Daha İyi Sorular Daha İyi Cevapları Yener: Yapay Zeka Çağında Soru Kalitesi Çerçevesi

Özet. Cevaplar neredeyse bedava hale geldi. Temmuz 2025 itibarıyla yalnızca ChatGPT’nin haftalık 700 milyondan fazla kullanıcısı vardı ve bu kullanıcılar günde 2,5 milyarın üzerinde mesaj gönderiyordu; bu mesajlar içinde soru niteliğindekilerin (“Sorma”) payı, Temmuz 2024’te görev talepleriyle eşitken Haziran 2025 sonunda yüzde 51,6’ya yükseldi. Kullanıcılar sorulara verilen cevapları görev çıktılarından daha yüksek puanlıyor. Aynı dönemde Anthropic’in verileri tam tersi bir alışkanlığın büyüdüğünü gösteriyor: kullanıcının neredeyse hiç karşılıklı etkileşim olmadan bütün bir görevi devrettiği sohbetler sekiz ayda yüzde 27’den yüzde 39’a çıktı. Dolayısıyla fark yaratan şey artık kimin cevap alabildiği değil, kimin cevaplanmaya değer soruyu sorabildiği. 1990’ların sınıflarından 2018’in laboratuvar oyunlarına ve 319 bilgi çalışanıyla yapılan 2025 tarihli bir ankete uzanan soru sorma araştırmaları üç bulguda birleşiyor. İnsanlar iyi bir soruyu üretmekten çok daha iyi tanıyor. Daha fazla soru sormak daha iyi soru sormakla aynı şey değil. Ve belirsizlik istisna değil, varsayılan durum. Dokuz birincil çalışmayı ele alan bir CEOtudent analizi bu bulguları 0-12 arasında puanlanan altı boyutlu bir Soru Kalitesi Çerçevesine dönüştürüyor ve çerçeveyi uygulamalı bir örnekle gösteriyor. Bu, doğrulanmış bir ölçüm aracı değil editöryel bir çerçevedir; kanıtının ince kaldığı yerleri açıkça belirtiyoruz.

Bu yazı, yargı ekonomisi üzerine hazırladığımız ana yazının tamamlayıcısıdır. O yazı, yargının giderek kıt bir beceri haline geldiğini savunuyordu. Bu yazı ise yargının ilk edimine bakıyor: neyi soracağına karar vermek. CEO hamlesi, sorularınızı kontrolünüzdeki en yüksek kaldıraçlı girdiler olarak görmektir. Öğrenci hamlesi ise soru üretmeyi bilinçli olarak çalışmaktır, çünkü kanıtlar bu becerinin kendiliğinden gelişmediğini söylüyor.

Soru kalitesi neden birdenbire darboğaz haline geldi?

Eylül 2025’te yayımlanan iki veri seti, insanların yapay zeka sistemleriyle gerçekte nasıl konuştuğunu anlatıyor ve birlikte okunduklarında bu kaymayı açıklıyor.

İlki, OpenAI ekonomistleri ile Harvard’dan David Deming’in National Bureau of Economic Research aracılığıyla yayımladığı bir çalışma raporu. Çalışma, Mayıs 2024 ile Haziran 2025 arasındaki yaklaşık 1,1 milyon ChatGPT sohbetinden oluşan bir örneklemi üç niyete göre sınıflandırdı. “Sorma” (Asking), bir kararı bilgilendirmek için bilgi ya da açıklama aramak anlamına geliyor. “Yapma” (Doing), bir çıktı üretmek ya da bir görevi yerine getirmek. “İfade etme” (Expressing) ise görüş ya da duygu paylaşmak. Dönemin tamamında mesajların yüzde 49’u Sorma, yüzde 40’ı Yapma ve yüzde 11’i İfade etme kategorisindeydi. Temmuz 2024’te Sorma ve Yapma eşit paya sahipti; Haziran 2025 sonunda dağılım yüzde 51,6 Sorma, yüzde 34,6 Yapma ve yüzde 13,8 İfade etme şeklindeydi. Yazarlar ayrıca Sorma mesajlarının hem bir memnuniyet sınıflandırıcısı hem de doğrudan kullanıcı geri bildirimi tarafından “tutarlı biçimde daha yüksek kaliteli olarak değerlendirildiğini” bildiriyor. İşle ilgili kullanım ise Haziran 2024’te mesajların yüzde 47’sinden Haziran 2025’te yüzde 27’sine geriledi; iş kullanımı küçüldüğü için değil, diğer her şey daha hızlı büyüdüğü için.

İkincisi Anthropic Ekonomik Endeksi (Anthropic Economic Index). 2024 sonu ile 2025 başını kapsayan ilk raporu, Claude.ai sohbetlerinin yüzde 57’sinin güçlendirme (öğrenme, yineleme, doğrulama) örüntüleri, yüzde 43’ünün ise otomasyon örüntüleri gösterdiğini bulmuştu. Eylül 2025 raporuna gelindiğinde, kullanıcının eksiksiz bir görev verip sonucu asgari karşılıklı etkileşimle aldığı “yönergesel” sohbetler yüzde 27’den yüzde 39’a sıçramış, Claude.ai üzerinde otomasyon ile güçlendirme neredeyse eşitlenmişti (mevcut sınıflandırıcıya göre yüzde 49 otomasyon). Rapor bu artışın “esas olarak görev yineleme ve öğrenme etkileşimlerinin aleyhine” gerçekleştiğini not ediyor.

İkisini bir araya getirin. İnsanların yapay zekaya gönderdiklerinin daha büyük bölümü soru ve sorular daha iyi cevap alıyor. Ama giderek artan bir kullanıcı kesimi bir kez soruyor, çıktıyı alıp gidiyor. İlk cevabı sınayan ya da inceltip keskinleştiren ikinci soru, tam da ortadan kaybolan şey. Bu bir soru kalitesi sorunu ve yapay zekadan onlarca yıl öncesine uzanıyor.

Araştırmalar sorular hakkında gerçekte neyi ölçtü?

“Daha iyi soru sorma” üzerine tavsiyelerin çoğu kulaktan dolma. Aşağıdaki çalışmalar belirli bir şeyi ölçtü. Tüm rakamlar birincil metinlerden alınmıştır; hiçbiri ikincil bir özetten gelmiyor.

Çalışma (birincil kaynak)	Ortam ve örneklem	Ne ölçüldü	Doğrulanmış bulgu
Graesser ve Person, 1994, American Educational Research Journal	Sınıf literatürü sentezi, ayrıca 27 üniversite öğrencisiyle yapılan özel ders oturumları ve bir 7. sınıf cebir örneklemi	Soru sıklığı ve derinliği; sınav notlarıyla korelasyon	Tek bir öğrenci sınıfta saatte yaklaşık 0,11 soru sorarken özel derste saatte 26,5 soru soruyor; kabaca 241 kat fark. Öğretmenler saatte yaklaşık 69 soru soruyor; bu, tüm sınıf sorularının %96’sı ve bunların yalnızca %4’ü üst düzey. Dersin ilk yarısında toplam soru sayısı sınav notlarıyla negatif korelasyon gösterdi (r = -0,56); derin akıl yürütme sorularının oranı ise pozitif korelasyon gösterdi (0,36; ilerleyen dönemde 0,47’ye çıktı)
Rosenshine, Meister ve Chapman, 1996, Review of Educational Research	Öğrencilere kendi sorularını üretmeyi öğreten 26 müdahale çalışması	Okuduğunu anlama testlerine etkisi	Standart testlerde medyan etki büyüklüğü 0,36, araştırmacı tarafından geliştirilen testlerde 0,86. En güçlü ipucu türü olan “…, …’yı nasıl etkiler?” gibi genel soru kalıpları dört çalışmada 1,12 medyana ulaştı
Huang, Yeomans, Brooks, Minson ve Gino, 2017, Journal of Personality and Social Psychology	199 sohbet çifti, 368 kodlanmış transkript, 110 hızlı flört katılımcısı ve 1.961 flört gözlemi	Soru türleri ve karşı tarafın soruyu soranı ne kadar sevdiği	Çok soru soranların partnerlerinin bildirdiği sevme puanı 5,79, diğerlerinde 5,31 idi (d = 0,35). Sevmeyi yalnızca takip soruları yordadı. Hızlı flörtte, takip sorusu oranındaki %8’lik bir fark, 20 flörtlük bir akşamda bir ek ikinci buluşmayla ilişkiliydi
Rothe, Lake ve Gureckis, 2018, Computational Brain and Behavior	18 Amiral Battı tarzı tahtada serbest biçimli soru üreten 40 katılımcı (605 kategorize edilmiş soru); soruları değerlendiren 45 ve 41 katılımcı	Üretilen ve değerlendirilen soruların beklenen bilgi kazanımı (EIG)	Bir sorunun ne sıklıkla üretildiği, bilgi değeriyle yalnızca r = 0,16 düzeyinde korelasyon gösterdi. Aynı türden katılımcılar başkalarının yazdığı soruları sıraladığında, sıralamaları bilgi değeriyle r = 0,89 düzeyinde korelasyon gösterdi. Üretilen soruların yaklaşık %3’ü sıfır bilgi taşıyordu
Ruggeri, Lombrozo, Griffiths ve Xu, 2016, Developmental Psychology	Hiyerarşik bir 20 soru oyununda 24 yedi yaşındaki, 23 on yaşındaki ve 23 yetişkin	Çözüme kadar sorulan soru sayısı; ilk sorunun düzeyi; cevap zaten belirlendikten sonra sorulan sorular	Optimal strateji 2,85 soru gerektiriyor. Yetişkinler 3,36, on yaşındakiler 4,38, yedi yaşındakiler 4,92 soruya ihtiyaç duydu. Üç turda yetişkinler en bilgilendirici düzeyden 1,87 kez başlarken yedi yaşındakiler 0,41 kez başladı. Yine de yetişkinlerin %52’si cevabı artık değiştiremeyecek en az bir soru sordu
Min, Michael, Hajishirzi ve Zettlemoyer, 2020, EMNLP (AmbigQA)	Google aramalarından derlenen Natural Questions açık alan kıyas setinden 14.042 gerçek soru	Birden fazla geçerli yoruma sahip soruların payı	Geliştirme ve test sorularının “yarısından fazlası” belirsizdi (eğitim bölümünde %47); başlıca kaynaklar arasında zamana bağımlılık ve varlık referansları vardı
Lee, Sarkar, Tankelevitch, Drosos, Rintel, Banks ve Wilson, 2025, CHI (Microsoft Research)	319 bilgi çalışanı, işte üretken yapay zeka kullanımına dair 936 birinci elden örnek	Öz bildirime dayalı eleştirel düşünme ve bunu neyin yordadığı	Örneklerin %59,29’unda eleştirel düşünme bildirildi. Yapay zekaya duyulan güven eleştirel düşünmeyle negatif ilişkiliydi (beta = -0,69); kişinin kendi yeteneğine (0,26) ve yapay zeka çıktısını değerlendirme yeteneğine (0,31) duyduğu güven pozitif ilişkiliydi. Çaba “bilgi toplamadan bilgi doğrulamaya” kaydı

Tablonun altında üç çekince duruyor. Sınıf rakamları, Graesser ve Person’ın daha önceki çalışmalardan derlediği 1990’lara ait tahminler. Laboratuvar oyunları soruları, gerçek kararların nadiren sahip olduğu matematiksel olarak tanımlanmış bir optimuma göre ölçüyor. Microsoft anketi ise öz bildirime dayanıyor ve yazarların kendi ifadesiyle “nedensellik kurmuyor.” Bu çalışmaları bir sonraki prompt’unuz hakkında kesin tahminler için değil, sorunun biçimini görmek için kullanıyoruz.

Çalışmaların ortak örüntüsü ne?

Yan yana okunduğunda yedi çalışma aynı dört başarısızlığı anlatıyor ve her birinin yapay zeka çağında bir ikizi var.

1. Üretim açığı. Rothe ve meslektaşları, insanların en iyi soruyu üretmekte zayıf (sıklık ile değer arasında r = 0,16), onu tanımakta ise iyi olduğunu (r = 0,89) buldu. Yapay zekayla çalışan herkes için en önemli bulgu bu. Anlamı şu: darboğaz zevk değil, üretim. Harika bir soruyu gördüğünüzde tanırsınız; kendiliğinden ise nadiren yazarsınız. Rosenshine’ın derlemesi çözümü gösteriyor: kendi sorularını üretmeleri açıkça öğretilen öğrenciler, materyal etrafında tasarlanan anlama testlerinde belirgin biçimde ilerledi (medyan etki büyüklüğü 0,86, yani 81. yüzdelik dilim) ve en güçlü ipucu türü genel soru kalıplarıydı (dört çalışmada medyan 1,12). Soru üretme öğretilebilir bir beceri ve bu beceri öğütle değil, iskelelerle öğretiliyor.

2. Nicelik nitelik değildir. Graesser ve Person’ın verilerinde, dersin başında daha fazla soru soran öğrenciler sınavlarda daha düşük not alırken soruları daha sık “neden, nasıl, ya … olursa” türünden olan öğrenciler daha yüksek not aldı. Çocuklardan çok daha verimli olan Ruggeri’nin yetişkinleri bile vakaların yarısından fazlasında gereksiz soru sordu. Mesaj başına maliyeti olmayan bir sohbet penceresi bu başarısızlığı ucuz ve görünmez kılıyor: yirmi sığ soru sorup kendinizi üretken hissedebilirsiniz.

3. Belirsizlik varsayılan durumdur. AmbigQA, sıradan arama sorularının yarısından fazlasının zamana, varlığa ya da kapsama bağlı olarak birden fazla meşru cevabı olduğunu buldu. Bir insan uzman belirsiz bir soruya karşı soru sorarak cevap verir. Bir dil modeli ise genellikle istatistiksel olarak en olası okumaya göre cevap verir ve bir seçim yaptığını size söylemez. Bu sessiz seçim, daha önce anlattığımız ilk sonuç önyargısının arkasındaki mekanizmalardan biri: ilk cevap eksiksiz hissettirir, çünkü sorunun belirsizliği sizin yerinize, görünmez biçimde çözülmüştür.

4. Değer takip sorusundadır. Huang’ın ekibi, bir sohbet partnerinin sizi sevip sevmediğini toplam soru sayısının değil, yalnızca takip sorularının yordadığını ve etkinin ikinci buluşma kararlarına kadar taşındığını buldu. Anthropic’in verileri, takip davranışının (görev yineleme, öğrenme) yönergesel kullanım büyürken küçülen şeyin ta kendisi olduğunu gösteriyor. Lee’nin anketi mekanizmayı ekliyor: insanlar yapay zekaya daha çok güvendiğinde daha az eleştirel düşünüyor ve geriye kalan eleştirel düşünme doğrulamaya kaymış durumda. Takip sorusu, doğrulamanın en ucuz biçimidir.

Soru Kalitesi Çerçevesi

Aşağıdaki tablo bir CEOtudent editöryel çerçevesidir. Yukarıdaki çalışmaların bizim yaptığımız sentezidir, sonuçlara karşı doğrulanmış bir ölçüm aracı değildir. Altı boyutun her biri 0, 1 ya da 2 puan alır. Bir soru 0-12 arasında puan alır.

Boyut	0 puan neye benzer	2 puan neye benzer	Araştırma dayanağı
Karar bağı	Cevaba bağlı hiçbir karar yok; merak ya da dolgu	Cevabın değiştireceği kararı ve kararı tersine çevirecek eşiği adlandırabiliyorsunuz	NBER’in “Sorma”yı bir kararı bilgilendirme olarak tanımlaması; Graesser’ın bilgi açığı soruları
Belirsizliği giderme	Zaman, varlık, kapsam ya da hedef kitle açısından birden fazla okumaya açık	Zaman dilimi, varlık, kapsam ve hedef kitle sorunun kendisinde sabitlenmiş	AmbigQA (gerçek soruların yarısından fazlası belirsiz)
Bölme gücü	Her seferinde tek bir tahmini sınar (“X mi?”)	Olasılık uzayını en genel yararlı düzeyde kabaca ikiye böler	Ruggeri’nin önce üst kategori soruları; Rothe’nin beklenen bilgi kazanımı
Derinlik türü	Evet/hayır, kim, ne, kaç tane	Neden, nasıl, ya … olursa, neden olmasın: mekanizma, neden ya da sonuç ister	Graesser’ın başarıyla korelasyon gösteren derin akıl yürütme kategorileri
Cevap biçimi	Akıcı her cevabı kabul edersiniz	Yanlış bir cevabın neye benzeyeceğini ve hangi kanıtın meseleyi çözeceğini yazıya dökmüşsünüzdür	Lee ve ark.: çabanın doğrulamaya kayması; Rosenshine’ın genel kalıpları
Takip planı	İlk cevap oturumu bitirir	Olası her cevap için ikinci soruyu zaten biliyorsunuz	Huang ve ark. (takip sorusu sevmeyi ve sonuçları yordar); Anthropic’in azalan yineleme verisi

Puan aralıkları (editöryel): 0-4 bir arama sorgusudur; başka yerde doğrulayacağınız olgular için yeterlidir. 5-8 bir çalışma sorusudur; taslaklar ve keşif için yeterince iyidir. 9-12 karar düzeyinde bir sorudur; gerçek bir seçim buna bağlıyken bir yapay zeka sistemine ya da kıdemli bir meslektaşa vermeniz gereken tek soru türüdür.

Uygulamalı bir örnek

Yaygın bir kariyer sorusunu ele alalım: “Python öğrenmeli miyim?”

• Karar bağı: 0. Hiçbir karar ya da eşik belirtilmiyor.
• Belirsizliği giderme: 0. Hangi rol için, ne zamana kadar, neyin yerine?
• Bölme gücü: 0. Tek bir seçeneği hiçbir şeye karşı sınıyor.
• Derinlik türü: 0. Evet ya da hayır davet ediyor.
• Cevap biçimi: 0. Kendinden emin her cevap kabul edilir.
• Takip planı: 0. “Evet” sohbeti bitirir.

Puan: 12 üzerinden 0. Buna verilecek her cevap gürültüdür ve çoğu yapay zeka aracı kendinden emin, genel bir “evet” sunacaktır.

Şimdi aynı ihtiyaç, yeniden yazılmış hali: “İki yıl deneyimli bir pazarlama analistiyim ve bu çeyrekteki 60 saatlik eğitim bütçemi veri analizi için Python’a mı yoksa ileri SQL’e mi ayıracağıma önümüzdeki 30 gün içinde karar vereceğim. Benim ölçeğimdeki şirketlerin analist ilanlarında bu ikisinden hangisi daha sık zorunlu beceri olarak geçiyor ve hangisi haftalık raporlama için daha hızlı kullanılabilir çıktı üretiyor? Cevap Python ise bunu dört haftada kanıtlayacak en küçük proje ne olurdu? SQL ise neyden vazgeçmiş olurum?”

• Karar bağı: 2. Tarihli ve bütçeli bir karar.
• Belirsizliği giderme: 2. Rol, deneyim, zaman ufku, alternatifler.
• Bölme gücü: 2. İki canlı seçenek, iki adlandırılmış ölçütte karşılaştırılıyor.
• Derinlik türü: 1. “Hangisi” ve “ne” soruyor; mekanizma talep edilmek yerine ima ediliyor.
• Cevap biçimi: 1. Ölçütler adlandırılmış, ama bir eşik (“ilanların en az X’inde zorunlu”) belirlenmemiş.
• Takip planı: 2. Her iki dalın da bir sonraki sorusu hazır.

Puan: 12 üzerinden 10. Dikkat edin, ikinci sürümde zekice hiçbir şey yok. İlk sürüm artı araştırmanın insanların kendiliğinden eklemediğini söylediği iskele.

Bir öğrenci olarak nasıl pratik yaparsınız?

Rosenshine’ın derlemesi, soru üretmenin açık iskelelerle geliştiğini ve genel kalıpların en iyi sonucu verdiğini net biçimde ortaya koyuyor. Kısa bir liste tutun ve herhangi bir yapay zeka aracını açmadan önce kullanın:

• …, …’yı nasıl etkiler?
• …’nın güçlü ve zayıf yanları nelerdir?
• … halihazırda bildiklerimizle nasıl bağlanır?
• … için yeni bir örnek nedir?
• … hakkında hangi sonuçlara varabilirsiniz?
• … neden önemlidir?

Pratik bir alıştırma: bir hafta boyunca sorunuzu sohbet penceresine yazmadan önce düz bir metin dosyasına yazın, altı boyutta puanlayın ve 5’in altındaki hiçbir soruyu göndermeyin. Ardından her oturumda, cevaba tepki olarak uydurulmuş değil planınızdan seçilmiş bir takip sorusunu zorunlu kılın. Sokratik prompt yöntemi bu takibi yürütmenin yapılandırılmış bir yolu, karar günlüğü ise Karar bağı ve Cevap biçimi sütunlarının zaman içinde yaşadığı yer.

Kendinizin CEO’su olarak nasıl yönetirsiniz?

Soruları refleks olarak değil, bütçe olarak ele alın. Kanıtlardan üç kural çıkıyor.

Devretmeden önce sorun. Hangi kararların yapay zekaya devredileceği üzerine yazımız sınırları karar türüne göre çizmişti. Çerçeve buna bir kapı ekliyor: 9 ve üzeri puanlı bir soru olarak ifade edilemeyen bir görev, ister bir yapay zeka ajanına ister bir insana olsun, devredilmeye hazır değildir; çünkü iyi bir cevabın ne olduğunu henüz söylememişsinizdir.

Güveni ilk cevapla değil, takip sorusuyla kalibre edin. Lee’nin anketi, yapay zekaya duyulan güvenin eleştirel düşünmenin en güçlü negatif yordayıcısı olduğunu buldu. En ucuz karşı ağırlık, planlanmış bir ikinci soru. Güven kalibrasyonu ne zaman güvenileceğini ele alıyor; takip planı ise o güveni vaka vaka nasıl kazanacağınız.

Soru karışımınızı aylık denetleyin. Graesser’ın başarı korelasyonları sayıyı değil, derin soruların oranını izliyordu. Ayda bir kez kendi prompt’larınızdan on tanesini çekin ve sığ (kim, ne, evet/hayır) ya da derin (neden, nasıl, ya … olursa) olarak sınıflandırın. Derin soruların payı üçte birin altındaysa araçlarınızda sorun yok, sorun sorularınızda. Varsayım denetimi kendi alanınız hakkında derin soruların hazır bir kaynağı; ayırt etme açığı ise sığ soruların neden düşünceden ayırt edemeyeceğiniz çıktılar ürettiğini açıklıyor.

Bu çerçevenin size söyleyemeyecekleri

• Doğrulanmış değil. Hiçbir çalışma, soruları bu altı boyutta puanlamanın kararları iyileştirip iyileştirmediğini sınamadı. Boyutlar araştırmaya dayanıyor; puanlama editöryel.
• Kullanım verileri platforma özgü ve sınıflandırıcı temelli. NBER rakamları ChatGPT tüketici planlarını anlatıyor ve veri paylaşımından çıkan kullanıcıları dışarıda bırakıyor; Anthropic rakamları, Anthropic’in kendi modelleriyle sınıflandırılmış Claude.ai ve API trafiğini anlatıyor. İkisi de yapay zeka kullanımının sayımı değil.
• Laboratuvar çalışmaları “iyi”yi, bilinen bir cevap uzayına karşı bilgi kazanımı olarak tanımlıyor. Çoğu stratejik sorunun böyle bir uzayı yok; Karar bağı ve Cevap biçimi boyutlarının pratikte laboratuvardakinden daha ağır basmasının nedeni bu.
• Sınıf oranları onlarca yıllık ve birkaç çalışmadan derlenmiş; 241 katlık farkı kesin bir rakam olarak değil, bir büyüklük mertebesi olarak ele alın.
• Lee ve meslektaşları öz bildirime dayalı eleştirel düşünmeyi ölçtü ve analizlerinin nedensellik kurmadığını açıkça belirtiyor.

Sık sorulan sorular

Bu, prompt mühendisliğiyle aynı şey mi?
Hayır. Prompt mühendisliği, bir modelin bir görevi iyi yerine getirmesi için talimatları biçimlendirmekle ilgilidir; yapay zeka okuryazarlığı katmanları ve bağlam mühendisliği üzerine yazılarımız bunu ele alıyor. Bu çerçeve ise sorduğunuz şeyin sorulmaya değer olup olmadığıyla ilgili; masanın karşısındaki kişi insan olduğunda da aynı derecede önemli.

İnsanlar iyi soruları bu kadar iyi tanıyorsa, neden yapay zekadan sorumu iyileştirmesini istemeyeyim?
Bu, üretim açığından yararlanmanın makul bir yolu ve bir adım olarak öneriyoruz. Ama Rothe’nin bulgusu, insanların alternatifler sunulduğunda soruları iyi sıraladığıydı. Yapay zekanın yeniden yazdığı soruyu yine de değerlendirmeniz gerekiyor; bu da altı boyutun zaten kafanızda olması gerektiği anlamına geliyor.

Daha fazla takip sorusu sormak beni yavaşlatır mı?
Huang’ın verilerinde ortalama bir hızlı flört, dört dakikada zaten 4,51 takip sorusu içeriyordu; yani maliyet küçük. Yanlış okunmuş bir soruya göre harekete geçmeyerek kazanılan zaman çok daha büyük bir rakam, ancak bulabildiğimiz hiçbir çalışma bunu yapay zeka kullanımı için doğrudan ölçmedi.

Tek başına en yüksek değerli değişiklik ne?
Takip sorusunu ilk cevabı görmeden önce yazın. Bu, Karar bağı ve Cevap biçimi sütunlarını zorunlu kılar ve 2025 kullanım verilerinin en hızlı gerilediğini gösterdiği davranış tam da budur.

Çerçeveyi yalnızca yapay zeka için değil, toplantılar için de kullanabilir miyim?
Evet. Graesser ve Person’ın sınıf rakamları (soruların yüzde 96’sını öğretmenlerin sorması ve bunların yalnızca yüzde 4’ünün üst düzey olması) çoğu durum toplantısını tarif ediyor. Aynı altı sütun, yöneticinize ya da ekibinize götürdüğünüz soru için de geçerli.

Kaynaklar

• Chatterji, Cunningham, Deming, Hitzig, Ong, Shan ve Wadman, “How People Use ChatGPT”, National Bureau of Economic Research Working Paper 34255, Eylül 2025.
• Anthropic Economic Index, “Uneven geographic and enterprise AI adoption”, Eylül 2025 raporu ve Handa, Tamkin ve ark., “Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations”, Mart 2025 (arXiv 2503.04761).
• Graesser ve Person, “Question Asking During Tutoring”, American Educational Research Journal, 31(1), 1994, sayfa 104-137.
• Rosenshine, Meister ve Chapman, “Teaching Students to Generate Questions: A Review of the Intervention Studies”, Review of Educational Research, 66(2), 1996, sayfa 181-221.
• Huang, Yeomans, Brooks, Minson ve Gino, “It Doesn’t Hurt to Ask: Question-Asking Increases Liking”, Journal of Personality and Social Psychology, 113(3), 2017, sayfa 430-452.
• Rothe, Lake ve Gureckis, “Do People Ask Good Questions?”, Computational Brain and Behavior, 1, 2018, sayfa 69-89.
• Ruggeri, Lombrozo, Griffiths ve Xu, “Sources of Developmental Change in the Efficiency of Information Search”, Developmental Psychology, 52(12), 2016, sayfa 2159-2173.
• Min, Michael, Hajishirzi ve Zettlemoyer, “AmbigQA: Answering Ambiguous Open-domain Questions”, Proceedings of EMNLP 2020.
• Lee, Sarkar, Tankelevitch, Drosos, Rintel, Banks ve Wilson, “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers”, Proceedings of CHI 2025, Microsoft Research.

---

Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.