ChatGPT İstatistik Analizi Yapabilir mi? Yapay Zeka ile İstatistiğin Dürüst Bir Değerlendirmesi

Önce hakkını verelim: yapay zeka istatistikte gerçekten neler yapabiliyor?

ChatGPT, Claude ve Gemini gibi büyük dil modelleri istatistik eğitiminde küçük bir devrim yarattı. "p değeri tam olarak ne anlama geliyor?", "ANOVA ile t-testi arasındaki fark ne?", "etki büyüklüğü neden önemli?" gibi soruları sabırla, seviyenize inerek ve istediğiniz kadar tekrar ederek açıklıyorlar. Ders kitabının bir paragrafta geçiştirdiği bir kavramı gece 2'de, kendi verinizden örnekle anlatabilen bir araç, öğrenme açısından gerçekten değerli.

Kod yazmada da güçlüler: R veya Python'da bir analiz betiği, hatta SPSS sözdizimi (syntax) istediğinizde çoğu zaman çalışan, düzgün kod üretiyorlar. Analiz çıktısını yapıştırıp "bunu nasıl yorumlarım?" diye sorduğunuzda makul bir yorum taslağı çıkarıyorlar. Veri yükleyebilen sürümler basit betimsel istatistikleri ve grafikleri de üretebiliyor.

Yani soru "yapay zeka işe yarar mı?" değil — kesinlikle yarıyor. Asıl soru şu: tezinizin veya makalenizin istatistiğini, yani sonuçlarına imza atacağınız analizi ona bırakabilir misiniz? İşte orada tablo değişiyor.

Görev görev: yapay zeka nerede iyi, nerede uzman gerekli?

Aşağıdaki tablo, 2026 itibarıyla yaygın yapay zeka araçlarının (ChatGPT, Claude, Gemini) istatistik iş akışındaki genel durumunu özetler. Modeller hızla geliştiği için tablo zamanla iyileşebilir; sınırlar ise yapısal olduğu için daha yavaş değişiyor.

Belki de en büyük tehlike: kapsamı yapay zekanın kendisi seçer

Bir istatistikçiye verinizi teslim ettiğinizde iş bir çerçeve içinde başlar: araştırma sorularınız, hipotezleriniz, değişkenlerinizin ölçüm düzeyleri ve alanınızın raporlama beklentileri analizin kapsamını baştan belirler. Yapay zekaya "şu veriye istatistik analizi yap" dediğinizde ise böyle bir çerçeve yoktur. Ortada teknik olarak yapılabilecek onlarca analiz vardır ve model, hangilerinin sizin çalışmanız için gerekli olduğunu bilmeden aralarından kendince bir seçim yapar. Sonuç çoğu zaman rastgeledir: aynı veriye bir oturumda bambaşka, diğerinde bambaşka bir analiz seti uygulanabilir.

Pratikte bu en sık eksik bırakma olarak karşınıza çıkar: model birkaç ortalama, yüzde ve grafik üretir — yani yalnızca betimsel istatistik yapar — ve bunu tamamlanmış bir analiz gibi sunar. Oysa tezinizin asıl ihtiyacı olan hipotez testleri, grup karşılaştırmaları veya ilişki analizleri hiç yapılmamıştır. Üstelik bunu çoğu zaman değişkenlerin tipini bile incelemeden yapar: kategorik bir değişkenin ortalamasını almak, sıralı (ordinal) bir ölçeği sürekliymiş gibi işlemek bu yüzden sık görülen hatalardır. Tersi de olur: gerekli gereksiz onlarca test üst üste çalıştırılır, rapor şişer ve düzeltme yapılmadan çoklu test yürütmek anlamlı çıkan sonuçların güvenilirliğini zedeler.

Bunu bu kadar tehlikeli yapan şey, çıktının her iki durumda da derli toplu ve bitmiş görünmesidir. Eksik olanın ne olduğunu görmek, yapılanın yanlışını bulmaktan daha zordur — çünkü ortada size "burada bir sorun var" diyecek bir işaret yoktur. Bir istatistikçinin işinin ilk adımı tam da budur: analize başlamadan önce "bu araştırma sorusu neyi gerektiriyor, bu veri neye izin veriyor?" sorusunu sormak ve kapsamı ona göre kurmak. Yapay zeka bu direktifi kendi kendine veremez; birinin ona vermesi gerekir.

Yapay zekanın istatistikte hâlâ zorlandığı yerler

Bu sınırların çoğu "henüz yeterince iyi değil" türünden değil; büyük dil modellerinin çalışma biçiminden kaynaklanan yapısal sorunlar. Bu yüzden model sürümü değişse de dikkatli olmaya devam etmek gerekiyor.

• Emin dille yanlış cevap: yapay zeka yanıldığında bunu tereddütlü bir dille değil, doğru cevapla aynı özgüvenle söyler. İstatistik bilmeyen biri için ikisini ayırt etmek neredeyse imkânsızdır.

• Sayı halüsinasyonu: özellikle uzun oturumlarda ve çıktı yorumlamada, gerçek analizde olmayan p değerleri, ortalamalar veya güven aralıkları üretebilir — üstelik tablo formatında, gayet inandırıcı görünerek.

• Varsayım körlüğü: siz sormadıkça normallik, varyans homojenliği, çoklu bağlantı gibi kontrolleri gündeme getirmez; oysa tez jürilerinin ve hakemlerin ilk baktığı yer genellikle burasıdır.

• Bağlam eksikliği: araştırma deseninizi, örneklem yapınızı ve alanınızın raporlama geleneklerini bilmez; teknik olarak doğru ama çalışmanıza uygun olmayan öneriler verebilir.

• Tekrarlanabilirlik sorunu: aynı soruya farklı oturumlarda farklı cevaplar verebilir. Bilimsel analizin temel şartı olan tekrarlanabilirlik, sohbet arayüzünde güvence altında değildir.

• Veri gizliliği: ham veriyi — özellikle hasta verisi veya kişisel bilgi içeriyorsa — herkese açık bir sohbet botuna yüklemek KVKK ve etik kurul taahhütleriniz açısından ciddi sorun yaratabilir.

• Sorumluluk boşluğu: analiz yanlış çıktığında düzeltmeyi, savunmayı ve sonuçlarına katlanmayı yapay zeka üstlenmez. Bir uzmanla çalıştığınızda ise hatanın muhatabı ve çözücüsü bellidir.

Uzman elinde yapay zeka: bambaşka bir araç

İşin ilginç tarafı şu: yapay zekadan istatistikte en çok verim alanlar, ona en az muhtaç olanlar. Konuya hâkim bir analist yanlış test önerisini iki satırda fark eder, halüsinasyon bir p değerini gerçek çıktıyla karşılaştırıp yakalar, eksik varsayım kontrolünü sorar ve aracı gerçekten iyi olduğu işlerde — hız, taslak, alternatif yaklaşım denemesi — çalıştırır. Aynı araç, çıktıyı denetleyemeyen birinin elinde ise hatayı hızlandıran bir mekanizmaya dönüşebilir.

Bu yüzden "yapay zeka mı, istatistikçi mi?" sorusu aslında yanlış kurulmuş bir soru. Doğru soru şu: "bu analizin doğruluğunu kim garanti ediyor?" Yapay zeka bir araçtır; sorumluluğu olan, verinizi bağlamıyla birlikte değerlendiren ve jüri karşısında savunabileceğiniz bir gerekçe üreten taraf her zaman insandır. En güçlü kombinasyon ikisinin karşı karşıya konması değil, uzmanlığın araçları denetleyerek kullanmasıdır.

GetBayes olarak biz de tam bu noktada duruyoruz: işimiz, hangi araç kullanılırsa kullanılsın sonunda ortaya savunulabilir bir analiz çıkmasını sağlamak. Yapay zeka ile bir yere kadar gelmiş araştırmacılardan düzenli olarak şu talebi alıyoruz: "Buraya kadar getirdim ama doğru mu emin değilim." Bu durumda analizi kaldığı yerden devralıyor, sayıları gerçek çıktılarla doğruluyor, eksik varsayım kontrollerini tamamlıyor ve raporu jüri ile hakem karşısında savunulabilir hâle getiriyoruz.

Tezinizde yapay zekayı güvenle kullanmak için 5 kural

Yapay zekayı tamamen dışlamak gerekmiyor; doğru sınırlar içinde kullanmak gerekiyor. Şu beş kural riskin büyük kısmını ortadan kaldırır:

1. 01

   Öğrenmek için kullanın, karar vermek için değil

   Kavram açıklatmak, kod taslağı almak ve yorum fikri edinmek için mükemmel. Ama test seçimi, örneklem kararı ve raporlanacak sonuçlar gibi tezinizin kaderini belirleyen kararları tek başına yapay zekaya bırakmayın.

2. 02

   Ham veriyi yüklemeden önce iki kez düşünün

   Kişisel bilgi veya hasta verisi içeren dosyaları herkese açık sohbet botlarına yüklemeyin; en azından anonimleştirin. Etik kurul başvurunuzda verinin nasıl işleneceğine dair taahhütleriniz olduğunu unutmayın.

3. 03

   Her sayıyı bağımsız doğrulayın

   Yapay zekanın verdiği her p değerini, ortalamayı ve tabloyu SPSS, JASP veya R ile aynı analizi çalıştırarak teyit edin. Doğrulayamadığınız hiçbir sayıyı teze veya makaleye koymayın.

4. 04

   Üniversitenizin ve derginizin yapay zeka politikasını okuyun

   Birçok üniversite ve dergi, yapay zeka kullanımını beyan etmenizi istiyor; bazıları belirli kullanımları kısıtlıyor. Savunmada veya hakem sürecinde sürpriz yaşamamak için politikayı baştan öğrenin.

5. 05

   Kritik eşiklerde bir uzmana danışın

   Test seçimi, güç analizi, beklenmedik sonuçlar ve rapor son hâli gibi geri dönüşü zor noktalarda işin uzmanına göstermek, yanlış yolda haftalar kaybetmekten her zaman ucuzdur.

Peki gelecekte? Dürüst cevap: bilmiyoruz — ama bugünü biliyoruz

Bu araçlar birkaç yılda kimsenin beklemediği bir hıza ulaştı ve gelişmeye devam ediyor. Beş yıl sonra istatistik analizinin ne kadarının güvenle otomatikleşeceğini bugünden kimse dürüstçe söyleyemez — biz de söylemiyoruz. Kesin konuşan herkese biraz şüpheyle yaklaşın.

Ama bugünü biliyoruz: 2026'da, sonuçlarını jüri, hakem veya etik kurul karşısında savunacağınız bir çalışmada istatistik uzmanlığı hâlâ vazgeçilmez. Üstelik yapay zeka yaygınlaştıkça uzmanlığın rolü azalmıyor, yer değiştiriyor: artık uzmanlar yalnızca analiz yapmıyor, giderek daha sık "bu çıktı doğru mu?" sorusunun hakemi oluyor. Aracın kendisini denetleyebilmek de bir uzmanlıktır.

Özetle: yapay zekayı öğrenme yolculuğunuzda kullanın, ondan korkmayın — ama tezinizin istatistiğine imza atmadan önce, o imzanın arkasında durabilecek bir uzmanlığın süreçte yer aldığından emin olun. O uzmanlık sizde varsa harika; yoksa biz buradayız.