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.

Cumartesi ve Pazar günü 9:00-17:00 arasında Zoom üzerinden canlı olarak yürütülecek olan eğitimin önceki kurslarda hazırlanmış videolarına kursa kaydolduğunuz anda ulaşabilirsiniz.

Eğitimlerimiz interaktif olarak alanında uzman 3 akademisyen eğitmenimiz tarafından yürütülüyor. Kursiyerlerin kendi ekranlarını paylaşarak uygulama yaptıkları PRATİK oturumları da olacak. Farklı oturumlar arasında yapmanız için ÖDEVLER, kurs sonunda da GENEL TEKRAR setleri veriyor olacağız.

Öğrenim Hedefleri

Bu eğitimi tamamladığınızda,

• Regresyon analizi için model geliştirme kavramını ve model fitliğini öğrenecek, lineer regresyon, çoklu lineer regresyon ve lojistik regresyon analizlerini yapabileceksiniz,
• Sağkalım analizinin temellerini öğrenecek, yaşam tabloları, Kaplan Meier eğrilerinin çizimi, Cox Regresyon gibi analizlerini yapabileceksiniz,
• İkiden fazla bağımlı ve bağımsız grup arasında sürekli değişkenlerle ifade edilmiş değerlerin karşılaştırmalı istatistiklerini yapabileceksiniz,
• Vakalar-içi ve vakalar-arası faktörleri beraber içeren Miks ANOVA ve Genel Lineer Modeli uygulayabileceksiniz,
• Meta-analiz çalışmalarının temellerini öğrenecek, doğru bir şekilde okuyup değerlendirebileceksiniz.

Eğitmenlerimiz

• Prof. Dr. Haldun Akoğlu
• Prof. Dr. Şeref Kerem Çorbacıoğlu
• Doç. Dr. Gökhan Aksel

Kayıt olmak için Medikal İstatistik 2 kurs sayfasını ziyaret edebilirsiniz.

The post İleri İstatistik Kursu 13-14 Haziran’da Zoom üzerinden Canlı yapılacak… 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.

Programın Felsefesi

İlaç endüstrisinde çalışan medikal, klinik operasyon ve medikal bilgi ekiplerinin araştırma okuryazarlığı kritik bir yetkinliktir. Bir klinik çalışma protokolünü değerlendirmek, bir yayının metodolojik kalitesini tartmak ya da bir KOL ile bilimsel diyalog kurmak — bunların hepsi sağlam bir araştırma metodolojisi temeli gerektirir.

Bu programı tasarlarken Bloom taksonomisinin ilk üç basamağını (bilgi, kavrama, uygulama) hedefledik. İlk dört gün kavramsal çerçeveyi oluşturduk; son iki gün ise katılımcıların bu bilgiyi gerçek senaryolarda kullanmasına odaklandık.

İçerik Özeti

Programın ilk günü araştırmanın temellerine ayrıldı: paradigmalar, araştırma sorusu formülasyonu (PICO/FINER), bias türleri, iç ve dış geçerlilik kavramları ve Equator Network raporlama kılavuzları. Aynı gün içinde sistematik literatür taramanın mantığı ve PubMed üzerinde pratik arama uygulaması da yapıldı.

İkinci gün biyoistatistik kavramlarına odaklandık. Değişken türleri, tanımlayıcı istatistikler, merkez ve yayılım ölçütleri, p değeri ve güven aralığı kavramları, Tip 1 ve Tip 2 hata, örneklem büyüklüğü ve etki büyüklüğü gibi temel konuların ardından risk ölçütleri (RR, OR, LR, NNT, NNH) ve gözlemsel çalışma desenleri ele alındı.

Üçüncü gün randomize kontrollü çalışmalar, sağkalım analizi, tanısal değerlik çalışmaları ve ROC eğrileri gibi daha ileri konulara geçildi. Günün son bölümünde yapay zeka araçlarının literatür tarama, araştırma planlama ve eleştirel makale okuma süreçlerindeki potansiyel kullanımı tartışıldı.

Dördüncü ve beşinci günler tamamen uygulamaya ayrıldı. Katılımcılar küçük gruplarda sistematik literatür tarama, araştırma yöntemi seçimi ve eleştirel makale okuma egzersizleri gerçekleştirdiler.

Çıkarımlar

Bu tür programların en önemli getirisi, katılımcıların “bu çalışma güvenilir mi?” sorusunu sistematik bir çerçevede yanıtlayabilir hale gelmesidir. İlaç endüstrisinde her gün onlarca yayınla karşılaşan profesyoneller için bu beceri vazgeçilmezdir. Özellikle workshop günlerinde katılımcıların gerçek makaleler üzerinde yaptıkları eleştirel analizler, teorik bilginin pratiğe nasıl dönüştüğünü somut olarak gösterdi.

Akamedika olarak Takeda Medikal Ailesine çok teşekkür ederiz.

The post Takeda Medikal Ailesi EDUMED Eğitim Programımızı Tamamladık appeared first on Akamedika.

Sunumda, etkili anlatımın temel unsurlarından sunum hazırlığında dikkat edilmesi gereken noktalara, dinleyiciyle iletişim kurmanın inceliklerinden mesajın açık ve güçlü biçimde aktarılmasına kadar pek çok konu ele alındı. Katılımcıların soru, görüş ve katkılarıyla zenginleşen oturum, paylaşımın ve karşılıklı öğrenmenin öne çıktığı verimli bir buluşmaya dönüştü.

Toplantının sonunda, değerli katkıları ve paylaşımı için Doç. Dr. Yusuf Ali Altuncı’ya teşekkür plaketi takdim edildi.

The post Doç. Dr. Yusuf Ali Altuncı İzmir Kâtip Çelebi Üniversitesi Sürekli Tıp Eğitimi Kurulu’ndaydı 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.

Dr. Metin Cevizci liderliğinde gerçekleştirdiğimiz bu interaktif eğitimde, tıp ve klinik araştırma dünyasına hakim olan alışılmış kantitatif (nicel) bakış açısının ötesine geçerek, olaylara niteliksel (kalitatif) bir mercekle bakmanın yollarını keşfettik. Rakamların arkasında yatan gerçek hasta ve hekim içgörülerini (insight) nasıl yakalayabileceğimizi tartıştık.

Eğitimde Neler Konuştuk?

• Zihniyet Dönüşümü: Tıp pratiğinde sıklıkla aranan nedensellik ve ölçülebilirlik kavramlarının yanına, hastaların ve hekimlerin dünyasını anlama ve deneyimi çözümleme hedeflerini koyarak tam bir zihniyet dönüşümü (mind shift) üzerine konuştuk.
• Danışma Kurulları (Advisory Boards) ve Grup Dinamikleri: Sektörün vazgeçilmez bir parçası olan danışma kurullarını sadece birer toplantı olarak değil, birer nitel veri alanı olarak değerlendirmeyi öğrendik. Hiyerarşik yapıların, söylenen ile pratik arasındaki farkların ve grup dinamiklerinin analiz edilerek stratejik kör noktaların nasıl fark edilebileceğini inceledik.
• Hasta Yolculuğu (Patient Journey): Hastaların sağlık sistemi içindeki adımlarını sadece operasyonel bir akış (patient flow) olarak değil, duygu, düşünce ve ihtiyaçları barındıran bütüncül bir yolculuk olarak haritalandırmanın yollarını ele aldık.
• Araştırma Türleri ve Literatür Okuma: Fenomenoloji, etnografi, vaka çalışması gibi nitel araştırma türlerini klinik çalışmalarla kıyaslayarak, sektörel yayınların ve raporların medikal bir yönetici gözüyle nasıl daha eleştirel ve doğru yorumlanabileceğini pratik örneklerle deneyimledik.

Sağlık profesyonellerinin kendi ifadeleriyle mesleki körlüğü aşmalarına ve günlük iş süreçlerine yepyeni bir perspektif katmalarına olanak tanıyan bu eğitimde, aktif katılımları ve ufuk açıcı sorularıyla süreci zenginleştiren tüm Abdi İbrahim medikal ekibine teşekkür ederiz.

Kurumunuza özel tasarlanmış nitel araştırma, içgörü toplama ve veri yorumlama eğitimlerimizle ekiplerinizin vizyonunu genişletmek için bizimle iletişime geçebilirsiniz!

The post Nitel Çalışmaların Medikal Yönetici Gözünden Değerlendirilmesi ve Yorumlanması: Abdi İbrahim Medikal Ekibi appeared first on Akamedika.