Araştırmacılar İçin Prompt Mühendisliği: Örnek İstemler

Basira Editör Ekibi · · 13 dk okuma · Güncellendi: 17 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Prompt mühendisliği, modeli değiştirmeden yalnız girdiyi tasarlayarak istenen türden yanıtı daha olası kılma işidir; iyi bir istem yanıtı biçimlendirir ama doğruluğunu güvenceye almaz.
  • Araştırmacının işinde iyi bir istem altı öğe taşır: rol, bağlam, görev, biçim, kısıt ve gerekirse örnek. En sık unutulan, modelin kendi başına bilemeyeceği bağlamdır: desen, ölçek düzeyi, yazılım.
  • Az örnekli ve adım adım akıl yürütme istemlerinin hakemli kanıtı vardır; ama sonuçlar örneklerin sırasına ve istemin biçimine duyarlıdır, adım adım açıklama da modelin gerçek gerekçesini her zaman yansıtmaz.
  • Modelden kendi yanıtını denetlemesini istemek dış bir ölçüt olmadan güvenilir değildir; doğrulama çalıştırılan koda, yazılım belgesine, çıktı tablosuna ve kaynağın kendisine dayanır.
  • Yeniden üretilebilirlik için aracı, model sürümünü, tarihi, ayarları, istemin tam metnini ve yanıtı kaydedin.

İçindekiler

İçindekiler

Araştırmacılar için prompt mühendisliği, bir dil modeline verilen metni (istemi) analiz planı, kod açıklaması ya da bulgu cümlesi gibi işlerde kullanışlı ve denetlenebilir bir yanıt alacak biçimde tasarlamaktır. İyi bir istem rolü, bağlamı, görevi, biçimi ve kısıtları açıkça yazar; ama hiçbir istem hesabın ya da kaynağın doğrulanmasının yerine geçmez.

Prompt mühendisliği nedir?

İstem (İngilizce prompt), bir dil modeline (büyük dil modeli, İngilizce kısaltmasıyla LLM) verilen ve yanıtın üretileceği bağlamı oluşturan metnin tamamıdır: soru, yönerge, yapıştırılan çıktı ya da kod, verilen örnekler. Prompt mühendisliği, istenen türden yanıtı daha olası kılmak için bu metni bilinçli biçimde tasarlama ve sınama işidir. Model yeniden eğitilmez, ağırlıkları değişmez; değişen yalnız girdidir.

Bunu geniş ölçekte gösteren çalışma Brown vd. (2020) oldu. 175 milyar parametreli GPT-3’e görev ve birkaç örnek yalnız metin olarak verildi; model hiçbir gradyan güncellemesi ya da ince ayar yapılmadan birçok görevde, bazılarında ince ayarlı yöntemlere yaklaşan bir başarı gösterdi. O günden bu yana “modele ne yazdığınız” ayrı bir beceri olarak ele alınmaktadır.

İpucu

İstatistikçinin diliyle söylemek gerekirse: dil modeli, önceki metne koşullu olarak bir sonraki sözcük parçasının (token) olasılık dağılımını kestirir ve yanıtı bu dağılımdan örnekleyerek üretir. İstem bu koşullu dağılımın koşuludur. İyi bir istem olası yanıtların uzayını işinize yarayan bölgeye daraltır; o bölgedeki yanıtın doğru olduğunu ise güvenceye almaz. Dil modellerinin yapay zekâ içindeki yeri için yapay zekâ nedir yazısına bakabilirsiniz.

İstem dışındaki ayar: sıcaklık

Yanıtın ne kadar değişken olacağını istemin yanında örnekleme ayarları da belirler. En bilineni sıcaklıktır (TT). Modelin her aday sözcük parçası için ürettiği ham puanlar (ziz_i) olasılığa dönüştürülmeden önce sıcaklığa bölünür:

pi=exp⁡(zi/T)∑jexp⁡(zj/T)p_i = \frac{\exp(z_i / T)}{\sum_j \exp(z_j / T)}

Burada pip_i, ii‘nci adayın seçilme olasılığıdır; paydadaki toplam bütün adaylar (jj) üzerinden alınır.

TT 1’den küçükse dağılım sivrileşir ve en olası aday öne çıkar; 1’den büyükse dağılım yayvanlaşır ve olasılığı düşük adaylar da seçilebilir. Holtzman vd. (2020), dağılımın uzun kuyruğundan örneklemenin tutarsız metne yol açtığını göstermiş ve yalnız toplam olasılığı belirli bir eşiğe ulaşan en olası adaylar arasından örnekleyen çekirdek örneklemeyi (top-p) önermiştir. Bu ayarlar bazı araçlarda kullanıcıya açıktır, bazılarında hizmet tarafından sabitlenir. Analiz işlerinde düşük sıcaklık değişkenliği azaltır, ama aynı yanıtı güvenceye almaz (Ouyang vd., 2025); ayrıntısı yapay zekâ ile veri analizi yazısının yeniden üretilebilirlik bölümündedir.

İyi bir istem hangi öğelerden oluşur?

Bir istem tek bir sorudan ibaret olabilir; ama araştırma işinde yanıtın denetlenebilir olması için çoğu zaman altı öğe gerekir.

ÖğeNe söyler?Araştırmacının işinde örnek
RolYanıtın hangi uzmanlıkla ve hangi üslupla yazılacağı”Nicel araştırma yöntemleri dersi veren bir öğretim üyesi gibi yanıtla.”
BağlamModelin kendi başına bilemeyeceği bilgilerDesen, örneklem büyüklüğü, değişkenler ve ölçek düzeyleri, kullanılan yazılım ve sürümü
GörevTek ve açık bir iş”Bu çıktıyı APA 7 biçiminde tek bir bulgu cümlesine çevir.”
BiçimYanıtın şekliTablo sütunları, madde sayısı, kodun dili, başlıklar
KısıtYapılmayacak olanlar”Çıktıda olmayan sayı yazma.” “Kaynak gösterme.” “Emin olmadığın yeri [DOĞRULA] diye işaretle.”
Örnekİstenen çıktının bir ya da birkaç örneğiDaha önce yayımladığınız bir makaleden bir bulgu cümlesi

Rol, yanıtın üslubunu ve ayrıntı düzeyini ayarlamak için kullanılabilir; ama doğruluğu artırdığına dair tutarlı kanıt yoktur: 162 rol ve 2.410 olgusal soruyla yapılan bir değerlendirmede sistem istemine rol eklemek, rol eklememeye göre performansı iyileştirmemiştir; yazarlar tek tek rollerin etkisinin büyük ölçüde rastlantısal olabileceğini belirtir (Zheng vd., 2024). “Deneyimli bir istatistikçi gibi yanıtla” demek modeli istatistikçi yapmaz.

Asıl iş bağlamdadır. Desen (grupların bağımsız mı yoksa eşleştirilmiş mi olduğu), ölçüm ve kodlama bir tablodan okunmaz; sütun adları ve sayılar bunları söylemez. Bir sütunun hangi ölçek düzeyinde olduğu da böyledir (tek bir Likert maddesi sıralıdır; ayrıntısı Likert ölçeği analizi yazısındadır). İstemde yazılmayan bilgiyi model tahminle doldurur.

Kısıtlar ise yanıtı denetlenebilir kılar: çıktıda olmayan sayıyı yasaklamak, her sayının bir kaynağa geri izlenebilmesini sağlar.

Hangi teknikler işe yarar, kanıt ne diyor?

Aşağıdaki tekniklerin çoğu hakemli çalışmalarla tanıtılmış ya da sınanmıştır. İki noktada kanıt hakemli değildir: yapılandırılmış çıktı için ölçülmüş bir kanıt değil, denetlenebilirlik gerekçesi vardır; adım adım istemin değerinin azaldığı bulgusu ise hakemsiz bir teknik rapordan gelir. Kasım 2026 itibarıyla bu kanıtların çoğu 2020–2023 modelleriyle elde edilmiştir; bugünkü modellerde etkiler daha küçük ya da farklı olabilir. Bu yüzden her tekniği kendi işinizde, birkaç örnek üzerinde sınamak gerekir.

Sıfır ve az örnekli istem

Sıfır örnekli istemde modele yalnız görev yazılır. Az örnekli istemde görevin yanına birkaç girdi-çıktı örneği eklenir (Brown vd., 2020). Araştırmacı için az örnekli istemin en açık yararı biçimdir: iki örnek bulgu cümlesi, modelin hangi sırayla ve hangi gösterimle yazacağını uzun bir açıklamadan daha iyi anlatır.

Bedeli duyarlılıktır. Lu vd. (2022), aynı örneklerin yalnız sırasını değiştirmenin performansı en iyi düzeye yakın bir başarıyla rastgele tahmin arasında oynatabildiğini göstermiştir. Sclar vd. (2024) ise anlamı değiştirmeyen biçim farklarının (ayırıcı işaret, boşluk, büyük-küçük harf) LLaMA-2-13B modelinde doğruluğu 76 puana varan ölçüde değiştirdiğini bulmuştur.

Dikkat

Bir istemin tek bir örnekte iyi çalışması, başka örneklerde de çalışacağının kanıtı değildir.

Adım adım akıl yürütme istemi

Wei vd. (2022), örneklere yalnız yanıtı değil ara adımları da yazmanın (chain-of-thought) çok adımlı akıl yürütme görevlerinde başarıyı belirgin biçimde artırdığını göstermiştir: 540 milyar parametreli bir model, ara adımları içeren sekiz örnekle matematik problemlerinden oluşan GSM8K testinde o günün en iyi sonucuna ulaşmıştır. Kojima vd. (2022) örneğe bile gerek olmadığını bulmuştur: yanıtın önüne “Adım adım düşünelim” anlamındaki tek bir cümle eklemek, bir modelin doğruluğunu MultiArith testinde %17,7’den %78,7’ye, GSM8K’da %10,4’ten %40,7’ye çıkarmıştır.

İki uyarı vardır.

  • Birincisi, adım adım yazılan açıklama modelin gerçek gerekçesi olmayabilir. Turpin vd. (2023), istemdeki örnek sorularda seçenekleri doğru yanıt hep “(A)” olacak biçimde yeniden sıralamak gibi yanlılık yaratan özelliklerin modelin yanıtını değiştirdiğini, ama modellerin bunu açıklamalarında sistematik biçimde anmadığını göstermiş; 13 görevde doğruluk %36’ya varan ölçüde düşmüştür. Açıklama bir denetim izi değildir.
  • İkincisi, tekniğin yararı her görevde aynı değildir ve azalıyor olabilir. Sprague vd. (2025), 100’den fazla çalışmayı kapsayan bir meta-analizde ve 14 modelle yaptıkları kendi değerlendirmelerinde adım adım akıl yürütmenin kazancının ağırlıkla matematik ve mantık görevlerinde ortaya çıktığını, öteki görevlerde çok daha küçük kaldığını bulmuştur. Hakemsiz bir teknik raporda Meincke vd. (2025) ise adım adım düşünmeyi kendiliğinden yapan yeni modellerde açık istemin doğruluğa çok az katkı verdiğini ya da hiç vermediğini, yanıt süresini ve maliyeti ise belirgin biçimde artırdığını bildirmiştir.

Yapılandırılmış çıktı

Yanıtı serbest metin yerine sabit başlıklı bir tablo, madde listesi ya da makinece okunabilir bir biçimde (ör. JSON) istemek, yanıtın doğruluğunu değil denetlenebilirliğini artırır. Her sayının kendi hücresinde durduğu bir tabloyu çıktıyla satır satır karşılaştırmak, uzun bir paragrafın içinde sayı aramaktan kolaydır. Biçim seçildikten sonra sabit tutulur; Sclar vd. (2024) biçimdeki küçük değişikliklerin bile sonucu etkileyebildiğini göstermiştir.

Kendini denetleme

Modelden kendi yanıtını gözden geçirmesini istemek iki farklı biçimde yapılabilir. Dhuliawala vd. (2024) dört adımlı bir yol önerir: model önce taslak yanıtı yazar, sonra bu taslağı sınayacak doğrulama soruları üretir, bu soruları birbirinden bağımsız olarak yanıtlar ve son olarak taslağı bu yanıtlara göre düzeltir. Bu yol liste sorularında, kapalı kitap soru yanıtlamada ve uzun metin üretiminde uydurma bilgiyi azaltmıştır.

Öte yandan Huang vd. (2024), dışarıdan bir geri bildirim olmadığında dil modellerinin akıl yürütme yanıtlarını kendi kendine düzeltmekte zorlandığını, bazı görevlerde başarının düzeltme sonrasında düştüğünü göstermiştir. Araştırmacı için sonuç açıktır: denetim adımı dış bir ölçüte dayanmalıdır. Bu ölçüt çalıştırılan kod, yazılımın belgesi, çıktı tablosu ya da kaynağın kendisidir.

Beş tekniğin özeti:

TeknikNe zaman yararlı?KanıtDikkat
Sıfır örnekli istemGörev açık ve kısa olduğundaBrown vd. (2020)Bağlam eksikse model tahminle doldurur
Az örnekli istemBelirli bir biçim ve gösterim istendiğindeBrown vd. (2020)Örneklerin sırasına ve biçimine duyarlı (Lu vd., 2022; Sclar vd., 2024)
Adım adım akıl yürütmeÇok adımlı hesap ya da mantık sorularındaWei vd. (2022); Kojima vd. (2022)Açıklama gerçek gerekçe olmayabilir (Turpin vd., 2023); kazanç ağırlıkla matematik ve mantıkta (Sprague vd., 2025); yeni modellerde katkısı küçük olabilir (Meincke vd., 2025; hakemsiz rapor)
Yapılandırılmış çıktıYanıt bir çıktıyla karşılaştırılacaksaÖlçülmüş kanıt yok; denetlenebilirlik gerekçesiDoğruluğu artırmaz; biçim sabit tutulur
Kendini denetlemeOlgusal yanıtlardaDhuliawala vd. (2024)Dış ölçüt olmadan güvenilmez (Huang vd., 2024)

İstatistik işlerinde örnek istemler

Aşağıdaki üç istem kurgusal ve temsilîdir: belirli bir modelle denenmiş gerçek istemler değil, öğelerin nasıl bir araya geldiğini göstermek için bu yazıda hazırlanmış örneklerdir. Her birinin sonunda yanıtın nasıl doğrulanacağı yazılıdır. Hiçbirinde gerçek katılımcı verisi yoktur; yalnız değişken adları ve desen bilgisi verilir.

1. Analiz planı taslağı

Rol: Nicel araştırma yöntemleri dersi veren bir öğretim üyesi gibi yanıtla.

Bağlam: Bir yüksek lisans tezinde iki öğretim yöntemini karşılaştırıyorum.
Öğrenciler iki gruba rastgele atanacak (etkileşimli, klasik). Bağımlı değişken
0-100 arası sınav puanı. Dönem başı puanı ve cinsiyet yalnız grupların
denkliğini göstermek için toplanacak. Veri henüz toplanmadı.

Görev: Bu çalışma için bir analiz planı taslağı yaz.

Biçim: Tablo. Sütunlar: araştırma sorusu, hipotez, bağımlı değişken ve ölçek
düzeyi, birincil test, duyarlılık analizi, etki büyüklüğü.

Kısıtlar:
- İki bağımsız grupta varsayılan test Welch t-testi olsun. Mann-Whitney U
  yalnız bağımlı değişken sıralıysa ya da bir grup belirgin biçimde normal
  dışıysa (|çarpıklık| > 2 ya da |fazla basıklık| > 7) birincil olsun; öteki
  test duyarlılık analizi olarak yer alsın.
- Testi Levene ya da Shapiro-Wilk sonucuna göre seçme; bu testler yalnız
  raporlanır.
- Kaynak gösterme. Emin olmadığın her yeri [DOĞRULA] diye işaretle.

Doğrulama adımı. Tablodaki her satırı hipotezlerinizle ve istatistiksel test seçimi rehberindeki karar tablosuyla tek tek karşılaştırın. Modelin kendiliğinden eklediği analizler (ör. cinsiyete göre alt grup karşılaştırmaları) planın parçası değildir; araştırma sorusu gerektirmiyorsa çıkarılır, çünkü her ek test birinci tür hata olasılığını büyütür.

Örneklem büyüklüğü bu istemle değil, ayrı bir G*Power ile güç analizi ile hesaplanır; hesabın mantığı örneklem büyüklüğü hesaplama yazısındadır. Planın tezdeki yeri ve sırası tez istatistik analizi yol haritasında anlatılır.

2. Kod açıklaması

Rol: R öğreten bir araştırma görevlisi gibi yanıtla.

Bağlam: Aşağıdaki R kodunu bir önceki öğrenciden devraldım. "veri" adlı tabloda
"yontem" (iki düzeyli: etkilesimli, klasik) ve "puan" sütunları var.

  veri <- read.csv("sinav.csv")
  sonuc <- t.test(puan ~ yontem, data = veri)
  sonuc$conf.int

Görev: Kodun her satırının ne yaptığını açıkla.

Biçim: Her satır için iki cümle. Sonda ayrı bir başlık altında: bu kod
Student t-testini mi Welch t-testini mi çalıştırır ve güven aralığı hangi
grubun ortalamasından hangisinin çıkarılmasıyla elde edilen farka aittir?

Kısıt: Her işlevin varsayılan ayarlarını açıkça yaz. Bir varsayılandan emin
değilsen bunu söyle ve R'nin hangi yardım sayfasına bakılacağını belirt.

Doğrulama adımı. Modelin varsayılan ayarlar hakkında söylediklerini R’nin kendi belgesinden (?t.test) okuyun; burada var.equal argümanı varsayılan olarak FALSE’tur ve kod Welch t-testini çalıştırır. Farkın yönünü de deneyerek doğrulayın: formül arayüzünde fark, yontem etkeninin birinci düzeyinden ikinci düzeyin çıkarılmasıdır ve düzeyler aksi belirtilmedikçe alfabetik sıradadır.

Kodu kendi bilgisayarınızda çalıştırıp çıktıdaki ortalamaları açıklamayla karşılaştırmadan açıklamayı tezinize ya da notlarınıza almayın. Aynı işin Python’da hangi varsayılan tuzağa düştüğü yapay zekâ ile veri analizi yazısındaki örnekte gösterilmiştir.

3. Sonuç çıktısını APA 7 cümlesine çevirme

Bu istemin girdisi, bağımsız örneklem t-testi yazısındaki çözümlü örneğin çıktısıdır; sayılar o yazıda bağımsız olarak yeniden hesaplanmıştır (d’nin güven aralığı, o yazıda açıklanan yaklaşık standart hata yöntemiyle hesaplanmıştır; merkezsiz t dağılımına dayanan aralık biraz farklı çıkabilir).

Rol: Psikoloji dergisinde editörlük yapan bir istatistikçi gibi yanıtla.

Bağlam: Öğrenciler iki öğretim yöntemine rastgele atandı. Analiz Welch
t-testiyle yapıldı. Çıktı:

  Grup          n    Ort.    SS
  Etkileşimli   19   74.37   10.85
  Klasik        23   67.22    6.39
  Welch t = 2.53, df = 27.9, p = 0.017
  Ortalama fark = 7.15, %95 GA [1.37, 12.93]
  Cohen's d = 0.82, %95 GA [0.17, 1.48]

Görev: Bu çıktıyı APA 7 biçiminde tek bir Türkçe bulgu cümlesine çevir.

Biçim: Ortalama ve standart sapmalar, test adı, serbestlik derecesi, t, p,
ortalama fark ve güven aralığı, d ve güven aralığı. İstatistik gösteriminde
ondalık nokta; p ve r gibi 1'i aşamayan istatistiklerde baştaki sıfır
yazılmaz, d gibi 1'i aşabilenlerde yazılır.

Kısıtlar: Çıktıda olmayan hiçbir sayıyı yazma; sayıları yuvarlama ya da
değiştirme. Etkinin büyüklüğü hakkında güven aralığının desteklemediği bir
yorum ekleme.

Beklenen yanıt, o yazının raporlama bölümündeki cümleyle aynıdır:

Etkileşimli yöntemle ders alan öğrencilerin sınav puanı (M = 74.37, SS = 10.85) klasik anlatımla ders alanlardan (M = 67.22, SS = 6.39) anlamlı biçimde yüksektir, Welch t(27.9) = 2.53, p = .017, ortalama fark = 7.15 puan, %95 GA [1.37, 12.93], d = 0.82, %95 GA [0.17, 1.48].

Kısıtlar yazılmadığında tipik bir yanıt şuna benzer (temsilîdir):

Etkileşimli yöntemin sınav başarısı üzerinde büyük bir etkisi olduğu
kanıtlanmıştır, t(28) = 2.53, p = 0.017, d = 0.82.

Doğrulama adımı. Cümledeki her sayıyı çıktıdaki karşılığıyla tek tek eşleştirin. Temsilî yanıtta dört sorun vardır.

  • Birincisi bir bilgi kaybıdır: serbestlik derecesi 28’e yuvarlanmıştır; oysa Welch’in kesirli serbestlik derecesi (27.9) hangi testin yapıldığını gösterir, tam sayıya yuvarlamak bu bilgiyi siler.
  • İkincisi p değerinde baştaki sıfırın yazılmasıdır.
  • Üçüncüsü grup ortalamalarının ve güven aralıklarının düşmesidir.
  • Dördüncüsü, “Büyük bir etki kanıtlanmıştır” yorumunun veriyle uyumlu olmamasıdır: d’nin güven aralığı 0.17 ile 1.48 arasındadır, yani etkinin küçük de büyük de olması veriyle uyumludur.

Bu tür hatalar ancak sayı sayı karşılaştırmayla yakalanır; modelden “kontrol et” demek yerine bu eşleştirmeyi kendiniz yapın.

Prompt mühendisliğinin sınırları neler?

İstem ne kadar iyi yazılırsa yazılsın dört sınır değişmez: sayılar çalıştırılan koddan ve bir istatistik yazılımından gelir (model hesap yapmaz, hesaba benzeyen metin üretir); kısıtlar uydurmayı azaltır ama ortadan kaldırmaz; istemin içine yapıştırılan veri paylaşılmış veridir; yöntem kararı ise araştırmacıda kalır. Bunların ayrıntısı ve kanıtı yapay zekâ ile veri analizi yazısındadır; KVKK’nın üretken yapay zekâ rehberinin önerileri de o yazıdaki “Gizlilik ve KVKK” bölümünde özetlenmiştir.

İstemler nasıl kaydedilir?

Bir analizin yeniden üretilebilmesi, aynı veriyle aynı sonuca nasıl varıldığının kaydedilmesine bağlıdır. Dil modeli kullanılan bir işte bu kayıt, istemin kendisini de kapsar. Bunun üç nedeni vardır: modeller zamanla değişir (Chen vd., 2024), aynı istem aynı anda bile farklı yanıtlar verebilir (Ouyang vd., 2025) ve Sclar vd. (2024) istemin biçimindeki küçük farkların bile sonucu değiştirebildiğini göstermiştir. “Benzer bir istem kullandım” demek yetmez; istemin tam metni gerekir.

Her önemli kullanım için kısa bir kayıt yeterlidir:

Tarih: 2026-11-08
Araç ve model: (hizmetin adı, model adı ve sürümü)
Ayarlar: sıcaklık ve öteki ayarlar (araç gösteriyorsa)
Amaç: Analiz planı taslağı, veri toplanmadan önce
İstem: tam metin (ayrı dosyada: istem-03.txt)
Yanıt: tam metin (ayrı dosyada: yanit-03.txt)
Kullanıldığı yer: Yöntem bölümü, Tablo 2 taslağı
Doğrulama: Test seçimi karar tablosuyla karşılaştırıldı; iki satır değiştirildi

Bu kayıt iki işe yarar. Birincisi, aylar sonra danışmanınız ya da bir hakem “bu tablo nereden geldi?” diye sorduğunda yanıtınız hazırdır.

İkincisi, kurumlar ve dergiler yapay zekâ kullanımının açıklanmasını ister. YÖK’ün yükseköğretim kurumları için hazırladığı 2024 etik rehberi, üretken yapay zekâ kullanılan bölümlerin yöntem kısmında açıklanmasını gerekli sayar ve raporlamada hangi aracın, ne zaman, çalışmanın hangi aşamasında ve hangi sürümüyle kullanıldığının belirtilmesini ister (Yükseköğretim Kurulu, 2024).

Tıp dergileri için hazırlanan ICMJE önerileri de yapay zekâ destekli araçların kullanılıp kullanılmadığının beyan edilmesini, veri analizinde kullanıldıysa bunun yöntem bölümünde anlatılmasını ister; sohbet botları yazar olarak gösterilmez (International Committee of Medical Journal Editors [ICMJE], 2026). Ayrıntılar kurumdan kuruma ve dergiden dergiye değişir; güncel yönerge hedef derginin ve enstitünün sayfasından okunur. Elinizde tarihli bir kayıt varsa beyan birkaç cümlelik bir iştir.

Dikkat

Kayıt, analizin belgesi değildir. Analizin belgesi çalıştırdığınız kod ve onun çıktısıdır; istem kaydı yalnız o koda nasıl ulaştığınızı gösterir.

Sık sorulan sorular

İstemin başına “adım adım düşün” yazmak her zaman işe yarar mı?

Hayır. Bu istem 2022’de bazı modellerde çok adımlı sorularda doğruluğu belirgin biçimde artırmıştır (Kojima vd., 2022). Adım adım düşünmeyi kendiliğinden yapan yeni modellerde katkısı küçük olabilir, yanıt süresini ise uzatır (Meincke vd., 2025; hakemsiz rapor). Ayrıca yazılan adımlar modelin gerçek gerekçesi olmayabilir (Turpin vd., 2023).

Modelden kendi yanıtını kontrol etmesini istemek yeterli mi?

Yeterli değildir. Dışarıdan bir geri bildirim olmadığında modeller akıl yürütme hatalarını kendi kendine düzeltmekte zorlanır, bazen yanıtı daha da kötüleştirir (Huang vd., 2024). Denetim çalıştırılan kodla, yazılım belgesiyle ya da kaynağın kendisiyle yapılır.

İnternette paylaşılan hazır istem şablonlarını kullanabilir miyim?

Başlangıç noktası olarak kullanabilirsiniz. Ama aynı istemin farklı biçimleri ve örneklerin farklı sıraları sonucu belirgin biçimde değiştirebildiği için (Lu vd., 2022; Sclar vd., 2024) bir şablonu kendi işinizden birkaç örnekle sınamadan rutin kullanıma almayın.

Sıcaklık hangi araçlarda ayarlanır?

Bu araca göre değişir: bazı araçlar ve programlama arayüzleri sıcaklığı ve öteki örnekleme ayarlarını kullanıcıya açar, bazı sohbet arayüzlerinde ise hizmet bunları sabitler. Hangisinin geçerli olduğu aracın belgesinden okunur. Ayar açıksa değeri kayda yazın; açık değilse kayıtta ayarın gösterilmediğini belirtin. Düşük sıcaklık değişkenliği azaltır ama aynı yanıtı güvenceye almaz (Ouyang vd., 2025).

İstemin içindeki örnek veri kişisel veri sayılır mı?

Kimliği belirli ya da belirlenebilir bir gerçek kişiye ilişkin her bilgi kişisel veridir (6698 sayılı Kişisel Verilerin Korunması Kanunu); gerçek katılımcılara ait satırlar çoğu zaman bu kapsamdadır; anonimleştirmenin ayrıntısı yapay zekâ ile veri analizi yazısındaki “Gizlilik ve KVKK” bölümündedir. YÖK’ün 2024 rehberi, kişisel verilerin anonimleştirilmediği ya da yapay zekâ sistemi dışında maskelenmediği sürece bu sistemlere girilmemesini ister (Yükseköğretim Kurulu, 2024). Kod yazdırmak ya da çıktı açıklatmak için çoğu zaman değişken adları, türleri ve elle uydurulmuş birkaç satır yeterlidir. Etik kurul onayınızdaki ve bilgilendirilmiş onam metnindeki taahhütlere de bakın.

Beyan için hangi kayıt yeterli?

YÖK’ün 2024 rehberi, raporlamada hangi aracın, ne zaman, çalışmanın hangi aşamasında ve hangi sürümüyle kullanıldığının belirtilmesini ister (Yükseköğretim Kurulu, 2024). Bu yazıdaki kayıt örneği bu bilgileri taşır; istemin tam metni, yanıt ve doğrulama notu da yeniden üretilebilirlik için eklenir. Dergi ve enstitü kendi biçimini isteyebilir; güncel yönergeye bakın.

  • #yapay-zeka
  • #buyuk-dil-modelleri
  • #prompt-muhendisligi
  • #tekrarlanabilirlik

Bilimsel inceleme

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

İnceleme tarihi:

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Kaynakça

  1. Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. In H. Larochelle, M. Ranzato, R. Hadsell, M. F. Balcan, & H. Lin (Eds.), Advances in Neural Information Processing Systems 33 (pp. 1877–1901). Curran Associates.
  2. Chen, L., Zaharia, M., & Zou, J. (2024). How is ChatGPT's behavior changing over time? Harvard Data Science Review, 6(2).
  3. Dhuliawala, S., Komeili, M., Xu, J., Raileanu, R., Li, X., Celikyilmaz, A., & Weston, J. (2024). Chain-of-verification reduces hallucination in large language models. In Findings of the Association for Computational Linguistics: ACL 2024 (pp. 3563–3578). Association for Computational Linguistics.
  4. Holtzman, A., Buys, J., Du, L., Forbes, M., & Choi, Y. (2020). The curious case of neural text degeneration. In International Conference on Learning Representations (ICLR 2020).
  5. Huang, J., Chen, X., Mishra, S., Zheng, H. S., Yu, A. W., Song, X., & Zhou, D. (2024). Large language models cannot self-correct reasoning yet. In International Conference on Learning Representations (ICLR 2024).
  6. International Committee of Medical Journal Editors. (2026). Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals.
  7. Kojima, T., Gu, S. S., Reid, M., Matsuo, Y., & Iwasawa, Y. (2022). Large language models are zero-shot reasoners. In S. Koyejo, S. Mohamed, A. Agarwal, D. Belgrave, K. Cho, & A. Oh (Eds.), Advances in Neural Information Processing Systems 35 (pp. 22199–22213). Curran Associates. https://doi.org/10.52202/068431-1613
  8. Lu, Y., Bartolo, M., Moore, A., Riedel, S., & Stenetorp, P. (2022). Fantastically ordered prompts and where to find them: Overcoming few-shot prompt order sensitivity. In Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 8086–8098). Association for Computational Linguistics.
  9. Meincke, L., Mollick, E. R., Mollick, L., & Shapiro, D. (2025). Prompting science report 2: The decreasing value of chain of thought in prompting [Hakemsiz teknik rapor]. SSRN.
  10. Ouyang, S., Zhang, J. M., Harman, M., & Wang, M. (2025). An empirical study of the non-determinism of ChatGPT in code generation. ACM Transactions on Software Engineering and Methodology, 34(2), 1–28.
  11. Sclar, M., Choi, Y., Tsvetkov, Y., & Suhr, A. (2024). Quantifying language models' sensitivity to spurious features in prompt design or: How I learned to start worrying about prompt formatting. In International Conference on Learning Representations (ICLR 2024).
  12. Sprague, Z., Yin, F., Rodriguez, J. D., Jiang, D., Wadhwa, M., Singhal, P., Zhao, X., Ye, X., Mahowald, K., & Durrett, G. (2025). To CoT or not to CoT? Chain-of-thought helps mainly on math and symbolic reasoning. In International Conference on Learning Representations (ICLR 2025).
  13. Turpin, M., Michael, J., Perez, E., & Bowman, S. R. (2023). Language models don't always say what they think: Unfaithful explanations in chain-of-thought prompting. In A. Oh, T. Naumann, A. Globerson, K. Saenko, M. Hardt, & S. Levine (Eds.), Advances in Neural Information Processing Systems 36 (pp. 74952–74965). Curran Associates. https://doi.org/10.52202/075280-3275
  14. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q. V., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. In S. Koyejo, S. Mohamed, A. Agarwal, D. Belgrave, K. Cho, & A. Oh (Eds.), Advances in Neural Information Processing Systems 35 (pp. 24824–24837). Curran Associates. https://doi.org/10.52202/068431-1800
  15. Yükseköğretim Kurulu. (2024). Yükseköğretim kurumları bilimsel araştırma ve yayın faaliyetlerinde üretken yapay zekâ kullanımına dair etik rehber.
  16. Zheng, M., Pei, J., Logeswaran, L., Lee, M., & Jurgens, D. (2024). When 'A helpful assistant' is not really helpful: Personas in system prompts do not improve performances of large language models. In Findings of the Association for Computational Linguistics: EMNLP 2024 (pp. 15126–15154). Association for Computational Linguistics.

Kendi verinizde görün

Kavramı kendi verinizde görmek isterseniz Basira’yı ücretsiz deneyebilirsiniz. Basira’yı deneyin

Kavramı kendi verinizde görmek isterseniz panelinize dönebilirsiniz. Panele git

İlgili yazılar