Uydurma Atıflar: Makalenizi Göndermeden Önce Denetleyin

Haziran 2023’te, New York’taki bir federal yargıç, var olmayan en az altı mahkeme davasına dayanan bir dilekçe sunan iki avukata yaptırım uyguladı. Steven Schwartz, ChatGPT’den destekleyici içtihat istemiş, kulağa inandırıcı gelen dava adları ve alıntılanmış gerekçeler almış ve tek bir davayı bile kendisi açmadan dilekçeyi sunmuştu. Yargıç P. Kevin Castel ona beş bin dolar para cezası verdi ve uydurulmuş bir görüşe adı eklenmiş olan her gerçek yargıca bir mektup gönderilmesini emretti.

Bir kaynakça da aynı noktaya varabilir. Çözüm, bir editör, bir danışman ya da bir hakem sizin için bunu yapmadan önce, kendi kaynakçanız üzerinde yürütülen bir hayali atıf denetimidir. Bu, yalnızca bir sohbet botuyla taslak hazırlamanın yol açtığı bir sorun değildir. Hiç tam olarak var olmamış hatırlanmış bir atıf, bir eş yazarın başlığının biraz yanlış kopyalanması ya da kabulden sonra nihai atfı değişen bir ön baskı, kaynakçada uydurulmuş bir atfın bıraktığı türden aynı boşluğu bırakabilir. Aşağıdaki denetim, tek tek bir girdinin oraya nasıl geldiğinden bağımsız olarak, bunların hepsini yakalar.

Hayali Bir Atıf Gerçekte Ne Kadar Yaygındır?

Aralık, taslağı hangi modelin ürettiğine büyük ölçüde bağlıdır. Walters ve Wilder, 2023’te Scientific Reports’ta yayımlanan çalışmalarında, GPT-3.5 ve GPT-4 tarafından üretilen kaynakça listelerini gerçek akademik yazım istemleriyle karşılaştırdı: yapay zekâ tarafından üretilmiş 84 kaynakça listesinden alınan 636 atıf, her model için 42’şer tane. GPT-3.5’in atıflarının yüzde 55’i bütünüyle uydurmaydı, GPT-4 için bu oran yüzde 18 idi. Gerçek olanlar bile mutlaka temiz değildi: GPT-3.5’in gerçek atıflarının yüzde 43’ünde ve GPT-4’ün gerçek atıflarının yüzde 24’ünde, yazar, başlık, yıl ya da yayın yeri içinde bir yerde önemli bir hata hâlâ bulunuyordu.

AI tarafından üretilen atıflara ilişkin hukuk araştırmaları daha da yüksek bir başarısızlık oranı gösteriyor, ancak bu çalışmalar farklı bir başarısızlığı ölçüyor, uydurulmuş dava kararlarını, uydurulmuş bibliyografik referansları değil, bu nedenle bu oran akademik bir bağlama taşınacak bir oran değildir. Her iki alanın ortak olduğu nokta, altta yatan nedendir, makul görünen bir atıf üreten bir model, bir atfın normalde nasıl göründüğünü optimize eder, gerçekten var olup olmadığını değil. TextPulse'ın ChatGPT'nin referans uydurup uydurmadığı üzerine kendi yazısı özellikle bu sohbet robotunu ele alır, bu denetim ise önünüzdeki girdiyi hangi aracın, ya da hangi ortak yazarın belleğinin, üretmiş olduğundan bağımsız olarak geçerlidir.

2026 Literatür Ölçeğindeki Denetimlerin Buldukları

Model düzeyindeki bu oranlar, bir sohbet robotundan ne çıktığını tanımlar. Ayrı bir soru, ve bir dergiye gönderim yapan herkes için önemli olan soru, uydurulmuş bir referansın bir taslak ile yayımlanmış bir makale arasındaki her kontrolden ne sıklıkla sağ çıktığıdır. Mayıs 2026'da birbirinden bir gün arayla yayımlanan iki denetim, bu soruyu literatür ölçeğinde yanıtladı ve yanıt, başarısızlığın artık nadir olmadığıdır.

The Lancet içinde yayımlanan bir denetim, PubMed Central Open Access üzerindeki yaklaşık 2.5 milyon biyomedikal makale boyunca referansları taradı, Ocak 2023 ile Şubat 2026 arasını kapsadı. Birkaç bin referans, var olmayan çalışmalara işaret ediyordu ve bu durum 2,800'den fazla yayımlanmış makaleye yayılmıştı. Eğilim, toplamdan daha önemlidir.

Dönem	En az bir uydurulmuş referans içeren makaleler	10,000 makale başına
2023	2,828'de 1	3.5
2025	458'de 1	21.8
2026, ilk yedi hafta	277'de 1	36.1

Bu, üç yıl içinde kabaca on katlık bir artış anlamına gelir ve 2026 verisi tam bir yıldan değil yedi haftadan türetilmiştir, bu nedenle yerleşmiş bir yıllık oran değil, erken bir okumadır. Bunun ortaya koyduğu şey, uydurma kaynakların hakemli yayınlarda basıma ulaşması, yolda yazarları, eş yazarları, editörleri ve hakemleri aşmış olmasıdır.

İlgili çalışma, Zhao ve meslektaşlarının var olmayan atıflar üzerine çalışması, ağı arXiv, bioRxiv, SSRN ve PubMed Central genelinde 111 milyon kaynağa genişletti ve yalnızca 2025 için ihtiyatlı bir alt sınır olarak 146,932 halüsinasyonlu atıf belirledi. Daha yararlı bulgusu hacimden çok dağılımla ilgilidir, uydurma kaynaklar AI benimsenmesinin hızlı olduğu alanlarda ve küçük, erken kariyerli yazar ekipleri arasında kümelenir. Eğer siz tek yazarlıysanız ya da bibliyografinizi kontrol eden bir araştırma ofisi olmayan küçük bir grubun parçasıysanız, bu hatanın en sık ortaya çıktığı gruptasınız, bu da denetimi başkasının aşağı akışta yapacağını varsaymak yerine kendiniz yürütmeniz için bir argümandır.

Hangi Modeller En Çok Uydurur ve Bunu Gerçekte Ne Azaltır

Dürüst cevap, bugün başlıca modelleri atıf uydurma bakımından birbirleriyle doğrudan karşılaştıran sıkı bir kamu ölçütü olmadığıdır. Küçük, gayriresmî karşılaştırmalar dolaşır, genellikle birkaç düzine kaynak iki ya da üç sohbet botundan elle geçirilir ve örnekler aralarında bir sıralama kurmak için fazla dardır. Bunlardan birini bir lig tablosu gibi ele almak, kendinden emin ama yanlış bir iddianın bir makaleye girmesinin yoludur.

Geçerliliğini koruyan şey, yukarıdaki Walters ve Wilder verilerindeki kuşak karşılaştırmasıdır, burada daha yeni model yaklaşık üçte bir sıklıkta daha az uydurma yapmıştır.

Test edilen model	Tamamen uydurulmuş atıflar	Hâlâ esaslı bir hata taşıyan gerçek atıflar
GPT-3.5	55%	43%
GPT-4	18%	24%

Literatür boyunca üç örüntü tekrar eder ve tek bir sıralamadan daha fazla önem taşır. Daha büyük modeller, daha küçük modellere göre daha az uydurma yapar. Kaynakları gerçekten arayıp bulabilen modeller, yalnızca kendi parametrelerinden yanıt veren modellere göre belirgin biçimde daha az uydurma yapar, bu da şimdiye kadar ölçülmüş en büyük tek etkidir. Ayrıca, az bilinen kaynaklar iyi bilinenlere göre çok daha risklidir, çünkü yoğun biçimde atıf alan bir makale eğitim verisinde doğru biçimde yeniden üretilecek kadar sık görünür, oysa niş bir kaynak daha çok parçalardan yeniden kurulmuş olur.

Uygulamadaki sonuç şudur, hiçbir model denetimi atlamak için yeterince güvenli değildir ve yanlış olma olasılığı en yüksek girdiler tam da hafızadan doğrulaması en zor olanlardır: uzmanlık alanına ait atıf, az bilinen konferans bildirisi, en son eklediğiniz kaynak.

Otomatik Bir Denetim Neyi Yakalar, Nerede Durur

Listeyi önce bir denetleyiciden geçirmek, kırk DOI'yi elle çözümlemekten daha hızlıdır ve bu sitenin ücretsiz AI atıf denetleyicisi bunu Crossref, OpenAlex ve Semantic Scholar karşısında tam olarak yapar. Böyle bir aracın neyi kötü yaptığını bilmek, ona güvenmeden önce önemlidir.

Beş uydurulmuş atıf algılayıcısının 2026 değerlendirmesi, Badalova and Mayr, bunların yararlı erken uyarılar verdiğini, ancak dört şeyle sınırlı kaldığını buldu: bir belgeden kaynakları temiz biçimde ayıklamak, girdinin kendisindeki eksik üstveri, düzensiz veritabanı kapsamı ve birbirleriyle uyuşmayan kayıtlar. Bunlardan yalnızca ilki, bir PDF yüklemek yerine bir liste yapıştırdığınızda ortadan kalkar.

Kendi denetiminiz açısından sonuç, yorumlamaya ilişkin bir kuraldır. Bir denetleyici, en önemli bulguda en güçlüdür, yani kaydın iddia ettiğinden farklı bir makaleye çözümlenen bir DOI, bu neredeyse kesin kanıttır. Kitaplarda, bölümlerde, tezlerde, bildirilerde, çok yeni çalışmalarda ve İngilizce olmayan yayın ortamlarında ise en zayıftır, bunların hepsi her yerde yetersiz biçimde dizinlenir ve tamamen gerçek olmalarına rağmen düzenli olarak bulunamadı olarak döner. Bulunamadı, elle kontrol etme yönünde bir uyarıdır, asla bir hüküm değildir. Aşağıdaki manuel adımlar, otomatik geçişin çözemediği her şeye uyguladığınız adımlardır.

Göndermeden Önce Her DOI'yi Çözümleyin

Bir DOI, yani Digital Object Identifier, doi.org çözücüsü üzerinden tam olarak bir kayda çözülmelidir. Kaynak listenizdeki DOI'yi çözücüye eklediğinizde çalışan bir DOI, o tam makale için yayıncının sayfasına yönelir. Alakasız bir makaleye, bütünüyle farklı bir dergiye ya da hiçbir yere çözümleyen bir DOI, mevcut en hızlı halüsinasyon denetimlerinden biridir, çünkü bir model genellikle uydurduğu bir atıfla birlikte ona eşlik edecek, gerçekçi görünen bir DOI dizisi de uydurur, gerçek bir DOI'yi yeniden kullanmak yerine.

Doğru biçimde çözümlenen bir DOI, atfın gerçek olduğuna dair otomatik bir kanıt değildir. Uydurulmuş bazı kaynaklar, alakasız bir makalenin gerçek DOI'sini ödünç alır, bu DOI hatasız biçimde çözülür ve iddiayla hiçbir ilgisi olmayan gerçek bir makaleye işaret eder, oysa sözde onu desteklemektedir. Yalnızca yüklendiği gerçeğine değil, DOI'nin ulaştığı sayfayı okuyun.

Her Başlığı Gerçek Bir Veritabanıyla Eşleştirin

Tam başlığı, tırnak içinde, alanınızı kapsayan bir veritabanında arayın, açık webde değil. Crossref gibi bir araç, biyomedikal çalışmalar için PubMed ya da kendi disiplininizin dizinini kullanın. Crossref kullanıyorsanız, ücretsiz misafir aramasını kullanarak bir kaynağı başlık ve ilk yazarla, ya da başlıktan emin değilseniz yazar ve sayfa numarasıyla arayabilirsiniz. Bu, ellerinde kayıtlı olan her şey için DOI ve tam üst veriyi döndürür. Eşleşme yoksa ya da dönen sonuç, tamamen farklı bir yazar kümesine sahip gerçek bir makaleyse, ikinci tür halüsinasyonu görüyorsunuz olabilir, bozuk bir DOI.

Başlık araması, bir DOI kontrolünün yakalamadığı belirli bir hatayı yakalar, çalışan, gerçek bir DOI'nin yanlış başlığa eklenmiş olduğu bir atıf, çünkü sayı ve metin ayrı ayrı bir araya getirilmiş ve aslında birbirleriyle hiç karşılaştırılmamıştır. Veritabanındaki başlık, kaynak listenizdeki başlıkla yakından eşleşmiyorsa, bunu sessizce düzeltilmesi gereken bir yazım hatası olarak değil, uyumsuzluğu açıklayana kadar bir uydurma olarak değerlendirin.

Yazar Listesini ve Yayın Yılını Karşılaştırın

Halüsinasyon ürünü bir atıf çoğu zaman yazarı doğru, makaleyi yanlış verir, çünkü alanda gerçek ve tanınmış bir ad, makul bir atıf arayan bir modelin tam olarak üreteceği şeydir. Kaynak listenizin iddia ettiği yıl için, zaten açık olan veritabanında yazarın kendi yayın listesini arayın. Eğer o yazar o yıl üç makale yayımladıysa ve hiçbiri başlığınızla eşleşmiyorsa, atıf büyük olasılıkla uydurulmuştur, hiç gerçekten birlikte var olmamış gerçek bir ad ve gerçek bir yıldan oluşturulmuştur.

Ters örüntü de görülür, doğru başlıklı gerçek bir makale, yanlış yıla eklenmiştir, genellikle nihai yayım yılı yerine bir ön baskının yılı ya da derginin daha sonraki yayım yılıyla atıf yapılan bir konferans sürümü. Bunların hiçbiri denetimin dar anlamında uydurma değildir, ancak ikisi de okuyucuyu bir atıf yöneticisine ya da bir ortak yazara götürür ve onlar da alıntıladığınız şeyi bulamaz, bu da aynı soruna yeterince yakındır ve aynı geçişte düzeltilmelidir.

Olası Görünüp Uydurulmuş Bir Dergi Adını Fark Edin

Uydurulmuş bir dergi adı, tam olarak gerçek bir dergi adı gibi duyulacak şekilde oluşturulur: makul bir alan, makul bir sıfat, gerçek bir dergiye yeterince yakın bir ad, böylece kimse kontrol etmeyi durdurmaz. "The Journal of Applied Cognitive Studies" uydurmadır; "The Journal of Applied Psychology" ve "Journal of Cognitive Science" gerçekten vardır ve bu ikisinin parçalarını birleştiren bir ad, tam da bu nedenle tanıdık görünür.

Dergi adını tek başına, tırnak içinde arayın ve yalnızca aynı kaynağı aktaran başka bir sitedeki sonucu değil, yayınevinin kendi dergi sayfasını ve güncel bir ISSN'yi arayın. Gerçek bir derginin, bir editörü, güncel bir cildi ve sayısı ile ona kayıtlı meşru bir ISSN'yi listeleyen bir ana sayfası vardır. Yayınevi sayfası olmayan, ISSN'si olmayan ve ondan alıntı yapan başka hiçbir makalesi bulunmayan bir ad, bütün inceleme içinde referansın var olmadığını gösteren en açık işarettir.

Halüsinasyonlu Atıf İncelemenizi Tekrarlanabilir Bir Kontrol Listesine Dönüştürün

Liste kesin kabul edilmeden önce, her referans için bu kontrolleri sırayla uygulayın. Sıra, dört kontrolün tamamını kapsamak kadar önemli değildir, bir atıf bir kontrolden geçip başka birinde başarısız olabilir.

Kontrol	Ne tespit eder
DOI çözümleme	Hiçbir yere götürmeyen ya da ilgisiz bir makaleye yönlenen bir DOI
Başlık ile veritabanı eşleşmesi	Yanlış başlığa bağlı gerçek bir DOI ya da hiç sonuç döndürmeyen bir başlık
Yazar ve yıl çapraz kontrolü	Bir yazarın gerçek adının, o yıl yazmadığı bir makaleye bağlanması
Dergi adı doğrulaması	ISSN'si olmayan, yayınevi sayfası olmayan ve gerçek bir varlığı bulunmayan, makul duyulan bir dergi

TextPulse'un AI atıf denetleyicisi, bu kontrolün bir sürümünü tam bir kaynakça listesi üzerinde otomatik olarak çalıştırır, uzun bir kaynakçada dört kontrolün her birini elle tek tek yapmaktan daha hızlıdır, ancak işaretlediği şeyleri okumak yine de bunu kendiniz yapmaya değer kılar, bir işareti güvenerek kabul etmek ya da reddetmek yerine. DOI adımı için özellikle, özel bir DOI'den atıfa arama, her bir giriş için çözücüye tek tek gitme zahmetini ortadan kaldırır.

Temiz bir kaynakça, bir makale gönderilmeden önce yapılan birkaç kontrolden biridir. Bir dergi gönderimi için AI puanını düşürme ayrı olarak ele alınır, bunu izleyen hakemlere yanıt mektubu da öyle.

Bunların hiçbiri, makalenizi göndermeden önce bir kez daha okumanızın yerini tutmaz. Eğer bir bölüm, olgular doğrulandıktan sonra bile hâlâ genel kalıyorsa, bir AI humanizer tek bir atıfa dokunmadan düzyazıyı yumuşatabilir, TextPulse'un akademik yazımda AI metnini insanlaştırma rehberi bu süreci bölüm bölüm ele alır. Temiz biçimde çözümlenen bir kaynakça listesi ile kendi sesiniz gibi okunan bir makale, iki ayrı kontroldür, birinin diğerini kapsadığına güvenmek yerine art arda çalıştırmaya değerdir.