Bu sistematik derleme, yapay zekânın yoksulluğu doğrudan “çözüp çözemeyeceğini” değil, yoksullukla mücadele programlarının nasıl hedeflendiği, kaynakların nasıl dağıtıldığı, hizmetlerin nasıl ulaştırıldığı, programların nasıl izlendiği ve algoritmik kararların nasıl denetlendiği üzerindeki rolünü inceliyor. Araştırmacılar Scopus, Web of Science Core Collection ve Directory of Open Access Journals (DOAJ) üzerinden 2015–2025 dönemini taradı; 387 başlangıç kaydından PRISMA 2020 tabanlı eleme ve kalite değerlendirmesi sonucunda 48 çalışma nihai senteze alındı.

İncelenen literatürde yapay zekâ özellikle uydu görüntüleri, coğrafi veriler, idari kayıtlar ve dijital izlerin birlikte kullanıldığı yoksulluk tahmini; sosyal koruma programlarının hedeflenmesi; finansal kapsayıcılık; tarım ve kırsal geçim kaynakları; sağlık, eğitim ve temel hizmetler gibi alanlarda öne çıkıyor. Makine öğrenmesi ve diğer AI yöntemleri, geleneksel olarak seyrek veya gecikmeli toplanan verilerin yanında daha sık güncellenebilen veri akışlarından yararlanarak yoksulluk göstergelerinin daha ayrıntılı değerlendirilmesine ve idari süreçlerin otomasyonuna katkı sağlayabilir.

Ancak çalışma yapay zekâyı otomatik olarak yoksul yanlısı veya tarafsız bir teknoloji olarak değerlendirmiyor. Eksik ve yanlı veri kümeleri, dijital erişim eşitsizlikleri, yetersiz altyapı, zayıf düzenleyici kapasite, mahremiyet sorunları, gözetim, algoritmik ayrımcılık ve kararların itiraz edilemez hâle gelmesi mevcut toplumsal eşitsizlikleri güçlendirebilir. Derlemenin temel mesajı, yapay zekânın yoksulluk yönetişimindeki değerinin yalnız model doğruluğuna değil; veri yönetişimi, kurumsal kapasite, yerel bağlama uyum, şeffaflık, insan denetimi ve etkilenen toplulukların katılımına da bağlı olduğudur.

Çalışma küresel kapsamlıdır ve Türkiye'ye özgü bir değerlendirme sunmamaktadır. Türkiye açısından doğrudan politika sonucu çıkarılabilmesi için kullanılacak verilerin temsil gücü, dijital erişim, kurumsal kapasite, sosyal yardım ve hizmet süreçlerinin yapısı, insan denetimi ve otomatik kararlara itiraz mekanizmaları yerel verilerle ayrıca değerlendirilmelidir.

“Yoksulluk yönetişimi” ile “yoksulluğun azaltılması” aynı şey değil

Çalışmanın önemli kavramsal ayrımlarından biri yoksulluk yönetişimi ile yoksulluğun azaltılması arasındadır. Yoksulluğun azaltılması; gelir, sağlık, eğitim veya yaşam koşullarındaki iyileşme gibi nihai kalkınma sonuçlarını ifade eder. Yoksulluk yönetişimi ise ihtiyaçların nasıl belirlendiği, hangi kişi veya toplulukların önceliklendirildiği, kaynakların nasıl tahsis edildiği, programların nasıl uygulandığı, sonuçların nasıl izlendiği ve karar vericilerin nasıl hesap verdiğiyle ilgilidir.

Bu nedenle araştırma, yapay zekânın teknik olarak ne kadar gelişmiş olduğundan çok, AI sistemlerinin sosyal koruma ve kalkınma kurumlarının karar verme mekanizmalarını nasıl değiştirdiğini inceliyor.

Çalışmanın kullandığı dört yönetişim mekanizması

Yazarlar farklı sektörlerdeki AI uygulamalarını dört temel yönetişim mekanizması üzerinden karşılaştırıyor:

1. Hedefleme ve kaynak tahsisi: Kimin destek alacağının ve kaynakların hangi koşullarda dağıtılacağının belirlenmesi.
2. Hizmet sunumu: Sosyal koruma, sağlık, eğitim ve diğer hizmetlerin uygulanması ve ulaştırılması.
3. İzleme ve değerlendirme: Program performansının, risklerin ve değişen yoksulluk koşullarının takip edilmesi.
4. Hesap verebilirlik ve katılım: Algoritmik kararların açıklanabilirliği, denetlenebilirliği ve vatandaşların kararları anlayıp sorgulayabilmesi.

Yapay zekâ neden sosyo-teknik bir sistem olarak ele alınıyor?

Derleme, yapay zekâyı yalnız algoritmalardan oluşan bir hesaplama aracı olarak değerlendirmiyor. Bir AI sisteminin gerçek etkisi; eğitim verileri, veri altyapısı, kurumların işleyişi, düzenleme kapasitesi, siyasi ve toplumsal güç ilişkileri ve uygulandığı yerel bağlam tarafından birlikte şekilleniyor.

Bu yaklaşım özellikle düşük kaynaklı ortamlarda önemlidir. Bir kişi veya topluluk veri sistemlerinde yeterince temsil edilmiyorsa teknik olarak yüksek doğruluk gösteren bir model bile o grubu yanlış sınıflandırabilir veya tamamen görünmez hâle getirebilir.

Çalışmanın kuramsal temelleri

Araştırma birkaç farklı teorik yaklaşımı bir araya getiriyor. Çok boyutlu yoksulluk yaklaşımı, yoksulluğu yalnız gelir eksikliği olarak değil; sağlık, eğitim, beslenme, konut, hizmetlere erişim, güvenlik ve söz hakkı gibi birbiriyle ilişkili yoksunluklar üzerinden ele alıyor.

Yapabilirlik yaklaşımı, teknolojinin değerini insanların anlamlı yaşam seçeneklerini genişletip genişletmediği üzerinden değerlendirmeye yardımcı oluyor. AI destekli sağlık, eğitim veya finans hizmetleri erişimi artırabilir; ancak aynı teknoloji belirli grupları dışlarsa insanların seçeneklerini de daraltabilir.

Dijital kalkınma literatürü, teknolojinin sonucunun yalnız teknik özelliklerle belirlenmediğini; kurumlar, kültür, güç ilişkileri ve yerel kapasitenin uygulama başarısında belirleyici olduğunu vurguluyor.

Karmaşıklık yaklaşımı ise yoksulluğun ekonomik, toplumsal, çevresel ve kurumsal sistemlerin karşılıklı etkileşiminden oluştuğunu kabul ediyor. Yapay zekânın çok sayıda değişkeni ve doğrusal olmayan ilişkileri aynı modelde işleyebilmesi bu noktada potansiyel avantaj olarak değerlendiriliyor.

Son olarak AI etiği ve veri adaleti yaklaşımları; veride kimin temsil edildiğini, verinin kim tarafından kontrol edildiğini, algoritmik kararların hangi gruplara yarar veya zarar verdiğini ve insanların otomatik kararları sorgulama hakkına sahip olup olmadığını merkeze alıyor.

Tema 1: Yoksulluk tahmini ve hedeflemede AI

Derlemede en belirgin kullanım alanlarından biri, yoksulluğun coğrafi ve zamansal olarak daha ayrıntılı tahmin edilmesidir. İncelenen çalışmalar uydu görüntüleri, gece ışıkları, yapı yoğunluğu, arazi özellikleri, mobil telefon kullanımı ve diğer dijital izleri makine öğrenmesi modelleriyle birleştiren yaklaşımları ele alıyor.

Bu sistemlerin amacı yalnız “kim yoksul?” sorusunu cevaplamak değildir. Yüksek riskli bölgelerin daha erken belirlenmesi, kırılganlığın zaman içinde izlenmesi ve kriz öncesinde gıda yardımı, nakit transferi veya diğer desteklerin planlanması da araştırılan kullanım alanları arasındadır.

Kaynak derlemenin yorumu, AI tabanlı yöntemlerin uzun aralıklarla yapılan klasik hane araştırmalarını bütünüyle ortadan kaldırması gerektiği yönünde değildir. Yapay zekâ, daha sık güncellenebilen ve farklı kaynaklardan gelen verileri kullanarak mevcut bilgi altyapısını tamamlayabilecek bir araç olarak sunulmaktadır.

Tema 2: Sosyal koruma ve hizmet sunumunda otomasyon

İkinci araştırma hattı sosyal yardım ve kamu hizmetlerinin yönetimidir. İncelenen literatürde AI; yararlanıcı uygunluğunun değerlendirilmesi, idari kayıtların birleştirilmesi, dolandırıcılık tespiti, ödeme planlaması ve program performansının izlenmesi gibi görevlerde ele alınıyor.

Bu uygulamalar özellikle idari kapasitenin sınırlı olduğu sistemlerde işlem yükünü azaltabilir. Bununla birlikte sosyal yardım hakkının algoritmik sınıflandırmaya bağlanması hata riskini daha hassas hâle getirir. Bir modelin yanlış negatif sınıflandırması, desteğe ihtiyacı olan bir kişinin sistem dışında kalmasına yol açabilir.

Tema 3: Finansal kapsayıcılık ve geçim kaynakları

Derlemede AI destekli finansal teknolojiler düşük gelirli kişilerin kredi, tasarruf veya sigorta hizmetlerine erişimini genişletebilecek araçlar olarak değerlendiriliyor. Geleneksel kredi geçmişi veya teminatı bulunmayan kişilerin mobil ödeme geçmişi ve diğer alternatif dijital veriler üzerinden değerlendirilmesi literatürde öne çıkan uygulamalardan biridir.

AI tabanlı iş analitiği ve öneri sistemleri, küçük işletmelerin talep tahmini, fiyatlandırma, risk değerlendirmesi ve tedarik zinciri planlaması gibi konularda desteklenmesiyle de ilişkilendiriliyor.

Ancak alternatif veri kullanımı finansal kapsayıcılığı otomatik olarak adil hâle getirmez. Yanlı veri, opak kredi puanlama mekanizmaları veya güçlü platformların veri kontrolü yeni dışlanma biçimleri oluşturabilir.

Tema 4: Tarım, gıda sistemleri ve kırsal geçim

Tarım, yoksulluk ve gıda güvenliğiyle doğrudan ilişkisi nedeniyle derlemede önemli bir alan oluşturuyor. İncelenen AI uygulamaları arasında hassas tarım, ürün verimi tahmini, hastalık ve zararlı tespiti, toprak ve sulama optimizasyonu, iklim tabanlı erken uyarı ve piyasa tahminleri yer alıyor.

Bu araçlar üreticilerin girdi kullanımını ve risk yönetimini geliştirebilir. Ancak çalışma aynı zamanda kullanılan bulut altyapısının, özel modellerin ve veri işleme sistemlerinin müdahalenin gerçekleştiği ülkelerin dışında kontrol edilmesi durumunda veri bağımlılığı ve yerel kontrol kaybı oluşabileceğini vurguluyor.

Tema 5: Sağlık, eğitim ve temel hizmetler

Sağlık alanındaki literatür AI destekli tanı sistemleri, uzaktan sağlık hizmetleri, triyaj ve salgınların erken belirlenmesi gibi uygulamalara odaklanıyor. Amaç, özellikle hizmete erişimin sınırlı olduğu ortamlarda sağlık kapasitesini desteklemektir.

Eğitim alanında uyarlanabilir öğrenme, kişiselleştirilmiş öğretim, dil desteği ve akıllı öğretim sistemleri öne çıkıyor. Bu teknolojiler öğrenme desteğini bireyselleştirebilir; ancak dijital altyapıya erişimi olmayan öğrencilerin dışarıda kalması eşitsizliği artırabilir.

Su ve enerji gibi temel hizmetlerde ise talep tahmini, kaçak tespiti, sensör verilerinin analizi ve dağıtım optimizasyonu gibi uygulamalar inceleniyor.

Tema 6: Bütün alanları kesen riskler

Altıncı tema belirli bir sektörden çok bütün uygulama alanlarının ortak sorunlarını kapsıyor. Derlemede tekrar eden başlıca riskler; veri yanlılığı, dijital dışlanma, mahremiyet, gözetim, yetersiz altyapı, zayıf düzenleme, algoritmik şeffaflık eksikliği ve yerel kurumsal kapasite yetersizliği olarak tanımlanıyor.

Derlemenin karşılaştırmalı sonucuna göre AI'nın katkısı, sonuçların sayısallaştırılabildiği ve gözlemlenebildiği tahmin, sınıflandırma ve idari koordinasyon gibi görevlerde daha belirgin görünüyor. Dağıtım adaleti, insan takdiri, toplumsal meşruiyet ve temel haklar gibi nitel değerlendirmelerin merkezde olduğu alanlarda ise kanıt daha tartışmalı ve bağlama bağımlıdır.

Veri yanlılığı neden yoksulluk politikalarında özellikle kritik?

Bir AI sistemi, eğitim aldığı verinin temsil etmediği kişileri doğru değerlendiremeyebilir. Düşük gelirli veya uzak bölgelerde yaşayan kişiler dijital kayıtlarda daha az görünüyorsa model onları olduğundan daha az kırılgan gösterebilir. Sosyal koruma veya kredi uygunluğu gibi yüksek etkili kararlarda bu tür hatalar doğrudan kaynak dağılımını değiştirebilir.

Bu nedenle derleme yalnız algoritma doğruluğunu değil, verinin nereden geldiğini, kimin eksik temsil edildiğini ve hatalı kararların kim üzerinde sonuç doğurduğunu sorgulamayı öneriyor.

“Human-in-the-loop” neden önemli?

Çalışma, insan denetimini yalnız teknik bir tercih olarak değil, yönetişim güvencesi olarak ele alıyor. Gelir desteği, sağlık, eğitim veya başka temel hizmetlere erişimi etkileyen otomatik kararların tamamen kapalı bir algoritmaya bırakılması, yanlış kararların fark edilmesini ve itiraz edilmesini güçleştirebilir.

Derlemenin önerdiği sorumlu yaklaşım; insan denetimi, bağımsız denetim, algoritmik şeffaflık, adalet duyarlı model tasarımı ve etkilenen toplulukların tasarım sürecine katılımını birlikte ele alıyor.

Veri sömürgeciliği riski ne anlama geliyor?

Kaynak çalışma, yoksullukla mücadelede kullanılan veri ve AI altyapısının yerel topluluklardan veri toplarken model, hesaplama altyapısı ve karar gücünün başka aktörlerde yoğunlaşabileceğine dikkat çekiyor. Böyle bir yapı, yerel kurumların kendi kalkınma verileri üzerinde kontrolünün azalmasına ve uzun dönemli teknolojik bağımlılığa yol açabilir.

Bu nedenle AI altyapısının kimin mülkiyetinde olduğu, modellerin nerede geliştirildiği ve elde edilen verilerin hangi amaçlarla yeniden kullanılabileceği çalışmada yönetişim meselesi olarak ele alınmaktadır.

Çalışmanın desteklediği sonuçlar

• İncelenen literatürde AI, yoksulluk tahmini ve yararlanıcı hedeflemesinde çok kaynaklı verilerin bütünleştirilmesini destekleyebilen bir araç olarak öne çıkmaktadır.
• AI tabanlı otomasyon sosyal koruma ve hizmet sunumundaki bazı idari süreçlerin daha hızlı ve koordineli yürütülmesine katkı sağlayabilir.
• Alternatif veri ve makine öğrenmesi finansal hizmetlere erişim, tarımsal karar desteği ve temel hizmetlerin planlanması gibi alanlarda yeni olanaklar yaratmaktadır.
• AI'nın yararı veri kalitesi, dijital altyapı, yerel kapasite, şeffaflık ve kurumsal yönetişim koşullarına güçlü biçimde bağlıdır.
• Algoritmik yanlılık, mahremiyet, gözetim, dijital dışlanma ve hesap verebilirlik eksikliği yoksulluk politikalarında doğrudan dağıtım adaleti sorunlarına dönüşebilir.

Çalışmanın desteklemediği, test etmediği veya kanıtlamadığı sonuçlar

• Yapay zekânın yoksulluğu belirli bir oranda azalttığını gösteren ortak bir etki büyüklüğü hesaplanmamıştır.
• AI tabanlı sosyal yardım hedeflemesinin her ülkede klasik yöntemlerden daha adil olduğu kanıtlanmamıştır.
• Uydu görüntüsü veya mobil veri tabanlı yoksulluk tahmini resmi hane araştırmalarının tamamen yerine geçebilecek bir yöntem olarak doğrulanmamıştır.
• Alternatif veriyle kredi puanlamanın bütün düşük gelirli gruplar açısından ayrımcılığı azalttığı gösterilmemiştir.
• AI'nın sağlık, eğitim veya tarım alanındaki kullanımı tek başına uzun dönemli yoksulluk azalmasına neden olduğunu kanıtlamamaktadır.
• İncelenen uygulamaların bütün düşük gelirli ülkelerde aynı sonuçları vereceği gösterilmemiştir.
• Derleme meta-analiz değildir ve çalışmaların ortak nicel etki büyüklüğünü hesaplamamaktadır.

Türkiye açısından nasıl okunmalı?

Çalışma küresel kapsamlıdır ve Türkiye için ayrı bir alt analiz sunmamaktadır. Bu nedenle derlemedeki uluslararası örneklerden Türkiye'deki sosyal koruma veya kamu hizmetleri için doğrudan etkinlik sonucu çıkarılamaz.

Türkiye bağlamında benzer AI sistemleri değerlendirilirken model doğruluğunun yanında veri temsil gücü, dijital erişim, yerel kurumsal kapasite, insan denetimi, kararların açıklanabilirliği ve hatalı sınıflandırmaya karşı itiraz mekanizmalarının birlikte değerlendirilmesi gerekir. Bu gereksinimler çalışmanın genel yönetişim çerçevesinden türetilmektedir; araştırma Türkiye'de bu unsurları doğrudan test etmemiştir.

Çalışmanın Yöntemi ve Bulguları

Sistematik derlemenin kapsamı

Son literatür araması 15 Ekim 2025 tarihinde gerçekleştirilmiştir. Araştırma dönemi 1 Ocak 2015 ile 15 Ekim 2025 arasındaki İngilizce yayınlarla sınırlandırılmıştır.

Üç bibliyografik kaynak kullanılmıştır:

• Scopus
• Web of Science Core Collection
• Directory of Open Access Journals (DOAJ)

Dahil edilen yayın türleri hakemli dergi makaleleri ve bilimsel kitap bölümleridir. Editoryaller, konferans özetleri ve hakem değerlendirmesinden geçmemiş raporlar dışlanmıştır.

Arama stratejisi

Arama üç temel kavram grubunu bir araya getirmiştir. İlk blok “artificial intelligence”, “machine learning”, “deep learning” ve “predictive analytics”; ikinci blok “poverty”, “poverty reduction”, “social protection” ve “livelihoods”; üçüncü blok ise “governance”, “targeting”, “delivery” ve “accountability” terimlerinden oluşturulmuştur.

Çalışmanın dahil edilme ölçütlerine göre AI araştırmanın merkezi konusu olmalı, çalışma yoksulluk veya yoksullukla bağlantılı bir sonuçla ilgilenmeli ve açık ya da örtük biçimde bir yönetişim mekanizmasına temas etmelidir.

PRISMA seçim süreci

İlk aramada 387 kayıt belirlenmiştir. 56 mükerrer kaydın çıkarılmasının ardından 331 kayıt başlık ve özet taramasına alınmıştır. Bu aşamada 258 çalışma dışlanmış, 73 tam metin uygunluk değerlendirmesine geçmiştir. Tam metin değerlendirmesinde 25 çalışma daha elenmiş ve nihai senteze 48 çalışma dahil edilmiştir.

Tam metin aşamasında neden 25 çalışma çıkarıldı?

Bu üç nedenin toplamı 25'tir ve kaynak çalışmanın tam metin eleme açıklamasıyla uyumludur.

Kalite değerlendirmesi nasıl yapıldı?

Nicel, nitel ve karma yöntemli ampirik çalışmalar Mixed Methods Appraisal Tool, 2018 sürümü kullanılarak değerlendirilmiştir. Değerlendirme iki araştırmacı tarafından bağımsız biçimde gerçekleştirilmiştir.

Ampirik çalışmalar yüksek güven, orta güven veya düşük güven düzeyindeki katkılar olarak sınıflandırılmıştır. Düşük güvenli çalışmalar yalnız benzersiz sektörel veya bağlamsal bilgi sunduklarında korunmuş ve sonuçları daha ihtiyatlı yorumlanmıştır.

Kavramsal çalışmalar ve derlemelere ampirik kalite puanı verilmemiş; bunlar kavramsal uygunluk açısından değerlendirilerek daha çok çerçeve ve yorumlama amacıyla kullanılmıştır.

Kaynak çalışma bu güven gruplarındaki çalışma sayılarını veya her bir çalışma için MMAT sonuçlarını yayınlamadığı için kalite dağılımının Verianla tarafından sayısal olarak yeniden oluşturulması mümkün değildir.

Hangi bilgiler çıkarıldı?

Her çalışmadan bibliyografik bilgiler, ülke veya bölge, uygulama sektörü, kullanılan AI yöntemi, ele alınan yönetişim mekanizması, bildirilen yarar ve riskler ile kullanılan kavramsal çerçeveler standartlaştırılmış bir form aracılığıyla çıkarılmıştır.

Ardından yinelemeli kodlama, betimleyici temaların geliştirilmesi ve bireysel çalışmaların ötesine geçen analitik temaların oluşturulmasını içeren tematik sentez uygulanmıştır.

Çalışmada belirlenen altı tematik alan

Bu tablo kaynak çalışmada “indicative” yani yönlendirici ve eksiksiz olmayan bir sınıflandırma olarak tanımlanmıştır. Temalar için çalışma sayısı verilmediğinden tablo bir prevalans veya etki büyüklüğü tablosu olarak okunmamalıdır.

En güçlü kanıt hangi tür yönetişim görevlerinde görülüyor?

Yazarların karşılaştırmalı sentezine göre AI'nın katkısı en tutarlı biçimde tahmin, sınıflandırma ve idari koordinasyon gerektiren alanlarda görülmektedir. Yoksulluk haritalama, yararlanıcı hedefleme ve dolandırıcılık tespiti buna örnek gösterilmektedir.

Buna karşılık dağıtım adaleti, bağlama duyarlı insan kararı, vatandaş katılımı ve temel haklar gibi unsurların merkezi olduğu yönetişim görevlerinde sonuçlar daha değişken ve tartışmalıdır. Dolayısıyla yüksek tahmin başarımı ile iyi yönetişim aynı şey değildir.

Derlemeden çıkan temel yönetişim şartları

Çalışmanın bütün sektörler boyunca tekrarladığı koşullar; güçlü veri yönetişimi, kapsayıcı dijital altyapı, bağlama duyarlı tasarım, algoritmik şeffaflık, kurumsal kapasite, insan denetimi ve etkilenen toplulukların katılımıdır.

Bu koşullar çalışmada sonradan eklenen etik ayrıntılar olarak değil, AI'nın yoksulluk yönetişimindeki başarısını belirleyen temel sistem bileşenleri olarak değerlendiriliyor.

Temel yöntemsel ve kanıtsal sınırlılıklar

Meta-analiz yapılmamıştır: İncelenen çalışmaların ortak etki büyüklüğü hesaplanmamış ve AI'nın yoksulluk üzerindeki toplam nicel etkisi tahmin edilmemiştir.

Kanıt coğrafi olarak dengesizdir: Daha güçlü dijital altyapı ve araştırma kapasitesine sahip ülkeler literatürde daha görünürdür; kırılgan, çatışmadan etkilenen ve çok düşük gelirli ortamlardaki kanıt daha sınırlıdır.

Uzun dönem sonuçları sınırlıdır: Birçok çalışma teknik performans göstergelerine odaklanırken gelir dağılımı, toplumsal etkiler, cinsiyet farkları ve kesişimsel sonuçları uzun süre izleyen araştırmalar azdır.

Karşılaştırmalı kurumsal çalışmalar sınırlıdır: Aynı AI müdahalesinin farklı yönetişim modellerinde neden başarılı veya başarısız olduğunu karşılaştıran çalışma sayısı yetersizdir.

Bazı yoksulluk alanları az incelenmiştir: Özellikle kayıt dışı kentsel geçim kaynakları ve bakım emeği gibi çok boyutlu yoksulluğun önemli alanları AI-kalkınma literatüründe daha az temsil edilmektedir.

Tematik frekanslar raporlanmamıştır: Altı tematik alan tanımlanmış olmasına rağmen her temada kaç çalışma bulunduğu verilmemiştir.

Kalite dağılımı tam raporlanmamıştır: MMAT tabanlı güven sınıfları açıklansa da çalışmaların tek tek kalite sonuçları ve grup sayıları sunulmamıştır.

Korpus sınırı tam olarak yeniden izlenememektedir: Kaynakça, kuramsal ve bağlamsal kaynaklarla nihai 48 çalışmayı tek tek ayıran bir liste sunmadığından hangi referansın sistematik derleme korpusuna ait olduğu her durumda bağımsız olarak belirlenememektedir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: The Role of Artificial Intelligence in Poverty Governance: A Systematic Literature Review of Innovations and Implementation Challenges

Yazarlar: Ismail Sheik; Gabriel Kabanda.

Yazar sırası: Ismail Sheik birinci, Gabriel Kabanda ikinci yazardır.

Eş katkı/eş birinci yazar: Kaynakta eş katkı veya eş birinci yazarlık bildirimi bulunmamaktadır.

Sorumlu yazar: Ismail Sheik.

Kurum: Graduate School of Business and Leadership, University of KwaZulu-Natal, Westville Campus, Durban 4000, KwaZulu-Natal, South Africa.

Dergi: Administrative Sciences.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale: 16(6), 269.

DOI: 10.3390/admsci16060269

Gönderim tarihi: 3 Şubat 2026.

Revizyon tarihi: 8 Nisan 2026.

Kabul tarihi: 9 Nisan 2026.

Yayın tarihi: 4 Haziran 2026.

Kaynak türü: PRISMA 2020 rehberliğinde sistematik literatür derlemesi ve tematik sentez.

Hakemlik durumu: Çalışma hakemli Administrative Sciences dergisinde yayımlanmış bir sistematik derlemedir.

Resmî yayın bağlantısı:Resmî DOI sayfası

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırma dış finansman almamıştır.

Etik kurul: Kaynakta “Not applicable” olarak belirtilmiştir.

Bilgilendirilmiş onam: Kaynakta “Not applicable” olarak belirtilmiştir.

Veri erişilebilirliği: Çalışmada yeni veri seti oluşturulmadığı veya analiz edilmediği; araştırmanın yayımlanmış hakemli dergi makaleleri ve bilimsel kitap bölümlerinin sistematik derlemesine dayandığı belirtilmektedir.

Teşekkür / yazım aracı bildirimi: Yazarlar makalenin hazırlanması sırasında uygun kelime seçimini desteklemek amacıyla Grammarly kullandıklarını, çıktıları gözden geçirip düzenlediklerini ve içeriğin sorumluluğunu üstlendiklerini bildirmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Kavramsallaştırma, yöntem, doğrulama ve formal analiz I.S. ve G.K.; araştırma ve kaynaklar I.S.; veri kürasyonu I.S. ve G.K.; ilk taslak ile gözden geçirme/düzenleme I.S. ve G.K.; finansman edinimi I.S. ve G.K. tarafından raporlanmıştır.

Bu Verianla içeriğindeki bilimsel bulgular, tema sınıflandırmaları, yöntem bilgileri ve yorum sınırları yüklenen özgün sistematik derlemeye dayanmaktadır. Dış doğrulama yalnız yayın kimliği ve derginin hakemlik durumunun doğrulanması amacıyla kullanılmış; ana bilimsel içeriğe dış kaynaktan yeni AI performans sonucu, yoksulluk verisi veya politika etkisi eklenmemiştir.

Çalışma yeni bir yapay zekâ sistemi geliştirmemiş, yoksulluk yaşayan kişiler üzerinde doğrudan bir müdahale gerçekleştirmemiş ve meta-analitik ortak etki büyüklüğü hesaplamamıştır. Bu nedenle AI'nın yoksulluğu belirli bir oranda azalttığı veya belirli bir uygulamanın gerçek dünyada nedensel olarak üstün olduğu sonucu bu derlemeden çıkarılamaz.

Kaynakta tematik alanların ve dünya bölgelerinin dağılımının derlendiği ifade edilmesine rağmen Tablo 1 sayısal tema veya bölge dağılımı vermemektedir. MMAT kalite değerlendirmesinde kullanılan güven sınıfları açıklanmış ancak sınıflara göre çalışma sayıları ve tek tek değerlendirmeler raporlanmamıştır. Ayrıca nihai 48 çalışma ile çerçeve/tartışma amacıyla kullanılan diğer kaynakları tek tek ayıran bir korpus listesi bulunmamaktadır. Bu raporlama sınırları Verianla tarafından sessizce tamamlanmamış veya tahmin edilmemiştir.