Yapay zekâ sistemleri tıp eğitimi ve klinik uygulamalara hızla girerken öğrencilerin bu araçları güvenli biçimde kullanmayı öğrenip öğrenmediği henüz yeterince bilinmemektedir. Özellikle büyük dil modellerinin klinik vaka çözme, rapor yazma, tanı önerme, sınava hazırlanma ve bilimsel metin üretme gibi görevlerde kullanılması; öğrencinin öğrenmesini destekleyebileceği gibi kendi başına muhakeme geliştirmesini de engelleyebilir.

Bu sistematik derleme, tıp, hemşirelik, diş hekimliği, eczacılık ve diğer sağlık meslekleri eğitiminde “yapay zekâ bağımlılığı” olarak adlandırılan olgunun nasıl tanımlandığını, ne sıklıkla gerçekten ölçüldüğünü ve hasta güvenliği açısından hangi sonuçların çıkarılabileceğini incelemiştir.

Araştırmacılar PubMed, Embase, Web of Science Core Collection ve Scopus veri tabanlarında 1 Ocak 2020 ile 31 Mart 2026 arasındaki İngilizce yayınları taramıştır. Başlangıçta 14.391 kayıt bulunmuş, tekrarlar çıkarıldıktan sonra 10.579 kayıt taranmış, 964 tam metin değerlendirilmiş ve 269 yayın incelemeye alınmıştır.

Yazarların sınıflandırmasına göre çalışma havuzu; MERSQI ile değerlendirilen 192 ampirik araştırma, ayrı bir kategori olarak değerlendirilen 16 randomize çalışma ve 61 derlemeden oluşmaktadır. Yayınların 213’ü, yani yüzde 79,2’si, yalnızca 2025 ve 2026 yıllarında yayımlanmıştır. Bu durum alanın çok hızlı büyüdüğünü, ancak bulguların önemli bölümünün henüz olgunlaşmadığını göstermektedir.

Derlemenin en önemli sonucu, yapay zekâ bağımlılığına ilişkin risk söyleminin gerçek ölçümlerin çok önünde olmasıdır. İncelenen 269 yayının 229’u, yüzde 85,1’i, kuramsal bir çerçeveye atıf yaparken yalnızca 13’ü, yüzde 4,8’i, yapay zekâ bağımlılığını açık bir tanım ve ölçülebilir göstergeyle işlemiştir. Kuramsal çerçeve kullanımı ile bağımlılığın gerçek ölçümü arasındaki oran yaklaşık 18’e 1’dir.

Örneğin beceri kaybı veya beceri körelmesi 82 yayında olası risk olarak ileri sürülmüş, ancak yalnızca dört yayında doğrudan ölçülmüştür. Klinik ya da eleştirel muhakemenin aşınması 137 yayında dile getirilmiş, yalnızca 16 yayında ilgili risk doğrudan sınanmıştır. Aşırı güven veya otomasyon yanlılığı 74 yayında tartışılırken yalnızca altı çalışmada ölçülmüştür.

Hasta güvenliği 202 yayında gündeme getirilmesine rağmen yapay zekâyla eğitilen sağlık çalışanları hakkındaki hasta veya bakım veren görüşünü ölçen yalnızca bir çalışma bulunmuştur. Böylece hasta güvenliği söylemi ile hasta katılımı arasında yaklaşık 202’ye 1 oranında bir boşluk ortaya çıkmıştır.

Derleme, yapay zekâ bağımlılığının tek bir olgu olmadığını vurgulamaktadır. Yazarlar beş ayrı yapı tanımlamıştır: kullanım sıklığına dayalı bağımlılık, güven kalibrasyonu, bilişsel yükü yapay zekâya aktarma, zaman içinde beceri kaybı ve belirsizlik altında kararı algoritmaya bırakma eğilimi. Bu ayrım önemlidir; çünkü bir öğrencinin yapay zekâyı sık kullanması tek başına bağımlılık veya beceri kaybı anlamına gelmemektedir.

Kanıtların genel kalitesi sınırlıdır. İncelenen 269 yayının yalnızca 22’si, yüzde 8,2’si, kendi araştırma tasarımı için en yüksek kalite kategorisine ulaşmıştır. Yazarların oluşturduğu 15 temalı kanıt haritasında hiçbir sonuç yüksek güven düzeyine ulaşmamıştır. Beş tema orta, on tema düşük güven düzeyinde değerlendirilmiştir.

Bu nedenle çalışma, yapay zekânın tıp öğrencilerini kesin olarak bağımlı hâle getirdiğini veya klinik becerileri kaybettirdiğini kanıtlamamaktadır. Gösterdiği temel sonuç şudur: Tıp eğitiminde yapay zekâ bağımlılığı ve hasta güvenliği hakkında güçlü ifadeler kullanılmakta, fakat bu ifadelerin büyük bölümü uzunlamasına, davranışsal ve yapay zekâsız performansı ölçen çalışmalarla henüz desteklenmemektedir.

Araştırmanın temel problemi nedir?

Klinik yapay zekâ sistemleri tanı destek araçlarından görüntü analizine, tıbbi dokümantasyondan büyük dil modeli tabanlı karar desteğine kadar birçok alanda kullanılmaktadır. Bu sistemleri gelecekte denetleyecek, gerektiğinde reddedecek ve hatalı çıktılarının sorumluluğunu üstlenecek sağlık çalışanları ise bugün eğitim almaktadır.

Bir tıp öğrencisi yapay zekâyı yalnızca bilgiye ulaşmak için kullanabilir. Başka bir öğrenci ise vaka analizinin tamamını, ayırıcı tanıyı, klinik gerekçeyi veya hasta notunu sisteme bırakabilir. Bu iki kullanım biçimi aynı değildir. Birincisi uygun araç kullanımı olabilirken ikincisi öğrencinin geliştirmesi gereken bilişsel sürecin yerine geçebilir.

Hasta güvenliği açısından kritik soru, öğrencinin yapay zekâ yardımıyla doğru cevabı bulup bulmadığından daha geniştir:

• Öğrenci yapay zekâ hatalı olduğunda bunu fark edebiliyor mu?
• Modelin önerisi kendi klinik değerlendirmesiyle çatıştığında kararı sorgulayabiliyor mu?
• Yapay zekâ bulunmadığında aynı görevi bağımsız biçimde gerçekleştirebiliyor mu?
• Doğru sonuca ulaşırken hangi klinik gerekçeyi kullandığını açıklayabiliyor mu?
• Yapay zekâ desteği, henüz oluşmamış klinik şemaların gelişmesini engelliyor mu?

Derlemenin temel amacı bu soruların mevcut literatürde gerçekten ölçülüp ölçülmediğini belirlemektir.

“Yapay zekâ bağımlılığı” neden tek bir kavram değildir?

Araştırmacılar literatürde “aşırı güven”, “bağımlılık”, “bilişsel yükü aktarma”, “beceri kaybı”, “otomasyon yanlılığı” ve “eleştirel düşünmenin aşınması” gibi ifadelerin çoğu zaman birbirinin yerine kullanıldığını belirlemiştir. Oysa bunların nedenleri, zaman ölçekleri ve ölçüm yöntemleri farklıdır.

Bu sınıflandırmanın en önemli yönü, kullanım sıklığı ile gerçek bağımlılığı birbirinden ayırmasıdır. Bir sağlık çalışanı belirli görevlerde yapay zekâyı yoğun biçimde kullanabilir ve yine de sistemin sınırlarını doğru değerlendirebilir. Buna karşılık yapay zekâyı seyrek kullanan bir öğrenci, kullandığı anda modelin önerisini sorgulamadan kabul edebilir.

Büyük dil modelleri önceki dijital araçlardan neden farklı olabilir?

Hesap makinesi, arama motoru veya elektronik kaynaklar çoğunlukla hesaplama ve bilgiye erişim gibi belirli işlevleri destekler. Büyük dil modelleri ise öğrencinin kendi muhakemesine benzeyen bütünlüklü metinler üretebilir. Ayırıcı tanı listesi oluşturabilir, klinik gerekçe yazabilir, vaka notunu düzenleyebilir ve doğru görünüşlü kaynaklar sunabilir.

Bu özellik, aracın yalnızca bilgi bulma aşamasında değil, doğrudan muhakeme aşamasında devreye girmesine olanak verir. Öğrenci sonuç metnini teslim edebilir; fakat o sonuca ulaşmak için gerekli klinik şemaları kendisi oluşturmayabilir.

Derlemenin vurguladığı risk, yapay zekâ çıktısının öğrencinin bağımsız ürünüyle biçimsel olarak birbirine benzemesidir. Öğretmen yalnızca son cevabı değerlendiriyorsa öğrencinin düşünme sürecinin yapay zekâ tarafından ikame edilip edilmediğini fark etmeyebilir.

Tıp eğitimini diğer alanlardan ayıran beş özellik

Araştırmacılar yapay zekâ bağımlılığının tıp ve sağlık meslekleri eğitiminde beş özel mekanizma üzerinden daha önemli hâle gelebileceğini savunmaktadır.

1. Usta-çırak ilişkisi ve örtük bilgi

Klinik eğitim yalnızca kitap bilgisinin aktarılmasından oluşmaz. Öğrenci deneyimli sağlık çalışanını gözlemler, hasta iletişimini, belirsizlikle baş etmeyi, ince klinik işaretleri ve karar verirken kullanılan örtük muhakemeyi zaman içinde öğrenir.

Yapay zekâ, öğrenci ile eğitici arasındaki bu etkileşimin yerini aldığında kısa vadede zaman kazandırabilir. Ancak öğrencinin uzman kararının nasıl oluştuğunu görme fırsatını azaltabilir. Çalışma bu mekanizmanın varlığını kesin olarak kanıtlamamakta, literatürdeki başlıca risk yollarından biri olarak sınıflandırmaktadır.

2. Klinik muhakeme temel yeterliktir

Klinik muhakeme, yalnızca doğru tanıyı seçmek değildir. Eksik ve belirsiz verileri tartmak, alternatif açıklamalar üretmek, ciddi olasılıkları dışlamak, yeni bilgi geldikçe görüş değiştirmek ve kararın gerekçesini açıklamak gerekir.

Büyük dil modelleri son derece tutarlı görünen yanıtlar üretebilir. Ancak metnin akıcılığı, altında güvenilir bir klinik muhakeme bulunduğunu garanti etmez. Özellikle deneyimsiz öğrenciler doğru ve yanlış çıktılar arasındaki farkı ayırt etmekte zorlanabilir.

3. Klinik şemalar uzun yıllarda oluşur

Tıp eğitiminin ilk yıllarında oluşturulan kavramsal bağlantılar, öğrencinin ileride hastaları nasıl değerlendireceğini etkileyebilir. Erken dönemde sürekli yapay zekâya bırakılan karşılaştırma, çıkarım ve karar verme süreçleri daha sonraki klinik alışkanlıkları şekillendirebilir.

Beceri körelmesi iddiasının doğrulanması için yıllar süren yapay zekâ açık ve kapalı takip çalışmalarına ihtiyaç vardır. Derleme, mevcut literatürde bu tür araştırmaların son derece az olduğunu göstermektedir.

4. Bilişsel, psikomotor ve duyuşsal beceriler ayrılmazdır

Bir sağlık çalışanının yeterliği; bilgi, fiziksel uygulama, hasta iletişimi, empati, profesyonellik ve etik muhakemenin birlikte kullanılmasını gerektirir. Yapay zekâ yalnızca sınav puanını yükseltirken öğrencinin hasta karşısındaki bağımsız performansını geliştirmeyebilir.

5. Sonuç hasta güvenliğidir

Eğitimdeki bir eksiklik yıllar sonra klinik uygulamada ortaya çıkabilir. Yapay zekâ sistemi yanlış bilgi verdiğinde hekimin bunu fark etmesi, öneriyi reddetmesi ve bağımsız karar üretebilmesi gerekir.

Derlemede örnek verilen çok merkezli bir çalışmada pratisyen hekim adaylarının yapay zekâ halüsinasyonlarının yalnızca yüzde 55’ini fark edebildiği bildirilmiştir. Bu oran bütün tıp öğrencilerine genellenemez; ancak güven kalibrasyonunun doğrudan ölçülmesi gerektiğini göstermektedir.

Sistematik derleme nasıl yürütülmüştür?

Çalışma PRISMA 2020 ve meta-analiz yapılmadan yürütülen sentezler için geliştirilen SWiM raporlama yaklaşımını izlediğini belirtmektedir. Protokolün araştırma başlamadan önce PROSPERO’ya kaydedildiği bildirilmiştir.

Dört veri tabanı taranmıştır:

• PubMed
• Embase
• Web of Science Core Collection
• Scopus

Aramalar yapay zekâ ve büyük dil modeli terimlerini; tıp, hemşirelik, diş hekimliği, eczacılık ve sağlık meslekleri eğitimi terimlerini; bağımlılık, bilişsel yükü aktarma, otomasyon yanlılığı, eleştirel düşünme, klinik muhakeme, hasta güvenliği, beceri kaybı ve akademik dürüstlük terimleriyle birleştirmiştir.

Yalnızca İngilizce yayınlar dâhil edilmiştir. Coğrafi bölge veya araştırma tasarımı sınırlaması uygulanmamıştır.

Hangi yayınlar incelemeye alınmıştır?

Dâhil edilme ölçütleri oldukça geniş tutulmuştur. Araştırmacılar:

• Özgün ampirik araştırmaları
• Randomize çalışmaları
• Sistematik ve kapsam belirleme derlemelerini
• Anlatısal derlemeleri
• Yorum ve görüş yazılarını
• Politika ve pozisyon metinlerini

kapsama aldıklarını belirtmiştir.

Bu geniş yaklaşımın gerekçesi, araştırmanın yalnızca yapay zekâ bağımlılığının gerçek etkilerini değil, alanın kullandığı söylemi de incelemesidir. Görüş yazılarında tekrarlanan risk iddiaları eğitim politikalarını etkileyebileceği için araştırmacılar bu yayınları da analiz etmek istemiştir.

Ancak bunun önemli bir sonucu vardır: “171 yayın aşırı bağımlılık riskinden söz etti” ifadesi, 171 araştırmanın aşırı bağımlılık bulduğu anlamına gelmez. Bu sayıya riskten yalnızca kavramsal düzeyde söz eden yorumlar ve derlemeler de dâhildir.

Tarama ve veri çıkarma süreci

Başlık, özet ve tam metin taramaları iki araştırmacı tarafından bağımsız biçimde Rayyan yazılımı kullanılarak yürütülmüştür. Kararsız durumlarda üçüncü araştırmacı değerlendirme yapmıştır.

Her yayından 140 alan içeren bir form aracılığıyla veri çıkarıldığı belirtilmektedir. Bu alanların bağımlılık tanımı, çalışma tasarımı, katılımcılar, yapay zekâ aracı, eğitim aşaması, klinik branş, ölçüm aracı, hasta güvenliği, eşitlik, coğrafya ve önerileri kapsadığı anlaşılmaktadır.

Şekil 1’deki PRISMA akışı şöyledir:

Tam metin dışlamalarının en büyük bölümü, çalışmanın tıp veya sağlık eğitimiyle ilgili olmasına rağmen bağımlılık odağı taşımamasından kaynaklanmıştır. Bu gerekçeyle 555 yayın dışlanmıştır.

İncelenen yayınların dağılımı

Yayınların büyük bölümü ChatGPT sonrası döneme aittir. Şekil 6’da 2023–2024 “erken ChatGPT dönemi”, 2025–2026 ise “olgun büyük dil modeli dönemi” olarak sınıflandırılmıştır.

Erken dönemde çalışmaların yüzde 38’i araçların sınav veya görev performansını karşılaştırırken olgun dönemde bu oran yüzde 19’a düşmüştür. Buna karşılık yapay zekânın müfredata entegrasyonunu tartışan yayınların oranı yüzde 62’den yüzde 82’ye yükselmiştir.

Bağımlılık ve aşırı güven tartışması erken dönemde yüzde 40, 2025–2026 döneminde yüzde 61 oranında görülmüştür. Ancak araştırmacılar dönemlere göre gerçek ölçüm oranlarını hesaplamamıştır. Bu nedenle Şekil 6’daki “boşluğun sürdüğü” ifadesi nicel dönem karşılaştırması değil, nitel bir değerlendirmedir.

Türkiye literatürde hangi konumdadır?

Bu sayılar araştırmacıların her yayına atadığı birincil ülke veya bölge etiketine dayanmaktadır. Türkiye’de yürütülen 18 yayının tamamının deneysel çalışma olduğu veya doğrudan bağımlılık ölçtüğü sonucu çıkarılamaz. Aralarında anketler, görüş yazıları veya derlemeler bulunabilir.

Hangi sağlık alanları daha fazla incelenmiştir?

Alan kategorileri birbirini dışlamadığı için toplamları 269’u aşabilmektedir. Örneğin bir araştırma hem genel tıp eğitimi hem cerrahi hem de klinik muhakeme alanında sınıflandırılmış olabilir.

Çalışmaların yöntemsel kalitesi nasıldır?

Yazarlar farklı araştırma tasarımları için üç değerlendirme aracı kullanmıştır:

• Ampirik tıp eğitimi araştırmaları için MERSQI
• Derlemeler için AMSTAR-2
• Randomize araştırmalar için Cochrane RoB 2.0

Toplamda yalnızca 22 yayın, yüzde 8,2, kendi tasarımı açısından en yüksek kalite kategorisine ulaşmıştır. Bu sonuç, 269 gibi büyük görünen yayın sayısının güçlü kanıt anlamına gelmediğini göstermektedir.

Kalite değerlendirmesinde gözlemciler ne kadar anlaşmıştır?

İlk bağımsız puanlamalarda uyum sınırlı kalmıştır:

• MERSQI üç düzeyli puanlama: Cohen κ=0,30
• AMSTAR-2: κ=0,47
• RoB 2.0: Sonuçların az değişken olması nedeniyle başlangıç uyumu sınırlı biçimde yorumlanmıştır.

Anlaşmazlıklar üçüncü araştırmacı Feifei Na tarafından yeniden değerlendirilmiştir. Toplam 137 uyuşmazlığın ele alındığı, bunların 78’inin nihai 269 yayınlık veri setinde kaldığı belirtilmiştir.

Son uzlaşma puanıyla karşılaştırıldığında AMSTAR-2 için bir değerlendiricinin κ değeri 0,85’e ulaşmıştır. Diğer karşılaştırmalar yaklaşık 0,45–0,51 aralığında kalmıştır. Bu nedenle kalite kategorileri tamamen mekanik ve tartışmasız sonuçlar olarak görülmemelidir.

Risk iddiaları ile gerçek ölçümler arasındaki boşluk

Çalışmanın ana nicel karşılaştırması şu oranla ifade edilebilir:

\[ İddia\text{-}ölçüm\ oranı = \frac{Riski\ dile\ getiren\ yayın\ sayısı}{Riski\ doğrudan\ ölçen\ yayın\ sayısı} \]

Beş oran sıralandığında ortadaki değer yaklaşık 8,6 kattır. Başka bir ifadeyle bağımlılıkla ilişkili bir risk, tipik olarak doğrudan ölçüldüğünden yaklaşık dokuz kat daha sık dile getirilmektedir.

Bu karşılaştırma yapay zekâ risklerinin gerçek olmadığını göstermez. Risklerin önemli bölümünün henüz doğrulanmış ölçümlere dayanmadığını gösterir.

Bağımlılık ne sıklıkla açıkça tanımlanmıştır?

İncelenen 269 yayının yalnızca 13’ünde yapay zekâ bağımlılığı açık bir kavram ve ölçülebilir göstergeyle tanımlanmıştır. Buna karşılık 229 yayın kuramsal bir çerçeveye atıf yapmıştır.

Yapay zekâ açık/yapay zekâ kapalı karşılaştırması özellikle önemlidir. Bir öğrencinin yapay zekâ kullanırken daha iyi puan alması aracın faydalı olduğunu gösterebilir; fakat öğrenci aracın olmadığı durumda aynı muhakemeyi sürdüremiyorsa eğitimsel hedef tam olarak gerçekleşmemiş olabilir.

Eleştirel düşünme ve klinik muhakeme ne kadar ölçülmüştür?

Bu tablo, yapay zekânın eğitimde çok sık tartışılmasına rağmen öğrencinin bağımsız klinik kararını koruyup korumadığının az sayıda çalışmada incelendiğini göstermektedir.

Kanıtların desteklediği olumlu sonuçlar var mıdır?

Evet. Derleme yalnızca risklere odaklanmamaktadır. Yazarların kanıt haritasında şu olumlu bulgular orta güven düzeyinde sınıflandırılmıştır:

• Yapay zekâ destekli görevlerde öğrenci katılımının artması
• Açık pedagojik yapı içinde yapay zekânın muhakemeyi desteklemesi
• Yapılandırılmış yapay zekâ desteğiyle kısa vadeli sınav veya görev performansının yükselmesi

Bu sonuçlar, yapay zekânın eğitimde yararsız olduğunu gösteren bir kanıt bulunmadığını açıkça ortaya koymaktadır. Asıl sorun, kısa vadeli desteklenmiş performans ile uzun vadeli bağımsız yeterliğin aynı şey olmamasıdır.

Derlemenin anlatısal sentezine göre yapay zekâ koçluğu bazı orta düzey öğrenciler için daha fazla yarar sağlayabilirken en zayıf öğrenciler doğru olmayan çıktıları değerlendirecek temel bilgiye sahip olmayabilir. Ancak performans düzeylerine göre asimetrik etki için ortak bir etki büyüklüğü hesaplanmamıştır.

Kanıt haritası ne göstermektedir?

Şekil 4, 269 yayındaki 15 tekrar eden sonucu destekleyen yayın sayılarını ve yazarların uyarladığı GRADE-CERQual güven değerlendirmesini göstermektedir.

Orta güven düzeyine yerleştirilen beş tema şunlardır:

• Önyargı ve eşitsizlik risklerinin yaygın biçimde bildirilmesi
• Halüsinasyon risklerinin farklı büyük dil modellerinde görülmesi
• Yapay zekâ destekli görevlerde katılım artışı
• Açık pedagojik yapı kullanıldığında muhakemenin desteklenmesi
• Yapılandırılmış destekle yakın dönem sınav performansının yükselmesi

Bağımlılık, beceri körelmesi, muhakeme aşınması, kararın algoritmaya bırakılması, öğretim elemanı hazırlığı ve eşitlik önlemleriyle ilgili on tema düşük güven düzeyinde değerlendirilmiştir. Hiçbir tema yüksek güven düzeyine ulaşmamıştır.

Şekildeki çubuk uzunlukları etki büyüklüğü değildir. Bir temadan söz eden veya onu destekleyen yayınların sayısını göstermektedir. Çok sayıda yayının aynı kaygıyı dile getirmesi, kaygının deneysel olarak kanıtlandığı anlamına gelmez.

Hasta güvenliği çok konuşuluyor, hasta görüşü neden yok?

İncelenen 269 yayının 202’si, yüzde 75,1’i, hasta güvenliğiyle ilgili sonuçlardan söz etmiştir. Buna karşılık yapay zekâyla eğitilmiş bir sağlık çalışanı hakkında hastaların veya bakım verenlerin görüşünü ölçen yalnızca bir çalışma bulunmuştur.

Bu boşluk önemlidir. Klinik yapay zekâ eğitimi yalnızca öğrencinin sınav puanı veya öğretmenin kullanım kolaylığı üzerinden değerlendirildiğinde hastanın güveni, bilgilendirilmesi ve karar sürecine katılımı görünmez kalabilir.

Hasta katılımına dayalı araştırmalarda şu sorular incelenebilir:

• Hastalar sağlık çalışanının yapay zekâ kullandığının açıklanmasını istiyor mu?
• Hangi klinik görevlerde yapay zekâ kullanımını kabul edilebilir buluyorlar?
• Kararın son sorumluluğunun kimde olduğunu nasıl anlıyorlar?
• Yapay zekâyla eğitim görmüş bir hekimin bağımsız karar verebilmesine ne ölçüde güveniyorlar?
• Yapay zekâ önerisi ile hekimin görüşü çatıştığında hangi açıklamaları bekliyorlar?

Derleme bu soruların cevaplarını vermemekte, mevcut literatürde neredeyse hiç ölçülmediğini göstermektedir.

Eşitlik ve temsil nasıl ele alınmıştır?

Yayınların 137’sinde cinsiyet veya biyolojik cinsiyet, 39’unda dil geçmişi tartışılmıştır. Ancak sonuçları bu özelliklere göre ayrı raporlayan yayın sayısı çok düşüktür:

• Cinsiyet veya biyolojik cinsiyete göre sonuç veren: 7 yayın, yüzde 2,6
• Dile göre sonuç veren: 2 yayın, yüzde 0,7
• Irk veya etnik gruba göre sonuç veren: 0 yayın

Bu sonuç, eşitlik kavramının sık kullanılmasına rağmen yapay zekâ desteğinin farklı öğrenci gruplarında gerçekten eşit sonuç üretip üretmediğinin az ölçüldüğünü göstermektedir.

Irk ve etnik sınıflandırmalar ülkeler arasında aynı değildir. Bu nedenle sıfır yayın sonucu, her ülkede aynı demografik değişkenlerin zorunlu tutulması gerektiği anlamına gelmez. Ancak dil, sosyoekonomik koşullar, engellilik, eğitim altyapısı ve dijital erişim gibi yerel eşitsizliklerin ölçülmesi gerekmektedir.

Şekil 2 gerçek bir beceri kaybı eğrisi midir?

Hayır. Şekil 2, tıp eğitiminin ilk yıllarından uzman hekimliğe kadar bağımsız klinik muhakemenin iki olası gelişim yolunu göstermektedir:

• Geleneksel uygulama ve gözetimli öğrenmeyle giderek gelişen bağımsız muhakeme
• Sessiz yapay zekâ entegrasyonu nedeniyle erken dönemde sınırlanan bağımsız yetenek

Şekilde yapay zekâ kullanımının önce kullanım bağımlılığına, ardından muhakeme sırasında bilişsel yük aktarımına, usta-çırak ilişkisinin kısalmasına ve sonunda model kararına boyun eğmeye dönüşebileceği örneklenmektedir.

Bu çizgiler gerçek öğrencilerden toplanmış uzunlamasına ölçümler değildir. Yazarlar da şeklin soyut risk eğrisi yerine insan odaklı senaryolar kullandığını açıkça belirtmektedir. Şekil, araştırılması gereken bir hipotezi görselleştirmektedir.

Önerilen eğitim çerçevesi nedir?

Yazarlar mevcut kanıtların resmî ve kesin bir eğitim kılavuzu oluşturmak için yeterli olmadığını kabul etmektedir. Buna rağmen eğitim kurumlarının yapay zekâ kullanımı yaygınlaşırken önlem almadan bekleyemeyeceğini savunmaktadır.

Ana metinde dört tasarım ilkesi öne çıkarılmıştır:

1. Yapay zekâ açık ve yapay zekâ kapalı öğrenmenin planlanması
2. Düşünme çabasını koruyan değerlendirme yöntemleri
3. Farklı düzeylerde yapay zekâ yeterlikleri
4. Öğrenci özerkliğinin aşamalı biçimde artırılması

Yapay zekâ açık ve kapalı öğrenme

Her görev için yapay zekâ kullanımı yasaklanmamalı veya serbest bırakılmamalıdır. Eğitim kurumu hangi görevlerde yapay zekânın öğretileceğini ve hangi görevlerde öğrencinin bağımsız yeterliğinin ölçüleceğini önceden belirlemelidir.

Örneğin öğrenci bir klinik vakayı önce kendi başına çözebilir, gerekçesini kaydedebilir ve ardından yapay zekâ önerisiyle karşılaştırabilir. Başka bir oturumda yapay zekâ desteğiyle çalışma öğretilebilir; sınavın belirli bölümünde ise araç kapatılabilir.

Bilişsel sürtünmeyi koruyan değerlendirme

“Bilişsel sürtünme”, öğrencinin öğrenmek için gerçekleştirmesi gereken zihinsel çabadır. Her güçlüğü ortadan kaldırmak öğrenmeyi kolaylaştırmayabilir; bazı durumlarda öğrenme sürecinin kendisini ortadan kaldırabilir.

Yazarlar şu değerlendirme yöntemlerinin düşünme sürecini daha görünür kılabileceğini belirtmektedir:

• Sözlü sınav
• Hasta başı değerlendirme
• İş yeri temelli gözlem
• Ayırıcı tanı gerekçesinin aşamalar hâlinde sunulması
• Yalnızca son cevabın değil, muhakeme izinin teslim edilmesi
• Yapay zekâ çıktısındaki hataların açıklanması

Kademeli yapay zekâ yeterliği

Bütün öğrencilerin temel yapay zekâ okuryazarlığına sahip olması önerilmektedir. Bunun üzerine farklı roller için ek düzeyler kurulabilir:

• Kullanıcı düzeyi: Halüsinasyon, önyargı, veri gizliliği ve güven sınırlarını anlamak
• Uygulama düzeyi: Yapay zekâyı klinik iş akışına güvenli biçimde yerleştirmek
• Geliştirici düzeyi: Model geliştirme, doğrulama ve düzenleyici değerlendirme becerileri

Aşamalı özerklik

Bir öğrencinin belirli klinik görevi yapay zekâ desteğiyle yürütmesine izin verilmeden önce aynı görev için asgari bağımsız yeterliği göstermesi önerilmektedir. Bu yaklaşım, klinik işlemlerde gözetimli uygulamadan bağımsız uygulamaya geçişe benzetilmektedir.

Şekil 3 ile ana metin neden tam olarak örtüşmemektedir?

Şekil 3’te dört bileşen şu şekilde gösterilmektedir:

• Planlanmış yapay zekâ açık/yapay zekâ kapalı uygulama
• Bilişsel sürtünmeyi koruyan değerlendirme
• Kalibrasyon eğitimi
• Hasta katılımlı yeterlik değerlendirmesi

Ana metindeki “kademeli yapay zekâ yeterlikleri” ve “aşamalı özerklik” şeklin dört ana kutusunda aynı adlarla bulunmamaktadır. Buna karşılık şekil, ana metnin dört temel ilkesinden ayrı olarak güven kalibrasyonunu ve hasta katılımını öne çıkarmaktadır.

Bu durum çerçevenin genel yönünü ortadan kaldırmaz; ancak yayımlanacak nihai sürümde metin ile şeklin aynı bileşenleri ve aynı terminolojiyi kullanması gerekir.

Türkiye’de nasıl uyarlanabilir?

Derlemenin önerileri Türkiye’deki tıp, diş hekimliği, eczacılık, hemşirelik ve sağlık bilimleri eğitimine doğrudan kopyalanmamalıdır. Her mesleğin görevleri, yasal sorumlulukları ve klinik riskleri farklıdır. Bununla birlikte temel yaklaşım Türkiye için uygulanabilir bir araştırma ve politika çerçevesi sunmaktadır.

1. Ders ve sınavlar yapay zekâ açık/kapalı olarak tanımlanabilir

Her fakülte, öğrencilerin hangi görevlerde yapay zekâ kullanabileceğini açıkça belirleyebilir. Örneğin:

• Literatür araştırması yapay zekâ destekli olabilir.
• Temel klinik muhakeme sınavı yapay zekâ kapalı olabilir.
• Yapay zekâ çıktısını eleştirme görevi yapay zekâ açık yürütülebilir.
• Hasta başı değerlendirme ve acil karar becerileri bağımsız ölçülebilir.

2. Öğrencinin yalnızca son cevabı değil, muhakeme izi değerlendirilebilir

Vaka çözümünde öğrenciden:

• Ön değerlendirmesini
• Ayırıcı tanı listesini
• Her olasılığı destekleyen ve zayıflatan bulguları
• Hangi ek bilgiyi istediğini
• Yapay zekâ önerisini neden kabul veya reddettiğini

ayrı ayrı açıklaması istenebilir.

3. Halüsinasyon ve otomasyon yanlılığı eğitimleri hazırlanabilir

Öğrencilere yalnızca doğru çıktılar gösterilmemelidir. Bazı senaryolarda yapay zekâ kasıtlı olarak:

• Yanlış tanı
• Uydurma kaynak
• Eksik ilaç etkileşimi
• Aşırı güvenli fakat yanlış klinik açıklama
• Türkiye’de geçerli olmayan sağlık uygulaması

sunabilir. Öğrencinin hatayı fark etmesi ve kararını gerekçelendirmesi ölçülebilir.

4. Yalnızca öz bildirim anketlerine dayanılmamalıdır

“Yapay zekâya çok güveniyor musunuz?” gibi sorular yararlı olabilir; ancak gerçek davranışı göstermeyebilir. Türkiye’deki araştırmalarda güven beyanı ile doğru ve yanlış yapay zekâ çıktıları karşısındaki gerçek kararlar birlikte ölçülmelidir.

5. Uzunlamasına takip yapılabilir

Tıp eğitiminin ilk yılından mezuniyet ve uzmanlık dönemine kadar aynı öğrencilerin:

• Yapay zekâ kullanım örüntüleri
• Bağımsız klinik muhakemesi
• Halüsinasyon tespit oranı
• Model önerisini gerektiğinde reddetme becerisi
• Hasta iletişimi
• Yapay zekâ kapalı sınav performansı

izlenebilir.

6. Hastalar ve bakım verenler araştırmaya dâhil edilebilir

Türkiye’de hastaların klinik yapay zekâ kullanımı konusundaki beklentileri ve endişeleri ölçülebilir. Eğitim programları yalnızca fakülte ve öğrenci görüşleriyle değil, hizmeti alacak kişilerin değerlendirmeleriyle de şekillendirilebilir.

7. Her branş için ayrı risk haritası hazırlanabilir

Radyolojide görüntüyü yapay zekâ ön değerlendirmesinden sonra görmek algısal bağımlılık oluşturabilir. Cerrahide fiziksel beceri ve usta-çırak ilişkisi daha önemlidir. Hemşirelikte bakım planı, iletişim ve etik simülasyonlar öne çıkabilir. Eczacılıkta ilaç etkileşimi ve danışmanlık, diş hekimliğinde görüntü yorumlama ve işlem planlama farklı ölçüm gerektirir.

Bu nedenle tek bir “sağlık eğitiminde yapay zekâ politikası” yerine göreve ve uzmanlık alanına özgü kurallar geliştirilmelidir.

Çalışmanın güçlü yönleri nelerdir?

• Dört büyük akademik veri tabanını taramıştır.
• 14.391 kayıttan oluşan geniş bir başlangıç havuzu kullanmıştır.
• Başlık, özet ve tam metinler iki araştırmacı tarafından bağımsız değerlendirilmiştir.
• Her yayın için 140 alanlık ayrıntılı veri çıkarma formu kullanıldığı bildirilmiştir.
• Ampirik sonuçlarla yalnızca retorik düzeyde kalan iddiaları ayırmaya çalışmıştır.
• Yapay zekâ bağımlılığını beş ayrı kavrama ayırmıştır.
• Her araştırma tasarımı için farklı kalite değerlendirme araçları kullanmıştır.
• Yapay zekâ kullanımının olumlu eğitim sonuçlarını da raporlamıştır.
• Hasta güvenliği söylemi ile gerçek hasta katılımı arasındaki boşluğu sayısallaştırmıştır.
• Türkiye dâhil 52 ülke veya bölge etiketinden yayınları kapsamıştır.
• Arama stratejilerini, PRISMA akışını ve kalite dağılımlarını eklerde sunmuştur.
• Önerilen eğitim çerçevesinin kanıtlanmış kılavuz olmadığını açıkça belirtmiştir.

Çalışmanın temel sınırlılıkları nelerdir?

• Yalnızca İngilizce yayınlar incelenmiştir.
• Yayınlar araştırma tasarımı, öğrenci düzeyi, branş, yapay zekâ aracı ve sonuç ölçütü bakımından çok heterojendir.
• Meta-analiz yapılmamış ve ortak etki büyüklüğü hesaplanmamıştır.
• Yapay zekâ bağımlılığı yalnızca 13 yayında açık biçimde operasyonelleştirilmiştir.
• İncelemeye görüş yazıları ve pozisyon metinleri alınmıştır.
• Görüş yazılarının hangi kalite aracıyla değerlendirildiği açıklanmamıştır.
• İlk kalite puanlamalarında değerlendiriciler arası uyum düşük veya orta düzeydedir.
• Kalite uyuşmazlıklarını çözen üçüncü araştırmacı aynı zamanda çalışmanın yazarı ve proje sorumlusudur.
• 269×140 alanlık çıkarım veri seti henüz erişime açılmamıştır.
• Çalışma bazındaki MERSQI, AMSTAR-2 ve RoB 2.0 puanları dosyada bulunmamaktadır.
• İddia ve ölçüm sayımları bağımsız olarak yeniden üretilememektedir.
• Tablo 3 ile Ek A5’teki bölgesel sayılar birbirini tutmamaktadır.
• Ek A5’te eğitim aşaması kategorileri 269 yerine 251 yayına ulaşmaktadır.
• Ana metindeki dört eğitim ilkesi ile Şekil 3’teki dört bileşen aynı değildir.
• Veri tabanı sorgularının tamamında 31 Mart 2026 üst tarih sınırı açık biçimde yer almamaktadır.
• “Ampirik”, “randomize” ve “derleme” kategorilerinin karşılıklı sınırları yeterince açıklanmamıştır.
• Kanıt haritasındaki yayın sayıları etki büyüklüğü gibi algılanmaya açıktır.
• Hasta perspektifinin yokluğu için kullanılan 202 sayısı, hasta güvenliğini tartışan yayınların sayısıdır; hasta yokluğunu doğrudan araştıran 202 çalışma anlamına gelmez.
• Yayınların yüzde 79,2’si 2025–2026 dönemine aittir; alan ve kullanılan araçlar hızla değişmektedir.
• Çalışma hakem değerlendirmesinden geçmemiştir.

Çalışma neyi göstermektedir?

• Tıp ve sağlık meslekleri eğitiminde yapay zekâ bağımlılığının birbirinden farklı en az beş yapı altında tartışıldığını göstermektedir.
• Risk iddialarının doğrudan ölçümlerden 6,2 ile 20,5 kat daha sık kullanıldığını göstermektedir.
• Bağımlılığın yalnızca yüzde 4,8 oranında açıkça operasyonelleştirildiğini göstermektedir.
• Yapay zekâ açık ve kapalı performansı karşılaştıran tasarımların yüzde 7,8 ile sınırlı olduğunu göstermektedir.
• Hasta güvenliği çok sık tartışılırken hasta ve bakım veren görüşlerinin neredeyse hiç ölçülmediğini göstermektedir.
• Mevcut çalışmaların yalnızca yüzde 8,2’sinin kendi tasarımı için en yüksek kalite düzeyine ulaştığını göstermektedir.
• Yapay zekâ destekli görevlerin katılımı ve yakın dönem performansı artırabileceğine ilişkin orta güven düzeyinde işaretler bulunduğunu göstermektedir.
• Yapay zekâ risklerinin uzmanlık alanı, eğitim aşaması ve görevin türüne göre değişebileceğini göstermektedir.

Çalışma neyi kanıtlamamaktadır?

• Yapay zekânın tıp öğrencilerini genel olarak bağımlı hâle getirdiğini kanıtlamamaktadır.
• Yapay zekâ kullanımının klinik muhakemeyi kesin olarak azalttığını göstermemektedir.
• Öğrencilerde uzun dönemli beceri kaybı oluştuğunu kanıtlamamaktadır.
• Sık yapay zekâ kullanan herkesin yanlış karar verdiğini göstermemektedir.
• Yapay zekâ destekli eğitimdeki sınav başarısının bağımsız klinik yeterliğe dönüştüğünü göstermemektedir.
• Önerilen müfredat çerçevesinin hasta güvenliğini artırdığını deneysel olarak göstermemektedir.
• Yapay zekâ açık ve kapalı görevlerin hangi sıklıkla uygulanması gerektiğini belirlememektedir.
• Türkiye’deki 18 yayının tamamının aynı sonucu verdiğini göstermemektedir.
• Klinik yapay zekâ cihazlarının onay sürecine eğitim değerlendirmesi eklenmesinin etkisini ölçmemektedir.
• Hastaların yapay zekâyla eğitim görmüş hekimlere güvenip güvenmediği hakkında yeterli veri sunmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

Beş bağımlılık yapısının ölçüm mantığı

Ana sayısal bulgular

İddia ve ölçüm arasındaki sayısal fark

Kanıt güveninin özeti

Raporlama ve yeniden üretilebilirlik kontrolü

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: AI dependence in medical and health-professions education: a systematic review with implications for clinical AI deployment and patient safety

Yazarlar ve sıraları:

1. Hao Wu
2. Yixuan Guo — SSRN kaydında “YiXuan Guo” biçiminde yazılmıştır.
3. Feifei Na

Eş birinci yazarlık veya eş katkı: Belirtilmemiştir.

Sorumlu yazar: Feifei Na, MD, PhD

Kurumsal bağlantı: Department of Oncology, West China Hospital, Sichuan University, Chengdu, Sichuan, China

Kurumsal kimlik uyarısı: Çalışmanın başlık sayfası üç yazarı da aynı kuruma bağlamaktadır. SSRN yazar kaydında Hao Wu ve Feifei Na için Sichuan University bilgisi bulunurken Yixuan Guo’nun kurum bilgisi girilmemiştir.

DOI:10.2139/ssrn.7001930

Resmî çalışma bağlantısı:SSRN kayıt sayfası

Yayın platformu: SSRN

SSRN yayımlanma tarihi: 26 Haziran 2026

Sayfa sayısı: 32

Dergi: Hakemli bir dergide yayımlanmış veya kabul edilmiş nihai sürüm doğrulanmamıştır.

Özgün yayınevi: Hakemli dergi yayınevi belirtilmemiştir. Çalışma SSRN üzerinden dağıtılan bir preprinttir.

Kaynak türü: Tıp ve sağlık meslekleri eğitiminde yapay zekâ bağımlılığına ilişkin sistematik derleme ve anlatısal kanıt sentezi

Hakemlik durumu: Hakem değerlendirmesinden geçmemiştir. Her sayfada “Preprint not peer reviewed” uyarısı bulunmaktadır.

Protokol: Çalışmada PROSPERO CRD420261390138 numarası bildirilmektedir. Resmî kayıt bağımsız olarak görüntülenemediği için kayıt durumu yalnızca yazar beyanı olarak aktarılmaktadır.

Raporlama standartları: PRISMA 2020 ve SWiM

Finansman: Kamu, ticari veya kâr amacı gütmeyen herhangi bir kuruluştan özel finansman alınmadığı bildirilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını açıklamıştır.

Etik kurul: Araştırma yayımlanmış çalışmaların sistematik incelemesine dayandığı için bireysel hasta veya öğrenci katılımına ilişkin ayrı bir etik kurul onayı bildirilmemiştir.

Veri paylaşımı: Kimliksizleştirilmiş 269×140 alanlık veri çıkarma dosyasının, PRISMA kontrol listesinin, dışlanan çalışmaların, kalite değerlendirmelerinin ve üçüncü değerlendirici gerekçelerinin yayınla birlikte kalıcı DOI atanmış bir Mendeley Data kaydında paylaşılacağı belirtilmiştir. Bu materyaller mevcut sürümde sunulmamıştır.

Yapay zekâ kullanım açıklaması: Çalışmanın hazırlanmasında üretken yapay zekâ kullanılıp kullanılmadığına ilişkin ayrı bir açıklama bulunmamaktadır.

Temel yöntem uyarısı: İncelemeye görüş yazıları, yorumlar ve pozisyon metinleri de alınmıştır. Ancak bu yayınların nihai tasarım kategorilerine ve kalite araçlarına nasıl dağıtıldığı açıklanmamıştır. Bu nedenle 269 yayının tamamının “ampirik kanıt” olarak değerlendirilmesi doğru değildir.

Temel sonuç uyarısı: Çalışmanın verdiği iddia/ölçüm oranları yapay zekâ bağımlılığının yaygınlığını ölçmemektedir. Literatürde bir riskten söz edilme sıklığını, o riskin doğrudan davranışsal veya uzunlamasına ölçülme sıklığıyla karşılaştırmaktadır.

Çerçeve uyarısı: Yapay zekâ açık ve kapalı öğrenme, bilişsel sürtünmeyi koruyan değerlendirme, kademeli yeterlik ve aşamalı özerklik önerileri deneysel olarak doğrulanmış eğitim kılavuzları değildir. Yazarlar bunları ihtiyati güvenlik kontrolü hipotezleri olarak sunmaktadır.

Bu Türkçe değerlendirme çalışmanın ana metni, bütün tabloları, PRISMA akış şeması, bağımlılık sınıflandırması, kanıt haritası, iddia–ölçüm grafiği, dönemsel karşılaştırması, uygulama yol haritası, ayrıntılı veri tabanı sorguları, kalite değerlendirme eki ve kaynakçası incelenerek hazırlanmıştır. Bilimsel bulgulara dış kaynaklardan yeni sonuç eklenmemiştir. Dış kaynaklar yalnızca SSRN kaydı, DOI, yayın tarihi, yazar gösterimi ve hakemlik durumunun bibliyografik doğrulanması için kullanılmıştır.

Çalışmanın en güvenli sonucu, yapay zekânın sağlık öğrencilerinde kesin olarak bağımlılık veya beceri kaybı oluşturduğu değildir. En güvenli sonuç, bu risklerin çok sık dile getirildiği; buna karşılık bağımsız performans, güven kalibrasyonu, uzun dönemli beceri değişimi, hasta güvenliği ve hasta görüşü gibi sonuçların son derece az ölçüldüğüdür.