Yapay Zekâ Tespit Araçlarının Akademik Değerlendirmede Metodolojik Güvenilirliği Üzerine Bir Değerlendirme

Abstract

Bu çalışma, üretken yapay zekânın akademik üretim süreçlerinde hızla yaygınlaşmasıyla birlikte gündeme gelen yapay zekâ tespit araçlarının metodolojik sınırlarını ve etik entegrasyonunu tartışan kavramsal bir incelemedir. Büyük dil modellerinin (LLM) insan yazımına çok yakın metinler üretebilmesi, dedektör tespitlerinin editörler ve değerlendiriciler için pratik bir kanıt gibi yorumlanmasına yol açabilmektedir. Ne var ki mevcut çalışmalar bu araçların yanlılığa sebep olabildiğini, farklı dedektörlerin aynı metin için tutarsız oranlar verebildiğini ve küçük düzenlemelerle kolayca aşılabildiğini göstermektedir. Uluslararası yayın etiği ilkeleri ve ulusal kılavuzlar yapay zekânın yazar olamayacağını, kullanımın şeffaf biçimde beyan edilmesini ve çıktıların sorumluluğunun araştırmacıda olduğunu vurgulamaktadır. Bu nedenle çalışma, dedektör çıktılarının tek başına yaptırım gerekçesi olamayacağını, bunun yerine şeffaf beyan, yazar sorumluluğu ve insan kontrolünün merkezde olduğu editöryal değerlendirme temelli bir yaklaşımın benimsenmesi gerektiğini savunmaktadır. Sonuç olarak dedektörler yalnızca karar destek amacıyla kullanılmalı, nihai değerlendirmeler kanıtlanabilirlik, kaynak doğrulanabilirliği ve entelektüel katkı ölçütleri üzerinden yürütülmelidir.

Keywords

• Yapay zeka
• yapay zeka tespit araçları
• büyük dil modelleri
• akademik dürüstlük
• yayın etiği

Evaluating the Methodological Reliability of AI Detection Tools in Academic Assessment

Abstract

This study is a conceptual review that discusses the methodological limitations of AI detection tools and their ethical integration into academia, in a context where generative AI is rapidly spreading across scholarly production processes. Because large language models (LLMs) can generate texts that closely resemble human writing, detector outputs may be treated by editors and evaluators as practical evidence. However, the existing literature shows that these tools can introduce bias, that different detectors may produce inconsistent scores for the same text, and that they can be easily bypassed through minor edits. International publication ethics principles and national guidelines emphasize that AI cannot be credited as an author, that any use should be transparently disclosed, and that responsibility for the outputs rests with the researcher. Accordingly, this study argues that detector results alone cannot justify sanctions; instead, an editorial approach centred on transparent disclosure, author responsibility, and human oversight should be adopted. Ultimately, detectors should be used only for decision support, while final evaluations should be based on evidentiary strength, source verifiability, and intellectual contribution.

Keywords

• artificial intelligence
• AI detection tools
• Large Language Models
• academic integrity
• publication ethics

References

1. Başer, M. Y., Kozak, M., & Erdoğan, İ. H. (2026). Do we worry about the use of artificial intelligence and plagiarism? Students’ AI-giarism behaviour through the fraud triangle. The Internet and Higher Education, 69, 101071. https://doi.org/10.1016/j.iheduc.2025.101071
2. Bharadwaj, R., Dugad, R., Gile, A., Patil, G., & Hatyalikar, S. (2024). Detection of AI-generated text. In Proceedings of the 2024 International Conference on Progressive Innovations in Intelligent Systems and Data Science (ICPIDS). IEEE. https://doi.org/10.1109/ICPIDS56958.2024.00032
3. Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
4. COPE Council. (2023). COPE position: Authorship and AI tools. Committee on Publication Ethics. https://doi.org/10.24318/cCVRZBms
5. D’Agostino, S. (2023, 19 Mayıs). Professor to students: ChatGPT told me to fail you. Inside Higher Ed. https://www.insidehighered.com/news/quick-takes/2023/05/19/professor-students-chatgpt-told-me-fail-you
6. David, E. (2023, 25 Temmuz). OpenAI can’t tell if something was written by AI after all. The Verge. https://www.theverge.com/2023/7/25/23807487/openai-ai-generated-low-accuracy
7. Elek, A., Yildiz, H. S., Akca, B., Oren, N. C., & Gundogdu, B. (2025). Evaluating the efficacy of perplexity scores in distinguishing AI-generated and human-written abstracts. Academic Radiology, 32(4), 1785–1790. https://doi.org/10.1016/j.acra.2025.01.017
8. Elsevier. (2025, Eylül). Generative AI policies for journals. Elsevier. https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

9. Emerald Publishing. (t.y.). Publishing ethics. Erişim tarihi: 16 Aralık 2025, https://www.emeraldgrouppublishing.com/publish-with-us/ethics-integrity/research-publishing-ethics#ai
10. European Commission. (2025). Living guidelines on the responsible use of generative AI in research (2nd ed., ERA Forum stakeholders’ document). Directorate-General for Research and Innovation. https://research-and-innovation.ec.europa.eu/document/download/2b6cf7e5-36ac-41cb-aab5-0d32050143dc_en
11. Habibzadeh, F. (2023). GPTZero performance in identifying artificial intelligence-generated medical texts: A preliminary study. Journal of Korean Medical Science, 38(38), e319. https://doi.org/10.3346/jkms.2023.38.e319
12. Hostetler, T. J., Owens, J. K., Waldrop, J., Oermann, M. H., & Carter-Templeton, H. (2024). Generative artificial intelligence detectors and accuracy implications for nurses. Computers, Informatics, Nursing, 42(5), 315–319. https://doi.org/10.1097/CIN.0000000000001134
13. International Committee of Medical Journal Editors. (2025). Defining the role of authors and contributors. ICMJE. https://www.icmje.org/recommendations/browse/roles-and-responsibilities/defining-the-role-of-authors-and-contributors.html
14. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248, 1–38. https://doi.org/10.1145/3571730
15. Jurafsky, D., & Martin, J. H. (2023). Speech and language processing (3rd ed., draft). Stanford University. https://web.stanford.edu/~jurafsky/slp3/
16. Kar, S. K., Bansal, T., Modi, S., & Singh, A. (2025). How sensitive are the free AI-detector tools in detecting AI-generated texts? A comparison of popular AI-detector tools. Indian Journal of Psychological Medicine, 47(3), 275–278.
17. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
18. OpenAI. (2023). GPT-4 technical report (arXiv:2303.08774v6). https://arxiv.org/abs/2303.08774
19. Sage. (t.y.). Artificial intelligence policy. Sage Journals. Erişim tarihi: 16 Aralık 2025, https://www.sagepub.com/journals/publication-ethics-policies/artificial-intelligence-policy
20. Sample, I. (2023, 10 Temmuz). Programs to detect AI discriminate against non-native English speakers, shows study. The Guardian. https://www.theguardian.com/technology/2023/jul/10/programs-to-detect-ai-discriminate-against-non-native-english-speakers-shows-study
21. Taylor & Francis. (t.y.). AI policy. Erişim tarihi: 16 Aralık 2025, https://taylorandfrancis.com/our-policies/ai-policy/
22. TÜBİTAK. (2025). Üretken yapay zekânın (ÜYZ) sorumlu ve güvenilir kullanımı rehberi (Sürüm 03). https://tubitak.gov.tr/sites/default/files/2025-10/UYZ_Rehberi_v03_TR.pdf
23. Yükseköğretim Kurulu. (2024). Yükseköğretim kurumları bilimsel araştırma ve yayın faaliyetlerinde üretken yapay zekâ kullanımına dair etik rehber. Yükseköğretim Proje Geliştirme ve Destekleme Dairesi Başkanlığı. https://proje.yok.gov.tr/tr/page/635