Yapay Zekâ Üretimi Görsel İçeriklerin Sınıflandırılması ve Çok-Katmanlı Tespit Mimarisi: Teyit.Org Platformu Vakaları Üzerinden Sistem Analizi

Öz

Mevcut yapay zekâ tespit araçları olasılıksal sonuçlar üretmekte ve tek başına yeterli bir tespit kapasitesi sağlayamamaktadır. Bu çalışmada, Türkiye'nin önde gelen doğrulama platformu Teyit.org'da Ocak 2024 – Mayıs 2026 arasında belgelenmiş 52 yapay zekâ ile ilişkili görsel içerik vakası, içerik analizi ve sistem analizi yöntemleri birleştirilerek keşifsel-tanımlayıcı bir tasarım çerçevesinde incelenmiştir. Çalışmanın amacı, söz konusu içerikleri yapısal benzerliklerine göre sınıflandırmak, gerçek ve sentetik öğelerin iç içe geçtiği hibrit üretim mimarilerini tipolojik olarak belgelemek ve Teyit.org'un kullandığı çok-katmanlı tespit mimarisini değerlendirmektir. Bulgular, vakaların dört içerik sınıfı altında kümelendiğini göstermektedir. Bunlar: Jeopolitik kriz görselleştirmesi (n=16, %30,8), siyasal aktör temsili (n=12, %23,1), kültürel-bağlamsal hassas içerik (n=7, %13,5) ve bağlam çöküşlü olağanüstü içeriktir (n=17, %32,7). Ayrıca yan yana kompozit, Frankenstein kompozisyon, resmi açıklama görselleştirmesi, tek görsel hibrit ve foto-video dönüşümlü bağlam ikamesi olmak üzere beş ayrı hibrit içerik üretim mimarisi belgelenmiştir. Çok-katmanlı tespit mimarisi; üçüncü-parti yapay zekâ tespit araçları, üretici platform filigranları (SynthID, C2PA), yayım platform etiketleri ve uzman insan değerlendirmesinden oluşan dört katmanlı bir yapı sergilemektedir. Çalışma ayrıca gerçek içeriklerin yapay zekâ üretimi yaftasıyla itibarsızlaştırıldığı yanlış sınıflandırma saldırısı pratiğini belgelemekte ve bu olgunun tespit sistemleri açısından çift yönlü doğrulama yükümlülüğü ürettiğini ortaya koymaktadır. Örneklem büyüklüğü ve tek platformla sınırlılık nedeniyle bulgular keşifsel nitelikte sunulmakta; sınıflandırma ve tipoloji ilerideki çoklu-kodlayıcı ve çoklu-platform çalışmalarında test edilmesi gereken kavramsal öneriler olarak konumlandırılmaktadır.

Anahtar Kelimeler

• Dijital iletişim
• Yapay zekâ üretimi içerik
• Sentetik medya tespiti
• Hibrit içerik mimarisi
• Yapay zekâ tespit araçları
• Çok-katmanlı tespit sistemi

Etik Beyan

Bu araştırmada hayvanlar ve insanlar üzerinde herhangi bir çalışma yapılmadığı için etik kurul onayı alınmamıştır.

Classification of AI-Generated Visual Content and Multi-Layered Detection Architecture: A System Analysis Through Cases from a Turkish Fact-Checking Platform

Öz

Existing AI detection tools produce probabilistic outputs and cannot provide sufficient detection capacity on their own. This study examines 52 cases of AI-related visual content documented on Teyit.org— Türkiye's leading fact-checking platform—between January 2024 and May 2026, employing an exploratory-descriptive design that combines content analysis and system analysis methodologies. The objectives are to (i) classify these contents based on their structural similarities, (ii) typologically document hybrid production architectures interweaving authentic and synthetic elements, and (iii) evaluate the multi-layered detection architecture employed by Teyit.org. Findings reveal that the cases cluster under four content classes: geopolitical crisis visualization (n=16, 30.8%), political-actor representation (n=12, 23.1%), culturally-contextually sensitive content (n=7, 13.5%), and context-collapsed extraordinary content (n=17, 32.7%). Furthermore, five distinct hybrid content production architectures are documented: side-by-side composite, Frankenstein composition, official-statement visualization, single-image hybrid, and photo-to-video transformation with context substitution. The multi-layered detection architecture comprises four layers: third-party AI detection tools, generator-platform watermarks (SynthID, C2PA), publisher-platform labels, and expert human review. The study also documents the practice of false- labeling attacks—wherein authentic content is delegitimized through AI-generation labeling—and demonstrates that this phenomenon imposes a bidirectional verification burden on detection systems. Given the limited sample size and single-platform focus, findings are presented as exploratory; the proposed classification and typology are positioned as conceptual propositions requiring validation in future multi-coder and multi-platform studies.

Anahtar Kelimeler

• Dijital communication
• AI-generated content
• Synthetic media detection
• Hybrid content architecture
• AI detection tools
• Multi-layered detection system

Kaynakça

1. Allcott, H., & Gentzkow, M. (2017). Social media and fake news in the 2016 election. Journal of Economic Perspectives, 31(2), 211–236. https://doi.org/10.1257/jep.31.2.211
2. Beckett, C. (2019). New powers, new responsibilities: A global survey of journalism and artificial intelligence. The London School of Economics and Political Science.
3. Cazzamatta, R., & Sarısakaloğlu, A. (2025). AI-generated misinformation: A case study on emerging trends in fact-checking practices across Brazil, Germany, and the United Kingdom. Emerging Media. https://doi.org/10.1177/27523543251344971
4. Chesney, R., & Citron, D. K. (2019). Deep fakes: A looming challenge for privacy, democracy, and national security. California Law Review, 107, 1753–1820. https://doi.org/10.2139/ssrn.3213954
5. Corvi, R., Cozzolino, D., Zingarini, G., Poggi, G., Nagano, K., & Verdoliva, L. (2023). On the detection of synthetic images generated by diffusion models. In 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 1–5). IEEE. https://doi.org/10.1109/ICASSP49357.2023.10095167
6. Cresci, S. (2020). A decade of social bot detection. Communications of the ACM, 63(10), 72–83. https://doi.org/10.1145/3409116
7. Devarajan, G. G., Nagarajan, S. M., Amanullah, S. I., Mary, S. A., & Bashir, A. K. (2024). AI-assisted deep NLP-based approach for prediction of fake news from social media users. IEEE Transactions on Computational Social Systems, 11(4), 4975–4985. https://doi.org/10.1109/TCSS.2023.3338870
8. Fallis, D. (2021). The epistemic threat of deepfakes. Philosophy & Technology, 34(4), 623–643. https://doi.org/10.1007/s13347-020-00419-2

9. Ferrara, E., Varol, O., Davis, C., Menczer, F., & Flammini, A. (2016). The rise of social bots. Communications of the ACM, 59(7), 96–104. https://doi.org/10.1145/2818717
10. Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694. https://doi.org/10.1007/s11023-020-09548-1
11. Godulla, A., Hoffmann, C. P., & Seibert, D. (2021). Dealing with deepfakes - An interdisciplinary examination of the state of research and implications for communication studies. Studies in Communication and Media, 10(1), 72–96. https://doi.org/10.5771/2192-4007-2021-1-72
12. Hameleers, M. (2024). The nature of visual disinformation online: A qualitative content analysis of alternative and social media in the Netherlands. Political Communication, 42(1), 108–126. https://doi.org/10.1080/10584609.2024.2354389
13. Hameleers, M., Van Der Meer, T. G., & Dobber, T. (2024). Distorting the truth versus blatant lies: The effects of different degrees of deception in domestic and foreign political deepfakes. Computers in Human Behavior, 152, Article 108096. https://doi.org/10.1016/j.chb.2023.108096
14. Hu, G., Peng, X., Yang, Y., Hospedales, T. M., & Verbeek, J. (2018). Frankenstein: Learning deep face representations using small data. IEEE Transactions on Image Processing, 27(1), 293–303. https://doi.org/10.1109/TIP.2018.2813163
15. https://doi.org/10.52783/jes.6586
16. Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15–25. https://doi.org/10.1016/j.bushor.2018.08.004
17. Khodabakhsh, A., Ramachandra, R., & Busch, C. (2019). Subjective evaluation of media consumer vulnerability to fake audiovisual content. In 2019 Eleventh International Conference on Quality of Multimedia Experience (QoMEX) (pp. 1–6). IEEE. https://doi.org/10.1109/QoMEX.2019.8743316
18. Kietzmann, J., Lee, L. W., McCarthy, I. P., & Kietzmann, T. C. (2020). Deepfakes: Trick or treat? Business Horizons, 63(2), 135–146. https://doi.org/10.1016/j.bushor.2019.11.006
19. Kleinheksel, A. J., Rockich-Winston, N., Tawfik, H., & Wyatt, T. R. (2020). Demystifying content analysis. American Journal of Pharmaceutical Education, 84(1), Article 7113. https://doi.org/10.5688/ajpe7113
20. Krippendorff, K. (2018). Content analysis: An introduction to its methodology (4th ed.). SAGE Publications.
21. Nguyen, T. T., Nguyen, Q. V. H., Nguyen, D. T., Nguyen, D. T., Huynh-The, T., Nahavandi, S., Nguyen, T. T., Pham, Q.-V., & Nguyen, C. M. (2022). Deep learning for deepfakes creation and detection: A survey. Computer Vision and Image Understanding, 223, Article 103525. https://doi.org/10.1016/j.cviu.2022.103525
22. Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2017). Fake news detection on social media: A data mining perspective. ACM SIGKDD Explorations Newsletter, 19(1), 22–36. https://doi.org/10.1145/3137597.3137600
23. Tandoc, E. C., Lim, Z. W., & Ling, R. (2018). Defining fake news: A typology of scholarly definitions. Digital Journalism, 6(2), 137–153. https://doi.org/10.1080/21670811.2017.1360143
24. Ulusoy, F., & İlhan, N. (2025). Siyasal iletişimde yapay zekâ etkisi ve deepfake (derin sahte) formasyonu: 2024 ABD başkanlık seçimleri örneği. TRT Akademi, 10(23), 200–225. https://dergipark.org.tr/tr/pub/trta/issue/90221/1563828
25. Vaccari, C., & Chadwick, A. (2020). Deepfakes and disinformation: Exploring the impact of synthetic political video on deception, uncertainty, and trust in news. Social Media + Society, 6(1). https://doi.org/10.1177/2056305120903408
26. von Sikorski, C., & Hameleers, M. (2025). Disinformation in the age of artificial intelligence (AI): Implications for journalism and mass communication. Journalism & Mass Communication Quarterly. https://doi.org/10.1177/10776990251375097
27. Wang, S.-Y., Wang, O., Zhang, R., Owens, A., & Efros, A. A. (2020). CNN-generated images are surprisingly easy to spot… for now. In 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 8692–8701). IEEE. https://doi.org/10.1109/CVPR42600.2020.00872
28. Wardle, C., & Derakhshan, H. (2017). Information disorder: Toward an interdisciplinary framework for research and policymaking (Council of Europe report DGI(2017)09). Council of Europe.
29. Westerlund, M. (2019). The emergence of deepfake technology: A review. Technology Innovation Management Review, 9(11), 39–52. https://doi.org/10.22215/timreview/1282
30. Yıldız, İ. (2025). Yapay zekâ ile sahte haber üretiminin sosyal medyadaki görünümü: Teyit.org örneği. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 34(Special Issue), 255–274. https://doi.org/10.35379/cusosbil.1696