“LLM” için sonuçlar
324 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Bilim Ajanları İçin Yeni Bir Çalışma Zamanı: Daha Hızlı, Daha Ucuz, Daha Güvenilir
Büyük dil modelleri (LLM), bilimsel iş akışlarını planlayabilir ve kod üretebilir; ancak bu yetenekler tek başına yeterli değildir. Bilimsel bir deneyin farklı adımları arasında verinin nasıl doğrulandığı, aktarıldığı ve kaydedildiği sorusu hâlâ yanıt beklemektedir. Araştırmacılar, bu soruna 'El Agente Gráfico' adını verdikleri yeni bir çalışma zamanı mimarisiyle çözüm getirmeye çalıştı. Sistem, bilimsel süreçleri türü belirlenmiş yürütme grafikleri aracılığıyla yönetiyor; bu sayede hangi bilimsel durumun hangi adıma geçebileceğini katı kurallara bağlıyor, köken bilgisini kaydediyor ve yapay zeka modelinin karar vereceği noktaları açıkça tanımlıyor. Sistem, üniversite düzeyinde altı kuantum kimyası egzersizi üzerinde test edildi. Aynı LLM ve görev bazlı değerlendirme kriterleri kullanılmasına karşın yeni mimari, önceki çok-ajanlı sisteme kıyasla model maliyetini yaklaşık yüzde seksen azaltırken işlem süresini de dörtten fazla kat hızlandırdı. Başarım ise gerileme yaşanmadan korundu, hatta iyileşti. Sistem ayrıca topluluk spektroskopisi ve metal-organik çerçeve (MOF) tasarımı gibi karmaşık bilimsel senaryolarda paralel yürütme ve oturumlar arası kalıcılık özelliklerini de başarıyla destekledi.
Yapay Zeka Yaratıcı Düşünürken İnsan Beynine Benziyor
Büyük dil modellerinin (LLM) yaratıcı düşünme sırasında insan beyniyle ne ölçüde örtüştüğünü araştıran yeni bir çalışma, dikkat çekici bulgular ortaya koydu. 170 katılımcının fMRI verilerini kullanan araştırmacılar, yapay zeka modellerinin boyutu büyüdükçe beyin aktivitesiyle uyumunun da arttığını tespit etti. Çalışmada katılımcılardan 'Alternatif Kullanımlar Testi' adı verilen bir görev yapmaları istendi: sıradan nesneler için alışılmadık kullanım yolları bulmak. Bu test, ıraksak düşünme kapasitesini —yani farklı ve özgün fikirler üretebilme yeteneğini— ölçmek için yaygın biçimde kullanılıyor. Araştırmacılar, LLM'lerin bu görev sırasında ürettiği temsilleri, yaratıcılıkla ilişkili iki beyin ağıyla —varsayılan mod ağı ve frontoparietal ağ— karşılaştırdı. Sonuçlar, model büyüklüğü ile beyin uyumu arasında anlamlı bir pozitif ilişki olduğunu gösteriyor. Bu bulgu, daha büyük modellerin yalnızca daha başarılı olmakla kalmayıp insan zihninin yaratıcı süreçlerini daha iyi yansıttığına işaret ediyor. Yapay zeka ile insan bilişi arasındaki bu örtüşme, hem yapay zeka araştırmaları hem de yaratıcılığın nöral temellerini anlamak açısından önemli ipuçları sunuyor.
Göz Takibi Çalışması: İnsan Okuma Biçimi Yapay Zekadan Nerede Ayrılıyor?
İnsan gözünün metin üzerindeki hareketlerini inceleyen yeni bir araştırma, yapay zeka dil modellerinin insan okuma davranışını açıklamada nerede yetersiz kaldığını ortaya koyuyor. 400'den fazla büyük dil modeli (LLM) ile yapılan karşılaştırmalı analizde, yapay zekaların özellikle iki kritik süreçte insan okuyucuların davranışını taklit edemediği görüldü: metni yeniden okuma ve birden fazla cümledeki bilgiyi zihinsel olarak birleştirme. Göz takibi verileri, insanların okurken yalnızca doğrusal bir yol izlemediğini; anlamlandırmakta güçlük çektikleri noktalarda geri döndüklerini ve farklı cümle parçalarını aktif biçimde ilişkilendirdiklerini gösteriyor. Oysa mevcut dil modelleri bu dinamik ve bağlam duyarlı süreci yeterince yansıtamıyor. Araştırma, yapay zeka sistemlerinin dil işleme kapasitesinin insan bilişiyle kıyaslanmasının ne kadar karmaşık olduğunu gözler önüne seriyor. Bu bulgu, hem yapay zeka geliştirme süreçleri hem de insan dil anlayışının bilişsel temelleri açısından önemli çıkarımlar taşıyor.
Bazı kelimeleri okumak neden zordur? Yapay zeka kısmi bir cevap sunuyor
Bir kitap okurken bazı cümlelerin üzerinden kolayca geçer, bazılarını ise anlamak için defalarca yeniden okuruz. Dilbilimciler ve veri bilimcilerinden oluşan bir araştırma ekibi, bu gizemin peşine düşerek ilginç bir keşfe imza attı. Büyük dil modellerinin (LLM) metin işleme biçimi ile insan beyninin okuma sırasında gösterdiği çaba arasında kısmi bir örtüşme olduğu ortaya çıktı. Yani yapay zeka, bazı kelimeleri işlerken insanlarla benzer 'zorlanma' örüntüleri sergiliyor. Ancak araştırma aynı zamanda önemli bir sınırı da gözler önüne serdi: İnsan okuma sürecinin bir bölümü, mevcut yapay zeka modelleriyle açıklanamıyor. Bu bulgu, insan dil işleme mekanizmaları ile yapay zekanın dil anlama süreçlerinin tam olarak örtüşmediğini, aralarında temel farklılıklar bulunduğunu ortaya koyuyor. Söz konusu çalışma hem okuma psikolojisi hem de yapay zeka araştırmaları açısından önemli ipuçları barındırıyor; insan zihninin dili nasıl kavradığını anlamada hâlâ çözülmeyi bekleyen katmanlar olduğunu hatırlatıyor.
Yapay Zeka, Fizik Öğrencilerinin Düşünce Gelişimini Ölçüyor
Fizik eğitiminde bilgisayarsal düşünme becerilerinin değerlendirilmesi, özellikle büyük öğrenci gruplarında ciddi bir zorluk oluşturmaktadır. Araştırmacılar, bu soruna yenilikçi bir çözüm önerdi: Büyük Dil Modelleri (LLM). Yeni bir çalışmada, araştırmacılar öğrencilerin hesaplamalı fizik problemlerine yazdığı açıklamaları analiz etmek için yapay zeka modellerinden yararlandı. Dönem başı ve sonunda uygulanan anketlerden elde edilen yazılı yanıtlar, önce uzman eğitimciler tarafından bilgisayarsal düşünme literatürüne dayalı bir çerçevede değerlendirildi. Bu insan bazlı değerlendirme, öğrencilerin 'Veri Pratikleri' ve 'Hesaplamalı Problem Çözme' becerilerinde anlamlı bir ilerleme kaydettiğini ortaya koydu. Ardından aynı yanıtlar bir LLM'e sunuldu ve yapay zekanın insan değerlendiricilerin sonuçlarını büyük ölçüde yansıtabildiği, üstelik bu analizi çok daha geniş veri setlerine uygulanabilir biçimde ölçeklendirebildiği görüldü. Çalışma, yapay zekanın eğitimde değerlendirme süreçlerini dönüştürme potansiyelini somut bir örnekle göstermesi bakımından dikkat çekicidir.
Yapay Zeka Açıklamaları Beynin Dili Nasıl İşlediğini Ortaya Koyuyor
Büyük dil modelleri (LLM) ile insan beyni arasındaki gizemli benzerlik, bilim insanlarının uzun süredir ilgisini çekiyor. Yeni bir araştırma, bu benzerliğin arkasında ne yattığını anlamak için açıklanabilir yapay zeka (XAI) yöntemlerinden yararlandı. Araştırmacılar, bir LLM'nin bir sonraki kelimeyi tahmin ederken her girdi kelimesinin ne kadar etkili olduğunu ölçen atıf yöntemlerini kullanarak bu katkıları fMRI beyin görüntüleme verileriyle karşılaştırdı. Katılımcılar hikayeler dinlerken alınan beyin sinyalleriyle yapılan bu karşılaştırma, gradyan tabanlı atıf yöntemlerinin beyin aktivitesiyle güçlü bir uyum sergilediğini ortaya koydu. Üstelik bu yöntemler, ses kalitesi veya kelime hızı gibi olası karıştırıcı faktörlerin ötesinde bağımsız bir açıklayıcılık gücüne sahip. Dikkat çekici bir bulgu ise bu atıf skorlarının, erken işitsel beyin bölgelerinde modelin iç temsillerinden bile daha iyi performans göstermesi. Araştırma aynı zamanda modelin farklı katmanlarının beyin bölgeleriyle nasıl eşleştiğini de inceliyor; erken katmanlar kelime türüne daha duyarlı olup işitsel bölgelerle, daha derin katmanlar ise üst düzey dil alanlarıyla örtüşüyor.
Yapay Zeka Biyokimyasal Ağları Ne Kadar İyi Modelleyebiliyor?
Büyük dil modelleri (LLM'ler) bilimsel araştırmalarda giderek daha fazla kullanılıyor; ancak bu araçların biyolojik süreçleri gerçekten ne ölçüde doğru modelleyebildiği merak konusuydu. eLife dergisinde yayımlanan yeni bir çalışma, genel amaçlı yapay zeka modellerinin biyokimyasal ağları oluşturma kapasitesini sistematik biçimde test etti. Araştırmacılar, kalp kası hücrelerinin büyümesi, miyofibroblast aktivasyonu ve mekanik sinyal iletimi gibi karmaşık sinyal ağlarında yapay zekanın literatürle uyumlu reaksiyonların yüzde 24 ile 65'ini üretebildiğini saptadı. Bu ağlara dayalı tahmin modellerinin doğruluğu ise yüzde 6 ile 33 arasında kaldı. Metabolik modelleme tarafında sonuçlar biraz daha umut vericiydi: Yapay zeka, E. coli bakterisinin temel metabolik ağındaki reaksiyonların yüzde 64 ile 91'ini doğru biçimde oluşturabildi. Bununla birlikte substrat kullanımı tahminlerinde başarı oranı oldukça değişken çıktı. Sonuçlar, mevcut LLM'lerin biyokimyasal ağ modelleme konusunda orta düzeyde bir performans sergilediğine, ancak henüz manuel literatür taramasının yerini alamayacağına işaret ediyor. Yine de bu araçların bilim insanlarına zaman kazandıran bir ön taslak oluşturma aracı olarak kullanılabileceği değerlendiriliyor.
Yapay Zeka mı, İnsan Zihni mi? Bilim İkisi Arasındaki Benzerlikleri Ortaya Koydu
Büyük dil modelleri (LLM'ler) çoğunlukla insan zihninden köklü biçimde farklı, 'yabancı' zekalar olarak değerlendirilir. Ancak yeni bir araştırma bu varsayımı sorguluyor. Bilişsel bilim alanında köklü destek bulan beş temel boyutta — çıkarımsal organizasyon, hesaplama mimarisi, temsil yapısı, tahmin odaklı öğrenme ve pekiştirmeli öğrenmeye benzer mekanizmalar — günümüz LLM sistemlerinin insan bilişiyle çarpıcı yapısal benzerlikler sergilediği ortaya konuluyor. Araştırmacılar, bu benzerliklerin salt yüzeysel ya da antropomorfik bir yansıma olmadığını; aksine zeka için evrensel sayılabilecek bazı organizasyon ilkelerinin hem biyolojik hem de yapay sistemlerde kendiliğinden ortaya çıktığına işaret ettiğini savunuyor. Fiziksel altyapı, öğrenme geçmişi ve etkileşim ortamı gibi temel farklılıklara karşın bu yakınsama, zeka kavramını yeniden düşünmemizi gerektiriyor. Bulgu, yapay zeka tasarımına ve insan bilişini anlamlandırma çabalarına yeni bir perspektif sunuyor.
Yapay Zeka Okuma ve Yazmayı Tek Bir Mekanizmaya Sıkıştırıyor
İnsan beyninde okuma ve yazma, birbirinden bağımsız iki ayrı sinirsel sistem tarafından yürütülür. Okuma için ventral bir çözümleme yolu, yazma için ise fronto-parietal bir kodlama yolu devreye girer; bu iki sistem belirli beyin hasarlarında birbirinden bağımsız olarak bozulabilir. Oysa GPT-2, OPT ve Pythia gibi büyük dil modelleri (LLM), her iki işlevi tek bir otomatik bağlanım (autoregressive) mekanizması üzerinden gerçekleştirir. Araştırmacılar, bu iki işlevin modelin içinde ne kadar iç içe geçtiğini ölçmek için 'dolanıklık indeksi' adını verdikleri yeni bir metrik geliştirdi. Dokuz farklı modeli inceleyen ekip, girdi tarafındaki 'okuma kodu' ile çıktı tarafındaki 'yazma kodu'nun birbirine ne denli bağlı olduğunu ortaya koydu. Bulgular, yapay zekanın dili işleme biçiminin evrimsel bir içgüdüden değil, metni optimize etmeye yönelik kültürel bir buluştan kaynaklandığına işaret ediyor. Bu çalışma, insan bilişi ile yapay zeka arasındaki derin mimari farklılıkları anlamak açısından önemli ipuçları sunuyor.
Yapay Zeka EEG Analizini Devralıyor: CogEEGAgent ile Beyin Verisi Yorumlama
Beyin elektrik aktivitesini ölçen EEG analizleri, uzmanlık gerektiren ve birçok kritik seçim içeren karmaşık süreçlerdir. Hangi kanallar incelenmeli, hangi zaman aralıkları kullanılmalı, hangi istatistiksel testler uygulanmalı? Tüm bu sorular genellikle deneyimli nörobilimcilerin kararına bırakılır. Araştırmacılar şimdi bu süreci otomatikleştirmek için CogEEGAgent adlı bir yapay zeka ajanı geliştirdi. Sistem, büyük dil modellerinin (LLM) doğal dil anlama becerisiyle MNE-Python gibi köklü bir EEG analiz kütüphanesini bir araya getiriyor. Ancak buradaki asıl yenilik, yapay zekanın sadece akıcı raporlar üretmesinin ötesine geçmesi: sistem, analizin gerçekten doğru yapıldığını doğrulamak için belirleyici (deterministik) bileşenler kullanıyor. Bu sayede LLM yalnızca kullanıcının niyetini yorumlarken, analizin bilimsel geçerliliğini bağımsız mekanizmalar denetliyor. Sistemin özellikle önemli bir özelliği, doğrulama sürecinin uyarlanabilir aramadan bağımsız tutulması; yani yapay zekanın kendi ürettiği sonucu kendi onaylamaması. Bu yaklaşım, bilimsel özerklik ile güvenilirlik arasındaki dengeyi yeniden kurmayı hedefliyor ve bilişsel nörobilim araştırmalarında otomasyon çağını açabilir.
Yapay Zeka Kendi Söylediklerini Unutuyor: LLM'lerde Kaynak Karışıklığı
İnsanlar gündelik hayatta kendi düşündükleri ile dışarıdan duydukları bilgileri birbirinden ayırt edebilir; psikolojide bu yetiye 'gerçeklik izleme' adı verilir. Bu kapasitenin bozulması ise halüsinasyon ve konfabülasyon gibi sorunlarla ilişkilendirilir. Peki büyük dil modelleri (LLM'ler) kendi ürettikleri içerikleri kullanıcının söylediklerinden ayırt edebiliyor mu? Yeni bir araştırma, altı farklı LLM üzerinde yürütülen iki deneyle bu soruyu ilk kez sistematik biçimde ele aldı. Bulgular çarpıcı: Modeller, konuşma hafızası sade tutulduğunda kendi çıktılarını başarıyla tanımlayabiliyor. Ancak araya zaman veya ek bilgi girdiğinde bu başarı çöküyor; model, kendi ürettiği hataları kullanıcıdan gelen gerçekmiş gibi işlemeye başlıyor. Üstelik geri bildirim verildiğinde bazı modellerde doğruluk artar ama güven düzeyi doğruluktan kopuk hareket eder — yani model daha emin görünürken aslında daha fazla yanılıyor olabilir. Araştırmacılar bu örüntünün modelin toplam parametre sayısıyla değil, aktif olarak kullanılan parametre sayısıyla ilişkili olduğunu da ortaya koydu. Çok turlu otonom görevler üstlenen yapay zeka sistemleri açısından bu bulgu ciddi güvenlik ve güvenilirlik sorularını beraberinde getiriyor.
Yapay Zeka Artık İç Deneyimlerimizi Derinlemesine Sorgulayabiliyor
İnsan zihninin öznel deneyimlerini anlamak, psikoloji biliminin en zorlu problemlerinden biri olmaya devam ediyor. Araştırmacılar bu alanda iki yöntem arasında sıkışmış durumda: Geniş katılımlı anketler yüzeysel kalırken, uzman mülakatlar derinlikli ama maliyetli ve yavaş. Yeni bir çalışmada araştırmacılar, bu ikilemden çıkış yolu olarak büyük dil modellerini (LLM) kullanarak özgün bir nörobiliM görüşme yöntemini — Betimsel Deneyim Örneklemesi'ni (DES) — yapay zekaya öğretti. DES, katılımcıların gündelik anlarda yaşadığı bilinç deneyimlerini, eğitimli uzmanların derinlemesine soruşturmasına dayanır; ancak yeterli uzman bulmak ve büyük örneklemler oluşturmak pratikte neredeyse imkânsızdır. Geliştirilen yapay zeka görüşmeci, her konuşma turunda katılımcının yanıtını analiz ederek bir sonraki soruyu dinamik biçimde belirliyor; böylece hem ölçeklenebilirlik hem de derinlik bir arada sunuluyor. Çalışma, öznel deneyim araştırmalarının önündeki pratik engeli aşmak için yapay zekanın nasıl kullanılabileceğine dair önemli bir kavram kanıtı niteliği taşıyor.
Büyük Dil Modelleri Molekül Geometrilerini Öğreniyor
Yapay zeka araştırmacıları, büyük dil modellerinin (LLM) moleküllerin üç boyutlu yapılarını tahmin etmek için nasıl kullanılabileceğini keşfetti. ChatGPT gibi sistemlerin temelini oluşturan bu modeller, ince ayar (fine-tuning) yöntemiyle kimyasal koordinat verisiyle eğitildiğinde, küçük organik moleküllerin ve ilaç benzeri bileşiklerin denge geometrilerini yüksek doğrulukla tahmin edebildiği görüldü. Dahası bu modeller, bu görevde özellikle bu amaç için tasarlanmış derin öğrenme sistemlerini bile geride bıraktı. Çalışma aynı zamanda farklı koordinat sistemlerinin model performansını nasıl etkilediğini de inceledi: Klasik kartezyen koordinatlar yeterli sonuç verirken, atomlar arası ilişkileri daha doğal biçimde kodlayan Z-matrisi gösteriminin modellere daha uygun bir 'dilbilgisi' sunduğu anlaşıldı. Belki de en dikkat çekici bulgu, bu kimyasal ince ayar sürecinin modelin özgün dil becerilerini neredeyse hiç zedelememesiydi; eğitime küçük miktarda doğal dil verisi karıştırıldığında model hem kimyacı hem de dil asistanı olarak çalışmaya devam etti. Bu sonuçlar, genel amaçlı yapay zeka sistemlerinin ilaç tasarımı ve malzeme bilimi gibi alanlarda güçlü araçlara dönüştürülebileceğine işaret ediyor.
Yapay Zeka Artık Fizik Sorusu Üretiyor: Sınavlarda Devrim mi?
Büyük dil modelleri (LLM) artık yalnızca metin yazmakla kalmıyor; fizik sınavları için özgün sorular da türetebiliyor. Yeni bir araştırma, yapay zeka tabanlı bir sistemin 'izomorfik' fizik problemleri oluşturmadaki başarısını mercek altına aldı. İzomorfik sorular, aynı fizik kavramını ve çözüm adımlarını koruyan ancak senaryo ile sayısal değerleri değiştiren sorulardır. Bu yaklaşım, öğrencilerin ezberlemek yerine gerçekten anladıklarını ölçmek için eğitimciler tarafından uzun süredir tercih edilmektedir. Araştırmacılar, üniversite düzeyinde Newton mekaniği dersinden alınan 13 çoktan seçmeli soruyu sisteme girdi olarak sundu. Sistem; zincirleme istemler, ajan tabanlı doğrulama ve otomatik LaTeX derleme gibi katmanlı bir iş akışı kullanarak yeni sorular üretti. Değerlendirme için geliştirilen 8 maddelik bir ölçeğe göre, üretilen soruların yüzde 89'u herhangi bir uzman müdahalesi gerektirmeden doğrudan kullanılabilir nitelikte bulundu. Sistem, bir Raspberry Pi üzerinde barındırılan ve kamuya açık bir web sitesi aracılığıyla erişilebilir hale getirildi; bu da düşük maliyetli ve yaygın kullanıma uygun olduğunu gösteriyor. Araştırma, yapay zekanın fizik eğitimindeki rolünü somut bir pratiklik düzeyine taşıması bakımından dikkat çekicidir.
Yapay Zeka ve Beyin Arasındaki Bağlantı Sol Yarıkürede Güçleniyor
Büyük dil modelleri (LLM) bir metni işlerken, insan beyninde oluşan aktivitelerle bu modellerin iç temsilleri arasında anlamlı bir örtüşme gözlemleniyor. Ancak asıl ilgi çekici bulgu, bu örtüşmenin beynin her iki yarıküresinde eşit gelişmediği. Yeni bir araştırma, dil modellerinin eğitimi ilerledikçe beyin aktivitesini tahmin etme başarısının sol yarıkürede sağ yarıküreye kıyasla daha belirgin biçimde arttığını ortaya koyuyor. Araştırmacılar, bu sol-sağ asimetrisinin tam olarak hangi beceriyle birlikte ortaya çıktığını anlamak için OLMo-2 7B modelinin farklı eğitim aşamalarını ve İngilizce konuşan katılımcılardan elde edilen fMRI verilerini karşılaştırdı. Sonuçlar çarpıcı: asimetri, modelin biçimsel dil yetkinliğini kazanmaya başladığı dönemle örtüşüyor. Başka bir deyişle, bir yapay zeka modeli dil bilgisi kurallarını ve sözdizimsel yapıları kavramaya başladığında, insan beyninin dil işleme merkezleriyle olan uyumu da sol yarıkürede belirginleşiyor. Bu bulgu, yapay zeka sistemlerinin dili nasıl öğrendiği ile insan beyninin dili nasıl işlediği arasındaki benzerliklere dair önemli ipuçları sunuyor.
Yapay Zekaya Kişilik Vermek Davranışlarını Gerçekten Değiştiriyor
Yapay zeka modellerine belirli kişilik özellikleri kazandırmak mümkün mü? Yeni bir araştırma, büyük dil modellerinin (LLM) 'uyumluluk' gibi kişilik özellikleriyle programlandığında işbirliğine dayalı davranışlarının belirgin biçimde değiştiğini ortaya koyuyor. Araştırmacılar, yapay zeka ajanlarına yüksek düzeyde uyumluluk özelliği atandığında bu modellerin sosyal etkileşimlerde çok daha işbirlikçi bir tutum sergilediğini gözlemledi. Ancak ilginç bir bulgu da şu: Eski nesil modeller, işbirliği yapmayan partnerlere karşı kendilerini korumakta zorlanıyor ve kolayca sömürülebilir hale gelebiliyor. Bu çalışma, yapay zekanın yalnızca bir bilgi işleme aracı olmadığını, aynı zamanda sosyal dinamikleri de etkileyebilecek bir aktör olduğunu bir kez daha gündeme taşıyor. Kişilik yönlendirmesinin yapay zeka sistemlerinde nasıl çalıştığını anlamak; bu modellerin müzakere, yardımlaşma ve çatışma çözümü gibi senaryolarda nasıl davranacağını öngörmek açısından kritik önem taşıyor.
Göz Hareketleri Kişiye Özel Bir Kimlik İzi Bırakıyor
Yeni bir araştırma, insan göz hareketlerinin tıpkı parmak izi gibi kişiden kişiye farklılık gösteren ve zamanla değişmeyen benzersiz bir kimlik işareti oluşturduğunu ortaya koydu. Sanal gerçeklik ortamında göz takip teknolojisi ile büyük dil modellerini (LLM) bir araya getiren bilim insanları, bireylerin bakış örüntülerinin son derece istikrarlı ve ayırt edici olduğunu kanıtladı. Bu keşif; biyometrik kimlik doğrulama sistemlerinden nörolojik hastalıkların erken teşhisine kadar pek çok alanda önemli uygulamalara kapı aralıyor. Araştırma, göz hareketlerinin yalnızca neye baktığımızı değil, aynı zamanda kim olduğumuzu da yansıttığını göstermesi bakımından dikkat çekici. Yapay zeka destekli analiz yöntemlerinin biyometri alanına entegrasyonunun hız kazandığı bu dönemde, söz konusu bulgu hem bilim dünyasında hem de teknoloji sektöründe yankı uyandırması bekleniyor.
Elektronların Molekülleri Nasıl Uyardığı Artık Daha Kolay Hesaplanabilir
Fizik ve kimyanın kesişiminde yer alan elektron çarpışma süreçleri, plazma fiziğinden atmosfer kimyasına, floresan malzemelerden biyomoleküllerin radyasyon hasarına kadar pek çok alanda kritik öneme sahiptir. Ancak bu süreçleri doğru biçimde matematiksel olarak modellmek, özellikle büyük moleküller söz konusu olduğunda son derece güç olmuştur. Türkiye'den ve uluslararası kurumlardan araştırmacıların geliştirdiği yeni bir hesaplama çerçevesi, bu zorluğun üstesinden gelmek için yenilikçi bir yaklaşım sunuyor. 'Çok-konfigürasyonlu ikili karşılaşma' (MC-BE) adı verilen bu yöntem, bir elektronun bir moleküle çarptığında o molekülü elektronik olarak uyarma olasılığını —yani tesir kesitini— deneysel veriye ya da sisteme özgü ayar parametrelerine ihtiyaç duymadan, yalnızca teorik hesaplamalarla doğrudan elde etmeyi mümkün kılıyor. Benzen ve naftalin gibi aromatik moleküller üzerinde yapılan testlerde yöntem, mevcut yaklaşımlardan daha başarılı sonuçlar verdi ve deneysel ölçümlerle kayda değer bir uyum yakaladı. Bu gelişme, büyük organik moleküllerin ışıma ve enerji aktarım davranışlarını anlamak için daha hızlı ve güvenilir bir araç sunuyor.
Yapay Zeka Fizik Öğretirse: Yüzde 20 Hata Oranı Gözden Kaçıyor
Büyük dil modelleri (LLM) eğitim alanında giderek daha fazla yer buluyor; ancak ileri düzey konularda ne kadar güvenilirler? Alman araştırmacılar, fizik problem çözme süreçlerinde öğrencilere geri bildirim sağlayan yapay zeka tabanlı bir sistem geliştirdi ve bunu Alman Fizik Olimpiyatı kapsamında test etti. Sistem, 'kanıta dayalı tasarım' ilkeleri üzerine inşa edildi; yani geri bildirimlerin öğrencinin hangi bilgi veya beceriden yoksun olduğuna dair somut kanıtlara dayanması hedeflendi. Katılımcıların büyük çoğunluğu yapay zekanın ürettiği geri bildirimleri hem yararlı hem de doğru olarak değerlendirdi. Ne var ki araştırmacıların yaptığı ayrıntılı inceleme farklı bir tablo ortaya koydu: Geri bildirimlerin yaklaşık yüzde yirmisi hata içeriyordu ve bu hataların büyük bölümü kullanıcılar tarafından fark edilemedi. Bu bulgu, yapay zekanın eğitim ortamlarında kullanımına dair ciddi bir uyarı niteliği taşıyor: Öğrenciler, hatalı bilgiyi doğru sanarak benimseyebilir. Sonuçlar, LLM tabanlı eğitim araçlarının özellikle uzmanlık gerektiren alanlarda bağımsız bırakılmaması gerektiğine işaret ediyor.
Yapay Zeka ve Matematik Birleşince İnsan Kararları Okunabilir Hale Geliyor
İnsan zihninin karar verirken nasıl çalıştığını anlamak, yüzyıllardır araştırmacıların peşinde koştuğu zorlu bir hedef. Yeni bir araştırma çerçevesi, büyük dil modellerini (LLM) seçim matematiğiyle harmanlayarak bu hedefe önemli bir adım atıyor. Çalışmada, katılımcıların kararlarını neden aldıklarına dair serbest metinle yazdıkları açıklamalar, yapay zeka tarafından otomatik olarak işleniyor ve kodlanıyor. Bu sayede binlerce kişinin düşünce süreçleri, tek tek elle incelemeye gerek kalmadan sistematik biçimde analiz edilebiliyor. Araştırmanın en çarpıcı bulgularından biri, insanların sabit bir karar verme stratejisi izlemediğini ortaya koyması: Karşılaşılan problemin yapısına göre akıl yürütme biçimi dinamik olarak değişiyor. Daha karmaşık veya belirsiz durumlarda beyin farklı stratejilere geçiş yapıyor. Çalışma, hem bilişsel bilim hem de yapay zeka alanında önemli sonuçlar doğuruyor; insan davranışını daha iyi modellemek isteyen araştırmacılara ölçeklenebilir ve doğrulanmış yeni bir metodoloji sunuyor.
Yapay Zeka, İnsanların Karar Verme Nedenlerini Keşfediyor
İnsanlar neden belirli seçimler yapar? Bu soruya yanıt bulmak, davranış biliminin en eski ve en zorlu problemlerinden biri. TU Dresden, Max Planck Enstitüsü ve Basel Üniversitesi'nden araştırmacılar, bu soruyu yanıtlamak için yeni bir yaklaşım geliştirdi. Yöntem, katılımcıların gözlemlenen davranışlarını kendi yazdıkları serbest metin açıklamalarıyla birleştiriyor ve bu metinleri büyük dil modelleri (LLM) aracılığıyla analiz ediyor. Böylece yalnızca davranış verilerine bakıldığında görünmeyen örüntüler ve motivasyonlar gün yüzüne çıkabiliyor. Geleneksel yöntemler, insanların ne seçtiğini ölçebilir; ancak neden seçtiğini anlamak çok daha güçtür. Bu yeni yaklaşım, katılımcıların kendi perspektiflerini araştırmaya dahil ederek o boşluğu doldurmayı hedefliyor. İnsan kararlarının arkasındaki gizli gerekçeleri ortaya çıkarmak; ekonomi, psikoloji ve yapay zeka araştırmaları gibi pek çok alanda önemli sonuçlar doğurabilir.
Hayal Gücü Ağları: İnsanlar Benzer, Yapay Zekâ Farklı
Zihinsel imgelem — yani bir şeyi gözler kapalıyken ne kadar canlı hayal edebildiğimiz — kişiden kişiye değişen kalıcı bir özellik. Peki farklı kültürlerden insanlar bir şeyi hayal ettiklerinde beyin ağlarının yapısı benzer mi? Ve yapay zekâ bu yapıyı taklit edebiliyor mu? Florida, Polonya ve Londra'dan toplam 2.743 katılımcıyı kapsayan yeni bir araştırma, insan hayal gücü ağlarının coğrafi ve dilsel farklılıklara rağmen şaşırtıcı ölçüde tutarlı olduğunu ortaya koydu. Araştırmacılar iki ayrı imgelem anketi kullanarak katılımcıların duyusal hayal gücü canlılığını ölçtü ve bu verileri psikolojik ağ analizine tabi tuttu. Sonuçlar, insan örnekleri arasında güçlü bir merkezi düğüm ve topluluk yapısı benzerliği olduğunu gösterdi. Öte yandan aynı testler Gemma3, Llama ve Llama4 gibi büyük dil modellerine (LLM) uygulandığında, yapay zekânın bu tutarlı örüntüyü yansıtamadığı görüldü. Bu bulgu, insan hayal gücünün evrensel biyolojik temellere dayandığına işaret ederken yapay zekânın insan zihnini simüle etme kapasitesinin sınırlarını da gözler önüne seriyor.
Yapay Zeka Sınav Kağıdı Okurken Ne Kadar Başarılı? Cevap Göreve Göre Değişiyor
Büyük dil modellerinin (LLM) eğitim değerlendirmelerinde kullanımı giderek yaygınlaşırken, bu sistemlerin ne zaman güvenilir olduğu sorusu kritik önem taşıyor. Yeni bir araştırma, GPT, Grok, Claude, DeepSeek ve Gemini gibi önde gelen yapay zeka modellerinin fizik sınavlarını nasıl puanladığını inceledi. Sonuçlar çarpıcı: Yapay zekanın başarısı, kullanılan modelden çok değerlendirilen görevin türüne bağlı. Klasik yapılandırılmış sorularda modeller insan puancılarla oldukça uyumlu sonuçlar üretirken, bilimsel grafik yorumlama ve deneme tipi yazılı sınavlarda tablo belirgin biçimde değişiyor. Araştırmacılar ayrıca önemli bir ayrıma dikkat çekiyor: Bir sistemin genel not dağılımını doğru tahmin etmesi ile öğrencileri kaliteye göre doğru sıralayabilmesi birbirinden farklı şeyler. Otomatik değerlendirme sistemleri tasarlanırken bu iki ölçütün birbirine karıştırılmaması gerekiyor. Çalışma, yapay zekanın eğitimde geri bildirim aracı olarak kullanılmasına ilişkin pratik bir çerçeve sunuyor ve hangi koşullarda güvenilebileceğini netleştiriyor.
Küçük Spiking Sinir Ağlarında Güç Yasası: Kategori Sayısı Başarıyı Belirliyor
Biyolojik sinir sistemlerinden ilham alan 'spiking' (atımlı) sinir ağları, yapay zeka dünyasında giderek daha fazla ilgi görüyor. Yeni bir araştırma, küçük ölçekli bu ağların sınıflandırma başarısını etkileyen faktörleri mercek altına aldı. Sonuçlar oldukça çarpıcı: Ağın doğru sınıflandırma yapabilme kapasitesi, nöron sayısından ya da giriş uyaran düğümlerinden çok, sınıflandırılacak kategori sayısıyla belirleniyor. Üstelik bu ilişki basit bir orantı değil; matematiksel olarak 'güç yasası' adı verilen özel bir örüntü izliyor. Araştırmada dikkat çekici bir diğer nokta ise büyük dil modellerinin (LLM) bilimsel keşif sürecine dahil edilmesi. Geleneksel doğrusal ya da polinom eğri uydurma yöntemlerinin yanı sıra bir yapay zeka modeli de değişkenler arasındaki ilişkileri tahmin etmek için kullanıldı ve LLM'nin önceden tanımlanmış şablonların ötesinde daha özlü matematiksel formlar önerebiltiği gözlemlendi. Bu çalışma hem nöromorik hesaplama alanına hem de yapay zekanın bilimsel keşifte nasıl kullanılabileceğine dair önemli ipuçları sunuyor.