AIM inceleme aracı: daha akıllı sistematik inceleme taraması için yapay zeka

Bilimsel Çalışmaları Sıralamanın Yeniden Düşünülmesi Neden Gerekiyor?

Her gün bilim insanları binlerce yeni çalışma yayımlıyor—bu, herhangi bir araştırma ekibinin rahatça okuyabileceğinden çok daha fazla. Sağlık yönergeleri ya da büyük bilimsel kararlar, bu kanıtları sistematik incelemelerde dikkatle özetlemeye dayandığında, uzmanlar hangi makalelerin önemli olduğunu ayırmak için aylarca zaman harcayabiliyor. Bu makale, tarayıcıda çalışan yapay zekâ kullanan web tabanlı bir sistem olan AIM Review Araç'ı tanıtıyor; bu araç, araştırmacıların önemli çalışmaları daha hızlı, daha az tekrarlı iş ile ve daha şeffaf şekilde bulmasına yardımcı oluyor.

Bir Makale Selini Yönetilebilir Bir Akışa Dönüştürmek

Sistematik incelemeler, bir tedavinin işe yarayıp yaramadığı gibi odaklanmış soruları yanıtlamayı amaçlar—birden çok veritabanı aranır ve ardından potansiyel olarak ilgili her makale taranır. Bu tarama adımı yavaş ve yorucudur: ekipler on binlerce başlık ve özetle başlayabilir ve hangi makalelerin tamamen okunacağına manuel olarak karar verir. Mevcut yapay zekâ araçları hangi kayıtların önce görülmesi gerektiğini önceliklendirmede yardımcı olabilir, ancak genellikle kapalı, opak algoritmalara dayanır veya karmaşık yazılım kurulumları gerektirir. AIM Review, açık, yapılandırılabilir ve doğrudan bir web tarayıcısında çalıştırması kolay olacak şekilde tasarlandı; böylece araştırmacılar yapay zekânın kararlarını daha iyi anlayıp kontrol edebilirler.

Araç İnsan Kararlarından Nasıl Öğreniyor?

AIM Review iki ana makine öğrenimi türünü birleştirir. İlk olarak, gerçek zamanlı önceliklendirmeyi desteklemek için aktif öğrenmeyi kullanır. İnceleyenler makaleleri “ilgili” veya “ilgili değil” olarak etiketledikçe, sistem başlık ve özetlerin sözcük dizilimlerindeki kalıpları öğrenir. Ardından kalan makaleleri yeniden sıralar, böylece en olası ilgili makaleler tarama kuyruğunda daha erken görünür. İçeride yazılım, metni basit kelime sayımlarından gelişmiş dil modellerine kadar çeşitli yöntemlerle sayısal parmak izlerine dönüştürür ve bunları lojistik regresyon ya da destek vektör makineleri gibi sınıflandırıcılara besler. Bu farklı metin gösterimlerini birleştirerek veya üst üste koyarak, AIM Review hem temel anahtar sözcükleri hem de dilin daha derin anlamını yakalayabilir.

Gerçek Sistematik İncelemelerde İş Yükünü Azaltmak

Yazarlar AIM Review’u psikoloji, psikiyatri, bilgisayar bilimi, endokrinoloji ve çevre sağlığı alanlarındaki tamamlanmış altı sistematik inceleme üzerinde test ettiler. Simüle edilmiş tarama koşularında aktif öğrenme, el ile kontrol edilmesi gereken makale sayısını büyük ölçüde azalttı ve yine de gerçekten ilgili çalışmaların en az %95’ini buldu. İlgili çalışmaların nadirliğine bağlı olarak “tasarruf edilen iş” yaklaşık %20’den %95’e kadar değişti. Örneğin, 16.000’den fazla makalenin olduğu ama çok az ilgili çalışmanın bulunduğu bir incelemede sistem, manuel taramayı tüm kayıtlar üzerinden yaklaşık 2.400 civarına indirebilirken neredeyse tüm önemli çalışmaları yakalayabilirdi. Birçok çalışmanın ilgili çıktığı alanlarda tasarruf daha küçük olsa da yine de anlamlıydı.

Taramayı Yarı-Otomatikleştirmek için İlgililiği Tahmin Etmek

Aktif öğrenme hâlâ insanların en öncelikli kayıtların çoğunu eninde sonunda inceleyeceğini varsayar. Bir adım öteye gitmek için AIM Review, iç içe çapraz doğrulama temelli denetimli öğrenme modunu ekler; bu, modellerin kurulup test edilmesinde sağlam bir yaklaşımdır. İnceleyenler makalelerin bir alt kümesini (örneğin %20) elle etiketledikten sonra araç, kalan %80’in hangilerinin muhtemelen ilgili olduğunu tahmin etmek üzere modelleri eğitir ve ayarlar. Vaka çalışmalarında bu modeller dengelenmiş doğruluk açısından yaklaşık %75 ile %87 arasında performans gösterdi; bu da hem ilgili makaleleri yakalama hem de alakasızları reddetme konusunda makul düzeyde iyi olduklarını gösterir. Farklı stratejiler takaslar sunar: birden fazla modeli üst üste koymak genellikle biraz daha yüksek doğruluk sağlarken aşırı uyuma (overfitting) yol açabilir; tüm metin özelliklerini basitçe birleştirmek ise yeni malzemelere daha iyi genellenme eğilimindeydi.

Manuel Yorucu İşten Rehberli, Şeffaf Yapay Zekâ Desteğine

AIM Review üç bağlı modülde düzenlenmiştir: aktif öğrenmeli makale taraması için bir etiketleme uygulaması, farklı inceleyenler arasındaki kararları karşılaştırmak için bir anlaşma uygulaması ve denetimli modelleri eğitip taranmamış kayıtları etiketlemek için bir tahmin uygulaması. Her şey tarayıcıda yerel olarak çalışır; bu veri gizliliğini korur ve karmaşık kurulumlardan kaçınır. Yazarlar aracın uzman yargısını ikame etmediğini vurguluyor. Bunun yerine araç, ekiplerin tekrarlı sıralamaya daha az zaman harcayıp en iyi aday çalışmaları kalite ve anlam açısından değerlendirmeye daha çok zaman ayırmasına yardımcı olur. Sonuçlar, dikkatli kullanıldığında tarayıcı tabanlı yapay zekânın büyük, güvenilir kanıt özetlerini daha mümkün kılabileceğini; özellikle de araştırma hacminin insan inceleyicileri aksi halde bunaltacağı alanlarda gösteriyor.

Gelecekteki Kanıt Toplama İçin Ne Anlama Geliyor?

Bir okuyucu için ana mesaj, daha akıllı yazılımların kanıta dayalı tıp ve politika arkasındaki görünmez, yoğun emek gerektiren adımları azaltabileceğidir. İnceleyenlerin kararlarından öğrenerek ve kendi tahminlerini titizlikle test ederek AIM Review, sistematik incelemeleri bir kara kutuya dönüştürmeden hızlandırmak için pratik bir yol sunuyor. Geniş çapta benimsenirse, bu tür araçlar yönergelerin, sağlık tavsiyelerinin ve bilimsel sentezlerin hızla genişleyen araştırma ortamı ile uyumlu kalmasına yardımcı olabilir.

Atıf: Mena, S., Rituerto-González, E., Coutts, F. et al. AIM review tool: artificial intelligence for smarter systematic review screening. npj Artif. Intell. 2, 25 (2026). https://doi.org/10.1038/s44387-026-00080-8

Anahtar kelimeler: sistematik incelemeler, makine öğrenimi, literatür taraması, yapay zeka araçları, kanıt sentezi