Bütünleşik akademik dürüstlük yönetişim çerçevesi, üretken yapay zekânın akademik çalışmaya, ölçme-değerlendirmeye ve üniversitelerin akademik dürüstlük kararlarına katıldığı koşullarda; açık kurallar, etik AI okuryazarlığı, geçerli değerlendirme, kontrollü doğrulama, orantılı sorumluluk, restoratif süreçler, disiplin ve kurumsal öğrenmeyi birbirine bağlamak için önerilen kavramsal bir yönetişim modelidir. Çalışma sistematik derleme veya deneysel etkililik araştırması değildir. Yazarlar 64 akademik ve politika kaynağından oluşan amaçlı bir korpusu karşılaştırmalı kodlama, negatif-vaka analizi, kaynaktan-kavrama izleme ve normatif yorumlama yoluyla incelemiş; bunun sonucunda akademik dürüstlüğü üç ayrı ama bağlantılı düzeyde ele alan bir model geliştirmiştir: akademik çalışmanın dürüstlüğü, değerlendirmenin dürüstlüğü ve kurumsal prosedürel dürüstlük.

Modelin temel yaklaşımı, “öğrenci AI kullandı mı?” sorusunun tek başına yeterli olmadığıdır. Asıl değerlendirilmesi gereken; AI'nin hangi işlevi yerine getirdiği, hangi öğrenme yeterliğinin AI'ye devredildiği, kullanımın izinli olup olmadığı, katkının açıklanıp açıklanmadığı, öğrencinin nihai ürünü anlayıp savunabildiği, iddiaları ve kaynakları doğrulayıp doğrulamadığı ve değerlendirme tasarımının gerçekten amaçlanan öğrenmeyi ölçüp ölçmediğidir.

Çalışma ayrıca üniversitenin kullandığı AI teknolojilerini de akademik dürüstlük sorununun parçası haline getirir. AI-content detection, similarity analysis, automated grading, proctoring veya risk prediction gibi sistemlerden gelen skorların tek başına suç veya yazarlık kanıtı sayılamayacağını savunur. Kaynağa göre böyle göstergelerin anlamlı olabilmesi için doğrulayıcı başka kanıtlar, yetkin insan incelemesi, yazılı gerekçe, öğrencinin cevap verme olanağı ve bağımsız itiraz mekanizması gerekir.

Yazarların merkezi katkısı, akademik dürüstlük vakalarını yalnız sonuçlandırılan bireysel olaylar olmaktan çıkarıp case-to-governance feedback adı verilen bir kurumsal öğrenme döngüsüne bağlamaktır. Bir vaka; kural belirsizliği, zayıf değerlendirme tasarımı, AI okuryazarlığı eksikliği, erişim eşitsizliği, teknoloji tedarik sorunu veya prosedürel hata ortaya çıkarıyorsa, kurum yalnız öğrenci hakkında karar vermekle kalmamalı; ilgili politika, değerlendirme, destek veya teknoloji sistemini de gözden geçirmelidir.

Ancak bu çerçeve doğrulanmış bir müdahale değildir. Kaynak açık biçimde modelin normatif ve ampirik olarak sınanabilir bir öneri olduğunu; bütün kurumlarda, disiplinlerde veya kültürlerde etkili olduğu gösterilmiş evrensel bir çözüm olmadığını belirtmektedir.

Üretken yapay zekâ akademik dürüstlük sorununu neden değiştiriyor?

Akademik dürüstlük, üretken yapay zekâdan önce de yalnız intihal tespitinden ibaret değildi. Akademik kültür, dürüstlük, güven, adalet, saygı, sorumluluk, değerlendirme tasarımı, öğretim, öğrenci desteği ve kurumsal düzenleme zaten alanın temel bileşenleriydi. Çalışmanın yaklaşımına göre üretken AI bu temelleri ortadan kaldırmamakta; insanın akademik üretime nasıl katkı verdiğinin izlenmesini daha zor hale getirmektedir.

Örneğin aynı üretken AI sistemi:

• fikir üretmeye,
• bir argümanı yeniden düzenlemeye,
• metni çevirmeye,
• kod üretmeye,
• kaynakları özetlemeye,
• geri bildirim simüle etmeye,
• problemi çözmeye,
• veya doğrudan teslim edilecek nihai metni yazmaya

katkıda bulunabilir. Kaynak bu işlevlerin etik açıdan birbirine eşit olmadığını vurgular. Bir kullanımın kabul edilebilirliği, AI'nin varlığından çok hangi akademik işlevi üstlendiğine ve hedef öğrenme çıktısıyla ilişkisine bağlıdır.

Bilişsel delegasyon nedir?

Bilişsel delegasyon, öğrencinin normalde kendi düşünme, analiz etme, problem çözme, yazma, kodlama, sentezleme veya karar verme sürecinin bir bölümünü AI sistemine devretmesidir.

Delegasyonun kendisi otomatik olarak akademik ihlal anlamına gelmez. Bir görev AI destekli eleştiri becerisini ölçüyorsa geniş kapsamlı AI üretimi görevin meşru parçası olabilir. Buna karşılık giriş düzeyindeki programlama dersinde hedef öğrencinin belirli bir algoritmayı kendisinin kurması ise aynı tür kod üretimi hedef yeterliği ortadan kaldırabilir.

Bu nedenle çalışma AI kullanımını araç markasına göre değil, işleve göre sınıflandırmayı önerir.

Bu Çalışma Sistematik Derleme mi?

Hayır. Yazarlar çalışmayı açıkça “critical conceptual synthesis” olarak tanımlar; 64 kaynaklık korpus amaçlı ve kavramsal yeterlilik hedefiyle oluşturulmuştur, sistematik derlemelerde beklenen exhaustive/reproducible retrieval, duplicate-removal audit, study-level quality aggregation veya meta-analitik etki hesabı yapılmamıştır.

Neden sistematik derleme yapılmamış?

Araştırma soruları tek bir müdahalenin etkisini, bir prevalansı veya birbirine benzer deney sonuçlarını toplamakla ilgili değildir. Yazarlar farklı bilgi geleneklerindeki kavramları karşılaştırmaktadır:

• academic integrity,
• assessment validity ve assessment security,
• generative AI in education,
• AI literacy,
• responsible AI governance,
• algorithmic accountability,
• restorative justice.

Bu kaynakların bazıları ampirik çalışma, bazıları kavramsal makale, bazıları politika metni, bazıları kitap veya uygulama çerçevesidir. Çalışma bunları aynı tür kanıtmış gibi birleştirmez. Ampirik çalışma örüntü ve riskleri göstermek, kavramsal eser kavramları tanımlamak, politika metni normatif yükümlülükleri göstermek, uygulama çerçevesi ise prosedürleri anlamak için kullanılır.

Dört araştırma sorusu

1. RQ1: Üretken AI, akademik çalışma, değerlendirme ve kurumsal prosedür düzeylerinde akademik dürüstlüğü nasıl değiştiriyor?
2. RQ2: Önleyici yönetişim, etik AI okuryazarlığı, kontrollü doğrulama ve restoratif hesap verebilirliği hangi görev ve mekanizmalar birbirine bağlıyor?
3. RQ3: AI ile ilişkili akademik dürüstlük ihlallerinde hangi koşullarda eğitsel, restoratif, disipliner veya birleşik yanıt kullanılmalı?
4. RQ4: Hangi ilkeler bağlamlar arasında sabit kalmalı; hangi unsurlar disiplin, hukuk, kültür veya kurum koşullarına göre uyarlanmalı?

Akademik dürüstlüğün üç düzeyi

Neden bu üç düzeyi ayırmak gerekiyor?

Kaynağa göre değerlendirme tasarımındaki problem otomatik olarak öğrencinin akademik ihlali değildir. Örneğin görev talimatı AI kullanımını açık biçimde düzenlemiyorsa bu durum bireysel sorumluluğun değerlendirilmesinde önemlidir. Benzer şekilde bir öğrencinin kurala uyması, görevin gerçekten öğrenmeyi ölçtüğü anlamına gelmez.

Aynı ayrım kurum için de geçerlidir. Bir AI detector skorunun yüksek olması öğrencinin yazarlığını veya niyetini tek başına kanıtlamaz. Eğer kurum bu skoru sonucu belirleyen kanıt olarak kullanırsa sorun yalnız öğrencinin davranışı değil, kurumsal prosedürün güvenilirliği haline gelir.

Yazarlık, katkı, atıf ve sorumluluk aynı şey değildir

Çalışma dört kavramı bilinçli biçimde ayırmaktadır:

• Authorship: disiplinin akademik kuralları kapsamında sorumluluk taşıyan entelektüel katkı statüsüdür.
• Contribution: insanın veya aracın hangi işlevi yerine getirdiğini belirtir.
• Attribution: yardımın, kaynağın veya etkinin görünür biçimde tanınmasıdır.
• Responsibility: nihai iddia, muhakeme, kanıt, hata ve sonuçlardan kimin cevap vereceğini ifade eder.

AI bir metin, kod, görsel veya hesaplama üretebilir; fakat akademik sorumluluğu üstlenemez, eleştiriye cevap veremez veya hatanın sonucunu kabul edemez. Bu nedenle AI'nin önemli katkısı açıkça belirtilse bile nihai akademik sorumluluk insanda kalmaktadır.

Epistemik sorumluluk nedir?

Epistemik sorumluluk, öğrencinin veya araştırmacının AI tarafından üretilmiş bir çıktıyı yalnız teslim etmemesi; çıktının içerdiği olguları, hesapları ve kaynakları doğrulaması, önemli seçimleri gerekçelendirmesi, gerekli olduğunda AI katkısını açıklaması, çıktıyı disiplinin kanıt standartlarıyla karşılaştırması ve hataların sorumluluğunu üstlenmesidir.

AI kullanımını neden yüzde ile ölçmek yeterli değil?

Kaynak, “metnin yüzde kaçı AI tarafından üretildi?” yaklaşımını temel karar yöntemi olarak reddeder. Yüksek AI katkısı, AI çıktısını eleştirme amacı taşıyan bir görevde tamamen meşru olabilir. Buna karşılık birkaç cümlelik AI yardımı, hedeflenen temel cevabı doğrudan sağlıyorsa küçük miktarda görünmesine rağmen öğrenme çıktısını geçersizleştirebilir.

Bu nedenle değerlendirilmesi gereken boyutlar şunlardır:

• AI'nin yaptığı işlev,
• öğrencinin kontrol düzeyi,
• AI kullanımının açıklanması,
• öğrencinin öğrenme kanıtı,
• oluşan akademik dürüstlük riski.

AI kullanımının işlevsel sınıflandırması

Kaynak özellikle bu kategorilerin ölçülmüş risk skorları olmadığını belirtmektedir. Bunlar kurumun göreve ve disipline uyarlaması gereken analitik karar kategorileridir.

Dört katmanlı politika mimarisi

Kaynak tek bir üniversite-wide “AI kullanılabilir/kullanılamaz” cümlesinin yeterli olmadığını savunur. Genel kuralın program, ders ve nihayet tek tek değerlendirme görevine kadar çevrilmesi gerekir.

Bu yaklaşım ürün adına dayalı kurallardan çok işleve dayalı kuralları tercih eder. Çünkü bir yazım yardımcısı zamanla araştırma, kodlama veya çok-modlu üretim yapabilir; ürün adlarının izin/yasak listesi hızla eskir.

AI-resilient assessment nedir?

Çalışmadaki AI-resilient assessment kavramı “AI'nin kullanılamayacağı sınav” anlamına gelmez. Amaç, AI mevcut olsa bile öğrencinin hedeflenen öğrenmeyi gerçekten gösterip göstermediğinin yorumlanabilmesidir.

Bunun için süreç belgeleri, seçilmiş taslaklar, commentary, oral explanation, method reconstruction veya ek görev gibi tamamlayıcı kanıtlar kullanılabilir. Ancak kaynak bunların hiçbirini otomatik çözüm olarak görmez.

Örneğin oral assessment:

• öğrencinin muhakemesini gösterebilir,
• fakat anksiyete, engellilik, dil yeterliği veya değerlendiriciler arası farklılık nedeniyle yeni adaletsizlikler oluşturabilir.

Benzer şekilde portfolio süreç kanıtı sağlayabilir fakat sahte üretilebilir veya aşırı iş yükü yaratabilir. Bu nedenle kaynak “AI-proof assessment” aramak yerine farklı kanıtların birlikte ve orantılı kullanılmasını önerir.

AI Dedektörünün Verdiği Skor Akademik İhlal Kanıtı mıdır?

Hayır. Kaynağa göre AI-content detector, similarity score, proctoring flag veya risk score yalnız araştırılması gereken bir gösterge olabilir; yazarlık, niyet veya suçun kendisi değildir ve sonuç doğuran bir karar için başka kanıtlarla doğrulama, yetkin insan incelemesi, yazılı gerekçe ve bağımsız itiraz yolu gerekir.

Governed verification nedir?

Governed verification, akademik şüpheyi araştırma hakkını ortadan kaldırmayan fakat doğrulamayı açık kanıt ve prosedür sınırları içine alan yaklaşımdır.

Kaynak şu ayrımları yapar:

• similarity percentage → metinsel örtüşmeyi gösterir, niyeti göstermez;
• AI-content score → olasılıksal sınıflandırmadır, yazarlık kanıtı değildir;
• risk model → örüntü gösterir, suç kanıtı değildir.

“İnsan denetimi var” demek neden tek başına yeterli değil?

Kaynak human-in-the-loop ifadesini otomatik güvence kabul etmez. İncelemeyi yapan kişinin:

• konu hakkında yeterli bilgisi,
• kanıtı inceleyecek zamanı,
• sistem skorunu reddedebilme yetkisi,
• gerekli belgelere erişimi,
• kararını gerekçelendirme sorumluluğu

olmalıdır. Bir insanın yalnız AI sisteminin verdiği sonucu onaylaması gerçek substantive human oversight değildir.

AI okuryazarlığı yalnız öğrencinin görevi değildir

Makalenin önemli ayrımlarından biri AI literacy'nin yalnız “öğrenci ChatGPT'yi doğru kullansın” becerisi olmamasıdır. Kaynak AI okuryazarlığını kurumsal kapasite olarak da ele alır.

AI Okuryazarlığı Akademik İhlali Önlemek İçin Yeterli mi?

Hayır. Kaynak AI okuryazarlığının doğrulama, açıklama, hata tanıma ve etik muhakemeyi geliştirebileceğini; fakat rekabet, baskı, iş yükü, algılanan adaletsizlik veya avantaj arayışı nedeniyle kuralı bilen bir kişinin yine de bilinçli ihlal yapabileceğini vurgular.

Bu ayrım önemlidir: bilgi ve davranış aynı değişken değildir. Üniversite yalnız öğrencilere AI eğitimi verip akademik dürüstlük sorumluluğunu bireye aktaramaz. Kurallar, assessment design, incentives, opportunity, staff capacity ve enforcement sistemi de değerlendirilmelidir.

Yanıt seçme mantığı

Kaynak tek bir ihlale tek tip ceza uygulanmasını da, bütün vakaların restoratif yola gönderilmesini de savunmaz. Karar aşağıdaki faktörlere göre verilmelidir:

• kural ne kadar açık ve erişilebilirdi?
• davranış kasıtlı mıydı, yanlış anlamaya mı dayanıyordu?
• AI ne ölçüde hedef yeterliğin yerini aldı?
• haksız avantaj veya zarar oluştu mu?
• vaka ilk kez mi gerçekleşti, tekrar mı?
• kanıtın kalitesi nedir?
• onarılabilir bir zarar var mı?
• restoratif katılım güvenli ve gerçekten gönüllü olabilir mi?

Eğitsel yanıt hangi durumda öne çıkıyor?

Kaynağa göre kural belirsiz, erişilemez veya yeterince öğretilmemişse; olay düşük etkili, ilk kez ortaya çıkan ve yanlış anlamaya veya zayıf muhakemeye dayanıyorsa eğitsel düzeltme daha fazla ağırlık kazanabilir. Bu durumda clarification, rework veya learning plan gibi sonuçlar düşünülebilir.

Disipliner yanıt hangi durumda gerekli olabilir?

Kural açık biçimde bilinmesine rağmen kasıtlı gizleme, stratejik haksız avantaj, ciddi akademik/profesyonel/safety etkisi, tekrar eden davranış veya önceki müdahalelerin başarısızlığı varsa formal disciplinary procedure gerekli olabilir.

Kaynak disiplinin kaldırılmasını savunmaz. Eleştirilen şey, doğrulama ve disiplinin kanıtsız, otomatik veya orantısız biçimde uygulanmasıdır.

Restoratif Yaklaşım Sadece Öğrenciye “Hatanı Düşün ve Yeniden Yap” Demek midir?

Hayır. Kaynak, reflection, retraining veya resubmission'ın tek başına restoratif adalet olmadığını açıkça belirtir; gerçek restoratif süreç için zarar ve etkilenen tarafların belirlenmesi, gönüllü ve bilgilendirilmiş katılım, sorumluluk, güvenli/facilitated dialogue, somut repair agreement, takip ve reintegration gerekir.

Restoratif süreç için asgari koşullar

Öğrencinin restoratif sürece katılmayı reddetmesi suçluluk kanıtı veya ağırlaştırıcı unsur sayılamaz. Restoratif süreç uygun değilse formal prosedür uygulanabilir.

Bütünleşik çerçeve nasıl çalışıyor?

Kaynak bütünleşmeyi altı temel mekanizmayla açıklar:

1. Clarity: genel ilkelerin program, ders ve assessment seviyesine kadar çevrilmesi.
2. Capable judgement: öğrenci, eğitimci ve kurumun AI çıktısını ve kuralları değerlendirebilecek yetkinliğe sahip olması.
3. Evidential validity: öğrenme kanıtının geçerli, erişilebilir ve yorumlanabilir olması; otomatik indicator'ın proof yapılmaması.
4. Differentiated responsibility: öğrenci, eğitimci, kurum ve provider görevlerinin görünür fakat birbirine karıştırılmadan ele alınması.
5. Restorative–disciplinary complementarity: eğitim, restorasyon ve disiplinin birbirini otomatik olarak dışlamaması; vakaya göre seçilmesi.
6. Case-to-governance feedback: vakaların politika ve sistem değişikliğine geri besleme sağlaması.

Model neden doğrusal bir işlem hattı değildir?

Politika AI okuryazarlığını etkileyebilir; fakat AI okuryazarlığı da kuraldaki belirsizliği ortaya çıkarabilir. Verification assessment tasarımındaki sorunu gösterebilir. Restoratif diyalog erişim veya iş yükü sorunlarını görünür kılabilir. Dolayısıyla kaynak Figure 12'nin sabit bir kronoloji değil, karşılıklı etkileşen bir ilişki mimarisi olarak okunmasını ister.

Yedi geçici önerme

Bu tabloda “önerme” sözcüğü önemlidir. Kaynak bunları kanıtlanmış yasalar olarak sunmaz. Örneğin P1'in gelecekte yapılan araştırmada desteklenmemesi framework'ü bilimsel olarak sınamak için anlamlı bir sonuç olacaktır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Conceptual sufficiency ne demek?

Yazarlar kaynak aramasını “artık her makale bulundu” iddiasıyla durdurmamıştır. Arama, dört araştırma sorusunun ihtiyaç duyduğu ana kategoriler, karşı-pozisyonlar ve ilişkiler yeterince temsil edilip yeni kaynakların büyük ölçüde zaten bulunan kavramsal işlevleri tekrar etmeye başladığı noktaya kadar sürdürülmüştür.

Kaynak bunu ampirik qualitative saturation veya exhaustive systematic retrieval ile eşitlemez.

64 kaynaklık korpusun alan dağılımı

Bu sayılar kalite sıralaması veya alanın gerçek literatür büyüklüğü değildir. Yalnız yazarların amaçlı olarak seçtiği 64 kaynağın framework içindeki analitik rol dağılımını göstermektedir.

Analiz altı aşamada yürütüldü

1. Araştırma soruları ve kapsam sınırı tanımlandı.
2. Established literature içinden sensitising concepts çıkarıldı.
3. Open ve focused coding yoluyla kavramlar ve ilişkiler karşılaştırıldı.
4. Negative cases ve counter-positions framework'e karşı sınandı.
5. Kavramlar basit tema listesi yerine mekanizmalara dönüştürüldü.
6. Yedi provisional proposition oluşturuldu ve boundary cases karşısında kontrol edildi.

Sensitising concepts başlangıç noktalarıdır; bulgu olarak kabul edilmemiştir. Örneğin prevention, literacy ve restoration çalışma başlangıcında zaten önemli alanlardı. Yazarlar bu nedenle framework'ün yalnız başlangıç varsayımlarını tekrar etmesini önlemek amacıyla bilinçli olarak karşı-örnekler aramıştır.

Negative-case analysis neden önemli?

Yazarların tercih ettiği görüşü doğrulayan kaynaklar kadar aşağıdaki karşı durumlar da aranmıştır:

• AI literacy'nin ihlali engellemediği durumlar,
• verification ve sanction'ın meşru olabildiği durumlar,
• oral veya process-rich assessment'ın yeni eşitsizlik oluşturduğu durumlar,
• human review'un automation bias nedeniyle başarısız olabileceği durumlar,
• restorative yaklaşımın zorlayıcı, güvensiz veya uygun olmadığı durumlar.

Bu nedenle framework “önleme her zaman tespitten iyidir”, “AI eğitimi verirsek sorun çözülür” veya “restoratif yaklaşım her durumda cezadan iyidir” gibi tek yönlü iddialar üretmemektedir.

Dört normatif temel

Çerçeve dört düşünce geleneğini birlikte kullanmaktadır:

1. Academic-integrity values: honesty, trust, fairness, respect, responsibility ve courage.
2. Assessment scholarship: validity, transparency, evaluative judgement, accessibility ve social justice.
3. Responsible AI: human agency, accountability, explainability, privacy, risk management ve contestability.
4. Restorative justice: harm, affected parties, participation, responsibility, repair ve reintegration.

Kaynak bu değerlerin her durumda aynı anda maksimum düzeye getirilemeyeceğini vurgular. Örneğin daha fazla transparency accountability'yi artırabilir ancak privacy'yi azaltabilir. Daha fazla verification assessment güvenilirliğini koruyabilir fakat surveillance ve accessibility sorunları yaratabilir.

Differentiated responsibility

Stabil ilkeler ve yerel olarak uyarlanabilecek unsurlar

Uygulama yol haritası

Değerlendirmede yalnız “vaka sayısı azaldı mı?” sorusu neden yanlış olabilir?

Daha az akademik dürüstlük vakası farklı şeyler ifade edebilir:

• gerçekten daha az ihlal oluşmuş olabilir,
• vakalar daha az raporlanmış olabilir,
• enforcement tutarsız olabilir,
• öğrenciler sisteme güvenmediği için bildirim veya itiraz azalmış olabilir.

Bu nedenle kaynak yalnız vaka sayısını başarının göstergesi olarak kabul etmez.

Değerlendirme göstergeleri en az şu alanları ayırmalıdır:

• implementation,
• procedural legitimacy,
• educational outcome,
• equity,
• institutional learning.

Çalışmanın doğrudan desteklediği sonuçlar

• Üretken AI, assistance ile authorship arasındaki sınırı karmaşıklaştırır ve cognitive delegation olanaklarını artırır.
• Academic work integrity, assessment integrity ve institutional procedural integrity birbirinden ayrılmalıdır.
• AI kullanımının etik değerlendirmesi yalnız “AI kullanıldı mı?” sorusuyla yapılamaz; AI işlevi ve learning outcome ilişkisi değerlendirilmelidir.
• Otomatik indicator'lar proof olarak kullanılmamalıdır.
• AI literacy gerekli bir kapasitedir fakat compliant conduct garantisi değildir.
• Restorative justice yalnız reflection/retraining/resubmission değildir.
• Restoratif süreç voluntary participation ve substantive safeguards gerektirir.
• Discipline belirli ciddi veya deliberate vakalarda meşru olabilir.
• Kurumsal sorumluluk öğrenci agency'sini ortadan kaldırmaz; öğrenci sorumluluğu da kurumsal başarısızlıkları görünmez yapmamalıdır.
• Vakalar, anonymized pattern analysis yoluyla politika ve assessment iyileştirmesinin kaynağı olabilir.

Çalışmanın doğrudan desteklemediği sonuçlar

• Önerilen framework'ün akademik ihlali azalttığı kanıtlanmamıştır.
• AI literacy programlarının tek başına misconduct'u azalttığı bu makalede test edilmemiştir.
• AI-resilient assessment'ın ölçme geçerliliğini gerçekten artırdığı ampirik olarak doğrulanmamıştır.
• Governed verification'ın prosedürel hataları azalttığı bu çalışmada ölçülmemiştir.
• Restoratif süreçlerin recurrence'ı azalttığı veya reintegration'ı artırdığı gösterilmemiştir.
• Case-to-governance feedback'in bütün kurumlarda gerçek kurumsal öğrenme ürettiği kanıtlanmamıştır.
• AI detector skorlarının belirli bir eşik üzerinde güvenilir suç kanıtı olduğu sonucu desteklenmez.
• Tek bir assessment formatının “AI-proof” olduğu sonucu desteklenmez.
• Framework'ün her ülke, kültür, hukuk sistemi veya akademik disipline aynı şekilde aktarılabileceği gösterilmemiştir.

Çalışmanın güçlü yönleri

Kanıt türlerini birbirine karıştırmama: Ampirik makale, politika belgesi, kavramsal çalışma ve yazar önerisi aynı epistemik statüde sunulmamaktadır.

Counter-case kullanımı: Framework yalnız destekleyici örnekler üzerinden kurulmamış; tercih edilen çözümlerin başarısız olabileceği koşullar da incelenmiştir.

Öğrenci merkezli suçlama yaklaşımından kaçınma: Assessment, politika, teknoloji provider'ı ve kurumsal prosedür de accountability alanına dahil edilmektedir.

Due process'in korunması: Verification, human review, reason-giving ve appeal açık biçimde birbirine bağlanmaktadır.

Test edilebilirlik: Yedi proposition için mechanism, counter-case ve illustrative indicator verilerek framework gelecekte falsifiable/qualifiable bir araştırma programına çevrilmiştir.

Temel sınırlılıklar

Purposive selection: Korpus exhaustive değildir ve kaynakların seçilme olasılığı hesaplanamaz.

İngilizce kısıtı: İngilizce dışındaki kültürel ve bölgesel akademik dürüstlük, yazarlık, otorite, güven ve repair anlayışları yeterince temsil edilmemiş olabilir.

Heterojen kaynak türleri: Kitaplar, ampirik çalışmalar, politika metinleri ve kavramsal çalışmalar farklı kanıt türleri sunmaktadır.

Interpretive coding: Kavramsal sentez araştırmacı muhakemesi gerektirir ve confirmation bias olasılığını tamamen ortadan kaldıramaz.

Hızlı teknoloji değişimi: Generative AI sistemleri ve düzenlemeler hızla değiştiği için task-level öneriler zamanla güncellenmek zorundadır.

Ampirik doğrulama yok: Framework expert consensus, stakeholder deliberation, institutional case testing veya intervention evaluation sürecinden geçmemiştir.

Doğrudan stakeholder katılımı yok: Framework geliştirilirken öğrenci, eğitimci, integrity practitioner, accessibility specialist veya policymaker doğrudan katılımcı olarak dahil edilmemiştir.

Kurumsal kapasite varsayımı: Model staff training, appeal, accessibility support, facilitator, procurement expertise ve data-protection review için kaynak gerektirir. Bütün üniversitelerde bu kapasite mevcut olmayabilir.

Nedensel çıkarım yapılamaz: Çalışma policy clarity'nin breach'ı azalttığını, literacy'nin davranışı iyileştirdiğini veya restoration'ın recurrence'ı düşürdüğünü göstermemektedir.

Gelecekte nasıl test edilebilir?

Kaynak framework'ün longitudinal studies, comparative assessment research, case audits, appeal analysis, vignette experiments, implementation studies ve participant research gibi tasarımlarla sınanmasını önermektedir.

P1 için task guidance ve comprehension verileri; P2 için literacy + behavioural/process evidence; P3 için validity, accessibility ve workload; P4 için appeal, reversal ve differential error; P6 için consent, repair ve recurrence; P7 için vaka analizinden gerçek policy/assessment değişikliğine kadar uzanan izlenebilir zincir değerlendirilebilir.

Kaynak ve Yöntem Notu

Özgün başlık: Preventive and Restorative Academic Integrity in AI-Assisted Higher Education: A Critical Conceptual Synthesis and Integrated Governance Framework

Yazarlar: Gabriel Bădescu; Mihail Susinski; Cristian Vasile; Petre Săvescu; Emilia Constantinescu; Gabriel Tănasie; Nicolae Dima; Larisa-Ofelia Filip; Adrian Savu; Caius Didulescu.

Yazar sırası: Kaynakta verilen tam sıra korunmuştur.

Eşit katkı: Kaynakta equal-contribution beyanı bulunmamaktadır.

Corresponding authors: Mihail Susinski ve Adrian Savu.

Kurum 1: Faculty of Agronomy, University of Craiova, Craiova, Romania.

Kurum 2: Faculty of Mining, University of Petroșani, Petroșani, Romania.

Kurum 3: Faculty of Geodesy, Technical University of Civil Engineering Bucharest, Bucharest, Romania.

Dergi: Education Sciences.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / makale numarası: 16, 1365.

Sayı: 9.

DOI: 10.3390/educsci16091365.

Resmî DOI bağlantısı: https://doi.org/10.3390/educsci16091365

Received: 30 June 2026.

Revised: 2 August 2026.

Accepted: 21 August 2026.

Published: 24 August 2026.

Kaynak türü: Review; critical conceptual synthesis.

Systematic review: Hayır. Yazarlar bu ayrımı metodolojik olarak özellikle belirtmektedir.

Meta-analysis: Hayır.

Yeni deney / survey / participant data: Yok.

Hakemlik: Education Sciences anonymous peer review kullanan hakemli bir akademik dergidir.

Lisans: Creative Commons Attribution — CC BY.

Korpus: 64 academic and policy publications.

Ana zaman aralığı: 2016–July 2026; gerekli foundational pre-2016 kaynaklar korunmuştur.

Kaynak tanımlama: Scopus, Web of Science, Google Scholar, publisher platforms ve UNESCO/OECD/EU/NIST resmî repositories üzerinden iterative purposive identification.

Seçim mantığı: Bir kaynak araştırma sorularından en az birine construct definition, relevant practice/risk, ethical/policy principle, counter-position veya implementation açıklaması yoluyla doğrudan katkı sağlıyorsa tutulmuştur.

Dil kısıtı: İngilizce kaynaklar.

Citation impact threshold: Kullanılmamıştır.

Stopping rule: Conceptual sufficiency.

Analitik aşamalar: Scope/RQ definition; sensitising concepts; open/focused coding; counter-position and boundary-case analysis; mechanism mapping; seven provisional propositions.

Framework'ün üç integrity düzeyi: Integrity of academic work; integrity of assessment; institutional procedural integrity.

Bütünleşik ana bileşenler: Preventive governance; ethical AI literacy; governed verification; restorative accountability; proportionate discipline; case-to-governance feedback.

Formül / denklem: Çalışmanın ana bilimsel katkısı matematiksel model değildir; merkezi bir sayısal denklem veya etki formülü raporlanmamaktadır.

Yedi proposition: P1 policy clarity; P2 AI literacy; P3 AI-resilient assessment; P4 governed verification; P5 differentiated responsibility; P6 restorative processes; P7 case-to-governance feedback.

Framework validation: Yapılmamıştır. Expert consensus, stakeholder deliberation, institutional case testing ve intervention evaluation uygulanmamıştır.

Ampirik etkililik: Kanıtlanmamıştır.

Universal transferability: İddia edilmemektedir.

Funding: Araştırma harici finansman almamıştır.

Institutional Review Board: Not applicable.

Informed Consent: Not applicable.

Data Availability: Yeni ampirik veri oluşturulmamış veya analiz edilmemiştir. Kavramsal source corpus ve framework-comparison audit, Appendices A ve B'de belgelenmiştir.

AI-assisted revision disclosure: Yazarlar revizyon sırasında İngilizce dil iyileştirmesi, structural organisation ve draft visual materials hazırlanması için AI-assisted language and formatting tools kullandıklarını; bütün çıktıları eleştirel olarak gözden geçirdiklerini ve nihai makalenin sorumluluğunu üstlendiklerini belirtmektedir.

Conflicts of Interest: Yazarlar çıkar çatışması olmadığını bildirmiştir.

CRediT / yazar katkıları

• Conceptualization: Gabriel Bădescu, Mihail Susinski, Nicolae Dima, Adrian Savu, Caius Didulescu.
• Methodology: Gabriel Bădescu, Cristian Vasile, Petre Săvescu, Nicolae Dima, Larisa-Ofelia Filip.
• Formal analysis: Gabriel Bădescu, Emilia Constantinescu, Caius Didulescu.
• Investigation: Mihail Susinski, Petre Săvescu, Gabriel Tănasie.
• Resources: Larisa-Ofelia Filip, Adrian Savu, Caius Didulescu.
• Data curation: Gabriel Bădescu, Nicolae Dima.
• Visualization: Gabriel Bădescu, Mihail Susinski, Cristian Vasile, Petre Săvescu, Emilia Constantinescu, Gabriel Tănasie, Nicolae Dima.
• Supervision: Gabriel Bădescu, Cristian Vasile, Adrian Savu.
• Project administration: Gabriel Bădescu.
• Writing — original draft preparation: Gabriel Bădescu, Emilia Constantinescu, Gabriel Tănasie, Caius Didulescu.
• Writing — review and editing: Gabriel Bădescu, Caius Didulescu.

Temel yöntemsel sınırlılıklar: Purposive ve exhaustive olmayan corpus; yalnız İngilizce kaynak kullanımı; akademik, policy, conceptual ve practice kaynaklarının heterojen epistemik statüsü; interpretive coding ve confirmation-bias olasılığı; AI ve regulation alanındaki hızlı değişim; framework'ün ampirik test edilmemiş olması; doğrudan stakeholder participation bulunmaması; uygulamanın önemli institutional capacity gerektirmesi.

Temel yorum sınırı: Çalışma “bu model uygulanırsa akademik ihlal azalır” sonucunu kanıtlamamaktadır. Çalışma, akademik dürüstlük sorunlarının nasıl sınıflandırılabileceğini, kurumsal sorumluluğun nasıl dağıtılabileceğini, kanıt ve itiraz süreçlerinin nasıl korunabileceğini ve gelecekte hangi ilişkilerin ampirik olarak test edilebileceğini açıklayan normatif ve kavramsal bir yönetişim mimarisi önermektedir.