---
type: "Akademik Makale Analizi"
title: "ChatGPT'nin USMLE Sınavındaki Performansı: Büyük Dil Modelleri Kullanılarak Yapay Zekâ Destekli Tıp Eğitimi Potansiyeli"
description: "Klinik tıp alanında yapay zekâ uygulamalarının yaygınlaşması, serbest metin verilerinin düzensizliği, sistemler arası entegrasyon eksikliği ve etiketlenmiş yapılandırılmış veri yetersizliği nedeniyle uzun süredir sınırlı bir düzeyde kalmıştır. Derin öğrenme algoritmalarının klinik bakımda genelleşti"
resource: "https://makaleanalizi.com/saglik-bilimleri/klinik-ve-halk-sagligi/chatgptnin-usmle-sinavindaki-performansi-buyuk-dil-modelleri-kullanilarak-yapay-zek-destekli-tip-egitimi-potansiyeli"
doi: "10.1371/journal.pdig.0000198"
authors: ["Tiffany H. Kung", "Morgan Cheatham", "Arielle Medenilla", "Czarina Sillos", "Lorie De Leon", "Camille Elepaño", "Maria Madriaga", "Rimel Aggabao", "Giezel Diaz-Candido", "James Maningo", "Victor Tseng"]
citation: "Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., Leon, L. D., Elepaño, C., Madriaga, M., Aggabao, R., Diaz-Candido, G., Maningo, J., Tseng, V. (2023). Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health, 2(2), e0000198-e0000198. https://doi.org/10.1371/journal.pdig.0000198"
publicationType: "quantitative-empirical"
discipline: "Sağlık Bilimleri"
subDiscipline: "Klinik ve Halk Sağlığı"
evidenceCount: 12
tags: ["ChatGPT", "USMLE", "Büyük Dil Modelleri", "Tıp Eğitimi", "Yapay Zekâ", "Klinik Akıl Yürütme"]
timestamp: "2026-08-01T05:00:10.844Z"
---

# ChatGPT'nin USMLE Sınavındaki Performansı: Büyük Dil Modelleri Kullanılarak Yapay Zekâ Destekli Tıp Eğitimi Potansiyeli

Özgün başlık: Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models
DOI: https://doi.org/10.1371/journal.pdig.0000198
Künye (APA 7): Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., Leon, L. D., Elepaño, C., Madriaga, M., Aggabao, R., Diaz-Candido, G., Maningo, J., Tseng, V. (2023). Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health, 2(2), e0000198-e0000198. https://doi.org/10.1371/journal.pdig.0000198

Bilim alanı: [Sağlık Bilimleri](/okf/saglik-bilimleri/index.md) › Klinik ve Halk Sağlığı

# Alan bağlamı

Klinik tıp alanında yapay zekâ uygulamalarının yaygınlaşması, serbest metin verilerinin düzensizliği, sistemler arası entegrasyon eksikliği ve etiketlenmiş yapılandırılmış veri yetersizliği nedeniyle uzun süredir sınırlı bir düzeyde kalmıştır. Derin öğrenme algoritmalarının klinik bakımda genelleştirilebilir sonuçlar üretmekte zorlanması, alana özgü ve yüksek maliyetli eğitim verilerine olan bağımlılıktan kaynaklanmaktadır. Son dönemde gelişen büyük dil modellerinin (LLM), genel alan verileriyle eğitilmesine rağmen karmaşık tıp bilgisini işleme, klinik akıl yürütme ve mantıksal çıkarım yapma yetenekleri tıp eğitimi ve akademik literatürde yoğun bir tartışma konusu haline gelmiştir. Bu çalışma, alan odaklı eğitim almamış genel bir dil modelinin üst düzey klinik akıl yürütme gerektiren tıp lisanslama sınavlarındaki başarısını ölçerek alandaki bu temel soruyu incelemektedir.

# Akademik özet

Klinik tıp alanında yapay zekâ uygulamalarının yaygınlaşması, büyük veri setlerinin eksikliği, sağlık bilişim sistemleri arasındaki entegrasyon yetersizlikleri ve klinik serbest metinlerin düzensiz yapısı nedeniyle uzun süredir sınırlı bir düzeyde kalmıştır. Geleneksel derin öğrenme modelleri belirli alanlara özel eğitim verilerine ihtiyaç duyarken, genel amaçlı büyük dil modellerinin tıp eğitiminde ve klinik karar destek süreçlerinde ne ölçüde yetkinlik gösterebileceği belirsizliğini korumaktadır. Tıp uzmanlığının standartlaştırılmış ve üst düzey bir göstergesi olan Amerika Birleşik Devletleri Tıbbi Lisanslama Sınavı (USMLE), karmaşık klinik vakaları, karma senaryoları ve patofizyolojik mantık yürütmeyi kapsadığından yapay zekâ sistemlerinin klinik akıl yürütme becerilerini ölçmek için ideal bir zemin sunmaktadır.

Bu araştırma, OpenAI tarafından geliştirilen GPT-3.5 mimarisine dayalı ChatGPT dil modelinin, herhangi bir alana özgü ek eğitim veya pekiştirmeli müdahale olmaksızın USMLE sınavlarındaki performansını, mantıksal tutarlılığını ve klinik içgörü üretme kapasitesini değerlendirmeyi amaçlamaktadır. Çalışma kapsamında Haziran 2022 USMLE örnek sınav sorularından görsel ögeler elenerek seçilen 350 soru (Step 1: 119, Step 2CK: 102, Step 3: 122) analiz materyali olarak kullanılmıştır. Sorular modele üç farklı formatta sunulmuştur: açık uçlu istemler, doğrudan çoktan seçmeli format ve her seçeneğin gerekçelendirilmesini zorunlu kılan istemler. Model çıktılarının doğruluğu, açıklamaların mantıksal uyumu (kordans) ve sunduğu klinik içgörü yoğunluğu, birbirinden bağımsız çalışan uzman hekimler tarafından standart değerlendirme kriterleriyle puanlanmıştır.

Araştırmadan elde edilen nicel bulgular, ChatGPT modelinin özel bir tıbbi eğitim almamış olmasına rağmen USMLE'nin tüm aşamalarında yaklaşık %60 olan baraj puanına yakın veya bu barajın üzerinde bir doğruluk sergilediğini göstermektedir. Belirsiz yanıtlar hariç tutulduğunda, açık uçlu istemlerde Step 1, Step 2CK ve Step 3 için doğruluk oranları sırasıyla %75.0, %61.5 ve %68.8 olarak gerçekleşmiştir. Zorunlu gerekçelendirmeli çoktan seçmeli sorulara verilen yanıtlarda ise genel doğruluk oranları %52.4 ile %65.2 arasında değişmektedir. Yapılan nitel ve nicel değerlendirmeler, modelin ürettiği yanıtların ve açıklamaların %94.6 gibi oldukça yüksek bir oranda içsel tutarlılık taşıdığını ve tüm yanıtların %88.9'unda en az bir adet geçerli, özgün ve bariz olmayan klinik içgörü ürettiğini ortaya koymuştur.

Elde edilen sonuçlar, genel amaçlı büyük dil modellerinin tıp eğitiminde interaktif bir öğrenme yardımcısı ve gelecekte klinik karar destek mekanizmalarına entegre edilebilecek potansiyel bir araç olduğunu kanıtlar niteliktedir. Tıbbi literatüre özel olarak eğitilmiş PubMedGPT gibi modellerle karşılaştırıldığında ChatGPT'nin sergilediği yüksek başarı, genel internet metinlerindeki net ve kararlı anlatım yapısının modelin karar verme süreçlerini olumlu etkilediğini düşündürmektedir. Araştırma, yapay zekâ ve tıp eğitimi literatürüne, genel dil modellerinin tıp yetkinlik sınavlarındaki potansiyelini ilk kez baraj seviyesinde göstererek katkı sağlamakta; öğrenci odaklı tıp eğitiminde, Sokratik soru yazımında ve kişiselleştirilmiş öğrenme süreçlerinde büyük dil modellerinin oynayabileceği dönüştürücü rolü vurgulamaktadır.

# Araştırmanın amacı

Bu araştırmanın amacı, OpenAI tarafından geliştirilen ChatGPT büyük dil modelinin, alana özgü herhangi bir ek eğitim veya uzman müdahalesi olmaksızın Amerika Birleşik Devletleri Tıbbi Lisanslama Sınavı (USMLE) soruları üzerindeki doğruluk, içsel tutarlılık (kordans) ve klinik içgörü performansını nicel ve nitel yöntemlerle değerlendirmektir.

# Yöntem ve tasarım

Bu çalışmada, alana özgü ek bir eğitim veya ince ayar yapılmamış ChatGPT modelinin klinik muhakeme ve tıbbi bilgi düzeyini ölçmek amacıyla nicel ve nitel değerlendirmeleri içeren deneysel bir metodoloji izlenmiştir.

# Bulgular ve önermeler

1. ChatGPT alana özgü ek bir eğitim veya yönlendirme almamasına rağmen tüm USMLE sınav seviyelerinde %60 civarındaki baraj puanına yakın veya barajın üzerinde bir doğruluk performansı sergilemiştir.
2. Model yanıtlarında ve ürettiği gerekçeli açıklamalarda %94,6 oranında yüksek bir içsel dilsel tutarlılık (kordans) sağlamış; doğru yanıtlanan sorularda kordans oranı %99,1 seviyesine ulaşmıştır.
3. ChatGPT yanıtlarının %88,9'unda en az bir adet geçerli, özgün ve aşikar olmayan klinik içgörü sunmuş, doğru yanıtlanan sorulardaki içgörü yoğunluğu yanlış yanıtlananlara göre belirgin derecede yüksek bulunmuştur.
4. ChatGPT, yalnızca biyomedikal literatürle eğitilmiş olan PubMedGPT modeline (%50,3 doğruluk) kıyasla genel metin külliyatıyla eğitilmiş olmasına karşın USMLE sorularında daha yüksek bir başarı sergilemiştir.

# Yazarın tartışması

Çalışmada elde edilen bulgular, ChatGPT'nin alana özgü hiçbir ek eğitim almadan USMLE Step 1, Step 2CK ve Step 3 sınavlarında %60 seviyesindeki geçme barajına ulaştığını veya bu seviyeyi geçtiğini göstermektedir. Ayrıca modelin yanıt gerekçelerinde %94,6 oranında yüksek bir tutarlılık sergilediği ve yanıtların %88,9'unda geçerli klinik içgörüler ürettiği tespit edilmiştir.

Yazarlar bu başarıyı, ChatGPT'nin temelinde yatan GPT-3.5 mimarisinin geniş metin külliyatı üzerinden geliştirdiği mantıksal çıkarım ve bağlamsal ilişki kurma yeteneklerine bağlamaktadır. Doğru yanıtlardaki içgörü yoğunluğunun ve kordansın yüksek olması, modelin rastgele tahmin yapmak yerine probabilistik dil modeli içerisinde tutarlı bir klinik mantık dizisi yürüttüğünü açıklamaktadır.

Tartışma bölümünde bu sonuçlar mevcut literatürle ilişkilendirilmiş ve yalnızca biyomedikal yayınlarla eğitilen PubMedGPT (%50,3 doğruluk) ile karşılaştırılmıştır. Genel içerikle eğitilen ChatGPT'nin uzmanlaşmış biyomedikal modelden daha yüksek performans göstermesi, dar alan literatüründeki çelişkili veya çekimser akademik dilin aksine genel ağ metinlerindeki kesin kılavuzların modele avantaj sağladığı şeklinde yorumlanmıştır.

Sonuç olarak yazarlar, yapay zekanın tıp eğitiminde Sokratik bir öğrenme yardımcısı ve kişiselleştirilmiş bir öğretici olarak kullanılabileceğini vurgulamaktadır. Bununla birlikte çalışmanın görsel soru ögelerini içermemesi ve kısıtlı soru sayısı gibi alan sınırları belirtilerek, gelecekte gerçek öğrenme ortamlarında yapay zekâ destekli tıp eğitiminin etkilerini ölçecek kontrollü araştırmalara ihtiyaç duyulduğu ifade edilmektedir.

# Yazarın sonucu

Yazarlar, genel amaçlı bir büyük dil modeli olan ChatGPT'nin uzman düzeyinde tıbbi bilgi gerektiren USMLE sınavlarında baraj seviyesine ulaşmasının yapay zekâ olgunlaşmasında önemli bir milat olduğu sonuçuna varmaktadır. Modelin sunduğu yüksek kordans ve açıklanabilir klinik içgörüler, tıp eğitiminde öğrencileri destekleme ve gelecekte klinik karar destek sistemlerine entegre edilme potansiyeline işaret etmektedir.

# Literatürdeki işlevi

Bu çalışma, genel amaçlı büyük dil modellerinin uzmanlık düzeyinde tıbbi bilgi ve klinik akıl yürütme gerektiren standart sınavlardaki başarısını ölçerek yapay zekânın sağlık eğitimi literatüründeki yerini yeniden tanımlamaktadır. Tıbbi yapay zekâ araştırmalarında uzun süredir hâkim olan alana özgü dar veri setleriyle model eğitme yaklaşımının aksine, genel külliyatla eğitilmiş GPT-3.5 mimarisinin herhangi bir özel eğitim almadan USMLE sınavlarında baraj puanına ulaşabileceğini ampirik olarak kanıtlamaktadır. Çalışma, yapay zekânın yalnızca doğru cevabı seçme yeteneğini değil, ürettiği açıklamaların içsel tutarlılığını ve taşıdığı niteliksel klinik içgörüleri değerlendiren çok boyutlu bir ölçüt çerçevesi sunmaktadır.

Önceki çalışmalarla ilişkisi: Önceki literatürde yer alan PubMedGPT veya BioBERT gibi çalışmalar, yapay zekânın tıp alanındaki başarısını yalnızca biyomedikal yayın ve tıp literatürü verileriyle eğitilen özelleşmiş modellere bağlamaktaydı. Ancak bu makale, yalnızca tıp metinleriyle eğitilen modellerin akademik dildeki çelişkili ve sakınımlı ifadeler nedeniyle ambivalans yaşayabildiğini, buna karşın ChatGPT gibi genel modellerin ağ üzerindeki net rehberler ve hasta bilgilendirme kılavuzları sayesinde daha yüksek başarı gösterdiğini ortaya koyarak önceki literatürden ayrışmaktadır. Ayrıca MedQA-USMLE gibi eski veri setlerindeki sızıntı riskine karşılık 2022 yılı güncel sınav sorularını kullanarak veri geçerliliği hususunda metodolojik bir standart getirmektedir.

Literatür taramasına katkısı: Tıp eğitimi ve yapay zekâ literatürünü inceleyen araştırmacılar için bu eser, büyük dil modellerinin socrates tarzı diyalog tabanlı öğretim süreçlerinde ve vaka bazlı öğrenmede nasıl bir rol üstlenebileceğini metodolojik olarak kategorize etmektedir. Yapay zekâ yanıtlarının değerlendirilmesinde doğruluk (accuracy), kordans (concordance) ve içgörü yoğunluğu (density of insight) boyutlarını bir arada sunarak gelecek literatür taramaları ve deneysel araştırmalar için metodolojik bir temel oluşturmaktadır. Modelin yeteneklerinin yanı sıra temel tıp bilgisi seviyesindeki kırılganlıklarını da göstererek yapay zekâ destekli müfredat tasarımlarına dengeli bir teorik katkı sağlamaktadır.

# Tez ve makale araştırmalarında kullanım

- **Genel külliyatla eğitilen büyük dil modelleri alana özgü ek bir eğitim almadan üst düzey tıbbi lisanslama sınavlarında baraj seviyesinde performans gösterebilmektedir.** — Yapay zekânın tıp eğitimindeki gelişimini inceleyen literatür taraması bölümlerinde genel modellerin klinik yetkinlik potansiyelini vurgulamak için kullanılır.
- **Yapay zekâ modellerinde üretilen mantıksal açıklamaların içsel tutarlılığı (kordans) doğru yanıt oranlarıyla doğrudan ilişkilidir.** — Yapay zekâ açıklamalarının kalitesini ve açıklanabilirlik kavramını kuramsal çerçevede temellendirmek amacıyla referans verilir.
- **Genel metinlerle eğitilen büyük dil modelleri uzmanlaşmış biyomedikal modellere kıyasla kesin tıp rehberleri sayesinde daha yüksek doğruluk sergileyebilmektedir.** — Veri seti çeşitliliği ve alan içi model eğitimi tartışılırken karşılaştırmalı bir ampirik bulgu olarak sunulur.

# Türetilebilir araştırma soruları

- **USMLE hazırlık sürecinde ChatGPT destekli Sokratik soru-yanıt modülü kullanan tıp öğrencilerinin klinik akıl yürütme puanları geleneksel çalışma yöntemlerini kullanan öğrencilere göre anlamlı bir farklılık göstermekte midir?**
  - Desen: Yarı deneysel ön test-son test kontrol grupsal desen uygulanacaktır. Deney grubu yapay zekâ destekli soru ve gerekçeli açıklama modülünü kullanırken kontrol grubu standart test bankasından yararlanacaktır. Örneklem büyüklüğü güç analizi ile belirlenecek olup veri analizinde ANCOVA testi kullanılacaktır.
  - Gerekçe: Makalenin tartışma bölümünde ChatGPT'nin %88,9 oranında geçerli içgörü sunarak tıp eğitiminde Sokratik öğrenme yardımcısı olarak kullanılabileceği yönündeki teorik çıkarımından türetilmiştir.
- **ChatGPT modelinin USMLE Step 1 temel bilimler sorularında gösterdiği düşük performansın arkasında yatan temel dilsel ve kavramsal hata türleri nelerdir?**
  - Desen: Nitel içerik analizi deseni benimsenecektir. Yanlış yanıtlanan Step 1 soruları ve modelin ürettiği gerekçe metinleri tıbbi uzmanlarca kodlanarak eksik bilgi, mantıksal çelişki ve terim kafa karışıklığı kategorilerine ayrılacaktır. Örneklem boyutu veri doygunluğuna ulaşılıncaya kadar genişletilecektir.
  - Gerekçe: Makalede Step 1 sorularında model doğruluğunun daha düşük çıkması ve insan kullanıcıların temel bilimleri zor algılamasının yapay zekâ performansına yansıması bulgusundan türetilmiştir.
- **Zorunlu gerekçelendirme (MC-J) içeren istem formatı ile serbest istem formatı (OE) karşılaştırıldığında büyük dil modellerinin sunduğu klinik içgörü yoğunluğu nasıl değişmektedir?**
  - Desen: Tekrarlı ölçümlü deneysel desen benimsenecektir. Aynı klinik vaka kümesi üç farklı yönlendirme formatı ile modele sunulacak, elde edilen çıktılar iki bağımsız uzman hekim tarafından ACI ölçeğiyle puanlanacaktır. Puan farkları Friedman ve Wilcoxon işaretli sıra testleriyle analiz edilecektir.
  - Gerekçe: Çalışmada kullanılan OE, MC-NJ ve MC-J kodlama varyasyonlarının model doğruluğu ve içgörü sıklığı üzerindeki farklı etkileri bulgusundan türetilmiştir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Abstract | 1 | — | We evaluated the performance of a large language model called ChatGPT on the United States Medical Licensing Exam (USMLE), which consists of three exams: Step 1, Step 2CK, and Step |
| ev-o-2 | Methods | 3 | — | After filtering, 350 USMLE items (Step 1: 119, Step 2CK: 102, Step 3: 122) were advanced to encoding. |
| ev-s-1 | Abstract | 1 | — | We evaluated the performance of a large language model called ChatGPT on the United States Medical Licensing Exam (USMLE), which consists of three exams: Step 1, Step 2CK, and Step |
| ev-s-5 | Results | 5 | — | Overall, ChatGPT outputted answers and explanations with 94.6% concordance across all questions. |
| ev-s-6 | Results | 7 | — | Overall, ChatGPT produced at least one significant insight in 88.9% of all responses. |
| ev-s-7 | Discussion | 8 | — | Paradoxically, ChatGPT outperformed PubMedGPT [14] (accuracy 50.3%), a counterpart LLM with similar neural structure, but trained exclusively on biomedical domain literature. |
| ev-s-8 | Abstract | 1 | — | Our study suggests that large language models such as ChatGPT may potentially assist human learners in a medical education setting, as a prelude to future integration into clinical |
| ev-l-1 | Abstract | 1 | — | We evaluated the performance of a large language model called ChatGPT on the United States Medical Licensing Exam (USMLE), which consists of three exams: Step 1, Step 2CK, and Step |
| ev-l-2 | Results | 4 | — | Next, exam items were encoded as multiple choice single answer questions with no forced justification (MC-NJ). This input is the verbatim question format presented to test-takers. |
| ev-l-3 | Results | 5 | — | Concordance amongst accurate responses was nearly perfect, and significantly greater than amongst inaccurate responses (99.1% vs. 85.1%, p < 0.001) |
| ev-l-4 | Discussion | 8 | — | Paradoxically, ChatGPT outperformed PubMedGPT [14] (accuracy 50.3%), a counterpart LLM with similar neural structure, but trained exclusively on biomedical domain literature. |
| ev-l-5 | Abstract | 1 | — | Our study suggests that large language models such as ChatGPT may potentially assist human learners in a medical education setting, as a prelude to future integration into clinical |

# İlgili kavramlar

- [Futbölçularda Ön Çapraz Bağ Rekonstrüksiyonu Sonrası Kulüp Tabanlı ve Hastane Rehberliğindeki Rehabilitasyonun Karşılaştırılması: İki Yıllık İleriye Dönük Kohort Çalışması](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/futbolcularda-on-capraz-bag-rekonstruksiyonu-sonrasi-kulup-tabanli-ve-hastane-rehberligindeki-rehabilitasyonun-karsilastirilmasi-iki-yillik-ileriye-donuk-kohort-calismasi.md)
- [Bodur ve Bodur Olmayan Ergenlerin Pubertal, Psikososyal ve Bilişsel Gelişim Yörüngelerinin Anlaşılması: Çok Merkezli Bir Endonezya Kohort Çalışması Protokolü](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/bodur-ve-bodur-olmayan-ergenlerin-pubertal-psikososyal-ve-bilissel-gelisim-yorungelerinin-anlasilmasi-cok-merkezli-bir-endonezya-kohort-calismasi-protokolu.md)
- [Kanser Önleme ve Tedavisinde A, C, D ve E Vitaminlerinin Rolü: Terapötik Potansiyeller ve Etki Mekanizmaları](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/kanser-onleme-ve-tedavisinde-a-c-d-ve-e-vitaminlerinin-rolu-terapotik-potansiyeller-ve-etki-mekanizmalari.md)
- [Vaka Takdimi: Ultra-Ortodoks Yahudi Erkeklerde Agir Fiziksel ve Psikolojik Morbiditeye Yol Acan Anoreksiya Nervoza ve Belirlenmemis Kisitlayici Tip Yeme Bozuklugu](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/vaka-takdimi-ultra-ortodoks-yahudi-erkeklerde-agir-fiziksel-ve-psikolojik-morbiditeye-yol-acan-anoreksiya-nervoza-ve-belirlenmemis-kisitlayici-tip-yeme-bozuklugu.md)
- [Kültürel Olarak Duyarlı Anne Sağlığını Geliştirme Müdahalesinin Tek Kollu Prospektif Karma Yöntem Uygulanabilirlik Çalışması Protokolü](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/kulturel-olarak-duyarli-anne-sagligini-gelistirme-mudahalesinin-tek-kollu-prospektif-karma-yontem-uygulanabilirlik-calismasi-protokolu.md)
- [Müdahale Haritalama Protokolü Kullanılarak DEHB'li Çocukların Ultra-Ortodoks Yahudi Anneleri İçin Psikolojik Sağlığı Geliştirme Müdahalesinin Geliştirilmesi](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/mudahale-haritalama-protokolu-kullanilarak-dehbli-cocuklarin-ultra-ortodoks-yahudi-anneleri-icin-psikolojik-sagligi-gelistirme-mudahalesinin-gelistirilmesi.md)
- [2015 Nepal Depremi Sonrasında Hastane Dayanıklılığı: Hastane Personeliyle Yapılan Yarı Yapılandırılmış Görüşmelerden Elde Edilen Bulgular](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/2015-nepal-depremi-sonrasinda-hastane-dayanikliligi-hastane-personeliyle-yapilan-yari-yapilandirilmis-gorusmelerden-elde-edilen-bulgular.md)
- [Gizli Müfredatın Etkisini Kırma: Mesleki Davranışları Geliştirmek İçin Gerçekçi ve Yenilikçi Bir Perspektif](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/gizli-mufredatin-etkisini-kirma-mesleki-davranislari-gelistirmek-icin-gercekci-ve-yenilikci-bir-perspektif.md)

# Şeffaflık

- Analiz tarihi: 2026-08-01T05:00:10.844Z
- Kanıt sayısı: 12
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/saglik-bilimleri/klinik-ve-halk-sagligi/chatgptnin-usmle-sinavindaki-performansi-buyuk-dil-modelleri-kullanilarak-yapay-zek-destekli-tip-egitimi-potansiyeli