiş mi?

• Hangi alanda çalışıyorlar?

Tüm bu sorular, bir araştırmacıyı incelerken veya birden fazla araştırmacıyı karşılaştırırken doğru göstergeleri seçmenize yardımcı olabilir. Nicelik ve nitelik göstergelerini bir arada kullanarak dengeli bir sonuç elde edebilirsiniz.

Metrikler hakkında tavsiyeler

Alan Ağırlıklı Atıf Etkisi (FWCI)’yı araştırmacıları veya küçük kuruluşları karşılaştırmak için neden kullanmamalısınız?

Araştırmacıları veya küçük kuruluşları karşılaştırmak için Alan Ağırlıklı Atıf Etkisi (FWCI) kullanılması önerilmez. Araştırmacılar genellikle az sayıda yayına sahiptir ve bu yayınlar, analiz edilen kuruluşun genel profiline uymayan veya istisnai yayınlar tarafından etkilenebilir.

Örneğin, bir yazarın her yayınının FWCI'si 0,5 olsun, ancak toplam 5 yayından biri birkaç atıf almış ve FWCI'si 15 olsun. Bu durum, yazarın genel FWCI'sini orantısız bir şekilde etkileyerek yükseltecektir.

Birkaç araştırmacıdan oluşan bir grup gibi küçük bir kuruluş için de endişeler aynıdır: yayın sayısı azsa, önemli bir uç değer etkisi riski vardır.

FWCI yerine hangi metrikleri kullanabilirsiniz?

FWCI'ye alternatif olarak, alana göre normalleştirilmiş bir dizi ölçüt bulunmaktadır:

• Tek bir ortalama ölçüt yerine yayın başına FWCI'ni kullanın

  • Araştırmacının 10 yayından 2'sinin FWCI'si en az 2 olduğunu söylemek kesinlikle sorun değildir

• En çok atıf alan yüzde dilimlerinde alan ağırlıklı çıktıları kullanın (1, 10 veya 25%)

  • Bu metrik, araştırmacının toplam yayınlarına göre yüzdeye dönüştürülerek normalleştirilen bir sayı olduğundan, çok büyük FWCI değerleri tarafından çarpıtılamaz.

Kariyerinin başındaki araştırmacılar için hangi metrikler kullanılabilir?

Kariyerinin başındaki araştırmacılar veya yeni bir stratejinin ilk aşamalarında olan ve en çok atıf alan yüzde dilimlerinde yer alabilmek için yeterli zaman geçmemiş araştırmacılar aşağıdaki metrikleri kullanabilir:

• Akademik Çıktı – boyut göstergesi olarak ve durumu belirlemek için yararlıdır

• En İyi Dergi Yüzdelik Dilimlerinde Çıktılar – bu metrik, dergi verilerine dayandığından ve tek tek yayınların aldığı atıfları temel almadığından, birikmesi zaman alacaktır

• Uluslararası veya kurumsal işbirliği yüzdesi – genellikle bu iki tür işbirliği, daha yüksek bir yayın FWCI'sine yol açar

• Alan Ağırlıklı Görüntüleme Etkisi – bu, tek tek yayınlara olan ilginin erken bir göstergesi olabilir

• Alan ağırlıklı atıf etkisi – bireysel yayın düzeyinde

Scopus yazar profillerini anlama

Scopus, indekslediği yayınları otomatik olarak tek bir yazar tarafından yayımlananlar şeklinde gruplamak için yatırım yapmıştır. Bu algoritma, yayınları eşleştirmek için yazar adındaki benzerliklerin yanı sıra kurum bilgisi, dergi portföyü ve disiplin gibi unsurları dikkate alır. Eşleştirme algoritması oldukça başarılıdır; ancak kullandığı veriler tamamen eksiksiz veya tutarlı olmadığından, hiçbir zaman %100 doğru sonuç veremez.

Ayrıca, Scopus yazar profilleri bir araştırmacının çalışmalarına dair yalnızca kısmi bir görünüm sunar. Çünkü bu profiller öğretim ve öğrenim faaliyetleri, idari deneyimler, tüm fon bilgileri, tamamlanan doktora öğrencileri ve editörlük, davetli açılış konuşmacılığı, politika danışmanlığı gibi saygınlık göstergeleri gibi unsurları içermez.

Bu yazı How can I make sure I'm evaluating a Researcher fairly? başlıklı yayından derlenmiştir.

İlgili Yayınlar

• SciVal Metrik: Alan Ağırlıklı Atıf Etkisi (FWCI)

• SciVal'daki metrikler – bunlar nedir ve güçlü ve zayıf yönleri nelerdir?

• Araştırmacı metrikleri neden Scopus'takilerden farklı görünüyor?

• SciVal Metrik: Akademik Çıktı

• SciVal Metrik: h-endeksleri

GenAI Yükselişte: Yapay Zekâ Becerilerinde Patlama

2025 itibarıyla Generatif Yapay Zekâ (GenAI) kurslarına kayıt sayısı bir önceki yıla göre %195 oranında arttı. Coursera platformunda bu alanda 8 milyon kayıtlı kurs yer alıyor ve dakikada ortalama 12 yeni kayıt gerçekleşiyor. Bu, 2023’te dakikada 1 olan kayıt sayısının 12 katına çıkması anlamına geliyor.

• GenAI, şu anda platformdaki en hızlı büyüyen beceri kategorisi.

• İşverenlerin %94’ü, GenAI yetkinliğine sahip adayları işe almayı tercih ediyor.

• %75’i, daha az deneyimli ama GenAI becerilerine sahip adayları, daha deneyimli ama bu alanda bilgi sahibi olmayan adaylara tercih ediyor.

Coursera bu yıl ilk defa "Yapay Zekâ Olgunluk Endeksi (AI Maturity Index)" yayımladı. Bu endeks, ülkelerin yapay zekâ alanındaki hazırlık düzeyini GenAI kurs kayıtları, OECD yayınları ve IMF’nin dijital altyapı ile ilgili göstergeleri üzerinden ölçüyor. İlk beş sırada Singapur, Danimarka, İsviçre, ABD ve Finlandiya yer alıyor.

Siber Güvenlik: Talep Artıyor, Beceri Açığı Sürüyor

GenAI’nin yaygınlaşmasıyla birlikte veri güvenliğine dair endişeler de arttı. Coursera’daki siber güvenlik kurslarına kayıtlar 2025’te yükseldi:

• Latin Amerika’da %106

• Avrupa’da %20

• Asya-Pasifik’te %14 artış

Ancak bu artış yeterli değil. Dünya genelinde yaklaşık 5 milyon siber güvenlik uzmanına ihtiyaç var. İşverenlerin %66’sı, beceri eksikliklerini yeni teknolojileri uygulamanın önünde engel olarak görüyor. “Güvenlik Yönetimi Uzmanı” rolü, en hızlı büyüyen ilk 5 meslek arasında yer alıyor.

Mikro-Sertifikalar: Geleceğin Mesleklerine Geçişte Anahtar

Küresel istihdam projeksiyonlarına göre 2030 yılına kadar 92 milyon iş ortadan kalkacak, ancak 170 milyon yeni iş yaratılacak. Bu, net olarak 78 milyonluk bir istihdam artışı anlamına geliyor. Bu dönüşüm sürecinde mikro-sertifikalar belirleyici rol oynuyor.

• İşverenlerin %91’i, mikro-sertifikalara sahip çalışanların temel yetkinliklerde daha yüksek beceriye sahip olduğunu belirtiyor.

• Öğrencilerin %94’ü, bu belgelerin kariyer gelişimlerini hızlandırdığını söylüyor.

Kadınlar Öğrenmede Güçleniyor, Ancak Yapay Zekâda Geride

Kadınlar artık Coursera’daki tüm öğrencilerin %46’sını oluşturuyor. Ancak GenAI kurslarına kayıt olan kadınların oranı %30 civarında kalıyor. Kazakistan gibi bazı ülkelerde bu oran %43’e kadar çıksa da genel tablo hâlâ cinsiyet eşitsizliğine işaret ediyor.

• Kadınlar, orta düzeydeki GenAI kurslarına kıyasla 6 kat daha fazla başlangıç seviyesindeki kurslara kayıt yaptırıyor.

• Bir STEM kursunda kadın eğitmen yer aldığında, kadın öğrenci oranı ortalama %23’ten %30’a yükseliyor.

Coursera, bu durumu ele almak için “Closing the Gender Gap in GenAI Skills” başlıklı bir rehber yayımladı. Rehberde mentorluk eksikliği, öz güven sorunu ve AI’nin günlük yaşamdaki anlamına dair belirsizliklerin kadın katılımını sınırladığı belirtiliyor.

Becerilerdeki Açık, Küresel Rekabet Gücünü Tehdit Ediyor

• İşverenlerin %66’sı, yetenek eksikliğini büyümenin önünde bir engel olarak tanımlıyor.

• Almanya’da boş pozisyonlar, ekonomiye yılda 339 milyar dolar (GSYH’nin %1.3’ü) maliyet oluşturuyor.

• 2030’a kadar temel becerilerde %40 oranında değişim bekleniyor.

• Kurumların %85’i, bu değişimlere uyum sağlamak için yeniden beceri kazandırma programları uygulamayı planlıyor.

Beceri Odaklı Öğrenme ve İşe Alım Artıyor

• %97 oranında işveren, ya beceriye dayalı işe alımı benimsedi ya da uygulamayı değerlendiriyor.

• GenAI ile üretilen otomatik başvuruların artmasıyla birlikte, doğrulanabilir beceri belgeleri daha da kritik hale geliyor.

• İşverenlerin %50’den fazlası, beceri eksikliği nedeniyle kâr marjlarının olumsuz etkileneceğini düşünüyor.

Bu nedenle, Coursera gibi platformlardan alınan ve doğrulanabilir nitelikteki mikro-sertifikalar, işe alım sürecinin temel yapı taşlarından biri haline geliyor. Yaşam Boyu Öğrenme Küresel Düzeyde Bir Gereklilik Haline Geldi

Türkiye: Yükselen Potansiyele Rağmen Becerilerde Gelişim Gerekiyor

Coursera Global Skills Report 2025’te Türkiye, 109 ülke arasında 55. sırada yer aldı. Bu sıralama, ülkemizin “rekabetçi” kategoriye dahil olduğunu gösteriyor; yani belli alanlarda ilerleme olsa da küresel liderlik için daha fazla gelişime ihtiyaç var.

Türkiye, Yapay Zeka Olgunluk endeksinde (AI Maturity Index) 50. sırada yer alıyor. Bu, yapay zekâ teknolojilerinin benimsenmesi, araştırma kapasitesi, dijital altyapı ve insan sermayesinin gelişmişlik düzeyi açısından orta sıralarda olduğumuzu gösteriyor.

• Türkiye’de Coursera kullanıcı sayısı hızla artıyor, ancak iş gücüne oranla platform kullanımı halen düşük seviyede.

• Kadınların öğrenmeye katılımı olumlu seyrediyor; ancak GenAI ve STEM alanlarındaki kadın katılım oranları dünya ortalamasına paralel seyrediyor.

• Türkiye, dijital dönüşüme ayak uydurmak için mikro-sertifikalar ve beceri odaklı programlara daha fazla yatırım yapmak durumunda.

Türkiye’de en çok öğrenilen beceriler

1. Dilbilgisi

2. Rekabetçi Zeka

3. Topluluk Önünde Konuşma

4. Tasarım Yazılımı

5. İş İlişkileri Yönetimi

6. İstatistiksel Makine Öğrenimi

7. Sözlü İletişim Becerileri

8. Organizasyonel Gelişim

9. İstatistiksel Programlama

10. Makine Öğrenimi Algoritmaları

Coursera Global Skills Report 2025, yalnızca bireylerin değil, şirketlerin, devletlerin ve üniversitelerin de hızla değişen dijital ekonomiye nasıl uyum sağlayabileceğine dair kapsamlı ve somut bir rehber sunuyor. GenAI, veri analitiği, siber güvenlik ve beceriye dayalı öğrenme artık geleceğin değil, bugünün zorunlulukları.

RAPORUN TAMAMI

Akademik araştırma sürecinde, doğru araçları seçmek yalnızca zaman kazandırmakla kalmaz, aynı zamanda elde edilen verilerin güvenilirliğini ve araştırmanın derinliğini de belirler. Son dönemde öne çıkan üç yapay zeka destekli platform—Elicit, Scite ve Consensus—her biri farklı güçlü yönleriyle araştırmacıların karşısına çıkıyor. Bu yazıda, her bir aracın ne yaptığı, hangi ihtiyaçlara ışık tuttuğu ve bunları nasıl stratejik olarak bir arada kullanabileceğiniz üzerinde duracağız.

Elicit, araştırma sürecinin erken aşamalarında kapsamlı bir literatür taraması yapmak için tasarlanmış bir araçtır. Kullanıcıların sorularına yanıt ararken ilgili makaleleri hızlıca listelemesi, bu makalelerin özetlerini ve metodolojik ayrıntılarını tablolar halinde sunmasıyla öne çıkar. PDF yükleme özelliği sayesinde bir makalenin içinden doğrudan bulgu ve yöntem bilgilerini çekebilir, böylece uzun uzun okumak yerine ana hatları kısa sürede kavrayabilirsiniz. Ancak derin atıf bağlamı analizi veya bir bulgunun arkasındaki tartışmalar gibi daha nicel değerlendirmeler için Elicit tek başına yeterli kalmayabilir; bu noktada başka araçlarla tamamlanması faydalı olur.

Scite ise, makalelerin aldığı atıfların niteliğine ve bağlamına odaklanır. Her atfı—destekleyici, çelişen veya sadece anımsatan—ayrı kategorilere ayırarak “smart citation” analizi sunar. Bu sayede yalnızca bir makaleye kaç kez atıf yapıldığını görmekle kalmaz, aynı zamanda hangi çalışmaların bulgularınızı doğruladığını veya sorguladığını da görebilirsiniz. Tezinizi veya makalenizi yazarken, kaynaklarınızın güvenilirliğini ve etki derecesini somut verilerle kanıtlamak istiyorsanız Scite büyük avantaj sağlar. Yine de, kapsamlı bir literatür taraması için Elicit’in sunduğu geniş listeleme ve özetleme olanaklarına ihtiyaç duyabilirsiniz.

Consensus, kullanıcı dostu arayüzü daha çok hızlı soru–cevap ve genel konsensüs arayışına hitap eder. Bilimsel sorularınızı yazdığınızda, web’deki çeşitli kaynaklardan derlenen ve en fazla destek gören yanıtları önceliklendirir. Böylece konuya dair genel eğilimi hızla öğrenebilir, hangi sonuçların daha yaygın kabul gördüğünü görebilirsiniz. Ancak hangi makaleden hangi alıntının geldiğini detaylı şekilde takip etmek veya atıf kalitesini değerlendirmek istediğinizde Consensus’ın yüzeysel kaldığı anlar olacaktır.

Bu üç aracı en verimli şekilde kullanmak, araştırma adımlarınızı birbirine entegre etmekten geçiyor. Konuya ilk adımınızda Elicit üzerinden literatür taraması yaparak geniş bir makale havuzu oluşturabilir, ardından bu havuzdan önemli gördüğünüz çalışmaları Scite’te “smart citation” özellikleriyle derinlemesine inceleyerek güvenilir atıflarınızı seçebilirsiniz. Araştırmanın erken keşif aşamasında veya hızlı bir genel bakış gerektiğinde ise Consensus’ı kullanarak elde ettiğiniz sonuçların literatürde nasıl yankı bulduğunu görebilir, bu yanıtları daha sonra Elicit ve Scite’teki bulgularınızla karşılaştırabilirsiniz.

Martina Solano Soto, fizik tutkusunun peşinden gitmek ve nihayetinde büyük sorunları çözmek için bir misyon üstlenmiştir. Çocukluğundan beri birçok sorusu vardı: Hayvanlar neden var? Biz burada ne yapıyoruz? Büyük Patlama hakkında neden daha fazla şey bilmiyoruz? Ve o, bu soruların cevaplarını bulmaya kararlıydı.

İspanya'nın Girona kentinden Solano, “Bu yüzden MIT OpenCourseWare'i keşfettim” diyor. “14 yaşındayken, güvenilir, dinamik ve güncel bilgiler aramaya başladım. MIT kaynaklarını tesadüfen buldum ve bu, başıma gelen en önemli şeylerden biri oldu.”

MIT lisans ve lisansüstü müfredatını kapsayan 2.500'den fazla dersin ücretsiz, çevrimiçi, açık eğitim kaynaklarını sunan OpenCourseWare'in yanı sıra, Solano MIT Open Learning Library'den de yararlandı. MIT Open Learning'in bir parçası olan kütüphane, ücretsiz dersler sunuyor ve etkileşimli içerik ve alıştırmalar aracılığıyla anında geri bildirim alırken, insanların kendi hızlarında öğrenmelerini sağlıyor.

Şu anda 17 yaşında olan Solano, OpenCourseWare (MIT Açık Öğrenim'in bir parçası) aracılığıyla kuantum fiziği okudu ve Açık Öğrenim Kütüphanesi'nde elektrik ve manyetizma, matematik, kuantum hesaplama ve kinematik dersleri aldı. Hedeflerinden sapmamak ve hedeflerini gözden kaçırmamak için ödevleri de içeren kendi ders programını bile oluşturdu. Bu hedefler arasında lisans düzeyinde matematik ve fizik okumak da var. Ayrıca doktora düzeyinde genel görelilik ve kuantum mekaniği okumayı da umuyor. “Kuantum yerçekimi teorisini bulmak için bunları birleştirmek istiyorum” diyor. “Tüm hayatımı okumak ve öğrenmekle geçirmek istiyorum.”

Solano, Barton Zwiebach adlı fizik profesöründen özellikle ilham aldı. Zwiebach'ın Kuantum Fiziği I ve Kuantum Fiziği II dersleri MIT OpenCourseWare'de mevcuttur. Video dersler, ödevler, ders notları ve sınavlar gibi sunulan tüm kaynaklardan yararlandı.

“Onun açıklama tarzı beni büyüledi. Her şeyi anladım, bu inanılmazdı,” diyor. “Sonra onun ‘A First Course in String Theory’ (Sicim Teorisine Giriş) kitabını öğrendim ve onun sayesinde kara delikler ve yerçekimi hakkında bilgi edindim. Ona çok minnettarım.”

Solano, Açık Öğrenme kaynaklarının çeşitliliği ve kalitesine büyük önem verirken, organize olmanın da önemini vurguluyor. Lise öğrencisi olarak, akışkanlar teorisi dışında okul, ders dışı etkinlikler, arkadaşları ve ailesi gibi başka şeyleri de düşünmesi gerekiyor.

Benzer durumda olan herkese, “en çok neyle ilgilendiğini ve Açık Öğrenme kaynaklarının esnekliğinden nasıl yararlanabileceğini bulmasını” öneriyor. Yatmadan önce yarım saat video izlemek için zamanın var mı, hafta sonu ders notlarını okumak için zamanın var mı? Kendine uygun bir yol bulursan, çabana kesinlikle değecektir."

“Bunu yaparsanız, akademik ve kişisel olarak gelişeceksiniz,” diyor Solano. “Okula gittiğinizde kendinizi daha güvenli hissedeceksiniz.”

Solano hız kesmiyor. Açık Öğrenim kaynaklarını kullanmaya devam etmeyi planlıyor, bu kez dikkatini lisansüstü düzeydeki derslere çevirerek, merakını ve bilgiye olan tutkusunu beslemeye devam edecek.

“Daha gençken, Michio Kaku'nun kuantum yerçekimi teorisini anlatan ‘The God Equation’ kitabını okudum. İçimde bir şey uyandı,” diye hatırlıyor. “Kara deliğin merkezinde neler olduğunu ve kuantum mekaniği, kara delikler ve genel göreliliği nasıl birleştirebileceğimizi gerçekten bilmek istiyorum. Hayatımı buna adamaya karar verdim.”

Solano bu yolda ilerliyor. Geçen yaz, Barselona Özerk Üniversitesi'nde parçacık fiziği okumak için burs başvurusunda bulundu ve bursu kazandı. Bu yaz, kozmosu incelemek için fırsatlar arıyor. Tüm bunların, MIT Açık Öğrenim kaynaklarından öğrendikleri sayesinde mümkün olduğunu söylüyor.

“Başvurularda fizikte neyi sevdiğinizi açıklamanız isteniyor ve MIT sayesinde bunu ifade edebiliyorum,” diyor Solano. “Bu burslara başvurabilir ve hayallerim için gerçekten mücadele edebilirim.”

Kaynak: Martina Solano Soto wants to solve the mysteries of the universe, and MIT Open Learning is part of her plan

Dolaşımda potansiyel olarak yüz binlerce sahte makale var. Bu yılın Ocak ayı itibariyle yaklaşık 55.000 makale geri çekilmiştir. Bu makaleler iyi kamufle edilebilmekte ve yıllarca incelemeden kaçabilmektedir. Son birkaç hafta içinde farkına bile varmadan siz de bir tanesini okumuş olabilirsiniz.

Sahte makaleler sadece “kötü bilim” değildir, gerçek akademisyenlerin çalışmalarını da tehlikeye atarlar. Bir sonraki literatür taramanız için referanslarınızda bu makalelere başvurursanız, kendi çalışmanızın kalitesini düşürme riskiyle karşı karşıya kalırsınız. Ancak fark edilmelerinin ne kadar zor olduğu düşünüldüğünde, bu hatadan nasıl kaçınabilirsiniz?

The Scoop'un bu sayısında, sahte makaleleri ele alıyor ve ne kadar yaygın olabileceklerinin yanı sıra, bunları kendi çalışmanızda kullanmaktan kaçınmak için dikkat etmeniz gereken temel işaret ve sinyallere bakıyoruz.

“Sahte makaleler” gerçekte nedir?

“Sahte makaleler” olarak adlandırdığımız şey, verileri, metodolojiyi, yazarlığı veya başka bir yönü tahrif eden herhangi bir yayınlanmış, akademik çalışmadır. Makale fabrikaları günümüzde sahte literatürün ana kaynağıdır. Bu işletmeler, araştırmacıların kendi adları altında sunabilecekleri bitmiş makaleler için ödeme yapmalarına izin vererek radar altında çalışırlar. Hakem değerlendirme sürecinden geçtiklerinden emin olmak için bazı araştırmacılar istikrarlı bağlantılar veya “hakem değerlendirme halkaları” kurarak sahte çalışmaların yayınlanmasını garanti altına alırlar.

Bu neden oluyor? Suçlu yine klasik yayınla ya da yok ol zihniyetidir. Araştırmacılar üzerinde hakemli dergilerde çalışma üretme baskısı yüksektir. Bu baskı ve talepler altında, bazı araştırmacılar rekabetçi kalabilmek için makale fabrikaları gibi etik olmayan uygulamalara yönelmektedir.

Makale fabrikası üretimi son yıllarda patlama yaptı. Beş yıl önce, yayıncılar sahte makalelerle ilgili bildirilen herhangi bir etik vaka görmüyordu. 2023 itibariyle bu sayı binlere fırladı.

Bu sahte makaleler, kuralsız referanslar yoluyla sadece gelecekteki çalışmaların akademik kalitesi için bir risk oluşturmuyor. Tüm araştırma ortamını ve hatta gerçek dünyadaki klinik ve tıbbi kararları tehlikeye atıyorlar .

Tüm tıbbi yayınların %3'ü makale fabrikalarının bir sonucu olabilir. Diğer disiplinler de benzer sorunlarla karşı karşıyadır ve aşağıda tam bir dökümü görülebilir.

Bu tür makalelerin artışı göz önüne alındığında, araştırmacılar için makale fabrikası ürünlerini gerçek yayınlardan ayırt etmek giderek daha önemli hale gelmektedir. Hakem değerlendirmesine veya yayıncı kalitesine güvenmek artık bir seçenek değil, özellikle de yapay zeka kullanımı arttıkça sorun daha da kötüleşiyor.

Sahte evraklar nasıl anlaşılır: Sınav zamanı

Makale fabrikalarından gelen makaleler gerçekten iyi uyum sağlayabilir.

Bu 2024 makalelerden hangisinin gerçek olduğunu tahmin etmeye çalışın:

Bildiri A: Diyabetli Hastalar Arasında Yapay Zekadan Yararlanma: Sistematik Bir İnceleme ve Meta-Analiz

Bildiri B: Yapay Zeka Tabanlı Otomatik Diyabetik Retinopati Taramasının Gerçek Dünya Ortamlarındaki Tanısal Doğruluğu: Sistematik Bir İnceleme ve Meta-Analiz

Anlayabiliyor musunuz?

Makale fabrikası işinin zorluğu da bu. Gerçek gibi görünür ve sistemden geçebilmek için de öyle olması gerekir. Ancak bu belgeleri daha detaylı incelediğimizde hangisinin gerçek olduğuna dair kanıtlar ortaya çıkmaya başlıyor.

Sahte belgelerin temel işaretleri

İşte bir makalenin bir makale fabrikasından gelmiş olabileceğinin temel göstergeleri. Literatürü araştırırken bunları aklınızın bir köşesinde tutun. Bunları gözden geçirdikten sonra, teste bir göz atın ve çözüp çözemeyeceğinize bakın:

1. Jenerik veya garip başlıklar

Bir makalenin sahte olabileceğine dair ilk işaret başlıktır. Gerçek araştırmalar spesifiktir. Sahte makaleler genellikle daha genel başlıklara sahiptir. Ancak bu her zaman geçerli değildir. Bir makalenin sahte olup olmadığına karar vermeye çalışırken birden fazla faktörü kontrol ettiğinizden emin olun.

Örneğin, incelenen ve sahte hakem değerlendirmesi olduğu tespit edilen bir makalenin adı şöyledir: “Kalp Cerrahisi Geçiren Diabetes Mellituslu Bireylerde Perioperatif Glisemik Kontrol Yaklaşımı ile Sternal Yara Enfeksiyonu Arasındaki İlişki: Bir Meta-Analiz”. Bu oldukça spesifiktir ve “genel” kuralın bir istisnasıdır.

2. Dergiyi kontrol edin

Bazı sahte makaleler, güçlü bir hakem değerlendirmesinden yoksun olan yırtıcı dergileri hedef alma eğilimindedir. Ancak, bu kesin bir işaret değildir, çünkü saygın dergilerde bile bazen sahte makaleler süreçten geçebilmektedir. Yırtıcı dergilerin listesini buradan veya buradan kontrol edebilirsiniz.

3. Referanslar sahte, kendine atıfta bulunan veya güncel olmayan kaynaklara sahip

Kalite ve geçerliliklerini görmek için referansları gözden geçirin. Bunlar geçerli mi? Bu makaleler atıflar ve referanslar yoluyla alanla bağlantılı mı? Yeni olanlar var mı yoksa hepsi beş yıldan eski mi?

İpucu: Makalenin referanslarını anında görselleştirmek ve genel referans ve atıf sayılarını görmek için Litmaps 'i kullanabilirsiniz. Sadece makaleyi arayın ve bir döküm almak için makalenin ayrıntılarında “Referanslar ”a tıklayın.

4. Yazarlar gerçek değil veya farklı geçmişlere sahipler

Makale fabrikası makaleleri alışılmadık bir yazar grubu barındırabilir ve bu da makalenin gerçekliğinin iyi bir göstergesi olabilir. Ya yazarlar gerçek değildir ya da araştırma geçmişleri makalenin bulunduğu alanda değildir. Doğru olup olmadığını görmek için her bir yazarı tek tek inceleyin.

5. Rakamlar uydurma, tutarsız veya başka bir yerden kopyalanmış

Bir makaledeki şekiller ve grafikler, makalenin sahte olduğunu gösteren başka bir ipucu olabilir.

İnternette başka bir yerde görünüp görünmediklerini görmek için makaledeki şekiller üzerinde Google Arama veya Google Lens ile denemeler yapın. Ya da şekillerin makalenin içeriğiyle uyumlu olduğundan emin olmak için şekilleri ayrıntılı olarak inceleyin.

2017 yılında bir dergi, sekiz farklı makalenin aynı görseli içerdiğini fark etti ve bu da makalelerin geri çekilmesine neden oldu. Makalenin yazarlarından biri, o makale için bir makale fabrikası kullandığını itiraf etti.

Yukarıdaki örneği ayırt etmek için bu adımları izlerseniz, tüm bu adımların her durumda yardımcı olmadığını göreceksiniz. Yukarıdaki testimizdeki makalelerden hangisinin gerçek olduğunu tahmin etmeyi başardınız mı? Bu durumda iş biraz zor. Sahte makale saygın bir dergiden (Cureus by SpringerNature), özeti iyi yazılmış ve hatta yazarlar geçmişlerine göre geçerli ve konuyla ilgili görünüyor.

Neyse ki, her zaman tahmin etmek zorunda değilsiniz. Bir makale geri çekilmişse, bu bilgiyi makale sayfasında görebilirsiniz. Makaleleri aramak için Litmaps gibi bir araç kullanıyorsanız, okumak için makale başlığına tıkladığınızda bu bilgiyi hemen görürsünüz. Ayrıca makalenin geri çekilme durumunu RetractionWatch üzerinden de teyit edebilirsiniz.

Asıl zorluk, dergiler kendileri bile fark etmeden önce hangi makalelerin sahte olduğunu tahmin etmektir. Sonuçta, kendi araştırmanızda yalnızca yüksek kaliteli, güvenilir kaynaklar kullanmak istersiniz.

Gerçek çalışmaları sahte olanlardan nasıl ayırt ediyorsunuz? Herhangi bir ipucu veya püf noktasını aşağıdaki yorumlarda araştırma topluluğuyla paylaşın. Yapay zeka ve büyük ölçekli makale fabrikaları ile bu iş daha da zorlaştığından, akademik dürüstlüğü korumak için birlikte çalışmak her zamankinden daha önemli hale geliyor.

Bu yazı Have You Cited a Fake Paper? Here’s How to Check başlıklı makaleden çevrilmiştir.

Kuantum iletişimi, ağ oluşturma ve bilgi işlem için benzeri görülmemiş güvenlik ve yeni olanaklar sunarak küresel teknoloji ortamında bir odak noktası haline gelmiştir. Ulusal güvenlik endişeleri artarken ve siber tehditler gelişirken, hükümetler ve endüstriler kuantum anahtar dağıtımı (QKD) ve kuantum sonrası kriptografiye (PQC) önemli yatırımlar yapıyor. 2023'te 0,9 milyar ila 1,0 milyar dolar arasında olacağı tahmin edilen kuantum iletişim pazarının, %23-25'lik bir YBBO ile büyüyerek 2035'e kadar 10,5 milyar ila 14,9 milyar dolara fırlayacağı öngörülmektedir.

Quantum Communication Türkçe Raporu

Kuantum İletişiminde Kilit Oyuncular ve Teknolojiler

Kuantum iletişimi üç temel sütun üzerine inşa edilmiştir:

1. Güvenlik - Kuantum Anahtar Dağıtımı (QKD ) ve Kuantum Sonrası Kriptografi (PQC) ile hassas verilerin korunması

2. Ağ Oluşturma - Güvenli bölgesel kuantum ağları ve nihayetinde küresel bir kuantum interneti inşa etmek

3. Hizmetler - Endüstriler için altyapı ve entegrasyon çözümleri sağlama

PQC, düşük maliyetler ve NIST'in standardizasyon çabalarından yararlanarak erken ticarileşme görürken, QKD, temel fizik yasalarına dayanan kanıtlanabilir güvenli şifreleme sunar. Bununla birlikte, QKD'nin yaygın olarak benimsenmesi, özel donanım ve altyapı ihtiyacı gibi teknik zorluklarla sınırlıdır.

Q-Day: Kuantum Güvenliği için Yaklaşan Bir Katalizör

Kuantum iletişim yatırımlarının arkasındaki en büyük itici güçlerden biri, kriptografik olarak ilgili kuantum bilgisayarların mevcut şifreleme yöntemlerini kırabileceği an olan Q-Daybeklentisidir. Finans, savunma ve sağlık gibi uzun vadeli veri güvenliğine dayanan sektörler, bu riski azaltmak için halihazırda kuantum güvenli şifrelemeye geçiş yapıyor.

Bölgesel Eğilimler: Yarışa Kim Liderlik Ediyor?

• Kuzey Amerika (2035'e kadar öngörülen pazar payı %32) - Kamu fonları, teknoloji hiper ölçekleyicileri ve siber güvenlik firmaları tarafından yönlendiriliyor

• Avrupa (%24) - NATO girişimleri ve canlı bir startup ekosistemi tarafından desteklenen QKD'nin benimsenmesinde lider

• Çin (%16) - Uydu tabanlı kuantum iletişimine büyük yatırım yapıyor ve büyük ölçekli bir QKD ağı kuruyor

Üstesinden Gelinmesi Gereken Zorluklar

Tüm heyecanına rağmen kuantum iletişimi hala engellerle karşı karşıyadır:

🚧 Yüksek maliyetler - Kuantum ağları donanım ve altyapı için önemli yatırımlar gerektirir

🔬 Teknolojik olgunlaşmamışlık - Kuantum tekrarlayıcılar gibi birçok kuantum ağ bileşeni hala Ar-Ge aşamasındadır

🛠️ Standardizasyon sorunları - Sektörün evrensel güvenlik standartlarından yoksun olması ticari benimsemeyi yavaşlatıyor

Sırada Ne Var?

Q-Day'e yaklaşırken, endüstriler ve hükümetler ağlarını geleceğe hazırlamak için şimdi harekete geçmelidir. Kuantum bilişim ve kuantum iletişim arasındaki sinerji, güvenli veri iletimi, dağıtık bilişim ve ötesinde yeni sınırların kilidini açacaktır. İster QKD, ister PQC veya hibrit bir yaklaşımla olsun, bir şey çok açık: kuantum çağı artık uzak bir gelecek değil, zaten burada.

Bu yazı Quantum communication: Trends and outlook başlıklı rapordan derlenmiştir.

Yollar, hayvanların ve insanların yürüdüğü yerlerde doğal olarak oluşur. Bir tepenin yamacında, tırmanma yolu yılan gibi zikzaklıdır. Bu yüzden serpantin (Latince yılan anlamına gelen serpens'ten) olarak adlandırılır. Bu yol, her bir bölümün eğimi (tırmanma açısı) tepenin zirvesine giden en kısa yolun açısından oldukça küçük olan zikzaklı bir patikadır. Dümdüz yukarı çıkmak, piramitteki taşları adım adım kaldırmak gibi zordur. Eğimli segment boyunca ilerlemek daha kolay bir ama tırmanma açısı küçük olduğunda bu yol da zahmetlidir. Zikzağın her segmenti uzun ve tepeye ulaşmak için birçok segment gereklidir. Yılanlı yolun kendisi, dönüş sayısı ve her bir bölümün uzunluğu, doğal olarak hayvanların tepeye daha kolay erişme dürtüsünden kaynaklanmaktadır. Piramidin şekli gibi zirveye giden yol da zor ile kolay, hızlı ile yavaş arasındaki dengenin şeklidir.

Adrian Bejan, Time and Beauty, sayfa: 75

Akademik makalelerin büyük ölçüde yapay zeka tarafından yazılabileceği bir geleceğe doğru hızla ilerliyoruz. Bu gerçekle alay ediyorsanız, en yeni özellik dalgasını göz önünde bulundurun: Yazılan bir makalenin yüzde kaçının YZ'ye dayandığını değerlendirmek için tasarlanan “YZ dedektörleri”, eğitimcilerin bir makalenin ne kadarının YZ tarafından yazılabileceğini (%10, %40, %100) belirlemelerine olanak tanıyor. Ancak daha da gelişmiş metin üretimi YZ tespitini zorlaştıracağından, bu kedi-fare oyunu şüphesiz hızla gelişecektir.

Tüm bunlar modern araştırmacı için ne anlama geliyor? Konusunu gerçekten anlamaya, yüksek kalitede araştırma yapmaya ve kolektif bilgimizi sahiplenmeye çalışanlar için? Araştırma sürecinin her bir parçasının yerini alan araçlarla birlikte, bu araştırmacı fikri çok uzun sürmeyebilir.

Bu sayıda, akademik yazılarınızda yapay zekayı kullanma konusunu, mevcut güçlü özellikleri ve neden kullanmamız ve kullanmamamız gerektiğine dair temel nedenleri ele alıyoruz.

Subscribe now

Günümüzde yapay zekalı yazı asistanları

Eğer hala yetişmeye çalışıyorsanız, bu alana harika bir zamanda girmişsiniz demektir. Bugün, çeşitli derecelerde otomasyona sahip birkaç dikkate değer yapay zeka yazma asistanı var. Akademisyenler için Jenni AI ve Grammarly gibi birçok araç var. Ancak, bu araçların çoğunun GPT teknolojisini kullandığını unutmayın.

Bu araçları denediğinizde, yazma sürecinde isteğe bağlı olduğunuzu hızlı bir şekilde hissedeceksiniz. Günümüzde yapay zeka makalenizin taslağını oluşturabilir, alıntılar yapabilir ve hatta tonunu veya stilini istediğiniz gibi değiştirebilir.

Bu avantajlar sadece kullanışlı olmakla kalmıyor, aynı zamanda yazma sürecini önemli ölçüde değiştiriyor. Giderek artan sayıda araştırmacının süreçlerinin bir parçası olarak bu araçlara güvenmesi şaşırtıcı değil. Bir değerlendirme, bilgisayar bilimleri makalelerinin %17'sinin ve matematik ve doğa makalelerinin %6'sının yapay zeka tarafından oluşturulmuş metin içerdiğini ortaya koydu.

Ancak, kolektif olarak, olması gerekeni atlamış ve hızla nasılına geçmiş görünüyoruz . Bu araçların faydalı iş akışlarına dahil edilmesiyle ilgili sayısız makale ve iş akışı bulacaksınız, ancak bu araçların uzun vadeli sonuçlarına ilişkin çok az ilgi var veya hiç yok.

Uzun vadeli hedefler önemlidir. Bu yardımcılara aşırı güvenmenin çok farklı bir dünyaya yol açabileceğine dair kanıtlar giderek artıyor ve bu dünyayı tanıyamayabiliriz.

Bu araçları neden kullanmamalıyız?

Yapay zekanın araştırma ve yazım alanındaki yaygın popülaritesine rağmen, bazı bilim insanları hala şüpheci ve bunun için geçerli sebepleri var. Bazıları YZ tarafından üretilen metinlerin kalitesinin şüpheli olmasından endişe etmektedir. Diğerleri, içeriklerinin YZ dedektörleri tarafından işaretlenebileceğinden endişe duymaktadır (ancak bu, YZ dedektör değerlendirme araçları kullanılarak giderek daha fazla önlenebilir). Bazıları ise kurumlarının veya dergilerinin yönergelerine uymaya çalışıyor olabilir.

Bu akut nedenler dikkat ve değerlendirme gerektirse de, en büyük riski oluşturabilecek olan uzun vadeli bilinmeyenlerdir.

Araştırma kalitesinde düşüş

Ana argüman şu şekilde ilerliyor: Artan miktarda metin YZ tarafından üretildiğinde, genel yazımda belirli bir standart oluşturulur. YZ yazma asistanları kullanan araştırmacılar daha hızlı bir şekilde daha fazla makale üretebilir ve böylece çalışmalarını sunmak için daha fazla fırsata sahip olurlar. Bu da sonuçta, yazılı metinlerin çoğunluğunu oluşturana kadar giderek daha fazla YZ tabanlı metnin ortaya çıkmasına neden olur.

Görünüşte bu bir sorun teşkil etmez. Ancak, yapay zeka tabanlı metinlerle ilgili, bunu istenmeyen bir gelecek haline getiren sorunlar var. Yayıncılar, genel olarak, düşük kaliteli çalışmaların geleceğinden korkuyor. Akademik yayınlar yalnız değil. Bu, kurgu da dahil olmak üzere tüm yazı türleri arasında yaygın bir korkudur. Dahası, bazı yazarlar arasında yapay zekanın kötü yazıları iyileştirmeye yardımcı olsa da bazen iyi yazıları daha da kötüleştirdiğine dair bir farkındalık var.

Eleştirel düşüncede düşüş

YZ araçlarıyla ilgili giderek artan bir endişe de yaratıcılık, eleştirel düşünme ve yazma gibi temel becerileri nasıl tehlikeye attıklarıdır. Örneğin, yakın zamanda yapılan bir çalışma, LLM'lerin bir öğrencinin bir alanı keşfetme derinliğini kesintiye uğrattığını ortaya koymuştur. Yakın zamanda 300'den fazla bilgi çalışanıyla yapılan bir başka araştırmada da eleştirel düşünme ve yapay zeka konusunda bazı çarpıcı bulgular elde edilmiştir. Üretken YZ'ye daha fazla güvenenler daha az eleştirel düşünme ile ilişkilendirilmiştir.

Bu çalışmalar akademik yazıma özgü olmasa da, çıkarımlar muhtemelen gelecekte YZ'nin tüm kullanımları için geçerlidir. Bu otomatik araçlara daha fazla bağımlı hale geldikçe ve yeteneklerine daha fazla güvendikçe, eleştirel düşünme becerilerimizde buna karşılık gelen bir düşüşle karşı karşıya kalabiliriz, çünkü bunları dışarıdan temin edebiliriz.

Akademik dürüstlükte düşüş

Günümüzde, özellikle yükseköğretimde, yapay zekaya yönelik en yaygın eleştirilerden biri, akademik dürüstlük açısından oluşturduğu risktir. ChatGPT ile ilgili haberlerin çoğu, kopya çekmeyi ve intihali kolaylaştırdığını savunuyor. Öğretmenler, çoğu ödev ve sınavın artık bu araç kullanılarak kolayca gerçekleştirilebildiği gerçeğiyle mücadele etmek için ödevleri hızla uyarlamak zorundadır.

Bu sorun, araştırmanın daha ileri düzeylerinde de aynı derecede, hatta daha ciddi boyutlardadır. Bugün lisansüstü öğrenciler ve hatta kıdemli akademisyenler tüm görevlerin çoğunu otomatikleştirmek için bu tür araçları kullandığında, işimize hala ne kadar sahip çıkacağız?

Bu araçları neden kullanmalıyız?

Yazma ve araştırmada yapay zekayı çevreleyen pek çok korkutucu risk ve zorluk olmasına rağmen, bu araçları kullanmak için de bir o kadar güçlü nedenler vardır. Aşağıda, en ikna edici argümanlardan ikisinin yanı sıra, sorumlu akademik yazım için üretken yapay zekanın nasıl kullanılacağına ilişkin yönergeler yer almaktadır.

Araştırma yazımını geliştirir

ChatGPT veya yapay zekalı yazma asistanlarıyla oynamış olan herkes, karmakarışık birkaç düşünceye dayanarak iyi formüle edilmiş bir metin parçası ortaya çıktığında yaşadığı rahatlama hissini bilir. Bu verimlilik ve üretkenlik artışı, otomatik araçlarla yazımızı geliştirmek söz konusu olduğunda buzdağının sadece görünen kısmıdır.

Bir makaleye başlarken, özellikle sıfırdan ve/veya yabancı dilde yazarken, yazma asistanları güçlü yardımcılardır. Bu durum, özellikle ana hatların belirlenmesi ve taslak hazırlamanın yanı sıra dilbilgisi ve sözdizimi kontrolü gibi sürecin sonraki adımları için de geçerlidir. Ayrıca, ana dili olmayan bir dilde yazmakta zorlanan araştırmacılar, yazılarını daha tutarlı, açık ve doğru hale getirebilirler.

Gelecekte rekabetçi kalın

Yürütülen etik tartışmaların sonuçları ne olursa olsun, YZ araçları kullanılmaya devam edecek ve giderek artan oranlarda kullanılacak. Bu 2024 makalesi, yaygın YZ kullanımının ortaya çıkmasından bu yana PubMed'deki yayınlarda belirli kelime türlerinde bir patlama olduğunu tespit etti. Daha fazla kanıta ihtiyacımız olmasa da bu, günümüzde pek çok araştırmacının akademik yazılarında halihazırda YZ kullandığının açık bir işaretidir. Dahası, gelecekte bu araçlara olan bağımlılık muhtemelen azalmayacak, ancak teknoloji ve dikkatli kullanım geliştikçe fark edilmesi daha zor hale gelebilir.

Peki, tüm meslektaşlarınızın ve akranlarınızın işlerini otomatikleştirdiği bir dünyada nasıl rekabetçi kalabilirsiniz? İnternette okuduğumuz ortak kancayı düşünün: “Eğer ___ kullanmıyorsanız, geride kalıyorsunuz demektir.” Boşluğu neredeyse herhangi bir yapay zeka aracıyla değiştirin ve çok sayıda sonuç bulacaksınız.

Bu tek başına bu araçları kullanmak için ikna edici bir neden olmasa da, insanların yeni bir statükoyu deneme ve ona hızla adapte olma yönündeki doğal eğiliminin bir gözlemidir.

Yazmak için yapay zeka nasıl kullanılır? Önemli yönergeler

Günümüzde çoğu araştırmacı, YZ araçlarını nasıl çalıştıklarını anlayarak ve sürecin otomatikleştirilmesi en iyi olan kısımları için kullanarak bilinçli bir şekilde kullanmaya çalışmaktadır. Aradan birkaç yıl geçtikten sonra, üretken YZ'nin yazımda kullanımına yönelik bir dizi kılavuz, kural ve düzenleme mevcuttur.

YZ ile akademik yazım için yararlı ipuçları ve etik hususlar sağlayan yeni yönergeler sürekli olarak ortaya çıkmaktadır. Bu 2024 kılavuz seti şu üç ilkeyi önermektedir:

1. İnsan incelemesi ve garanti: En az bir yazar makalenin doğruluğu için sorumluluk alır

2. Önemli insan katkısı: Her yazar konsept, analiz ve yapay zeka kullanımı düzenlemesine önemli ölçüde katkıda bulunur

3. Teşekkür ve şeffaflık: Yazarlar LLM'lerin kullanımını onaylar

Birçok derginin farklı kuralları olduğundan, bazı araştırmacılar YZ ile ilgili yönergeleri standartlaştırmaya çalışmaktadır. Örneğin bu yazarlar, araştırmalarda ChatGPT kullanımına ilişkin evrensel hale gelebilecek bir dizi tutarlı yönerge derlemeye çalışmaktadır.

Bu arada, en iyisi başvurduğunuz dergi veya mekanla teyitleşmek ve çevrimiçi olarak mevcut olan en son etik yönergeleri gözden geçirmektir.

Günümüzün hızla gelişen araştırma ortamında bu zor bir oyun. Rekabetçi kalabilmek için en yeni teknolojiyi kullanmak istiyorsunuz, ancak bilimsel gücünüzden veya akademik dürüstlüğünüzden ödün veremezsiniz. İyi haber şu ki, günümüzde araştırmacıların büyük çoğunluğu yapay zeka konusunda iyimser. Son anketlere göre, araştırmacıların %94'ü ve klinisyenlerin %96'sı yapay zekanın bilgi keşfini hızlandırmaya yardımcı olacağını düşünüyor ve çoğu bu araçlara güvenmekten mutluluk duyuyor (güvenilir içerikle desteklendiği sürece).

Dergi kılavuzları kullanım için bazı koruma rayları sunsa da, öncelikle akademik araştırma ve yazımda YZ'nin akut ve kısa vadeli etkileri ile ilgilenmektedir. Eleştirel düşünme, doğuştan gelen yazma becerileri veya akademik dürüstlükte düşüşle ilgili uzun vadeli endişeler söz konusu olduğunda, bilmiyoruz.

Yazılarınızda yapay zekayı nasıl sorumlu bir şekilde kullanıyorsunuz? Kişisel veya kurumsal olarak hangi yönergeleri kullanıyorsunuz? Düşüncelerinizi aşağıdaki yorumlarda araştırma topluluğuyla paylaşın.

Subscribe now

Bu yazı AI Can Write Your Paper, But Should You Let It? başlıklı yazıdan derlenmiştir.

Etik yapay zeka sadece bir onay kutusu değildir; bir bakış açısıdır. Artık mesele bu yapay zeka araçlarının neler yapabileceği değil, bizlerin sorumlu akademisyenler olarak bu gücü nasıl kullandığımızdır. Unutmayın, üretici yapay zekaya fazla güvenmekle onu uzmanlığınızı geliştirmek ve desteklemek için kullanmak arasında ince bir çizgi vardır.

Üretken Yapay Zeka Araçlarını Kullanma

✅ Asistanınız olarak üretken yapay zeka ile uzman olarak hareket edin.

❌ Araştırma boşluğu belirleme, hipotez oluşturma, veri analizi gibi kritik düşünme görevlerinde yapay zekayı kendi uzmanlığınızın yerine kullanmayın!

✅ Araştırma yapın ve yapay zekanın yol boyunca özetler, fikirler, bilgiler vb. ile daha üretken hale gelmesi için zemin hazırlayın.

❌ Yapay zeka çıktılarını, emek harcamadan hazır sonuçlar elde etmek için körü körüne bir kısayol olarak kullanmayın!

✅ Yapay zeka destekli veya yapay zeka tarafından üretilen çıktıların önyargılı veya gerçekte yanlış ayrıntılar içerebileceğini ve kullanmadan önce kapsamlı bir incelemeye ihtiyaç duyacağını anlayın.

❌ Nasıl çalıştığı, en iyi ne yaptığı ve ne yapmadığı konusunda kendinizi eğitmeden üretken yapay zeka araçlarını kullanmayın!

Dergi/Üniversite Politikaları

✅ Yapay zeka araçlarının kullanımına ilişkin üniversite/dergi politikasını öğrenin ve araçlara ve kullanıldıkları amaca atıfta bulunma konusundaki yönergeleri dikkatle izleyin.

❌ Bazı kullanım türlerinin kabul edilebilir olduğu varsayımıyla yapay zeka araçlarının kullanımını beyan eden üniversite veya dergi yönergelerini atlamayın!

✅ Göndermeden önce önleyici bir tedbir olarak, yanlışlıkla yayınlanmış çalışmalara benzeyebilecek metinleri belirlemek için güvenilir bir intihal tespit yazılımı kullanın.

❌ Başkalarının içeriğini kasıtlı olarak kendinizinmiş gibi göstermek için açımlayıcılar ve intihal denetleyicileri kullanmayın!

✅ Yapay zeka destekli veya yapay zeka tarafından oluşturulan metni her zaman doğrulayın, gereksiz kısımları atın ve geri kalanını kendi sesinize ve çalışmanıza anlamlı bir şekilde uyacak şekilde düzeltin.

❌ YZ tarafından oluşturulan özetleri, makaleleri veya diğer içerikleri kapsamlı bir inceleme yapmadan doğrudan göndermeyin! Bu bir tür intihal ve hile olarak kabul edilir.

Literatürü Gözden Geçirirme

✅ Başlangıç noktası olarak araştırma alanınızla ilgili makaleler bulun ve daha sonra derinlemesine analiz için kütüphanenize eklemek üzere daha alakalı makaleler bulmak için yapay zeka araçlarını kullanın.

❌ Metninize rastgele alıntılar ekleyen araçlara körü körüne güvenmeyin; önerileri dikkatle inceleyin! Araştırmanızla neyin doğru şekilde ilişkili olduğunu yalnızca siz bilirsiniz.

✅ Makaleleri özetlemek ve büyük bir makale setinden temaları çıkarma sürecini hızlandırmak ve literatür taramasını daha verimli hale getirmek için yapay zeka kullanın.

❌ Zamanınız ne kadar kısıtlı olursa olsun, kapsamlı bir eleştirel literatür taramasını yapay zeka tarafından oluşturulan özetler veya ChatPDF tipi çözümlerle ikame etmeyin!

✅ Araştırma boşluklarını belirlemek ve hipotezlerinizi doğrulamak için literatürü gözden geçirirken kavramları anlamak ve fikirler üzerinde beyin fırtınası yapmak için yapay zekayı kullanın.

❌ Bir araştırma fikri veya hipotez bulmak için tamamen yapay zekaya güvenmeyin ve daha sonra kısa yol olarak alıntıları dahil edin!

Akademik Yazımda Yapay Zeka

✅ Eğer orijinal yazınız yüksek bir yapay zeka tarafından üretilmiş skor alırsa, yapay zeka tespit araçlarının yanlış pozitif sonuçlar verme eğiliminde olduğunu unutmayın! Danışmanınızla veya dergi editörünüzle konuşun ve yazma geçmişinize dair kanıt sunmaya çalışın.

❌ Yapay zeka tarafından oluşturulan veya yapay zeka destekli metni yanlışlıklar için doğrulamayı ve içeriği kendi sesinizle içeriğinize uyacak şekilde düzeltmeyi unutmayın. 

✅ Yapay zeka tarafından oluşturulan veya yapay zeka destekli metnin intihal araçları tarafından işaretlenebileceğini bilin. İşaretlenen kısımları kontrol etmek için inceleyin ve kaynak çalışmanızla ilgiliyse bir alıntı ekleyin.

❌ İntihal denetleyicileri tarafından tespit edilmekten kaçmaya çalışmayın; benzerlik puanını düşürdüğünü iddia eden araçlara karşı dikkatli olun!

✅ Akademik yazım, hem anadili İngilizce olan hem de olmayanlar için zorlu bir süreçtir. Zaman kazanmak, fikirlerinizi iyi iletmek ve daha üretken olmak için yapay zeka araçlarını ihtiyatlı bir şekilde kullanın.

❌ Bu yapay zeka araçları hakkındaki şüphelerinizin, üretici yapay zekanın akademik yazım için sunduğu birçok avantajı kaybetmenize neden olmasına izin vermeyin.

Bu yazı The Do’s & Don’ts of Using Generative AI Tools Ethically in Academia başlıklı yazıdan derlenmiştir.

Kitabın başlığı, yazılım geliştirmenin “adam ayları” ile ölçülebileceği “efsanesini” hedef alıyor ve Brooks bunu takip eden sayfalarda bunu çürütüyor:

“[Yazılım projesinin] maliyeti gerçekten de adam sayısı ve ay sayısının çarpımı olarak değişir. İlerleme ise değişmez. Dolayısıyla, bir işin büyüklüğünü ölçmek için kullanılan bir birim olarak adam-ay tehlikeli ve aldatıcı bir efsanedir.”

Yazılımın ilk günlerinden itibaren bu kitabı gözden geçiriyor ve Efsanevi Adam Ayı'nın yayınlanmasından bu yana geçen 50 yılda nelerin aynı kaldığını, kitabın hangi öngörüleri doğru ya da yanlış bulduğunu ve bugün mühendislikte nelerin farklı olduğunu not alıyorum.

3. Bölüm “Cerrahi Ekip” başlığını taşıyor ve “10x mühendis” kavramından belki de ilk bahsedenlerden birini içeriyor. Brooks bunu şu şekilde ifade ediyor:

“Programlama yöneticileri uzun zamandır iyi programcılar ile kötü programcılar arasında büyük verimlilik farklılıkları olduğunu fark etmişlerdir. (...) Çalışmalarından birinde Sacknman, Erikson ve Grant bir grup deneyimli programcının performanslarını ölçüyorlardı. Sadece bu grup içinde en iyi ve en kötü performanslar arasındaki oranlar verimlilik ölçümlerinde ortalama 10:1, program ve hız alanı ölçümlerinde ise inanılmaz bir şekilde 5:1'dir! Kısacası, 20.000 $/yıl programcı [2024 şartlarında: 120 bin $], 10.000 $/yıl programcıdan [2024 rakamlarıyla: 60 bin $] 10 kat daha üretken olabilir.”

Brooks bu gözleme katılıyor ve radikal bir çözüm öneriyor: mümkün olduğunca az sayıda kıdemli programcıya sahip olun ve her birinin etrafında bir ekip oluşturun - tıpkı bir hastane cerrahının tüm bir ekibi yönetmesi gibi. Brooks, Harlan Mills'ten ödünç aldığı aşağıdaki yapının işe yarayabileceğini öne sürüyor:

1. Baş programcı. Brooks bu kişiye “cerrah” diyor. Şartnameyi yazar, kodu yazar, test eder ve dokümantasyonu hazırlar. 10 yıldan fazla deneyime ve geliştirme, matematik, işletme ve ihtiyaç duyulan diğer her konuda geniş bir uzmanlık yelpazesine sahiptir.

2. Yardımcı pilot. “Cerrahın alter egosu, işin herhangi bir kısmını yapabilir, ancak daha az deneyimlidir.” Bu biraz küçük bir çift programlama ortağı gibidir.

3. Dil avukatı. "Çoğu bilgisayar kuruluşunda bir programlama dilinin inceliklerine hakim olmaktan zevk alan bir ya da iki kişi vardır. Bu uzmanlar çok yararlı olurlar ve kendilerine çok danışılır." Bu rol, baş programcının genellikle bir programlama dili üzerinde derinlemesine çalışacak zamanı olmayacağı ve bu konuda bir uzmana güveneceği anlamına gelir. Çok ilginç bir ekleme!

4. Alet ustası. Programcı ve yardımcı pilotun işlerini daha iyi yapabilmeleri için geliştirici araçlarının oluşturulması ve bakımından sorumludur; örneğin editörlerin geliştirilmesi, daha iyi hata ayıklama işlevlerinin oluşturulması, yardımcı araçların ve makroların oluşturulması vb.

5. Test uzmanı. Test senaryoları ve verileri oluştururlar. Ayrıca testlerin iskelesinden de sorumludur.

6. Program memuru. “Ekibin teknik kayıtlarının bir programlama-ürün kütüphanesinde tutulmasından sorumludur, hem makine tarafından okunabilir hem de insanlar tarafından okunabilir dosyalardan sorumludur.”

7. Yönetici. Maaş bordrosu, ofis kiralama, bilgisayar satın alma vb. işlerden sorumludur.

8. Editör. Baş programcının yazdığı belgeleri düzenler ve üretime hazır hale getirir.

9. İki sekreter. “Yönetici ve editörün birer sekretere ihtiyacı olacak; yöneticinin sekreteri proje yazışmaları ve ürün dışı dosyalarla ilgilenecek.”

İşte çok üretken bir programcının etrafında kurulan bu “cerrahi ekip” böyle görünüyor:

Bana kalırsa bu ekip kurulumu hedefe yönelikti. Roller o zamanlar kesinlikle mantıklıydı, ancak herhangi bir iş lideri neden bir geliştiriciyi desteklemek için 9 kişiyi daha işe almak için imza atsın ki? 1975 yılında cevabın çok az olduğunu varsayıyorum.

2024'te Brooks'un önerdiği rollerin çoğuna gerek kalmadı ve “cerrahi ekip” araçlardaki ve çalışma şeklimizdeki gelişmeler sayesinde dönüştü:

Aletlerin 50 yıl içinde ne kadar geliştiği büyüleyici. 1975'te var olmayan ya da 1995'te yaygın olmayan araçlar ve yaklaşımlar şunlardır:

• Git - video oyunları gibi çok büyük varlıklara sahip projeler için istisnalar dışında, endüstrinin çoğu tarafından kullanılan şu anda baskın sürüm kontrol sistemi

• Kod incelemeleri: bunlar sürüm kontrolüne paralel olarak yaygınlaştı. Kod incelemeleri, bir görev üzerinde çalışırken eşleşme ihtiyacını azaltarak mühendislerin değişiklikleri takip etmesine ve birbirlerinden öğrenmesine olanak tanır.

• CI/CD: tüm değişiklikler üzerinde otomatik testlerin çalıştırılması ve kodun otomatik olarak üretime dağıtılması.

• Rollout ve rollback mekanizmaları. Brooks, yazılımı internet öncesi işletim sistemleri üretme bağlamında ele alıyor. İşletim sistemleri ve gömülü yazılımlar oluşturmak hala zor olsa da internet üzerinden yazılım güncellemeleri yaygındır ve hata düzeltmeleri daha sonra teslim edilebilir. Otomobiller buna iyi bir örnektir; modern araçların çoğu düzenli olarak donanım yazılımlarını ve işletim sistemlerini “havadan” yenilemektedir!

• Dilleri ve çerçeveleri edinmek daha kolaydır. Günümüzde yeni bir dile başlamayı çok daha kolay hale getiren sayısız çevrimiçi kaynak, kum havuzları ve otomatik tamamlama ve derleme zamanı hataları için satır içi sinyalizasyon gibi gelişmiş IDE işlevleri bulunmaktadır. Güncel olarak, şu anda yapay zeka kodlama araçlarının üretkenlik üzerindeki etkisini keşfediyoruz.

Progress, eskiden bir lider geliştiriciyi destekleyen 10 kişilik bir ekibi, bir dizi araca ve daha büyük şirketlerde birkaç merkezi platform ekibine dönüştürdü.

“Hiyerarşik programlama” kavramının modası geçmiş gibi geliyor. Brooks'un modelinde dikkatimi çeken bir şey de hiyerarşik olması. “Baş programcı” bir mimar gibi hareket eder ve tüm planlamayı, çoğu yön belirlemeyi ve bazı kodlamaları yaparken, diğer herkes iyi tanımlanmış, destekleyici rollerde çalışır. Yardımcı pilot şöyle tanımlanıyor:

“tüm kodu yakından bilir. [Alternatif tasarım stratejilerini araştırırlar. [Açıkçası cerrah için felakete karşı bir sigorta görevi görürler. [Hatta kod yazabilirler ama kodun hiçbir kısmından sorumlu değildirler.”

Makine zamanı pahalı olduğu için bilgisayarlara erişimin daha kısıtlı olduğu zamanlarda bu düzen anlamlıydı, ancak bugün, üretim kodunu yazan giriş seviyesinde bir mühendisin bile olmaması savurganlık olurdu. O zamanlar kötü yazılmış kodların üretime geçmesini engellemek için kaynak kod kontrolü ve kod incelemeleri yoktu.

Bu, araçların bir ekibin sosyal dinamiklerini değiştirdiğini hatırlatan iyi bir örnek. Daha iyi araçlar sayesinde bugünlerde aşırı hiyerarşik ekip yapılarını reddedebiliyoruz.

Brooks'un “alet ustası” kavramı hala geçerli ama farklı. Daha iyi hata ayıklama araçları ve yardımcı programları oluşturmak için özel bir geliştiricinin rolü ve ayrıca buna yapılan bir ekleme ilgimi çekti:

“Merkezi olarak sağlanan herhangi bir hizmetin mükemmelliği ve güvenilirliği ne olursa olsun, her ekibin kendi alet ustasına ihtiyacı olacaktır. Onların görevi, başka herhangi bir ekibin ihtiyaçlarına bakmaksızın cerrahın ihtiyaç duyduğu veya istediği araçları görmektir.”

Brooks, bugün platform ekibi olarak adlandırdığımız merkezi bir alet ekibi olsa bile, ekibe özel bir alet uzmanının hala çok değerli olduğuna inanıyordu. Ancak araçlar, geliştirici ortamları, derleme araçları ve daha fazlası ayrıntılı şekillerde yapılandırılabildiği için bu ihtiyaç neredeyse tamamen ortadan kalktı.

Bir şirketteki tüm ekipler aynı CI/CD araçlarını kullanır, ancak yapılandırmaları biraz değiştirebilirler.

Bir mühendislik ekibi içinde, genellikle derleme sistemlerini ve paylaşılan ortamları diğerlerinden daha fazla değiştirmekten hoşlanan bir veya iki mühendis olduğu doğrudur. Ancak merkezi platform/altyapı ekiplerinde “gömülü” bir platform mühendisine ihtiyaç yoktur. Bu, kitabın çıkmasından bu yana geçen 50 yılda geliştirici araçlarının ne kadar geliştiğiyle ilgilidir.

“10x mühendisi” her zaman bir tartışma ve çekişme kaynağı olmuştur. Hepimiz diğerlerinden çok daha üretken görünen geliştiriciler görmüşüzdür. CTO'lar ve CEO'lar da bunu fark eder ve bazıları öne çıkan kişileri “10x geliştirici” olarak etiketler.

Bununla birlikte, çok fazla nüans vardır:

• İşleri hızlı bir şekilde inşa eden bir geliştirici, bunu daha sonra birçok geliştiricinin değiştirmek için mücadele edeceği, bakımı mümkün olmayan kod yazarak yapabilir

• “10x geliştirici”, bilgi biriktiren ve başkalarının kurdukları belirsiz sistemleri anlamasına izin vermeyi reddettiği için etkili olan biri olabilir

• “10x geliştirici”, yüksek iş hacmine sahip bir işyerinde uzun süre çalıştığından çok daha üretken olabilir

• Bir başka “10x geliştirici”, iyi bir iş anlayışına sahip, en kârlı projeler üzerinde çalışan ve diğer işlerden kaçınan biri olabilir

• Başka bir “10 kat geliştirici” de, daha büyük bir ekip tarafından yapılan ve tamamladıkları iş için kredi almakta çok iyi olabilir

Bunun nereye varacağını görüyorsunuz. “10x geliştirici” davranışı aslında farklı bir etiket altında tespit edilmemiş toksik davranış olabilir. Bu arada, diğerleri tekrarlanamayan belirli bir bağlamın avantajına sahip olabilir. Bu kesinlikle karmaşık bir konu ve sektör genelinde 50 yılı aşkın bir süredir üzerinde düşünmeyi ve tartışmayı bırakmadığımız bir konu.

Feynman Tekniği, potansiyelinizi açığa çıkaran ve sizi derin bir anlayış geliştirmeye zorlayan bir öğrenme yöntemidir. Bu blogda nasıl kullanabileceğinizi öğrenin!

Richard Feynman - İyi Bir Adam 📚

Feynman (“Fine-Man” olarak telaffuz edilir) kuantum elektrodinamiği alanına önemli katkılarda bulunan ve atom altı parçacıkların görsel temsillerini geliştirerek parçacık fiziği anlayışımızda devrim yaratan çığır açıcı bir fizikçiydi. Çalışmaları ona 1965 yılında Nobel Fizik Ödülü'nü kazandırmıştır.

Teorik fizik alanındaki çalışmalarının yanı sıra Feynman, Manhattan Projesi 'nde de kilit bir rol oynamış ve Uzay Mekiği Challenger faciası hakkında kapsamlı bir rapor yazmıştır.

Feynman'ın karmaşık fikirleri açıklama ve düşüncelerini basit ve sezgisel bir şekilde aktarma konusundaki olağanüstü yeteneği eşsizdir.

Özetle, Feynman Tekniği, bir kavramı sade, basit bir dille açıklayarak öğrenmek veya gözden geçirmek için kullanılan bir yöntemdir.

Geleneksel Öğrenme Yöntemleri 🧠

Kendinizi kandırmanın bir yolu da bildiğinizden daha fazlasını bildiğinizi hayal etmektir. Aslında hiçbir şey bilmediğiniz halde bir uzman olduğunuzu sanırsınız. Çaylak!

Yeni bir şey öğrendiğinizde, onu anladığınıza inanmak kolaydır. Ama gerçekten anladınız mı? Kavramı bütünüyle anladınız mı yoksa sadece bir testte veya sınavda bilgiyi kusmak için bazı formülleri, çizimleri veya tam cümleleri ezberlediniz mi?

Bir şeyi iyi anlamak istiyorsanız, onu basitçe açıklamaya çalışın.

Okulda “öğretilen” bazı öğrenme teknikleriyle ilgili sorun, bunların çoğunun işe yaramaz olmasıdır. Metinlerin rastgele kısımlarını vurguluyor, herhangi bir amaç olmaksızın özetliyor ya da... benim sık sık yaptığım gibi... cümleleri akılda kalana kadar defalarca okuyorsunuz.

Bilgiyi akılda tutmak için gerçekten etkili değil! 👎

Feynman Tekniği 4 Adımda! ✍️

Feynman'ın kendi kullandığı yönteme dayanan Feynman Öğrenme Tekniğinin 4 adımı vardır.

Basit bir ifadeyle, bunlar:

1. Merak ettiğiniz bir konu seçin

2. Sanki 12 yaşında bir çocuğa anlatıyormuş gibi anlatın.

3. Boşlukları belirleyin, iyileştirin ve basitleştirin

4. Düzenle ve Gözden Geçir

Şimdi bu adımların her birine biraz daha ayrıntılı olarak göz atalım.

Adım 1: Bir Konu Seçin 📝

Bunun en kolay yolu boş bir kağıt ve kalem alıp uzmanlaşmak istediğiniz konuyu yazmaktır. Konu hakkında bildiğiniz her şeyi sanki bir çocuğa ya da masanızda oturan bir lastik ördeğe öğretiyormuşsunuz gibi yazın.

Şimdi, zeki ve inek arkadaşınıza değil, sizi kavramı anlamak için basit kelimeler kullanmaya zorlayan bir çocuğa öğrettiğinizi not etmek önemlidir. Basit ve açık. Şaşırtmaca yok.

İş ortamlarında insanların çoğunlukla karmaşık kelimeler ve jargon kullandığını gördüğünüzde, bunu neredeyse hiç anlamamaları komiktir. Aslına bakarsanız, kullandığınız kelime ve terimleri net ve basit bir şekilde tanımlayamıyorsanız, ne hakkında konuştuğunuzu gerçekten bilmiyorsunuz demektir.

Eğer bir arabaya bakıp onu “aerodinamik” olarak tanımlıyorsanız, çünkü başkalarının böyle dediğini duymuşsunuzdur, hiçbir şey anlamadığınızı gösterirsiniz. Sadece başkalarının söylediklerini taklit ediyorsunuz. Neden “aerodinamik” olduğunu ya da bu kelimenin ne anlama geldiğini gerçekten bilmiyorsunuzdur.

Basitlik sizi kavramı daha derin bir düzeyde anlamaya ve fikirler arasındaki ilişkileri ve bağlantıları basitleştirmeye zorlar. Neyi tanımladığınızın ardındaki nedeni daha iyi açıklayabilirsiniz.

Bunu nasıl daha da kolaylaştırabileceğinize dair bazı ipuçları...

• Spesifik hale getirin - “Mühendislik” gibi tüm bir alan yerine tek bir konuya odaklanın

• KISS - Keep it Simple, Stupid! - Önce daha küçük bir konuyu öğrenin ve aklınıza gelen görselleri, infografikleri veya formülleri çizin - bunun için bir zihin haritası oluşturabilir veya düşüncelerinizi bir liste şeklinde yazabilirsiniz

• Zor iyidir! - Ne zaman bir şeyler öğrensek, hoşumuza gitmeyen şeyleri atlama eğiliminde oluruz, bunun yerine kendimizi övmek için zaten bildiğimiz şeyleri tekrarlamayı severiz. Nasıl söylemeyi severim: En iyi kısayol kısayol olmamasıdır.

Adım 2: Bir Çocuğa Öğretin 👶

Bu kısım kritiktir! Birinci adımın mantıksal sonucu ve turnusol testidir.

Notlarınızı ve düşüncelerinizi, ideal olarak bu konu hakkında hiçbir fikri olmayan birinin üzerinden geçirin. Bu sadece bilginizi değil, aynı zamanda yeni bilgileri başkalarına aktarma becerinizi de test eder.

Sunum tarzı oldukça önemsizdir. Yazdıklarınızı okuyabilir, bir ders gibi sunabilir veya konuyla ilgili bir YouTube videosu kaydedebilir ve başkalarının açıklamanızı nasıl beğendiğini görebilirsiniz (muhtemelen en zoru).

Kütle Sürekliliği Denkleminin Açıklaması

Gerçekten önemli olan tek şey, materyali ona aşina olmayan bir kişiye veya gruba aktarmaya çalışmanızdır.

Dışarıdan gelen geribildirim, anlayışınızı daha da geliştirmek için paha biçilmezdir, aynı zamanda sizi alçakgönüllü tutar çünkü ne kadar çok öğrenir ve bilirseniz, neyi bilmediğinizi o kadar çok bildiğinizi göreceksiniz. Muhtemelen kendinizi topraklamak için en iyi egzersizlerden biri.

Dinleyicilerinizin neyi merak ettiğini duymak muhtemelen sizin de merakınızı uyandıracak ve daha fazla öğrenmeniz için sizi bir yola sokacaktır. Sonuçta, ancak birkaç şeyi gerçekten iyi öğrenmeye başladığınızda, bilinmesi gereken ne kadar çok şey olduğunu anlarsınız.

Adım 3: Bilgi Boşluklarını Belirleyin 📈

Açıkladıktan ve boşluklarınızı not aldıktan sonra, açıklamanızı yineleyin ve daha az kafa karıştırıcı hale getirin.

Basit güzeldir. Karmaşıklık ise kaostur.

Henüz neyi anlamadığınızı görün ve basit bir açıklama elde edene kadar tekrarlayın. Karmaşık bir terimi daha basit bileşenlere ayırabilir misiniz?

Bilgi boşluklarını belirlemek şunlara yardımcı olur...

• Kasıtlı öğrenme - sizin ve başkalarının nerede zorlandığını belirleyerek, öğrenme sadece bilgiyi solumak yerine aktif hale gelir. En önemli şeylere odaklanırsınız!

• Yinelemeli öğrenme - Unutma eğrisi, hafızada tutmanın zaman içinde azaldığını varsayar. Yani bir şeyi bir kez öğrenip sonsuza kadar hatırlamak teknik olarak imkansızdır (elbette bazı istisnalar vardır). Bu nedenle Feynman tekniği tekrarlama ve yinelemeyi ödüllendirir. Boşlukları doldurarak ve noktaları birleştirerek öğrenme sürecini tekrarlayarak, bilgiyi uzun süreli belleğinize kazıma olasılığınız daha yüksektir.

Adım 4: Düzenleyin ve Gözden Geçirin 🗄️ ️

Son adım, kalan boşlukları doldurarak düşüncelerinizi daha sunulabilir hale getirmek için yeniden düzenlemeyi, argümanlarınızı desteklemek için basit örnekler bulmayı ve analojileri içerir. Zamanınızı azaltmak için, bilginizi diğer izleyicilerle test etmek yeni merakları ortaya çıkaracaktır.

Bu tekniğin güzel bir yan etkisi...

• Gerçek bir güven artırıcı! Daha önce çok kafa karıştırıcı bulduğunuz bir konuyu birine öğretebiliyorsanız, bu sadece sizin güveninizi değil, öğrettiğiniz kişilerin de güvenini artırır.

Potansiyel Dezavantajlar 🚫

Teknik basit ve oldukça etkili gibi görünse de dikkat etmeniz gereken bazı hususlar vardır.

Not Üzerine Not Alma Yöntemi 📝📝📝

Notlar üzerine notlar alarak bilgileri özetlemek verimsiz ve zaman alıcı olabilir ve bilgileri akılda tutmanın en etkili yolu olmayabilir. Bunun yerine, aktif hatırlama ve aralıklı tekrarlama gibi teknikler, bilgiyi anlamanıza ve aklınızda tutmanıza yardımcı olmada daha etkili olabilir. Başlangıçta Feynman tekniğini kullanarak anlamaya çalıştıktan sonra bilgileri birkaç turda basitleştirmek ve daha sonra gözden geçirmek için bilgi kartlarına dönüştürmek daha etkili olabilir.

Zaman Alıcı ⌛

Feynman Tekniği, materyali iyice anlamak için zaman ayırmanızı ve ardından kendi kelimelerinizle açıklamanızı gerektirdiğinden zaman alıcı olabilir.

Çaba Gerektirir 💪

Feynman Tekniğini kullanmak, materyal üzerinde aktif olarak düşünmeyi ve açıklamayı içerdiği için çok fazla çaba ve zihinsel enerji gerektirir.

Tüm Öğrenme Stilleri için İşe Yaramayabilir 🧠

Feynman Tekniği öncelikle sözel bir öğrenme stratejisi olduğu için herkes için uygun olmayabilir. Bazı kişiler görsel veya uygulamalı öğrenme yöntemlerini tercih edebilir.

Belirli Konularla Sınırlıdır👇

Feynman Tekniği, tamamen olgusal veya prosedürel bilgilerden ziyade kavram ve fikirleri içeren konularda en etkilidir. Ezber gerektiren konular için o kadar etkili olmayabilir.

Gerçek Dünya Uygulaması 😨

Feynman Tekniğinden en iyi şekilde yararlanmak için düzenli olarak pratik yapmak önemlidir - gerçek dünyada! Bu, yerinde olabileceği gibi YouTube veya insanlara eğitim verdiğiniz başka bir platform aracılığıyla sanal olarak da gerçekleşebilir.

Feynman Tekniği neden kullanılır? 💡

Tüm potansiyel dezavantajları göz önünde bulundurarak, Feynman tekniği şunları yapmanızı sağlar...

1. Akılda tutmayı geliştirir: Materyalle aktif olarak ilgilenerek ve onu bir başkasına açıklayarak, uzun vadede hatırlama olasılığınız daha yüksektir.

2. Özgüveni artırır: Bir kavramı veya fikri iyice anlayıp açıklayabildiğinizde, bilginize ve yeteneklerinize daha fazla güvenebilirsiniz. Bu güven, ihtiyaç duyduğunuzda bilgiyi daha kolay hatırlamanıza yardımcı olabilir.

3. Bilginizdekiboşlukları belirler: Bir kavramı açıklamaya çalıştığınızda ve tam olarak anlamadığınızı fark ettiğinizde, geriye dönüp bilginizdeki boşlukları doldurabilirsiniz. Bu, materyali daha iyi anlamanıza ve aklınızda tutmanıza yardımcı olabilir.

Benim için en önemlisi, ezberlemeyi öğrenme sürecimizden çıkarmasıdır. Okulda hemen hemen her şeyi ezberlemeyi öğrenirsiniz ve sınavlarınızı bitirdiğinizde hepsini çabucak unutursunuz.

"Bence bilmeden yaşamak, yanlış olabilecek cevaplara sahip olmaktan çok daha ilginç. Yaklaşık cevaplarım, olası inançlarım ve farklı şeyler hakkında farklı belirsizlik derecelerim var, ancak hiçbir şeyden kesinlikle emin değilim ve neden burada olduğumuzu sormanın bir anlamı olup olmadığı gibi hakkında hiçbir şey bilmediğim pek çok şey var. Bir cevap bilmek zorunda değilim. Bir şeyleri bilmemekten, herhangi bir amacı olmayan gizemli bir evrende kaybolmaktan korkmuyorum, ki anlayabildiğim kadarıyla gerçekte olan da bu." - Richard Feynman

Sonuç 👋

Feynman tekniği, bir konuyu daha iyi anlamanız ve daha derinlemesine öğrenmeniz için oldukça etkili bir yoldur. Her öğrencinin çalışma rutinine dahil etmesi gereken değerli bir revizyon aracıdır. Aslında, anlayışlarını geliştirmek, üretkenliği artırmak ve performansı iyileştirmek isteyen herkes Feynman tekniğini kullanarak fayda sağlayabilir. Neredeyse her çalışma alanına uygulanabilecek gerçekten faydalı bir yöntemdir.

Hatta öğrenmenizi daha da güçlendirmek için bilgi kartları veya Notion kullanarak Feynman tekniğini geliştirebilirsiniz. Ne yazık ki, okulda asla öğrenemeyeceğiniz şeyler.

Üretkenlik ve ders çalışma hakkında daha fazla bilgi edinmek istiyorsanız, ücretsiz abone olmayı düşünün ya da aşağıdaki butona tıklayın!

✒️ Bu yazı The Feynman Technique başlıklı yazıdan çevrilmiştir.

Bölüm 2 | Doğrusal kombinasyonlar, yayılma ve temel vektörler

Bölüm 3 | Doğrusal dönüşümler ve matrisler

Bölüm 4 | Bileşim olarak matris çarpımı

Bölüm 5 | Üç boyutlu doğrusal dönüşümler

Bölüm 6 | Determinant

Bölüm 7 | Ters matrisler, sütun uzayı ve boş uzay

Bölüm 8 | Boyutlar arası dönüşümler olarak kare olmayan matrisler

Bölüm 9 | Nokta çarpımlar ve dualite

Bölüm 10 | Çapraz çarpımlar

Bölüm 11 | Doğrusal dönüşümler ışığında çapraz çarpımlar

Bölüm 12 | Cramer kuralı, geometrik olarak açıklanması

Bölüm 13 | Temel değişikliği

Bölüm 14 | Özvektörler ve özdeğerler

Bölüm 15 | Özdeğerleri hesaplamak için hızlı bir yöntem

Bölüm 16 | Soyut vektör uzayları

Yeni bir araştırmaya göre, CERN'deki araştırmacıların bir dergi makalesinde en fazla yazar rekorunu kırdığı fizik de dahil olmak üzere, bilim genelinde ekip büyüklüğündeki artış, kariyerinin başındaki bilim insanlarına zarar verebilir.CHRISTIAN HARTMANN/REUTERS

Kariyerinin başındaki akademisyenler, kadro ve fon arayışında giderek artan bir sıkışma ile karşı karşıya kalıyor ve yaygın tartışmalara rağmen, çözümlerin kaçamak olduğu kanıtlandı. Şimdi ise yeni bir çalışma, bu durumun başlıca sorumlularından birine parmak basıyor: Araştırma ekipleri büyümüş, 1970 yılında makale başına ortalama 1,8 yazar düşerken 2004 yılında bu sayı 3,6'ya çıkarak iki katına çıkmıştır. Nature Biotechnology'de 14 Ağustos'ta yayınlanan bir çalışmaya göre, belirli bir araştırma alanında ortalama ekip büyüklüğündeki her bir kişilik artış için, o disiplinde çalışan yeni doktoralıların kadrolu bir işe girme olasılığı %24, kadro alma olasılığı %29, federal hibe alma olasılığı %11 ve bilimi bırakma olasılığı %11 daha az. Bilimi bırakma olasılığı en yüksek olanlar kadınlar ve yabancı doğumlu bilim insanlarıdır.

Pittsburgh Üniversitesi Bilgisayar ve Enformasyon Fakültesi'nde yardımcı doçent olan ve çalışmaya katılmayan Lingfei Wu, “Ekiplerin faydaları hakkında çok sayıda makale var, ancak maliyeti hakkında çok fazla makale yok” diyor; geçmiş çalışmaları daha küçük ekiplerin daha yenilikçi olduğunu göstermiştir. “İşbirliği, ekibin en altındaki insanlara zarar verebilir, çünkü bu onların itibarını zedeleyebilir ve kariyer ilerlemelerini baltalayabilir.”

Yeni çalışma, yazarlardan ikisi, Melbourne Üniversitesi'nden Catherine de Fontenay ve Melbourne İşletme Okulu'ndan Kwanghui Lim tarafından daha önce geliştirilen ve ekip büyüklüklerinin arttığı alanlarda erken kariyerlerin zarar göreceğini öne süren teorik bir modeli test ediyor. ABD'deki doktora sahiplerinin mezuniyet sonrası kariyer yollarını izleyen Ulusal Bilim Vakfı'nın Doktora Alıcıları Anketi'nden (SDR) elde edilen verileri, yedi geniş bilim alanındaki dergi makalelerindeki ortalama yazar sayısıyla birleştiren ekip, 1973 ve 2013 yılları arasında ekip büyüklüğündeki artışın, yeni doktora sahipleri için kadrolu çalışma fırsatlarındaki düşüşün tamamını açıkladığını buldu. (SDR 2015'te yeniden tasarlandığı için çalışma 2013'ün ötesine bakmıyor.) Bazı bilim insanlarının bu eğilime katkıda bulunabileceğini düşündüğü, 1994'te akademide zorunlu emekliliğin sona ermesi gibi diğer faktörler bu etkiyi tam olarak açıklamadı. Kansas Üniversitesi'nde ekonomist olan çalışmanın yazarı Donna Ginther, “Her şey ekipler halinde yaratılır, ancak ekip dinamikleri kariyerleri etkiler” diyor.

Akademiden ayrılma olasılığı en yüksek olanlar kadınlar ve yabancı uyruklu bilim insanlarıydı. Onlar için, ek bir yazar, kadrolu bir işte çalışma olasılıklarını %5 ila %6 oranında düşürdü. Chicago Üniversitesi ve Santa Fe Enstitüsü'nde sosyolog olan ve Wu ile işbirliği içinde ekip büyüklüğü ve inovasyon üzerine çalışan James Evans, “Bunlar kadınların ve yabancı doğumlu bilim insanlarının başarılı olamadığı ortamlar ve orantısız bir şekilde bizim yarattığımız ortamlar” diyor.

Evans, ekip büyüklüğünün artmasının sadece genç bilim insanları için değil, aynı zamanda bilimin kendi kendini düzeltme yeteneği için de kötü olduğunu söylüyor. “Finansmanın büyük laboratuvarlarda yoğunlaşması, kontrol edilme ve düzeltilme olasılığı daha düşük olan coşku balonlarına sahip olma olasılığımızı artırıyor, çünkü bu kontroller ve düzeltmeler laboratuvarların bağımsızlığıyla ilişkilidir.”

Yazarlar, finansman politikasının bu sorunları ele almak için güçlü bir kaldıraç olabileceğini, ancak sorunu daha da kötüleştirmekten kaçınmak için stratejik olarak uygulanması gerektiğini vurguluyor. Bilime ayrılan fonların artırılmasının kariyerin başındaki rekabeti ve yıpranmayı azaltacağı düşünülse de, Ginther'in ekibinin bulduğu şey bu değil. ABD Ulusal Sağlık Enstitüleri (NIH) 1998 ve 2003 yılları arasında bütçesini iki katına çıkardığında, fon akışı laboratuvar sayısını artırmadı, bunun yerine ekip boyutlarını büyüttü. Ve büyük ölçüde NIH tarafından finanse edilen yaşam bilimleri, yazarların inceledikleri dönem boyunca akademik kadrolu pozisyonlarda istihdam edilen doktoralıların yüzdesinde en büyük düşüşü gördükleri alandır.

Ginther, geniş çaplı fon artışları yerine, özellikle laboratuvarlarını kurmaya hazır olan kariyer ortası araştırmacıları hedefleyen programların yardımcı olabileceğini söylüyor. Örneğin, yeni araştırmacılara laboratuvarlarını kurarken destek vermek için 2008 yılında başlatılan bir NIH mekanizmasını alkışlıyor. Ginther, “NIH'in halihazırda kariyerinin başındaki araştırmacılara fon sağlamaya öncelik veren bir Erken Aşama Araştırmacı politikası var” diyor. “Bunu kariyerinin ortasındaki bilim insanları için de yapma konusunda tartışmalar vardı.” Gelecekteki çalışmalar bu tür programların başarısını değerlendirebilir.

Kariyerinin başındaki bilim insanlarının, özellikle de belirli demografik gruplardan gelenlerin akademiden neden ayrıldıklarını araştırmak için de araştırmalara ihtiyaç duyulacaktır. Mevcut çalışma, tüm alanlardaki ortalama ekip büyüklüklerine dayanıyor ve belgeledikleri işyeri dinamiklerindeki yaygın değişimin arkasındaki mekanizmaları araştırmıyor. Wu, “Gelecekte tek tek bilim insanlarının yörüngelerini kontrol etmek için yapılması gereken çok iş var” diyor. “Her bir kişi tam olarak nereye gitti?”

doi: 10.1126/science.zpu5tos

✒️ Bu yazı Larger teams worsen academic career prospects başlıklı yazıdan çevrilmiştir.

Nakit karşılığı atıflar: Araştırmacılar, akademisyenlerin makalelerine yapılan atıfları toplu olarak satın alabilecekleri hizmetler belirlediler.Credit: Vergani_Fotografia/Getty

Araştırma bütünlüğü gözlemcileri, bilim insanlarının çalışmalarının atıf sayılarını taklit veya manipüle etmelerinin giderek artan yollarından endişe duyuyor. Son aylarda giderek daha cesur uygulamalar ortaya çıktı. Bir yaklaşım, bir grup araştırmacının yarattıkları sahte bir bilim insanının Google Scholar profilini doldurmak için 50 atıf satın aldıkları bir operasyonla ortaya çıkarıldı.

Bilim insanları atıfları, sahte atıfları toplu olarak sattığı anlaşılan bir firmadan 300 ABD Doları karşılığında satın aldı. Ekip, bunun, araştırma bütünlüğü hafiyelerinin uzun süredir spekülasyon yaptığı sahte referanslar için bir karaborsanın varlığını doğruladığını söylüyor.

New York Üniversitesi (NYU) Abu Dabi'de bilgisayar bilimcisi olan Yasir Zaki, “Şüpheli atıf eğilimlerine sahip birkaç Google Scholar profili fark etmeye başladık,” diyor ve ekibi Şubat ayındaki bir ön baskıda operasyonunu anlatıyor. “Bir makale yayınlandıktan sonraki günler içinde yüzlerce atıf aldığında ya da bir bilim insanının atıflarında ani ve büyük bir artış olduğunda, bir şeylerin yanlış gittiğini anlarsınız.”

Bu uygulamalar sorunludur çünkü bir araştırmacının kariyerinin pek çok yönü, makalelerinin ne kadar referans topladığına bağlıdır. Birçok kurum bilim insanlarını değerlendirmek için atıf sayılarını kullanır ve atıf sayıları, bilim insanlarının üretkenliğini ve çalışmalarının etkisini ölçmeyi amaçlayan h-indeksi gibi ölçütleri bilgilendirir.

Atıf manipülasyonunun gerçek sonuçları olabilir. Haziran ayında İspanyol El País gazetesi, ülkenin Araştırma Etik Komitesi'nin Salamanca Üniversitesi'ni, Google Scholar ölçümlerini yapay olarak artırmakla suçlanan bir bilgisayar bilimcisi olan yeni atanan rektörü Juan Manuel Corchado'nun çalışmalarını soruşturmaya çağırdığını bildirdi. (Corchado Nature'ın yorum talebine yanıt vermedi.)

Satılık Referanslar

Fransa'daki Grenoble Alpes Üniversitesi'nden bilgisayar bilimcisi Cyril Labbé, araştırma bütünlüğü gözlemcilerinin, düşük kaliteli çalışmalar üreten ve zaten kabul edilmiş makalelerdeki yazarlık yuvalarını satan hizmetler olan kağıt fabrikalarında atıfların satılık olduğundan zaten şüphelendiklerini söylüyor. “Kağıt fabrikaları sattıkları makalelere atıf ekleme yeteneğine sahipler” diyor.

Kasım 2023'te, Philadelphia, Pennsylvania'daki analiz firması Clarivate, atıf oyunları ve 'hiper-yayıncılık' korkuları nedeniyle 1.000'den fazla araştırmacıyı yıllık yüksek atıf alan araştırmacılar listesinden çıkardı.

Zaki ve meslektaşları, gizli operasyonlarında hayali bir bilim insanı için Google Scholar profili oluşturdular ve yapay zeka kullanılarak oluşturulmuş 20 uydurma çalışma yüklediler.

Ekip daha sonra, veri setindeki yazarlardan biriyle bağlantılı şüpheli atıfları analiz ederken buldukları, Google Scholar profillerine atıf satıyor gibi görünen bir şirkete yaklaştı. Çalışmanın yazarları firmayla e-posta yoluyla iletişime geçti ve daha sonra WhatsApp üzerinden iletişim kurdu. Şirket 300 dolar karşılığında 50 atıf veya 500 dolar karşılığında 100 atıf teklif etti. Yazarlar ilk seçeneği tercih etti ve 40 gün sonra 14'ü bilimsel veri tabanı Scopus tarafından indekslenen 22 dergideki çalışmalardan 50 atıf hayali araştırmacının Google Scholar profiline eklendi.

Ekip, şirketin ismini Nature ile paylaşmadı; çünkü bu ismin açıklanmasının şirketin web sitesine ya da oluşturdukları sahte Google Scholar profiline dikkat çekebileceği ve sahte atıfları yerleştiren çalışmaların yazarlarının kimliklerinin ortaya çıkabileceği endişesini dile getirdiler. Nature tarafından Google Scholar'ın sitesinde sahte profiller oluşturulabileceğinin farkında olup olmadığı sorulan şirketin seçkin mühendisi Anurag Acharya şunları söyledi “Akademik yanlış davranışlar mümkün olsa da, nadiren görülür çünkü tüm yönleri görülebilir - indekslenen makaleler, bir yazarın profiline dahil ettiği makaleler, bir yazara atıfta bulunan makaleler, atıfta bulunulan makalelerin nerede barındırıldığı vb. Dünyadaki herkes sizi bu konuda arayabilir.”

Atıf manipülasyonunun bir başka gösterisinde, geçen ay araştırmacılar Larry adında bir kedi için sahte bir Google Scholar profili oluşturdular ve Larry'nin tek yazar olduğu bir düzine sahte makaleyi listelediler. Araştırmacılar, akademik sosyal ağ sitesi ResearchGate'te Larry'nin makalelerine atıfta bulunan bir düzine saçma çalışma daha yayınladı. Larry'nin kimliğinin ortaya çıkmasından bir hafta kadar sonra Google Scholar, kedinin çalışmalarını, Larry'ye atıfta bulunanları ve biriken atıfları kaldırdı. ResearchGate de Larry'ye atıfta bulunan sahte çalışmaları kaldırdı.

Sahte ön baskılar

Zaki ve meslektaşlarının gizli operasyonu, sahte atıf sorununun boyutunu değerlendirmeye yönelik daha geniş bir çabadan doğdu. En az 10 yayını olan yaklaşık 1,6 milyon Google Scholar profilini incelemek için bir yazılım kullandılar. Araştırmacıların atıflarının her yıl 10 kat veya daha fazla arttığı veya artışın toplam atıf sayılarının en az %25'ini temsil ettiği durumlarda 200'den fazla atıf içeren profilleri aradılar. Ekip böyle 1.016 profil buldu.

Zaki, bu profillerdeki makalelere yapılan atıfların çoğunun hakem değerlendirmesinden geçmemiş ön baskı makalelerden geldiğini ve genellikle makalelerin kaynakçalarında listelendiğini ancak makalelerin ana gövdesinde atıfta bulunulmadığını söylüyor.

NYU Abu Dhabi'de bilgisayar bilimcisi olan ortak yazar Talal Rahwan, “Sahte ön baskılar oluşturularak ve ücretli hizmetler aracılığıyla atıflar kolayca manipüle edilebilir” diyor.

Yazarlar ayrıca dünyanın en yüksek dereceli 10 üniversitesinde çalışan 574 araştırmacıyla da anket yaptı. Bilim insanlarını değerlendirirken atıf sayılarını dikkate alan üniversitelerin %60'ından fazlasının bu verileri Google Scholar'dan elde ettiğini buldular.

Balık desenleri

Labbé, anketin Google Scholar'ın araştırmacıların atıf ölçümlerini elde etmek için yaygın olarak kullanıldığı iddiasına ikna olmuş değil. Google Scholar'da atıf manipülasyonu yapıldığına dair iddiaların geçmişte de ortaya çıktığını ve akademisyenlerin uzun süredir bu tür bir hizmet sunan satıcılar olduğundan şüphelendiğini söylüyor. Ancak bir atıf satıcısını ortaya çıkarmak için yapılan operasyonun türünün ilk örneği olduğunu söylüyor.

Fransa'daki Toulouse Üniversitesi'nde bilgisayar bilimcisi olan ve intihal tespit yazılımlarını atlatmak için eklenen garip ifadeler içeren uydurma makaleleri tespit eden bir araç geliştiren Guillaume Cabanac, çalışmanın konusuyla hiçbir ilgisi olmayan çalışmalara atıfta bulunan birçok çalışmanın ortaya çıktığını söylüyor.

Labbé'nin ekibi, manipülasyona işaret edebilecek şüpheli alıntı modellerini otomatik olarak işaretleyen bir araç geliştiriyor.

Zaki'nin ekibi bu konuda yardımcı olmak üzere, bir bilim insanının az sayıda kaynaktan çok sayıda atıf aldığı durumları tespit etmek için tasarlanmış, atıf yoğunlaşma endeksi adı verilen bir ölçüt öneriyor. Bu tür faaliyetler genellikle bilim insanlarının birbirlerinin metriklerini şişirmek için birbirlerinden alıntı yapmayı kabul ettikleri bir 'atıf halkasının' işaretidir. Rahwan, “Şüpheli olanlar, sadece birkaç kaynaktan kaynaklanan büyük atıflara sahip olma eğilimindedir” diyor.

Dürüstlük dedektifleri arasındaki bir korku da, sahtekârların ortaya çıkarılmamak için daha ince uygulamalar tasarlamalarıdır. Örneğin, Labbé, atıf yoğunluğu endeksi tarafından tespit edilmekten kaçınmanın bir yolunun, toplu olarak değil, bir seferde birkaç atıf satın almak olduğunu belirtiyor.

Labbé'ye göre, atıf oyununu ele almanın yolu, akademideki teşvikleri değiştirmektir; böylece bilim insanları kariyerlerini ilerletmek için mümkün olduğunca çok atıf biriktirme baskısı altında kalmazlar. “Yayın ve atıf baskısı bilim insanlarının davranışlarına zarar veriyor” diyor.

Nature 632, 966 (2024)

✒️ Bu yazı The citation black market: schemes selling fake references alarm scientists başlıklı yazıdan çevrilmiştir.

Stuff Matters 'ın Amazon'da yaklaşık 3.000, Goodreads'te 20.000 mükemmel değerlendirmesi var ve New York Times Best Seller'ın yanı sıra 2014'ün en önemli 100 kitabı listesinde yer aldı. Şu anda bile, hala eleştirileri topluyor ve okuyuculara maddi dünya hakkında her gün ilham veriyor.

Ancak böyle bir başarı tesadüfen gerçekleşmiyor.

The Scoop'un bu sayısında Stuff Matters'ın yazarı, malzeme bilimci Mark Miodownik ile bir söyleşi gerçekleştirdik. Miodownik'in konusuna olan bulaşıcı tutkusu birçok kitabın, UCL Yapım Enstitüsü'nün ve yaşam boyu öğrenmeye ve öğrendiklerini başkalarıyla paylaşmaya olan bağlılığının doğmasına neden oldu.

Miodownik'in yolculuğunu, bu yolda aldığı dersleri ve ister öğrenci, ister akademisyen, ister profesyonel araştırmacı olsun, akademik yol boyunca tüm araştırmacılar için ne anlama geldiğini paylaşmaktan heyecan duyuyoruz.

İlham tohumları

Miodownik, bilimi öğrendiği kadar uzun süredir paylaşıyor. Lisans öğrenciliğinden bu yana öğrencilere ve öğrenenlere konuşmalar yapıyor, malzeme bilimi kavramlarını ders ve pratik örneklerle açıklıyor.

Kitapları, kendi öğrenme biçiminin, konusuna olan tutkusunun ve bunu başkalarıyla paylaşma arzusunun bir yansımasıdır.

Öğrenmek için öğret

Miodownik, malzeme bilimlerini öğrendiği sürece öğretmenlik de yapıyor.

Miodownik, “Ben yavaş öğrenen biriyim, öğrenmem gerçekten uzun sürüyor,” diye açıklıyor ve öğretmek her zaman kendisinin daha iyi öğrenmesine yardımcı olmak için başvurduğu bir yol olmuş. Gerçekten de öğreterek öğrenme temel bir pedagojik kavramdır ve öğretim asistanlığı gibi rollerle akademik sistemlere derinlemesine entegre edilmiştir. Miodownik, kendi öğrencilerinden aldığı, özellikle de kendi başına düşünemeyeceği ve yeni bakış açıları kazanmasına yardımcı olan soruları her zaman takdir etmiştir. Öğretmek paylaşmaktır ve her ikisi de daha iyi öğrenmeyi sağlar.

Büyük resmi aklınızda tutun

Ancak, “yavaş öğrenmek” de bilinçli bir seçimdir. Miodownik, büyük resmi anlamaya olan yakınlığını korumuştur. Lisans öğrencisiyken, bütüne bakmaya değer veren tasarım ve sanat alanındaki arkadaşlarının kitaplarından bir yaprak aldı. Miodownik, “Malzeme araştırması yapmaktan gerçekten keyif alıyordum,” diye açıklıyor, “ancak bir laboratuvara hapsolmak ve hayatımın sonuna kadar tek yaptığımın bir malzeme geliştirmek olduğunu hissetmek istemiyordum. Malzeme dünyasını daha geniş bir şekilde anlamam gerekiyordu.”

Miodownik'in malzemelerle ilgili farklı yollara girmesini sağlayan ve aynı zamanda popüler kitabı Stuff Matters'ın şekillenmesine yardımcı olan da bu bakış açısıdır. Bir malzemenin (örneğin çikolata, metal veya plastik) arkasındaki bilime dalmak yerine, her birini tarihsel, antropolojik ve kültürel merceklerle değerlendiriyor. Bu şekilde bakmak onu “yavaşlatmış” olsa da, getirisi daha geniş bir bakış açısı ve dünyadaki bu malzemelere hala hayran olma becerisi oldu.

Miodownik, maddi dünyayı çeşitli merceklerden öğrenerek, malzemeleri bilimsel, antropolojik, kültürel ve tarihsel önemlerine göre inceleyen Stuff Matters adlı kitabında benzersiz ve eğlenceli bir bakış açısı paylaşabildi.

Tutkuyla besleniyor

Yaratıcı uğraşlar için tutkudan daha iyi çok az motivasyon kaynağı vardır. Miodownik bu değeri kalbine yakın tutuyor ve “Bu benim yol gösterici ilkem: Heyecanlı mıyım?” diyor. Bunun, genellikle onlarca yıl boyunca belirli bir alana odaklanarak çalışması beklenen, klasik anlamda başarılı bir akademisyen için en iyi özellik olmayabileceğini kabul ediyor. Bununla birlikte, heyecanını takip eden bu tutum çeşitli projelerini, kitaplarını ve arayışlarını beslemiştir.

Miodownik'in malzeme bilimine yönelik açık yaklaşımı ve tutkusu, her kesimden insana malzemeleri anlama ve yaratma konusunda ilham vermek amacıyla meslektaşlarıyla birlikte kurduğu UCL Yapım Enstitüsü'ne de yansımıştır. Ve enstitü tüm geçmişler dediğinde, bunu kastediyor. Yalnızca belirli öğrenci ya da akademisyenleri kabul eden pek çok kuruluşun aksine, Institute of Making kütüphanecilerden güvenlik görevlilerine ve araştırmacılara kadar tüm üniversite mensuplarına kapılarını açıyor.

“Hiyerarşi yok” diye açıklıyor Miodownik, çünkü ”Materyallerin özelliği de bu, demokratik olmaları. Herkese açıktırlar. Bu da mekanda belli bir hava yaratıyor.”

Ancak bu tutumun zorlukları da yok değil. Bu kadar geniş bir kitleyi desteklediği için etkinliklerinin planlanması, hazırlanması ve yürütülmesi daha fazla zaman alabiliyor. Ancak bu değiş tokuş buna değiyor ve kapıdan geçen tüm katılımcılar arasında bir keşif heyecanı yaratıyor.

UCL Institute of Making, malzeme bilimi konusunda akademik araştırmalar yürütmekte ve çeşitli atölye çalışmaları ve etkinlikler düzenlemektedir. Repair Café adlıbu etkinlikte, enstitüden meslektaşlar katılımcılara hasarlı seramikleri nasıl dikeceklerini ve onlara nasıl yeni bir hayat vereceklerini öğretti.

Çok satan bir kitap nasıl yazılır

Kendi kitabınızı yazmayı düşünüyorsanız ya da bilimsel olmayan kurgu dünyasında çok satan bir kitabı diğerlerinden ayıran şeyin ne olduğunu merak ediyorsanız, Stuff Matters'dan öğrenmeniz gereken birkaç ders var.

Stuff Matters 'ı diğerlerinden ayıran şey hikayeye odaklanmasıdır. Hikâye anlatımı, bilim iletişimini daha ilgi çekici kılmak için elzemdir. Miodownik'in de belirttiği gibi, “Bu [Stuff Matters] bilimde hafif, hikayelerde ağırdır. Hikâyeler, mesajın nasıl iletildiğinin ta kendisidir.”

Kitleler hikayelere iyi tepki veriyor ve Miodownik'e göre kitabın en önemli özelliklerinden biri de bu kadar çok genel okuyucunun ilgisini çekmesi.

“Eğer yeni bir konu hakkında bilgi sahibi olmak isteyen %5'lik kesimden biri değilseniz,” diyor Miodownik, ‘İkinci Bölüm'den sonra ’Evet, anladım' diyorsunuz. Oysa Stuff Matters asla o insanlar için değildi... Niş bir kitap yazmak istemedim. İnsanların %95'i için yazmak istedim.”

Miodownik, etrafımızı saran maddi dünya karşısında kendisini bu kadar etkileyen, hayrete düşüren ve ilgisini çeken şeyin ne olduğu konusunda sıradan insanlara ilham vermeye kararlıydı.

Stuff Matters binlerce okuyucuya günlük malzemelerin bilimi ve etkisinden ilham almaları için ilham verdi. Miodownik'in geniş bir kitle için yazmaya olan bağlılığı, bu kadar çok insana, yani “%95 ”e hitap etmesini ve ilham vermesini sağladı.

Hatta Miodownik bu hikâye anlatma fikrini bir adım daha ileri götürerek her bölümü sadece farklı bir malzeme hakkında değil, o malzemenin karakterini seslendirerek anlatmıştır. Bu eksantriklik, plastikle ilgili bölümün bir film senaryosu içermesi gerektiği konusunda ısrar etmeye çalıştığında o zamanki editörüyle bazı tartışmalara bile yol açtı (bunun neden bu kadar mantıklı olduğunu öğrenmek için kitabı okuyun!).

Miodownik, “O zaman ikimiz de [editör ve ben] kitabın biraz çılgınca olduğunu düşündük... ama bence çılgınlık, insanların [materyallerin] olağanüstülüğünü hissetmelerini sağlamak için gerekli” diye paylaşıyor. Her bölümün karakterine olan bu bağlılık, kitabı biçimsel olarak biraz daha sertleştiriyor, ancak aynı zamanda okuyucular için daha akılda kalıcı ve yapışkan hale getirebilir.

Miodownik, hikaye odaklı yazmanın yanı sıra, çoğu bilim yazarı için tipik lojistik tavsiyelere de uymuş: kendi reklamını yapmak, kendi elçisi olmak ve yayın süreci boyunca eleştiri ve puanlamalara bakmaktan kaçınarak kitabına tutkuyla bağlı kalmak gibi. Bu tavsiyelerden bazılarını daha önce başka bir malzeme bilimci yazarla yaptığımız röportajda ele almıştık.

Kitap yazmanın özel avantajları

Miodownik sadece kitap yazmakla kalmamış, TV dizileri ve belgeseller de çekerek bilimsel bilgisini geniş kitlelerle paylaşmıştır. Ancak, bu diğer araçlarla karşılaştırıldığında, kitapların önemli bir avantaja sahip olduğu görülüyor: uzun ömürlülük.

Miodownik, belki de fiziksel yapıları nedeniyle kitapların en uzun ömürlü iletişim biçimlerinden biri olduğunu düşünüyor. Öneriler, çeviriler ve devam eden ivme yoluyla kendi yollarını geliştiriyorlar. Yazarlar, kendi katılımları olmasa bile, eserlerinin zaman içinde nasıl geliştiğine tanıklık etme fırsatına sahipler.

“Kitap, insanlar arasında sizin dahil olmadığınız bir tartışmaya dönüşüyor. Ben bunu muhteşem buluyorum. Bu, kitapların fizikselliğinin gerçekten az takdir edilen bir yönü. Birine verebileceğiniz bir şey haline geliyor. Bu önemli bir hediye, 'Bunu düşünüyorum. Neden okumuyorsun ve bu konuda bir tartışma yapmıyoruz?” - Miodownik

Miodownik, kitapları aracılığıyla yazmaya ve tutkularının peşinden gitmeye devam ediyor. En yeni kitabı It's a Gas, teknolojilerimizde ürettiğimiz ve kullandığımız gazları inceliyor. Miodownik, büyük etkilerine rağmen, gazların bizim için görünmez oldukları için genellikle göz ardı edildiğini tespit ediyor.

Başarılı kitaplar yıllar sonra da geri dönüş sağlamaya devam ediyor. Stuff Matters şu anda bile başka dillere çevrilmeye ve arkadaşlar arasında tavsiye edilmeye devam ediyor. Kitaplar, kendi dünyalarını ve kültürel hareketlerini yaratarak yeni ve anlamlı konuşmalar için katalizör görevi görüyor. Bir yazar olarak bu evrimi görmek çok tatmin edici ve Miodownik'i yazmaya devam etmeye ve bugün edebiyat dünyasına katkıda bulunmaya iten de bu.

✒️ Bu yazı Can Your Science be a Best-Seller? başlıklı yazıdan çevrilmiştir.

Juan Manuel Corchado (ortada), rektör adaylığının iki üyesiyle birlikte: Etik komitesi başkanı Bertha Gutiérrez ve Federico Bueno. USAL

Dünyanın en eski akademik kurumlarından biri olan Salamanca Üniversitesi'nin rektörlüğü için sadece bir kişi adaylığını sundu. O da yapay zeka ve siber güvenlik konularında uzmanlaşmış Profesör Juan Manuel Corchado. 15 Mart'ta EL PAÍS, bu akademisyenin yıllardır özgeçmişini hilelerle zenginleştirdiğini, Covid üzerine dört asılsız paragraftan oluşan sözde bir çalışma gibi tuhaf belgeler yayınladığını ve kendi çalışmalarına yüzlerce atıfta bulunduğunu ortaya koyan bir haber yayınladı. 52 yaşındaki Salamanca doğumlu Corchado, dolandırıcılık iddialarını reddetti ve bir zamanlar filozof Miguel de Unamuno'nun sahip olduğu üniversitenin en yüksek pozisyonuna doğru yoluna devam etti. 7 Mayıs'ta 33,000 üniversite öğrencisi tek bir aday için oy kullanmaya çağrıldı. Herhangi bir sürpriz yaşanmazsa aday, yıllık bütçesi yaklaşık 290 milyon Avro olan üniversitenin başına geçecek.

Corchado , bu gazete tarafından yayınlanan ve kendi web sitesinde Gerçeği Savunmak başlığıyla yayınladığı bilgilere verdiği yanıtta yedi yalan söyledi. Profesör, binlerce atıf içeren belgelerin sadece “bir üniversite web sitesinde yayınlanan sınıf alıştırmaları” olduğunu iddia etti. Bu ilk yalan. Gerçek şu ki Corchado aynı numarayı konferanslardaki sunumlarında da kullanmıştır. Hindistan'ın Chennai kentindeki bir konferans için hazırladığı iki sayfalık özette kendisine 200 kez atıfta bulunmuş. Akademisyen, Google Scholar arama motorunun bu belgeleri izleyeceğini ve metriklerini geliştirmek için bunları dikkate alacağını biliyordu; bu nedenle Corchado, aslında yapay zeka uzmanı olmadığı halde, dünyada en büyük etkiye sahip uzmanlardan biri gibi görünüyor. Corchado bu gazetenin yeni bilgi taleplerini görmezden geldi.

Profesör, özgeçmişini güçlendirdiğini fark ettiğinde kendine atıfta bulunan belgeleri sildiğini iddia ediyor, ancak bu ikinci yalan. Toplu silme işlemi Mart ayında, tam da bu gazetenin araştırmaya başladığı sırada başladı. 45,000 atıfı vardı, bu sayı Birleşik Devletler'deki en iyi aydınlardan bile fazlaydı. Ve bunlar yanlışlıkla internette yayınlanan sınıf çalışmaları değildi. Corchado, Malezya Teknoloji Üniversitesi'nde yaptığı bir başka yüzeysel konuşmada, 150'den fazla kendi atıfını ve editörlüğünü yaptığı dergide yayınlanan 136 çalışmadan daha bahsetti: Advances in Distributed Computing and Artificial Intelligence Journal (ADCAIJ). Böylece kendi etkisini ve dergisinin etkisini yapay olarak katlamıştır.

Bunun gibi daha pek çok örnek var. Bu gazetenin ulaştığı şirket içi e-postalara göre, Corchado ve asistanları yıllardır BISITE adlı araştırma grubundaki çalışanlara, çalışmalarına profesör tarafından yazılmış ya da ADCAIJ'den alınmış makalelere hazır bir referans listesi eklemeleri talimatını vermiş. Malezya'daki konuşmada yer alan 150'den fazla atıf, İspanya ve Portekiz'deki konferanslarda farklı başlıklarla yapılan diğer sunumlarda kopyalanıp yapıştırılanlarla aynı.

İspanya'da bilim etiği konusunda referans gösterilen bir doktor olan Jordi Camí'nin sözleri oldukça sert: “Sorumluluk mevkilerine talip olan kişilerden örnek davranışlar ve doğrulanabilir dürüstlük bekliyoruz. Barselona'daki Pompeu Fabra Üniversitesi'nde profesör olan Camí, müstakbel rektörün uygulamalarına ilişkin çok sayıda veri göz önüne alındığında, bu Salamanca Üniversitesi için çok kötü bir haber” diyor. “Bu tür şeyler mümkün çünkü cezasızlık var” diye ekliyor.

Juan Manuel Corchado (solda), Salamanca Belediye Başkanı Carlos García Carbayo (ortada) ve Castilla y León bölgesel hükümetinin ekonomik işler şefi Carlos Fernández Carriedo ile birlikte 18 Mart'ta.Ayuntamiento de Salamanca

18 Mart'ta, EL PAÍS'in uygulamalarıyla ilgili bilgileri yayınlamasından üç gün sonra, rektör adayı hiçbir şey olmamış gibi davranarak, Salamanca Belediye Başkanı Carlos García Carbayo ve Castilla y León bölgesel hükümetinin ekonomik işler başkanı Carlos Fernández Carriedo (her ikisi de muhafazakar Halk Partisi'nden) ile birlikte, Corchado tarafından kurulan özel bir kuruluş olan AIR Enstitüsü'ne 2.5 milyon Avroluk kamu fonuyla bağışlanan bir proje olan Uluslararası Video Oyunu ve Animasyon İnovasyon Kutbu'nu tanıtmak üzere kamuoyunun karşısına çıktı.

Salamanca Üniversitesi'nde genetik profesörü olan José María Díaz Mínguez, protesto işareti olarak boş oy kullanılmasını istiyor. “Bu apaçık bir akademik sahtekarlık vakası: kendine atıfta bulunmak, kitlesel yayın yapmak, arkadaşlarınızın çalışmalarını yayınlamak ve onların da sizinkileri yayınlamasını sağlamak için teşvik ettiğiniz dergilere başvurmak... Tüm bunlar, keşiflerinizin kalitesi nedeniyle değil, manipüle edilmiş rakamlar nedeniyle insanların çok iyi bir bilim insanı olduğunuzu düşünmelerini sağlamak için aşırı bir arzu nedeniyle sonuçları yapay olarak artırmaktır. Bu adam hiçbir şey kanıtlamak zorunda kalmadan büyük miktarda para alıyor” diye uyarıyor. Salamanca Belediyesi bir yıl önce Corchado'nun AIR Enstitüsüne, bölgedeki işletmelerin dijitalleşmesini teşvik edecek 3,5 milyon Avroluk bir projeye öncülük etmesi için 700.000 Avroluk bir bina tahsis etti.

Salamanca Üniversitesi'nde elektronik profesörü olan fizikçi Javier Mateos, Corchado'nun “maskaralıklarını” ve “hilelerini” kamuoyu önünde eleştirdi. Mateos sosyal medya hesaplarından yaptığı açıklamada, “Bu hileler olmasaydı en çok alıntı yapılanlar arasında olmazdı ve Araplar onu aramazdı” dedi. Corchado web sitesinde düzenli olarak Birleşik Arap Emirlikleri ve Katar'a seyahat ettiğini söylüyor. Corchado geçtiğimiz Kasım ayında Abu Dabi'de dijital para birimlerini içeren 2 milyon Avroluk bir proje sundu. Katar, binaların enerji tüketimini yönetmek için yaklaşık 1 milyon Avroluk bir proje açıkladı.

Juan Manuel Corchado'nun Chennai'deki (Hindistan) bir konferansta yaptığı ve kendisinden 200 kez alıntı yaptığı sunumun bir bölümü.EL PAÍS

23 Nisan'da bu gazete Corchado'ya Chennai'de 200 ve Malezya'da 150 kendine atıf içeren sunumunun bir kopyasını göndererek bu ve diğer uygulamalarla ilgili açıklamalarını dinlemek üzere iki kez röportaj talebinde bulundu. Akademisyen WhatsApp üzerinden gelen mesajları okudu ancak yanıt vermedi. EL PAÍS'in ilk makalesi yayınlandığında Corchado, web sitesinde rektör olmasını engellemek için “siyasi amaçlı” bir saldırıya uğradığını iddia etti. Bu üçüncü yalan. Gerçek şu ki, bilimsel sahtekarlık konusunda uzmanlaşmış Amerikan Retraction Watch örgütü, profesörün uygulamalarını Mart 2022'de zaten ortaya çıkarmıştı, ancak Corchado davranışını sürdürdü. Londra'dan bilim gazetecisi Dalmeet Singh Chawla, Salamancalı profesörün farklı konferanslarda, farklı konuları ele alsalar bile, aynı atıf dizisini kopyalayıp yapıştırdığını gösterdi.

Corchado, Gerçeği Savunmak başlıklı makalesinde, Retraction Watch muhabirinin o sırada kendisini gazeteci olarak tanıtmadığını ve bu nedenle sorulara yanıt vermediğini iddia ediyor. Bu dördüncü yalan. Muhabir gerçek hikayeyi anlatıyor. 10 Şubat 2022'de Chawla Corchado'ya ilk mesajını göndererek kendisini şöyle tanıttı: “Adım Dalmeet Singh Chawla ve Birleşik Krallık'tan bir bilim muhabiriyim. Retraction Watch için Google Scholar profiliniz hakkında bir makale yazıyorum çünkü belgelerinizin bazılarında kendi çalışmalarınıza epeyce atıf var.” Muhabir ayrıca, Google Scholar'ın olağan kaynaklarından biri olan ResearchGate havuzunda yayınlanan asılsız çalışmalarda Corchado'ya binlerce kez atıfta bulunan sözde bilim insanı gizemli Arturo Pérez Pulido hakkında da sorular sordu.

Profesör mesaja dikkat etmediğini savunuyor. “Benimle çalışanlar düzenli olarak çok sayıda e-posta aldığımı bilirler” diyor. Bu beşinci yalan. İspanyol profesörün sessizliği karşısında Chawla 15 Şubat 2022'de ısrar etti. Corchado bunun üzerine soruları en kısa sürede yanıtlayacağını, ancak kolunu yeni kırdığını söyledi. Gazeteci aynı yılın 21 ve 23 Mart tarihlerinde kendisine hatırlatmalar gönderdi, ancak Corchado cevap vermedi.

Salamanca şehri tarafından Juan Manuel Corchado'nun AIR Enstitüsü'ne devredilen bina.AIR Enstitüsü

Corchado, ResearchGate'te kendi çalışmalarına zorunlu olarak atıfta bulunmaya adanmış çok sayıda sahte bilim insanı profili olduğunu kabul etmekte, ancak bunların kendisi tarafından değil, “zarar vermek” isteyen eski bir meslektaşı tarafından oluşturulduğunu garanti etmektedir. Bu gazete, Juan Rodríguez, A. Pérez ve Marcus Ress adlı, var olmayan en az üç araştırmacının profillerinin 13 Mart'ta, Corchado'nun EL PAÍS ile bir telefon röportajı ayarladığı gün kaybolduğunu doğruladı. Profesör, kendisinin ve işbirlikçilerinin bu sahte profilleri silmek için siber güvenlik alanındaki bilgilerini kullandıklarını, çünkü olayların kendi versiyonlarına göre, kendileri tarafından oluşturulmadıkları için giriş bilgilerine sahip olmadıklarını belirtti.

Bilimsel deponun sözcüsü ise farklı bir versiyon sunuyor: “ResearchGate'e herhangi birinin sızdığına dair elimizde herhangi bir bulgu yok. Bir hesabı silmek için hesap sahibinin giriş yapması ve hesabı kendisinin silmesi gerekir.” Bu altıncı yalan olurdu. Sadece Corchado'dan alıntı yapan sözde araştırmacıların şüpheli profilleri hala mevcut. Delhi Üniversitesi'nden (Hindistan) Denika Rout, 2005 yılında farklı başlıklarla, ancak aynı içerikle ve her birinde Corchado'nun çalışmasına yapılan 50 atıfla beş konferans bildirisi yayınladı. Rout tarafından imzalanan bir sunumda, Arturo Pérez Pulido tarafından imzalanan başka bir sunumda ve Corchado'nun kendisi tarafından yazılan bir kitabın bir bölümünde tekrarlanan aynı paragraflar vardır.

Bu gazete, bu araştırma haberi için Salamanca Üniversitesi ve diğer kurumlardan 40'tan fazla kişiyle görüşmüştür. Görüşülen pek çok kişi Corchado'nun bir an önce üniversitenin başına geçmek için attığı adımları vurguladı. Bir önceki rektör Ricardo Rivero'nun 2025 yılı sonuna kadar görevde kalması gerekiyordu, ancak 7 Mart'ta “kişisel nedenlerini” gerekçe göstererek beklenmedik bir şekilde istifa etti. Şaşırtıcı olan, seçimlere teorik olarak neredeyse iki yıl olmasına rağmen Corchado'nun bundan önce de bu görev için kampanya yürütüyor olmasıydı. Ekonomi Fakültesi dekanı Jesús Galende, 27 Şubat'ta öğretim üyelerini Corchado'nun “gelecekteki rektör adaylığını” açıklayacağı bir toplantıya çağırmıştı.

Uygulamalı fizik profesörü Susana Pérez Santos, bu görev için Corchado'ya karşı yarışmakla tehdit eden tek kişiydi, ancak seçimlerin bu kadar acele yapılmamasını talep ettikten sonra 19 Mart'ta yarıştan çekildi. Öğretim üyelerine gönderdiği bir mektupta, bir önceki rektörün ani istifasının “belirsizliğini” ve açıkça görülen “önceden belirlenmiş planlamasını” kınadı. Salamanca Üniversitesi İbero-Amerikan Enstitüsü Direktörü siyaset bilimci Francisco Sánchez de şaşkınlığını dile getirdi. “Rektör Ricardo Rivero'nun istifasının sorumsuzca olduğunu düşünüyorum, çünkü bu durum sadece halihazırda kampanya yürüten bir adayın lehine olan öngörülemeyen bir erken seçime neden oldu. Şüphe yaratan ve tüm bu sürecin gerçek amaçları konusunda kuşku uyandıran kurumsal bir krizin ortasındayız.”

Profesör Juan Manuel Corchado, 11 Nisan'da Salamanca Üniversitesi rektörlüğüne tek aday olarak kayıt yaptırdı.USAL

Tek rektör adayının, World Diarium adında, kendini “bağımsız dijital medya kuruluşu” ilan eden bir şirketi ve Noixion.tv adında, kendi reklamını yaptığı, kendi kripto para birimine sahip bir video platformu bile var. Corchado, Google Scholar'da hile yapmasına gerek olmadığında ısrar ediyor çünkü ölçümleri Scopus gibi diğer daha seçici veri tabanlarında da çok iyi. Bu yedinci yalan. Gerçek şu ki, son haftalarda en skandal makalelerini silmiş olsa da, hazır kendine atıf listeleri onu her yerde yapay olarak yükseltti. Ayrıca, Çinli kimyager Shu-Kun Lin'in sahibi olduğu ve makale başına yaklaşık 2.600 Avro ücret karşılığında asılsız çalışmaları kolayca yayınladığı için eleştirilen MDPI tarafından yayınlanan dergilerin 31 özel sayısının editörlüğünü yapmak gibi başka kestirme yollara da başvurmuştur.

MDPI'ın davranışı anormaldir. Yüz binlerce çalışmanın yaklaşık %85'i, bir veya daha fazla makaleyi ücretsiz olarak yayınlayabilmeleri karşılığında derginin satış temsilcisi haline gelen konuk editörler tarafından yönetilen sözde özel sayılarda yayınlanmaktadır. MDPI'nin Sensors dergisinin Kral Abdülaziz Üniversitesi'nden (Suudi Arabistan) bir profesörle birlikte editörlüğünü yaptığı özel bir sayısında Corchado, kendi imzasını taşıyan beş çalışma yayınladı ve 20 kendine atıfta bulundu. İspanyol üniversitelerinde “MDPI profesörleri” hakkında alaycı bir şekilde konuşuluyor ve bu hilelerle güçlendirilmiş bir müfredat sayesinde hızla yükselen akademisyenlere atıfta bulunuluyor.

2019 yılında yayıncı Elsevier, Corchado ve üç işbirlikçisinin bir yüksek lisans tezinde intihal yaptıkları gerekçesiyle bir çalışmayı geri çekti. Profesör ayrıca, baş editörü Uluslararası La Rioja Üniversitesi (UNIR) rektör yardımcısı bilgisayar mühendisi Rubén González Crespo olan tartışmalı yapay zeka dergisi IJIMAI'nin yardımcı editörlüğünü de yaptı. Corchado bu pozisyonda, sahte bilimsel çalışmalar için bir mega fabrika kurmakla suçlanan Hindistanlı Gunasekaran Manogaran ile aynı dönemde çalışmıştır. González Crespo ile birlikte çalışan bir kişi, rektör yardımcısının diğer UNIR öğretim üyeleriyle birlikte IJIMAI dergisine yapılan atıfları artırmak için bir plan düzenlediğine dair kanıtlar gösterdi . Diğer yayınlar için çalışmaları incelediklerinde, yazarlara dergilerine referans eklemeleri gerektiğini önermişlerdir. Hem Corchado'nun hem de González Crespo'nun dergisi bu tür kaba hilelerle sıralamalarda yükseldi. Ve her ikisi de Stanford Üniversitesi tarafından geliştirilen dünyanın en çok atıf alan bilim insanları listesine girdi.

Şu anki rektör adayı ve yardımcıları, aynı anda altı konuşmanın yapıldığı ve katılımcı başına 585 Avro'ya kadar ücret ödenen yıllık PAAMS Uluslararası Konferansı'nı da düzenliyor. Aberdeen Üniversitesi'nde (İskoçya) bilgisayar bilimi kürsüsü başkanı Felipe Meneguzzi'nin de vurguladığı gibi, bu bir iş olmanın yanı sıra özgeçmişinizi şişirmenin de kolay bir yolu. “PAAMS konferansı biraz yırtıcı olmasıyla bilinir: nabzı atan herkes bildiri kabul ettirir,” diye belirtiyor.

Meneguzzi, Washington merkezli Yapay Zekayı Geliştirme Derneği'nin (AAAI) Yönetim Kurulu'nda yer alıyor. “Corchado yaptığı işte benzersiz değil ve bu kesinlikle sadece yapay zeka alanında değil. Yapay zekânın bunu gizlemek için daha kolay bir alan olduğunu düşünüyorum çünkü o kadar çok vızıltı var ve o kadar çok insan çalışıyor ve zar zor artan (ve çok nadiren gerçekten dönüştürücü) çalışmalar yayınlıyor ki, birçok araştırmacı diğer alanlar için akıllara durgunluk verecek profillere ve atıf sayılarına ulaşabiliyor. Alışılmadık olan şey, bunun prestijli bir Avrupa Üniversitesinin hiyerarşisine tırmanmak için etkili bir şekilde yapılabilmesidir” diye vurguluyor.

Bilgisayar bilimci Carles Sierra, Cerdanyola del Vallès'deki (İspanya) ünlü Yapay Zeka Araştırma Enstitüsü'nü yönetiyor ve aynı zamanda Avrupa Yapay Zeka Derneği'nin başkanlığını yürütüyor. Corchado'nun özel durumu hakkında yorum yapmamayı tercih ediyor, ancak genel bir uyarıda bulunuyor: “Alakasız kendine atıfları teşvik etmek hiç de etik olmayan bir uygulamadır.” Salamanca Üniversitesi Etik Komitesi Başkanı Bertha Gutiérrez, Corchado'nun gelecekteki rektör yardımcısı olarak aday arkadaşı. Saygıdeğer Salamanca kurumunun eskimeyen rektörü Miguel de Unamuno, 1936 yılında tarihe bir başka slogan daha bıraktı: “Vencer no es convencer” (Kazanmak ikna etmek değildir).

✒️ Bu yazı The seven lies of the AI expert who cited himself thousands of times on scientific papers başlıklı yazıdan çevrilmiştir.

Özgeçmişinizde dergi isimlerini atlamak, yayının prestiji yerine biliminizin kalitesine öncelik vermenize yardımcı olabilir. Credit: Nature

Mikrobiyolog Alexander Fleming'in penisilinin antibakteriyel özelliklerini ilk kez rapor ettiği derginin adını söyleyebilir misiniz? Ya da mühendis John O'Sullivan ve meslektaşlarının Wi-Fi'ye yol açan görüntü keskinleştirme tekniklerini sundukları dergiyi?

Çoğunuz bu buluşların faydalarını kolayca sayabilirsiniz, ancak sadece birkaçınızın nerede yayınlandıklarını bileceğini umuyorum. Ne yazık ki modern bilim kültüründe dergiye çok fazla odaklanılıyor ve bilimin kendisine yeterince odaklanılmıyor. Araştırmacılar yüksek etki faktörüne sahip dergilerde yayın yapmak için çabalıyor, bu da iş fırsatları ve finansman gibi kişisel faydalar sağlayabilir.

Ancak nerede yayın yapacağımıza dair takıntı, ne yayınlayacağımızı da şekillendiriyor. Örneğin, 'olumsuz' çalışmalar yazılmayabilir - ya da yazılırsa, 'prestijli' bir dergide yayınlanmasını sağlamak için olumlu sonuçları vurgulayarak ya da 'karışık' bulguları dışarıda bırakarak olumluya dönüştürülürler.

Kendi pratiğimde bu odağı değiştirmek için CV'mden tüm dergi isimlerini kaldırdım. Geçmişimle ilgilenen herkes artık sadece makalelerimin başlıklarını görecek ve bu da neler başardığımı daha iyi gösterecek. Daha fazlasını okumak isterlerse, yayınlanan makaleye köprü bağlantısı olan her bir makale başlığına tıklayabilirler.

Bunu düşünen tek kişi ben değilim. Dergi isimlerinin kaldırılması fikri, Haziran ayında Canberra'da düzenlenen ve Açık Araştırma için Avustralya Yol Haritası'nın tasarlandığı bir toplantıda tartışıldı. Birleşik Krallık'taki Edinburgh Üniversitesi tarafından yayınlanan bir bülten, araştırma değerlendirmesine ilişkin kültürün değişmesine yardımcı olmak amacıyla araştırmacıların yeni yayınlarını paylaşırken artık dergi isimlerine yer vermiyor. 'Nerede' yerine 'ne' olduğunu kutlamak harika bir fikir. Bu basit değişiklik birçok araştırma değerlendirme türüne yayılabilir.

Dergi isimleri yerine kalite

Dergi adı içermeyen bir referans görmek ilk başta kafa karıştırıcıdır, çünkü bu çok köklü bir uygulamadır. Ancak dergi isimleri çoğu zaman araştırma mükemmelliği veya kalitesi için bir vekil olarak kullanılıyor. Özgeçmişimi okuyan insanların, yazdıklarımın nerede yayınlandığını değil, ne yazdığımı dikkate almalarını istiyorum ki bunun bazen içerik kadar şansa da bağlı olduğunu biliyorum.

Elbette, beni gerçekten nerede yayın yaptığımla yargılamak isteyen herkes makalelerimi Google'da aratabilir: Dergileri her yerde anonimleştirmedim. Ancak özgeçmişimdeki isimleri kaldırmak, belirli dergilerdeki makaleleri saymak gibi basit taramaları caydırıyor. Bu bir dürtme müdahalesi: çalışmanın önce içeriğine, sonra dergisine göre değerlendirilmesi gerektiğini hatırlatıyor.

Daimi sözleşmeli bir profesör olduğum için bu değişikliği yapmak benim için daha kolay. Bazıları kariyerinin başındaki bir araştırmacının da aynı şeyi yapmasının büyük bir hata olacağını düşünebilir. Ancak bilimsel kariyerimizde işe alım ve terfi kararlarının 'ne' yerine 'nerede' olacağına göre verilmesi gereken bir aşama yoktur. Kariyerinin başındaki bilim insanlarının bu değişikliği yapmaları, kıdemli meslektaşları tarafından normalleştirilir ve desteklenirse daha kolay olacaktır.

Dergi isimlerinin kaldırılmasına yönelik olası bir eleştiri de, vicdansız akademisyenlerin rekabetçi görünen bir özgeçmiş oluşturmak için yırtıcı dergilerde kalitesiz makaleler yayınlamalarını engelleyecek hiçbir şeyin olmamasıdır; bu da gerçek makaleleri olan adayları dezavantajlı duruma düşürebilir. Terfi ve işe alım komitelerinin, sahte ve düşük kaliteli araştırmaların giderek büyüyen sorunu konusunda bilinçlendirilmesi ve kusurlu bilimin nasıl tespit edileceği konusunda eğitim almaları gerekmektedir.

Bununla birlikte, bir işe 30 ya da daha fazla başvuru olduğunda, alanı inceltmek için kısa yollara ihtiyaç duyulabilir. Her bir başvuru sahibinin en son on makalesinin başlıklarını okumanın, iş yükünde sadece hafif bir artışla, makale sayılarına veya dergi adlarına dayalı herhangi bir sezgisel yöntemden daha iyi sonuç vereceğini öneriyorum.

Her bir başvuru sahibinin en iyi beş makalesinin düz veya ön baskı versiyonlarını alan bir işe alım veya burs komitesi hayal edin. Daha önce basit ölçütlere güvenen komite üyeleri uygulamalarını değiştirmek zorunda kalacaktır. Bazıları Google'a geri dönebilir, ancak diğerleri başvuru sahiplerinin çalışmalarını değerlendirmenin zorluğunu memnuniyetle karşılayabilir.

Araştırmacıları değerlendirmek, etki faktörlerini veya atıfları saymaktan çok daha zordur, çünkü bilim nadiren basittir. Basit terfi ve işe alım kriterleri bu harika karmaşıklığı görmezden gelir. Tipik akademik CV formatlarının değiştirilmesi bu karmaşıklığın bir kısmını geri getirebilir.

*doi: https://doi.org/10.1038/d41586-024-02596-y*

✒️ Bu yazı Why I’ve removed journal titles from the papers on my CV başlıklı yazıdan çevrilmiştir.

✏️ Akademide h-indeksi metriğinin önemini ve etkilerini anlayın. Faydaları ve zorluklarıyla birlikte nasıl çalıştığını öğrenin.

Bilimsel araştırma dünyası genişlemeye devam ettikçe, bilimsel çalışmaların etkisini ölçmek ve anlamak giderek daha önemli hale gelmektedir. H-endeksi, araştırma etkisini değerlendirmek için yaygın olarak kullanılan bir metrik olarak ortaya çıkmıştır. Hem yayınların sayısını ve kalitesini hem de atıf sayılarını dikkate alan h-endeksi, araştırmacıların etkisini ve katkılarını değerlendirmek için değerli bir araç sunmaktadır. Bu makalede, araştırma etkisini ölçmek için bir metrik olarak h-endeksi kavramını ve önemini inceleyeceğiz. Ayrıca nasıl hesaplandığını, güçlü yönlerini, sınırlamalarını ve gerçek dünyadaki uygulamalarını inceleyeceğiz.

H-İndeksi Nedir?

H-endeksi, bir araştırmacının bilimsel çalışmasının etkisini ve önemini niceliksel olarak ölçmek için kullanılan bir metriktir. Fizikçi Jorge E. Hirsch tarafından 2005 yılında bir bilim insanının kümülatif araştırma katkılarını değerlendirmek için bir araç olarak önerilmiştir. h-endeksi, bir araştırmacının çalışmalarının hem miktarını (yayın sayısı) hem de kalitesini (atıf sayısı) dikkate alır.

H-endeksi yaygın olarak benimsenmiş ve çeşitli akademik disiplinlerde bireysel bilim insanlarının araştırma çıktılarını ve itibarlarını değerlendirmek için kullanılmaktadır. Bir araştırmacının üretkenliğini, görünürlüğünü ve alanına genel katkısını değerlendirmek için yararlı bir araç olarak hizmet eder. Bununla birlikte, h-endeksinin bir araştırmacının çalışmasını değerlendirmede tek faktör olmaması gerektiğini ve özellikle farklı atıf uygulamalarına sahip disiplinlerde veya kendi kendine atıf durumlarında sınırlamaları olduğunu belirtmek önemlidir.

H-İndeksi Nasıl Hesaplanır?

h-endeksi, bir kişinin yayınlarının atıf alma sayılarına göre azalan sırada sıralanmasıyla hesaplanır. h değeri, listede N veya daha fazla atıf alan makale sayısı (N) belirlenerek tespit edilir. Örneğin, bir araştırmacının her biri en az sekiz kez veya daha fazla atıf almış sekiz makalesi varsa, h-indeksi 8 olacaktır. h-endeksi, hem yayın sayısını hem de atıf sayılarını hesaba kattığı, çok atıf alan makalelerin etkisini azalttığı ve bir araştırmacının çalışmasının genel etkisini dikkate aldığı için araştırma etkisinin temsili bir ölçüsü olarak kabul edilir. Bununla birlikte, h-endeksinin hesaplanmasının kullanılan veri tabanına bağlı olarak değişebileceğini ve eski yayınların dahil edilmesi ve kendi kendine atıf gibi faktörlerden etkilenebileceğini belirtmek önemlidir.

Kaynak Cactus Global

Bu örnekte, araştırmacının h-indeksi, atıf sayısının ilgili seri numarasıyla eşleştiği veya aştığı nokta belirlenerek belirlenir. Bu en yüksek nokta, araştırmacının en etkili makalelerinin bulunduğu yerdir. Bu noktanın ötesinde, seri numarası atıf sayısından daha büyük hale gelir, bu da sonraki makalelerin daha az atıf aldığını ve nispeten daha düşük bir etkiye sahip olduğunu gösterir. Sonuç olarak, bu daha az etkili makaleler, araştırmacının genel araştırma etkisine önemli bir katkıda bulunmadıkları için h-endeksi hesaplamasından çıkarılır. Bu nedenle, araştırmacının h-endeksi 8'dir ve önemli düzeyde tanınırlık kazanmış maksimum yayın sayısını temsil eder.

H-İndeksinin Bir Değerlendirme Ölçütü Olarak Kullanılmasının Artıları ve Eksileri

Değerlendirme kriteri olarak h-endeksinin kullanılmasının avantajları

Kapsamlı ölçüm: **h-endeksi, araştırma çıktısının hem niceliğini hem de niteliğini dikkate alır ve basit atıf sayıları veya tek başına yayın sayısına kıyasla bir araştırmacının etkisinin daha bütünsel bir değerlendirmesini sağlar.

Objektif ve standartlaştırılmıştır: h-endeksinin hesaplanması farklı araştırmacılar ve alanlar arasında tutarlıdır, bu da onu karşılaştırma ve kıyaslama amacıyla kullanılabilecek standartlaştırılmış bir ölçüt haline getirir.

Sürdürülebilir etki: h-endeksi, yalnızca yüksek atıf alan birkaç makaleye odaklanmak yerine, çalışmalarının aldığı kümülatif atıfları dikkate aldığından, zaman içinde sürekli etki yaratan araştırmacıları ödüllendirir.

Değerlendirme kriteri olarak h-endeksini kullanmanın dezavantajları:

Sınırlı kapsam: h-endeksi öncelikle atıf temelli etkiye odaklanır ve toplumsal etki, endüstri işbirlikleri veya akademik olmayan sektörlere katkılar gibi diğer araştırma etkisi biçimlerini yakalayamayabilir.

Atıf modellerinde öznellik: Atıf uygulamaları disiplinler arasında farklılık gösterebilir, bu da atıf oranlarında farklılıklara ve potansiyel önyargılara yol açabilir. Daha düşük atıf oranlarına veya daha uzun yayın döngülerine sahip alanlar, h-endeksi tek değerlendirme kriteri olarak kullanıldığında dezavantajlı olabilir.

Veri kaynaklarına bağımlılık: Farklı veri tabanlarının kapsam veya atıf izleme yöntemlerinde farklılıklar olabileceğinden, h-endeksi kullanılan veri tabanı veya atıf endeksinin seçiminden etkilenebilir ve bu da h-endeksi değerlerinde tutarsızlıklara yol açabilir.

Kendine yapılan atıfların hesaba katılamaması: h-endeksi, kendine yapılan atıflar ile diğer araştırmacılardan yapılan atıflar arasında ayrım yapmaz, bu da potansiyel olarak aşırı kendini tanıtma yoluyla h-endeksini şişirir.

Son dönemdeki etkiye duyarsızlık: h-endeksi, bir araştırmacının kariyeri boyunca kümülatif atıfları dikkate aldığından, son araştırma katkılarını yansıtmayabilir. Sonuç olarak, son zamanlarda önemli etkiye sahip araştırmacılar h-endeksleri tarafından doğru bir şekilde temsil edilmeyebilir.

H-İndeksini Değerlendirme Ölçütü Olarak Kullanmanın Faydaları

Atıf veri tabanları, akademik atıflar, dergi raporları, konferans bildirileri ve kesirli dağılım ölçütlerini kullanan h-indeksi, bir değerlendirme kriteri olarak çeşitli faydalar sunmaktadır. Hem dergi makalelerini hem de konferans katkılarını dikkate alarak bir araştırmacının kendi alanındaki etkisi ve görünürlüğünün standartlaştırılmış ve objektif bir ölçüsünü sağlar.

Atıf Veritabanları

Web of Science, Google Scholar ve Scopus gibi atıf veritabanları, bilimsel yayınların ve bunların atıf kayıtlarının geniş koleksiyonlarını içerir. Bu veri tabanları dergi makaleleri, konferans bildirileri ve patentler de dahil olmak üzere çeşitli kaynaklardan atıfları derler. Araştırmacılar bu veri tabanlarını belirli yayınlar için atıf verilerine erişmek, kendi atıf sayılarını takip etmek ve h-indekslerini hesaplamak için kullanabilirler. Bu veri tabanları, araştırma etkisini değerlendirmek için güvenilir ve kapsamlı bir atıf bilgisi kaynağı sağlar.

Akademik Atıflar

Akademik atıflar, diğer araştırmacıların kendi çalışmalarında bilimsel yayınlara yaptıkları atıflardır. Bir yayının etkili olduğunu veya alandaki sonraki araştırmalarla ilgili olduğunu gösterirler. h-endeksi, bir araştırmacının yayınlarının aldığı akademik atıfların sayısını, akademik topluluk içindeki etki ve nüfuzunun bir ölçüsü olarak değerlendirir.

Dergi Atıf Raporları (JCR)

JCR, Clarivate Analytics tarafından üretilen ve binlerce bilimsel dergi için atıf ölçümleri sağlayan bir veritabanıdır. JCR, dergi etki faktörü de dahil olmak üzere bu dergilerde yayınlanan makalelerin aldığı atıf sayıları hakkında bilgi içerir. Araştırmacılar, kendi alanlarındaki yüksek etkili dergileri belirlemek ve yayınlarının atıf performansını tespit etmek için JCR'ye erişebilirler. Dergi atıflarını dikkate alan h-endeksi, saygın ve etkili dergilerde yayın yapmanın getirdiği prestij ve görünürlüğü de içermektedir.

Konferans Bildirileri

Konferanslar, araştırmacıların çalışmalarını sunmaları ve bulgularını kendi akademik toplulukları içinde paylaşmaları için önemli ortamlardır. Konferans bildirileri, özetler, tam bildiriler ve bazen seçilen çalışmaların genişletilmiş versiyonları dahil olmak üzere konferanslarda sunulan bildiri koleksiyonlarını içerir. h-indeksi, konferans bildirilerinden yapılan atıfları içerebilir ve araştırmacıların dergi yayınlarının yanı sıra konferans katkılarının etkisini de hesaba katmalarına olanak tanır. Bu dahil etme, konferans sunumlarının önemini kabul eder ve araştırma bulgularının bilim camiasında daha geniş bir şekilde yayılmasını tanır.

Google Akademik Atıflar

Google Scholar, çeşitli disiplinlerdeki bilimsel literatürü indeksleyen popüler bir web arama motorudur. Google Scholar Citations, araştırmacıların profil oluşturmalarına ve yayınları için atıf metriklerini takip etmelerine olanak tanıyan bir özelliktir. Dergi makaleleri, konferans bildirileri, tezler, ön baskılar ve raporlar dahil olmak üzere daha geniş bir yayın kapsamı sağlar. Google Scholar Citations kullanılarak hesaplanan h-indeksi, çok çeşitli kaynakları içerir ve bir araştırmacının geleneksel akademik yayınların ötesindeki etkisini yakalayabilir. Bununla birlikte, Google Scholar Atıflarının hakemli olmayan veya daha az güvenilir kaynakları içerebileceğini ve araştırmacıların bunları değerlendirme amacıyla kullanırken dikkatli olmalarını gerektirdiğini unutmamak önemlidir.

Kesirli Tahsis Ölçütleri

Birden fazla yazarın bir yayına katkıda bulunduğu işbirlikçi araştırmalarda, h-endeksi atıfların kısmi olarak dağıtılmasına izin verir. Bu, her yazarın yayın tarafından alınan atıfların bir kısmını talep edebileceği anlamına gelir. Kesirli tahsis, her yazarın ortak bir çalışma içindeki bireysel katkıları için uygun krediyi almasını sağlar. Tek yazarlı makalelere yönelik önyargıyı önler ve birden fazla yazarın ortak çabasını ve etkisini kabul eder.

H-İndeksinin Değerlendirme Ölçütü Olarak Kullanılmasındaki Zorluklar

Bu zorlukların üstesinden gelmek için, H-endeksini alana özgü ölçütler, uzman hakem değerlendirmesi, araştırma çıktılarının nitel değerlendirmeleri veya daha geniş etkiyi ölçen alternatif ölçütler gibi diğer değerlendirme ölçütleriyle birlikte ele almak çok önemlidir. Daha kapsamlı bir değerlendirme yaklaşımı benimsenerek, tek başına bir ölçüt olarak h-endeksinin sınırlamaları hafifletilebilir ve araştırmacıların katkılarının daha bütüncül ve adil bir şekilde değerlendirilmesine yol açabilir.

Yayın Türleri ve Geniş Etki

h-endeksi temel olarak dergi makalelerinden ve konferans bildirilerinden alınan atıflara dayanır, bu da araştırmanın daha geniş etkisini tam olarak yakalayamayabilir. Kitaplar, kitap bölümleri, patentler veya yazılımlar gibi diğer bilimsel çıktı türleri, h-endeksi hesaplamalarında genellikle hariç tutulur veya yeterince temsil edilmez. Bu sınırlama, geleneksel olmayan yayın türlerinin büyük önem taşıdığı belirli alanlardaki araştırmacılar için özellikle önemli olabilir.

Makale Başına Atıf Sayısı

h-endeksi, farklı alanlar veya alt alanlar arasındaki atıf oranlarındaki farklılıkları hesaba katmaz. Bazı alanların ortalama atıf oranları diğerlerinden daha yüksektir, bu da h-endeksi değerlerinin çarpık olmasına ve daha düşük atıf oranlarına sahip alanlardaki araştırmacıların potansiyel olarak dezavantajlı duruma düşmesine neden olabilir. H-endeksi, farklı disiplinlerde çalışan araştırmacılar arasında araştırma etkisinin adil bir karşılaştırmasını sağlayamayabilir.

Atıfların Zamana Bağlı Doğası

h-endeksi, bir araştırmacının kariyeri boyunca kümülatif atıf sayısını dikkate alır, bu da kariyerinin başındaki araştırmacıları veya yakın zamanda araştırma odağını değiştirmiş olanları dezavantajlı duruma düşürebilir. Yayınların atıf biriktirmesi zaman alır ve h-endeksi son katkıları veya ortaya çıkan araştırma etkisini doğru bir şekilde yansıtmayabilir.

Kendi Kendine Atıflar ve Oyun

h-indeksi, araştırmacıların h-indekslerini şişirmek için kendi çalışmalarına aşırı atıfta bulundukları kendi kendine atıflardan etkilenebilir. Kendine yapılan atıflar bazı durumlarda meşru ve gerekli olsa da, metriği manipüle etmek için de kullanılabilir. Tek başına h-endeksi bu sorunu etkili bir şekilde ele alamayabilir ve bütünlüğünü sağlamak için ek inceleme gerektirebilir.

Veri Tabanları Arasındaki Tutarsızlıklar

H-endeksinin hesaplanması, atıf veritabanının seçimine bağlı olarak değişebilir. Farklı veri tabanlarının farklı kapsam ve atıf izleme metodolojilerine sahip olması, h-endeksi değerlerinde tutarsızlıklara yol açmaktadır. Araştırmacılar farklı veri tabanlarını kullanırken farklı h-endeksi değerleri bulabilir, bu da kafa karışıklığı yaratabilir ve adil ve doğru değerlendirmeleri engelleyebilir.

Sınırlı Bağlamsal Bilgi

h-endeksi, araştırma etkisinin sayısal bir ölçüsünü sağlar, ancak bireysel yayınların niteliği, kalitesi veya önemi hakkında bağlamsal bilgilerden yoksundur. Çığır açan keşifler, yüksek etkili yayınlar veya endüstri veya toplumla yapılan işbirlikleri gibi bir araştırmacının katkılarının nüanslarını yakalayamaz. Yalnızca h-endeksine güvenmek, araştırma etkisinin bu önemli yönlerini gözden kaçırabilir.

✒️ Bu yazı Exploring The H-Index: A Metric For Measuring Research Influence başlıklı yazıdan çevrilmiştir.