GLM posttest BY treat
WITH pretest ses
/METHOD=SSTYPE(3)
/PRINT=PARAMETER ETASQ OPOWER
/EMMEANS=TABLES(treat) WITH(pretest=MEAN) COMPARE ADJ=BONFERRONI
/CRITERIA=ALPHA(.05)
/DESIGN=pretest ses treat.

Raporlama: ANCOVA’da eğimlerin paralelliğini test edin (pretest*treat etkileşimi). Paralellik bozulursa “Johnson–Neyman” anlatısıyla grafik verin (SPSS PROCESS makrosu veya R ek).

6) ANOVA/GLM Ailesi ve Çoklu Karşılaştırmalar (FDR/BONFERRONI)

ONEWAY posttest BY ses
/STATISTICS DESCRIPTIVES
/POSTHOC = BONFERRONI ALPHA(.05).

FDR notu: SPSS’te klasik post-hoc düzeltmeler var; FDR için p-değerlerini dışa aktarın (OMS) ve bir spreadsheet’te BH prosedürü uygulayın; yöntemi tablo dipnotunda belirtin.

7) Regresyon: Standartlaştırılmış Katsayılar, Varsayımlar ve GA

Çoklu regresyon:

REGRESSION
/DEPENDENT posttest
/METHOD=ENTER pretest ses gender treat
/STATISTICS=COEFF OUTS R ANOVA COLLIN CI(95)
/RESIDUALS HIST(ZRESID) NORMPROB(ZRESID).

• COLLIN: VIF; çoklu bağlantı kontrolü.

• CI(95): Katsayı GA’ları.

• Raporlama: β (standart), GA, VIF; hataların normalliği/çarpıklığı grafikleri.

8) Lojistik Regresyon: OR, Kalibrasyon ve Marjinal Etkiler

LOGISTIC REGRESSION VARIABLES pass
/METHOD=ENTER treat pretest ses gender
/CONTRAST (ses)=Indicator
/PRINT=CI(95) GOODFIT
/SAVE=PRED PRED PROB.

• GOODFIT: Hosmer–Lemeshow.

• Rapor: OR (GA), temel olasılık, AUC (ROC modülü ile).
  AUC:

ROC CURVE pass BY PRED
/PLOT=CURVE
/PRINT=SE COORDINATES.

Marjinal etkiler: SPSS doğrudan AME vermez; PRED üzerinden alt guruplar için ortalama fark hesaplanabilir (OMS + Python ile otomasyon önerilir).

9) Güvenilirlik: Cronbach’s α, McDonald’s ω ve Madde Analizi

α:

RELIABILITY
/VARIABLES=item1 item2 item3 item4 item5
/SCALE(‘Toplam’) ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR.

ω (omega) için SPSS’te yerleşik analiz yok; iki yol:

1. FACTOR ile tek faktör yüklerini alıp formülle hesaplamak,

2. Hayes & Coutts makrosu veya kullanıcı makrosu kullanmak.
   AFA:

FACTOR
/VARIABLES item1 TO item12
/MISSING LISTWISE
/ANALYSIS item1 TO item12
/PRINT INITIAL EXTRACTION ROTATION
/FORMAT SORT BLANK(.30)
/CRITERIA FACTORS(3) ITERATE(25)
/EXTRACTION PAF
/ROTATION OBLIMIN.

DFA SPSS AMOS ile yapılır; çıktı tablolarında CFI/TLI/RMSEA/SRMR raporlanmalı.

10) Kategorik Veri: Çapraz Tablolar, Ki-Kare, CMH ve Etki Büyüklüğü

CROSSTABS
/TABLES=treat BY pass
/FORMAT=AVALUE TABLES
/STATISTIC=CHISQ RISK
/CELLS=COUNT ROW COLUMN.

RISK: RR, OR, RD; GA’lar.
Tabakalı analiz (CMH):

CROSSTABS
/TABLES= treat BY pass BY ses
/STATISTIC=CMH.

CROSSTABS
/TABLES= treat BY pass BY ses
/STATISTIC=CMH.

Raporlama: Homojenlik testi, alt grup forest grafiği (SPSS Chart Builder veya sonradan grafik yazılımı).

11) Nonparametrik Testler: Mann–Whitney, Kruskal–Wallis, Friedman

NPTESTS
/INDEPENDENT TEST (posttest) GROUP (ses) WILCOXON (MANN_WHITNEY) KRUSKAL_WALLIS
/MISSING ANALYSIS.

Etki büyüklüğü (r veya Cliff’s delta) için raporda hesap/ek verin; SPSS bazı sürümlerde r’yi verir.

12) Eksik Veri: Çoklu Atama (Multiple Imputation)

MULTIPLE IMPUTATION pretest posttest ses gender treat pass
/IMPUTATIONS 20
/METHOD=MONOTONE (pretest REGRESSION, posttest REGRESSION)
/MISSVALUES=LISTWISE
/SAVE MODELS=YES IMPUTATIONS=ALL.

Rapor: MI mekanizması, m sayısı, kovaryatlar, havuzlanmış GA’lar.

13) Kümeli Veri: Sağlam Standart Hatalar (Complex Samples)

Okullar, sınıflar gibi kümeler varsa Complex Samples kullanın:

CSPLAN ANALYSIS
/PLAN FILE=’data/design.csaplan’
/PLANVARS ANALYSISWEIGHT=weight
STRATUM=strata
CLUSTER=school.
CSLOGISTIC pass WITH treat pretest ses gender
/MODEL treat pretest ses gender.

Rapor: Tasarım ağırlıkları, PSU, strata; tasarım etkisi (DEFF).

14) Çoklu Karşılaştırmalar, FDR ve Aile-İçi Hata

• Bonferroni/Holm: GLM/EMMEANS içinde.

• FDR (BH): OMS ile p-değerlerini dışa aktarın, Python veya Excel’de BH uygulayın; “Aile = ikincil sonuçlar” dipnotu.

15) OMS (Output Management System) ile Otomatik Tablo Üretimi

Amaç: SPSS çıktısını .sav/.xlsx’e döküp dergi/tez tablosuna dönüştürmek.

OMS
/SELECT TABLES
/IF SUBTYPES=[‘Descriptives’,’Parameter Estimates’]
/DESTINATION FORMAT=XLSX OUTFILE=’outputs/collect_tables.xlsx’
/TAG=’RUN1′.
* Analizler burada…
OMSEND TAG=’RUN1′.

İpucu: Tablo başlığı, kısaltma ve dipnotlarını Quarto/Word şablonunda otomatik birleştirin.

16) Python Essentials ile Etki Büyüklüğü ve GA Otomasyonu

Amaç: Cohen’s d, Hedges g, Cliff’s delta, OR→olasılık farkı çevirisi.

BEGIN PROGRAM Python.
import spss, spssdata, math
# Cohen’s d hesaplayan kısa yardımcı (örnek)
def cohend(m1, s1, n1, m2, s2, n2):
sp = math.sqrt(((n1-1)*s1**2 + (n2-1)*s2**2)/(n1+n2-2))
return (m1-m2)/sp
# … veri çek, tablo yaz …
END PROGRAM.

Raporlama: Kod parçasını ek materyale ekleyin; sürüm ve bağımlılıkları belirtin.

17) Grafikler: Karar Verdiren Şekiller ve Tema Tutarlılığı

• Estimated Marginal Means grafikleri (EMMEANS) → etki + GA şeritleri.

• Forest tarzı alt grup OR’ları → Custom Tables + Chart Builder.

• İpucu: Tüm figürlerde aynı font, renk paleti, GA türü etiketi (“%95 GA”).

18) Kalite Kontrol Listesi: “Gönder Tuşuna Basmadan”

1. Değişken ve değer etiketleri eksiksiz mi?

2. Eksik değer politikası şeffaf mı?

3. Analizler Syntax ile üretildi mi?

4. Tüm sonuçlarda GA var mı?

5. Tablolarda etki büyüklüğü (d/OR/RR/η²) yer alıyor mu?

6. Çoklu test düzeltmesi ve “aile” tanımı yapıldı mı?

7. Kümelenme/örnekleme tasarımı hesaba katıldı mı?

8. OMS ile tablo doğrulandı mı?

9. Ek materyalde kod/sürüm/seed paylaşıldı mı?

19) Örnek Uçtan Uca Senaryo (Eğitim Araştırması)

Soru: Okuma programı (treat) son-test puanını artırıyor mu, geçme olasılığını yükseltiyor mu?
Plan:

• Temizleme + etiketler (Bölüm 2–3).

• Betimsel + GA (Bölüm 4).

• ANCOVA: posttest ~ treat + pretest + ses (Bölüm 5).

• Lojistik: pass ~ treat + pretest + ses + gender (Bölüm 8).

• Alt grup (SES) etkileşimi ve forest grafiği (Bölüm 10 & 17).

• Çoklu karşılaştırma: ikincil sonuçlarda Holm.
  Rapor:

• “Müdahale etkisi β=3.2, %95 GA [1.1, 5.3]; aOR=1.31, %95 GA [1.06, 1.61]; marjinal etki +0.07 puan (GA [0.02, 0.11]).”

• “Düşük SES’te etki daha yüksek; CMH heterojenlik p=.04.”

• Tablolar OMS’den üretilmiş .xlsx; figürler GA şeritli.

20) Psikometri Senaryosu: α, AFA ve Kısa Form

• α= .86; AFA PAF+Oblimin üç faktör; çapraz yük < .30.

• Kısa form için madde–toplam r ve yük > .60 kriterleri; ölçek puanlama yönergesi tabloya.

• Rapor: “Yapı geçerliği desteklenmiş, ω (makro ile) .88.”

21) Sağlık Senaryosu: Noninferiority ve ROC

• Noninferiority eşiği Δ=−3 puan; GA alt sınırı −1.7 > −3 → alt kalmama sağlandı (GLM).

• Lojistik modelden skor → ROC AUC=.81; koordinatlar tablosundan eşik = 0.62 olasılık.

22) Sık Hatalar ve Çözümler

• Yalnız p-değeri raporu → GA ve etki büyüklüğü ekleyin.

• Syntax kaydı yok → Tüm menü adımlarını “Paste” ile Syntax’a çevirin.

• Eksik değerleri görmezden gelmek → MISSING VALUES ve/veya MI.

• Kümelenmeyi yok saymak → Complex Samples veya sağlam SE notu.

• FDR’siz çoklu sonuç → Aile tanımı + FDR/Holm dipnotu.

• Grafikte belirsizlik yok → GA hata çubuğu/şerit şart.

23) Dergi/Tez Uyumlu Tablo Şablonları (SPSS → Word/LaTeX)

• Karar Tablosu: Ortalama±SS | fark | %95 GA | d | p | not.

• Regresyon/Lojistik: β/OR | %95 GA | p | VIF | not.

• Psikometri: α/ω/AVE/CR | faktör yükleri | model uyumu.
  Tüm tablolarda: “Hata ölçütü %95 GA’dır. Holm/FDR uygulanmıştır.”

24) Açık Bilim: Kod, Veri ve Sürüm Raporu

• Ek materyal: syntaxes/ klasörü, makrolar, Python betikleri; anonimleştirilmiş veri.

• Sürüm ve bağımlılık: SPSS sürümü, eklentiler (Python Essentials), AMOS vb.

• Atıf cümlesi: “Tüm tablolar SPSS OMS ile otomatik üretilmiştir; kod ve veriler OSF’de paylaşılmıştır.”

---

Sonuç: SPSS Syntax ile Kanıtı İz Bırakarak Sunmak

Akademik raporlamada hedef, yalnızca “doğru” analizi yapmak değil; nasıl yapıldığını, neden öyle yapıldığını ve aynısını başkasının da üretebileceğini göstermektir. SPSS, menü kolaylığından vazgeçmeden, Syntax ve OMS ile güçlü bir yeniden üretilebilirlik omurgası kurmanıza izin verir.
Bu yazıdaki hat, pratik bir reçete sunar:

1. Veri hijyeni (etiketler, eksik değer politikası) ile başlayın,

2. Betimsel + GA ile sahneyi kurun,

3. GLM/ANCOVA ve lojistikte yalnız p değil etki büyüklüğü ve %95 GAyı merkeze alın,

4. Kategorik analizlerde OR/RR/RD ve CMH ile heterojenliği dürüstçe raporlayın,

5. Güvenirlik ve faktör analizlerinde α’nın ötesine geçip ω/uyum indeksleri verin,

6. Nonparametrik ve eksik veri stratejilerini açıkça belirtin,

7. Kümeli tasarımlarda Complex Samples ile tasarımı modele yansıtın,

8. OMS ve (gerekirse) Python ile tablolamayı otomatikleştirip hata riskini azaltın,

9. Tüm kod–veri–sürüm bilgisini ek materyalde paylaşın.

Böylece raporunuz yalnız anlaşılır değil, denetlenebilir ve yeniden üretilebilir olur. Bu şeffaflık, hakem sürecinde güven, tez savunmasında sağlamlık, okuyucuda ise ikna yaratır. Son söz: SPSS’i “tıklama”dan “kanıtın iz düşümü”ne taşıyın; Syntax satırları, araştırmanızın bilimsel hafızası olsun.

2) Veri hazırlamada ileri işlemler: MATCH FILES, AGGREGATE, LAG

• MATCH FILES: Farklı dosyaları anahtar üzerinden birleştirme.

• AGGREGATE: Birey düzeyinden kurum/sınıf düzeyine özetler (ortalama, medyan, oran).

• LAG/LEAD: Zamanlı verilerde bir önceki değeri almak.

Örnek:

AGGREGATE
/OUTFILE=* MODE=ADDVARIABLES
/BREAK=okul_id
/okul_ort=MEAN(not_final).
COMPUTE onceki_not=LAG(not_final).
EXECUTE.

3) Eksik veri stratejileri: EM, MI ve raporlama dili

• Missing Value Analysis (EM): Tek değişkenli çok değişkenli normal varsayımında beklenen en büyükleme.

• MI (Multiple Imputation): MAR varsayımı altında çoklu atama; sonuçlar POOL ile birleştirilir.

• Rapor: “Eksik veri MI (m=20) ile ele alınmış; havuzlanmış katsayılar raporlanmıştır.”

Örnek:

MULTIPLE IMPUTATION
/IMPUTE VAR=not_final motivasyon SES
/METHOD=FCS /NIMPUTATIONS=20 /SAVE MODELFIT=YES.

4) Bootstrap güven aralıkları ve sağlamlık

• SPSS, pek çok prosedürde Bootstrap kutusuyla BCa GA üretir.

• Özellikle küçük n veya normalite ihlali durumlarında belirsizlik tahmini için kritik.

Menu ipucu: Analyze → Regression → Linear → Bootstrap.

---

5) GLM ve GENLIN: OLS ötesinde link–dağılım seçimi

• GLM (Univariate/Multivariate/Repeated): ANOVA/ANCOVA geniş aile.

• GENLIN: Lojistik (ikili/çoklu/sıralı), Poisson, Negatif Binom, Gamma vb. link–dağılım eşleştirme.

Lojistik örnek (GENLIN):

GENLIN yeniden_yatis (REFERENCE=0)
/MODEL program_c cinsiyet yas komorbidite
DISTRIBUTION=BINOMIAL LINK=LOGIT
/CRITERIA METHOD=FISHER(1) SCALE=1 COVB=ROBUST
/PRINT CPS PARAMETER.

Rapor: “Program etkisi OR=0.71 (95% GA: …), robust kovaryans ile kestirilmiştir.”

---

6) Çoklu düzey/küme yapısı: MIXED ve GENLINMIXED

• MIXED: Sürekli sonuçlarda rastgele kesişim/eğim; sınıf–öğrenci, klinik–hasta gibi kümelemeler.

• GENLINMIXED: İkili/sayım sonuçlarda çok düzeyli GLMM.

Örnek:

MIXED not_final BY okul_id
/FIXED=program motivasyon SES | SSTYPE(3)
/RANDOM=INTERCEPT | SUBJECT(okul_id) COVTYPE(VC)
/METHOD=REML /PRINT=G SOLUTION.

7) Ağırlıklı analizler ve karmaşık örnekleme: CSGLM, CSTABULATE

• Complex Samples modülü ile tabakalı/kümeli örnekleme ve ağırlıklar; hataları tasarıma-duyarlı hesaplar.

• Yanlış: Standart OLS/lojistik ile ağırlık varmış gibi davranmak.

• Doğru: Örnekleme tasarımı dosyasını (CSDESIGN) kurup CSGLM/CSLOGISTIC kullanmak.

---

8) Eşleştirme ve dengeleme (PSM): PSMATCHING eklentisi

• PSMATCHING ile eğilim skoru eşleştirmesi (1:1, caliper), denge metrikleri (SMD).

• Rapor: “Eşleştirme sonrası SMD<0.1; gruplar dengelendi.”

Örnek:

PSMATCHING
/MATCHGROUPS TREATMENT=program(1) CONTROL=program(0)
/ESTIMATOR LOGISTIC = cinsiyet yas SES
/MATCHMETHOD=NN(1) CALIPER=0.2
/SAVENEWVAR=pscore weight.

9) Sayım verileri: Poisson, Negatif Binom ve sıfır-enflasyon

• GENLIN ile Poisson; aşırı saçılım varsa Negatif Binoma geçin.

• ZINB/ZIP SPSS’in çekirdek GUI’sinde sınırlı; workaround: GENLIN ile modele offset ve dağılım ayarı; gerekirse AMOS/ek yazılımlar.

Örnek (Negatif Binom):

GENLIN ziyaret_sayisi
/MODEL program risk INDEX=okul_id
DISTRIBUTION=NEGBIN LINK=LOG
/OFFSET=log_exposure.

10) Tekrarlı ölçümler: GLM Repeated Measures vs MIXED

• GLM Repeated: Eşit aralık, sphericity varsayımı; Greenhouse–Geisser düzeltmesi.

• MIXED: Eşit olmayan aralıklar, eksik gözlemler, esnek kovaryans yapıları (AR(1), UN).

---

11) Robust standart hatalar ve cluster-robust yaklaşım

• GENLIN’de COVB=ROBUST ile sandwich SH.

• MIXED tarafında küme düzeyinde robust seçenekler sınırlı; moment temelli varyans kestirimi için GENLINMIXED tercih edin.

• Rapor: “Küme içi korelasyona karşı robust SH raporlanmıştır.”

---

12) Çok değişkenli keşif: Faktör analizi (FACTOR) ve doğrulama (AMOS)

• FACTOR: EFA (KMO, Bartlett, döndürme—promax).

• AMOS: CFA/SEM; ölçüm modeli + yapısal yol diyagramı, GA’lı katsayılar.

• İpucu: EFA sonucunu Save as Variables ile faktör skorlarına çevirip regresyona beslemek.

---

13) Güvenirlik ve kompozit ölçekler: RELIABILITY, ω için yollar

• SPSS αyı kolay verir; ω için McDonald kestirimi doğrudan yok—AMOS/ek makrolar veya R köprüsü.

• Rapor dilinde α + alternatif ölçüt (ω veya H) birlikte verin.

---

14) Mediasyon (aracılık) ve moderasyon (etkileşim): PROCESS makrosu

• Hayes’in PROCESS makrosu, SPSS’te aracılık–düzenleme–koşullu süreç modellerini hızlı kurar.

• Bootstrap GA’ları ile dolaylı etki raporlanır.

Rapor: “Dolaylı etki (X→M→Y) = 0.18, 95% BCa GA [0.06, 0.34].”

---

15) Çoklu test ve FDR/Holm: SPSS’te pratik yollar

• GUI’de toplu FDR yok; Excel/OMS veya SPSSINC MODIFY TABLES ile p sütunu işlenip Holm/FDR uygulanabilir.

• Rapor: “Aile-yanlış-pozitif oranı FDR ile kontrol edildi.”

---

16) Grafikler: Chart Builder ötesi—GGRAPH, GPL ve “publication-ready”

• GGRAPH/GPL ile katmanlı grafikler (ci bandı, facet).

• Template dosyalarıyla kurum standartı: yazı tipi, renk, çizgi kalınlığı.

• Karar grafikleri: marginal effects (PROCESS veya REGRESSION + Compute) → çiz.

Örnek (GGRAPH iskelet):

GGRAPH
/GRAPHDATASET NAME=”graph” VARIABLES=hat_deger ON graf_x
/GRAPHSPEC SOURCE=INLINE.
BEGIN GPL
SOURCE: s=userSource(id(“graph”))
DATA: y=col(source(s), name(“hat_deger”))
DATA: x=col(source(s), name(“graf_x”))
GUIDE: axis(label(“X”))
GUIDE: axis(label(“Y”))
ELEMENT: line(position(x*y))
END GPL.

17) OMS ile tam otomatik rapor hattı (SPSS → Excel/Word → Şablon)

• Tüm analiz tablolarını etiketli OMS ile dışa aktarın, Word/Excel’de hazır şablonla bağlayın.

• Yarar: Revizyonda tek tuşla güncelleme, insan hatasını azaltır.

---

18) Makro ve döngüler: 20 ölçeğe aynı analizi kopyalamayın

• DEFINE … !ENDDEFINE ile makro; !DO !ENDDO ile dizi üzerinde dolaşın.

• Örn. 15 alt ölçeğe aynı RELIABILITY + FACTOR analizi.

Örnek:

DEFINE !relfac (!POSITIONAL !ENCLOSE(‘(‘,’)’) )
RELIABILITY /VARIABLES=!1 /SCALE(‘toplam’) ALL /MODEL=ALPHA.
FACTOR /VARIABLES=!1 /CRITERIA=FACTORS(1) /EXTRACTION=PAF /ROTATION=NONE.
!ENDDEFINE.

!DO !v !IN (olcek1 to olcek15).
!relfac (!v).
!DOEND.

19) Karma yöntem köprüleri: Nitel kodları nicelleştirip SPSS’e taşımak

• NVivo/Atlas.ti’den case × code yoğunluğu tablolarını CSV olarak çıkarın; SPSS’te regex ile tema endeksleri oluşturun.

• Nicel modelde aracı veya moderatör olarak kullanın.

---

20) Örnek Olay A (Eğitim): Program etkisi, çok düzeyli lojistik

Bağlam: Öğrenci (seviye-1) okul (seviye-2). Y=geçiş (0/1).
Model: GENLINMIXED, logit link, rastgele kesişim (okul).
Sonuç: Program OR=1.35 (95% GA: 1.10–1.65), ICC≈.12.
Duyarlılık: Ağırlıklı (Complex Samples) ve robust SH ile yön değişmedi.

---

21) Örnek Olay B (Sağlık): Ziyaret sayısı—Negatif Binom + offset

Bağlam: Farklı takip süreleri (exposure).
Model: GENLIN, NegBin, link=log, offset=log(süre).
Sonuç: Müdahale β=-0.24 (p=.008); olay oranı oranı (IRR)=0.79.

---

22) Örnek Olay C (Psikoloji): Ölçek kısaltma (EFA → CFA → ω)

Adım: EFA ile madde ayıklama → AMOS’ta CFA (CFI=.96, RMSEA=.045) → ω=.88.
Değişmezlik: Cinsiyet ve yaş gruplarında metrik+skaler sağlandı.

---

23) İleri raporlama: APA/JARS, CONSORT/STROBE, PRISMA uyumu

• SPSS çıktısını etki büyüklüğü ve GA ile birlikte raporlayın.

• CONSORT/STROBE şemaları ek; ön kayıt ve protokol linkleri.

---

24) Sık hatalar ve çözüm kalıpları

1. GUI’ye bağımlılık → Syntax + OMS’a geçin.

2. Ağırlıkları yanlış kullanmak → Complex Samples.

3. OLS ile sayım/ikili sonuç modellemek → GENLIN/GLMM’e geçin.

4. Eksik veriyi silmek → MI ile karşılaştırmalı rapor.

5. Çoklu test düzeltmesiz sonuç yağmuru → Holm/FDR uygulayın.

6. “α yeter” → ω/H ve CFA/AVE/HTMT ile destekleyin.

Sonuç

SPSS, “kolay başlangıç” ününü ileri işlevlerle birleştirdiğinizde, tezden çok-merkezli projelere uzanan kurumsal ölçekli bir analiz platformuna dönüşür. Syntax–OMS–Makro üçlüsü, analizinizi tekrarlanabilir ve otomatik kılar; GENLIN/GLMM ailesi, gerçek dünyanın ikili, sayım, çarpık sonuçlarını doğru link–dağılım eşleştirmesiyle modeller; Complex Samples tasarım-uyumlu standart hatalar üretir; EFA/CFA/SEM ile ölçüm modelleri güvence altına alınır; Bootstrap/robust yaklaşımı belirsizliği dürüstleştirir.

Son kertede, gelişmiş SPSS kullanımı, “hangi menü?” sorusundan çok “hangi varsayım ve hangi model?” sorusunu merkezine alır. Bu sorunun cevabı daima alan bilgisi + istatistiksel muhakeme + otomasyon üçgeninde yatar. Böyle bir pratikle ürettiğiniz çıktı, yalnız bugünkü makalenin değil, yarının çoğaltılabilir biliminin de tuğlası olur.