Ücretsiz AI Atıf Denetleyicisi Göndermeden Önce Uydurma Atıfları Yakalayın

Uydurma bir atıf ne kadar yaygındır?

Tüm literatür ölçeğinde ölçülebilecek kadar yaygındır ve artmaktadır. Mayıs 2026'da bir gün arayla yayımlanan iki denetim, bunu ilk kez sayısal olarak ortaya koydu ve ikisi de aynı yönü gösterdi.

Grafik, The Lancet içinde yayımlanan bir denetimden alınmıştır. Bu denetim, PubMed Central Open Access üzerindeki yaklaşık 2.5 milyon biyomedikal makale boyunca referansları taramıştır. Değerlendirebildiği referansların birkaç bini, var olmayan çalışmalara işaret ediyordu ve bu durum 2,800'den fazla yayımlanmış makaleye yayılmıştı. Oran 2023 ile 2025 arasında yaklaşık üç katına çıktı, ardından 2026'nın ilk haftalarında yeniden arttı.

Bir eşlik çalışması olan Zhao ve çalışma arkadaşlarının var olmayan atıflar üzerine çalışması, ağı arXiv, bioRxiv, SSRN ve PubMed Central genelinde 111 milyon referansa genişletti ve yalnızca 2025 yılı için ihtiyatlı bir alt sınır olarak 146,932 uydurma atıf saptadı. Kimin etkilendiğine ilişkin bulgusu, çalışan bir araştırmacı için daha yararlıdır: uydurma referanslar, yapay zekâ benimsemesinin hızlı olduğu alanlarda ve küçük ya da erken kariyerli yazar ekipleri arasında kümelenmektedir, yani bunları yakalamak için en az kurumsal desteğe sahip kişiler arasında.

Uydurma bir referansın okumayla fark edilmesinin neden zor olduğu

Uydurma bir atıf, bozuk bir atıf değildir. Akıcı düzyazı yazan aynı süreç tarafından üretilir, bu yüzden gerçek bir atfın sahip olduğu her parçayla gelir: o alanda yayın yapan makul yazarlar, iliştirildiği argümana uyan bir başlık, gerçek bir dergi, doğru biçimde bir cilt ve sayfa aralığı ve geçerli biçimde bir DOI. Sayfada yanlış olduğu anlaşılmaz.

En yaygın başarısızlık daha da sinsi olanıdır. Bir model, bütünüyle uydurulmuş bir makale icat etmek yerine, birkaç gerçek makalenin parçalarını tek bir kayıtta birleştirir, bu kayıt onların hiçbirine karşılık gelmez: şu yazar, bu başlık, üçüncü bir makalenin DOI'si. Daha dikkatli okumak bunu gerçek bir referanstan ayıramaz, çünkü her bir bileşen gerçektir. Yalnızca kaydı kayıtla eşleştirmek bunu çözebilir.

Bir atıf denetleyicisinin yapabildikleri ve yapamadıkları

Beş halüsinasyonlu atıf algılayıcısının 2026 tarihli bir değerlendirmesinde, Badalova and Mayr, bu tür araçların yararlı erken uyarılar verdiği ancak yine de sınırlı kaldığı sonucuna vardı ve bu kategorideki her denetleyiciye, buna da dahil olmak üzere, uygulanan dört sınırlamayı adlandırdı.

• Kaynakça çıkarımı. Kayıtları bir belgeden temiz biçimde ayırmak başlı başına bir sorundur. Bu denetleyici, bir PDF ayrıştırmak yerine yapıştırılmış bir listeyi alır ve onu kayıt sınırlarına göre böler, böylece sizden listeyi yapıştırmanızı isteme karşılığında bu başarısızlığı ortadan kaldırır.
• Eksik üstveri. DOI'si olmayan, yılı olmayan ya da başlığı kısaltılmış bir kayıt, bir kayıt sistemine eşleştirme için çok az şey bırakır ve zayıf bir eşleşme kesin hükme yükseltilmeden bir eşleşme olarak rapor edilir.
• Veritabanı kapsamı. Kitaplar, bölümler, tezler, bildiri kitapları, çok yeni çalışmalar ve İngilizce olmayan mecralar her yerde sınırlı biçimde dizinlenir. Bu nedenle bulunamayan bir kayıt, uydurulmuş olarak değil bulunamamış olarak rapor edilir, çünkü bu ikisi farklı bulgulardır ve yalnızca biri kanıttır.
• Tutarsız sonuçlar. Kayıt sistemleri birbirleriyle uyuşmaz. Crossref, OpenAlex ve Semantic Scholar ile birlikte, bunlardan herhangi biriyle değil, birlikte kontrol etmek bunu daraltır ve bir uyuşmazlık sessizce çözülmek yerine görünür kılınır.

Pratik sonuç açıkça söylenmeye değerdir. Bu tür bir denetleyici, en önemli olan konuda en güçlüdür, yani bir DOI'nin kaydın iddia ettiğinden farklı bir makaleye çözümlendiğini yakalamakta, açık kayıt sistemlerinin tutmadığı materyalde ise en zayıftır. Bu, dikkatinizi çeken kayıtları bulan bir ilk geçiştir, bir kaynakça için temize çekme belgesi değildir.