Yapay Zekâ Dedektörleri Neden Ana Dili Olmayan Yazarları Yanlış İşaretler (Yanlış Pozitifler)

Makalenizdeki her kelimeyi siz yazdınız. Kaynaklarınızı gösterdiniz, iki kez yeniden düzenlediniz ve içinizin rahat olduğu şekilde teslim ettiniz. Rapor, yapay zekâ olasılığı yüksek şeklinde işaretlenince, kendi yazınızla ilgili olarak “yanlış” bir varsayımı çürütmeye çalışıyorsunuz. İngilizce sizin ikinci dilinizse, bu durum kötü bir şans eseri değil. Belgelenmiş bir örüntü.

Ve rahatsız edici gerçek şu: Yapay zekâ dedektörünün yanlış pozitif vermesi, ana dili İngilizce olan birine kıyasla ana dili İngilizce olmayan birine çok daha olasıdır. Bunun nedeni ana dili İngilizce olmayan yazıların “daha kötü” olması değildir. Bu araçların, dilin istatistiksel dokusunu ölçmesidir; dikkatli biçimde ikinci dilde yazılmış metinler ise, yakalamak üzere eğitildikleri makine metinleriyle aynı özelliklerden bazılarını taşıma eğilimindedir.

Bu, bunalmış öğrencilerden çıkan marjinal bir şikâyet değil. Hakemli araştırmaların bulgusu; bu yüzden bazı büyük üniversitelerin bu araçlardan geri adım atması ve mahkemeler ile yöneticilerin dedektör çıktısını gerçek bir temkinle değerlendirmeye başlaması da bununla ilişkili. Kanıtların söylediği şey bu; ayrıca bir dedektör sizi yanlış işaretlerse ne yapmanız gerektiği de bu.

Stanford çalışmasının dedektör yanlılığına dair bulguları

En güçlü kanıt, Stanford’daki Liang ve çalışma arkadaşlarının 2023 yılında Cell Press dergisinde yayımlanan ve açık ifadeyle “GPT dedektörleri ana dili İngilizce olmayan yazarların aleyhine yanlıdır” başlığını taşıyan çalışmasından geliyor.

Araştırmacılar, en yaygın kullanılan yedi dedektörden oluşan bir setle denemeler yaptı. TOEFL derleminden alınan ana dili İngilizce olmayan konuşmacıların yazdığı deneme yazılarında dedektörler ortalama olarak yaklaşık %61’ini yapay zekâ tarafından üretilmiş olarak işaretledi. Ana dili İngilizce olan yazarların yazdığı denemelerde ise yanlış pozitif oranı kabaca %5’ti. Ana dili İngilizce olmayan denemelerin neredeyse beşte biri; testteki her dedektör tarafından oybirliğiyle yapay zekâ olarak işaretlenen kısım yaklaşık %19,8’di. Her birinde metinler insan tarafından yazılmıştı.

Mekanizma, işin ilginç kısmı; çünkü yanlılığın tesadüfen değil, tasarıma gömülü olduğunu açıklıyor. Pek çok dedektör, “şaşırtıcılık (perplexity)” adı verilen bir sinyale dayanır; bu, bir metindeki kelime tercihlerinin bir dil modeline göre ne kadar “şaşırtıcı” olduğunun ölçüsüdür. Yaygın kelimeler ve tahmin edilebilir ifadelerle dolu metinler düşük şaşırtıcılık üretir; düşük şaşırtıcılık ise dedektör tarafından makineye benzer olarak okunur. İkinci dil yazarları, fikirleri basit olduğu için değil; ilk dili olmadıkları bir dilde, dikkatli yazdıkları için daha sınırlı ve daha konvansiyonel bir kelime dağarcığı kullanma eğilimindedir. Dedektör pürüzsüz yüzeyi görür ve bunu yapay olarak etiketler.

Adalet sorununu oluşturan çekirdek budur. İkinci dilde yazının anlaşılır ve doğru olmasını sağlayan alışkanlıklar, bu araçların cezalandırmak üzere inşa edildiği alışkanlıklardır.

Ana dili İngilizce olmayan yazıların yapay zekâ dedektörü yanlış pozitiflerini tetiklemesinin nedeni

Bunun neden olduğunu anlamak için biraz durmak faydalı; çünkü bu farkındalık, kötü bir işaretin verdiği rahatsızlığın bir bölümünü azaltır.

Ana dili İngilizce olan biri hızlı yazdığında deyimler, sıra dışı kelime seçimleri, garip ritimler ve ara sıra kullanılan dilbilgisel “kısayollar” ortaya saçılır. Bu öngörülemezlik yüksek şaşırtıcılık olarak algılanır ve insan gibi okunur. Ana dili İngilizce olmayan bir yazar ya da daha genel ifadeyle disiplinli bir akademik yazar; daha kesin, standart yapıları ve kontrollü bir kelime dağarcığını tercih etme eğilimindedir. Büyük dil modelleri de kesin, standart yapıları ve kontrollü bir kelime dağarcığını tercih eder. Dedektörün ölçtüğü özel eksende, dikkatli bir insan metni ile dikkatli bir makine metni aynı göründüğü için dedektör ikisini ayırt edemez.

Bunların hiçbiri metnin daha düşük kalitede olduğu anlamına gelmez. Akademik düz yazıda açıklık bir erdemdir; bir kusur değildir. Sadece dedektörün yanlış şeyi ölçtüğü ve ondan emin bir sonuç çıkardığı anlamına gelir.

İşte bu kesinlik tehlikelidir. Kısa ve net bir yüzde çıktısı veren bir araç, sayının, özünde, hakiki yazarların tüm bir grubunu sistematik biçimde dezavantajlı konuma iten bir sinyale dayanması durumunda bile otoriter görünür.

Yapay zekâ dedektörlerinden geri adım atan üniversiteler

Kurumlar sorunu erken fark etti ve bazıları adım attı.

Ağustos 2023’te Vanderbilt Üniversitesi, Turnitin’in yapay zekâ dedektörünü devre dışı bıraktı ve bunu yapmasına ilişkin alışılmadık derecede ayrıntılı bir açıklama yayımladı. Yaklaşık %1 civarında bir yanlış pozitif oranı iddiasının, tüm bir makale ölçeğinde anlamlı olmayacağını; çünkü yılda yaklaşık 75.000 başvuru bulunduğunu belirtti. Ancak ana dili İngilizce olmayan yazarlar aleyhine yanlı sonuçlar ürettiğinin gösterilmiş olması ve süreçlerinin opaklığı nedeniyle yaklaşık 750 makalenin hatalı biçimde işaretlenme ihtimalinin bulunduğu sonucuna vardı. Michigan State, Austin’deki Texas Üniversitesi, Northwestern ve Pittsburgh Üniversitesi de benzer adımlar attı. Southern Methodist University Aralık 2023’te geri adım attı; Waterloo Üniversitesi ise Eylül 2025’te, insan tarafından yazıldığı halde tamamen yapay zekâ puanlanan metinler bulduktan sonra aynı doğrultuda ilerledi.

Turnitin’in yönlendirmesi de temkinlidir. Yapay zekâ göstergesi %1–%19 aralığındaki sayıları düşürür; sayı yerine yıldız (*) işareti kullanır. Çünkü yanlış pozitifler ölçeğin daha düşük ucunda daha yaygındır. Ayrıca puanın tek başına akademik dürüstlükle ilgili kararlar almak için kullanılmaması gerektiğini açıkça belirtir. Bu, satıcının kurumlara, kendi çıktısını “kanıt” gibi ele almamalarını söylediğini gösteren güçlü bir işarettir; tek bir sayıya ne kadar ağırlık verilmesi gerektiği konusunda da bununla ilgili güçlü bir ipucu verir.

Okulunuz hâlâ bu araçları kullanıyorsa paniklemek için bir neden yok. Önemli olan haklarınızı bilmek ve kanıtlarınızı saklamaktır; aşağıda buna geri döneceğiz.

Gerçek vakalar, açık bir dille ortaya kondu

Birkaç anlaşmazlık gündeme geldi ve bunları tam olarak anlamak gerekir; çünkü ayrıntılar önemlidir ve manşetler çoğu zaman onları birbirine karıştırır.

Adelphi Üniversitesi’ndeki Orion Newby vakasında, bir öğrenci makalesi tamamen yapay zekâ tarafından üretilmiş gibi işaretlendi. Federal bir hâkim meseleyi inceledi ve bulguyu “dayanaksız” bularak, öğrencinin kaydından çıkarılmasını emretti (Şubat 2026’da bildirildiği üzere). Bu kararda nelerin kurulmadığını ve nelerin kurulduğunu the Newby v. Adelphi ruling başlıklı yazıda ayrıntılandırıyoruz. UC Davis’te William Quarterman, GPTZero tarafından işaretlenmiş ve Google Docs sürüm geçmişini kullanarak adını temizlemiştir; bu geçmiş, makalenin zaman içinde yazıldığını göstermiştir. Bu bir idari çözümdü; dava değildi.

Bir nokta açıkça söylenmeli; çünkü çevrim içi özetlerin çoğu bunu yanlış anlıyor. Bu sonuçların hiçbiri Turnitin şirketine karşı açılmış hukuki bir karar değildi ve bu davalarda bu öğrencilerden hiçbiri “Turnitin’i dava edip kazanmamıştı.” Anlaşmazlıklar, bir işaretin okullarda nasıl kullanıldığına ilişkin konulardı; ders, bir dedektör satıcısının mahkemede kaybetmesine değil, süreç ve kanıt meselesine dayanır. Doğru çerçevelendiğinde çıkarım güçlendiricidir: Bir dedektör puanı bir iddiadır; hüküm değildir ve yetkin yazarlar bunu başarıyla itiraz ederek çürtebilmiştir.

Yanlışlıkla işaretlendiyseniz ne yapmalısınız?

Bir dedektör sizin yazdığınız çalışmayı işaretlerse durum geri döndürülebilir; bunu iyi çözen yazarların genellikle yaptığı şeyler de birkaç başlıkta toplanır.

Taslaklarınızı ve sürüm geçmişinizi koruyun. Google Docs ve Word, düzenlemeleri zaman içinde izler ve bu zaman çizelgesi, UC Davis vakasında olduğu gibi sunabileceğiniz en güçlü kanıttır. Hangi puanın işareti tetiklediğini ve değerlendiricinin bunu nasıl yorumladığını kibarca sorun; bastırılmış ya da sınırda kalmış bir sayı, herhangi bir karar için zayıf bir zemindir. Yazılı biçimde adalet meselesini ortaya koymanız gerekirse, yukarıdaki araştırmaya ve kurumsal temkin yaklaşımına atıfta bulunun. Yanlış bir yapay zekâ tespit işaretine nasıl itiraz edeceğinizi anlatan adım adım rehberimiz, tüm süreci baştan sona kapsar.

İleriye dönük hedef, aracı “oynamak” değildir. Kendi dikkatli metninizin yanlış okunma olasılığını azaltacak şekilde güvenle, doğal İngilizce yazmaktır; ayrıca kurumunuzun gerektirdiği biçimde yapay zekâ desteğini açıklamaktır. Tam da bunun için tasarlanmış AI text humanizer aracımız var. İngilizceyi ikinci dil olarak yazıyorsanız, AI humanizer for ESL researchers başlıklı özel rehberimiz, iş akışını daha da ayrıntılı biçimde ele alır. Amaç, daha önce yaptığınız çalışmaya adalet sağlamak; gizlemek değil.

Dedektörü takılmaya zorlayan “düz” doku: önce ve sonra

Teori, onu gerçek bir paragraf üzerinde gördüğünüzde daha kolay güvenilir. İşte bir ESL araştırmacısının İngilizceyi yumuşatmak için bir yapay zekâ asistanı kullandığı örnek bir sonuç bölümü. Metin akıcı biçimde okunuyor, buna rağmen dedektör onu yine de işaretledi.

Önce (muhtemelen yapay zekâ olarak işaretlendi):

"The results demonstrate that the intervention significantly reduced recovery time by 27% across all cohorts (Chen et al., 2021). This substantial improvement clearly highlights the effectiveness of the proposed approach. The findings confirm the hypothesis and underscore the importance of early intervention."

Üç cümle; neredeyse aynı uzunlukta. Her yan cümle aynı tempoda ilerliyor. Kelime dağarcığı güvenli ve tahmin edilebilir. Bu eşitlik, dedektörün düşük şaşırtıcılık ve düşük burstiness olarak okuduğu şeydir ve ana dili İngilizce olmayan pek çok gerçek yazının işaretlenmesini sağlayan aynı dokudur.

Sonra (yazarın sesine göre düzenlendi):

"Recovery time fell by 27% across the three cohorts (Chen et al., 2021), a bigger drop than we had expected (n = 214). The effect held, though it was weaker in the oldest group. That pattern points to a real benefit from early intervention, but with a sample this size we would not push the claim further than the data allows."

Yan yana okuyun; ikinci metin, işi gerçekten yapan bir kişi gibi ses verir.

Ne değişti ve neden önemli. Taşıyıcı tüm olguları koruduk: %27 ifadesi, (Chen et al., 2021) atfı, kohort sayısı ve örneklem büyüklüğü. Kanıtta hiçbir şey yerinden oynamadı. Eklediğimiz şey varyasyondu. Cümle uzunlukları şimdi uzun-kısa-uzun şeklinde dalgalanıyor; bu burstiness’ı artırıyor. Kelime seçimleri daha az öngörülebilir hale geldiği için şaşırtıcılık yükseliyor. Ayrıca ihtiyat payını geri koyduk: “points to,” “we would not push the claim further.” Yapay zekâ taslakları bu temkinli ifadeleri çıkarır; aşırı yumuşatma yapan araçlar da benzer şekilde çıkarır. Bu da, cilalanmış ana dili İngilizce olmayan İngilizcenin neden yapay zekâ profilini andırma eğiliminde olduğunun bir nedeni.

Bu aynı zamanda bir kalite düzeltmesidir; hile değil. Sonraki sürüm, önceki sürüme kıyasla daha ölçülü ve daha savunulabilir bir iddia kurar. Önceki sürümde “demonstrate” ve “confirm the hypothesis” ile fazla ileri gidilmişti. Sürekli söylediğimiz nokta bu: yanlış işaret riskini düşüren düzenleme, genellikle hakemli değerlendirmede de ayakta kalacak düzenlemenin aynısıdır. Bir academic humanizer, ilk aşamada bunu yapabilir; atıflarınızı ve sayılarınızı korurken ilk geçişi hızlandırır, ancak her satırı yine de siz okumalısınız.

Bir uyarı daha. Tek bir düzenleme temiz bir puanı garanti etmez ve dedektörler değişmeye devam eder (Turnitin, Ağustos 2025’te humanizer algılamasını ekledi). Kendi muhakemenizi yansıtan metinler yazmayı hedefleyin; şaşırtıcılığın neyi ölçtüğünü anlayın ve yapay zekâ desteğini, derginizin ya da üniversitenizin politikasına uygun biçimde açıklayın.

Sık sorulan sorular

S: Yapay zekâ dedektörleri neden ana dili İngilizce olmayan yazarları işaretler?

Çoğu dedektör, bir metindeki kelime seçimlerinin ne kadar öngörülebilir olduğunu ölçer ve dikkatli biçimde ikinci dilde yazılmış metinler, düşük şaşırtıcılık olarak okunan yaygın, standart bir kelime dağarcığını kullanma eğilimindedir. Bu istatistiksel “pürüzsüzlük”, araca makineye benzer görünür ve insanın her kelimeyi yazmış olmasına rağmen araç bir yapay zekâ yanlış pozitif üretebilir. Yanlılık, dedektörün ölçtüğü şeyin içinde yer alır; yazının kalitesinde değil.

S: Stanford çalışması dedektör yanlılığı hakkında ne buldu?

Patterns dergisindeki 2023 Stanford çalışması, yedi dedektörü test etti ve ana dili İngilizce olmayan TOEFL deneme yazılarının yaklaşık %61’inin yapay zekâ olarak işaretlendiğini; ana dili İngilizce olan yazarlar için bu oranın yaklaşık %5 olduğunu buldu. Ana dili İngilizce olmayan denemelerin neredeyse %20’si, tüm dedektörler tarafından oybirliğiyle işaretlendi. Tüm denemeler insan tarafından yazılmıştı.

S: Yapay zekâ olarak yanlış işaretlendiysem ne yapmalıyım?

Google Docs ya da Word’ten taslak geçmişinizi koruyun; görünür bir yazım zaman çizelgesi, sahip olduğunuz en güçlü kanıttır. Hangi puanın işareti tetiklediğini sorun, yanlış pozitiflere ilişkin araştırmayı atıfla gösterin ve net bir itiraz sürecini izleyin. Bir dedektör puanı, itiraz edebileceğiniz bir iddiadır; nihai bir hüküm değil.

S: Üniversiteler yapay zekâ dedektörlerini kullanmayı bıraktı mı?

Bazıları bunları sınırladı ya da tamamen devre dışı bıraktı. Vanderbilt, yanlış pozitifler ve yanlılık endişeleri gerekçesiyle 2023’te Turnitin’in yapay zekâ dedektörünü devre dışı bıraktı; Michigan State, UT Austin, Northwestern, Pittsburgh, SMU ve Waterloo da benzer adımlar attı. Dedektörleri hâlâ kullanan birçok kurum, puanı bir “kanıt” olarak değil, tek bir sinyal olarak ele alıyor.

S: Daha basit İngilizce yazmak yapay zekâ tarafından işaretlenme riskinizi artırır mı?

Bir ölçüde evet. Dedektörler, daha basit ve daha öngörülebilir kelime dağarcığını düşük şaşırtıcılık olarak okur; dedektörün yapay zekâ ile ilişkilendirdiği aynı istatistiksel sinyaldir. Bu nedenle anlaşılır ESL yazımı yanlış pozitiflere daha yatkın görünebilir. Çözüm, kelime dağarcığını yapay biçimde şişirmek değil; doğal cümle varyasyonunu, kendi ihtiyat ifadelerinizi ve sesinizi geri kazandırmaktır.

S: Humanizer kullanmak yerine kendi yazımı düzenleyerek yanlış bir yapay zekâ işaretini düzeltebilir miyim?

Çoğu zaman evet. Taslağınızı yüksek sesle okuyun; cümle uzunluğunu çeşitlendirin ve gerçekten kastettiğiniz sınırları geri koyun. Bu, burstiness’ı artırır ve metnin sizin yazdığınız gibi görünmesini sağlar. Bir araç bu ilk geçişi hızlandırabilir; ancak hedef, gerçek “ses”tir ve derginizin ya da üniversitenizin politikasına uygun şekilde, kullandığınız herhangi bir yapay zekâ yardımını yine de açıklamalısınız.

ESL yazarları için geliştirilmiş bir humanizer

Açık, doğal akademik İngilizce ile yazın ve ana dili İngilizce olmayan yazarların en çok etkilendiği yanlış pozitifleri azaltın, anlam ve atıflar korunur.