--- title: "Self-Refine Prompting (TR)" source: "https://systems-analysis.info/int/Self-Refine_Prompting_(TR)" wiki: "systems-analysis.info/int" article: "Self-Refine_Prompting_(TR)" language: "tr" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Turkish" revision_id: 6626 wiki_created_at: 2026-09-07T00:07:56Z wiki_modified_at: 2026-09-07T00:07:56Z downloaded_at: 2026-09-07T23:14:54Z --- # Self-Refine Prompting (TR) **Self-Refine** (**öz-iyileştirme** veya **öz-düzeltme**) — büyük dil modellerinin (LLM) kendi geri bildirimlerine dayanarak ürettikleri yanıtı yinelemeli olarak geliştirmelerine olanak tanıyan bir prompt mühendisliği yaklaşımıdır[\[1\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-madaan2023-1). Bu fikir, 2023 yılında Aman Madaan liderliğindeki bir araştırmacı grubu tarafından önerilmiş olup dil modellerinin de insanlar gibi ilk denemede her zaman en iyi sonucu üretmediği gözlemine dayanmaktadır. Bu yöntemde aynı LLM sırasıyla üç rol üstlenir: 1. **Üretici (Generator)**: İstek için ilk taslak yanıtı oluşturur. 2. **Eleştirmen (Feedback)**: Kendi yanıtını değerlendirir ve yapıcı geri bildirim sağlar. 3. **Düzenleyici (Refiner)**: Bu geri bildirimi kullanarak yanıtın geliştirilmiş bir sürümünü oluşturur. "Üretim → geri bildirim → iyileştirme" döngüsü, istenen kaliteye ulaşılana veya durdurma koşulu sağlanana kadar birkaç kez tekrarlanabilir. Önemli olan, Self-Refine'ın ek model eğitimi, fine-tuning veya harici veri gerektirmemesidir — tüm süreç yalnızca çıkarım (*inference*) aşamasında prompt'lar aracılığıyla yönetilir[\[1\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-madaan2023-1). ## Uygulama Mekanizması Self-Refine yöntemi, modelin davranışını yönlendiren özel olarak tasarlanmış bir dizi prompt aracılığıyla uygulanır. 1. **İlk Üretim**. Model, kaynak prompt'u alır ve taslak bir yanıt oluşturur. 2. **Geri Bildirim Oluşturma**. Modele kendi önceki yanıtını analiz etme ve eksikliklerini belirleme talimatı verilir. Örneğin, yanıtın yeterince ayrıntılı olmadığını veya mantık hatası içerdiğini belirtebilir. Sonuç olarak somut eleştiriler ve öneriler içeren metinsel bir geri bildirim üretilir. 3. **Yinelemeli İyileştirme**. Model, yeni prompt olarak kaynak isteği, ilk yanıtını ve üretilen geri bildirimi alır. Bunlara dayanarak yanıtın geliştirilmiş bir sürümünü oluşturur. Bu iki adımlı "eleştiri → düzenleme" döngüsü birkaç kez çalıştırılabilir. Her yeni yinelemenin bağlamına önceki yanıt sürümleri ve yorumlar dahil edilerek modelin aynı hataları tekrarlaması önlenmeye çalışılır[\[2\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-selfrefine_info-2). Modelin davranışını yönetmek için sıklıkla *few-shot prompting* teknikleri kullanılır; bu teknikte prompt'a istenen geri bildirim biçimi ve düzeltmelere ilişkin örnekler eklenir. ## Etkinlik ve Uygulama Alanları Self-Refine yöntemi, birden fazla iyileştirme gerektiren çeşitli görevlerde etkinliğini kanıtlamıştır: - Diyalog yanıtı üretimi. - Yaratıcı hikaye devamı. - Adım adım akıl yürütmeyle matematik problemleri çözme. - Program kodu optimizasyonu. Orijinal araştırmada, Self-Refine ile elde edilen yanıtlar, tek adımlı üretimle karşılaştırıldığında insan ve otomatik metrik değerlendirmelerine göre ortalama **~%20** daha tercih edilir bulunmuştur[\[1\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-madaan2023-1). İyileşme, GPT-4 gibi en gelişmiş modellerde bile gözlemlenmiş; bu durum, güçlü LLM'lerin bile kendi hatalarını düzeltmek için çoğu zaman yalnızca bir ek düşünme adımına ihtiyaç duyduğuna işaret etmektedir. **RCI** (Recursive Criticism and Improvement) gibi benzer yaklaşımlar da bilgisayar yönetimi ve mantık problemleri çözme gibi etkileşimli görevlerde yüksek etkinlik göstermiştir. RCI'nin Chain-of-Thought tekniğiyle birleştirilmesi sinerjik bir etki yaratmış; yerleşik öz-denetim adımı sayesinde modelin karmaşık sorunları çözme yeteneği belirgin biçimde artmıştır[\[3\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-kim2023_rci-3). ## Sınırlamalar ve Güncel Araştırmalar Umut verici başarılara karşın araştırmalar, öz-yinelemeli iyileştirmenin çeşitli sınırlamaları olduğunu ortaya koymaktadır. - **Öz-önyargı (self-bias)**: Modeller kendi yanıtlarını tarafsız biçimde değerlendirmekte güçlük çeker. LLM'ler kendi ürettikleri metne olumlu bakar ve onu yeterince eleştirel değerlendirmez; bu durum birkaç yinelemeden sonra kalite durgunluğuna hatta bozulmasına yol açabilir[\[4\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-huang2023-4). - **Aşırı özgüven**: Öz-düzeltme yinelemelerinin sayısı arttıkça modelin, yanıtlar daha doğru olmasa bile bunlara duyduğu güvenin giderek yükseldiği gözlemlenmiştir. Bu durum, modelin güveni ile gerçek doğruluğu arasındaki uyumsuzluğu ölçen *Expected Calibration Error (ECE)* göstergesinin artmasına yol açar[\[5\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-zhu2025_calibration-5). - **Hesaplama maliyeti**: Yöntem, tek bir nihai yanıt için LLM'ye birden fazla kez başvurulmasını gerektirdiğinden tek geçişli üretime kıyasla gecikmeyi ve maliyeti önemli ölçüde artırır. Güncel araştırmalar bu sorunları çözmeye yönelik iki ana yönde ilerlemektedir: Her yineleme adımında güven kalibrasyon mekanizmalarının eklenmesi ve daha nesnel öz-değerlendirme için harici bilgi kaynaklarından ya da araçlardan (ör. kod çalıştırma, veri arama) yararlanılması[\[6\]](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_note-beyond_accuracy_study-6). ## Diğer Tekniklerle Karşılaştırma - **Chain-of-Thought (CoT)**: CoT, bir yanıta ulaşmak için doğrusal bir akıl yürütme zinciri oluşturmaya odaklanır. Self-Refine ise (CoT içerebilecek) önceden üretilmiş bir yanıtın yinelemeli olarak iyileştirilmesine odaklanır. - **Tree of Thoughts (ToT)**: ToT, ağaç yapısında birden fazla paralel akıl yürütme yolunu keşfederken Self-Refine tek bir yolu yinelemeli olarak iyileştirir. ToT bir çözüm uzayı keşif tekniği, Self-Refine ise belirli bir çözümün optimizasyon tekniğidir. ## Dış bağlantılar - Self-Refine projesinin resmi sitesi - "Self-Refine: Iterative Refinement with Self-Feedback" adlı orijinal bilimsel makale ## Kaynakça - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Kim, G. et al. (2023). *Language Models Can Solve Computer Tasks*. arXiv:2303.17491. - Gou, Z. et al. (2023). *CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing*. arXiv:2305.11738. - Huang, J. et al. (2023). *Large Language Models Cannot Self-Correct Reasoning Yet*. arXiv:2310.01798. - Pan, L. et al. (2023). *Automatically Correcting Large Language Models: Surveying the Landscape of Diverse Self-Correction Strategies*. arXiv:2308.03188. - Jiang, C. et al. (2024). *Importance Weighting Can Help Large Language Models Self-Improve*. arXiv:2408.09849. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Zhu, D. et al. (2025). *Beyond Accuracy: The Role of Calibration in Self-Improving Large Language Models*. arXiv:2504.02902. - Hao, Q. et al. (2025). *RL of Thoughts: Navigating LLM Reasoning with Inference-time Reinforcement Learning*. arXiv:2505.14140. - Cui, Y. et al. (2023). *Check Your Facts and Try Again: Improving Large Language Models by Reducing Hallucination*. arXiv:2302.12813. - Wei, Z. et al. (2024). *ReSearch: Iterative Self-Reflection for Better LLM Calibration*. arXiv:2405.13022. ## Notlar 1. ↑ [1.0](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-madaan2023_1-0) [1.1](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-madaan2023_1-1) [1.2](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-madaan2023_1-2) Madaan, Aman; et al. «Self-Refine: Iterative Refinement with Self-Feedback». *arXiv*. [1] 2. [↑](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-selfrefine_info_2-0) «Self-Refine: Iterative Refinement with Self-Feedback». *Официальный сайт проекта*. [2] 3. [↑](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-kim2023_rci_3-0) Kim, Geunwoo; et al. «Language Models can Solve Computer Tasks». *arXiv*. [3] 4. [↑](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-huang2023_4-0) Huang, Jie; et al. «Large Language Models Cannot Self-Correct Reasoning Yet». *arXiv*. [4] 5. [↑](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-zhu2025_calibration_5-0) Zhu, D., et al. (2025). «Beyond Accuracy: The Role of Calibration in Self-Improving Large Language Models». *arXiv*. [5] 6. [↑](https://systems-analysis.info/int/Self-Refine_Prompting_(TR)#cite_ref-beyond_accuracy_study_6-0) «Beyond Accuracy: The Role of Calibration in Self-Improving Large Language Models». *arXiv*. [6]