Büyük dil modellerinin (LLM’ler) diş hekimliği eğitimine entegrasyonu hızla artmasına rağmen, alan-spesifik değerlendirmelerdeki gerçek performansları belirsizliğini korumaktadır. Bu çalışma, dört farklı LLM’in (ChatGPT-4.0, Gemini Advanced 1.5 Pro, DeepSeek-V3 ve Perplexity) restoratif diş hekimliği sorularındaki doğruluğunu değerlendirmeyi ve karşılaştırmayı amaçlamaktadır
2012–2021 yılları arasında yapılan Türk Diş Hekimliği Uzmanlık Sınavı’ndan (DUS) toplam 127 çoktan seçmeli soru toplanmış ve 19 içerik alanına göre kategorize edilmiştir. Her soru, standart talimatlarla Türkçe olarak LLM’lere yöneltilmiştir. Yanıtlar kaydedilmiş ve resmi cevap anahtarlarına göre doğruluğu belirlenmiştir. İstatistiksel farklılıklar uygun testler kullanılarak analiz edilmiştir
En yüksek doğruluk oranı ChatGPT-4.0’da (%93,65) gözlenmiştir. Bunu Gemini (%82,54), DeepSeek (%71,43) ve Perplexity (%65,87) takip etmiştir. ChatGPT ile DeepSeek (p = 0,027) ve Perplexity (p = 0,004) arasında anlamlı fark bulunurken, ChatGPT ile Gemini arasında fark istatistiksel olarak anlamlı bulunmamıştır (p = 0,118). Tüm modeller teorik sorularda daha yüksek doğruluk gösterirken, beyazlatma ve kavite preparasyonu gibi klinik odaklı alanlarda daha düşük performans sergilemiştir
ChatGPT-4.0, değerlendirilen dil modelleri arasında en yüksek genel doğruluğu göstermiştir ve teorik diş hekimliği eğitiminde destekleyici bir araç olarak umut vadetmektedir. Bununla birlikte, klinik alanlardaki sınırlı performansı, hekim gözetiminde dikkatli bir şekilde uygulanması gerektiğini ortaya koymaktadır.
