Yapay Zekâ Dedektörleri Ne Kadar Doğru? Araştırmalar Öğrenciler ve Öğretmenler İçin Ne Diyor?

Yapay zekâ dedektörleri ne kadar doğru?

Kısa yanıt şu: Yapay zekâ metin dedektörleri test koşullarında çoğu zaman doğru sonuç verebilir, ancak bir öğrencinin notu ya da sicili söz konusu olduğunda önem taşıyan hatalar yapar. Doğruluk büyük ölçüde araca, metnin uzunluğuna, dile, yapay zekâ metninin düzenlenip düzenlenmediğine ve aracın kullandığı eşiğe bağlıdır.

İlk ve en net uyarı, ChatGPT'nin arkasındaki şirket olan OpenAI'dan geldi. Şirketin Ocak 2023 tarihli sınıflandırıcısı, İngilizce zorlu test kümesinde yapay zekânın yazdığı metinlerin %26'sını doğru şekilde 'muhtemelen yapay zekâ tarafından yazılmış' olarak tanımladı ve insanların yazdığı metinleri %9 oranında yanlışlıkla yapay zekâ ürünü olarak etiketledi ^[1]. OpenAI, aracı 'düşük doğruluk oranı nedeniyle' 20 Temmuz 2023'ten itibaren kullanıma kapattı ^[1]. OpenAI, eğitimcilere yönelik güncel yardım sayfasında 'Yapay zekâ dedektörleri işe yarıyor mu?' sorusunu 'Kısacası, bizim deneyimimize göre hayır' diye yanıtlıyor ^[2].

Bağımsız araştırmalar da pek çok araç için benzer sonuçlara ulaştı. Herkese açık 12 araç ile Turnitin ve PlagiarismCheck adlı iki ticari sistem üzerinde 2023'te yapılan bir çalışma, araçların 'ne doğru ne de güvenilir' olduğu ve yapay zekâ metnini tespit etmek yerine metni insan yazısı olarak sınıflandırma eğiliminde oldukları sonucuna vardı ^[4]. Sonraki çalışmalar daha karışık bir tablo ortaya koyuyor: Eylül 2025 tarihli bir çalışma makalesi, ticari dedektörlerin açık kaynaklı bir dedektörden daha iyi performans gösterdiğini ve ürünlerden biri olan Pangram'ın testlerde sıfıra yakın hata oranlarına sahip olduğunu buldu ^[10]. Tek bir veri kümesi üzerinde yapılan tek bir çalışmanın sonuçları her sınıfa otomatik olarak aktarılamaz.

Yapay zekâ dedektörleri nasıl çalışır?

Dedektörlerin çoğu sınıflandırıcıdır: metni 'insan' ya da 'yapay zekâ' olarak ayırmak ve bir puan vermek üzere eğitilmiş yazılımlar. Turnitin bu fikri kelime olasılığı üzerinden açıklıyor. ChatGPT gibi sohbet robotlarının arkasındaki sistemler olan büyük dil modelleri (LLM'ler), bir sonraki kelimeyi 'tutarlı ve yüksek olasılıklı bir şekilde' seçme eğilimindeyken insan yazısı 'tutarsız ve kendine özgü' olma eğilimindedir ^[5]. Turnitin'in sınıflandırıcıları bu farkları tespit etmek üzere eğitilmiştir ^[5].

İlgili bir ölçü de perplexity'dir (şaşkınlık); kabaca bir metnin bir dil modeli için ne kadar şaşırtıcı olduğunu ifade eder. Perplexity değeri düşük metin öngörülebilirdir. Liang ve ekibi bu sinyalin yanıltıcı olabileceğini gösterdi: Anadili İngilizce olmayan yazarların denemelerinin perplexity değeri belirgin şekilde daha düşüktü ve bu, dedektörlerin bu denemeleri neden işaretlediğini açıklamaya yardımcı oluyor ^[3]. Turnitin ise kendi modelinin perplexity'yi değerlendirmek üzere açıkça programlanmadığını, bunun yerine eğitim verilerinden istatistiksel örüntüler öğrendiğini söylüyor ^[5].

Dedektör puanı ne anlama gelir?

Turnitin her cümleye 0 ile 1 arasında bir puan verir, bir eşiğin üzerindeki cümleleri yapay zekâ olarak etiketler ve değerlendirilen cümleler içinde bu eşiğin üzerinde kalanların oranını belge puanı olarak raporlar ^[5]. Listeleri, başlıkları, kaynakçaları, tabloları, formülleri ve kodu atlar; dolayısıyla yüzde, teslim edilen çalışmanın tamamına oranlanmış bir değer olmayabilir ^[5]. Puan, metnin nasıl yazıldığına dair bir kayıt değil, olasılığa dayalı bir tahmindir.

Filigran farklı bir şey mi?

Evet. Filigran, metin üretilirken eklenen gizli bir istatistiksel örüntüdür. Google DeepMind'ın SynthID-Text sistemi yalnızca örnekleme adımını değiştirir ve orijinal model çalıştırılmadan tespit edilebilir; canlı bir deney yaklaşık 20 milyon Gemini yanıtını kapsadı ^[12]. Yazarları, filigranların eksiksiz bir çözüm olmadığını söylüyor: Yalnızca metni üreten şirket bunları uyguladığında işe yararlar, açık kaynaklı modelleri kapsamak zordur ve filigranlar başka sözcüklerle yeniden yazma yoluyla zayıflatılabilir ya da çalma, sahteleme ve silme yoluyla saldırıya uğrayabilir ^[12].

Araştırmalar yanlış pozitifler ve yanlılık hakkında ne diyor?

Yanlış pozitif, insanın yazdığı bir metnin yanlışlıkla yapay zekâ ürünü olarak etiketlenmesidir. Eğitimde daha ciddi olan hata budur, çünkü dürüst bir öğrencinin suçlanmasına yol açabilir. Yanlış negatif ise yapay zekâ metninin insan yazısı olarak geçmesidir.

Anadili İngilizce olmayan yazarlar

Liang ve ekibinin bir çalışmasında, yaygın olarak kullanılan yedi dedektör, Çinli bir eğitim forumundan alınan, insanların yazdığı 91 TOEFL denemesi ile ABD'deki sekizinci sınıf öğrencilerinin yazdığı 88 deneme üzerinde test edildi ^[3]. Dedektörler ABD denemelerinde neredeyse kusursuzdu, ancak TOEFL denemelerinin yarısından fazlasını yanlış sınıflandırdı; ortalama yanlış pozitif oranı %61,22 idi ^[3]. Yedi dedektörün tamamı 91 TOEFL denemesinden 18'ini (%19,78) işaretledi; 91 denemeden 89'u (%97,80) ise en az bir dedektör tarafından işaretlendi ^[3]. ChatGPT bu denemelerin kelime dağarcığını zenginleştirmek için kullanıldığında ortalama yanlış pozitif oranı %11,77'ye düştü ^[3]. ChatGPT'den ABD denemelerini 'anadili İngilizce olmayan biri yazmış gibi' sadeleştirmesi istendiğinde ise oran %5,19'dan %56,65'e çıktı ^[3].

Bu çalışmaya dahil olmayan Turnitin, sonucun kendi ürünü için geçerli olduğuna itiraz ediyor. TOEFL denemelerinin hepsinin 150 kelimenin altında olduğunu ve bu kadar kısa belgeleri puanlamadığını belirtiyor ^[6]. Turnitin'in 2023'te yaptığı kendi testinde, en az 300 kelimelik belgelerde İngilizceyi ikinci dil olarak kullanan yazarlarla anadili olarak kullanan yazarlar arasındaki yanlış pozitif oranı farkı küçüktü ve istatistiksel olarak anlamlı değildi ^[6]. Bu değerlendirmeyi satıcının kendisi yaptı.

Küçük hata oranları neden birikir?

Vanderbilt Üniversitesi, Ağustos 2023'te Turnitin'in yapay zekâ dedektörünü kapatırken hesabı yaptı. Turnitin, piyasaya sürüldüğünde %1'lik bir yanlış pozitif oranı iddia etmişti; Vanderbilt 2022'de yaklaşık 75.000 ödev göndermişti, dolayısıyla yaklaşık 750 ödev yanlışlıkla işaretlenmiş olabilirdi ^[7]. Aynı mantık her dedektör için geçerlidir: Kulağa küçük gelen bir oran, milyonlarca belge kontrol edildiğinde yine de pek çok kişiyi etkileyebilir.

Yapay zekâ dedektörleri düzenleme veya humanizer araçlarıyla kandırılabilir mi?

Yeni araçlar buna direnç gösterdiklerini iddia etse de çoğu zaman evet. 2023'te 14 araç üzerinde yapılan testte ortalama doğruluk (ikili puanlama) insanın yazdığı metinlerde %94 iken, elle düzenlenmiş yapay zekâ metinlerinde yalnızca %30, makineyle yeniden ifade edilmiş yapay zekâ metinlerinde ise %15 idi ^[4]. İçerik gizleme, yani yapay zekâ kaynağını saklamak için yapılan kasıtlı değişiklikler, araçların performansını önemli ölçüde kötüleştirdi ^[4].

8 alanda 11 modelden 6 milyondan fazla üretim, 11 düşmanca saldırı ve 4 kod çözme stratejisi içeren RAID kıyaslama çalışması, değerlendirdiği 12 dedektörün saldırılar, örnekleme ayarlarındaki değişiklikler, tekrar cezaları ve daha önce görülmemiş modeller karşısında 'kolayca kandırıldığını' buldu ^[8]. Yazarlar, pek çok dedektörün %99 veya daha yüksek doğruluk iddia ettiğini ancak ortak ve zorlu veriler üzerinde nadiren test edildiğini belirtiyor ^[8]. Sadasivan ve ekibi, yapay zekâ metnini başka bir modelle tekrar tekrar yeniden yazmanın, pek çok durumda kaliteyi yalnızca biraz düşürürken tespit oranlarını önemli ölçüde azaltabildiğini gösterdi ^[9]. Ayrıca yapay zekâ metni insan metnine yaklaştıkça, mümkün olan en iyi dedektörün bile performansının düştüğünü gösteriyorlar ^[9].

Satıcılar buna yanıt verdi. Turnitin, humanizer olarak da adlandırılan yeniden ifade etme veya 'atlatma' (bypasser) araçlarıyla değiştirilmiş yapay zekâ metnini tespit edebildiğini, ancak bunun yalnızca İngilizce teslimler için geçerli olduğunu söylüyor ^[5]. 2025 tarihli NBER çalışma makalesi, Pangram'ın düşük hata oranlarının testlerde humanizer araçlarına ve çok kısa pasajlara karşı korunduğunu bildiriyor ^[10]. Bunlar umut verici sonuçlar, ancak belirli bir andaki performansı ve o dönemde mevcut olan araçlara karşı durumu tanımlıyor. Yazarlar ayrıca karar vericilerin iki hata türüne farklı ağırlık verdiğini vurguluyor ve bunlar için açık bir tolerans, yani bir 'politika sınırı' belirlenmesini öneriyor ^[10].

Öğretmenler yapay zekâ yazısını yazılımdan daha iyi fark edebilir mi?

Bazıları edebilir. 2025'teki bir çalışmada değerlendiriciler, kurgu dışı 300 İngilizce makaleyi okuyarak her birini insan ya da yapay zekâ ürünü olarak etiketledi ^[11]. Yazı için sık sık LLM kullanan kişiler bu konuda çok başarılıydı: Bu tür beş 'uzman' değerlendiricinin çoğunluk oyu, 300 makaleden yalnızca 1'ini yanlış sınıflandırdı ve yeniden ifade etme ve insanlaştırma kullanıldığında bile yazarların değerlendirdiği ticari ve açık kaynaklı dedektörlerin çoğundan daha iyi performans gösterdi ^[11]. Uzmanlar 'yapay zekâ kelime dağarcığına' ama aynı zamanda resmiyete, özgünlüğe ve açıklığa da dayandı ^[11].

Bu bulgunun sınırları var. Çalışmada hızlıca not veren tek bir öğretmen değil, beş deneyimli okurdan oluşan bir panel ve çoğunluk oyu kullanıldı; ayrıca öğrenci ödevleri değil, İngilizce kurgu dışı makaleler ele alındı ^[11]. Bulgu, sezginin tek başına bir vakaya karar vermesi gerektiğini değil, bilgili insan yargısının kanıtlarla birlikte tek bir sayıdan daha iyi olduğunu gösteriyor.

Öğretmenler yapay zekâ dedektörü sonuçlarını nasıl adil kullanmalı?

Araçların yapımcıları da bir puanı kanıt olarak görmeye karşı uyarıyor. Turnitin, aracının 'bir usulsüzlük tespiti yapmadığını' ve yapay zekâ yüzdesinin 'işlem yapmak için tek dayanak ya da kesin bir notlandırma ölçütü olarak kullanılmaması gerektiğini' belirtiyor ^[5]. OpenAI ise ChatGPT'nin bir metnin yapay zekâ tarafından üretilip üretilmediğini anlayamadığını ve 'bunu sen mi yazdın?' gibi sorulara verdiği yanıtların rastgele olduğunu söylüyor ^[2].

1. Bir işareti hüküm olarak değil, daha yakından bakmak için bir neden olarak görün. Turnitin, puanını kurumun kendi politikası çerçevesinde bir karara bilgi sağlayacak veri olarak tanımlıyor ^[5].
2. Koşulları kontrol edin. Turnitin, değerlendirilen cümlelerde 300 kelimeden az olan belgeleri işlemiyor ve raporunda %20'nin altındaki puanları göstermiyor ^[5]. Kısa veya ağırlıklı olarak listelerden oluşan çalışmalar zayıf sinyaller verir.
3. Hata aralığını unutmayın. Turnitin, %50 olasılıkla yapay zekâ metni raporladığında belgenin %65'e kadar yapay zekâ yazısı içerebileceğini söylüyor ^[5]; araç, yanlış alarm vermek yerine bazı yapay zekâ metinlerini kaçıracak şekilde ayarlanmıştır, dolayısıyla sayı bir ölçüm değil, bir tahmindir.
4. Başka kanıtlar toplayın. Taslaklar, notlar, sürüm geçmişi ve öğrenciyle çalışma hakkında yapılan bir görüşme, tek bir puandan çok daha fazla bilgi verir. OpenAI, bazı öğretmenlerin öğrencileri belirli ChatGPT konuşmalarını paylaşmaya teşvik etmeyi yararlı bulduğunu söylüyor ^[2].
5. Dil geçmişini göz önünde bulundurun. OpenAI, dedektörlerin İngilizce öğrenenleri ve yazıları kalıplaşmış ya da kısa ve öz olan öğrencileri orantısız biçimde etkileyebileceğine dair işaretler bildirdi ^[2]; Liang ve ekibi de anadili İngilizce olmayanların denemelerinde çok daha yüksek yanlış pozitif oranları buldu ^[3].
6. Kuralları önceden net bir şekilde belirleyin. Öğrencilerin dilbilgisi yardımı gibi hangi yapay zekâ kullanımlarına izin verildiğini ve hangilerine verilmediğini bilmesi gerekir; NBER yazarları, teşvik edilen kullanımların diğerlerinden ayrılmasının zor olabileceğini belirtiyor ^[10].

Bu adımları atlamanın bedeli gerçektir. ABC News, Ekim 2025'te iç belgelere dayanarak Australian Catholic University'nin 2024'te yaklaşık 6.000 iddia edilen usulsüzlük vakası kaydettiğini ve bunların yaklaşık %90'ının yapay zekâyla ilgili olduğunu bildirdi; üniversite bu rakamları 'önemli ölçüde abartılmış' olarak nitelendirdi ^[13]. ACU, Mart 2025'te Turnitin'in yapay zekâ aracını kullanmayı bıraktı ve rektör yardımcısı, tek kanıtın bu araç olduğu vakaların derhâl düşürüldüğünü söyledi ^[13].

Bir dedektör çalışmanızı yanlışlıkla işaretlerse öğrenci olarak ne yapabilirsiniz?

Bu hukuki tavsiye değil, genel bilgidir; her okulun kendi prosedürü vardır. Araç yapımcılarının kendi açıklamalarına göre bir dedektör işareti kopya çekildiğinin kanıtı değildir ^[2][5].

• Hangi kanıtların bulunduğunu sorun. Hangi aracın kullanıldığını, hangi puanı verdiğini ve endişeyi destekleyen başka bir şey olup olmadığını öğrenin. Turnitin'in göstergesi yalnızca eğitmenler ve yöneticiler tarafından görülebilir; bu nedenle öğrencilerin bunu talep etmesi gerekebilir ^[5].
• Sürecinizi gösterin. Taslaklar, ana hatlar, el yazısı notlar, kaynaklara ait tarayıcı geçmişi ve belge sürüm geçmişi, çalışmanın nasıl geliştiğini gösterir.
• Çalışmanızı açıklamayı teklif edin. Argümanınızı ve kaynaklarınızı tartışabilmeniz, yazarlığınızın güçlü bir kanıtıdır.
• Resmî itiraz yolunu kullanın ve her mesajın bir kopyasını saklayın.
• Bir sohbet robotundan karar vermesini istemeyin. OpenAI, ChatGPT'nin bir metni kendisinin yazıp yazmadığına dair yanıtlarının gerçeklikle hiçbir dayanağı olmadığını söylüyor ^[2].

İran'da ve İngilizceyi ikinci dil olarak yazan diğer ülkelerdeki öğrenciler için yanlılık araştırması doğrudan önem taşıyor ^[3]. Turnitin'in yapay zekâ tespiti uzun biçimli İngilizce, İspanyolca, Japonca, Modern Arapça, Felemenkçe, Almanca ve Türkçe metinleri destekliyor; Farsça bu listede yer almıyor ve desteklenmeyen dillerdeki teslimler işlenmiyor ^[5].

Yapay zekâ tespiti daha güvenilir hâle gelecek mi?

3 Kasım 2026 itibarıyla tablo, üreticiler ile dedektörler arasında bir yarış görünümünde. Turnitin, Ekim 2026'da İngilizce tespit modelinin mimarisini güncelledi ve tespit edebildiği modeller arasında GPT-5.4 ve Claude Opus 4.6'yı sayıyor ^[5]. 2025'teki bazı araştırmalar en iyi ticari araçlar için güçlü sonuçlar gösterirken ^[10], kıyaslama çalışmaları test edilmemiş koşulların hâlâ pek çok dedektörü yanılttığını gösteriyor ^[8]. Kuramsal çalışmalar, yapay zekâ yazısı insan yazısına benzedikçe tespitin zorlaştığını öne sürüyor ^[9].

Filigranlama, bunu benimseyen sağlayıcıların metinleri için yardımcı olabilir; ancak yazarları bunu tam bir çözüm olarak değil, diğer yöntemleri tamamlayan bir araç olarak tanımlıyor ^[12]. Hem OpenAI'ın hem de Turnitin'in rehberleri okulları net yapay zekâ kullanım politikalarına, öğrencilerin nasıl çalıştığına dair kayıtlara ve bir puan yerine eğitimcilerin verdiği kararlara yönlendiriyor ^[2][5].