Vibe Coding Krizi: CS Mezunları Neden Artık AI Olmadan Kod Yazamıyor

Mart 2026'da hızla 8.000 upvote'u aşan bir Reddit başlığında, bir Seri-B girişimindeki kıdemli bir mühendis, yeni reddettiği bir eve teslim mülakatın ekran görüntülerini paylaştı. Saygın bir bilgisayar bilimleri programından 3.9 GNO ile yeni mezun olan aday, mutlu yolda (happy path) kusursuz çalışan ancak her sınır durumda (edge case) verileri sessizce bozan bir kod teslim etmişti. Bir sonraki görüşmede mantığı açıklaması istendiğinde, aday kendi fonksiyonlarından birinin neden özyineleme (recursion) kullandığını açıklayamadı. Başlığı yıkan satır adayın dürüst cevabıydı: “Claude'a neye ihtiyacımız olduğunu söyledim ve bunu yazdı. Genellikle kodu sadece çalışmadığında okuyorum.”

İşte bu, vibe coding (hava kodlaması) krizidir ve 2026 yılına gelindiğinde bu kriz yazılımcı Twitter'ından İK süreçlerine, işe alım değerlendirmelerine ve mezunlarının başına ne geldiğini anlamaya çalışan bilgisayar bilimleri bölüm başkanlarının ofislerine kadar taşınmıştır. Terim, Şubat 2025'te Andrej Karpathy tarafından yeni ve olumlu bir çalışma modunu tanımlamak için ortaya atılmıştı: Niyetinizi tanımlayın, modelin ürettiğini kabul edin, dağıtın. Bir yıl içinde aynı ifade, akıcı prompt yazabilen ancak kodlarının gerçekte ne yaptığı hakkında muhakeme yapamayan bir programcı nesli için alanın kısaltması haline geldi.

Programlama eğitimcileri için bu, işin geleceği hakkında teorik bir sorun değildir. Şu anda mezun ettiğiniz öğrencilerle ilgili sıcak bir pedagojik acil durumdur. Bu makale, yapay zeka kaynaklı beceri gerilemesi (atrophy) hakkında araştırmaların ve saha raporlarının gerçekte ne gösterdiğine, CS1'den son sınıf bitirme projesine kadar olan sürecin neden benzersiz şekilde savunmasız olduğuna ve küçük ama büyüyen bir eğitimci grubunun müfredatları öğrencilerin sadece prompt yazabilen değil, kod yazabilen şekilde mezun olmalarını sağlamak için nasıl yeniden yapılandırdığına bakmaktadır.

Vibe Coding Gerçekte Ne Anlama Geliyor (Ve Karpathy Neden Eğlenceli Olması Gerektiğini Söyledi)

Karpathy'nin orijinal çerçevesi spesifikti. Vibe coding, kişisel projeler için programlamanın artık yaratıcı bir oyun gibi hissedilebileceğini kabul etmek anlamına geliyordu: Modele ne istediğinizi söylüyorsunuz, o kod üretiyor, kod yerine promptu ayarlıyorsunuz ve çalışan bir şey dağıtıyorsunuz. Kendi yan projeleri için artık kodu satır satır okumadığını açıkça belirtmişti. Çerçeve keyif, üretkenlik ve düşük riskli tek kullanımlık kodlar için dikkatli manuel incelemenin aşırı olduğu yönündeki meşru gözlem hakkındaydı.

Terim daha sonra daha geniş alana yayıldı ve burada iki çok farklı bağlama yerleşti:

• Kıdemli mühendislerin bunu bilinçli olarak kullanması: Yapay zeka tarafından oluşturulan kodu bir taslak olarak ele almak, commit etmeden önce okumak ve yeniden yapılandırmak, şablon kodları atlamak için yapay zekayı kullanmak ancak çıktıyı değerlendirmek için onlarca yıllık kalıp tanıma becerisini uygulamak. Karpathy'nin tanımladığı şey buydu ve işe yarıyor.
• Genç mühendislerin ve öğrencilerin bunu varsayılan mod olarak benimsemesi: Yapay zeka tarafından üretilen kodu bitmiş bir ürün olarak ele almak, okumadan kabul etmek, yalnızca testler başarısız olduğunda hata ayıklamak, yapay zeka kendi çıktısını düzeltemediğinde kıdemli bir yazılımcıya veya eğitmene başvurmak. Karpathy'nin tanımlamadığı şey buydu ve işe yaramıyor.

Pedagojik sorun ikinci gruptur ve 2026'da bilgisayar bilimleri programlarına giren öğrencilerin çoğunluğunu oluştururlar. Karpathy'nin kendisi de 2025'in sonlarında çerçevesini geri çekmiş, vibe coding'in kişisel projelerdeki uzmanlar için mantıklı olduğunu, diğer herkes için ise yıpratıcı olduğunu belirtmiştir.

Gerçek Sayılarla Beceri Gerilemesi (Atrophy) Kalıbı

Kanıtlar artık önemli boyuttadır ve tek bir yönü işaret etmektedir. CodeRabbit tarafından Aralık 2025'te yayınlanan ve yüzlerce açık kaynaklı depo genelindeki pull request'leri inceleyen bir analiz, üretken yapay zeka tarafından ortaklaşa yazılan kodların, insan tarafından yazılan kodlara göre yaklaşık 1,7 kat daha fazla “büyük” sorun içerdiğini bulmuştur. Mantık hataları (yanlış bağımlılıklar, kusurlu kontrol akışı) ve güvenlik açıkları önemli ölçüde artmış, güvenlik kusurları insan yapımı kodlara kıyasla 2,74 kat oranında ortaya çıkmıştır.

2025'in sonlarında yayınlanan bir TechSpot raporu, çalışan yazılımcılara zorunlu vibe coding iş akışlarının bilişsel etkileri hakkında anket uyguladı. Bildirilen ortak kalıp: Hata ayıklama süresinin artması, kodu zihinsel olarak simüle etme yeteneğinin azalması ve üretim kalitesinde kodun nasıl görünmesi gerektiğine dair sezginin zayıflaması. Bir yazılımcı, altı aylık vibe odaklı çalışmanın ardından deneyimini tamamen problem çözmeye yönelik “kas hafızasını kaybetmek” olarak tanımladı.

En net örnek, 2026'nın başlarında 30 günlük bir deney yürüten bir yazılımcıdan geldi: Bir ay boyunca yapay zeka yardımı yok, ardından fark üzerine düşünme. Dev.to yazısı, I Coded Without AI for 30 Days: The Results Were Embarrassing (30 Gün Yapay Zeka Olmadan Kod Yazdım: Sonuçlar Utanç Vericiydi), yılın en çok paylaşılan yazılımcı makalelerinden biri oldu. Temel bulgu: Sekiz yıllık deneyime sahip çalışan bir kıdemli mühendis, bellekten basit bir ikili ağaç geçişini (binary tree traversal) artık yazamıyordu. Beceri dış kaynaklara devredilmiş ve ardından sessizce yıpranmıştı.

Çalışan kıdemli bir mühendisin hata ayıklama kası aylarca süren yapay zeka bağımlılığı içinde geriliyorsa, bu kasa en başta hiç sahip olmamış — programlama konusundaki tüm deneyimi, problem ifadesini gördükten sonraki on saniye içinde çalışan bir çözüm üreten bir LLM aracılığıyla gerçekleşmiş — bir CS1 öğrencisinin gidişatını hayal edin.

Programlama Eğitimi Neden Benzersiz Şekilde Savunmasızdır?

Diğer alanlar eğitimde yapay zeka ile kusurlu bir şekilde başa çıkıyor, ancak çoğunun hala bozulmamış değerlendirme çerçeveleri var. Edebiyat bölümündeki bir öğrenciden seminerde bir pasajı tartışması istenebilir. Kimya bölümündeki bir öğrenciden bir laboratuvar prosedürünü uygulaması istenebilir. Matematik bölümündeki bir öğrenciden tahtada bir ispat türetmesi istenebilir. Programlama eğitiminde ise bu bozulmamış değerlendirme modlarının hiçbiri yoktur. Neredeyse her programlama ödevi eve teslimdir, kodun testleri geçip geçmediğine göre değerlendirilir — ve 2026'daki bir yapay zeka bu testleri zahmetsizce geçer.

Bu, programlamaya özgü üç hassasiyet yaratır:

• Ödev-test döngüsü tamamen otonom hale getirilebilir. Codex, Claude Code ve Cursor ödevi okur, kodu yazar, test paketini çalıştırır, hatalar üzerinde yineler ve çalışan bir çözüm sunar. Bir öğrencinin yapması gereken tüm döngü — gereksinimleri anlama, çözüm tasarlama, uygulama, hata ayıklama — yapay zeka tarafından öğrencinin spesifikasyonu okumasından daha hızlı gerçekleştirilebilir.
• Canlı değerlendirme lojistik olarak pahalıdır. 200 öğrencili bir CS1 sınıfı, her ödev döngüsünde asistanların 20 saatini yakmadan her ödev için gerçekçi bir şekilde beş dakikalık bir sözlü savunma gerçekleştiremez. Büyük bilgisayar bilimleri derslerinin ekonomik modeli, asenkron eve teslim notlandırmayı varsayar.
• Kural ihlali öğrenci için görünmezdir. Bir kompozisyonu kopyalayan öğrenci kopya çektiğini bilir. Bir yapay zekaya bir ödevi çözmesi için prompt veren öğrenci bunu kopya çekmek olarak algılamayabilir — sosyal kural politikadan daha hızlı değişmiştir ve eylem bir şeyi aramaktan farksız hissettirir. Son sınıfa gelip kendi başlarına düşünmeleri gerektiğinde, dört yılı ilgili hiçbir beceri geliştirmeden geçirmiş olurlar.

Sonuç, artık beceriyle korelasyonu olmayan diplomalara sahip öğrenciler üreten bir mezuniyet hattıdır. 2026'daki işe alım yöneticileri, tam da diploma sisteminin temel yetenekten kopması nedeniyle, özgeçmişi ve GNO'yu giderek daha fazla pas geçerek canlı teknik değerlendirmeyi tercih etmektedir.

Bilgisayar Bilimleri Ofis Saatlerinde “Hiçbir Şey Öğrenmemek” Nasıl Görünür?

Programlama öğretiyorsanız, adını henüz koymamış olsanız bile muhtemelen bu kalıbı görmüşsünüzdür. 2025 sonu ve 2026 başında CS1, veri yapıları ve son sınıf bitirme projesi derslerindeki eğitmenlerden en yaygın tanı sinyallerini derledik.

• Öğrenci kendi hatasını bulamıyor. Gönderim mükemmel çalıştı. Yeni birim testi başarısız oldu. Öğrenci dosyayı açar, koda sanki ilk kez görüyormuş gibi bakar, bir hipotez kurmadan yukarı aşağı kaydırır, sonunda “Claude'a neyin yanlış olduğunu soracağım” der. Başarısız bir teste verilen ilk tepki, bir hipotez oluşturmak yerine yapay zekaya başvurmaktır.
• Öğrenci “neden” sorusuna cevap veremiyor. “Burada neden dizi yerine karma harita kullandınız” diye sorulduğunda cevap “yapay zekanın önerdiği şey buydu” olur. Seçim yapılmıştı; arkasındaki gerekçe asla içselleştirilmedi. Kodun altında bilişsel bir model yoktur.
• Öğrenci küçük bir varyasyon yapamıyor. “Bunu negatif sayıları da işleyecek şekilde değiştirin” otuz saniyelik bir düzenleme olmalıdır. Yapay zeka bağımlısı öğrenci için bu, beş dakikalık bir prompt seansına dönüşür çünkü kısıtlamayı mevcut kodun neresine ekleyeceğini düşünmek yerine modele geri beslemesi gerekir.
• Öğrenci araçlarda akıcı, problemlerde cahildir. Vercel'i yapılandırabilir, bir React bileşeni oluşturabilir, bir Postgres veritabanı kurabilir, Docker ile dağıtabilirler. Modern araç zincirinin tamamını kullanabilirler. Onlardan hızlı sıralamayı (quicksort) uygulamalarını isteyin. Sessizlik.
• Bitirme projesinin gerçeği ortaya çıkarması. Biriken becerinin karşılığını vermesi gereken an olan son sınıf bitirme projesi, biriken beceri yokluğunun ortaya çıktığı bir an haline gelmektedir. CS1'den üçüncü sınıfa kadar vibe coding ile ilerleyen ekipler, bir sistem tasarlamaktan, bir özelliği parçalara ayırmaktan aciz, yapay zekanın en kötü olduğu programlama kısımlarını yönetemez halde bitirme projesine gelirler.

Pedagojik Çözüm: Yapay Zeka Akıcılığını Gerçek Bir Beceri Olarak Ele Alın (Ve Hak Edilmesini Sağlayın)

Bu geçişi iyi yöneten eğitimciler, en katı yapay zeka karşıtı politikalara sahip olanlar değildir. Dersleri net bir ayrım etrafında yeniden inşa edenlerdir: Yapay zeka, öğrencilerin iyi kullanmayı öğrenmesi gereken bir araçtır VE öğrenciler yapay zekanın uyguladığı bilişsel becerileri bağımsız olarak göstermelidir. İki gereksinim çelişki içinde değildir — birbirini tamamlar ve bunu doğru uygulayan dersler, hem vibe kodlayıcılardan hem de yapay zekanın yasaklandığı gruplardan daha iyi performans gösteren mezunlar üretir.

2026 programlama derslerinde işe yaradığını gördüğümüz spesifik tasarım kalıpları:

• 1. İki yollu ödev. Her ödevin bir “solo” kısmı (yapay zeka yasak, genellikle küçük bir sınıf içi bileşen) ve bir “araçlar” kısmı (yapay zekaya izin verilir ancak belgelenmelidir) vardır. Solo kısım öğrencinin gerçekte ne yapabildiğini yakalar. Araçlar kısmı ise onlara daha fazlasını yapmayı öğretir.
• 2. Notlandırılan bir yetkinlik olarak yapay zeka akıcılığı. Öğrenciler kullandıkları yapay zeka promptlarını, aldıkları yanıtları ve yapay zekanın nerede yanlış veya verimsiz olduğuna dair bir analizi sunarlar. Yapay zeka çıktısını eleştirel bir gözle okumak, bir kaçış yolu değil, ders hedefi olarak ele alınır.
• 3. Yalnızca hata ayıklama değerlendirmeleri. Öğrencilere ince hataları olan (off-by-one, yanlış sınır durumu, eksik null kontrolü, güvenlik açığı) çalışan yapay zeka yapımı kodlar verilir ve bunları bulup düzeltme yeteneklerine göre notlandırılır. Bu, yapay zekanın en kötü yaptığı ve işverenlerin en çok değer verdiği beceriyi eğitir.
• 4. Süreç görünürlüklü notlandırma. Zorunlu commit geçmişi, tasarım kararlarını belgeleyen zorunlu yorumlar, kaydedilmiş anlatımlar. Tek başına teslim edilen kod artık notun tamamını oluşturmaz.
• 5. Canlı teknik görüşmeler. Her önemli ödevde kısa, yapılandırılmış bir sözlü bileşen. Öğrenci başına beş dakika, bir veya iki teşhis sorusuna odaklanılır. Zorluk gerçektir; alınan sinyal mükemmeldir.
• 6. Sistem düzeyinde özgünlük doğrulaması. Plagly.ai gibi araçlar, gönderimleri yapay zeka üretim kalıpları, kohort düzeyinde stilistik tekdüzelik ve gerçek öğrenci çalışmalarının genellikle sergilediği yinelemeli yazarlık izlerinin yokluğu açısından tarar. Bu not değildir; ofis saatlerindeki görüşmeye değer gönderimleri ortaya çıkaran bir bayraktır.

Bunu Pratik Kılan Araç Katmanı

Yukarıdaki modele en büyük itiraz lojistiktir. Gerçek sınıflarda yüzlerce öğrenci vardır; gerçek eğitmenlerin her gönderimi satır satır okumaya, her ödevde sözlü savunma yapmaya veya kohort düzeyindeki kalıpları gözle fark etmeye vakti yoktur. Aracın yüzey taramasını yapması gerekir, böylece insan kararı önemli vakalara uygulayabilir.

200 öğrencili bir CS1 şubesi için pratikte bunun nasıl göründüğü aşağıdadır:

• Gönderimlerin otomatik taranması: Yüklenen her dosya, bir güven puanı ve per-blok bayraklar döndüren bir yapay zeka algılama aşamasından geçer. Plagly.ai; GPT-5.5, Claude 4.6, Gemini 3.1 ve bu modellerin tercih ettiği özel kod varyantları dahil olmak üzere diğer büyük modeller genelinde bu analizi %99 doğrulukla gerçekleştirir.
• Kohort düzeyinde panel: Eğitmen, şube genelinde stilistik kalıpların kümelenmesini görür. Sekiz gönderim idiomatik ifadeleri, özdeş yorum yoğunluğunu ve aynı savunma sınır durumu kalıbını paylaştığında, küme inceleme için yüzeye çıkar.
• Yazarlık izleri: Plagly.ai'nin Agentic Council'ı — gönderimi yazım kalitesi, yapı, yapay zeka tespiti, özgünlük ve tutarlılık açısından analiz eden yedi alan uzmanı modeli — referanslı bir rapor üretir. Rapor akademik dürüstlük ihlali iddia etmez; eğitmenin araştırabileceği kalıpları belgeler.
• Hedefli ofis saatleri görüşmeleri: Gönderimleri yüzeye çıkan öğrenciler beş dakikalık sözlü kontrole alınır. Çoğu hızla temizlenir; temizlenmeyen az sayıdaki vaka ise eğitmenin düşünceli bir şekilde ve kayıtlara geçecek şekilde yönettiği durumlar haline gelir.

Amaç her kural ihlalini yakalamak değildir. Amaç, öğrenmek isteyen öğrenciler için öğrenme döngüsünü sağlam tutmaktır. Doğrulama olmayan bir sınıf, sistemi manipüle eden öğrencilerin çıtayı belirlediği ve dürüstçe çalışan öğrencilerin enayi durumuna düştüğü bir sınıftır. Doğrulamanın olduğu bir sınıf ise sosyal kuralın korunduğu — ödevlerin hala öğrettiği, notların hala bir anlam ifade ettiği ve mezunların hala kod yazabildiği bir sınıftır.

Programlama Eğitimi İçin 18 Aylık Görünüm

2026'da konuştuğumuz çoğu çalışan programlama eğitmeni mevcut kurulumun sürdürülemez olduğu hissini paylaşıyor. Test geçmeye göre değerlendirilen eve teslim ödev, otonom kodlama araçlarının varlığıyla yapısal olarak uyumsuzdur. Bir şeylerin değişmesi gerekiyor. En olası üç yön, kabaca olasılık sırasına göre artan şekilde:

• Tam yapay zeka yasakları: Bazı kurumlar deneyecek ve çoğu başarısız olacaktır. Yasaklar uygulanamaz durumdadır, politikalar tutarsızlaşır ve kurallara uyan öğrenciler, uymayan öğrencilere göre daha az beceriyle mezun olur. Bu, her iki dünyanın da en kötü sonucudur ve 2023-2024 yıllarında bunu deneyen birkaç üniversitede kendini zaten itibarsızlaştırmıştır.
• Yetenek düzeyinin müfredatta aşağı kayması: CS1 daha geç başlar, kavramsal temellere daha fazla vurgu yapılır. CS2, eski CS1'in kapsadığı konuları kapsar. İleri düzey dersler daha teorik hale gelir çünkü uygulama kısmı artık öğrenmenin gerçekleştiği yer değildir. Bu yavaş yavaş gerçekleşiyor.
• Değerlendirmelerin canlı gösterime kayması: Eve teslim ödevler biçimlendirici (formative) hale gelir. Özetleyici (summative) notlar denetim altında canlı kodlama, sözlü savunmalar ve süreç görünürlüklü çalışmalarla belirlenir. Bu, en güçlü CS programlarının zaten ilerlediği yöndür ve çoğu programın eninde sonunda yerleşeceğine inandığımız yöndür.

Bu sonuçların hiçbiri, sahip olduğunuz öğrencilerle bu dönem ne yapacağınız sorusunu çözmez. Bunun için pratik adım bir hibrit modeldir: Mevcut ödevlerinizi koruyun, en kötü durumları yakalayan bir doğrulama katmanı ekleyin, ders başına bir veya iki yüz yüze değerlendirme bileşeni yerleştirin ve otonom yapay zekanın temel olduğu bir dünya için müfredatı yeniden tasarlamanın daha yavaş çalışmasına başlayın. Doğrulama aracı, bu arada bu mezun grubunu vibe coding'e kaybetmeden müfredatı yeniden tasarlamanız için size zaman kazandırır.

Sıkça Sorulan Sorular

Vibe coding her zaman kötü müdür, yoksa bazen meşru mudur?

Hataların maliyetinin düşük olduğu ve geliştiricinin gerektiğinde çıktıyı değerlendirmek için temel beceriye sahip olduğu düşük riskli kişisel projeler üzerinde çalışan deneyimli geliştiriciler için meşrudur. Temel beceriyi hala geliştirmekte olan öğrenciler için ise yıpratıcıdır çünkü programlama eğitiminin geliştirmesi gereken bilişsel çalışmayı kısa devre yaptırır. Ayrım, kabaca bir şefin paket servis sipariş etmesi (iyi) ile bir mutfak öğrencisinin final sınavı için paket servis sipariş etmesi (iyi değil) arasındaki ayrımla aynıdır. Her ikisi de pişirmedikleri yiyecekleri almayı içerir. Sadece biri öğrenme projesini baltalar.

Öğrenciler yapay zeka tespit edilen kodu kendilerinin yazdığını iddia edebilir mi?

Edebilirler ve bazen haklıdırlar. Kod algılamadaki yanlış pozitifler en yaygın olarak, öğrenciler yapay zekanın tipik olarak ürettiği kalıplarla eşleşen son derece ders kitabı tarzı kodlar yazdığında ortaya çıkar. Savunulabilir iş akışı, bir algılama puanını hüküm olarak ele almaz — bunu beş dakikalık bir konuşma için bir prompt olarak ele alır. Kendi kodunu yazan bir öğrenci bunu açıklayabilir, problem üzerinde yerinde değiştirebilir ve yürütülmesini izleyebilir. Prompt ile yazdıran bir öğrenci ise neredeyse hiçbir zaman bunu yapamaz. Soruyu çözen şey puan değil, konuşmadır. Plagly.ai'nin raporları bu konuşmanın yerini almak için değil, onu desteklemek için tasarlanmıştır.

Kod yapay zeka tespiti, düzyazı yapay zeka tespitinden nasıl ayrılır?

Kod algılama benzer istatistiksel temelleri — perplexity, burstiness, stilistik parmak izi — kullanır ancak bunları farklı yüzeysel özelliklere uygular. Kodda en bilgilendirici sinyaller sözlüksel olmaktan ziyade yapısal olanlardır: Değişken adlandırma kalıpları, yorum yoğunluğu ve stili, kütüphane kullanım biçimleri, hata ayıklama şablonları ve idiomatik yapıların seçimi. Çoklu model topluluk dedektörleri, 2026'da izole kod gönderimlerinde %90-95 doğruluk oranına ulaşır ve kohort düzeyinde kalıp analizi dosya düzeyinde puanlama ile birleştirildiğinde bu oran %95'in çok üzerine çıkar.

Yapay zekayı kopyalamadan meşru şekilde bir öğretmen olarak kullanan öğrenciler ne olacak?

Bu, doğrulama katmanının açıkça cezalandırmamak için tasarlandığı gruptur. Bir kavramı anlamak için yapay zeka kullanan ve ardından kendi çözümünü yazan bir öğrenci, satır düzeyinde yapay zeka üretim kalıplarıyla eşleşmeyen kodlar üretecektir. Algılama sinyalleri öğrencinin araştırma sürecini değil, teslim edilen eseri yakalar. Ders politikanız öğretmen olarak yapay zekaya izin veriyorsa — ve bizce vermelidir — iş akışı çalışmaya devam eder. Öğrencinin öğrenme yöntemini değil, gönderimi kontrol ediyorsunuzdur.

Bu, proje tabanlı dersler ve bitirme projeleri için çalışır mı?

Evet, uyarlamayla. Çok haftalı, çok dosyalı proje çalışmaları için en yararlı sinyaller süreç görünürlüğüne kayar: Commit geçmişi analizi (kod tek bir büyük commit'te mi ortaya çıktı, yoksa zaman içinde mi gelişti?), dosyalar arasında yazarlık tutarlılığı (kod tabanı bir kişinin elinden çıkmış gibi mi okunuyor, yoksa farklı yamalar birbirine mi dikilmiş?), ve tasarım kararları belgelendirmesi (öğrenci neden belirli mimari seçimlerin yapıldığını açıklayabilir mi?). Bitirme projesi tarzı projeler, birincil sinyal yerine üçüncül bir sinyal olarak yapay zeka tespiti ile birlikte yapılandırılmış bir sözlü savunma artı yazılı bir tasarım gerekçesinden en yüksek düzeyde yararlanır.