Adam, Ronald Aylmer Fisher’dı.

Ve gidecek başka bir yeri yoktu.

Bir “Başarısızlığın” Portresi

Hayatını dışarıdan bakan biri için Fisher o dönemde pek de parlak bir tablo çizmiyordu. Çocukluğu hastalık ve yalnızlıkla geçmişti. Gözleri o kadar bozuktu ki doktorlar yapay ışık altında okumayı yasaklamıştı. Ama matematik tutkusu söndürülemezdi — altı yaşında astronomiye hayrandı, yedi-sekiz yaşlarında ünlü gökbilimci Sir Robert Ball’ın halka açık derslerini takip ediyordu.

Harrow’da matematikte parlayan Fisher, Cambridge’e girdi ve 1912’de “wrangler” unvanını aldı — son derece zorlu sınavlarla kazanılan, bir sınıfta en fazla bir iki kişiye verilen prestijli bir matematiksel onur. Yapay ışık kullanamadığı için matematik hocası onu geceleri kaleme kâğıda gerek kalmadan, tamamen sözlü olarak eğitmişti; bu alışılmadık yöntem, onun düşünme biçimini de derinden etkiledi. Bu yüzden Fisher zihninde alışılmadık bir şey geliştirmişti: derin bir geometrik sezgi. Karmaşık ilişkileri zihninde adeta görür, şekiller ve düzenler arasındaki bağlantıları sanki gözünün önündeymiş gibi kavrardı. Bir bakışta aşikâr olan şeyleri başkalarına anlatmakta ise ömrü boyunca zorlandı; çünkü onun için apaçık olan bir fikir, dinleyenler için çoğu zaman uzun bir açıklama gerektiriyordu. Başkalarının aylarca üstüne uğraştığı kanıtları ise Fisher bunlar zaten belli diyerek geçiştiriyordu. Ona göre sonuç, çoğu zaman daha baştan görünür durumdaydı; mesele yalnızca bunu herkesin görebileceği bir biçimde ifade etmekti.

Cambridge sonrası hayat ise tam bir hayal kırıklıkları zinciriydi: Bir yatırım şirketinde istatistikçilik yaptı, ama bu iş ona uygun değildi; kısa süre sonra bıraktı. Kanada’da çiftçilik yapmayı denedi, fakat orada da tutunamadı ve yine vazgeçti. Birinci Dünya Savaşı’na katılmak istedi, ancak gözleri nedeniyle reddedildi ve bu da onun için ayrı bir yenilgi oldu. Yıllarca çeşitli okullarda matematik öğretmenliği yaptı, fakat iyi bir öğretmen değildi; sabırsız, sert ve öğrencilerine karşı kolayca tahammülsüzdü. Kendisine son derece açık gelen şeyleri anlamayan öğrencilere karşı neredeyse hiç sabrı yoktu.

Pearson Engeli

Bu arada Fisher, matematiksel istatistik dünyasına girmeye çalışıyordu. Ama karşısında Karl Pearson vardı.

Bir süre önce Biometrika‘da küçük bir not yayımlatmıştı ve bu sayede Pearson’la tanışmıştı. Bu tanışıklık kısa sürede önemli bir akademik ilişkiye dönüştü; Pearson, onun yeteneğini fark etmiş ve ona üzerinde çalışması gerçekten güç olan bir problem vermişti: Galton’ın korelasyon katsayısının istatistiksel dağılımını bulmak. Pearson ve ekibi yıllarca bu sorunun yalnızca belirli özel durumlarına çözümler üretmiş, farklı varsayımlar altında ayrıntılı hesaplamalar yapmış ve neredeyse elle yürütülen devasa bir matematiksel emek harcamıştı. Ancak genel çözüm hâlâ ulaşılamaz görünüyordu ve bu da sorunun ne kadar çetin olduğunu açıkça gösteriyordu.

Fisher bir hafta içinde çözümü buldu ve Biometrika’ya gönderdi.

Pearson matematiği tam olarak anlayamadı ve bu yüzden Gosset’e danıştı; ancak Gosset de aynı güçlükle karşılaştı. Pearson’ın laboratuvarındaki hesaplayıcılar, yani genç kadın asistanlar, bu sonucu sınamak için ay boyunca yoğun biçimde çalıştılar ve Fisher’ın formülünü özel durumlar üzerinde sayısal olarak doğruladılar. Yapılan her hesapta sonuçlar Fisher’ın çözümüyle örtüştü. Bu da formülün yalnızca teorik olarak değil, pratik hesaplamalarda da tutarlı olduğunu gösterdi.

Yine de Pearson makaleyi yayımlamadı. Fisher’ı bir yıl oyaladı, değişiklik talep etti, genelliği sınırlamasını istedi. Sonunda makalesi yayımlandı ama Pearson ve asistanlarının hazırladığı büyük bir hesaplama tablosunun dipnotu olarak. Fisher’ın matematiksel kanıtı, asıl çalışmanın bir eki gibi göründü.

Fisher bir daha Biometrika’ya makale göndermedi. Tarım dergilerine, meteoroloji dergilerine, psişik araştırmalar dergilerine gönderdi. Bazen yayın ücretini kendi cebinden ödedi.

Bir Anlaşmazlığın Ötesi: Karakter Meselesi

Bu çatışmayı salt kişisel ego savaşı olarak okumak yanlış olur. İki adam gerçekten farklı dünyalardaydı.

Pearson Marksizme sempatiyle bakıyordu ve ezilen sınıfların çıkarlarını savunma eğilimindeydi; toplumsal eşitsizlikleri sınıf temelli bir bakışla değerlendiriyordu. Fisher ise öjeni hareketine katılmıştı ve 1917’de yazdığı bir yazıda, “profesyonel ve vasıflı sınıfların doğum oranını artırmak, alt sınıflardakileri sınırlamak” için ulusal politika gerektiğini savunmuştu. Bu yaklaşım, dönemin tartışmalı biyolojik ve toplumsal mühendislik fikirleriyle örtüşüyordu. İkinci Dünya Savaşı sırasında bu görüşleri yüzünden faşist damgası yedi ve savaşla ilgili her türlü çalışmadan dışlandı; böylece akademik ve kamusal itibarı ciddi biçimde zarar gördü.

Bilim tarihini okurken rahatsız edici bir gerçeği görmek gerekiyor: Büyük metodolojik katkılar yapan insanlar, başka alanlarda son derece sorunlu görüşler taşıyabiliyor. Fisher’ın istatistiğe katkısı tartışmasız; deney tasarımı, varyans analizi ve modern istatistiksel düşüncenin gelişimi üzerindeki etkisi çok büyük. Ama öjeni savunuculuğu da onun tarihsel portresinin bir parçası ve bu yönü, başarılarını değerlendirirken göz ardı edilemez. Bir bilim insanının teknik mirasını kabul etmek, onun etik ve politik hatalarını aklamayı gerektirmez.

Rothamsted’e Geliş: Pis Yığını Eşelemek

Fisher’ın önünde iki seçenek belirmişti: Pearson, onu Galton Biyometri Laboratuvarı’na baş istatistikçi olarak almayı teklif etmişti. Bu teklifi kabul etseydi, Pearson’ın direktifleri doğrultusunda hesaplamalar yapan biri olacaktı.

Diğer seçenek Rothamsted Tarımsal Araştırma İstasyonundan geliyordu. İstasyon müdürü Sir John Russell, doksan yıllık birikmiş veriye bakıyordu: tarlalar, yağış kayıtları, gübre denemeleri, hasat ölçümleri, hepsi deri ciltli defterlere eksiksiz yazılmış ve bunu anlayabilecek birini arıyordu. “Belki birileri bu verilere istatistiksel bir gözle bakabilir” diye düşündü. Fisher’ın adını önerdiler.

Russell ona bir yıllık iş teklif etti, bin pound. Uzatma garantisi yoktu. Fisher kabul etti.

Çiftliğe taşındı. Karısı ve kayınvalidesi bahçeyle ve eve bakımla ilgilenirken Fisher çizmelerini giyip tarlaları geçerek istasyona yürüdü. Doksan yıllık veri onu bekliyordu. Sonradan bu dönemi kendisi şöyle tanımlayacaktı: “Pis yığını eşelemek.”

Pratiğin Teoriden Önce Geldiği Kitap

Rothamsted yıllarının ürünü, 1925’te yayımlanan Statistical Methods for Research Workers (Araştırmacılar için İstatistik Yöntemleri) oldu. Kitap on dört İngilizce baskı yaptı, altı dile çevrildi.

Bu kitap, o güne kadar yazılmış hiçbir matematik kitabına benzemiyordu.

Normalde matematik kitapları teoremlerle başlar, ispatlar, soyut kavramlar geliştirir. Uygulamalar ancak matematiksel altyapı tamamlandıktan sonra gelir. Fisher’ın kitabı ise üçüncü sayfada bir bebeğin 13 haftalık kilo değişim grafiğiyle başlıyordu. O bebek, Fisher’ın ilk oğlu George’du.

Kitap boyunca formüller verildi ama kanıtlanmadı. Mekanik hesap makinesiyle nasıl uygulanacağı gösterildi ama teorik türetmeler yer almadı. Matematikçiler bu pervasız iddialara kaşlarını çattı: “Bu sonuçlara nasıl ulaştı?” Ama laboratuvar teknisyenleri, biyologlar, tarım araştırmacıları kitabı kaptı ve kullandı. Bir ihtiyacı karşılıyordu.

İkinci Dünya Savaşı sırasında İsveçli matematikçi Harald Cramér, uluslararası bilim dünyasından kopuk kaldığı sürede bu kitabı ve Fisher’ın makalelerini baştan sona inceledi, eksik kanıt adımlarını doldurdu. 1945’te Mathematical Methods of Statistics başlığıyla yayımladığı kitap, Fisher’ın bıraktığı boşlukların büyük bölümünü kapattı. 1970’lerde ise Yale’den istatistikçi L.J. Savage Fisher’ın orijinal makalelerine döndü ve şaşkınlığa düştü: Fisher, 1970’lere kadar çözülmemiş sanılan pek çok problemi onlarca yıl önce zaten çözmüştü.

Rothamsted’in Mirası

Fisher o tarla çiftliğinde yaklaşık on yıl kaldı. Doksan yıllık “pis yığını” eşeledi ve modern deneysel tasarımın temellerini attı. Tarımsal araştırmadaki çıkmaz sokakları aydınlattı. İstatistiğin sadece matematikçilerin değil, elinde veri olan herkesin kullanabileceği pratik bir araç olduğunu gösterdi.

Pearson’ın laboratuvarında baş hesaplayıcı olmayı reddeden, kendi parasıyla makale yayımlayan, öğrencileri anlayamadığında sabırsızlanan, siyasi görüşleriyle tartışmalı bir figür olan bu adam bilimin gerçeklerle nasıl yüzleşeceğini kalıcı biçimde değiştirdi.

Bir araştırmacı bugün kontrol grubu tasarlıyor, randomizasyon yapıyor ya da varyans analizi yapıyorsa; bu kelimelerin arkasında çizmelerini giyip Rothamsted tarlalarını geçen o kısa boylu, tahammülsüz, çarpıcı derecede özgün adam var.

“The Lady Tasting Tea: How Statistics Revolutionized Science in the Twentieth Century” – David Salsburg (2001), Bölüm 4 uyarlaması

The post Fisher’ın Rothamsted Yılları appeared first on Akamedika.

Bu tartışma akademik dünyada her gün büyüyor ve her gün yeni yüzlerce yeni bakış geliyor, çoğu da iki uçtan birinde duruyor. “AI bütün literatür taramayı bir saatte yapar, peer review öldü” diyenler bir tarafta; “AI akademik dürüstlüğün sonunu getirecek” diyenler öbür tarafta. İkisi de aynı oranda yanlış. Daha doğrusu, ikisi de yanlış sorunun cevabı.

Doğru soru “yapay zekâ kullanılmalı mı” değil. O tren kalktı. Asıl soru şu: “araştırma sürecinin hangi aşamalarında otomasyon daha mantıklı, hangilerinde insan dokunuşu olmazsa olmaz — ve neden?” Vurgu “dokunuş” üzerinde. Çünkü hâlihazırda her aşamada bir miktar otomasyon var; mesele bunun nereye, ne kadar genişleyeceği.

Zaten Kara Kutuyla Yaşıyoruz Gerçeği

Yapay zekâ tartışmasına geçmeden önce sıklıkla atlanan bir nokta var: biz zaten hiç anlamadığımız otomasyonlara güveniyoruz.

PubMed’in Best Match sıralaması nasıl çalışır? Bilmiyoruz. Google Scholar bir makaleyi neden başka birinin önünde gösterir? Bilmiyoruz. Web of Science’ın Relevance skorunun ardındaki ağırlıklar nedir? Bilmiyoruz. Embase’in mapping algoritması bir MeSH terimini nasıl genişletir? Tam olarak bilmiyoruz. Google’ın ürünü reklam, arama sonuçları “kim para verdiyse o önce gelir” mantığıyla çalışıyor. Ama yine de çoğumuz için bunlar suyun içindeki balığın suyu fark etmemesi gibi kabullenilmiş, normalleşmiş, sorgulanmıyor.

İşin daha ilginç tarafı: bir araştırmacı PubMed’e ("acute kidney injury"[Mesh] AND contrast[tiab]) AND ("2020"[PDat] : "2025"[PDat]) yazdığı an, arama sürecinin önemli bir kısmını zaten algoritmaya devretmiş oluyor. Gelen sıralamayı sorgulamadan ilk 20 sonuca bakıyor, çoğu zaman ilk sayfanın ötesine geçmiyor. Bu da bir otomasyon. Hem de şeffaf dediğimiz ama aslında olmayan versiyonu.

Buna karşın aynı araştırmacı bir AI aracına “bu konuda son beş yılın yayınlarını bana özetle” dediğinde aniden ahlaki alarmlarımız çalmaya başlıyor. Kısmen elbette haklılık payı var: kaynak şeffaflığı, halüsinasyon riski, telif sorunları, tam metin erişimi gibi gerçek sorunlar da mevcut. Ama burada bir çifte standart var: AI’dan kusursuz tekrarlanabilirlik ve şeffaflık beklerken, eski sistemlerin opaklığını hiç sorgulamadan kabul ediyoruz.

Birkaç hafta önce Embase güncelleme yaparak mapping algoritmasında bir değişiklik yaptığını duyurdu ama tam olarak ne değişti açıklamadı. Sistematik derleme protokollerimizde şu veritabanaı şu tarihte tarandı gibi cümleler yazmak zorundayız. Çünkü hepimiz biliyoruz ki bu tip algoritma değişiklikleri, geri çekilen yayınlar, geç yapılan kayıtlar gibi nedenlerle ertesi gün bile aynı arama sorgusu ile farklı sonuçlar bulabiliriz. E o zaman bu da başlı başına bir “AI kara-kutu” durumu. Ama kimse bunu öyle adlandırmıyor, ve alıştığımız için de hiç sorgulamıyoruz.

Mesele AI’yı sorgusuzca kabul etmek değil. Mesele tutarlı olmak. Otomasyonu sorguluyorsak, tüm otomasyonu sorgulayalım. Belirli bir mecranın yeni olması, eskilerin de en az o kadar opak olduğu gerçeğini değiştirmiyor.

Otomatikleştirilemeyecek Olan Temel Beceriler

Tartışmanın asıl kalbi şu sorudaydı: iyi araştırmayı iyi yapan ne? Ya da tersinden: hangi araştırma becerilerini otomatize sistemlere henüz devretmemeliyiz?

Birincisi, doğru girdileri seçme ve birleştirme yargısı. Araştırma özünde mevcut bilgilerin yeni şekillerde bir araya getirilmesidir. Bilim, her araştırmacının koyduğu tuğlalarla örülen bir duvar. Olabildiğince benzer şekil ve yapılarda, yapılış özellikleri şeffaf tuğlalar üretmeye çalışıyoruz ki duvar düzgün olsun, sağlam olsun. Ama aslında hiçbir şey yoktan var olmuyor. Mevcut bilgileri daha ilginç biçimlerde birleştiriyoruz. Bir AI, renal kolik tedavisinde IV parasetamol ile morfini karşılaştıran 47 RCT’yi listeleyebilir. Bunların hangisinin non-inferiority tasarımı kullandığını, hangisinin margin’i klinik anlamlı bir farktan türettiğini, hangisinin ITT analizinde post-randomization dışlama yaptığını da işaretleyebilir. Ama “bu çalışmaların hangisi senin klinik soruna uyuyor, hangisi senin popülasyonunla benzeşmiyor, hangisi atılmalı” kararı hâlâ insan işi. Çünkü bu karar, soruyu sormuş olan kişinin zihninde, klinik bağlamla birlikte mevcut.

İkincisi, etik, risk yönetimi ve uzun vadeli kurumsal planlama. Birçok yayıncı artık AI araçlarına içerik yüklenmesini açıkça yasaklayan hükümler koyuyor. Elsevier, Springer Nature, Wiley’nin son kullanıcı sözleşmelerine bakın. Tıp alanında çalışıyorsanız, kapalı devre araçlar (sadece verdiğiniz veriyi işleyenler, RAG’da deniyor bunlara) ile internetin tamamından beslenen genel modeller arasında kritik bir fark var. Ama uygulamada çoğu kişi bu ayrımı bilmeden kendi verisini ya da daha kötüsü başkasının verisini (hakemlikte olduğu gibi) yüklüyor. KVKK ve sağlık verisinin özel nitelikli kişisel veri olması meselesi de ayrı bir konu; bir hasta dosyasının özetini ChatGPT’ye yapıştırmak, teknik olarak veri ihlali. Bunlar da otomatikleştirilebilecek konular değil ve kurumsal karar gerektiriyor.

Üçüncüsü ve en zor tanımlananı, araştırmayı yerel kuruma ve bağlama bağlama. Deneyimli bir araştırmacı yıllar içinde biriken bir bağlamı taşır: alanın geçmiş on yılda yaşadığı metodolojik dönüşümler, hangi dergilerin hangi tasarımları yayımlamadığı, kongrelerde kurulan ilişkiler, belli bir hasta popülasyonunda tedavinin ya da yaklaşımın pratikte işe yarayıp yaramayacağı, SGK’nın hangi tedaviyi geri ödediği, hastaların gündelik hayatta nasıl davranıp düşüneceği, hekimin rutinde hangi kısayolları kullanıp süreci ve protokolü ihlal edebileceği, etik kurulun hangi konuda neye takıldığı. Bunların hiçbiri LLM’e öğretilebilir parametreler değil. Bunlar yaşanmış profesyonel deneyimin ürünü.

Yazılım dünyasındaki vibe coding tartışması ile de bu bazı paralellikler taşıyor: temel bilgisi olmayan birinin AI ile uygulama yazması, uzun vadede yazılımcıların temizlemek zorunda kalacağı bir karmaşa üretiyor. Araştırmada da aynı şey. Bilim okuryazarlığı olmadan AI araçlarının çıktılarındaki gizli eksik ve hataların anlaşılması en iyi ihtimalle zor, büyük ihtimalle de imkansız. Çünkü araç, kullananın sorduğu soru kadar iyi. Bir asistan hekim AI’ya “kontrast nefropatisinde N-asetilsistein işe yarar mı” diye sorarsa, AI ona 2003’ten bir meta-analiz dahil yirmi çalışma sunar. Eğer AI o meta-analizden sonra yayınlanan büyük RKÇ’ler göz ardı eder (PRESERVE, AMACING) ve kanıt piramidine sadık kalırsa bunu kaçırabilir.

Konuşmadığımız Faydalar

Gözden kaçırdığımız şey AI’nın araştırmaya getirdiği avantajların, özellikle de görünmeyenlerin, yeterince konuşulmaması.

Artan yayın sayısı kalite ve hakemlik yükü konusunda endişe yaratıyor; predatory journal patlaması ortada. Ama madalyonun öbür yüzü de var: daha önce zamanı, kaynağı ya da dil yetkinliği olmadığı için yayın sürecine giremeyenler artık girebiliyor. İhtisas yapan bir asistanı düşünün, ayda 6-8 nöbet tutuyor, protokol ve yazım kurallarına tam hakim değil, ingilizcesi derginin istediği yayın kalitesi düzeyinde değil. AI temelli düzenleme araçları bu açıdan gerçekten metnin kalitesini arttırıyor. Bütün bu üretimi AI diyerek toptan reddetmek hem haksızlık hem de gerçeği yansıtmıyor.

Küçük ekipler için durum daha da somut. Ulusal derneklerin çalışma grupları ya da hastanede çalışan hekimlerin bir kütüphanesi, kurumsal araştırma destek departmanı yok. Eğitim materyali güncellemek, müfredat geliştirmek, kurumsal eğitimler için literatür sentezi çıkarmak, soru hazırlamak gibi görevlerin çoğu ciddi emek yoğun işler. AI bu görevlerin önemli bir kısmını kısmen otomatikleştirebiliyor; geriye kalan zaman, gerçekten insan yargısı isteyen kısma ayrılabiliyor. Verimlilik bir lüks değil; küçük ekiplerin bu sistemde üretmeye devam edebilmesinin esas yolu.

Erişilebilirlik tarafı da yeterince konuşulmuyor. ADHD’li bir araştırmacı için bir makaleyi okumanın en zor kısmı, başlamak. AI özetiyle o ilk eşiği aşmak, “okumayacağı bir makaleyle anlamlı şekilde meşgul olmak” arasındaki farkı yaratabilir. İkinci dilde çalışan uluslararası araştırmacılar için, networkü olmayan kariyerinin başındaki akademisyenler için, akademi dışından literatürü takip etmek isteyen profesyoneller için de aynı şey geçerli. Eğer erişilebilirliğe gerçekten inanıyorsak, mevcut akademik yayın ekosisteminin dışlayıcı olduğunu kabul etmek zorundayız. AI bunu da kısmen düzeltiyor.

Bir de sayısı az ama gerçek bir grup var: yoğun klinik yükü olan klinisyen-araştırmacılar. 60 saatlik nöbet ve ameliyat dolu haftalardan sonra üç saatlik bir literatür taraması yerine, AI’nın ön elemesinden geçirilmiş 12 makaleyi okumak bu araştırmacı klinisyen türünün tükenmemesi için elzem.

Kanıt Sentezi ve Yazma

AI araçları büyük literatür kümeleri içinden örüntü çıkarmakta giderek iyileşiyor. Bulgu kümeleri, uzlaşı/çatışma noktaları, geleneksel veri tabanlarının kaçırdığı gri literatür. Ama örüntü tanıma, yorumlama ile aynı şey değil. Bir alan uzmanı şunu bilir: bu alt-alan on yıl önce metodolojik bir kırılma yaşadı; o tarihten önceki bulgular farklı bir tanımlama sistemi içinde anlam ifade ediyordu. Bir asistan AI’ya ‘kardiyojenik şokta inotrop seçiminde levosimendan vs dobutamin’ diye sorduğunda, SURVIVE ve LEVO-CTS çalışmalarını özetler: ikisi de nötr. Ama soru aslında yanlış sorulmuş olabilir. Meta-analiz düzeyinde nötr olan bir karşılaştırma, sağ ventrikül baskın yetmezliği olan alt grupta tamamen farklı davranır. AI hastanın hangi hemodinamik fenotipte olduğunu sormaz; siz sormak zorundasınız. Aracın yararı, doğru soruyu sorabilecek klinik zeminin üstüne kurulur. Bunu bir LLM’e öğretebilirsiniz ama o bilgiyi anlamlı kullanması için sorulması gereken doğru soruyu siz sormak zorundasınız.

Makaleyi AI yazıp hakemliği de AI yaparsa akademik üretim nerde?

Bu tepki ilk bakışta haklı görünüyor. Ama hakemliğin kendisi de belgelenmiş insan biaslarıyla dolu: öğle yemeği yememiş hakem, belirli bir gruba kin tutan hakem, kötü gününde olan hakem, kendi alternatif hipotezini ısrarla dayatan hakem. Hakemliğin kısmen daha teknoloji destekli hale gelmesine karşı çıkmak bence kaçırılan bir fırsat. Metodolojik tutarlılık kontrolü, istatistik hata taraması, makale yazım kılavuz uyumu (CONSORT, STROBE, PRISMA) gibi şeyler için AI insan hakemden daha tutarlı.

Uç senaryoyu hayal edilim. Literatür keşfinin, veri toplamanın, istatistik analizin ve ilk taslağın büyük ölçüde otomatikleştiği bir gelecekte, araştırmacının günü daha az okumak ve yazmak, daha çok yönetmek, prompt’lamak ve denetlemek haline gelecektir. Finansal analizde de bu dönüşüm yaşandı: analistler artık gecenin üçünde şirket bilançolarını okuyup değerlenirmiyor. Hazırladıkları modelleri ayarlayıp ve veri akışlarını yönlendiriyorlar. Finans dünyasında da hala bol miktarda inovasyon, bol miktarda insan yargısı ve bunun gibi tartışmalar devam ediyor. İnsan katkısı kalkmıyor, sadece şekil değiştiriyor.

Ne Değişmeli?

Klişeyle bitirmek yerine, kurumların, dergilerin ve araştırmacıların gerçekten farklı yapması gereken şeylere geleceğim.

Birincisi, araçları deneyin. Hem de sadece birini değil, birkaç tanesi deneyip karşılaştırın. Net bir amaçla yaklaşın: iş akışınızın hangi noktasında zaman kazanmak istiyorsunuz? Araştırma danışanlarıma şu basit soruyu soruyorum: günün hangi anında “bu işi yapmamam gerek ama yapmak zorundayım” diyorsunuz? Cevap genellikle literatür taraması, dergi yazım kılavuzu ya da raporlama formatına uydurma, ingilizce kontrol ya da abstrakt yazma oluyor. İşte AI’a o noktadan başlayın.

İkincisi, değerlendirme çerçeveleri kurun. Bir kurum olarak hangi araçların hangi koşullarda kullanılabilir olduğunu belirleyen bir politika belgeniz yoksa, bireysel araştırmacılar boşlukta karar veriyor demektir. Etik kurul önerilerinden ayrı, kurumsal düzeyde “AI Yol Haritası” türü dokümanlar — hangi verinin hangi araca yüklenebileceği, hangi yayın aşamasında AI kullanımının nasıl beyan edileceği, hangi araçların kapalı devre çalıştığı yazılmalı. Bu boşluk doldurulmalı.

Üçüncüsü, AI okuryazarlığını yeni bilgi okuryazarlığı olarak kabul edin. Tıp fakültesindeki bir öğrenci, mezun olduğunda klinik pratiğinde AI kullanacak. Buna kurum hazırlasa da hazırlamasa da olacak olan bu. Seçenek, bu adaptasyonu yönlendirmekle geride kalmak arasında. Türkçe konuşan tıp eğitimi camiasında bu konu hâlâ “kullanmasınlar” söylemiyle ele alınıyor; oysa mesele kullanıp kullanmamak değil, iyi mi kötü mü kullandıkları.

Dördüncüsü, araştırma çıktılarını nasıl ölçtüğümüzü yeniden düşünün. Yayın hacmi dramatik şekilde artacaksa — ki artıyor — değerlendirme metriklerimizin de evrilmesi gerek. Etki metrikleri, tekrarlanabilirlik standartları, gerçek katkı kanıtı; bunlar derginin adından ya da impact factor’ündan daha önemli olmalı. Türkiye’de doçentlik kriterleri, akademik yükseltme jürileri, TÜBİTAK puanlamaları — hepsi hâlâ dergiyi sayıyor, içeriği değil. Bu zaten yanlıştı; AI çağında daha da yanlış olacak.

Beşincisi, müfredatı dikkatlice yeniden tasarlayın. İlk veriler, AI’ya izin verilen eğitimlerde öğrencilerin materyalle daha derin etkileşim kurduğu, çünkü artık erişebilir ve kullanabilir hale geldikleri yönünde. Hedef “tüm kısıtlamaları kaldırmak” değil. Bazı görevler bilerek doğrudan etkileşim gerektirmeli, bazı sınavlar bilerek araçsız olmalı — tıpkı bazı sınavların not getirmemeyi gerektirdiği gibi. Ama toptan yasaklar artık savunulabilir değil. Bir asistan hekime “AI kullanma” demek, 2010’da “UpToDate kullanma” demek kadar absürd.

Son Söz

AI hakkındaki hepimiz çok şey söylüyoruz, ama büyük kısmı iki uçta: ya tamamen iyi ya tamamen kötü. Daha verimli yol, her görevin bu spektrumda nereye düştüğünü dikkatlice düşünmek; hem insanların hem makinelerin sınırlarına dair dürüst olmak; ve bu geçişi bilinçle yönetecek çerçeveleri kurmak.

LitElekt’i geliştirirken de aynı sorularla karşılaşıyorum. Sistematik derlemede başlık-özet taraması yapay zekâ için biçilmiş kaftan. Bir araştırmacının 8.000 makaleyi tek tek elemesi, hem zamanı israf eden hem de yargıyı yoran bir iş. AI ön eleme yaparsa, insan hakem 800 makaleye bakar. Ama dahil/hariç kriterlerini belirleme, sınırda makaleler için karar verme, çıkan bulguların klinik anlamını yorumlama gibi işler hâlâ evde sessiz bir köşede, keyifli bir kafede, ya da kütüphanede biraz zaman ayırıp, demli çayla, kâğıda not alarak yapılan işler. Olmaya devam edecek. Ya da en azından ben devam etmesini yürekten diliyorum.

Heather’ın özetlediği gibi söyleyeyim:

“AI buraya yerleşti, gitmiyor. O zaman ön safta olalım. Çünkü geride kalırsak, söz hakkımız da kalmaz.”

The post Araştırma sürecinin hangi aşamaları ne kadar yapay zekaya devredilebilir? appeared first on Akamedika.

Kimsenin sormadığı soruyu sormak gerekiyor: Bir bira fabrikasının bir matematikçiye ne işi olabilir ki?

Maya Hücrelerini Saymak — ve Ötesi

Gosset işe başladıktan birkaç yıl sonra, üretim sürecindeki somut bir problemle yüzleşti. Bira mayalanmadan önce hazırlanan hamura belirli miktarda maya eklenmesi gerekiyordu. Maya canlı bir organizma; sürekli çoğalıyor, bölünüyor, değişiyordu. Miktarını ölçmek için bir numune alıp mikroskop altında hücreleri sayıyorlardı.

Ama bu sayım ne kadar doğruydu?

Maya az olursa fermentasyon tamamlanmıyordu. Fazla olursa bira acı çıkıyordu. Üretimin kalitesi, bu ölçümün hassasiyetine bağlıydı.

Gosset verilere baktı ve maya hücresi sayılarının Poisson dağılımına uyduğunu gösterdi. Bu, daha önce teoride bilinen ama gerçek hayatta nadiren somut olarak karşılık bulan bir dağılımdı. Gosset bu bulguyla hem üretim sürecini düzeltti hem de istatistik bilimine katkıda bulundu.

Bunun üzerine bir makale yazmak istedi. Ama karşısında bir engel vardı: Guinness çalışanlarının yayın yapması yasaktı. Yıllar önce bir üretim ustası, sırrını dışarıya sızdırmıştı ve şirket bu deneyimi bir daha yaşamak istemiyordu.

“Student” Doğuyor

Gosset bu noktada bir çıkış yolu buldu. Karl Pearson — dönemin en önemli istatistikçilerinden, Biometrika dergisinin editörü — Gosset’in matematiksel yeteneğini takdir ediyordu. İkisi birlikte bir karar aldılar: Makale yayımlanacaktı, ama bir takma adla: “Student.”

Sonraki otuz yıl boyunca “Student” imzasıyla Biometrika’da birbirinden önemli makaleler yayımlandı. Gosset, mesai saatleri dışında evinde çalışıyor, hesaplamalarını gece gece kâğıt üzerinde yapıyor, ardından fabrikada sorumlu pozisyonlara yükselmeye devam ediyordu. Guinness ailesi bir noktada “Sevgili Mr. Gosset”lerinin ne yaptığını öğrendi — ama işin enteresan tarafı, Gosset’in şirketteki yüksek performansı devam ettiği için kimse ciddi bir adım atmadı.

Küçük Örneklemin Büyük Sorunu

Gosset’in en kalıcı katkısı, 1908’de yayımladığı kısa bir makaleyle geldi: “The Probable Error of the Mean” (Ortalamadaki Olası Hata).

Pearson ve dönemin diğer istatistikçileri büyük örneklemlerle çalışıyordu. Binlerce ölçüm, parametreler, dağılım eğrileri… Bu yaklaşımda örneklem büyüdükçe hata küçülür ve hesaplamalar güvenilir hale gelirdi.

Ama Gosset bunu karşılayabilecek lükse sahip değildi. Gerçek hayatta — bira fabrikasında, tarla denemelerinde, klinik çalışmalarda — çoğunlukla on, on beş, belki yirmi gözlem vardı elinizde. Gosset şunu sordu: Örneklem küçük olduğunda ne olur? Rastgele hata hesaplamalarımıza nasıl sızar?

Cevabı bulmak için gece gece mutfak masasına oturdu. Küçük sayı grupları aldı, ortalamayı hesapladı, standart sapmayı hesapladı, ikisini birbirine böldü, sonuçları milimetrik kâğıda çizdi. Bunu yüzlerce kez tekrarladı — hiçbir bilgisayar olmadan, tamamen elle.

Sonunda gördü ki bu oranın dağılımı belirli bir örüntüye oturuyordu ve bu örüntü, orijinal verilerin tam dağılımını bilmeksizin de kullanılabilirdi. Araştırmacının elde ettiği verilerden hesaplanan bu oran, tek başına bilgi veriyordu.

Bugün bu yönteme Student’s t-testi diyoruz.

Neden Hâlâ Bu Kadar Önemli?

Bu keşif olmadan istatistiksel analiz neredeyse imkânsız bir döngüye girerdi: Verinizin parametrelerini tahmin etmek için önce o parametrelerin dağılımını bilmeniz, sonra o dağılımın parametrelerini tahmin etmeniz… ve bu böyle sonsuza giderdi.

Gosset, analizin ilk adımda durabildiğini gösterdi. Hesaplanan oran, bilinen bir dağılıma oturuyordu ve tablolanabilirdi.

Üstelik başlangıçta yapılan en kritik varsayım — verilerin normal dağılıma uyması — zamanla sorgulandı ve 1967’de Bradley Efron bu varsayımın pek çok koşulda gerekmediğini kanıtladı.

Bugün tıbbi araştırmaların büyük çoğunluğunda t-testi kullanılıyor. İki tedaviyi karşılaştırıyorsunuz, iki grubun ortalamaları arasında fark var mı diye bakıyorsunuz, istatistiksel anlamlılığı yorumluyorsunuz. Bunu mümkün kılan şeyin arkasında gece gece Guinness fabrikasının çalışanı, takma adıyla “Student” var.

Sahnenin Kenarında Bir Adam

Gosset, tüm bu katkılarına rağmen mütevazı biri olarak kalmaya devam etti. Mektuplarında sık sık şöyle yazıyordu: “Benim katkım kabataslak bir fikir vermekten öteye geçmedi… Fisher asıl matematiği kendisi çözdü.”

Bu mütevazılık bizi hikâyenin en ilginç kısmına götürüyor.

1912’de Gosset, Fisher adında 22 yaşında bir Cambridge öğrencisiyle tanıştı. Genç Fisher, Gosset’in 1908 tarihli sonuçlarını — büyük olasılıkla haberi olmadan — yeniden keşfetmişti. Gosset makaleyi okudu, küçük bir hata buldu. Fisher’ı uyardı. Birkaç gün sonra Gosset’e iki sayfalık yoğun matematik geldi: Fisher, problemi yeniden türetmiş, genişletmiş ve üstelik Gosset’in kendi hesaplamalarındaki bir hatayı da yakalamıştı.

Gosset Pearson’a yazdı: “Bu Fisher denen çocuk bana çok boyutlu geometriyle bir şeyler ispat ediyor… Üçten fazla boyutu kavrayamıyorum ki, matematik olsa bile anlayamıyorum…”

Tüm karmaşık matematiksel kanıtı alıp gölde tatile çıktı ve kayıp etti.

Fisher ona yeniden gönderdi.

İki Dahi, Bir Arabulucu

Bu noktadan itibaren Gosset kendini tuhaf ama önemli bir konumda buldu: Bir yanda Karl Pearson, diğer yanda Ronald Fisher — ikisi de döneminin en büyük istatistikçileri, ikisi de birbirinden nefret eden rakipler.

Gosset her ikisiyle de dostluğunu korudu. Fisher’ın yazdıklarını anlamadığını Pearson’a itiraf ediyor, Fisher’ın hatalarını kibarca düzeltiyor, Pearson’ın kibrine katlanıyor ve bu iki büyük egonun arasında bir arabulucu gibi var olmaya çalışıyordu.

Bu tablo bize bilim dünyası hakkında önemli bir şey söylüyor: Büyük keşifler çoğunlukla kendi içinde kapanmış dehalardan değil, o dehalar arasında köprü kuran, iletişimi canlı tutan, gerçek uygulama sorularını masada tutan insanlardan besleniyor.

Gosset 1937’de, 61 yaşında ani bir kalp krizi geçirerek hayatını kaybetti. Yasak yayınları nedeniyle gerçek kimliği yıllarca saklandı. Amerikalı istatistikçi Harold Hotelling’in 1930’ların sonunda “Student” ile konuşmak istediğinde, buluşma neredeyse bir casusluk filmi atmosferinde, gizlice gerçekleştirildi.

Bira fabrikasında maya hücrelerini sayan, gece mutfağında sayılar çizen, kimseye anlatamadığı makaleler yazan o adam — bugün her tıp araştırmacısının günlük hayatında kullandığı bir araç bıraktı geriye.

“The Lady Tasting Tea: How Statistics Revolutionized Science in the Twentieth Century” – David Salsburg (2001), Bölüm 3 uyarlaması

The post Student: Bira Fabrikasında Doğan İstatistik Devrimi appeared first on Akamedika.

O kursa katılanların bilgisayarlarına yazıcıoğlu’ndan alınan CD’lerdeki yazılımları yüklemek kadar yoluma etki eden bir şey daha varsa o da David Salsburg’un modern istatistiğin tarihi hakkında yazdığı “Çay Tadımı Yapan Kadın: İstatistik Yirminci Yüzyılda Bilimi Nasıl Devrimleştirdi” kitabıdır. Bu kitap, yirminci yüzyılda gerçekleşen istatistiksel devrimi ele alıyor. Bu devrimde bilim, deterministik bir bakış açısından öncelikle olasılıklar, dağılımlar ve parametrelerle ilgilenen bir bakış açısına kaymıştır. Salsburg; Fisher ve Karl Pearson gibi isimlerle başlayarak, bu değişimde temel rol oynayan kişiler hakkında bir dizi öykü aracılığıyla bizi bu keyifli yolculuğa çıkarıyor. Kitabın başlığı, Ronald A. Fisher’ın ünlü kitabı Deneylerin Tasarımı’ndaki “çay tadımı yapan kadın” örneğinden geliyor.

Türkçe’sine rastlamadığım, nasıl olup da basılmadığını asla ama asla anlayamadığım, çevirmeyi 2-3 yayınevine teklif ettiğim ama pek de ilgilenen çıkmayan bu kitabın kendi okumalarımla birleştirdiğim keyifli özetlerini sizlerle de paylaşmaya karar verdim.

Hazırsanız, başlayalım…

Saat Gibi İşleyen Evren — ve Çöküşü

Salsburg’un “The Lady Tasting Tea” Önsözünden….

19.yy’a girerken bilim dünyasının kendine güveni tamdı. Evren, büyük bir saat mekanizması gibiydi: Doğru denklemleri bulursanız, yeterince hassas ölçüm yaparsanız, her şeyi önceden hesaplayabilirdiniz. Newton’ın hareket yasaları, Boyle’un gaz yasaları, Laplace’ın göksel mekanik denklemleri… Bunlar gerçekliğin matematiksel iskeletiydi.

Napolyon, Laplace’a bir keresinde sormadan edememiş: “Tanrı’dan hiç söz etmemişsiniz kitabınızda?” Laplace’ın yanıtı tarihe geçti: “Bu hipoteze ihtiyaç duymadım.” Bu yanıt o dönemin havasını özetliyordu. Tanrı’ya yer yoktu, tesadüfe yer yoktu, belirsizliğe yer yoktu. Sadece denklemler ve onların zorunlu sonuçları vardı.

Ama küçük bir sorun vardı.

Gezegenler ve kuyruklu yıldızlar, tahmin edilen pozisyonlarına tam olarak oturmuyordu. Ölçümler her seferinde biraz sapıyordu. Laplace bunu gözlem hataları olarak açıkladı ve formüllerine bir hata fonksiyonu ekledi. Bu, sapmaları bünyesine alan ek bir terimdi — sanki bir torba gibi, açıklanamayan her şeyi içine dolduruyordu.

Beklenti şuydu: Ölçüm teknolojisi ilerledikçe, bu hatalar küçülecekti.

Tam tersi oldu.

19.yy’ın sonuna gelindiğinde, ölçümler hassaslaştıkça hatalar daha da belirgin hale geldi. Biyolojinin ve sosyolojinin yasalarını bulmaya yönelik girişimler başarısızlıkla sonuçlandı. Fizik ve kimyada bile Newton ve Laplace’ın yasaları, artık sadece birer kaba yaklaşım olarak görülüyordu.

Saat mekanizması durmuştu.

Yeni Bir Paradigma: İstatistiksel Model

Bilim, yüzyılın sonunda yeni bir bakış açısına yöneldi: gerçekliğin istatistiksel modeli.

Bu değişimi anlamak için üç kavramı birbirinden ayırt etmek gerekiyor: rastgelelik, olasılık ve istatistik.

Gündelik dilde rastgelelik (rastlantı), öngörülemezlik demektir. Sıradan insan için rastgelelik, düzensizliktir.

Ama modern bilimci için rastlantı, yapısız bir kaos değildir. Matematiksel olarak tanımlanabilir bir örüntüsü vardır. Bir olasılık dağılımı, bu rastgeleliği çerçeveler ve sınırlı da olsa gelecekteki olayları tahmin etmemize imkân tanır.

Olasılık ise çok daha eski bir kavram. Aristo bile, “doğası gereği, olası olmayan şeyler de olur” demiş. 17. ve 18. yüzyıllarda Bernoulli ailesi, Fermat, Pascal, de Moivre gibi matematikçiler şans oyunlarından yola çıkarak olasılık teorisini inşa ettiler. De Moivre calculus yöntemlerini uyguladı, Bernoulli “büyük sayılar yasası” gibi temel teoremleri ortaya koydu. Ama 19. yüzyılın sonuna gelindiğinde bu teorinin sağlam bir kuramsal temeli hâlâ yoktu.

Bu kitapta Salsburg, 20. yüzyılda bilimin geçirdiği derin felsefi dönüşümü bizlere göstereceğini söylüyor. Determinizmin çöküşünü, belirsizliğin bilime nasıl entegre edildiğini ve bu devrimi yaratan insanların hikâyelerini tanıyacaksınız diyor. Popüler kültür bu devrimi henüz tam olarak sindiremiyor. “Korelasyon,” “risk,” “istatistiksel anlamlılık” gibi kavramlar gündelik dile sızmış olsa da altındaki felsefi dönüşüm hâlâ görünmez. Oysa tıp dahil hemen her bilim dalı artık istatistiksel modeller üzerine kurulu.

Salsburg bu büyük hikâyeye bir ikindi çayı ile başlamayı seçmiş: Cambridge bahçesinde keyifli bir ikindi çayı esnasında bir kadının çaya sütün mü çayın mı önce koyulduğunu anlayabileceğini iddia etmesi, belki de bu kadına kur yapmak için orada olan sakallı bir adamın kadından daha çok ilgisini çeker. Bu ilgi, bugün bilginin ve araştırmanın temellerinde rutin kullandığımız birçok kabulün de başlamasını sağlayacaktır…

Kaynak

“The Lady Tasting Tea: How Statistics Revolutionized Science in the Twentieth Century” – David Salsburg (2001), Yazar Önsözü uyarlaması.

The post Çay Tadan Leydi – Lady Tasting Tea appeared first on Akamedika.

Araştırmacılar geliştirdikleri yeni ölçüm yöntemi ile şu soruyu sormuş: “YZ bir görevi teorik olarak yapabilir” demek yetmez, peki gerçekte iş ortamında otomatize ediyor mu? Fark çok büyük. Bilgisayar ve matematik mesleklerindeki görevlerin teorik olarak %94’ü YZ’ye uygun görünüyor; ama gerçekte kapsanan oran sadece %33.

“YZ işleri düşük ücretli, düşük eğitimli insanlardan çalıyor”

Bu anlatı tamamen yanlış. Bu rapor o kalıbı alt üst etti. En yüksek YZ maruziyetine sahip çalışanlar daha yaşlı, daha eğitimli, daha iyi kazanan ve ağırlıklı olarak kadın. Yani asıl risk altındaki profil; kariyer basamaklarını tırmanan, uzmanlık geliştirmiş, beyaz yakalı profesyoneller.

Bu sezgisel olarak da mantıklı aslında. YZ, tekrarlayan fiziksel işleri değil analiz eden, yazan, veri giren, hukuki belge hazırlayan, kod yazan zihinsel işleri yapıyor. En fazla etkilenen meslekler arasında bilgisayar programcıları (%75 görev kapsamı), müşteri hizmetleri temsilcileri (%70) ve veri giriş uzmanları (%67) yer alıyor. Aşçılar, barmenler, tamirciler? Neredeyse sıfır risk.

Peki işsizlik?

2022’den bu yana yüksek riskli mesleklerde anlamlı bir işsizlik artışı yok. En fazla YZ’ye maruz kalan mesleklerde işsizlik oranları, maruziyet düşük mesleklere kıyasla anlamlı biçimde yükselmedi. Ama erken uyarı sinyalini atlamamak gerek. 22-25 yaş grubundaki genç çalışanların, YZ’ye yüksek maruz mesleklere işe alınma hızı belirgin biçimde yavaşladı (%14). Bu gençler nereye gidiyor? Araştırmacılar bunu henüz net bilmiyor. Ama şunu biliyoruz: kapıya geliyor, içeri giremiyorlar. Yani, ani bir yıkımdan ziyade daha sessiz ve alttan alta bir değişim söz konusu.

Asıl tehlike: boşluk

Araştırmanın en çarpıcı bulgusu burada. YZ’nin teorik olarak yapabildiği ile gerçekte bugün yaptığı arasında devasa bir uçurum var. Gerçek YZ benimsemesi, araçların yapabildiğinin yalnızca küçük bir parçası. Bu boşluk kapanmaya başladığında — ki kapanacak — tablo ne kadar hızlı değişir?

Araştırmacılar, 2008 krizine benzer bir beyaz yakalı çalışanlar için Büyük Durgunluk senaryosunu açıkça dile getiriyor. O zamanki krizde ABD işsizliği %5’ten %10’a çıkmıştı. YZ’ye en çok maruz sektörlerde benzer bir ikiye katlanma (%3’ten %6’ya) olsa, mevcut çerçeveyle tespit edilebilir olurdu. Henüz olmadı. Ama olabilir.

Bence buradaki kritik soru şu: Siz ve kurumunuz/şirketiniz bu boşluk kapandığında ne tarafta olacak? Kullanan tarafında mı, yoksa kullanılan tarafında mı?

Kaynak: Massenkoff & McCrory (2026), Anthropic Research https://www.anthropic.com/research/labor-market-impacts

The post Yapay Zeka gerçekten işimizi elimizden alıyor mu? appeared first on Akamedika.

Akademik çalışmalarınızda kaynak yönetimi, literatür taraması ve ders materyali hazırlama süreçlerinde devrim yaratacak bir araçla tanışın: Google NotebookLM.

Bu videoda, Google’ın yeni yapay zeka aracı NotebookLM’i akademik hayatta nasıl en verimli şekilde kullanabileceğinizi uçtan uca anlatıyorum. ChatGPT’den farklı olarak sadece sizin yüklediğiniz güvenilir kaynakları kullanan, “halüsinasyon” görmeyen ve her cevabını referansla kanıtlayan bu sistemi vaka kontrol çalışmaları örneği üzerinden uygulamalı olarak inceliyoruz.

Ayrıca literatür taraması için Perplexity entegrasyonundan, yapay zeka ile podcast (sesli özet) oluşturmaya, otomatik slayt ve sınav sorusu hazırlamaya kadar birçok “Studio” özelliğini de test ediyoruz.

İyi seyirler!

Videoda Neler Bulacaksınız? (Bölümler)

00:00 Giriş: NotebookLM nedir ve ChatGPT’den farkı ne?
01:49 Multimodalite: PDF, Web, YouTube ve Drive dosyalarını kaynak olarak ekleme
04:47 Perplexity AI ile entegre literatür taraması ve kaynak toplama
10:03 Kaynaklarla Sohbet: Doğru referans ve atıf yönetimi
11:06 Studio Modu: Yapay zeka ile Podcast (Sesli Özet) oluşturma
15:07 Zihin Haritası (Mind Map) ve çalışma kılavuzları hazırlama
17:45 İnfografik ve Sunum Slaytları tasarlama
24:36 Çalışmalarınızı dışa aktarma ve paylaşma seçenekleri

The post NotebookLM Akademik Hayatta Nasıl Kullanılır? appeared first on Akamedika.

The post Hekimler için Yapay Zeka 101: Doğru Bilinen Yanlışlar appeared first on Akamedika.

Otoritenin Hakimiyeti

Klasik dönemde hakikatin ölçütü deney değil, auctoritas yani otoriteydi. İkinci yüzyılda yaşamış Bergamalı Galen, yazdığı yüzlerce eserle Avrupa ve İslam tıbbını bin yıl boyunca etkiledi (Nutton, 2012). İnsan bedenini dört sıvının –kan, balgam, sarı safra, kara safra– ahenkli dengesiyle açıklayan humoral teori, yalnızca biyolojik bir model değil, aynı zamanda etik ve kozmolojik bir dünya görüşüydü. Kan alma, kusturucular ya da çeşitli bitkisel ilaçlar bu teoriye uygun oldukları için kabul gördü. Hasta iyileştiğinde “denge yeniden kuruldu” diye yorumlanıyor; hasta öldüğünde ise hastalığın “zaten çok ilerlemiş olduğu” söyleniyordu.

Bu yaklaşımın zaafı açıktı: teori, hangi bulguya rastlarsanız rastlayın açıklayabiliyordu. Aşırı ateş mi? Safra fazlalığı. Bitkinlik mi? Kara safra baskınlığı. Kanama mı? Kanın dışarı çıkmasıyla denge arayışı. Her gözlem teoriyi doğrulamak üzere eğilip bükülüyordu. Tedavinin etkisiz ya da zararlı olabileceği ihtimali ise hiç sorgulanmıyordu. Galen’in gözlemleri, zamanının otopsi kısıtlamaları nedeniyle çoğunlukla hayvan deneylerine dayanıyordu, ama buna rağmen yüzyıllarca dogmatik otorite haline geldi (Temkin, 1973).

Humoral tıp gözlem ve deneyimden çok dogmaya yaslanıyordu. Başarı öykülerinin seçilerek aktarılması, başarısızlıkların ise göz ardı edilmesi günümüzde “confirmation bias” (onay yanlılığı) dediğimiz bilişsel hataya iyi bir örnektir (Kahneman, 2011). Metodolojik açıdan ise bu yaklaşım, Karl Popper’in yüzyıllar sonra “yanlışlanabilirlik” kriteriyle işaret ettiği eksikliğin tipik bir tezahürüydü: hiçbir tedavi, geçersiz kılınma riskiyle karşı karşıya bırakılmıyordu. Böylece tedavilerin etkinliği sistematik biçimde test edilmedi, zararlı etkiler fark edilmedi.

Yanlışlanamaz Teorilerin Dayanıklılığı: Miasma’dan Frenolojiye

Galen’in mirası sadece kendi dönemini etkilemekle kalmadı, yüzyıllar boyunca otoriteye dayalı düşünmenin modelini kurdu. Orta Çağ’dan 19. yüzyıla kadar süren miasma teorisi bunun tipik örneğidir. Humoral teorinin ardından gelen miasma teorisi, hastalıkların “kötü hava” ile yayıldığını öne sürüyordu. Veba, kolera, sıtma gibi salgınların nedeni, lağımlardan yükselen görünmez gazlardı. Bu açıklama kolayca her semptoma uyarlandı: kötü kokan mahalleler hastalık üretir, iyi havalandırma sağlıklı kılar. Ölçülemez “miasma” kavramı, teoriyi çürütülemez hale getirdi. Ancak 19. yüzyılda Pasteur ve Koch’un mikroorganizmaları tanımlamasıyla miasma teorisinin büyüsü bozuldu (Evans, 1987).

Bir başka ilginç vaka 19. yüzyılın moda bilimi frenoloji idi. Kafatasındaki çıkıntılardan kişilik ve ahlaki özellikler okunabileceği iddia ediliyordu. Haritalar çiziliyor, ölçümler yapılıyordu; fakat bu ölçümler “çürütülmek” için değil, zaten inanılanı doğrulamak için yorumlanıyordu. Frenoloji, işverenlerin işçi seçiminde, devletlerin ırksal hiyerarşiler yaratmasında ve sömürgeci ideolojilerin meşrulaştırılmasında kullanıldı (Van Wyhe, 2004). Böylece bilim kılığına girmiş bir ideolojik maske oldu.

Bu örnekler, yanlışlanamaz iddiaların yalnızca masum teoriler değil, aynı zamanda toplumsal ve politik araçlar olabileceğini de gösteriyor. Geçtiğimiz yüzyılda savaşları, ırkçılığı ve otoriter ideolojileri haklı çıkarmak için kullanılan birçok populist söylemde bu sahtebilimlerin izleri görülebilir.

Popper’ın Radikal Çizgisi: Bilimi Sınırlandırmak

İşte bu tarihsel tablo, 20. yüzyılda Karl Popper’ın bilimi tanımlarken neden bu kadar sert bir ölçüt getirdiğini anlamamıza yardım eder. Popper’a göre bilim, yanlışlanabilir iddialar bütünüydü. Bir teori, gözlemle veya deneyle çürütülebiliyorsa bilimseldi; aksi halde ne kadar çekici olursa olsun sahtebilim sınırında kalıyordu. (The Logic of Scientific Discovery, 1934/1959).

Freud’un psikanalizi veya Marx’ın tarihsel materyalizmi her şeyi açıklayabilme iddiasına rağmen Popper’a göre bilimsel değildi; çünkü hiçbir olumsuz gözlem onları çürütemiyordu. Oysa Einstein’ın görelilik kuramı, tek bir yanlış gözlemle bile çökecek kadar kırılgandı—ve bu yüzden bilimdi.

Elbette Popper’ın çizgisi tartışmasız kabul görmedi. Thomas Kuhn, bilimi paradigmalardan oluşan bir süreç olarak yorumladı. Ona göre bilim, Popper’ın tarif ettiği gibi sürekli yanlışlamayla değil, belirli bir paradigma içinde “normal bilim” faaliyetleriyle ilerler; ancak anomali biriktiğinde devrimci bir kırılma yaşanır (The Structure of Scientific Revolutions, 1962).

Imre Lakatos ise Kuhn ile Popper arasında bir köprü kurmaya çalıştı. Ona göre bilim, birbirleriyle yarışan “araştırma programları” etrafında şekillenir; her programın “çekirdek” varsayımları korunur, ama yardımcı hipotezler başarısız olursa program terk edilebilir (The Methodology of Scientific Research Programmes, 1978). Bu yaklaşım, Popper’ın katı yanlışlanabilirlik ölçütünü biraz esnetti, çünkü bilim pratiğinde teoriler çoğu zaman tek bir olumsuz sonuçla terk edilmez.

Yine de Popper’ın mirası güçlü kaldı: Bilim, yanlışa açık olmayı göze alabilen iddialar bütünü olmalıydı. Kuhn ve Lakatos’un katkıları bu resmi daha zengin kıldı, ama Popper’ın turnusol kâğıdı hâlâ sahtebilimle bilimi ayırmak için elimizdeki en güçlü araçlardan biri olarak kalıyor.

Kanıt Sorununun Derinliği

Burada mesele yalnızca “yanlış teorilerin uzun ömürlü olması” değil, aynı zamanda hangi tedavilerin etkili olduğunu belirleyecek güvenilir bilginin üretilmemesiydi. Hekimler gözlem yapıyorlardı; fakat karşılaştırma grupları olmadığından tedavinin etkisini hastalığın doğal seyrinden ayıramıyorlardı. Bir hasta kan aldıktan sonra iyileştiğinde bu, tedavinin başarısı sayılıyor; öldüğünde ise hastalığın şiddetine yoruluyordu. Ian Hacking’in vurguladığı gibi, modern anlamda “istatistiksel düşünme” ve karşılaştırmalı metodoloji ancak 18. yüzyılda şekillenmeye başladı (Hacking, The Taming of Chance, 1990).

Bugünün epidemiyolojik bakış açısıyla, o dönemin “kanıtları” sistematik hatalarla doluydu. Seçim yanlılığı: Hastalar rastgele değil, koşullara göre seçiliyordu. Karıştırıcı etkenler: Yaş, hastalığın ciddiyeti, sosyal statü hem tedaviyi hem sonucu etkiliyordu. Gözlemci yanlılığı: Hekimler, kendi beklentilerine göre sonuçları yorumluyordu. Bu tür hatalar yalnızca geçmişin değil, günümüz klinik araştırmalarında bile dikkatle bertaraf edilmeye çalışılan sorunlardır. Ama o dönem hekimleri bu yanlılıkları fark edecek kavramsal araçlardan tamamen yoksundu (Wootton, Bad Medicine, 2006).

Kültürel ve Sosyal Engeller

Bu metodolojik körlükler yalnızca cehaletten değil, kültürel ve pratik engellerden de besleniyordu. Humoral teori, her sonucu açıklayabildiği için deney ihtiyacını ortadan kaldırıyordu. Dini ve ahlaki kaygılar da insan üzerinde kontrollü deneyi çoğu kez “tehlikeli” veya “etik dışı” olarak görüyordu. Andrew Wear’ın belirttiği gibi, erken modern dönemde hekimlik, deneysel risk almak yerine ahlaki sorumluluk ve geleneksel bilgelikle meşrulaştırılıyordu (Wear, Knowledge and Practice in English Medicine, 1550–1680, 2000).

Ayrıca pratik engeller vardı: belirli hastalıklar için hasta sayısı azdı, düzenli kayıt tutulmuyordu, tedaviler genellikle ucuz ve kolay ulaşılabilir olduğundan geniş ölçekli karşılaştırmalı denemeler için ekonomik bir teşvik yoktu. Bu koşullar altında tıp, bilimden çok bir zanaat olarak sürdü: usta–çırak ilişkisiyle aktarılan, bireysel deneyimlerle şekillenen, sorgulamadan uzak bir pratik. Edward Shorter’ın da vurguladığı gibi, modern klinik araştırmanın temel taşları 19. yüzyıldan önce yalnızca dağınık kıvılcımlar hâlindeydi (The History of the Patient’s View, 1985). Bir tedaviyi bilinçli olarak kontrollü bir deneye tabi tutmak fikri neredeyse hiç akla gelmiyordu.

Dijital Çölün Yeni Miasmaları

Tarih boyunca yanlışlanamaz teoriler, hekimliğin ve toplumun düşünce dünyasını şekillendirdi. Bugün ise benzer bir tabloyu sosyal medyada görüyoruz. Galen’in dört sıvısı ya da miasma teorisinin görünmez buharları nasıl her şeyi açıklayabildiyse, modern şarlatanlıklar da aynı yolu izliyor.

“Vücudunuz toksinlerle dolu” diyen detoks kürleri, “enerji frekansını” dengelediğini iddia eden bileklikler, “bağırsak florasını resetleyen” diyetler… Bu söylemler aslında antik dogmaların çağdaş varyasyonlarıdır. Hepsinde ortak bir özellik vardır: yanlışlanamazlık. “Toksin” tanımı yapılmadığı için hiçbir ölçüm yoktur; “enerji dengesi”nin ne olduğu belirsizdir; “bağışıklığın güçlenmesi” ölçülmediği için her türlü olumlu deneyim başarı hanesine yazılır. Sosyal medya üzerinden pazarlanıp, satılan türlü türlü “şifa”, Galen’in yaklaşımı ile bezenmiş, bilimselmiş gibi sunulan içerikleri sayesinde hala şarlatanları zengin etmeye devam ediyor.

Multivitaminler, balık yağı, kolajen veya bitkisel ürünler gibi alanlarda anekdotal başarı öyküleri ile dolu her yer. Örneğin, bir kişi eklem ağrısı için glukozamin-kondroitin kullanıyor, “daha iyi hissettim” dediğinde bu olumlu örnek çok kolay akılda kalıyor. Ancak randomize kontrollü çalışmaların (örn. GAIT trial, Clegg et al., NEJM 2006) etkinlik göstermediğini çoğu kullanıcı ya duymuyor ya da “benim bünyem farklı” diyerek dışlıyor. Akupunktur, homeopati veya “detoks kürleri” gibi uygulamalarda insanlar, olumlu deneyimlerini (örneğin “baş ağrım geçti”) kolayca genelleştiriyor, etkisiz veya olumsuz deneyimlerini ise ya dile getirmiyor ya da kişisel bir istisna olarak açıklıyor. Sistematik derlemeler çoğunun plasebo dışında fayda göstermediğini ortaya koymasına rağmen (Ernst, Pain, 2011), toplumsal bellekte yalnızca “işe yarayan hikâyeler” dolaşımda kalıyor. Burada sosyal medya, sahtebilim için adeta yeni bir miasma işlevi görüyor: görünmez ama yaygın bir sis, algoritmalar tarafından körükleniyor, paylaşıldıkça yoğunlaşıyor.

Hekimler de bağışık değil. Bir doktor bir hastada belirli bir tedavinin işe yaradığını gördüğünde, sonraki hastalarda da aynı tedaviyi uygulamaya daha eğilimli oluyor. Olumsuz sonuçlar ise genellikle “hastalık çok ağırdı” gibi açıklamalarla teori dışına atılıyor. Bu da tıp pratiğinde kanıta dayalı yaklaşım yerine deneyimsel yanlılığı güçlendiriyor ve Galen’in ruhu hala aramızda dolaşıyor (Croskerry, Acad Med, 2003).

Pazarlamanın Gücü: Bilimsel Kanıt Yerine Anlatı

Burada pazarlamanın dili, sahtebilimin en güçlü silahına dönüşür. Kanıttan çok anlatı öne çıkar. Sosyal medyanın ekranlarında dolaşan detoks kürleri, kristal terapileri ya da bağırsak florasını “resetleme” vaatleri yalnızca iddia olarak değil, küçük hikâyeler olarak sunuluyor. “Bende işe yaradı” cümlesi, bir meta-analizin soğuk tablolarından daha parlak; çünkü insan zihni sayılardan çok öykülere kulak kabartıyor ve bilimin sıkıcı ifadeleri kabul görmüyor. Bir influencer’ın “ben bu detoksla üç günde enerjim yerine geldi” demesi, izleyiciye çok daha inandırıcı geliyor. Green ve Brock’un belirttiği gibi, anlatılar yalnızca bilgilendirmez, aynı zamanda ikna edici bir duygusal taşıyıcı görevi de görür. Bu öyküler genellikle otorite taklidiyle desteklenir. Beyaz önlük giymiş bir influencer, laboratuvar görselleriyle süslenmiş bir video, “Dr.” unvanını çağrıştıran bir kullanıcı adı… Robert Cialdini’nin İknanın Psikolojisi kitabında altını çizdiği üzere, otorite yalnızca bilgiyle değil, görünüşle de kuruluyor (Cialdini, Influence, 2009). Dolayısıyla mesele kanıtın kendisi değil, kanıtı andıran sahnenin kurulabilmesi. Bu, anlatı etkisi (narrative bias) olarak bilinir: öyküler, istatistiklerden daha kolay akılda kalır ve daha hızlı ikna eder.

Üstelik bu anlatılar yalnızca bireysel ikna gücüyle değil, algoritmaların yankısıyla da çoğalıyor. Sosyal medya platformlarının işleyişi, güçlü duygular uyandıran içerikleri ödüllendirmekte. Kaygı, umut, öfke ya da merak… Hepsi algoritmaların gözünde bir “beğeni” ya da “paylaşım” olarak değer kazanıyor. Böylece sahtebilimsel vaatler, bilimsel ihtiyatın önüne geçiyor; çünkü temkinli konuşan bir epidemiyoloğun sözleri paylaşım değerinden yoksun, mucizevi kurtuluş vaat eden bir “detoks uzmanının” videosu ise viral olmaya mahkûm.

Psikolojinin Derin Katmanları

Psikoloji literatürü bu cazibenin mekanizmalarını da açıklıyor. Onaylama yanlılığı insanları yalnızca inançlarını doğrulayan örnekleri seçmeye iter. Anlatı yanlılığı öykülerin, istatistiksel verilerden daha inandırıcı olmasını sağlar. Doğal olan iyidir yanlılığı, bitkisel olanı otomatik biçimde güvenli ve faydalı kabul ettirir. Bu üçlü birleştiğinde, sosyal medyanın sunduğu şarlatanlık kokteyli neredeyse karşı konulmaz hale geliyor.

Bilim ve Erdem

Ama bütün bu tablo, Popper’ın basit ama radikal ölçütünü tekrar gündeme getirir: bilim, yanlışa açık olmalıdır. Galen’in dört sıvısı yüzyıllarca hüküm sürdü, çünkü yanlışlanamazdı. Miasma, toplumları şekillendirdi, çünkü çürütülemezdi. Frenoloji sahte bir kesinlik sundu, çünkü her gözlem teoriyi doğrulayacak şekilde yorumlanabiliyordu. Bugünün detoks kürleri, kristal terapileri ve enerji frekansları da aynı nedenden ötürü hâlâ varlığını sürdürüyor.

Bilim ise sahtebilimin karşısına yalnızca veriyle değil, bir erdemle çıkar: kendi kendini çürütmeye cesaret etme erdemi. Ioannidis’in (2005) meşhur uyarısı—“çoğu yayımlanmış araştırma bulgusu yanlıştır”—aslında bilimin zaafını değil, gücünü gösterir; çünkü bilim yanlışı ortaya çıkarabilir. Sosyal medya şarlatanlıkları ise tam tersine, hiçbir zaman yanıldıklarını kabul etmez.

Tarih boyunca yanlışlanamazlık insana cazip geldi, çünkü belirsizlik içinde kesinlik vaat ediyordu. Ama kesinlik, bilimin değil sahtebilimin dilidir. Galen’in gölgesinden Popper’ın ışığına yürümek, yalnızca aklın değil, aynı zamanda ahlakın da görevidir: bilimsel düşünceyi ayakta tutan şey, yanılma ihtimalini kabul etme cesaretidir.

Kaynaklar

Cialdini, R. (2009). Influence: Science and Practice. Pearson. Link

Clegg, D. O., et al. (2006). Glucosamine, chondroitin sulfate, and the two in combination for painful knee osteoarthritis. New England Journal of Medicine, 354(8), 795–808. https://doi.org/10.1056/NEJMoa052771

Croskerry, P. (2003). The importance of cognitive errors in diagnosis and strategies to minimize them. Academic Medicine, 78(8), 775–780. https://doi.org/10.1097/00001888-200308000-00003

Ernst, E. (2011). Homeopathy: what does the “best” evidence tell us? Pain, 152(8), 1747–1748. https://doi.org/10.1016/j.pain.2011.05.004

Evans, R. J. (1987). Death in Hamburg: Society and Politics in the Cholera Years, 1830–1910. Oxford University Press.

Green, M. C., & Brock, T. C. (2000). The role of transportation in the persuasiveness of public narratives. Journal of Personality and Social Psychology, 79(5), 701–721. https://doi.org/10.1037/0022-3514.79.5.701

Hacking, I. (1990). The Taming of Chance. Cambridge University Press.

Hill, A. B. (1948). Streptomycin treatment of pulmonary tuberculosis. BMJ, 2, 769.

Ioannidis, J. P. A. (2005). Why most published research findings are false. PLoS Medicine, 2(8), e124. https://doi.org/10.1371/journal.pmed.0020124

Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. Link

Kuhn, T. S. (1962). The Structure of Scientific Revolutions. University of Chicago Press.

Lakatos, I. (1978). The Methodology of Scientific Research Programmes. Cambridge University Press.

Lind, J. (1753). A Treatise of the Scurvy.

Nutton, V. (2012). Ancient Medicine. Routledge.

Porter, R. (1997). The Greatest Benefit to Mankind: A Medical History of Humanity. HarperCollins.

Popper, K. (1959). The Logic of Scientific Discovery. Routledge.

Shorter, E. (1985). The History of the Patient’s View. Transaction Publishers.

Temkin, O. (1973). Galenism: Rise and Decline of a Medical Philosophy. Cornell University Press.

Van Wyhe, J. (2004). Phrenology and the Origins of Victorian Scientific Naturalism. Ashgate.

Wear, A. (2000). Knowledge and Practice in English Medicine, 1550–1680. Cambridge University Press.

Not: Bu yazıda Türkçe dil bütünlüğü, referans düzenlemesi ve görsellerin hazırlanmasında yapay zeka kullanılmıştır.

The post Galen’den Dijital Detox şarlatanlarına: Sahtebilimin gücü ve Yanlışlanabilirlik! appeared first on Akamedika.