Yapay zekâ destekli nitel analizde yöntem ve etik

Neden ayrı bir yöntem ve etik tartışması gerekiyor?

Büyük dil modelleri görüşme dökümlerini okuyup kod önermek, temaları özetlemek ve rapor taslağı yazmak için giderek daha sık kullanılıyor. Bu araçlar zaman kazandırabilir; ancak nitel analizin ağırlık merkezi olan yorum, bağlam duyarlılığı ve araştırmacı sorumluluğu bir araca devredilemez. Bu nedenle iki soruyu birbirinden ayırmak gerekir: yöntem sorusu (yapay zekâ bu analizin mantığına uyuyor mu?) ve etik ile hukuki soru (katılımcı verisini üçüncü taraf bir hizmete göndermek için hangi koşullar sağlanmalı?).

Bu rehber iki soruyu birlikte ama ayrı başlıklar altında işler: yapay zekâdan nerede yardım alınabileceğini, hangi risklerin öne çıktığını, yayın etiği kuruluşlarının ve Türkiye'deki kurumların ne beklediğini ve veri koruma açısından hangi noktaların kurumunuzla birlikte kontrol edilmesi gerektiğini. Hukuki konular burada kesin sonuçlar olarak değil, kurumunuzun veri koruma sorumlusuna ya da hukuk birimine sorulacak sorular olarak sunulmuştur.

Yapay zekâ nerede yardımcı olur, nerede olamaz?

Morgan (2023), ChatGPT'yi daha önce araştırmacılarca analiz edilmiş iki veri setinde denediği çalışmasında aracın somut ve betimleyici temaları yakalamada görece başarılı olduğunu, daha ince ve yorum gerektiren temalarda ise geride kaldığını bildirir. Bu bulgu pratik bir ayrım önerir: yapay zekâ mekanik ve betimleyici işlerde yardımcı olabilir; anlam kurmak ve yorumlamak ise araştırmacının işi olarak kalır.

Görev türüne göre yapay zekânın olası rolü
Görev	Makul yardım	Araştırmacıda kalması gereken
İlk okuma ve düzenleme	Uzun dökümlerde bölümleri ve konuşmacıları tutarlı biçimde işaretleme önerisi	Neyin veri sayılacağı ve bağlamın nasıl korunacağı kararı
Kodlama	Mevcut kod kitabına göre aday kod ve alıntı önerisi	Önerinin kodun tanımına ve kurallarına gerçekten uyup uymadığını doğrulamak
Tema geliştirme	Kod kümeleri için taslak gruplama önerisi	Temanın ne anlama geldiğine ve araştırma sorusuyla ilişkisine karar vermek
Raporlama	Yapı taslağı ve dil düzeltme önerisi	Yorum, çıkarım, sınırlılıklar ve alıntı seçiminin sorumluluğu
Kalite kontrolü	Gözden kaçmış olabilecek bölümlere dikkat çekmek	Olumsuz vakaları ve çelişkileri bilinçli olarak aramak

Tablodaki “makul yardım” sütunu bir izin listesi değildir. Hangi görevin araca bırakılabileceği çalışmanızın yöntemine, etik kurul onayının kapsamına ve verinin hassasiyetine bağlıdır. Kodlamanın temel adımlarını görüşme kodlama rehberimizde bulabilirsiniz.

Epistemolojik uyum: refleksif yaklaşımlar ne der?

Nitel araştırma tek bir gelenek değildir. Önceden tanımlanmış bir kod kitabıyla çalışan ve kodlamanın tutarlılığını önemseyen yaklaşımlarda, yapay zekânın kod kitabına göre aday öneriler üretmesi yöntemin mantığıyla görece uyumludur. Refleksif yaklaşımlarda ise tablo farklıdır.

Braun ve Clarke (2019), refleksif tematik analizde temaların veriden kendiliğinden “ortaya çıkmadığını”, araştırmacı tarafından üretildiğini ve araştırmacının öznelliğinin giderilmesi gereken bir hata değil analitik bir kaynak olduğunu vurgular. Bu çerçevede kodlama, veriyle kurulan uzun ve derin bir ilişkinin ürünüdür. Hazır kod ya da tema önerileri, araştırmacının bu ilişkiyi kurmadan onay vermesine yol açarsa yöntemin kendisi zayıflar.

Başlıca riskler

Yapay zekâ destekli analizde riskler yalnızca teknik hatalardan ibaret değildir; bir kısmı araştırmacının çalışma alışkanlıklarını da sessizce değiştirir.

Uydurma alıntılar: Dil modelleri kaynakta bulunmayan, akıcı ve inandırıcı cümleler üretebilir. Kaynakla eşleşmeyen bir alıntının rapora girmesi, katılımcıya söylemediği bir sözü atfetmek anlamına gelir.
Bağlamından koparılmış alıntılar: Alıntı kelimesi kelimesine doğru olsa bile öncesi ve sonrası okunmadan seçilmişse anlamı tersine dönebilir; ironi, başkasının sözünü aktarma ya da bir soruyu tekrarlama bunun tipik örnekleridir.
Yanlılık: Modeller eğitim verilerindeki kalıpları yansıtabilir; belirli konuşma biçimlerini, yöresel ifadeleri ya da azınlık deneyimlerini daha az görünür kılabilir veya yanlış sınıflandırabilir.
Aşırı güven: Önerilerin hızlı ve düzenli görünmesi eleştirel okumayı gevşetebilir. Zamanla onaylamak, analiz etmenin yerini alabilir.
Refleksivitenin kaybı: Araştırmacı veriyle kendi ilişkisini kurmadan önerilerle çalışırsa, kendi varsayımlarını fark etme ve sorgulama fırsatı azalır.
İzlenebilirlik sorunu: Aynı istem farklı zamanlarda farklı çıktı verebilir; bu da hangi sonucun nasıl üretildiğinin kaydını zorunlu kılar.

Kurgusal örnekÖrnek (kurgusal)

Uzaktan çalışma üzerine görüşmeler yürüten bir araştırmacı, “yalnızlık” kodu için şu alıntının önerildiğini görür: “Evden çalışmak beni tamamen yalnızlaştırdı.” Dökümü açtığında katılımcının gerçekte “Herkes evden çalışmanın insanı yalnızlaştırdığını söylüyor ama bende öyle olmadı.” dediğini fark eder. Önerilen cümle kaynakta birebir yer almaz ve bağlam tam tersini anlatır. Araştırmacı öneriyi reddeder, bölümü “beklentiyle çelişen deneyim” olarak yeniden değerlendirir ve bu kararı refleksif notuna yazar.

Sorumluluk, şeffaflık ve yazarlık

Yapay zekâ ne ölçüde kullanılırsa kullanılsın, bulguların doğruluğundan, alıntıların kaynağa sadakatinden ve yorumlardan araştırmacı sorumludur. Yayın etiği alanındaki başlıca metinler bu noktada örtüşür:

COPE (2023): Yapay zekâ araçları yazar olarak gösterilemez; çünkü çalışmanın sorumluluğunu üstlenemez, çıkar çatışması beyan edemez, telif ve lisans sözleşmelerini yönetemez. Araçları yazımda, veri toplamada ya da analizde kullanan yazarlar hangi aracın nasıl kullanıldığını yöntem bölümünde veya benzeri bir bölümde açıklamalı; araçla üretilen kısımlar dahil tüm içerikten sorumlu olduklarını bilmelidir.
ICMJE (2025): Dergilerin gönderim sırasında yapay zekâ destekli teknolojilerin kullanılıp kullanılmadığını sormasını önerir. Yazım desteği için kullanım teşekkür kısmında, veri toplama, analiz ya da şekil üretimi için kullanım yöntem bölümünde anlatılmalıdır. Sohbet robotları, çalışmanın doğruluğundan, bütünlüğünden ve özgünlüğünden sorumlu tutulamayacakları için yazar olarak listelenmemelidir.
UNESCO (Miao ve Holmes, 2023): Eğitim ve araştırmada üretken yapay zekâ için insan merkezli bir yaklaşım savunur; insan failliğinin korunmasını, veri gizliliğinin gözetilmesini ve araçların kurumsal düzeyde değerlendirilip politikalara bağlanmasını öne çıkarır.

Kurgusal örnekÖrnek (kurgusal)

Yöntem bölümü için kurgusal bir beyan: “Görüşme dökümleri, adlar ve tanımlayıcı ayrıntılar katılımcı kodlarıyla değiştirildikten sonra analiz yazılımına yüklenmiştir. Kod kitabı araştırmacılar tarafından geliştirilmiştir. İkinci kodlama turunda, yazılımın bir dil modeli sağlayıcısı üzerinden sunduğu kod önerileri yalnızca gözden kaçmış olabilecek bölümleri belirlemek için kullanılmıştır (araç adı, sürümü ve kullanım tarihleri burada belirtilir). Her öneri kaynak metin ve bağlamıyla karşılaştırılarak kabul edilmiş, değiştirilmiş ya da reddedilmiştir. Temalar ve yorumlar araştırmacılara aittir. Katılımcılar, dökümlerin yurt dışında hizmet veren bir sağlayıcı tarafından işlenebileceği konusunda bilgilendirilmiş ve bu kullanım etik kurul başvurusunda belirtilmiştir.” Gerçek beyanınız kendi sürecinizi yansıtmalıdır.

Türkiye'deki kurumsal rehberler

Yükseköğretim Kurulu (2024), yükseköğretim kurumlarında bilimsel araştırma ve yayın faaliyetlerinde üretken yapay zekâ kullanımına ilişkin bir etik rehber yayımlamıştır. Rehber bu araçların şeffaf ve sorumlu kullanımına dair ilkeler ortaya koyar; kullanımın açıkça beyan edilmesi ve üretilen içeriğin sorumluluğunun araştırmacıda kalması bu yaklaşımın merkezindedir. Bir üniversitede çalışıyorsanız, kurumunuzun bu rehbere dayanarak kendi yönergesini hazırlayıp hazırlamadığını da kontrol edin.

TÜBİTAK (2025) ise destek süreçlerinde üretken yapay zekânın sorumlu ve güvenilir kullanımına yönelik bir rehber yayımlamıştır. Bu rehberin kapsamı TÜBİTAK destek programlarına yönelik başvuru süreçleridir; her araştırmanın analiz aşamasını düzenleyen genel bir kural metni olarak okunmamalıdır. Projeniz TÜBİTAK desteğiyle yürütülüyorsa ya da başvuru hazırlıyorsanız, rehberin hangi rolleri ve aşamaları kapsadığını güncel metinden doğrudan inceleyin.

Veri koruma: aydınlatma, takma ad ve yurt dışı aktarım

Görüşme dökümleri çoğu zaman kişisel veri içerir: adlar, iş yerleri, yaşanılan yer, sağlık ya da inançla ilgili anlatılar. Bu metni bir yapay zekâ sağlayıcısına göndermek, verinin yeni bir işleme faaliyetine ve çoğu durumda yeni bir alıcıya açılması demektir. Aşağıdaki başlıklar, kurumunuzun veri koruma sorumlusu ya da hukuk birimiyle birlikte kontrol edilmesi gereken noktalardır.

Aydınlatma ve onam: Katılımcı bilgilendirme metni, dökümlerin bir yapay zekâ hizmeti tarafından işlenebileceğini, sağlayıcının kim olduğunu ve verinin yurt dışına aktarılıp aktarılmayacağını anlaşılır biçimde söylüyor mu? Araştırma etiği kapsamındaki onam ile kişisel verilerin korunması mevzuatındaki aydınlatma farklı yükümlülüklerdir; birinin varlığı diğerini otomatik olarak karşılamaz.
Hukuki dayanak: İşlemenin 6698 sayılı Kanun'daki hangi işleme şartına dayandığını, özel nitelikli kişisel veri (örneğin sağlık verisi) söz konusuysa ek koşulların nasıl sağlandığını kurumunuzla birlikte belgeleyin.
Takma adlandırma: Metni üçüncü taraf bir sağlayıcıya göndermeden önce adları, kurum adlarını ve kolayca tanımlayıcı ayrıntıları katılımcı kodlarıyla değiştirin; eşleştirme listesini ayrı ve erişimi kısıtlı bir yerde tutun. Takma adlandırılmış veri, yeniden tanımlama mümkün olduğu sürece kişisel veri olmaya devam edebilir; bu nedenle takma ad diğer yükümlülükleri ortadan kaldırmaz.
Veri en aza indirme: Analiz için gerekmeyen bölümleri (tanışma, kayıt dışı sohbet) göndermeyin.
Roller ve sözleşmeler: Veri sorumlusu ve veri işleyen rollerinin kimde olduğunu, platformun ve alt işleyenlerinin hangi taahhütlerle çalıştığını kontrol edin. Bu platformun alt işleyenleri alt işleyenler sayfasında, teknik ve idari önlemleri güvenlik sayfasında listelenir.

Sağlayıcı veriyi Türkiye dışında işliyorsa yurt dışına aktarım hükümleri gündeme gelebilir. 6698 sayılı Kanun'un 9. maddesi 2024 yılında değiştirilmiştir; aktarımın her durumda Kanun'daki işleme şartlarından birine de dayanması gerekir. Maddenin güncel yapısı, kurumunuzla konuşurken aşağıdaki sorulara çerçeve olabilir:

6698 sayılı Kanun m. 9 (2024 değişikliğiyle): kontrol edilecek başlıklar
Başlık	Kısaca	Kurumunuza sorulacak soru
Yeterlilik kararı	Aktarımın yapılacağı ülke, sektör ya da uluslararası kuruluş hakkında Kurul'un yeterlilik kararı bulunması	Sağlayıcının veriyi işlediği yer için yürürlükte bir yeterlilik kararı var mı?
Uygun güvenceler	Yeterlilik kararı yoksa, ilgili kişinin haklarını kullanabilmesi ve etkili başvuru yollarının bulunması koşuluyla standart sözleşme gibi güvenceler; standart sözleşme imzalandıktan sonra beş iş günü içinde Kurum'a bildirilir	Hangi güvence kullanılıyor? Standart sözleşme imzalandı mı ve bildirim süresi içinde yapıldı mı?
Arızi aktarım	Yeterlilik kararı ve uygun güvence bulunmadığında, yalnızca sınırlı durumlarda ve arızi nitelikte yapılabilen aktarımlar	Bu aktarım gerçekten arızi mi, yoksa düzenli ve süreklilik gösteren bir işleme mi?

Kişisel Verileri Koruma Kurumu (2025), üretken yapay zekâ ile kişisel verilerin korunması arasındaki ilişkiyi soru cevap biçiminde ele alan bir rehber yayımlamıştır. Kurum içi politikanızı ya da katılımcı bilgilendirme metninizi hazırlarken bu metni de gözden geçirmeniz yararlı olur.

Etik kurul, kontrol listesi ve denetim izi

Etik kurul başvurunuz yapay zekâ kullanımını ya da üçüncü taraf bir sağlayıcıya veri aktarımını öngörmüyorsa, bu kullanımı başlatmadan önce kurulun değişiklik bildirimi ya da yeni onay isteyip istemediğini sorun. Onayın kapsamı, katılımcıya verilen bilgilerle ve fiilen yaptığınız işlemle tutarlı olmalıdır.

Yapay zekânın hangi aşamada ve hangi amaçla kullanılacağını, araştırma sorusu ve yaklaşımınızla birlikte yazılı olarak belirleyin.
Etik kurul başvurusunun ve katılımcı bilgilendirme metninin bu kullanımı kapsadığını doğrulayın.
Hukuki dayanağı, yurt dışı aktarım durumunu ve sözleşmeleri veri koruma sorumlunuzla kontrol edin.
Üniversitenizin, fon kuruluşunuzun ve hedef derginin yapay zekâ politikalarını okuyun.
Dökümleri göndermeden önce takma adlandırın ve analiz için gerekmeyen bölümleri çıkarın.
Her öneriyi kaynak metinle ve bağlamıyla karşılaştırarak kabul edin, değiştirin ya da reddedin.
Yapay zekânın yazdığı anlatı metinlerini (tema tanımı, özet, rapor taslağı) yeniden okuyup kendi yorumunuzla düzeltin.
Önerilerin düşüncenizi nasıl etkilediğini refleksif notlarınıza kaydedin.
Yöntem bölümünde aracın adını, sürümünü, kullanım tarihlerini, amacını ve insan denetiminin nasıl yapıldığını beyan edin.

Denetim izi, bu listenin kanıtıdır. Hangi aracın hangi tarihte hangi veriyle çalıştığını, hangi önerilerin kabul edildiğini, hangilerinin değiştirildiğini ya da reddedildiğini ve kod kitabındaki birleştirme veya bölme kararlarının gerekçelerini saklamak; hem hakem ve etik kurul sorularını yanıtlamayı hem de kendi analitik kararlarınızı geriye dönük incelemeyi mümkün kılar. Ekip halinde kodluyorsanız bu kayıtlar kodlayıcılar arası uyum tartışmalarında da işe yarar.

YouReply Nitel Analiz bu süreci nasıl destekler?

YouReply Nitel Analiz'de yapay zekâ isteğe bağlıdır ve her çalışma için ayrı bir anahtarla yönetilir. Yeni bir çalışma oluşturulurken anahtar şu anda açık başlar; oluşturma sırasında ya da daha sonra çalışma ayarlarından kapatılabilir. Kapalıyken yeni yapay zekâ çalıştırmaları başlatılmaz. Sağlayıcı OpenAI'dır (API).

Gönderilen veri: Yapay zekâ açıkken döküm bölümlerinin metni (konuşmacı etiketleri dahil), kod kitabındaki kod adları, tanımlar ve kurallar ile araştırma sorusu gönderilir. Tema, örüntü ve rapor önerilerinde kod adları, kısa alıntılar ve katılımcı kodları gönderilir.
Otomatik takma ad yok: Konuşmacı etiketleri yazıldığı gibi gönderilir. Bu yüzden etiketlerde gerçek ad yerine katılımcı kodu kullanmanızı ve dökümleri yüklemeden önce takma adlandırmanızı öneririz.
Öneriler beklemede kalır: Her öneri siz kabul edene, kodunu değiştirerek düzenleyene ya da reddedene kadar bekler; kabul edilmemiş öneriler sayımlara, matrislere ve raporlara girmez.
Alıntılar kaynakla eşleşmeli: Önerilen bir alıntı ancak kaynak metinle eşleşirse kabul edilebilir (büyük küçük harf, boşluk ve tırnak işareti farkları tolere edilir); saklanan alıntı kaynaktan alınır. Yapay zekânın yazdığı tema açıklamaları, örüntü özetleri ve rapor taslakları sizin incelemenizi gerektirir.
İz kayıtları: Her kodlamanın kökeni (elle, kabul edilen yapay zekâ önerisi ya da farklı kodla kabul) kaydedilir; kod kitabı işlemleri günlüğe yazılır ve birleştirme ile bölmeye gerekçe notu eklenebilir. Analitik, yöntemsel, refleksif ve genel notlar tutabilirsiniz.

Sağlayıcının yayımladığı API veri kontrolleri belgesine göre API verileri, kuruluş açıkça katılmayı seçmedikçe model eğitiminde kullanılmaz; kötüye kullanım izleme kayıtları varsayılan olarak 30 güne kadar saklanır ve sıfır veri saklama seçeneği OpenAI'ın onayına bağlıdır. Bunlar sağlayıcının yayımladığı koşullardır; yapılandırmamıza ilişkin bir güvence olarak okunmamalıdır.

Özet

Yapay zekâ betimleyici ve mekanik işlerde yardımcı olabilir; yorum, bağlam ve bulguların sorumluluğu araştırmacıda kalır.
Refleksif yaklaşımlarda yapay zekâ kullanımı, öznelliğin ve yorum sorumluluğunun nasıl korunduğu gerekçelendirilerek yöntem bölümünde açıklanmalıdır.
COPE ve ICMJE'ye göre yapay zekâ yazar olamaz; hangi aracın hangi amaçla kullanıldığı beyan edilmelidir.
Dökümleri göndermeden önce takma adlandırın; aydınlatma, hukuki dayanak ve yurt dışı aktarımı veri koruma sorumlunuzla kontrol edin.
Yapay zekâyı kapatmak etik kurul ve KVKK yükümlülüklerini tek başına karşılamaz.
Önerilerin kabul, değişiklik ve ret kayıtlarını ve refleksif notlarınızı içeren bir denetim izi tutun.

Kaynakça

Braun, V., & Clarke, V. (2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589–597. https://doi.org/10.1080/2159676X.2019.1628806
Committee on Publication Ethics. (2023). Authorship and AI tools [COPE position statement]. https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools
International Committee of Medical Journal Editors. (2025). Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals: Artificial intelligence (AI) use by authors. https://www.icmje.org/recommendations/browse/artificial-intelligence/ai-use-by-authors.html
Kişisel Verileri Koruma Kurumu. (2025). Üretken yapay zekâ ve kişisel verilerin korunması rehberi (15 soruda). https://www.kvkk.gov.tr/Icerik/8547/uretken-yapay-zeka-ve-kisisel-verilerin-korunmasi-rehberi-15-soruda
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
Morgan, D. L. (2023). Exploring the use of artificial intelligence for qualitative data analysis: The case of ChatGPT. International Journal of Qualitative Methods, 22. https://doi.org/10.1177/16094069231211248
TÜBİTAK. (2025). Destek süreçlerinde üretken yapay zekânın (ÜYZ) sorumlu ve güvenilir kullanımı rehberi. https://tubitak.gov.tr/sites/default/files/2025-10/UYZ_Rehberi_v03_TR.pdf
Yükseköğretim Kurulu. (2024). Yükseköğretim kurumları bilimsel araştırma ve yayın faaliyetlerinde üretken yapay zekâ kullanımına dair etik rehber. https://www.yok.edu.tr/tr/news/yuksekogretim-kurulu-yuksekogretim-kurumlari-bilimsel-arastirma-ve-yayin-faaliyetlerinde-uretken-yapay-zeka-kullanimina-dair-etik-rehber-hazirladi-zisSm
6698 sayılı Kişisel Verilerin Korunması Kanunu. (2016, 2024 değişiklikleriyle). Resmî Gazete. https://www.mevzuat.gov.tr/mevzuat?MevzuatNo=6698&MevzuatTur=1&MevzuatTertip=5