RAG Nedir? Araştırmada Nasıl Kullanılır?
Basira Editör Ekibi · · 11 dk okuma · Güncellendi: 17 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım
Aa Yazı boyutu
Anahtar çıkarımlar
- RAG (retrieval-augmented generation, geri getirmeyle zenginleştirilmiş üretim), dil modelinin yanıtı yazmadan önce bir belge derleminden soruyla ilgili parçaları getirmesi ve yanıtı bu parçalara dayandırmasıdır (Lewis vd., 2020).
- Bir RAG düzeni beş adımdan oluşur: belgeleri parçalara bölmek, parçaları sayısal vektörlere (gömme) çevirmek, soruya en benzer parçaları aramak, bunları yeniden sıralamak ve modelin yanıtı bu parçalarla yazması.
- RAG uydurmayı azaltır ama kaldırmaz: RAG kullanan hukuk araştırma araçları bir 2024 değerlendirmesinde sorguların %17 ile %33'ünde yanlış ya da dayanaksız yanıt vermiştir (Magesh vd., 2025).
- Araştırmacı için en güvenli kullanım, kendi okuduğu belgeler üzerinde yeri gösterilen yanıt almaktır; gösterilen her parça açılıp okunur. Bir klasörde soru sormak sistematik bir veritabanı taramasının yerine geçmez.
- Bir RAG düzeni, yanıtı bilinen küçük bir soru setiyle iki ayrı yerden değerlendirilir: doğru parçalar getirildi mi, yanıt bu parçalara sadık mı?
İçindekiler
RAG nedir? RAG (retrieval-augmented generation, geri getirmeyle zenginleştirilmiş üretim), bir dil modelinin soruyu yanıtlamadan önce bir belge derleminden ilgili parçaları getirmesi ve yanıtını bu parçalara dayandırmasıdır. Model yalnız eğitimde öğrendiklerine değil, o anda önüne konan metne de bakar; yanıtın hangi parçaya dayandığı gösterilebilir. Uydurmayı azaltır, ama ortadan kaldırmaz.
RAG nedir, nereden çıktı?
Terim, Lewis vd. (2020) tarafından NeurIPS’te yayımlanan bir çalışmayla yerleşti. Yazarların çıkış noktası şuydu: büyük bir dil modeli olgusal bilgiyi ağırlıklarında saklar, ama bu bilgiye kesin biçimde erişmekte ve onu güncellemekte zorlanır; yanıtının hangi bilgiye dayandığını da gösteremez.
Önerdikleri model iki belleği birleştiriyordu. Birincisi modelin ağırlıklarındaki parametrik bellek, ikincisi Wikipedia’nın parçalara bölünüp aranabilir bir dizine dönüştürülmesiyle elde edilen parametrik olmayan bellek. Bir soru geldiğinde önce bir arama bileşeni dizinden en ilgili parçaları getiriyor, ardından üretici model yanıtı bu parçalara koşullu olarak yazıyordu. Bu düzen açık uçlu üç soru-cevap görevinde o günün en iyi sonuçlarına ulaştı; serbest metin üretiminde de yalnız parametrik belleğe dayanan karşılaştırma modelinden daha belirli, daha çeşitli ve olgusal açıdan daha doğru metinler verdi (Lewis vd., 2020).
Bugün “RAG” daha geniş bir anlamda kullanılır. Özgün çalışmada aramanın sorgu tarafı ile üretici model birlikte ince ayardan geçirilmiş, belge dizini sabit tutulmuştu. Kasım 2026 itibarıyla yaygın kullanımda ise çoğu zaman hazır bir dil modeli hiç eğitilmez: getirilen parçalar istemin içine eklenir ve modelden yanıtı bu parçalara göre yazması istenir.
Bu yazıda RAG, bu geniş anlamıyla kullanılmaktadır. Dil modellerinin yapay zekâ içindeki yeri için yapay zekâ nedir yazısına bakabilirsiniz.
İpucu
İstatistikçinin diliyle söylemek gerekirse: dil modeli, önceki metne koşullu olarak bir sonraki sözcük parçasının olasılık dağılımını kestirir. RAG bu koşula, sorudan bağımsız olarak seçilmiş bir metin değil, soruya göre getirilmiş belgeler ekler. Koşul değişince dağılım da değişir; ama model yine olası metin üretir, doğrulanmış olgu değil.
RAG neden gerekir?
RAG’ın yanıt aradığı üç sorun vardır.
Uydurma (halüsinasyon). Dil modelleri akıcı ama yanlış ya da dayanaksız metin üretebilir. Ji vd. (2023) bu kusuru iki türe ayırır: kaynakla çelişen içerik (iç halüsinasyon) ve kaynaktan doğrulanamayan içerik (dış halüsinasyon). Araştırmacı için en bilinen örneği kaynak uydurmasıdır.
Walters ve Wilder (2023), ChatGPT’ye yazdırdıkları kısa literatür (alanyazın) taramalarındaki kaynakları tek tek aramış; GPT-3.5’in gösterdiği kaynakların %55’inin, GPT-4’ünkilerin %18’inin hiç var olmadığını bulmuştur (ayrıntı: yapay zekâ ile veri analizi). RAG’da model, kaynağı hafızasından değil önüne konan belgeden alır; kaynağın var olup olmadığı sorusu böylece büyük ölçüde ortadan kalkar. Geriye, gösterilen kaynağın iddiayı gerçekten destekleyip desteklemediği sorusu kalır.
Güncellik. Modelin ağırlıklarındaki bilgi, eğitim verisinin toplandığı tarihte donar. Yeni bir yayını, güncellenmiş bir yönergeyi ya da sizin henüz yayımlanmamış raporunuzu bilmez.
RAG’da bilgi dizinde durduğu için dizini güncellemek yeter; modeli yeniden eğitmek gerekmez. Lewis vd. (2020) bunu, eski bir Wikipedia dizinini yenisiyle değiştirerek modelin yanıtlarının da güncellendiğini göstererek sınamıştır.
Kaynak gösterme. Yalın bir dil modelinin yanıtı izlenemez: hangi bilginin nereden geldiği belli değildir. RAG’da her yanıtın arkasında getirilmiş belirli parçalar vardır; araç bunları gösteriyorsa okur yanıtı kaynağıyla karşılaştırabilir. Araştırmacı için RAG’ın asıl değeri buradadır: yanıtı doğru yapmaz, denetlenebilir yapar.
RAG hangi bileşenlerden oluşur?
Bir RAG düzeni iki aşamada çalışır. Dizinleme aşamasında belgeler bir kez hazırlanır; sorgu aşamasında her soru için arama ve üretim yapılır.
| Bileşen | Ne yapar? | Araştırmacının dikkat edeceği yer |
|---|---|---|
| Parçalama | Belgeleri paragraf ya da sabit uzunluklu parçalara böler | Tablo, dipnot ve taranmış sayfalar metne doğru çevrildi mi? |
| Gömme | Her parçayı anlamını özetleyen sayısal bir vektöre çevirir | Model Türkçe metinde ve alanınızın terimlerinde iyi çalışıyor mu? |
| Vektör arama | Sorunun vektörüne en benzer parçaları bulur | Kaç parça getiriliyor; sözcük temelli arama da var mı? |
| Yeniden sıralama | Getirilen adayları soruyla birlikte daha ayrıntılı puanlar | Yanıtı içeren parça ilk sıralara çıkıyor mu? |
| Üretim | Dil modeli yanıtı getirilen parçalara dayanarak yazar | Yanıt her cümlesinde parçayı gösteriyor mu, parçada olmayanı ekliyor mu? |
Parçalama
Belgeler doğrudan modele verilmez; önce parçalara bölünür. Lewis vd. (2020) ve Karpukhin vd. (2020) Wikipedia’yı 100 sözcüklük parçalara ayırmıştı. Parça çok kısa olursa bağlam kopar (bir sonucu, hangi gruba ait olduğunu söyleyen cümleden ayırır); çok uzun olursa ilgisiz metin de gelir.
Makalelerde en sık sorun PDF’ten metin çıkarmadır: iki sütunlu düzen, tablolar ve taranmış sayfalar metne bozuk ya da hiç geçmeyebilir. Metne geçmeyen bir tablo için arama hiçbir şey bulamaz.
Gömme
Gömme (embedding), bir metin parçasını yüzlerce ya da binlerce boyutlu bir sayı vektörüne çeviren modeldir. Anlamca yakın metinler yakın vektörlere düşecek biçimde eğitilir; böylece “örneklem büyüklüğü nasıl belirlendi?” sorusu “güç analizi ile 120 katılımcı hesaplandı” cümlesini, ortak sözcük taşımasa da bulabilir.
Vektör arama
Sorunun vektörü ile her parçanın vektörü arasındaki benzerlik çoğunlukla kosinüs benzerliğiyle ölçülür:
Burada vektörlerin boyut sayısıdır; ve iki vektörün ‘nci öğeleridir. Değer −1 ile +1 arasındadır ve vektörlerin uzunluğundan değil yönünden etkilenir.
İpucu
İstatistikçiye tanıdık gelecektir: iki vektör önce ortalamalarından arındırılırsa (her öğeden vektörün ortalaması çıkarılırsa) kosinüs benzerliği tam olarak Pearson korelasyon katsayısına eşit olur.
Arama, benzerliği en yüksek parçayı getirir; aracın ya da kullanıcının seçtiği bir sayıdır ve modele yalnız bu parçalar ulaşır.
Anlam temelli (yoğun) arama tek seçenek değildir. Sözcük eşleşmesine dayanan klasik yöntemler (ör. BM25) özel adları, ölçek adlarını ve kısaltmaları tam eşleşmeyle yakalar. Karpukhin vd. (2020), soru-cevap verisiyle eğitilmiş yoğun bir aramanın ilk 20 sonuçta doğru parçayı bulma oranını BM25’e göre veri setine bağlı olarak 9 ile 19 yüzde puan artırdığını göstermiştir; bu kazanç eğitim verisine benzeyen sorular için ölçülmüştür. Birçok düzen iki aramayı birlikte kullanır.
Yeniden sıralama
Vektör araması hızlıdır ama kabadır: soru ile parçayı ayrı ayrı vektöre çevirip karşılaştırır. Yeniden sıralamada ilk aramanın getirdiği aday parçalar soruyla birlikte daha ağır bir modele verilir ve her biri soruyla ilgisine göre yeniden puanlanır. Nogueira ve Cho (2019, hakemsiz ön baskı), BERT tabanlı yeniden sıralamanın MS MARCO parça arama sınamasında önceki en iyi sonucu MRR@10 ölçütünde göreli %27 aştığını bildirmiştir. Yeniden sıralamanın önemi bir sonraki adımda ortaya çıkar.
Üretim
Son adımda en iyi parçalar soruyla birlikte istemin içine yerleştirilir ve modelden yalnız bu parçalara dayanarak yanıt vermesi, her iddianın hangi parçadan geldiğini göstermesi ve parçalarda yanıt yoksa bunu söylemesi istenir. Burada iki tuzak vardır. Birincisi parçaların sırasıdır: Liu vd. (2024), dil modellerinin uzun bir girdide ilgili bilgi başta ya da sondayken en iyi, ortadayken belirgin biçimde daha kötü sonuç verdiğini göstermiştir; bu yüzden en ilgili parçanın üstte durması önemlidir. İkincisi istemdir: yanıtın biçimi ve kısıtları, araştırmacılar için prompt mühendisliği yazısında anlatılan öğelerle yazılır.
Araştırmada RAG nasıl kullanılır?
RAG, belgeleri sizin seçtiğiniz bir derlem üzerinde çalıştığında araştırmacıya en çok yarar. İki kullanım öne çıkar.
- Literatür üzerinde soru-cevap. Okuduğunuz ya da okuyacağınız makalelerden oluşan bir klasör dizinlenir ve sorular bu klasöre sorulur: “Bu çalışmalarda tükenmişlik hangi ölçekle ölçülmüş?”, “Hangi çalışmalar örneklem büyüklüğünü güç analiziyle gerekçelendirmiş?” Yanıt, her iddianın yanında makaleyi ve parçayı gösterir; siz de o parçayı açıp okursunuz.
- Kaynaklı özet. Tek bir uzun belgenin (bir rapor, bir yönerge, bir tez) ya da birkaç makalenin özeti, her cümlesi bir sayfaya ya da parçaya bağlı olarak istenir. Bu özet okumanın yerine geçmez; hangi bölümleri önce okuyacağınızı seçmenize yardım eder.
Hangi işte ne kadar güvenilebileceği işin türüne bağlıdır:
| İş | RAG uygun mu? | Neden |
|---|---|---|
| Bir ya da birkaç belgede belirli bir bilgiyi bulmak | Uygun | Yanıt birkaç parçada; gösterilen parçayı açıp okumak kısa sürer |
| Kaynaklı taslak özet | Uygun, denetimle | Her cümle parçasıyla karşılaştırılır; parçada olmayan cümle silinir |
| Tam liste (ör. X’i yapan bütün çalışmalar) | Sınırlı | Yalnız ilk parça getirilir; liste eksik kalabilir, eksik olduğu da söylenmez |
| Makalelerden sayı çıkarmak (örneklem, ortalama, etki büyüklüğü) | Denetimle | Her sayı tablodaki karşılığıyla tek tek eşleştirilir |
| Sistematik derleme için literatür taraması | Tek başına uygun değil | Klasördeki derlem yalnız sizin koyduğunuz belgeleri içerir; tarama veritabanlarında, kayıtlı bir arama stratejisiyle yapılır |
Tablodaki üçüncü satır sık gözden kaçar. RAG bir soruya en ilgili birkaç parçayla yanıt verir; derlemdeki her belgeyi tek tek okumaz. “Hangi çalışmalar” sorusunun tam yanıtı için her belgeden aynı bilginin yapılandırılmış biçimde çıkarılması (belge başına bir satır) ya da elle tarama gerekir.
Örnek: bir makale klasöründe soru sormak
Aşağıdaki örnek kurgusal ve temsilîdir: belirli bir aracın ya da modelin gerçek çıktısı değil, RAG’da sık görülen hata türlerini bir arada göstermek için bu yazıda hazırlanmıştır. Ölçek ve makale adları bilerek genel tutulmuştur.
Bir doktora öğrencisi, üniversite öğrencilerinde sınav kaygısı üzerine okuduğu 40 makaleyi bir klasörde dizinler. Arama her soruda 5 parça getirecek biçimde ayarlıdır. Sorusu şudur: “Bu makalelerden hangileri sınav kaygısını Ölçek A ile ölçmüş?”
Temsilî yanıt:
Ölçek A’yı kullanan çalışmalar şunlardır:
- Makale 07: Ölçek A’nın Türkçe uyarlaması kullanılmıştır. [Makale 07, Yöntem]
- Makale 15: Ölçek A uygulanmıştır. [Makale 15, Giriş]
- Makale 22: Ölçek A ile veri toplanmıştır. [Makale 22, Yöntem]
Klasördeki çalışmaların Ölçek A’yı kullananları bu üçüdür.
Öğrenci gösterilen parçaları açar ve klasörü bir de elle tarar:
| Yanıttaki iddia | Denetim | Sorunun kaynağı |
|---|---|---|
| Makale 07 Ölçek A’yı kullanmış | Doğru; yöntem bölümündeki parça bunu söylüyor | — |
| Makale 15 Ölçek A’yı kullanmış | Yanlış; giriş bölümündeki parça başka bir çalışmanın Ölçek A kullandığını aktarıyor | Üretim: aktarılan bilgi makalenin kendi yöntemi sanılmış |
| Makale 22 Ölçek A’yı kullanmış | Doğru | — |
| Ölçek A’yı kullananlar yalnız bu üçü | Eksik; elle taramada iki makale daha bulundu | Geri getirme: biri taranmış PDF olduğu için metne geçmemiş, öteki 5 parçalık sınıra girmemiş |
Bu kısa yanıtta RAG’ın üç sınırı birden görünür.
- Kaynak gösterilmiş olması iddianın doğru olduğu anlamına gelmez (Makale 15).
- Yanıtın kesin dili (“bu üçüdür”), getirilmeyen belgeleri kapsamaz.
- Taranmış belge ise arama için yoktur.
Düzeltilmiş kullanım, soruyu her makaleye ayrı ayrı sormak (“Bu makalenin yöntem bölümünde sınav kaygısı hangi ölçekle ölçülmüş? Yöntem bölümünde yoksa ‘yok’ yaz.”) ve sonucu belge başına bir satırlık bir tabloya dökmektir. Tablo yine elle örneklenerek denetlenir.
RAG’ın sınırları neler?
RAG’ın sınırları dört başlıkta toplanır: geri getirme hatası, süren uydurma riski, gizlilik ve telif soruları ve düzenin iyi çalıştığını göstermek için gereken değerlendirme.
Geri getirme hatası
Yanıtı içeren parça getirilmezse model ya “bilmiyorum” der ya da boşluğu ağırlıklarındaki bilgiyle doldurur; ikincisinde yanıt kaynaklı görünür ama kaynağa dayanmaz. Hata zinciri dizinlemede başlar (bozuk PDF, yanlış parçalama), aramada sürer (Türkçe terimlerde zayıf bir gömme modeli, fazla küçük bir ) ve üretimde bağlamın ortasında kalan bilgiyle tamamlanır (Liu vd., 2024).
Uydurma riski sürer
RAG yanlış ya da dayanaksız iddiayı azaltır ama sıfırlamaz. Magesh vd. (2025), 2024’te iki büyük hukuk yayıncısının RAG kullanan yapay zekâ araştırma araçlarını hazırladıkları bir soru setiyle sınamış ve araçların sorguların %17 ile %33’ünde yanlış ya da gösterdiği kaynakla desteklenmeyen yanıt verdiğini bulmuştur. Araçlar genel amaçlı bir sohbet modelinden daha az hata yapmıştır, ama üreticilerin “uydurmasız” iddiası doğrulanmamıştır.
Gao vd. (2023) ise kaynak göstererek yanıt yazma görevini ölçmek için hazırladıkları sınamada, açık uçlu sorulardan oluşan bir veri setinde en iyi modellerin bile yanıtlarının yaklaşık yarısında kaynakla tam desteklenmeyen ifadeler bulunduğunu bildirmiştir. Bu sonuçlar 2023 ve 2024 modelleriyle elde edilmiştir; oranlar bugünkü araçlarda farklı olabilir, ama hata türü aynıdır: gerçek bir kaynak, söylemediği bir şeye dayanak gösterilebilir.
Gizlilik ve telif
Dikkat
Belgeleri bir çevrim içi hizmette dizinlemek, metni o hizmete göndermek demektir. Katılımcı görüşmelerinin dökümleri, hasta kayıtları ya da yayımlanmamış veri içeren belgeler kişisel veri taşıyabilir.
Kişisel Verileri Koruma Kurumu’nun üretken yapay zekâ rehberi kişiyi tanımlayan verileri bu araçlarla paylaşmamayı ve mümkün olduğunca anonimleştirilmiş ifadeler kullanmayı önerir (KVKK, 2025); YÖK’ün 2024 rehberi de kişisel verilerin anonimleştirilmeden ya da maskelenmeden bu sistemlere girilmemesini ister (Yükseköğretim Kurulu, 2024). Ayrıntısı yapay zekâ ile veri analizi yazısının “Gizlilik ve KVKK” bölümündedir. Gömme ve dil modelinin kendi bilgisayarınızda çalıştığı bir düzende metin dışarı çıkmaz; bu seçenek hassas belgeler için değerlendirilebilir.
Telif ayrı bir sorudur. Kütüphane aboneliğiyle indirdiğiniz makaleler yayıncının lisans koşullarına bağlıdır; bu koşullar metnin üçüncü taraf bir hizmete yüklenmesine ya da metin ve veri madenciliğine farklı sınırlar koyabilir. Hukuki bir yorum yerine, kurumunuzun kütüphanesine ve yayıncının lisans sayfasına bakın. Açık erişimli makalelerde de lisans türü (ör. hangi Creative Commons lisansı) okunur.
Değerlendirme
Bir RAG düzeninin iyi çalıştığı, birkaç başarılı denemeyle değil, yanıtı önceden bilinen bir soru setiyle gösterilir. Değerlendirme iki ayrı yerde yapılır.
- Geri getirme için soru başına doğru parçanın ilk sonuç içinde olup olmadığına (duyarlılık) ve getirilen parçaların ne kadarının ilgili olduğuna (kesinlik) bakılır; bu ölçütlerin sınıflandırmadaki karşılıkları makine öğrenmesinde sınıflandırma yazısındadır.
- Üretim için yanıtın getirilen parçalara sadık olup olmadığına bakılır.
Es vd. (2024), bunu insan etiketi gerektirmeden ölçmek için önerdikleri RAGAs çerçevesinde sadakati, yanıttan çıkarılan ifadeler kümesi içinde bağlamca desteklenen ifadeler kümesi ‘nin oranı olarak tanımlar:
Bu ölçütlerde ifadeleri ayıran ve desteklenip desteklenmediğine karar veren de bir dil modelidir; yani bir modelin işini başka bir model puanlar. Bu yüzden otomatik puanlar, araştırmacının elle etiketlediği küçük bir soru setinde insan yargısıyla karşılaştırılmadan tek başına kullanılmamalıdır. Bir aracın kendi tanıtımındaki doğruluk oranı da, hangi soru setiyle ve hangi tarihte ölçüldüğü yazılmıyorsa, sizin derleminiz için bir kanıt değildir.
Sık sorulan sorular
RAG, modeli kendi makalelerimle eğitmek midir?
Hayır. Yaygın kullanımda modelin ağırlıkları değişmez; belgeleriniz yalnız aranabilir bir dizine dönüştürülür ve her soruda ilgili parçalar istemin içine eklenir. Belgeyi dizinden çıkarmak, bilgiyi de yanıtların dayanağından çıkarır.
RAG kullanan bir araç kaynak uydurmaz mı?
Var olmayan bir kaynağı gösterme olasılığı düşer, çünkü kaynak dizindeki belgeden gelir. Ama gerçek bir kaynak, söylemediği bir iddiaya dayanak gösterilebilir; RAG kullanan araçlarda bile bu tür yanıtlar ölçülmüştür (Magesh vd., 2025). Gösterilen her parçayı açıp iddianın orada yazdığını okuyun.
RAG ile sistematik derleme yapılabilir mi?
Tarama aşamasının yerine geçmez. Sistematik derlemede belgeler kayıtlı bir arama stratejisiyle veritabanlarından bulunur ve dahil etme kararları belgelenir; RAG ise yalnız sizin klasörünüze koyduğunuz belgeleri arar ve her soruda yalnız birkaç parçaya bakar. Tarama tamamlandıktan sonra, seçilmiş makalelerden bilgi çıkarmaya yardımcı olarak kullanılabilir; her çıkarım elle denetlenir.
Uzun bağlamlı modeller RAG’ı gereksiz kılar mı?
Bütün belgeleri doğrudan isteme sığdırmak bazı işlerde bir seçenektir. Ama uzun girdide ortada kalan bilgiden yararlanma düşebilir (Liu vd., 2024) ve derlem büyüdükçe her soruda bütün metni göndermek pahalı ve yavaş olur. Hangisinin daha iyi çalıştığı, kendi derleminizde yanıtı bilinen sorularla denenerek anlaşılır.
Tezimde RAG kullandığımı belirtmeli miyim?
Üretken yapay zekâ kullanımı için hangi aracın, ne zaman, çalışmanın hangi aşamasında ve hangi sürümüyle kullanıldığının belirtilmesi istenir (Yükseköğretim Kurulu, 2024). RAG’da buna dizinlenen belgelerin listesi ve kullanılan ayarlar da eklenebilir. Kayıt tutmanın pratik biçimi araştırmacılar için prompt mühendisliği yazısındaki kayıt örneğindedir; güncel kural enstitünüzün ve hedef derginin yönergesinden okunur.
- #yapay-zeka
- #buyuk-dil-modelleri
- #rag
- #literatur-taramasi
Bilimsel inceleme
Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.
Kaynakça
- Es, S., James, J., Espinosa Anke, L., & Schockaert, S. (2024). RAGAs: Automated evaluation of retrieval augmented generation. In Proceedings of the 18th Conference of the European Chapter of the Association for Computational Linguistics: System Demonstrations (pp. 150–158). Association for Computational Linguistics.
- Gao, T., Yen, H., Yu, J., & Chen, D. (2023). Enabling large language models to generate text with citations. In Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (pp. 6465–6488). Association for Computational Linguistics.
- Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248.
- Karpukhin, V., Oguz, B., Min, S., Lewis, P., Wu, L., Edunov, S., Chen, D., & Yih, W. (2020). Dense passage retrieval for open-domain question answering. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 6769–6781). Association for Computational Linguistics.
- Kişisel Verileri Koruma Kurumu. (2025). Üretken yapay zekâ ve kişisel verilerin korunması rehberi (15 soruda) (Yayın No. 113).
- Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. In H. Larochelle, M. Ranzato, R. Hadsell, M. F. Balcan, & H. Lin (Eds.), Advances in Neural Information Processing Systems 33 (pp. 9459–9474). Curran Associates.
- Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). Lost in the middle: How language models use long contexts. Transactions of the Association for Computational Linguistics, 12, 157–173.
- Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2025). Hallucination-free? Assessing the reliability of leading AI legal research tools. Journal of Empirical Legal Studies, 22(2), 216–242.
- Nogueira, R., & Cho, K. (2019). Passage re-ranking with BERT [Hakemsiz ön baskı]. arXiv.
- Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, Article 14045.
- Yükseköğretim Kurulu. (2024). Yükseköğretim kurumları bilimsel araştırma ve yayın faaliyetlerinde üretken yapay zekâ kullanımına dair etik rehber.
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
Veri Bilimi ve Yapay Zekâ
Yapay Zekâ Ajanları Nedir? Araştırmada Nasıl Kullanılır?
Yapay zekâ ajanları, bir hedef için adım planlayan, araç çağıran ve sonucu gözleyerek ilerleyen dil modeli düzenleridir. Bileşenleri, sınırları ve doğrulama.
Basira ·
Veri Bilimi ve Yapay Zekâ
Araştırmacılar İçin Prompt Mühendisliği: Örnek İstemler
Araştırmacılar için prompt mühendisliği: iyi istemin öğeleri, tekniklerin kanıtı, istatistik işleri için örnek istemler ve her birinde doğrulama adımı.
Basira ·
Veri Bilimi ve Yapay Zekâ
Yapay Zekâ ile Veri Analizi: Neler Yapılabilir?
Yapay zekâ ile veri analizi: dil modelleri kod yazar ve çıktıyı açıklar, ama sayı, kaynak ve test seçiminde yanılabilir. Sınırlar, KVKK ve güvenli kullanım.
Basira ·