Yapay Zekâ ile Veri Analizi: Neler Yapılabilir?

Basira Editör Ekibi · · 9 dk okuma · Güncellendi: 17 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Büyük dil modelleri veri analizinde kod taslağı yazmak, veri temizliği önermek, çıktıyı açıklamak ve taslak yorum hazırlamak için yararlıdır; sayıları hesaplayan ve doğrulayan araç ise istatistik yazılımıdır.
  • Başlıca sınırlar: uydurma sayı ve kaynak, koşulları sağlanmayan test önerisi, verinin nasıl toplandığını bilmemek, gizlilik riski ve aynı istemin farklı zamanlarda farklı yanıt vermesi.
  • Yöntem sözdiziminden önce gelir: araştırma sorusu, desen ve analiz planı modele sorulmadan önce yazılır; aksi hâlde model yanlış soruyu kusursuz kodla çözebilir.
  • Güvenli kullanım: kodu kendiniz çalıştırın, sonucu ikinci bir araçla karşılaştırın, her kaynağı DOI'siyle bulun, veriyi anonimleştirmeden paylaşmayın, istemi ve model sürümünü kaydedin.

İçindekiler

İçindekiler

Bu yazıda yapay zekâ ile veri analizi, büyük dil modellerinden analiz kodu yazmalarını, veri temizliği önermelerini, istatistik çıktısını açıklamalarını ya da bulgulara taslak yorum hazırlamalarını istemek anlamında ele alınır. Bu araçlar yazım işini hızlandırır; ama araştırma sorusunu, deseni ve verinin nasıl toplandığını bilmezler, sayı ve kaynak uydurabilirler. Bu yüzden her çıktı doğrulanarak kullanılır.

Yapay zekâ ile veri analizi nedir?

Bu yazıda “yapay zekâ” ile kastedilen, sohbet arayüzünden ya da bir kod düzenleyicisinden kullanılan büyük dil modelleridir. Bir dil modeli, verilen metnin ardından gelebilecek sözcükleri olasılıklarına göre seçerek çalışır. Bir hesap makinesi ya da istatistik paketi değildir: bir p değerini “hesapladığında” aslında ona benzeyen bir metin üretir.

Bazı araçlar kodu kendi ortamlarında çalıştırıp sonucu gösterebilir; o durumda sayıyı modelin metni değil, çalışan kod üretir. Kodun doğru analizi yapıp yapmadığı ise yine denetlenmesi gereken ayrı bir sorudur.

Basira’da da değerleri istatistik motoru hesaplar; yapay zekâ hesaplama yapmaz, motorun hesapladığı değerlerden bir yorum taslağı yazar; her taslağın altındaki uyarı sayıların tablodan doğrulanmasını ister.

Bu ayrım, kendi verinizle eğitilen bir makine öğrenmesi modelinden de farklıdır. Sınıflandırma ya da kümeleme gibi yöntemler verinizden bir örüntü öğrenir ve başarısı ölçülebilir; dil modeli ise verinizi görmeden de akıcı bir yanıt yazabilir. Yapay zekânın genel tanımı ve alt dalları için yapay zekâ nedir yazısına bakabilirsiniz.

Kasım 2026 itibarıyla bu araçlar hızla değişmektedir: modeller sık güncellenir, aynı adı taşıyan bir hizmet birkaç ay içinde farklı davranabilir. Aşağıdaki araştırmaların çoğu 2023 ve 2024 sürümleriyle yapılmıştır; oranlar bugünkü modellerde farklı olabilir, ama işaret ettikleri hata türleri ve önerilen önlemler geçerliliğini korumaktadır.

Yapay zekâ veri analizinde ne işe yarar?

Dil modelleri en çok, doğruluğu sizin denetleyebileceğiniz yazım işlerinde zaman kazandırır.

İşYapabildiğiDenetlenmesi gereken
Kod yazmaR, Python ya da SPSS sözdizimiyle analiz taslağıVarsayılan ayarlar, değişken adları, eksik veri işlemi
Veri temizliğiYinelenen kayıt, tutarsız kodlama, aykırı değer için öneriSilme ve dönüştürme kararının gerekçesi
Çıktıyı açıklamaBir tablodaki terimleri sade dille anlatmaSayının ne anlama geldiği, yanlış yorum
Taslak yorumBulgular paragrafı için ilk metinHer sayının çıktıdaki karşılığı
Yöntem sorusu”Hangi test?” sorusuna aday listesiDesenle ve ölçekle uyum, varsayımlar
AlanyazınKonu hakkında genel çerçeveHer kaynağın gerçekten var olması

Tablonun sağ sütunu boş kalmaz: modelin katkısı, sizin denetiminizin yerini değil, ilk taslağı yazma süresini kısaltır.

Sınırları neler?

Dil modellerinin veri analizindeki başlıca sınırları uydurma sayı ve kaynak, yanlış test önerisi, araştırma bağlamının bilinmemesi, gizlilik riski ve sonuçların yeniden üretilememesidir.

Uydurma sayı ve kaynak

Dil modelleri doğru gibi görünen ama yanlış bilgi üretebilir. Walters ve Wilder (2023), ChatGPT’ye 42 konuda kısa alanyazın taramaları yazdırmış ve ortaya çıkan 636 kaynak gösterimini tek tek aramıştır. GPT-3.5’in gösterdiği kaynakların %55’i, GPT-4’ünkilerin %18’i hiç var olmayan yayınlardı. Var olan kaynakların da önemli bir kısmının künyesinde esaslı hatalar bulunuyordu (GPT-3.5’te %43, GPT-4’te %24).

Aynı sorun sayılarda da görülür: model, çalıştırılmamış bir analizin sonucunu da aynı güvenle yazabilir. Dil modellerinin neden uydurmaya yatkın olduğuna ilişkin kuramsal bir açıklama yapay zekâ ve p değeri denemesinde özetlenmiştir. Modelin yanıtını bir belge derleminden getirilen parçalara dayandıran RAG yaklaşımı ayrı bir yazıda anlatılır.

Yanlış test seçimi ve istatistiksel yanlışlar

Zhu vd. (2024), dil modellerinin bir veri tablosu ve bir araştırma sorusu karşısında uygun istatistiksel yöntemi seçip seçemediğini 11.623 soruluk bir test setiyle ölçmüştür. Çalışmanın sınadığı en gelişmiş modeller (GPT-4o gibi) istemle en iyi %64,83 doğruluğa ulaştı; bu görev için ince ayar yapılan açık kaynaklı modeller daha yüksek doğruluk verdi. Modellerin en sık hatası, koşulları veriye uymayan bir yöntemi önermekti; insan katılımcılar ise daha çok istatistiksel görevin türünü karıştırıyordu.

Bu bulgu, modelin önerisinin bir aday olduğunu gösterir. Test seçimi araştırma sorusuna, ölçek düzeyine ve desene dayanır (istatistiksel test seçimi rehberi). Örneğin iki bağımsız grupta varsayılan Welch t-testidir; Shapiro-Wilk ve Levene testleri raporlanır ama testi belirlemez. Parametrik olmayan bir test yalnız bağımlı değişken sıralıysa ya da bir grup belirgin biçimde normal dışıysa birincil olur.

Dikkat

Alanyazında hâlâ yaygın olan “önce Levene’e bak, sonra testi seç” ya da “örneklem 30’dan küçükse parametrik olmayan test” gibi kurallar bugün önerilmemektedir; bir modelin önerisi bu ölçütlerle denetlenir.

Bağlam ve tasarım bilgisinin yokluğu

Model, verinin nasıl toplandığını bilmez. Gözlemlerin bağımsız olup olmadığını, aynı kişilerin tekrar ölçülüp ölçülmediğini, bir değişkenin sayıyla kodlanmış bir kategori mi yoksa gerçek bir ölçüm mü olduğunu çoğu zaman yalnız sütun adlarından tahmin eder. Rastgele atama yapılmamış bir çalışmada neden-sonuç dili kullanmak gibi hatalar, kod kusursuz çalışsa bile sonucu geçersiz kılar.

Messeri ve Crockett (2024) yapay zekâ araçlarının bilimsel araştırmada üç anlama yanılsaması yaratabileceğini savunur: aracın açıklamasını kendi kavrayışı sanmak (açıklayıcı derinlik yanılsaması), aracın kolayca sınayabildiği soruları bütün soru uzayı sanmak (keşif genişliği yanılsaması) ve belirli bir bakış açısı taşıyan bir aracı tarafsız saymak (nesnellik yanılsaması). Yazarların uyarısı, daha çok üretip daha az anlama tehlikesidir. Bir aracın belirli gruplar aleyhine sistematik hata yapmasının nasıl ölçüldüğü algoritmik yanlılık yazısında anlatılır.

Gizlilik ve KVKK

Bir sohbet aracına yapıştırılan veri, kullandığınız hizmetin koşullarına göre işlenir, saklanabilir ve yurt dışındaki sunuculara aktarılabilir. Kişisel Verileri Koruma Kurumu’nun Kasım 2025’te yayımladığı üretken yapay zekâ rehberi, bireylere ad, adres, telefon ve kimlik bilgisi gibi kişiyi tanımlayan verileri ve başkalarına ait kişisel verileri bu araçlarla paylaşmamayı, sağlık verisi gibi hassas bilgileri paylaşmaktan kaçınmayı ve mümkün olduğunca anonimleştirilmiş, genelleştirilmiş ifadeler kullanmayı önerir (KVKK, 2025, s. 57–58).

Katılımcı verisiyle çalışan araştırmacı, bunun yanında etik kurul onayında ve aydınlatılmış onam metninde verinin kimlerle paylaşılacağına ilişkin taahhütlere de bağlıdır. Adların yerine kod yazmak tek başına anonimleştirme değildir: yaş, bölüm ve ilçe gibi değişkenlerin birleşimi de bir kişiyi tanınır kılabilir.

Yeniden üretilebilirlik

Bilimsel bir analiz, aynı veriyle aynı sonucu verecek biçimde kaydedilir. Dil modelleri bu açıdan iki sorun taşır.

  • Birincisi zamanla değişirler: Chen, Zaharia ve Zou (2024), GPT-4’ün asal sayı tanıma doğruluğunun Mart 2023 sürümünde %84 iken Haziran 2023 sürümünde aynı sorularda %51’e düştüğünü bulmuştur.
  • İkincisi aynı anda bile aynı yanıtı vermezler: Ouyang vd. (2025), ChatGPT’ye aynı kodlama görevini varsayılan ayarda tekrar tekrar verdiklerinde CodeContests görevlerinin %75,76’sında istekler arasında test çıktısı birbirini tutan hiçbir kod çifti çıkmadığını, sıcaklık ayarını 0’a çekmenin de belirlenimciliği güvenceye almadığını göstermiştir.

Bu yüzden modelin yanıtı değil, sizin çalıştırıp kaydettiğiniz kod analizin belgesidir.

Yöntem sözdiziminden önce gelir

Bir analizi kod yazmak bitirmez. Kodun hatasız çalışması, doğru soruya doğru yöntemle yanıt verildiğini göstermez. Kimball (1957) istatistik danışmanlığında üçüncü tür bir hatadan söz eder: yanlış soruya doğru yanıt vermek. Dil modeli sözdizimini kolaylaştırdıkça bu hata ucuzlar; araştırmacı birkaç saniyede kusursuz görünen bir kod alır ve soru hiç sorgulanmadan analiz biter.

Yöntemin önce gelmesi şu sıranın korunması demektir: araştırma sorusu ve hipotezler, desen ve ölçüm, analiz planı, ancak ondan sonra kod. Bu sıra veri bilimi süreci modellerinin de ilk adımıdır: işin ve verinin anlaşılması modellemeden önce gelir.

Dil modeli bir riski daha büyütür. Gelman ve Loken (2014), bilinçli bir “p avcılığı” olmasa bile veriye bakarak alınan analiz kararlarının (hangi aykırı değerin atılacağı, hangi alt grubun inceleneceği, hangi dönüşümün yapılacağı) yanlış pozitif bulgu olasılığını artırdığını gösterir ve bu duruma çatallanan yollar bahçesi adını verir. Bir modelden “başka bir yolla da dene” istemek neredeyse hiçbir şeye mal olmadığı için, anlamlı çıkana dek analiz değiştirmek de kolaylaşır.

İpucu

Önlem değişmez: analiz planı veri görülmeden yazılır, plandan sapmalar gerekçesiyle raporlanır.

Birinci tür hatanın ne olduğu kendi yazısında, art arda yapılan testlerin bu hatayı nasıl büyüttüğü tek yönlü varyans analizi yazısında anlatılır.

Güvenli kullanım için kontrol listesi

Yapay zekâ ile veri analizinde güvenli kullanım, modelin her çıktısını sizin yürüttüğünüz bir denetimden geçirmektir; aşağıdaki sekiz adım bu denetimi sıraya koyar.

  1. Planı önce yazın. Araştırma sorusu, desen, birincil test ve duyarlılık analizi modele sorulmadan belirlenir; modelden bu planı uygulayan kodu isteyin, planı değil.
  2. Veriyi paylaşmadan önce anonimleştirin. Mümkünse gerçek veri yerine yalnız sütun adlarını, türlerini ve birkaç satırlık yapay bir örneği verin. Etik kurul ve onam koşullarınıza bakın.
  3. Kodu kendiniz çalıştırın. Modelin yazdığı sonucu değil, kendi ortamınızda çalışan kodun çıktısını kullanın.
  4. Varsayılan ayarları okuyun. Bir işlevin hangi testi varsayılan olarak çalıştırdığını belgesinden doğrulayın (aşağıdaki örnekte olduğu gibi).
  5. Sonucu ikinci bir araçla karşılaştırın. Aynı analizi farklı bir yazılımda (ör. R ve Python, ya da bir istatistik paketi) tekrarlayın; sayılar tutmuyorsa nedenini bulmadan ilerlemeyin. Python ile keşifsel veri analizinin adımları Python ile veri analizi yazısında anlatılır.
  6. Kaynak isteyin, sonra kaynağı kendiniz bulun. Model bir yönteme ya da bulguya kaynak gösteriyorsa yayını DOI’siyle açın ve iddianın gerçekten orada yazdığını okuyun.
  7. Yorumu sayılarla eşleştirin. Taslak yorumdaki her sayının çıktıda karşılığı olmalı; “fark yoktur” gibi aşırı kesin ifadeleri düzeltin.
  8. Kaydedin. Kullanılan aracı, model sürümünü, tarihi ve istemi analiz notlarınıza yazın; dergi ya da tez yönergeleri yapay zekâ kullanımının beyan edilmesini isteyebilir.

Örnek: bir istem ve tipik bir hata

Aşağıdaki istem ve yanıt kurgusaldır: belirli bir modelin gerçek çıktısı değil, bu yazı için hazırlanmış temsilî bir örnektir. Amaç, sık karşılaşılan hata türlerini tek bir yerde göstermektir.

İstem: “Bir sınav puanı veri setim var. grup sütununda A ve B, puan sütununda 0–100 arası puanlar bulunuyor. Gruplar farklı öğrencilerden oluşuyor. İki grubu karşılaştıran Python kodunu yaz ve sonucu yorumla.”

Temsilî yanıt: “Önce Levene testiyle varyansların eşitliğini sınayalım. Levene anlamlıysa Welch t-testi, anlamlı değilse klasik t-testi uygulanır:”

import pandas as pd
from scipy import stats

df = pd.read_csv("sinav.csv")
a = df.loc[df["grup"] == "A", "puan"]
b = df.loc[df["grup"] == "B", "puan"]

print(stats.levene(a, b))
print(stats.ttest_ind(a, b))

“p değeri .05’ten büyük çıkarsa iki grup arasında fark yoktur. Bu yaklaşım istatistik ders kitaplarında standart olarak önerilir.” Ardından model, yazar adı, yıl ve dergi adı içeren bir kaynak künyesi ekler.

Bu kısa yanıtta dört ayrı sorun vardır:

  • Metin ile kod çelişiyor. Kod Levene sonucunu hiç kullanmıyor: SciPy’nin ttest_ind işlevi varsayılan equal_var=True ile her durumda Student t-testini çalıştırır; Welch için equal_var=False yazılması gerekir (SciPy, t.y.). Kod çalışır, hata vermez, ama metnin anlattığı karar kuralını uygulamaz.
  • İki aşamalı seçim önerilmez. Levene sonucuna göre test seçmek yerine Welch t-testi baştan kullanılır; Levene yalnız yayılım farkını betimlemek için raporlanır. Gerekçesi bağımsız örneklem t-testi yazısındadır.
  • Anlamlı olmayan sonuç “fark yok” demek değildir. Anlamlı olmayan sonuç farkın sıfır olduğunu göstermez; güven aralığı farkın hangi büyüklükler arasında olabileceğini gösterir ve geniş bir aralık önemli büyüklükte farkları da içerebilir.
  • Kaynak doğrulanmamış. Künye gerçek bir yayına ait olsa bile o yayının bu öneriyi gerçekten içerip içermediği okunmadan kullanılamaz; kontrol listesinin 6. maddesi burada devreye girer.

Düzeltilmiş istem, planı modele bırakmaz: “İki bağımsız grubu Welch t-testiyle karşılaştıran, ortalama farkın %95 güven aralığını ve Cohen’s d’yi de veren Python kodunu yaz. Levene testini yalnız betimleme için ayrıca raporla. Kodda her işlevin varsayılan ayarını açıkça belirt.” Bu istemle gelen kod da çalıştırılır ve sonucu ikinci bir araçla karşılaştırılır.

İstemi görev, kısıt ve beklenen çıktıyla kurmanın yolları araştırmacılar için prompt mühendisliği yazısında anlatılır.

Sık sorulan sorular

Yapay zekâ tez analizimi tek başına yapabilir mi?

Hayır. Kod ve metin taslağı yazmada yardımcı olur; ama araştırma sorusunu kurmak, deseni değerlendirmek, testi gerekçelendirmek ve sonucu yorumlamak araştırmacının sorumluluğudur. Sayılar her zaman çalıştırılan koddan ve bir istatistik yazılımından gelir.

Dil modelinin önerdiği teste güvenebilir miyim?

Bir aday olarak değerlendirebilirsiniz. Bunu ölçen bir çalışmada (Zhu vd., 2024) modeller en sık, koşulları veriye uymayan bir yöntemi önermiştir. Öneriyi ölçek düzeyi, grup yapısı ve desenle karşılaştırın.

Veri setimi bir sohbet aracına yükleyebilir miyim?

Kişisel veri içeriyorsa önce anonimleştirmeniz, etik kurul ve onam koşullarınıza bakmanız ve hizmetin veri işleme koşullarını okumanız gerekir. Çoğu zaman sütun yapısını ve yapay birkaç satırı vermek kod yazdırmak için yeterlidir.

Model “kaynak” gösterirse yeterli olur mu?

Olmaz. Model var olmayan ya da hatalı künyeli kaynak üretebilir (Walters ve Wilder, 2023). Her kaynağı DOI’siyle ya da yayıncı sayfasından bulup iddianın orada yazdığını kendiniz okuyun.

Aynı istemi tekrar verince neden farklı sonuç alıyorum?

Dil modelleri olasılığa dayalı üretim yapar ve hizmetler zaman içinde güncellenir. Sıcaklık ayarını düşürmek değişkenliği azaltır ama ortadan kaldırmaz (Ouyang vd., 2025). Analizin kaydı, modelin yanıtı değil, çalıştırdığınız koddur.

Yapay zekâ kullandığımı tezde ya da makalede belirtmeli miyim?

Dergiler ve üniversiteler yapay zekâ kullanımının beyan edilmesini isteyebilir; kurallar kuruma göre değişir. Kendi enstitünüzün ve hedef derginizin güncel yönergesine bakın; hangi aracı, hangi sürümü ve hangi iş için kullandığınızı kaydetmek bu beyanı kolaylaştırır.

  • #yapay-zeka
  • #veri-analizi
  • #buyuk-dil-modelleri
  • #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. Chen, L., Zaharia, M., & Zou, J. (2024). How is ChatGPT's behavior changing over time? Harvard Data Science Review, 6(2).
  2. Gelman, A., & Loken, E. (2014). The statistical crisis in science. American Scientist, 102(6), 460–465.
  3. Kimball, A. W. (1957). Errors of the third kind in statistical consulting. Journal of the American Statistical Association, 52(278), 133–142.
  4. Kişisel Verileri Koruma Kurumu. (2025). Üretken yapay zekâ ve kişisel verilerin korunması rehberi (15 soruda) (Yayın No. 113).
  5. Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627(8002), 49–58.
  6. 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.
  7. SciPy. (t.y.). scipy.stats.ttest_ind. SciPy documentation. Erişim tarihi 22 Ekim 2026.
  8. Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, Article 14045.
  9. Zhu, Y., Du, S., Li, B., Luo, Y., & Tang, N. (2024). Are large language models good statisticians? In A. Globerson vd. (Eds.), Advances in Neural Information Processing Systems 37 (pp. 62697–62731). Curran Associates.

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