Bu çalışma, üretken yapay zekâdan alınan akıcı ve kendinden emin yanıtların kullanıcı tarafından güvenilirliği henüz doğrulanmadan bilgi olarak kabul edilmesi problemini inceler. Sözde-güvenli bilgi (pseudoconfident knowledge), gerçek güvenilirliği, kaynak temeli veya olgusal doğruluğu henüz kurulmamış olmasına rağmen tutarlı, eksiksiz ve ikna edici sunumu nedeniyle kullanıcının zihninde erken biçimde bilgi statüsü kazanan AI içeriğidir; burada “bilgi” klasik epistemolojideki doğrulanmış bilgi anlamında kullanılmaz. Araştırmacılar bu kavramsal çerçeveyi Kazakistan'da 18 yaş ve üzerindeki kişilerden çevrim içi olarak toplanan 216 anketle sınamıştır. Betimsel istatistikler, çapraz tablolar, Pearson ki-kare testi ve Cramér's V kullanılmıştır. Temel bulgu, epistemik doğruluğun AI kullanım sıklığıyla anlamlı biçimde ilişkili olmaması; buna karşılık yanıtı karşılaştırma, düzenleme veya doğrulama gibi işleme stratejileriyle anlamlı ve orta düzeyde ilişkili olmasıdır. Çalışma kesitsel ve olasılıksız örneklemli olduğu için bu ilişki nedensellik olarak yorumlanamaz ve bütün AI kullanıcılarına doğrudan genellenemez.

Çalışmanın merkezindeki “paradoks”, biçimsel mantıktaki bir paradoks değildir. Sosyal-epistemik anlamdaki çelişki, kullanıcının AI'dan yanıt alma becerisi ve kullanım alışkanlığı hızla gelişirken bu yanıtların epistemik statüsünü değerlendirme yeteneğinin aynı hızla gelişmek zorunda olmamasıdır. Bir kişi AI'yi her gün kullanabilir, iyi istemler yazabilir ve yararlı metinler elde edebilir; fakat yanıtın retorik güvenini, gerçek gerekçelendirme ve doğrulanabilirlikle ayıramıyorsa sözde-güvenli bilgiye karşı savunmasız kalabilir.

Sözde-güvenli bilgi nedir?

Sözde-güvenli bilgi, üretken yapay zekânın açık, tutarlı, mantıksal olarak düzgün ve kendinden emin biçimde sunduğu bir içeriğin, gerçek doğruluğu veya kaynak temeli yeterince sınanmadan kullanıcı tarafından güvenilir bilgi olarak kabul edilmesi durumudur. Kavram yalnız yanlış veya halüsinasyon içeren AI yanıtlarını tanımlamaz; yanıt doğru olsa bile kullanıcı güvenilirliği henüz kurulmadan yalnız sunum biçimi nedeniyle ona bilgi statüsü veriyorsa aynı epistemik mekanizma ortaya çıkabilir.

Yanlış bilgi ile sözde-güvenli bilgi aynı şey değildir

Çalışmanın önemli kavramsal ayrımı burada ortaya çıkar. Bir AI çıktısının yanlış olması modelin içerik düzeyindeki hatasıdır. Sözde-güven problemi ise kullanıcının bu çıktıyı hangi epistemik statüyle kabul ettiğiyle ilgilidir. Yanlış bir yanıt sözde-güvenli biçimde kabul edilebilir; fakat doğru bir yanıt da gerekçesi incelenmeden yalnız akıcı anlatımı nedeniyle kesin bilgi gibi benimsenebilir.

Bu nedenle araştırmanın konusu yalnız “AI halüsinasyon yapıyor mu?” sorusu değildir. Yazarların odağı, olasılıksal veya yeterince doğrulanmamış bir çıktının dilsel olarak tamamlanmış ve kesin bir iddia biçiminde sunulması ile kullanıcının bu biçime verdiği güven arasındaki ilişkidir.

Dört ayrı epistemik düzey

Gündelik AI kullanımındaki epistemik uçurum nedir?

Epistemik uçurum, üretken yapay zekânın arama, yazma, öğrenme ve açıklama gibi gündelik faaliyetlere hızla yerleşmesi ile kullanıcıların AI yanıtlarının güvenilirlik ve gerekçelendirme düzeyini eleştirel biçimde değerlendirme kapasitesinin aynı hızda gelişmemesi arasındaki yapısal uyumsuzluktur. Kullanıcı operasyonel olarak yetkin olabilir; ancak ikna edicilik ile doğrulanmış bilgi arasındaki farkı ayırmakta zorlanabilir.

Operasyonel AI yeterliği ile epistemik olgunluk neden ayrılıyor?

Üretken AI, klasik internet aramasından farklı bir bilgi ortamı oluşturur. Arama motorunda kullanıcı çoğu zaman birden fazla kaynakla karşılaşır, bunları seçer ve parçaları kendi zihninde birleştirir. Üretken AI ise kullanıcıya çoğu zaman zaten düzenlenmiş, açıklayıcı, dilbilgisel olarak pürüzsüz ve bütünlüklü tek bir yanıt verir. Bu kolaylık bilişsel maliyeti azaltırken bir yan etkinin ortaya çıkmasına neden olabilir: yanıtın biçimsel bütünlüğü, onun epistemik güvenilirliğiyle karıştırılabilir.

Bu nedenle “AI'yi kullanmayı bilmek” ile “AI'nin yanıtına ne kadar güvenileceğini bilmek” aynı yeterlik değildir. Çalışma AI okuryazarlığını yalnız istem yazma, araç kullanma veya çıktı elde etme yeteneği olarak değil; modelin sınırlarını tanıma, iddiaları ayırma, güven derecesini ayarlama ve gerektiğinde bağımsız doğrulama yapma kapasitesiyle birlikte ele alır.

Epistemik teyakkuz ve kalibre edilmiş güven

Epistemik teyakkuz (epistemic vigilance), dışarıdan alınan bilginin kaynağını, bağlamını, güvenilirliğini ve hata riskini değerlendirerek güven düzeyini ayarlama kapasitesidir. Çalışma bu kavramı AI kullanımına uygularken iki uç yaklaşımı reddeder: bütün AI yanıtlarına koşulsuz güvenmek ve bütün AI yanıtlarını bağımsız olarak sıfırdan doğrulamaya çalışmak.

Yazarların önerdiği yaklaşım kalibre edilmiş güvendir. Hatanın maliyeti, iddianın türü ve kullanım bağlamı yükseldikçe doğrulama düzeyi de yükselmelidir. Basit bir fikir üretme görevinde sınırlı kontrol yeterli olabilirken bilimsel kaynak, hukuki hüküm, sayısal değer veya ciddi sonuç doğurabilecek normatif bir iddia daha sıkı doğrulama gerektirebilir.

AI yanıtı neden “yarı-tanıklık” olarak ele alınıyor?

Çalışma AI yanıtlarını quasitestimony, yani işlevsel olarak tanıklığa benzeyen fakat insan tanıklığıyla aynı epistemik statüye sahip olmayan bir iletişim biçimi olarak yorumlar. Bir insan bir şeyi kesin biçimde söylediğinde genellikle iddiasının gerekçesine ve doğruluğuna ilişkin belirli bir sorumluluk üstlenir. Üretken AI ise kesin bir önerme biçiminde konuşabilir fakat kişisel deneyim, ahlaki sorumluluk veya söylediğinin doğruluğuna yönelik öznel bağlılık taşımaz.

Bu nedenle dilsel biçim ile epistemik statü ayrılabilir. AI çıktısı kesin bir iddianın dilbilgisel yapısına sahip olsa da epistemik olarak yalnız bir olasılık, yeniden yapılandırma, hipotez veya ön yorum niteliğinde olabilir. Sözde-güven riski, koşullu veya belirsiz epistemik durumun kesin bildirim biçimine dönüşmesiyle artar.

Sözde-güven hangi biçimlerde ortaya çıkabilir?

Prompt tabanlı üçgenleme

Çalışma tartışma bölümünde prompt tabanlı üçgenleme (prompt-based triangulation) adını verdiği bir strateji önerir. Kullanıcı aynı soruyu farklı biçimlerde sorabilir, alternatif açıklamalar isteyebilir, iddiaların dayanaklarını sorgulayabilir, belirsizliklerin belirtilmesini talep edebilir ve hangi noktaların dış doğrulama gerektirdiğini sordurabilir. Farklı istem biçimleri belirgin biçimde farklı cevaplar üretiyorsa bu durum yanıtın tamamlanmış bilgi olarak değil, ek kontrol gerektiren belirsizlik alanı olarak değerlendirilmesi için bir işaret olabilir.

Ancak önemli bir sınır vardır: araştırma anketinde istem stratejileri bağımsız bir değişken olarak ölçülmemiştir. Dolayısıyla prompt tabanlı üçgenleme bu çalışmada ampirik olarak doğrulanmış bir başarı faktörü değil, bulgulardan hareketle geliştirilen kavramsal ve pratik bir öneridir.

Bireysel hatadan sistemik epistemik geri beslemeye

Yazarlar sözde-güvenli içeriğin yalnız bireysel kullanıcı düzeyinde kalmayabileceğini tartışır. Doğrulanmamış AI metinleri ödevlere, raporlara, bloglara, sosyal medya içeriklerine veya başka bilgi ortamlarına taşındığında tekrar indekslenebilir, alıntılanabilir ve yeniden kullanılabilir. Böylece zayıf gerekçelendirilmiş içeriğin ortak bilgi ortamında dolaşması, uzun vadede epistemik geri besleme riskini artırabilir.

Çalışma bu noktada aşırı bir iddia kurmamaya özellikle dikkat eder: her hatalı AI çıktısının gelecekteki eğitim verisine gireceği veya doğrudan model çökmesine yol açacağı söylenmez. İleri sürülen daha sınırlı iddia, geniş ölçekte doğrulanmamış makine içeriği dolaşımının ortak bilgi çevresinin niteliği için kümülatif risk oluşturabileceğidir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Araştırma tek zamanlı, kesitsel ve kendi kendine doldurulan çevrim içi anket tasarımına sahiptir. Toplam 216 anket Google Forms aracılığıyla toplanmıştır. Katılımcılar Kazakistan Cumhuriyeti'nde yaşayan 18 yaş ve üzerindeki kişilerden oluşmaktadır. Örnekleme gönüllü ve olasılıksızdır; bu nedenle çalışma genel nüfusun istatistiksel olarak temsili bir tahminini üretmeyi amaçlamaz.

Araştırmanın ampirik amacı bütün “sözde-güvenli bilgi” kuramını tek bir istatistiksel testle kanıtlamak değildir. Daha dar amaç, AI'yi gündelik olarak kullanma düzeyi ile AI yanıtlarını epistemik bakımdan değerlendirme yöneliminin birbirinden ayrılıp ayrılmadığını test etmektir.

Beş temel değişken

\(U_i\), \(F_i\) ve \(G_i\) ağırlıklı olarak AI'nin gündelik yaşama ne ölçüde operasyonel olarak yerleştiğini gösterirken \(S_i\) ve \(E_i\) kritik epistemik yönelime daha yakından bağlanır. Kontrol sorusu, ayrıntılı ve kendinden emin bir anlatımın tek başına doğruluk ve güvenilirlik sağlamadığını katılımcının fark edip etmediğini minimum düzeyde ölçmek için kullanılmıştır.

Yüzde dağılımı

Bir kategorinin örneklem içindeki yüzdesi kaynakta Denklem (1) ile hesaplanmıştır:

\[ p_j=\frac{n_j}{N}\times100 \]

Burada \(n_j\), \(j\) kategorisindeki gözlem sayısını; \(N\) ise ilgili analizdeki toplam geçerli gözlem sayısını ifade eder. Çalışmada eksik yanıtlar bulunduğu için bütün değişkenlerin geçerli \(N\) değeri 216 değildir.

Koşullu dağılımlar

Araştırmacılar epistemik olarak doğru yanıtın kullanım sıklığına, yanıt işleme stratejisine ve kullanım amacına göre nasıl değiştiğini şu koşullu dağılımlarla incelemiştir:

\[ P(E=1\mid F=f),\qquad P(E=1\mid S=s),\qquad P(E=1\mid G=g) \]

Bu yapı ortalama değerleri karşılaştırmak yerine kategoriler arasındaki epistemik doğruluk oranlarının nasıl dağıldığını incelemeye olanak verir.

Pearson ki-kare testi

Kategorik değişkenler arasında istatistiksel ilişki olup olmadığını sınamak için Pearson ki-kare testi kullanılmıştır:

\[ \chi^2=\sum_{r=1}^{R}\sum_{c=1}^{C}\frac{(O_{rc}-E_{rc})^2}{E_{rc}} \]

\(O_{rc}\), çapraz tablonun ilgili hücresinde gözlenen frekanstır; \(E_{rc}\) ise iki değişkenin bağımsız olduğu varsayımı altında beklenen frekanstır. Ki-kare testi ilişkinin varlığına ilişkin kanıt sağlarken ilişkinin büyüklüğünü tek başına göstermez.

Cramér's V

İlişkinin büyüklüğünü değerlendirmek için kaynakta Cramér's V katsayısı kullanılmıştır:

\[ V=\sqrt{\frac{\chi^2}{N\times \min(R-1,C-1)}} \]

Burada \(N\) analizdeki geçerli gözlem sayısı, \(R\) ve \(C\) ise çapraz tablonun satır ve sütun kategori sayılarını temsil eder. Çalışmanın temel karşılaştırmasında yanıt işleme stratejisi ile epistemik doğruluk arasındaki ilişkinin \(V=0.305\) olduğu ve yazarlar tarafından orta büyüklükte değerlendirildiği raporlanmıştır.

Merkezi ampirik eşitsizlik

Makalenin bütün kavramsal-ampirik yapısı Denklem (5) ile özetlenir:

\[ O_i \uparrow \nRightarrow C_i \uparrow \]

\(O_i\), gündelik AI kullanımındaki operasyonel katılımı; \(C_i\), kritik epistemik yönelimi ifade eder. Denklemdeki \(\nRightarrow\) işareti, AI'nin daha yoğun veya daha sık kullanılmasının kritik epistemik yönelimin zorunlu olarak yükseldiği anlamına gelmediğini gösterir. Bu ifade deterministik bir matematik yasası değil, araştırmanın test ettiği ve bulguların desteklediği analitik ilişkiyi özetleyen gösterimdir.

Temel betimsel dağılımlar

Kaynak içi tutarlılık notu: Makalenin anlatı paragraflarındaki bazı yüzdeler Tablo 1 ile küçük farklılıklar göstermektedir. Yukarıdaki değerler, kategori sayıları ve geçerli N bilgileriyle birlikte sunulan kaynak Tablo 1'den alınmıştır; farklı metin yüzdeleri sessizce kaynakla birleştirilmemiştir.

AI'yi daha sık kullanmak epistemik doğruluğu artırıyor mu?

Bu çalışmanın örnekleminde AI kullanım sıklığı ile epistemik kontrol sorusundaki doğruluk arasında istatistiksel olarak anlamlı ilişki bulunmamıştır: \(\chi^2(4)=5.881\), \(p=0.208\), \(V=0.171\). Dolayısıyla daha sık AI kullanmanın tek başına daha yüksek epistemik olgunluk veya daha güçlü doğrulama alışkanlığı anlamına geldiği sonucu bu veriler tarafından desteklenmemektedir.

Haftada 3–5 kez kullanan gruptaki oran diğer gruplardan yüksek görünse de grupların tamamını karşılaştıran istatistiksel test anlamlı değildir. Dolayısıyla tek tek yüzde farklarını “kullanım sıklığı epistemik doğruluğu artırır” şeklinde nedensel veya genellenebilir sonuç haline getirmek doğru değildir.

AI yanıtını işleme stratejisi neden daha önemli görünüyor?

AI yanıtını başka kaynaklarla karşılaştırma, kullanmadan önce düzenleme veya pratik olarak test etme stratejileri daha yüksek epistemik doğruluk oranlarıyla ilişkiliyken yanıtı olduğu gibi kullanma daha düşük doğruluk oranıyla ilişkilidir. Strateji ile epistemik doğruluk arasındaki ilişki istatistiksel olarak anlamlıdır ve çalışmada orta büyüklükte raporlanmıştır: \(\chi^2(4)=18.939\), \(p=0.0008\), \(V=0.305\).

Son satır ayrıca önemli bir ayrım gösterir: AI'ye genel olarak güvenmemek otomatik olarak epistemik açıdan güçlü bir konum anlamına gelmez. Çalışmanın savunduğu yaklaşım koşulsuz güven veya koşulsuz güvensizlik değil, iddianın riskine ve bağlamına göre ayarlanan kalibre edilmiş güvendir.

Kaynak içi tutarlılık notu: Kaynak Tablo 2'de karşılaştırma ve düzenleme grupları için sırasıyla %68,2 ve %65,5 verilirken hemen sonraki anlatıda %67,8 ve %64,9 değerleri geçmektedir. Yukarıdaki tablo, raporlanan n değerleriyle uyumlu olan kaynak tablo değerlerini korur; bu farklılık Verianla tarafından yeni veri üretilerek giderilmemiştir.

Kullanım amacı ile epistemik doğruluk

Gruplar arasında görünen farklılıklara rağmen kullanım amacı ile epistemik doğruluk ilişkisi geleneksel istatistiksel anlamlılık eşiğine ulaşmamıştır: \(\chi^2(5)=9.311\), \(p=0.097\), \(V=0.214\). Dolayısıyla örneğin iş amacıyla AI kullanmanın epistemik doğruluğu artırdığı sonucuna varılamaz.

Kaynak Şekil 1'in bilimsel mesajı

Kaynak Şekil 1'in temel mesajı, AI'nin gündelik yaşama güçlü biçimde yerleşmesinin kritik epistemik yönelimi kendiliğinden üretmediğidir. Ampirik ayrım “AI kullananlar ve kullanmayanlar” arasında değil; AI yanıtını farklı güven ve doğrulama rejimleri içinde işleyen kullanıcılar arasında ortaya çıkmaktadır.

Çalışmanın desteklediği sonuçlar

• İncelenen örneklemde üretken AI gündelik bilgi ve metin çalışmalarına geniş ölçüde yerleşmiştir.
• AI kullanım sıklığı ile epistemik kontrol sorusundaki doğruluk arasında anlamlı ilişki bulunmamıştır.
• AI yanıtını işleme stratejisi ile epistemik doğruluk arasında istatistiksel olarak anlamlı ve orta büyüklükte ilişki raporlanmıştır.
• Karşılaştırma, düzenleme ve pratik doğrulama yapan gruplarda epistemik doğru yanıt oranı yanıtı olduğu gibi kullanan gruptan yüksektir.
• Operasyonel AI kullanma yetkinliği ile epistemik olgunluk aynı kavram değildir.
• AI okuryazarlığının doğrulama, metodolojik kuşku, kaynak değerlendirme ve kalibre edilmiş güven bileşenlerini içermesi gerektiği savunulmaktadır.

Çalışmanın desteklemediği sonuçlar

• AI yanıtlarını doğrulamanın doğrudan epistemik olgunluğa neden olduğunu kanıtlamaz.
• Daha sık AI kullanımının eleştirel düşünmeyi artırdığını göstermez.
• 216 kişilik gönüllü örneklemin bütün Kazakistan nüfusunu veya bütün dünya AI kullanıcılarını temsil ettiğini göstermez.
• Tek bir epistemik kontrol sorusunun bütün epistemik olgunluğu eksiksiz ölçtüğünü göstermez.
• Prompt tabanlı üçgenlemenin epistemik doğruluğu yükselttiğini ampirik olarak test etmez.
• Kullanım amacı grupları arasındaki yüzde farklarının istatistiksel olarak anlamlı olduğunu göstermez.
• Her ikna edici AI yanıtının yanlış veya her AI çıktısının sözde-güvenli olduğunu ileri sürmez.
• Her doğrulanmamış AI çıktısının gelecekteki model eğitim verisini kirleteceğini göstermez.

Araştırmanın sınırlılıkları

Örneklem gönüllü ve olasılıksızdır. Bu nedenle sonuçlar AI kullanıcılarının tamamının nüfus parametreleri olarak yorumlanamaz. Araştırma kesitsel olduğu için yanıt işleme stratejisinin epistemik dayanıklılığı artırıp artırmadığı veya zaten daha eleştirel kullanıcıların doğrulama stratejilerini daha sık seçip seçmediği ayırt edilemez.

Epistemik kontrol sorusu, ikna edici anlatım ile gerekçelendirilmiş kabul arasındaki farkı ölçmek için kullanılan asgari bir göstergedir; epistemik olgunluğun tüm boyutlarını ölçmez. Yazarlar gelecekte gerçek AI diyaloglarının analizi, daha karmaşık deneysel görevler, istem stratejilerinin ölçülmesi ve kaynak güvenilirliği, iddia doğrulama, dilsel duyarlılık ve kalibre edilmiş güven için ayrı ölçekler önermektedir.

Prompt tabanlı üçgenleme anket içinde ayrı bir değişken olarak ölçülmediğinden, bu çalışma temelinde bağımsız bir ampirik öngörücü olarak kabul edilmemelidir.

Kaynak ve Yöntem Notu

Özgün çalışma: The Pseudo-Confidence Paradox: The Epistemic Gap in Everyday AI Use.

Yazarlar: Lyazzat Tulbayevna Kurmanbayeva; Anar Saduakasovna Tanabayeva; Akmaral Ivanovna Doszhanova; Aidyn Aidaruly Olzhashov; Denis Bakarassov; Adilbek Knarovich Bisenbaev.

Sorumlu yazar: Anar Saduakasovna Tanabayeva.

Kurumlar: Mukhametzhan Tynyshbayev ALT University; International Information Technology University; Al-Farabi Kazakh National University; International University of Engineering and Technology; Institute of Philosophy, Political Science and Religion Studies, Ministry of Science and Higher Education of the Republic of Kazakhstan; Tengrion LLP.

Dergi: Philosophies.

Yayınevi: MDPI.

Bibliyografik kayıt: Philosophies 2026, 11(3), 97.

DOI: 10.3390/philosophies11030097.

Yayın tarihi: 16 Haziran 2026. Makale 10 Nisan 2026'da alınmış, 25 Mayıs 2026'da revize edilmiş ve aynı tarihte kabul edilmiştir.

Kaynak türü: Hakemli araştırma makalesi. Teorik sosyal epistemoloji çerçevesini tek zamanlı kesitsel çevrim içi anketle birleştiren kavramsal-ampirik çalışma.

Örneklem: Toplam 216 anket toplanmıştır. Araştırma Kazakistan Cumhuriyeti'nde yaşayan 18 yaş ve üzerindeki katılımcılarla yürütülmüştür. Örneklem gönüllü ve olasılıksızdır. Eksik yanıtlar nedeniyle analizlerin geçerli N değerleri değişmektedir.

Veri toplama: Kendi kendine doldurulan çevrim içi anket, Google Forms.

Analiz: Veri temizleme ve kategorik kodlama sonrasında betimsel frekans ve yüzde dağılımları, çapraz tablolar, Pearson ki-kare testi ve Cramér's V kullanılmıştır. Kaynak teşekkür bölümünde verilerin IBM SPSS Statistics 27 kullanılarak manuel biçimde işlendiğini ve çalışmada LLM kullanılmadığını belirtmektedir.

Temel ampirik sonuç: Yanıt işleme stratejisi ile epistemik doğruluk arasında anlamlı ilişki bulunmuştur: \(\chi^2(4)=18.939,\ p=0.0008,\ V=0.305\). AI kullanım sıklığı ile epistemik doğruluk arasında anlamlı ilişki bulunmamıştır: \(\chi^2(4)=5.881,\ p=0.208,\ V=0.171\). Kullanım amacı ile epistemik doğruluk karşılaştırması da geleneksel anlamlılık eşiğine ulaşmamıştır: \(\chi^2(5)=9.311,\ p=0.097,\ V=0.214\).

Lisans: Creative Commons Attribution (CC BY).

Finansman: Çalışma dış finansman almamıştır.

Bilgilendirilmiş onam: Kaynak, ankete katılımın gönüllü ve anonim olduğunu; katılımcıların araştırmanın amacı, gizlilik ve istedikleri zaman çekilme hakları konusunda bilgilendirildiğini ve anketi gönüllü doldurmaları yoluyla onam alındığını belirtmektedir.

Veri erişilebilirliği: Bulguları destekleyen toplulaştırılmış verilerin makale içinde sunulduğu, kişisel olarak tanımlanabilir veri toplanmadığı ve yalnız toplu sonuçların raporlandığı belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir. Adilbek Knarovich Bisenbaev'ın Tengrion LLP'de çalıştığı, şirketin çalışma tasarımı, veri toplama, analiz, yorum, yazım veya yayın kararında rol oynamadığı ayrıca belirtilmiştir.

Yazar katkıları: Kavramsallaştırma A.K.B., A.S.T., L.T.K. ve A.I.D.; biçimsel analiz A.S.T. ve A.K.B.; özgün taslak A.K.B., A.S.T. ve L.T.K.; yöntem D.B. ve A.K.B.; doğrulama ve görselleştirme D.B. ve A.K.B.; araştırma A.S.T., L.T.K., A.I.D. ve A.K.B.; kaynaklar A.S.T. ve A.K.B.; veri kürasyonu A.K.B.; gözden geçirme/düzenleme A.S.T., L.T.K., A.I.D., A.A.O. ve A.K.B.; danışmanlık L.T.K.; proje yönetimi A.S.T.; finansman edinimi A.S.T. ve A.K.B. olarak raporlanmıştır.

Kaynak içi etik beyan tutarsızlığı: PDF'nin Institutional Review Board Statement bölümü çalışmayı “tamamen kavramsal”, “ampirik bileşeni olmayan” ve “insan katılımcı içermeyen” bir çalışma olarak tanımlamaktadır. Bu ifade aynı makalenin yöntem bölümünde raporlanan 216 katılımcılı anketle ve hemen ardından gelen bilgilendirilmiş onam beyanıyla açık biçimde uyuşmamaktadır. Verianla bu çelişkiyi sessizce düzeltmemekte ve hangi ifadenin editoryal olarak doğru olduğuna dair kaynak dışı hüküm vermemektedir.

Kaynak içi sayısal tutarsızlık: Bazı anlatı yüzdeleri ile Tablo 1–3'teki yüzdeler arasında küçük farklar bulunmaktadır. Verianla karşılaştırma tablolarında, ilgili n ve geçerli N değerleriyle birlikte yayımlanmış tablo yüzdelerini korumuştur; metindeki farklı değerler kaynak-içi farklılık olarak değerlendirilmiştir.

Temel yöntemsel sınır: Kesitsel tasarım nedensellik göstermez; gönüllü ve temsili olmayan örneklem bütün nüfusa genellenemez; tek kontrol sorusu epistemik olgunluğun tamamını ölçmez; prompt tabanlı üçgenleme bu çalışmada ampirik olarak test edilmemiştir.

Bilimsel kullanım sınırı: Bu Verianla metni özgün çalışmanın kavram, yöntem, sayısal sonuç ve sınırlılıklarını öğretici bir yapıda açıklar. Akademik atıf, özgün soru formülasyonu, ayrıntılı teorik tartışma ve kaynakça için özgün DOI kaydı kullanılmalıdır.