Halüsinasyon, Etik, Gizlilik ve Bilimsel Bütünlük

Kazanimlar:

• Fizikteki halüsinasyon biçimlerini (uydurma sabit, sahte yasa, birim hatası, yanlış sonuç, sahte atıf) tanıyıp uygun yöntemle yakalayabilme
• Yayımlanmamış, gizli ve kişisel veriyi onaysız araçlara girmeyip anonimleştirme ve minimizasyonla koruyabilme
• Veriyi güzelleştirmeden dürüstçe raporlayıp yapay zeka kullanımını şeffaf belgeleyerek nihai sorumluluğun insanda olduğunu kavrayabilme

Bu modül boyunca her ünitede aynı disiplini işledik: yapay zeka (YZ) hızlandırır, insan doğrular. Bu son ünitede, tüm bu doğrulama pratiğini fizik biliminin en temel değeri olan bilimsel bütünlük çatısı altında bir araya getiriyoruz. Fizik, doğaya dair doğrulanabilir bilgi üretme uğraşıdır; bu uğraşın kalbinde dürüstlük, tekrarlanabilirlik ve sorumluluk vardır. YZ, bu değerleri güçlendirmek için kullanılabilir — ama yanlış kullanıldığında hepsini tehdit eder. Bu ünitede halüsinasyonun fizikteki biçimlerini, veri ve gizlilik sorumluluğunu, etik sınırları ve nihai sorumluluğun neden her zaman insanda kaldığını ele alacağız.

Fizikte halüsinasyonun biçimleri

Halüsinasyon — YZ'nin yanlış bir bilgiyi özgüvenle üretmesi — fizikte kendine özgü ve tehlikeli biçimler alır. Bunları tanımak, yakalamanın ilk adımıdır:

Halüsinasyon türü

Örnek

Yakalama yöntemi

Uydurma sabit/veri

Yanlış bir malzeme yoğunluğu

Güvenilir referansla teyit

Sahte formül/yasa

Var olmayan bir "ilke" adı

Ders kitabı / SymPy türetme

Birim/mertebe hatası

eV'yi J sanmak

Boyut analizi, birim kontrolü

Yanlış sayısal sonuç

Kod çıktısını kafadan uydurma

Kodu çalıştırma

Uydurma atıf

Var olmayan makale

DOI ile doğrulama

Yanlış aktarılan sonuç

Gerçek makaleyi çarpıtma

Asıl kaynağı okuma

Ortak nokta şudur: bir büyük dil modeli, doğruyu söylemek için değil, "olası görünen metni" üretmek için tasarlanmıştır. Fizikte "olası görünen" ile "doğru" arasındaki fark, tam da bilimin var olma nedenidir.

Veri, gizlilik ve fikri mülkiyet sorumluluğu

Fizikçiler çoğu zaman hassas veriyle çalışır: yayımlanmamış deney verileri, patent öncesi tasarımlar, endüstriyel iş birliklerine ait gizli ölçümler, kişisel sağlık ya da güvenlik verisi içeren araştırmalar. Bu tür veriyi genel bir YZ aracına girmek, onu üçüncü tarafların erişimine ve muhtemelen modelin eğitim verisine taşıyabilir — bu, hem gizlilik ihlali hem de bilimsel önceliğin (bir keşfi ilk yapma hakkının) kaybı anlamına gelir. Kural nettir: yayımlanmamış, gizli ya da kişisel veriyi, kurumunuzun onaylamadığı bir YZ aracına girmeyin. Girecekseniz anonimleştirin, minimize edin (yalnızca gereken kadarını verin) ve aracın veri koşullarını okuyun.

Dikkat: Bir laboratuvarın henüz yayımlanmamış ölçümlerini ya da bir şirketin gizli tasarım parametrelerini bir YZ aracına "hızlı analiz için" girmek, geri alınamaz bir hata olabilir. Veri bir kez paylaşıldığında geri çağrılamaz. Şüphedeyseniz, veriyi girmeyin; önce kurumunuzun politikasını ve aracın gizlilik koşullarını netleştirin.

Etik sınırlar ve bilimsel bütünlük

Bir kullanım teknik olarak mümkün ve hatta yasal olabilir, ama yine de etik olmayabilir. Fizikte bilimsel bütünlüğü ilgilendiren birkaç kırmızı çizgi vardır:

Veri uydurma ya da güzelleştirme. YZ'den "verime daha iyi uyan noktalar üret" ya da "grafiği daha ikna edici göster" istemek, veri sahtekârlığıdır. Veri olduğu gibi raporlanır; aykırı noktalar ancak belgelenmiş, meşru bir gerekçeyle elenir.

Katkının şeffaflığı. YZ'yi bir çalışmada kullandıysanız — kod yazımı, dil düzeltme, analiz — bunu ilgili yerde açıkça belirtmek dürüstlüğün gereğidir. Birçok dergi ve kurum bunu zorunlu kılar.

Yazarlık ve sorumluluk. YZ bir yazar değildir; bir çalışmanın içeriğinden sorumlu olamaz. Sorumluluk daima insan yazarlardadır. YZ'nin ürettiği bir hata, "araç yaptı" denerek savunulamaz.

Tekrarlanabilirlik. Bilimsel bir sonuç, başkalarının tekrarlayabilmesi için yöntemin (kullanılan kod, parametreler, YZ istemleri dahil) açıkça belgelenmesini gerektirir.

Üç mini vaka

Vaka 1 — Gizli veri sızıntısı. Bir araştırmacı, bir şirketle imzaladığı gizlilik anlaşması kapsamındaki ölçüm verisini "hızlı bir grafik için" genel bir YZ aracına yapıştırdı. Sonradan bu aracın girdileri saklayabildiğini fark etti. Sözleşme ihlali ve olası bir öncelik kaybı doğdu. Ders: gizli veri, onaylı olmayan araca hiç girilmez.

Vaka 2 — Güzelleştirme baskısı. Bir öğrenci, deney verisi teoriyle tam uyuşmadığı için YZ'den "veriyi teoriye daha yakın gösteren" bir düzenleme istedi. Danışmanı bunu fark etti ve durdurdu: uyuşmazlık, ya deneyde bir sistematik hata ya da ilginç yeni bir fizik demekti — gizlenecek değil, araştırılacak bir şey. Veri dürüstçe raporlandı ve sistematik hata bulundu.

Vaka 3 — Şeffaflık kazandırdı. Bir ekip, bir makalenin veri analiz kodunu YZ yardımıyla yazdı ve bunu yöntem bölümünde açıkça belirtti; kodu ve istemleri ek dosya olarak paylaştı. Bir hakem kodu inceleyip küçük bir düzeltme önerdi. Şeffaflık, hatayı yayımdan önce yakalattı ve çalışmanın güvenilirliğini artırdı.

Dört kopyalanabilir şablon

1) Halüsinasyon taraması:

Aşağıdaki fizik çıktısını halüsinasyon açısından tara: uydurma sabit,sahte formül/yasa adı, birim/mertebe hatası, doğrulanmamış sayısalsonuç ve teyit edilmemiş atıf var mı? Her şüpheli öğeyi işaretle venasıl doğrulanacağını (referans, kod, DOI) belirt. Çıktı: [buraya]

2) Veri gizliliği ön kontrolü:

Şu veriyi/metni bir YZ aracına girmeden önce değerlendir: yayımlanmamış,gizli, kişisel ya da sözleşmeyle korunan bilgi içeriyor mu?İçeriyorsa nasıl anonimleştirebileceğimi ya da minimize edebileceğimi öner.Emin değilsen "kurum politikasını kontrol et" de. İçerik: [buraya]

3) Şeffaflık/katkı beyanı taslağı:

Bir çalışmada YZ'yi şu amaçlarla kullandım: [kod yazımı / dil düzeltme /analiz vb.]. Bunu dürüstçe belgeleyen kısa bir "YZ kullanım beyanı"taslağı yaz. Hangi kısımların insan tarafından doğrulandığını da belirtsin.

4) Bilimsel bütünlük sağlaması:

Aşağıdaki analiz/sonuç için bir bütünlük kontrolü yap: veri olduğu gibi miraporlanmış (güzelleştirme yok), belirsizlikler bildirilmiş mi, yöntemtekrarlanabilir biçimde belgelenmiş mi, YZ kullanımı şeffaf mı?Eksikleri listele. İçerik: [buraya]

Zayıf prompt / Güçlü prompt

Zayıf: "Verimi teoriye daha iyi uyacak şekilde düzenle ve grafiği ikna edici yap."

Sonuç: Veri sahtekârlığı; bilimsel bütünlüğün doğrudan ihlali, geri dönüşü olmayan itibar kaybı.

Güçlü: "Verim teoriyle tam uyuşmuyor. Bu uyuşmazlığın olası nedenlerini (sistematik hata, istatistiksel dalgalanma, model eksikliği ya da yeni bir etki) analiz etmeme yardım et; veriyi değiştirmeden, uyuşmazlığı dürüstçe nasıl raporlayacağımı öner."

Sonuç: Dürüst, araştırmacı ve bilimsel bütünlüğe sadık bir yaklaşım; uyuşmazlık bir keşif fırsatına dönüşür.

Sık yapılan hatalar

• Halüsinasyonu özgüvenle karıştırmak. YZ'nin emin bir dille konuşması doğruluk garantisi değildir; en kesin cümle bile uydurma olabilir.
• Gizli veriyi onaysız araca girmek. Bir kez paylaşılan veri geri alınamaz; öncelik ve gizlilik kaybedilir.
• Veriyi güzelleştirmek. "Teoriye uydurmak" için veriyi değiştirmek, en ağır bilimsel suçlardan biridir.
• YZ kullanımını gizlemek. Şeffaflık dürüstlüğün gereğidir ve birçok kurumda zorunludur.
• Sorumluluğu araca yıkmak. "YZ yaptı" bir savunma değildir; nihai sorumluluk daima insandadır.

İpucu: Her YZ destekli çalışmanın sonunda kendinize üç soru sorun: (1) Bu çıktıdaki her olgu, sayı ve atıf bağımsız olarak doğrulandı mı? (2) Kullandığım veri, girmemem gereken bir gizli/kişisel bilgi içeriyor muydu? (3) YZ kullanımımı ve yöntemimi başkasının tekrarlayabileceği kadar şeffaf belgeledim mi? Bu üç soruya net "evet" diyemiyorsanız, çalışma henüz tamamlanmamıştır.

Özetle

Bilimsel bütünlük, fiziğin var oluş temelidir ve YZ çağında daha da önemlidir. Halüsinasyon fizikte uydurma sabit, sahte yasa, birim hatası, yanlış sonuç ve sahte atıf biçiminde çıkar; her biri kendine özgü bir doğrulama yöntemiyle yakalanır. Gizli ve kişisel veri onaysız araçlara girilmez; veri asla güzelleştirilmez; YZ kullanımı şeffafça belgelenir; ve nihai sorumluluk her zaman insandadır. Bu modül boyunca öğrendiğiniz tek bir disiplin vardır: YZ güçlü bir hızlandırıcıdır, ama doğrulama, dürüstlük ve sorumluluk yetkin fizikçinin — yani sizin — omuzlarındadır. Doğrulanmamış bir YZ çıktısı, bir fizikçinin onayının yerine asla geçmez.

Uygulama görevi

Bu modülde ürettiğiniz bir YZ çıktısını (bir hesap, bir analiz ya da bir metin) seçin. 1. şablonla halüsinasyon taraması yapın: uydurma sabit, sahte formül, birim hatası ya da doğrulanmamış atıf var mı? 2. şablonla, kullandığınız verinin gizlilik açısından uygun olup olmadığını değerlendirin. Son olarak 3. şablonla kısa bir YZ kullanım/şeffaflık beyanı taslağı hazırlayın. 5-6 cümleyle not edin: tarama neyi ortaya çıkardı, hangi doğrulama adımlarını uyguladınız?

Kontrol listesi

• [ ] Çıktıdaki her sabiti, formülü ve sonucu bağımsız olarak doğruladım.
• [ ] Her atfı DOI/kaynakla teyit ettim.
• [ ] Gizli/kişisel veriyi onaysız araca girmediğimi kontrol ettim.
• [ ] Veriyi olduğu gibi, güzelleştirmeden raporladım.
• [ ] YZ kullanımımı şeffaf ve tekrarlanabilir biçimde belgeledim.
• [ ] Nihai sorumluluğun bende olduğunu kabul ettim; hiçbir hatayı araca yıkmadım.

Modul Sinavi

1. Fizikte yapay zeka için en doğru konumlandırma aşağıdakilerden hangisidir?

• A) Yapay zeka bir kod, taslak ve düzenleme asistanıdır; birim, mertebe, doğrulama ve etik kararların sorumluluğu insandadır ✔
• B) Yapay zeka bir hesap makinesidir ve verdiği sayısal sonuçlar her zaman kesindir
• C) Yapay zeka yalnızca hesaplamada işe yarar, deney analizi ve öğretimle ilgisi yoktur
• D) Yapay zeka insandan daha tarafsız olduğu için birim ve sonuç kararları ona bırakılmalıdır

Aciklama: Yapay zeka; kod yazan, taslak üreten, türetme iskeleti kuran ve düzenleyen bir asistandır. Ancak sonucun birim ve mertebe doğrulaması, korunum yasalarıyla sağlanması, sabit ve atıf teyidi ile nihai sorumluluk yetkin fizikçiye aittir. Büyük dil modeli bir hesap makinesi ya da fizik motoru değildir; 'bir sonraki en olası kelimeyi' üreten bir metin üreticisidir ve doğrulanmamış çıktısı yanlış bir değere, tasarıma veya sonuca yol açabilir.

2. Bir büyük dil modeline yazdırdığınız bir hesaplama kodunun sayısal sonucu için en doğru yaklaşım nedir?

• A) Modelin 'bu kod şunu verir' dediği sayıya güvenmek, çünkü kodu o yazmıştır
• B) Kodu kendiniz çalıştırıp çıktıyı görmek; modelin sözlü sayısal tahminine güvenmemek ✔
• C) Kodu hiç çalıştırmadan, sadece okunuşuna bakıp doğru kabul etmek
• D) Sonucu doğrudan modele tekrar sorup aynı sayıyı söylerse kesin doğru saymak

Aciklama: Bir LLM, yazdığı kodun çıktısını kafadan 'hesaplayıp' yanlış bir sayı söyleyebilir; oysa aynı kod çalıştırıldığında doğru sonucu verir. Deterministik olan, çalıştırılan koddur; modelin sözlü tahmini değildir. Bu yüzden kod her zaman kendi ortamınızda çalıştırılıp çıktısı görülmelidir.

3. Sürtünmesiz bir dinamik sistemin simülasyonunun fiziği doğru yansıtıp yansıtmadığını sınamanın en güçlü yolu hangisidir?

• A) Grafiğin görsel olarak düzgün ve ikna edici görünmesine bakmak
• B) Simülasyonu yalnızca tek bir zaman adımıyla çalıştırıp sonuca güvenmek
• C) Toplam enerji veya momentum gibi korunması gereken bir büyüklüğü izleyip sabit kalıp kalmadığını kontrol etmek ✔
• D) Simülasyonu ne kadar hızlı çalıştığına göre değerlendirmek

Aciklama: Sürtünmesiz bir sistemde toplam enerji (ve varsa momentum) korunmalıdır. Simülasyon boyunca bu büyüklüğü izleyip sabit kalıp kalmadığına bakmak, sayısal kusurları (örneğin ilkel Euler yönteminin enerjiyi sürekli artırması) ortaya çıkarır. Enerji sürükleniyorsa simülasyon güvenilmezdir; güzel bir grafik üretmesi doğru olduğu anlamına gelmez.

4. Deney verisine model uydururken doğru yaklaşım aşağıdakilerden hangisidir?

• A) Veriye en iyi uyan yüksek dereceli polinomu seçmek, çünkü tüm noktalardan geçer
• B) Parametreleri belirsizlik olmadan tek bir sayı olarak vermek
• C) Uyumun kalitesini yalnızca eğrinin göze güzel görünmesine bakarak ilan etmek
• D) Modeli fizikten seçmek, parametreleri belirsizlikleriyle raporlamak ve uyumu artıklarla değerlendirmek ✔

Aciklama: Model, veriye bakıp 'hangisi güzel uyuyor' diye değil, olayın uyması gereken fiziksel yasadan seçilmelidir. Yeterince serbest parametreyle (örneğin yüksek dereceli bir polinom) her veriye 'mükemmel' ama fiziksel anlamsız bir uyum (aşırı uydurma) yapılabilir. Parametreler belirsizlikleriyle raporlanmalı, uyum kalitesi artıklarla değerlendirilmeli ve fiziksel makullük kontrol edilmelidir.

5. Bir ölçümü çok kez tekrarlamak hangi belirsizlik türünü azaltır?

• A) Rastgele belirsizliği; sistematik belirsizlik tekrarla azalmaz, nedeni bulunup düzeltilmelidir ✔
• B) Sistematik belirsizliği; çünkü tekrar kalibrasyon hatasını yok eder
• C) Her iki belirsizliği de tamamen ortadan kaldırır
• D) Hiçbirini azaltmaz; belirsizlik ölçüm sayısından bağımsızdır

Aciklama: Tekrarlı ölçüm, sonuçların rastgele dağılmasından kaynaklanan rastgele belirsizliği (ortalamanın standart hatası std/√N ile) azaltır. Sistematik belirsizlik ise hep aynı yönde sapan bir hatadır (örneğin yanlış kalibre edilmiş bir terazi) ve tekrarla azalmaz; ancak nedeni bulunup düzeltilerek giderilir. Çok ölçümle 'çok küçük' bir belirsizlik raporlamak, altta yatan sistematik hatayı gizleyebilir.

6. Yapay zekanın türettiği bir hata yayılımı formülünü doğrulamanın en güvenilir bağımsız yolu nedir?

• A) Formülün akıcı ve ikna edici görünmesine güvenmek
• B) Girdileri belirsizlikleriyle rastgele örnekleyen bir Monte Carlo hesabıyla çapraz kontrol etmek ✔
• C) Aynı formülü yapay zekaya tekrar sorup aynı sonucu vermesini beklemek
• D) Belirsizlikleri doğrudan toplayıp sonuçla karşılaştırmak

Aciklama: Yapay zeka, hata yayılımı formüllerinde kısmi türev katsayılarını ve karekök yapısını sık karıştırır. Bunu bağımsız olarak sağlamanın güçlü bir yolu Monte Carlo çapraz kontrolüdür: her girdiyi kendi belirsizliğiyle rastgele örnekleyip fonksiyonu binlerce kez hesaplamak ve çıktının standart sapmasını formülün verdiği belirsizlikle karşılaştırmak. İki bağımsız yöntemin buluşması güveni artırır.

7. Uzun bir sembolik fizik türetmesinde yapay zeka ile SymPy'nin doğru iş bölümü nedir?

• A) SymPy türetmenin fikrini üretir, yapay zeka her adımı kesin olarak doğrular
• B) İkisi de gereksizdir; uzun türetmeler yalnızca elle yapılmalıdır
• C) Yapay zeka türetmenin iskeletini kurar, SymPy her cebirsel adımı kesin biçimde doğrular ✔
• D) Yapay zeka türetmeyi tek başına yapar, doğrulamaya gerek yoktur çünkü akıcı görünür

Aciklama: Yapay zeka türetmenin stratejisini kurar ve yolu anlatır, ama uzun cebirde işaret hataları, kaçan terimler ve yanlış sadeleştirmeler yapar. SymPy ise kurallara göre çalıştığı için her cebirsel adımı kesin biçimde doğrular. En güçlü iş akışı ikisini birleştirir: iskeleti yapay zekadan al, her adımı SymPy ile sağla, sonucu türev-integral tersliği ve sınır durumuyla sına.

8. Bir fiziksel formülün doğruluğu hakkında boyut analizi ne söyler?

• A) Boyut analizi bir formülün doğru olduğunu her zaman kesin kanıtlar
• B) Boyut analizinin fizikte hiçbir pratik değeri yoktur
• C) Boyut analizi yalnızca formülün sabit çarpanını verir, tutarlılığını değil
• D) Boyutsal olarak tutmayan bir formül kesinlikle yanlıştır; boyut analizi hatayı sayı hesaplamadan yakalar ✔

Aciklama: Bir fiziksel eşitliğin iki tarafı, sayısal olarak eşit olmadan önce boyutsal olarak eşit olmak zorundadır. Boyutsal olarak tutmayan bir formül kesinlikle yanlıştır; bu, sayı hesaplamadan yakalanır. Boyut analizi bir formülün doğru olduğunu kesin kanıtlamaz (boyutsuz bir sabit çarpanı ya da açıyı gözden kaçırabilir), ama yanlış olduğunu kesin gösterir; bu yüzden her hesabın ilk ve en ucuz denetimidir.

9. 36 km/saat hızla giden bir cismin kinetik enerjisini hesaplarken en kritik ilk adım nedir?

• A) Tüm girdileri tek bir birim sistemine (SI) çevirmek; 36 km/saat'i 10 m/s yapmak ✔
• B) Hızı m/s'ye çevirmeden km/saat değeriyle doğrudan formüle koymak
• C) Birimleri hiç dikkate almadan yalnızca sayıları çarpmak
• D) Sonucu hesapladıktan sonra mertebeyi kontrol etmeye hiç gerek olmadığını varsaymak

Aciklama: SI temelli formüller (E = ½mv²) hızı m/s cinsinden bekler. Bir hesapta km/saat ile m'yi ya da saat ile saniyeyi karıştırmak fizikteki en yaygın hatalardan biridir. Önce tüm girdiler tek bir birim sistemine (SI) çevrilmelidir: 36 km/saat = 10 m/s. Bileşik birim dönüşümlerinde yapay zeka sessiz hatalar yapabildiği için bu dönüşüm elle ya da birim-farkında bir araçla doğrulanmalıdır.

10. Bir bilimsel grafikte 'dürüstlük' açısından hangi uygulama doğrudur?

• A) Belirsizliği gizlemek, çünkü hata çubukları grafiği karmaşıklaştırır
• B) Eksenleri birimle etiketlemek, ölçeği çarpıtmadan seçmek ve belirsizliği hata çubuklarıyla göstermek ✔
• C) y eksenini her zaman farkı en dramatik gösterecek aralıkta başlatmak
• D) Eksenleri birimsiz bırakmak, çünkü okuyucu birimi tahmin edebilir

Aciklama: Dürüst bir bilimsel grafik; eksenleri büyüklük ve birimle etiketler, ölçeği bilinçli ve çarpıtmadan seçer (y eksenini abartı için sıfırdan uzak başlatmak yanıltıcıdır) ve ölçüm belirsizliğini hata çubuklarıyla görünür kılar. Belirsizliği gizlemek veriyi olduğundan kesin gösterir ve yanlış bir sapma ya da uyum izlenimi yaratır. Bir grafik ne kadar ikna ediciyse, dürüstlük denetimi o kadar önemlidir.

11. Yapay zekadan literatür ve atıf desteği alırken en büyük risk ve doğru disiplin nedir?

• A) Yapay zeka atıfları çok yavaş ürettiği için zaman kaybettirir
• B) Yapay zekanın önerdiği kaynaklar her zaman gerçektir, doğrulamaya gerek yoktur
• C) Yapay zeka gerçek görünen ama var olmayan atıflar üretebilir; her atıf DOI/kaynakla doğrulanmalı ve literatür gerçek veri tabanından bulunmalıdır ✔
• D) Uydurma atıflar kolayca anlaşılır çünkü hep gerçek olmayan dergi adları kullanır

Aciklama: Bir büyük dil modeli gerçek bir veri tabanına bağlı değildir; atıf kalıplarını taklit ederek gerçek dergi adı, inandırıcı yazarlar ve makul bir yıl taşıyan ama tümüyle var olmayan makaleler üretebilir. Bu yüzden literatür gerçek veri tabanlarından bulunmalı, yapay zeka yalnızca eldeki gerçek metni özetlemek/çevirmek için kullanılmalı ve her atıf DOI veya başlıkla bağımsız doğrulanmalıdır. Doğrulanmamış bir atıf akademik dürüstlüğün ihlalidir.

12. Yapay zekaya bir makaleyi özetletirken güvenilir sonuç almak için ne gerekir?

• A) Yalnızca makalenin başlığını vermek yeterlidir, model içeriği bilir
• B) Özeti hiç kontrol etmeden doğrudan kullanmak, çünkü akıcı görünür
• C) Modelden aynı özeti iki kez isteyip benziyorsa doğru kabul etmek
• D) Asıl metni modele vermek ve üretilen özeti asıl metinle karşılaştırıp eklenen/çarpıtılan bir şey olmadığını denetlemek ✔

Aciklama: Yapay zekaya yalnızca bir makalenin başlığını verip özet istemek, modelin makaleyi hiç görmeden 'makul bir özet' uydurmasına yol açar; bu özet gerçeğin tam tersi olabilir. Güvenilir bir özet ancak asıl metin modele verildiğinde ve üretilen özet asıl metinle karşılaştırıldığında elde edilir. Ayrıca özetin metinde olmayan sonuç veya sayı eklemediği denetlenmelidir.

13. Fizik ders materyali üretiminde yapay zeka çıktısı için hangisi doğrudur?

• A) Her çözüm bağımsız doğrulanmalı, benzetmelerin sınırı belirtilmeli ve çeldiriciler gerçek yanılgıları hedeflemelidir ✔
• B) Yapay zekanın ürettiği cevap anahtarı her zaman doğrudur, denetime gerek yoktur
• C) Benzetmeler her durumda kusursuzdur, sınırlarını belirtmeye gerek yoktur
• D) Çeldiriciler tamamen rastgele seçilmelidir, çünkü yanlış şıkkın niteliği önemsizdir

Aciklama: Yapay zeka soru, örnek ve benzetme üretmede hızlıdır ama üç noktada denetim şarttır: her sorunun çözümü bağımsız olarak (elle veya kodla) doğrulanmalı, çünkü model çözümde işaret/birim hatası yapabilir; her benzetmenin nerede çöktüğü belirtilmelidir, aksi halde yeni bir yanılgı doğurur; çeldiriciler gerçek kavram yanılgılarını hedeflemelidir. Sorumluluk öğretmendedir; yanlış bir cevap anahtarı öğrencilerde düzeltilmesi zor yanlış anlamalar bırakır.

14. Deney verisi teoriyle tam uyuşmadığında bilimsel bütünlüğe uygun davranış hangisidir?

• A) Yapay zekaya veriyi teoriye uyacak biçimde düzenletmek ve grafiği ikna edici göstermek
• B) Uyuşmazlığın nedenlerini (sistematik hata, model eksikliği, yeni etki) araştırmak ve veriyi değiştirmeden dürüstçe raporlamak ✔
• C) Uyuşmazlığı görmezden gelip yalnızca uyan noktaları raporlamak
• D) Veriyi silip yeni bir deney sonucunu uydurmak

Aciklama: Yapay zekadan 'veriyi teoriye daha iyi uyacak şekilde düzenle' istemek veri sahtekârlığıdır ve bilimsel bütünlüğün ağır bir ihlalidir. Uyuşmazlık gizlenecek değil, araştırılacak bir şeydir: bir sistematik hataya, istatistiksel bir dalgalanmaya, model eksikliğine ya da ilginç yeni bir etkiye işaret edebilir. Veri olduğu gibi, belirsizliğiyle raporlanır; nihai sorumluluk insandadır ve 'araç yaptı' bir savunma değildir.