2 Haziran 2026 /Nikki Goth Itoi
Araştırmacılar, yapay zekanın açık bilim hareketini nasıl şekillendirdiğini tartışmak üzere yıllık CORES Sempozyumu’nda bir araya geldi.
Yapay zekâ, bilimsel araştırmaların güvenilirliğini, şeffaflığını ve verimliliğini artırma potansiyeline sahip olmakla birlikte, yeni zorluklar da ortaya çıkarıyor. Bu Nisan ayında, 6. Yıllık Stanford Veri Bilimi CORES Sempozyumu 2026, siyaset bilimi, psikoloji, bilgisayar bilimi ve astrofizik gibi çeşitli alanlardan 200’den fazla araştırmacı, veri bilimci ve uygulayıcıyı bir araya getirerek yapay zekâ ve bilimsel tekrarlanabilirlik temasını ele aldı.
CORES, yani Açık ve Tekrarlanabilir Bilim Merkezi, tüm alanlarda veriye dayalı keşiflerin şeffaflık ve tekrarlanabilirlik konusunda titiz standartları karşılamasını sağlamak için çalışmaktadır. Amacı, açık bilimi standart bir uygulama haline getirmektir.
Günün programında, Stanford Üniversitesi’nden siyaset bilimi yardımcı doçenti Yiqing Xu , bilgisayar bilimi yardımcı doçenti Ludwig Schmidt ve misafir araştırmacı Steffen Bollman’ın bilimsel kıyaslama ve kodlama ajanlarının durumu üzerine açılış konuşmaları; sinirbilim, yapay zeka ajanları ve evren üzerine üç teknik sunum; ve yapay zeka güvenilirliği üzerine bir panel tartışması yer aldı.
Burada, psikoloji profesörü ve CORES Fakülte Direktörü Russell Poldrack, günün öne çıkan olaylarını değerlendiriyor.
Bu yılki sempozyumda katılımcılar güvenilir yapay zeka temasıyla nasıl etkileşim kurdular?
Yapay zekaya duyulan güven, ister geleneksel bir bilim dalı olsun ister beşeri bilimler içindeki bir alan, tekrarlanabilir bilimsel çalışmalar için merkezi bir soru haline geldi. Dünyayla ilgili cevaplar almak istiyorsak, örneğin bir ilacın bir hastalığı iyileştirip iyileştirmeyeceği veya havaya saldığımız bir kimyasalın çevreye zarar verip vermediği gibi, bilime yöneliyoruz. İnancımızın temelinde, bilimin bize içgüdülerimize güvenmek yerine objektif, güvenilir ve tekrarlanabilir cevaplar verebileceği fikri yatıyor. Aynı deneyi beş kez yaparsam, kabul edilebilir bir hata payı içinde aynı sonucu almalıyım.
Yapay zekâ araçları, insanların inceleyebileceğinden çok daha fazla çıktı üretmeyi kolaylaştırıyor; bu nedenle sempozyumumuzun temel sorularından biri, “Yapay zekâyı, bize bilimsel cevaplar verebileceğine güvenebileceğimiz kadar güvenilir hale nasıl getirebiliriz?” oldu. Bu soruyu cevaplamak için, yapay zekânın bugün ne kadar güvenilir olduğunu ve gelecekte hangi güven eşiğine ulaşmamız gerektiğini bilmemiz gerekiyor. Yapay zekâ bizim adımıza bilimsel çalışmalar yaptığında, mümkün olduğunca tekrarlanabilir cevaplar vermesini sağlamak istiyoruz. Gün boyunca bu konuyu tartışan birçok insanı duymaktan heyecan duydum.
Bilim insanları yapay zekanın tekrarlanabilir bilim hedefine nasıl katkıda bulunabileceğini düşünüyor?
Bir avantajı da, yapay zekanın, bir bilim insanının çalışması yayınlandıktan sonra yeniden üretilebilme yeteneğini temelden hızlandırmasıdır. Yiqing Xu bu konu hakkında bir açılış konuşması yaptı (“ Yeniden Üretilebilirliği Ölçeklendirme: Büyük Ölçekli Çoğaltma ve Yeniden Analiz için Yapay Zeka Destekli Bir İş Akışı ”).
Bir diğer olumlu gelişme ise veri analizi alanında yaşanıyor. Geçmiş çalışmalarımızdan, farklı araştırmacıların aynı veri setini farklı şekillerde analiz ederek genellikle farklı sonuçlara ulaştığını öğrendik. Bu deneyimden yola çıkarak, verileri birçok olası şekilde analiz etmenin ve ardından “Bu farklı analizler arasında sonuçlar ne kadar tutarlı?” diye sormanın önemli olduğunu biliyoruz. Buna çoklu evren analizi diyoruz ve bu bize sonuçların verilerin analiz edilme biçimlerindeki farklılıklara ne kadar duyarlı olduğunu gösteriyor. Yapay zeka araçları bu yaklaşımı uygulamayı çok daha kolay hale getiriyor. Çalıştırmak istediğiniz 200 farklı analiz varsa, yapay zeka bunların hepsini çok daha hızlı bir şekilde uygulamanızı mümkün kılıyor.
Tekrarlanabilir bilim için önümüzdeki en büyük fırsat sizce nedir?
Otomatik yazılım kodlaması, bilim insanlarının daha karmaşık deneyler yapmalarını ve verileri daha hızlı, büyük ölçekte ve daha yüksek doğrulukla analiz etmelerini sağlayan önemli bir gelişmedir. Ancak beraberinde yeni riskler de getiriyor. Yazılım mühendisliği bilimde kritik bir rol oynar, ancak çoğu bilim insanının bu konuda resmi bir eğitimi yoktur. Yaklaşık üç yıl önce güçlü yapay zeka kodlama araçlarının ortaya çıkışına kadar, çoğu bilim insanı verileri analiz etmek için kendi kodlarını yazıyordu.
Günümüzde bilim insanlarının daha iyi kod üretmelerine yardımcı olabilecek güçlü yapay zeka kodlama araçları var, ancak bu da beklenmedik şekillerde yanlış gidebilir; bu nedenle temel bir soru şu oluyor: Otomatik olarak üretilen kodun doğru cevaplar verdiğinden emin olmak için nasıl doğrulama yapılır? Bu, yeni canlı ders kitabım olan ” Daha İyi Kod, Daha İyi Bilim” in konusu .
Açık bilim uygulamalarına kendini adamış araştırmacılar için yapay zekâ ile ilgili en büyük endişe nedir?
Yapay zekâ sistemlerini bilimsel değerlerimizle uyumlu hale getirmemiz gerekiyor. Bilim insanları doğruyu bulmaya değer verir. Bunu yapmaya teşvik ediliyoruz çünkü sürekli yanlış makaleler yayınlarsak, insanlar bizi dinlemeyi bırakacak. Ancak şu anda yapay zekâ sistemleri bu değerler kümesiyle eğitilmiyor. Bunun yerine, insanların hoşuna giden cevaplar vermek üzere eğitiliyorlar. Bu konuda yapacak çok işimiz var. Neyse ki, bu cephede sürekli ilerleme kaydediliyor; örneğin, Claude Opus’un en son sürümü özellikle daha “dürüst” olmak üzere eğitildi.
Günün ardından hangi sonraki adımlar ortaya çıktı?
Yapay zekâ araçlarının tekrarlanabilir bilimi ne kadar iyi destekleyebileceğini test etmek için kıyaslama ölçütleri oluşturmaya yönelik heyecan giderek artıyor. Ludwig Schmidt, ekibinin Terminal-Bench Science adını verdiği yeni bir kıyaslama ölçütü geliştirdiğini anlatırken , Steffen Bollman da sinirbilim alanında kıyaslama ölçütleri geliştirmekten bahsetti. Diğer alanlarda yapay zekâyı kıyaslamak için devam eden birçok faaliyet var, ancak bilimsel araştırmalarda yapay zekâyı değerlendirmek için standartlar henüz ortaya çıkıyor.
Bir diğer önemli girişim ise akademik ortamlarda açık bilim uygulamalarını teşvik edecek mekanizmalar geliştirmeyi içeriyor. Yıllar önce, bir grup üniversite lideri, akademik kariyer yollarını açık ve tekrarlanabilir bilim ilkeleriyle uyumlu hale getirmek için Açık Bilim için Yüksek Öğretim Liderlik Girişimi’ni ( HELIOS Open ) kurdu. CORES’in açık bilim stratejisi direktörü Zach Chandler , şu anda bu kuruluşta Stanford’u temsil ediyor ve bu önemli bir rol, çünkü sonuçta, insanların işe alınma, terfi etme ve kadroya atanma biçimini değiştirmezseniz, bilimin yapılma biçimini de değiştiremezsiniz.
https://datascience.stanford.edu/news/what-does-ai-mean-reproducible-science