Araçlar Değişti, Sorular Değişmedi | Araştırıyorum

Yirmi yıl önce araştırma sektörünün gündeminde internet, telefon anketleri ve düşen katılım oranları vardı. Bugün yapay zekâ, sentetik katılımcılar ve otomatik veri toplama sistemlerini tartışıyoruz. Teknoloji büyük bir dönüşüm geçirdi. Ancak araştırmanın temel sorunu değişmedi: Topladığımız veri gerçeği ne kadar doğru temsil ediyor?

Araştırma sektörünün yirmi yıllık değişim hikâyesi

2006 yılında pazar araştırması sektöründe önemli bir değişim yaşanıyordu. İnternet üzerinden veri toplama yöntemleri yaygınlaşırken bilgisayar destekli telefon görüşmeleri (CATI) geleneksel ağırlığını kaybetmeye başlamıştı.

Araştırma şirketleri daha kısa sürede, daha fazla katılımcıya ve daha düşük maliyetle ulaşmanın yollarını arıyordu.

2026 yılına geldiğimizde benzer bir dönüşümün içindeyiz. Bu kez değişimin merkezinde yapay zekâ bulunuyor.

Yapay zekâ destekli sistemler anket tasarlayabiliyor, açık uçlu yanıtları sınıflandırabiliyor, görüşmeleri özetleyebiliyor ve büyük veri kümelerindeki örüntüleri belirleyebiliyor.

Hatta gerçek katılımcıların yerine geçmesi amaçlanan sentetik yanıtlar üretebiliyor.

Ancak geçmişte internetin araştırma sektöründeki bütün sorunları çözmemesi gibi, yapay zekâ da veri kalitesi ve temsil sorunlarını kendiliğinden ortadan kaldırmıyor.

Aslında son yirmi yılın gelişmeleri bize önemli bir ayrımı hatırlatıyor:

Veri toplama teknolojisinin gelişmesi, araştırma kalitesinin aynı ölçüde geliştiği anlamına gelmiyor.

Daha fazla veri, daha doğru sonuç demek değil

Araştırma sektörünün en önemli kazanımlarından biri veri toplama kapasitesindeki artış oldu.

Çevrimiçi paneller, mobil araştırmalar, dijital davranış verileri ve otomatik analiz sistemleri sayesinde geçmişte haftalar sürebilen bazı çalışmalar artık günler, hatta saatler içinde gerçekleştirilebiliyor.

Fakat veri miktarındaki artış, temsil gücünü garanti etmiyor.

Örneğin 10.000 kişilik bir çevrimiçi anket, örneklem sistematik biçimde belirli grupları dışarıda bırakıyorsa, iyi tasarlanmış 1.000 kişilik olasılıklı bir araştırmadan daha güvenilir olmayabilir.

Burada belirleyici olan yalnızca örneklem büyüklüğü değil; örneklemin nasıl oluşturulduğu, kimlerin araştırmaya katılabildiği ve kimlerin dışarıda kaldığıdır.

Dijital araştırmalarda bu sorun özellikle önem kazanıyor.

İnternet erişimi, dijital okuryazarlık, araştırmalara katılma motivasyonu ve ödül sistemleri farklı demografik grupları farklı biçimlerde etkileyebiliyor.

Sonuç olarak büyük bir veri kümesi, gerçekte yalnızca belirli davranış özelliklerine sahip insanların görüşlerini yansıtabilir.

Araştırma teknolojisi katılımcıya ulaşmayı kolaylaştırırken, katılımcının temsil gücünü değerlendirme sorumluluğunu ortadan kaldırmıyor.

Veri kalitesindeki görünmeyen sorun: Katılımcı gerçekten dikkat ediyor mu?

2024 yılında ABD'de gerçekleştirilen ve sonuçları 2026'da yayımlanan metodolojik bir çalışmada, çevrimiçi gönüllü katılımcılardan oluşan 11.114 kişilik bir örneklem farklı kalite kontrol yöntemleriyle incelendi.

Araştırmanın sonuçları dikkat çekiciydi.

Katılımcıların bir bölümüne gerçekte var olmayan sosyal medya platformları, geçmişte sona ermiş kamu yardımları veya son derece sıra dışı deneyimler soruldu.

Katılımcıların %18'i en az bir tuzak soruya olumlu yanıt verdi. %6'sı gerçekte var olmayan bir sosyal medya platformunu kullandığını söyledi. %10'u Uluslararası Uzay İstasyonu'nu ziyaret ettiğini, %8'i ise kutup tipi buzkıran gemisinde görev yaptığını belirtti. Bu yanıtlar, tek başına kasıtlı sahteciliği kanıtlamasa da veri kalitesinin neden çok yönlü değerlendirilmesi gerektiğini gösteriyor.

Bu sonuçlar, çevrimiçi araştırmalarda yalnızca anketin tamamlanmış olmasının veri kalitesi açısından yeterli olmadığını gösteriyor.

Elbette bu oranlar bütün çevrimiçi araştırmalara genellenemez. Çalışma, belirli bir gönüllü katılım örneklemi üzerinde gerçekleştirilmiştir. Ayrıca tuzak sorulara verilen her yanlış yanıtın kasıtlı sahteciliği kanıtladığı da söylenemez.

Yine de ortaya çıkan tablo önemli.

Katılımcının anketi tamamlaması ile soruları dikkatle okuyup gerçeğe uygun yanıtlaması iki farklı durum.

Üstelik sorun yalnızca dikkatsizlik değil.

Bazı katılımcılar araştırma ödüllerinden daha fazla yararlanabilmek için birden fazla ankete katılmaya veya kendilerini farklı demografik gruplara ait göstermeye çalışabiliyor.

Bu durum özellikle çevrimiçi gönüllü katılımcı panellerinde veri bütünlüğünü tehdit ediyor.

Kalite kontrolü de hatalı karar verebilir

Veri kalitesini artırmak amacıyla kullanılan yöntemler de kusursuz değil.

Aynı 11.114 kişilik araştırmada üç farklı kontrol yaklaşımı değerlendirildi: dikkat ölçen tuzak sorular, otomatik ön eleme sistemleri ve seçmen kayıtlarıyla kimlik eşleştirmesi.

Sonuçlar, kalite kontrolünün kendi içinde yeni hatalar oluşturabileceğini gösterdi.

Tuzak sorular ve otomatik ön eleme yöntemleri bazı kalite göstergelerini iyileştirirken, kimlik eşleştirmesi belirli ölçümlerde hatayı artırdı.

Bunun nedenlerinden biri, kişisel bilgilerini paylaşmak istemeyen gerçek katılımcıların da sistem tarafından dışarıda bırakılmasıydı.

Buradan çıkan sonuç önemli:

Daha fazla veri silmek, her zaman daha temiz veri elde etmek anlamına gelmiyor.

Bir katılımcının anketi hızlı tamamlaması, otomatik olarak dikkatsiz olduğu anlamına gelmeyebilir. Benzer şekilde bütün sorulara aynı yanıtı vermesi de her zaman sahte katılımcı olduğunu göstermez.

Kalite kontrolünün başarısı, sorunlu yanıtları ayıklarken geçerli yanıtları ne ölçüde koruyabildiğiyle birlikte değerlendirilmelidir.

Yapay zekâ insan katılımcının yerini alabilir mi?

Araştırma sektörünün 2026'daki en önemli metodolojik tartışmalarından biri sentetik katılımcılar.

Bu yaklaşımda yapay zekâ modellerine yaş, eğitim, gelir, siyasi eğilim veya tüketim alışkanlıkları gibi özellikler verilerek belirli insan gruplarının nasıl yanıt vereceği tahmin edilmeye çalışılıyor.

İlk bakışta önemli avantajları var.

Katılımcı bulma süresi azalıyor. Saha maliyetleri düşüyor. Farklı senaryolar çok daha hızlı test edilebiliyor.

Ancak gerçek insan yanıtlarıyla karşılaştırıldığında ciddi farklılıklar ortaya çıkabiliyor.

2026 yılında ABD'de gerçekleştirilen üç araştırma dalgasını kapsayan metodolojik deneyde, yapay zekâ tarafından oluşturulan sentetik katılımcıların yanıtları gerçek katılımcıların yanıtlarıyla karşılaştırıldı.

Üç araştırma dalgasının ortalamasında, sentetik ve gerçek katılımcı sonuçları arasındaki ortalama mutlak fark genel örneklemde 12,4 yüzde puan olarak ölçüldü. Bu fark beyaz yetişkinlerde 12,5, Hispanik yetişkinlerde 13,9, siyah yetişkinlerde 15,1, Cumhuriyetçi eğilimli katılımcılarda ise 16,1 yüzde puana ulaştı. Bu değerler klasik anket hata payını değil, iki yöntemle elde edilen tahminler arasındaki farkı gösteriyor.

Bir başka dikkat çekici bulgu da yanıt çeşitliliğiydi.

Gerçek katılımcıların bulunduğu araştırmalarda hiçbir sorunun yanıt seçeneklerinden biri tamamen boş kalmazken, sentetik araştırmadaki soruların %47'sinde en az bir seçenek hiçbir sentetik katılımcı tarafından seçilmedi.

Bu durum yapay zekânın insan görüşlerinin çeşitliliğini yeterince yansıtamadığına işaret ediyor.

Gerçek insanlar çelişkili düşünebilir, kararsız kalabilir, beklenmedik tercihler yapabilir veya toplumsal eğilimlerin dışında davranabilir.

Yapay zekâ modelleri ise öğrendikleri örüntülere dayanarak daha tutarlı görünen fakat gerçekte var olan çeşitliliği daraltan yanıtlar üretebilir.

Dolayısıyla sentetik katılımcılar senaryo geliştirme, soru formu ön testi veya hipotez oluşturma gibi alanlarda yararlı olabilir. Ancak mevcut bulgular, bunların gerçek katılımcılarla yapılan kamuoyu araştırmalarının doğrudan yerine kullanılmasını desteklemiyor.

Araştırmada yapay zekâ hangi noktada değer yaratıyor?

Yapay zekânın araştırma sektörüne katkısını değerlendirirken iki farklı kullanım alanını birbirinden ayırmak gerekiyor.

Birincisi, araştırma süreçlerini desteklemek.

İkincisi, araştırmanın veri kaynağını yapay zekâ ile değiştirmek.

Bu iki yaklaşım aynı metodolojik riskleri taşımıyor.

Açık uçlu yanıtların tematik sınıflandırılması, görüşme dökümlerinin analiz edilmesi, tutarsız kayıtların belirlenmesi veya raporlama süreçlerinin hızlandırılması gibi uygulamalar, uygun insan denetimiyle araştırmacının verimliliğini artırabilir.

Ancak gerçek insanların davranışlarını ve görüşlerini ölçmek yerine yapay zekânın ürettiği tahminleri kullanmak farklı bir iddia içeriyor.

İlk yaklaşım mevcut veriyi işlemeyi kolaylaştırıyor.

İkinci yaklaşım ise henüz gözlemlenmemiş insan davranışlarını modellemeye çalışıyor.

Bu nedenle AI kullanımında temel değerlendirme sorusu yalnızca zaman veya maliyet tasarrufu olmamalı.

Modelin hangi veriler üzerinde çalıştığı, hangi hataları yaptığı, sonuçların nasıl doğrulandığı ve insan denetiminin hangi aşamalarda uygulandığı da ölçülmeli.

Araştırma sektörünün yeni rekabet alanı güvenilirlik

Son yirmi yılda araştırma sektöründeki rekabetin önemli bir bölümü hız, maliyet ve teknoloji üzerinden şekillendi.

Ancak veri üretmenin giderek kolaylaşması, güvenilir verinin değerini azaltmak yerine artırabilir.

Bir araştırma şirketinin yalnızca kısa sürede binlerce yanıt toplaması artık yeterli bir farklılaşma yaratmıyor.

Önemli olan bu yanıtların hangi koşullarda üretildiğini, nasıl kontrol edildiğini ve sonuçların hangi sınırlar içinde yorumlanabileceğini açıklayabilmek.

Bu dönüşüm, araştırma şirketleri açısından beş temel yetkinliği öne çıkarıyor:

1. Örneklem şeffaflığı: Katılımcıların nasıl seçildiğinin ve hangi grupların eksik temsil edildiğinin açıklanması.
2. Çok katmanlı veri kalitesi: Dikkat, tutarlılık, tekrar katılım ve sahte yanıt risklerinin birlikte değerlendirilmesi.
3. Yöntem doğrulaması: Yeni teknolojilerin sonuçlarının güvenilir karşılaştırma verileriyle test edilmesi.
4. Yapay zekâ yönetişimi: Otomatik analiz ve sentetik veri kullanımının açık biçimde tanımlanması.
5. Araştırmacı muhakemesi: Sayısal sonuçların bağlam, örneklem ve yöntem sınırlılıklarıyla birlikte yorumlanması.

Bu yetkinlikler yalnızca teknik kalite kontrolü için değil, araştırma sonuçlarının karar alma süreçlerinde güvenilir biçimde kullanılabilmesi için de gerekli.

Türkiye açısından ne anlama geliyor?

Türkiye'de araştırma sektörü açısından bu dönüşümün iki yönü bulunuyor.

Bir tarafta yüz yüze araştırmalar, CATI, çevrimiçi paneller ve karma yöntemler farklı hedef kitlelere ulaşmak için kullanılmaya devam ediyor.

Diğer tarafta dijital araştırmaların yaygınlaşması, veri kalitesine ilişkin daha ayrıntılı kontrolleri gerekli kılıyor.

Özellikle genç nüfus, bölgesel farklılıklar, dijital erişim ve araştırmalara katılım motivasyonu gibi unsurlar örneklem tasarımında önem taşıyor.

Yapay zekânın araştırma süreçlerine eklenmesi bu gereklilikleri ortadan kaldırmıyor.

Tam tersine, araştırma şirketlerinin hangi aşamalarda otomasyon kullandığını, insan katılımcı verisi ile model tarafından üretilen içeriği nasıl ayırdığını ve sonuçları nasıl doğruladığını daha açık biçimde ortaya koymasını gerektiriyor.

Türkiye için asıl fırsat, yapay zekâyı yalnızca daha ucuz araştırma üretmenin aracı olarak görmek yerine, araştırma kalitesini ölçülebilir biçimde geliştiren bir yardımcı teknolojiye dönüştürmek.

Bunun için de yerel örneklemler üzerinde yapılacak karşılaştırmalı metodolojik çalışmalara ihtiyaç var.

ABD'de gerçekleştirilen deneylerin sonuçları önemli uyarılar sunsa da bu oranların Türkiye'deki bütün araştırma panelleri için geçerli olduğu varsayılamaz.

Teknoloji ilerliyor, araştırmanın sorumluluğu değişmiyor

2006 yılında araştırma sektörünün temel sorusu, internetin geleneksel veri toplama yöntemlerini nasıl değiştireceğiydi.

2026 yılında ise yapay zekânın araştırmacının yaptığı işlerin ne kadarını üstlenebileceğini tartışıyoruz.

Yirmi yılda kullanılan araçlar, veri kaynakları ve çalışma biçimleri önemli ölçüde değişti.

Ancak araştırmanın temel sorumluluğu aynı kaldı.

Gerçeği mümkün olduğunca doğru ölçmek.

Bugün yapay zekâ sayesinde daha kısa sürede daha fazla analiz yapmak mümkün. Fakat analiz kapasitesindeki artış, yanlış verinin daha hızlı işlenmesi riskini de beraberinde getiriyor.

Bu nedenle araştırma sektörünün geleceğini yalnızca teknolojiyi ne kadar hızlı benimsediği belirlemeyecek.

Yeni yöntemlerin sınırlarını ne kadar iyi anladığı, hatalarını ne kadar açık ölçtüğü ve veri kalitesini ne kadar tutarlı koruduğu da belirleyecek.

Araştırmada asıl rekabet artık kimin daha fazla veri ürettiği değil, kimin ürettiği veriye neden güvenilebileceğini gösterebildiği üzerinden şekillenebilir.

Çünkü teknoloji değişebilir. Veri toplama yöntemleri dönüşebilir. Analiz süreçleri otomatikleşebilir.

Ama araştırmanın en önemli sorusu değişmez:

Ölçtüğümüz şey gerçekten ölçmek istediğimiz şey mi?

Kaynakça

ESOMAR & GRBN. Guideline on Online Sample Quality. Çevrimiçi örneklem kalitesi, katılımcı doğrulama ve araştırma şeffaflığına ilişkin metodolojik rehber. https://shop.esomar.org/what-we-do/code-guidelines/esomargrbn-guideline-on-online-sample-quality