Sentetik Veri Nedir? Araştırmada Ne Zaman Kullanılır?

Basira Editör Ekibi · · 12 dk okuma · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Sentetik veri, gerçek bir veri setine uydurulan bir modelden çekilen ve gerçek kayıtların yerine konan yapay kayıtlardır; bütün veri değiştirilirse tam, yalnız duyarlı değerler değiştirilirse kısmi sentetik veri adını alır.
  • Sentetik veri ancak sentez modelinin taşıdığı bilgiyi taşır: modelde olmayan bir ilişki sentetik veride de yoktur, sentetik kayıt sayısını artırmak da yeni bilgi eklemez.
  • Gizlilik ile fayda birbirine karşı çalışır; sentetik veri kendiliğinden anonim değildir. Diferansiyel gizlilik, gizlilik kaybını ε ile sınırlayan biçimsel bir güvence verir.
  • Araştırmada en güvenli kullanım hazırlıktır: analiz kodunu yazmak, yöntemi öğretmek, veriyi tanımak. Tez ya da makalenin bulgusu gerçek veriden gelir ve sentetik verinin kullanıldığı yöntem bölümünde açıkça yazılır.
  • 6698 sayılı Kanun'un 6 Kasım 2026'da erişilen metni sentetik veri için ayrı bir hüküm içermez; sentetik veri üretmek gerçek kişisel veriyi işlemekle başlar.

İçindekiler

İçindekiler

Sentetik veri, gerçek bir veri setinden öğrenilen istatistiksel bir modelle üretilen ve gerçek kayıtların yerine konan yapay kayıtlardır. Amaç, gerçek kişilerin bilgisini açmadan verinin yapısını, yani dağılımları ve değişkenler arasındaki ilişkileri, başkalarının kullanımına sunmaktır. Sentetik veri yalnız modelin taşıdığı bilgiyi taşır.

Bu yüzden araştırmada sentetik veri çoğu zaman bir bulgu kaynağı değil, bir erişim ve hazırlık aracıdır; geçerli çıkarım ancak sentez modeli ve çıkarım kuralları baştan bu amaçla kurulmuşsa mümkündür. Bu yazı sentetik verinin türlerini, nasıl üretildiğini, gizlilik ile fayda arasındaki dengeyi, Türkiye’deki kişisel veri çerçevesini ve sentetik veriyle yapılan çıkarımın nerede durduğunu anlatır.

Sentetik verinin kökü eksik veri yazısında anlatılan çoklu atamaya dayanır; makine öğrenmesindeki kullanımı ise veri sızıntısı riskiyle birlikte düşünülür.

Sentetik veri nedir?

Sentetik veri üretmenin temel adımı şudur: gerçek veriye bir model uydurulur, bu modelden değerler çekilir ve çekilen değerler gerçek değerlerin yerine konur. Korunma ihtiyacına göre bütün veri seti (tam sentez) ya da yalnız bazı kayıtlar ve değişkenler (kısmi sentez) değiştirilir (Drechsler ve Haensch, 2024).

Fikir istatistikte otuz yılı aşkın bir geçmişe sahiptir. Rubin (1993), gerçek mikro veri yerine yalnız çoklu atamayla üretilmiş sentetik mikro verinin yayımlanmasını önerdi; amaç, bu verinin standart istatistik yazılımıyla geçerli biçimde çözümlenebilmesiydi. Rubin, örnekleme girmemiş birimleri eksik veri gibi görüp bu “eksik” bilgiyi çoklu atamayla doldurmayı ve bu yapay kitlelerden örneklem çekmeyi önerdi (Drechsler ve Haensch, 2024).

Sentetik veri, yapay olarak üretilen her veriyle aynı şey değildir. Aşağıdaki tablo sık karıştırılan kavramları ayırır:

KavramNeye dayanır?Amaç
Sentetik veriGerçek veriye uydurulan bir modelGerçek kayıtları açmadan verinin yapısını paylaşmak
Benzetim (simülasyon) verisiAraştırmacının belirlediği bilinen bir dağılımBir yöntemin ya da istatistiğin davranışını incelemek
Çoklu atamaGözlenen değerlerden kurulan bir modelYalnız eksik değerleri doldurmak; gözlenen değerler kalır
Veri artırma (ör. SMOTE)Eğitim verisindeki gözlemlerBir modelin eğitim verisini çoğaltmak
Uydurma veriHiçbir ölçüme dayanmazYoktur; araştırma etiğine aykırıdır

Benzetim verisinde gerçek bir veri seti yoktur; merkezi limit teoremi yazısındaki gibi, değerler bilinen bir dağılımdan çekilir ve doğru yanıt baştan bilinir. Sentetik veride ise doğru yanıt gerçek verinin içindedir ve sentetik verinin değeri ona ne kadar yaklaştığıyla ölçülür.

Sentetik veri türleri nelerdir?

Sentetik veri, gerçek değerlerin ne kadarının değiştirildiğine göre tam ya da kısmi olur; diferansiyel gizlilikli üretim ise üretim sürecine biçimsel bir gizlilik güvencesi ekler (Drechsler ve Haensch, 2024).

Tam sentez. Rubin’in (1993) önerisidir. Yayımlanan dosyada hiçbir gerçek değer bulunmaz; sentetik değerler ankete hiç katılmamış birimler için de üretilir, bu yüzden koruma düzeyi yüksektir.

Bedeli, verinin kalitesinin tümüyle modelin kalitesine bağlı olmasıdır: yüzlerce değişkeni ve aralarındaki mantıksal kısıtları taşıyan bir veride bütün ilişkileri yakalayan bir model kurmak zordur (Drechsler ve Haensch, 2024). Geçerli çıkarım için gereken kuralları Raghunathan, Reiter ve Rubin (2003) geliştirdi.

Kısmi sentez. Little’ın (1993) maskelenmiş verinin çözümlenmesi üzerine kurduğu çerçeveyle ilişkilendirilir. Yalnız duyarlı değerler ya da kişiyi tanıtmaya yarayabilecek kayıtlar sentetik değerlerle değiştirilir; örneğin yalnız belirli bir eşiğin üzerindeki gelir değerleri.

Gerçek değerlerin bir kısmı dosyada kaldığı için koruma daha düşük, esneklik daha yüksektir. Çıkarım kuralları Reiter’in (2003) çalışmasındadır.

Diferansiyel gizlilikli üretim. Bilgisayar biliminden gelen bu yaklaşımda üretim süreci, gizlilik kaybını biçimsel olarak sınırlayan bir mekanizmayla kurulur (aşağıda).

Uygulamalar resmî istatistikte başladı.

  • Drechsler ve Haensch’in (2024) aktardığına göre ABD Merkez Bankası 1997’de bir tüketici finansmanı anketindeki yüksek riskli parasal değerleri sentetik değerlerle değiştirdi.
  • ABD Nüfus Sayım Bürosu 2007’de, 600’ü aşkın değişkeninin neredeyse tamamı sentezlenmiş bir anket–idari kayıt bağlantılı dosya yayımladı.
  • Avrupa Birliği’nin gelir ve yaşam koşulları anketinin sentetik dosyaları ise geçerli istatistiksel çıkarım için değil, eğitim ve analiz kodu geliştirme için sunulur.

Sentetik veri nasıl üretilir?

Üretim, verinin ortak dağılımını yakalayan bir modelle yapılır. Drechsler ve Haensch (2024) başlıca yaklaşımları şöyle sıralar: parametrik regresyon modelleri, sınıflandırma ve regresyon ağaçları (CART) gibi makine öğrenmesi yöntemleri, Bayes ağları, kopulalar ve çekişmeli üretici ağlar (GAN).

Makine öğrenmesi yöntemlerinin bu alana girmesiyle seçenekler çoğaldı; aynı yazarlar CART, Bayes ağları ve iki GAN uygulamasını karşılaştıran bir çalışmayı aktarır: en yüksek faydayı veren CART yaklaşımı en yüksek riski de taşıyordu. Karşılaştırma tek bir veri setine ve programların varsayılan ayarlarına dayandığı için genellenemez.

Uygulamada sık kullanılan araçlardan biri R’nin synthpop paketidir. Nowok, Raab ve Dibben (2016), paketi gizlilik kısıtları nedeniyle erişimi sınırlı mikro verinin, değişkenler arasındaki ilişkileri koruyan ama kişiyi açığa çıkaran kayıt içermeyen sentetik sürümlerini üretmek için geliştirdi. Paket, gizli bağlantılı kayıtları içeren İskoçya Boylamsal Çalışması’nda araştırmacılara kendi sorularına göre hazırlanmış sentetik veri vermek için kullanıldı (Drechsler ve Haensch, 2024).

Hangi yöntem seçilirse seçilsin ilke aynıdır: sentetik veri, sentez modeline konan ilişkileri yeniden üretir. İki değişken arasındaki etkileşim, bir alt grubun farklı davranışı ya da “yaşı 18’in altında olan evli değildir” gibi bir mantıksal kısıt modelde yoksa sentetik veride de bulunmaz.

Gizlilik ve fayda dengesi nedir?

Sentetik veri gerçek veriye ne kadar benzerse o kadar yararlıdır; ama gerçek veriye ne kadar benzerse kişiler hakkında o kadar çok şey sızdırabilir. Bu gerilime gizlilik ve fayda dengesi denir. Stadler, Oprisanu ve Troncoso (2022) güncel üretici modelleri sınayarak sentetik verinin ya çıkarım saldırılarını önlemediğini ya da verinin faydasını koruyamadığını gösterdi.

Yazarlara göre sınadıkları üretici modellerde sentetik veri, geleneksel anonimleştirme tekniklerinden daha iyi bir gizlilik–fayda dengesi sunmamıştır ve bu dengenin önceden kestirilmesi zordur.

Dikkat

Kayıtların “gerçek kişiye ait olmaması” bu yüzden tek başına güvence değildir. Kısmi sentezde gerçek değerler dosyada kalır; tam sentezde bile model, eğitildiği verideki nadir kayıtları ve uç değerleri yeniden üretebilir.

Diferansiyel gizlilik. Dwork vd. (2006) ile başlayan diferansiyel gizlilik, korumayı verinin kendisine değil onu işleyen mekanizmaya bağlar. Yalnız bir kaydı farklı olan iki komşu veri seti DD ve D′D' için, mekanizmanın herhangi bir çıktı kümesi SS üretme olasılığı en çok eεe^{\varepsilon} katı kadar değişebilir:

Pr⁡[M(D)∈S]≤eε Pr⁡[M(D′)∈S]\Pr\left[M(D) \in S\right] \le e^{\varepsilon} \, \Pr\left[M(D') \in S\right]

Sezgisel anlamı şudur: çıktıyı gören biri, belirli bir kişinin bilgisinin hesaplamada kullanılıp kullanılmadığını yalnız ε\varepsilon‘un izin verdiği ölçüde ayırt edebilir (Drechsler ve Haensch, 2024). Küçük ε\varepsilon bu ayırt etme gücünü daha çok sınırlar: daha güçlü gizlilik ve daha çok gürültü demektir.

Diferansiyel gizlilikli bir çıktının üzerinde yapılan her işlem aynı güvenceyi korur; bu yüzden böyle bir sentetik veriyle araştırmacı daha serbest çalışabilir. ABD Nüfus Sayım Bürosu 2020 sayımının yayınlarında diferansiyel gizliliği uyguladı (Drechsler ve Haensch, 2024). Güvence gizlilik içindir; fayda ayrıca ölçülür.

Fayda nasıl ölçülür? Snoke vd. (2018) iki tür fayda ölçüsü ayırır.

  • Genel fayda, sentetik verinin dağılımının gerçek verininkine benzerliğidir; önerdikleri ölçü (pMSE), iki veri seti birleştirilip bir kaydın sentetik olup olmadığını tahmin eden bir model kurulduğunda modelin bu ayrımı ne kadar yapabildiğine dayanır.
  • Özel fayda ise belirli bir analizin iki veride ne kadar benzer sonuç verdiğidir: örneğin aynı katsayının güven aralıklarının ne kadar örtüştüğü. Yazarların örneklerinden birinde genel ölçüler, sentetik verinin eksiklerini bulup sentez yönteminin nasıl düzeltileceğini göstermiştir.

Sentetik veriyle yapılan çıkarımın sınırları nelerdir?

Sentetik veri, gerçek verinin yerine geçen bağımsız bir gözlem kaynağı değildir. Sentetik veride görülen bir ilişki sentez modelinin bir yansıması olabilir; sentetik veride bir ilişkinin görülmemesinden ise gerçek veride de olmadığı sonucu çıkmaz. Betimsel ve çıkarımsal istatistik açısından soru şudur: sentetik veriden hesaplanan bir standart hata neyin belirsizliğini ölçer?

Çoklu sentezin yanıtı, eksik verideki çoklu atamaya benzer. Aynı modelden mm sentetik veri seti üretilir, analiz her birinde ayrı yapılır ve ii‘inci veri setinin kestirimi q(i)q^{(i)} ile varyansı u(i)u^{(i)} birleştirilir:

qˉm=1m∑i=1mq(i)\bar{q}_m = \frac{1}{m}\sum_{i=1}^{m} q^{(i)}
bm=∑i=1m(q(i)−qˉm)2m−1b_m = \frac{\sum_{i=1}^{m}\left(q^{(i)} - \bar{q}_m\right)^2}{m-1}
uˉm=1m∑i=1mu(i)\bar{u}_m = \frac{1}{m}\sum_{i=1}^{m} u^{(i)}

Burada qˉm\bar{q}_m kestirimlerin ortalaması, bmb_m kestirimlerin veri setleri arasındaki varyansı, uˉm\bar{u}_m ise veri setleri içindeki varyansların ortalamasıdır.

Varyans formülü sentez türüne göre değişir. Tam sentetik veride TfT_f (Raghunathan vd., 2003), kısmi sentetik veride TpT_p (Reiter, 2003) kullanılır:

Tf=(1+1m)bm−uˉmT_f = \left(1 + \frac{1}{m}\right) b_m - \bar{u}_m
Tp=uˉm+bmmT_p = \bar{u}_m + \frac{b_m}{m}

Eksik verideki Rubin kurallarından farkı, ekstra örnekleme adımından ve sentez modelinin kurulma biçiminden gelir. TfT_f negatif çıkabilir; bunun için düzeltilmiş tahminciler önerilmiştir. TpT_p negatif olamaz (Drechsler ve Haensch, 2024). Kuralların hepsi sentez modelinin doğru kurulduğunu varsayar.

Raghunathan vd. (2003), basit ama gerçekçi koşullarda sentetik veriden ve gerçek veriden yapılan çıkarımların belirli bir analiz sınıfı için benzer olduğunu gösterdi. Aynı yazarlar daha ayrıntılı analiz isteyen kullanıcıların gizli veriye özel erişim için başvurması gerekebileceğini de yazar.

Uygulamada sentetik veri çoğu zaman son ürün değildir: eğitimde ya da gerçek veriye geçmeden önce kod yazmak için kullanılır. Veri sağlayıcılar son modelleri gerçek veride çalıştırıp gizlilik açısından sorun yoksa sonuçları bildirmeyi üstlenir (Drechsler ve Haensch, 2024).

Dikkat

Örneklem büyüklüğü de sentezle artmaz. Sentetik kayıtlar, gerçek nn gözlemden kurulan bir modelden üretilir ve bu nn gözlemin taşıdığından fazla bilgi taşımaz. Daha büyük bir sentetik dosyayı gerçek bir örneklem gibi çözümlemek standart hataları yapay olarak küçültür.

Dil modelleriyle “sentetik katılımcı”. Son yıllarda anket yanıtlarını büyük dil modellerine ürettirme fikri tartışılıyor. Argyle vd. (2023), uygun biçimde koşullandırılan bir dil modelinin bazı insan alt gruplarının yanıt dağılımlarını taklit edebildiğini ileri sürdü ve bu örneklemlere “silikon örneklem” dedi.

Bisbee vd. (2024) ise aynı soruyu sınadı: modelin ürettiği ortalamalar gerçek anketinkilere yakındı, ama yanıtlarda gerçek ankettekinden daha az değişkenlik vardı, regresyon katsayıları çoğu zaman gerçek veridekilerden farklıydı, sonuçlar istemin küçük ifade farklarıyla ve üç aylık bir sürede değişti. Yazarlara göre bu veri istatistiksel çıkarım için güvenilir değildir. Yapay zekâ araçlarının akıcı çıktısı ölçümün yerine geçmez.

Makine öğrenmesinde yapay gözlemler. Seyrek sınıfı çoğaltmak için üretilen sentetik gözlemler, değerlendirmede ancak her çapraz doğrulama katının yalnız eğitim kısmında üretilirse güvenilir sonuç verir; bölmeden önce üretilirlerse başarı olduğundan yüksek görünür. Bu durum veri sızıntısı yazısının çözümlü örneğinde sayılarla gösterilir. Sentetik veriyle eğitilen bir modelin başarısı da gerçek veride ölçülür.

Sentetik veri ve kişisel veri: KVKK ne der?

KVKK’da sentetik veri için ayrı bir hüküm yoktur; gerçek veri kişisel veri taşıyorsa ondan sentetik veri üretmek de bir kişisel veri işleme faaliyetidir (md. 3).

Aşağıdaki bilgiler Kanun’un 6 Kasım 2026’da erişilen metnine dayanır. Türkiye’de kişisel verilerin işlenmesi 6698 sayılı Kişisel Verilerin Korunması Kanunu’na (KVKK) tabidir. Kanun işlemeyi, verilerin elde edilmesinden kaydedilmesine, değiştirilmesinden sınıflandırılmasına kadar veriler üzerinde gerçekleştirilen her türlü işlem diye tanımlar (md. 3).

Dikkat

Sentetik veri üretmek gerçek veriye bir model kurmakla başlar; bu yüzden üretim aşamasında gerçek veri için geçerli olan koşullar sürer. Verinin belirli, açık ve meşru amaçlar için işlenmesi (md. 4) ve ilgili kişiyi aydınlatma yükümlülüğü (md. 10) bu aşamada da sürer; etik kurul onayı ise kanunun değil kurumun ve yayının gereğidir.

Kanun anonim hâle getirmeyi, verinin başka verilerle eşleştirilse bile kimliği belirli ya da belirlenebilir bir kişiyle ilişkilendirilemeyecek hâle getirilmesi diye tanımlar (md. 3). Kanun metninde sentetik veri için ayrı bir hüküm yoktur.

Sentetik bir dosyanın bu tanımı karşılayıp karşılamadığı yöntemine bağlıdır: kısmi sentezde gerçek değerler kalır, tam sentezde de yukarıda anlatılan riskler sürer. 28. maddenin birinci fıkrasının (b) bendindeki istisna resmî istatistik ile anonim hâle getirilmiş veriye ilişkindir. Aynı maddenin (c) bendi ise kişisel verilerin, millî güvenlik ve kamu düzeni gibi değerleri, özel hayatın gizliliğini ya da kişilik haklarını ihlal etmemek ya da suç teşkil etmemek kaydıyla bilimsel amaçlarla işlenmesini Kanun dışında bırakır; bu koşulların bir tez verisinde sağlanıp sağlanmadığı vakaya bağlıdır. Bu ayrım veri ve veri kaynakları yazısında da anlatılır.

Sentetik veri üretmek için gerçek veriyi çevrim içi bir hizmete yüklemek, veriyi o hizmete göndermek demektir; hizmetin veri koşulları yapay zekâ ile veri analizi yazısında ele alınır. Bir sentetik veri planının kanun ve kurum kuralları açısından yeterli olup olmadığına araştırmacı tek başına karar vermez; kurumun kişisel verilerin korunması birimine ve etik kuruluna danışılır. Başvuru süreci etik kurul başvurusu yazısında adım adım anlatılır.

Araştırmada sentetik veri ne zaman kullanılır?

Araştırmada sentetik verinin en güvenli kullanımı hazırlıktır: analiz kodunu yazmak, yöntemi öğretmek ve veriyi tanımak; tezin ya da makalenin bulgusu gerçek veriden gelir (Drechsler ve Haensch, 2024).

Karar, sentetik veriden ne beklendiğine bağlıdır. Aşağıdaki tablo yaygın amaçları ve koşullarını özetler:

AmaçUygun mu?Koşul
Gerçek veriye erişmeden analiz kodunu hazırlamakUygunSon analiz gerçek veride yapılır
Bir yöntemi öğretmek, atölye ya da ders verisiUygunDosya ve kod kitabı “sentetik” diye etiketlenir
Gizli bir veriyi başka araştırmacılarla paylaşmakKoşulluFayda ve risk ölçülür; kurumun ve etik kurulun onayı alınır
Tezin ya da makalenin bulgularını üretmekTek başına uygun değilBulgular gerçek veriden raporlanır
Eksik değerleri doldurmakSentetik veri değil, çoklu atamaEksiklik mekanizması incelenir
Örneklem büyüklüğünü artırmakUygun değilSentetik kayıt yeni bilgi taşımaz
Dengesiz sınıflarla model eğitmekKoşulluSentetik gözlem yalnız eğitim katında üretilir
Anket katılımcısının yerine dil modeli yanıtıÇıkarım için uygun değilYanıtlar ölçüm değildir

Sentetik veri kullanılan her çalışmada bu kullanım yöntem bölümünde açıkça yazılır: üretim yöntemi, yazılım ve sürümü, sentez modeline giren değişkenler, fayda ve risk değerlendirmesi, bulguların hangi veriden geldiği. Sentetik kayıtları gerçek ölçüm gibi sunmak araştırma etiğinde uydurma sayılır.

Örnek: bir öğrenci anketinin sentetik kopyası

Bir üniversitenin öğrenci destek birimi, öğrencilerin psikolojik iyi oluşunu, sosyal desteğini ve sağlık durumunu soran bir anket yürütmüş olsun (varsayımsal senaryo). Veri sağlıkla ilgili bilgi taşıdığı için kurum dışına çıkmıyor. Dışarıdan bir araştırma ekibi iyi oluş ile sosyal destek arasındaki ilişkinin cinsiyete göre farklılaşıp farklılaşmadığını incelemek istiyor. Makul bir yol şöyledir:

  1. Amaç yazılır. Sentetik veri yalnız analiz kodunu hazırlamak içindir; son analiz kurum içinde gerçek veride yapılır.
  2. Değişkenler daraltılır. Dosyaya yalnız planlanan analizin gerektirdiği değişkenler girer.
  3. Kimlik riski belirlenir. Bölüm, yaş ve uyruk gibi birleşince tek bir öğrenciyi işaret edebilecek değişkenler gruplanır ya da sentezlenir.
  4. Sentez modeli kurulur. İyi oluş ile sosyal destek arasındaki ilişki ve bu ilişkinin cinsiyete göre değişebilmesi modele konur; aksi hâlde sentetik veride sınanacak etkileşim hiç bulunmaz.
  5. Fayda ve risk ölçülür. Kurum içinde genel fayda ölçüsüne ve planlanan analizin güven aralıklarının örtüşmesine bakılır; nadir değer birleşimleri denetlenir.
  6. Dosya etiketlenir. Dosya adında ve kod kitabında verinin sentetik olduğu yazılır.
  7. Kod gerçek veride çalıştırılır. Ekip kodu sentetik veride yazar ve sınar; kurum aynı kodu gerçek veride çalıştırır ve çıktıyı gizlilik açısından denetleyip paylaşır.

Raporda bulgular gerçek veriden verilir; sentetik veri yalnız hazırlık aşamasında kullanıldığı belirtilerek yöntem bölümünde anlatılır. Kodun hatasız çalışması sentetik veride sınanmış olur, sonucun kendisi ise gerçek veriden gelir.

Sık sorulan sorular

Tezde gerçek veri yerine sentetik veri kullanılabilir mi?

Bulguların kaynağı olarak tek başına kullanılmaz. Sentetik veri sentez modelinin taşıdığı ilişkileri yeniden üretir; modelde olmayan bir etki sentetik veride görünmez. Kod hazırlama, yöntem öğrenme ya da veri paylaşımı için kullanılabilir; bu kullanım yöntem bölümünde açıkça yazılır.

Sentetik veri anonim veri midir?

Kendiliğinden değil. Kısmi sentezde gerçek değerler dosyada kalır; tam sentezde de model, nadir kayıtları yeniden üretebilir. Stadler vd. (2022), sınadıkları üretici modellerde sentetik verinin geleneksel anonimleştirmeden daha iyi bir gizlilik–fayda dengesi sunmadığını bildirdi. Biçimsel güvence isteniyorsa diferansiyel gizlilikli üretim kullanılır; bunun bedeli çoğu zaman faydadır.

Sentetik veri ile eksik veri ataması arasındaki fark nedir?

İkisi de çoklu atama fikrine dayanır. Eksik veri atamasında yalnız boş hücreler doldurulur ve gözlenen değerler olduğu gibi kalır. Sentetik veride ise gözlenen değerlerin kendisi, kısmen ya da tamamen, modelden çekilen değerlerle değiştirilir. Varyansı birleştirme kuralları da bu yüzden farklıdır.

Örneklem büyüklüğü sentezle artırılabilir mi?

Hayır. Sentetik kayıtlar gerçek gözlemlerden kurulan bir modelden üretilir ve onların taşıdığından fazla bilgi taşımaz. Daha büyük bir sentetik dosyayı gerçek bir örneklem gibi çözümlemek standart hataları olduğundan küçük gösterir.

Yapay zekâ ile üretilen anket yanıtları sentetik veri midir?

Argyle vd. (2023) bu uygulamaya “silikon örneklem” der; ama yanıtlar gerçek bir veri setinden öğrenilmiş bir sentez modeline dayanmaz. Bisbee vd. (2024), dil modelinin ürettiği yanıtların gerçek ankettekinden daha az değişken olduğunu, regresyon katsayılarının sıklıkla farklı çıktığını ve sonuçların istem ifadesine göre değiştiğini gösterdi.

Hangi programla sentez yapılır?

R’de synthpop paketi (Nowok vd., 2016) yaygın bir seçenektir. Python’da Patki vd.‘nin (2016) tanıttığı Synthetic Data Vault gibi açık kaynak kütüphaneler bulunur. Hangi araç kullanılırsa kullanılsın, fayda ve risk ayrıca ölçülür ve raporlanır.

  • #sentetik-veri
  • #yapay-zeka
  • #makine-ogrenmesi
  • #eksik-veri

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. Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337–351.
  2. Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B., & Larson, J. M. (2024). Synthetic replacements for human survey data? The perils of large language models. Political Analysis, 32(4), 401–416.
  3. Drechsler, J., & Haensch, A.-C. (2024). 30 years of synthetic data. Statistical Science, 39(2), 221–242.
  4. Dwork, C., McSherry, F., Nissim, K., & Smith, A. (2006). Calibrating noise to sensitivity in private data analysis. In Theory of Cryptography (Lecture Notes in Computer Science, Vol. 3876, pp. 265–284). Springer.
  5. Kişisel Verilerin Korunması Kanunu, Kanun No. 6698. (2016, 7 Nisan). Resmî Gazete (Sayı: 29677). 7499 sayılı Kanunla yapılan 2024 değişiklikleri işlenmiş metin; erişim tarihi 6 Kasım 2026.
  6. Little, R. J. A. (1993). Statistical analysis of masked data. Journal of Official Statistics, 9(2), 407–426.
  7. Nowok, B., Raab, G. M., & Dibben, C. (2016). synthpop: Bespoke creation of synthetic data in R. Journal of Statistical Software, 74(11), 1–26.
  8. Patki, N., Wedge, R., & Veeramachaneni, K. (2016). The Synthetic Data Vault. In 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA) (pp. 399–410). IEEE.
  9. Raghunathan, T. E., Reiter, J. P., & Rubin, D. B. (2003). Multiple imputation for statistical disclosure limitation. Journal of Official Statistics, 19(1), 1–16.
  10. Reiter, J. P. (2003). Inference for partially synthetic, public use microdata sets. Survey Methodology, 29(2), 181–188.
  11. Rubin, D. B. (1993). Discussion: Statistical disclosure limitation. Journal of Official Statistics, 9(2), 461–468.
  12. Snoke, J., Raab, G. M., Nowok, B., Dibben, C., & Slavkovic, A. (2018). General and specific utility measures for synthetic data. Journal of the Royal Statistical Society Series A: Statistics in Society, 181(3), 663–688.
  13. Stadler, T., Oprisanu, B., & Troncoso, C. (2022). Synthetic data – Anonymisation groundhog day. In Proceedings of the 31st USENIX Security Symposium (pp. 1451–1468). USENIX Association.

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