AI Summary & Key Takeaways
AI InsightFindings revealed that in November 2024, general-purpose Large Language Models exhibited high hallucination rates, with ChatGPT and Claude providing zero authentic references for certain prompts.
📌 3 Key Takeaways
Abstract
This study aims to evaluate the longitudinal development of general-purpose and specialized artificial intelligence tools in terms of reliability in academic writing and citation accuracy. Eight platforms (ChatGPT, Gemini, QuillBot, Claude, Microsoft Copilot, Elicit, Consensus, and SciSpace) were analyzed using five standardized medical prompts in November 2024 and January 2026. The generated introductions were assessed for reference authenticity using PubMed, Google Scholar, and Web of Science, and for plagiarism using iThenticate. Findings revealed that in November 2024, general-purpose Large Language Models exhibited high hallucination rates, with ChatGPT and Claude providing zero authentic references for certain prompts. Conversely, specialized academic tools like Elicit and SciSpace maintained near-perfect accuracy from the outset. By January 2026, a dramatic improvement was observed, with general-purpose tools like ChatGPT achieving 100% reference accuracy across all categories. Although plagiarism rates were typically below 15%, Gemini recorded a peak of 45% in 2024 before stabilizing. Specialized tools demonstrated superior capacity to manage larger citation volumes, such as SciSpace, which provided 31 verified references in a single output in 2026. While both general and specialized tools have matured significantly, researchers should still exercise caution and use verification protocols. The results indicate that artificial intelligence tools have rapidly transitioned from being prone to academic hallucinations to becoming highly reliable instruments for scholarly literature synthesis.
Özet
Bu çalışma, genel amaçlı ve uzmanlaşmış yapay zeka araçlarının akademik yazım ve atıf doğruluğu konusundaki güvenilirliğinin zamana bağlı gelişimini değerlendirmeyi amaçlamaktadır. Kasım 2024 ve Ocak 2026 tarihlerinde sekiz farklı platform (ChatGPT, Gemini, QuillBot, Claude, Microsoft Copilot, Elicit, Consensus ve SciSpace), tıp odaklı beş standart istem kullanılarak analiz edilmiştir. Üretilen giriş bölümleri, PubMed, Google Scholar ve Web of Science üzerinden referans doğruluğu ve iThenticate aracılığıyla intihal oranları açısından incelenmiştir. Bulgular, Kasım 2024'te ChatGPT ve Claude gibi genel amaçlı modellerin bazı istemlerde sıfır doğru referans vererek yüksek halüsinasyon oranları sergilediğini, Elicit ve SciSpace gibi akademik odaklı araçların ise başlangıçtan itibaren tam doğruluk sağladığını göstermiştir. Ocak 2026 itibarıyla, ChatGPT'nin tüm istemlerde tam doğruluğa ulaşmasıyla genel amaçlı araçlarda büyük bir iyileşme gözlemlenmiştir. İntihal oranları genellikle %15'in altında kalsa da, Gemini 2024 yılında bir istemde %45 ile en yüksek seviyeye ulaşmıştır. SciSpace gibi akademik araçlar, 2026'da tek bir metinde 31 doğrulanmış referans sunarak yüksek hacimli atıf yönetiminde üstünlük göstermiştir. Hem genel hem de uzmanlaşmış yapay zeka araçları önemli ölçüde olgunlaşmış olsa da, araştırmacıların doğrulama protokollerini kullanmaya devam etmeleri önerilmektedir. Sonuç olarak, yapay zeka araçları akademik halüsinasyonlara eğilimli bir yapıdan, bilimsel literatür sentezi için oldukça güvenilir enstrümanlara hızla dönüşmüştür.