Paylaşmadan Önce: Yapay Zekâ Gizliliği Bir Vaatten Fazlasını Gerektirir

Giriş: konuşma giderek hayatınızın kendisine dönüşüyor

Zor bir yanıt yazmak için bir yapay zekâ asistanı açıyorsunuz. Mesajı yapıştırıyor, ilişkinin bağlamını açıklıyor ve daha önce başka hiçbir yerde paylaşmadığınız birkaç ayrıntı ekliyorsunuz. Başka bir gün, bir sözleşme yüklüyor, henüz tamamlanmamış bir fikri tartışıyor ya da asistanın neyin dikkatinizi gerektirdiğini anlayabilmesi için gelen kutunuzu bağlıyorsunuz.

Bunların hiçbiri yayın yapmak gibi hissettirmez. Yardım istiyorsunuz.

Yine de bu bilgiler, konuşma penceresinden bakıldığında büyük ölçüde görünmeyen altyapılardan, depolama sistemlerinden, inceleme süreçlerinden ve hukuki yükümlülüklerden geçebilir. Bir asistan, verilerinizi ele alış biçimi bu beklentiyi karşılamadan çok önce kişisel hissettirebilir.

Benim görüşüm basit: Yapay zekâ gizliliği yalnızca bir şirketin bilgilerinizi aldıktan sonra ne yapacağına dair verdiği sözlere bağlı olmamalı. Aynı zamanda, sistemlerinin en başta modele neyin ulaşmasını engellediğine de bağlı olmalı. Politikalar önemlidir. Ama arkalarında teknik korumalar da olmalıdır.

Bu makaleyi Dvina ekibinin desteğiyle hazırladım. Makale, ChatGPT, Claude, Cursor, Perplexity, Manus, Meta’nın Muse’u ve Dvina genelinde belgelenmiş olayları ve güncel uygulamaları inceliyor. Amaç, yapay zekâ hayatımıza daha fazla dahil oldukça gizliliğin neden merkezi bir mühendislik önceliği hâline gelmesi gerektiğini ve Dvina’nın bu sorumluluğa nasıl yaklaştığını açıklamak.

Olayların bize anlattıkları

Endişe varsayımsal değil. Ancak farklı türde kanıtlar farklı sorunları ortaya koyar. Doğrulanmış bir veri ifşası, yetkili insan incelemesi ve araştırmanın kötüye kullanıldığına dair bir iddia, aynı olaymış gibi sunulmamalıdır.

ChatGPT’nin 2023 ifşası: doğrudan sistemin içindeki bir başarısızlık.

20 Mart 2023’te bir yazılım hatası, bazı ChatGPT kullanıcılarının başka bir aktif kullanıcının konuşma geçmişindeki başlıkları görmesine izin verdi. OpenAI, yeni oluşturulan bir konuşmanın ilk mesajının da belirli koşullarda görünür olmuş olabileceğini söyledi. Şirketin incelemesi, belirli bir dokuz saatlik süre boyunca aktif olan Plus abonelerinin %1,2’si için ödeme ile ilgili bilgilerin açığa çıkmış olabileceğini tespit etti. Kart numaralarının tamamı açığa çıkmadı. OpenAI hatayı düzeltti ve etkilenen kullanıcıları bilgilendirdi. 1

Buradan çıkarılacak ders, aynı güvenlik açığının hâlâ açık olduğu değildir. Ders şudur: Bir gizlilik taahhüdü tek başına, bir sistemin bilgiyi yanlış kişiye döndürmesini engelleyemez. Yalıtım, erişim kontrolleri ve açığa çıkabilecek tanımlanabilir bilgi miktarı önemlidir.

The New York Times davası: silme işlemi hukuki bir yükümlülükle karşı karşıya kaldı.

2025’te OpenAI, aksi halde silinecek verilerin korunmasını gerektiren bir mahkeme emriyle karşı karşıya kaldı. Ekim güncellemesinde, yeni verilerin süresiz olarak korunmasına yönelik geniş yükümlülüğün 26 Eylül 2025’te sona erdiği, buna karşılık sınırlı bir tarihsel veri kümesinin hukuki muhafaza kapsamında kaldığı belirtildi. İlk koruma gerekliliği, belirli ürünleri ve sıfır veri saklama düzenlemelerini kapsam dışı bırakıyordu. 2

Daha sonraki bir gelişme ayrı değerlendirilmelidir: Aralık 2025’te Reuters, bir yargıcın telif hakkı davasında OpenAI’nin 20 milyon anonimleştirilmiş sohbet kaydını sunmasını istediğini, itirazlarını reddettiğini ve kimliksizleştirme ile koruyucu güvencelere dayandığını bildirdi. Bu, bir delil keşfi emriydi; herkesin özel sohbetlerinin internette yayımlanması değildi. 3

Bu olaylar birlikte ele alındığında, bir silme ayarının saklanan bilgilerle ilgili her soruyu çözmediğini gösteriyor. Bir kopya bir kez var olduğunda, kullanıcının kontrolü dışındaki yükümlülükler ona ne olacağını etkileyebilir. Gereksiz saklamayı azaltmak, bir uyuşmazlık başlamadan önce bu maruziyeti değiştirir.

İnsan incelemesi: erişime ihlal olmadan da izin verilebilir.

OpenAI’nin tüketiciye yönelik belgeleri, güvenlik soruşturmaları, destek, hukuki meseleler ve uygun model iyileştirmesi dahil olmak üzere belirli amaçlarla yetkili personel ve hizmet sağlayıcılar tarafından sınırlı erişime açıkça izin veriyor. Anthropic’in tüketici rehberi, kullanım politikalarının uygulanması için belirlenmiş personelin konuşmaları incelemesine izin veriyor; ayrıca rızaya dayalı geri bildirimle ilişkili ayrı bir erişim de bulunuyor. 4, 8

Bunlar belgelenmiş erişim yollarıdır, söylenti değil. Çalışanların her konuşmayı okuduğunu göstermezler. Ancak özel görünümlü bir sohbet arayüzünün, sağlayıcının erişimine karşı mutlaka teknik bir engel olmadığını gösterirler.

Anthropic’in güncel belgeleri iş tarafına ilişkin önemli bir örnek daha ekliyor. Belirlenmiş Covered Models, daha önce sıfır veri saklama kullanılan bazı dağıtımlarda, kontrollü insan incelemesi ve istisnalarla birlikte 30 günlük saklama gerektiriyor. Kuralın model, platform ve uygunluk sınırları var; bu, her Claude ürününe yönelik genel bir değişiklik değil. Tüketici planlarının etkilenmediği belirtiliyor; çünkü bu yüzeyler zaten girdileri ve çıktıları saklıyor. 9

Güvenlik izlemenin meşru bir amacı vardır. Mühendislik açısından zorluk, bu amacı yerine getirirken izleme sistemleri ve inceleyenler için erişilebilir hassas bilgileri en aza indirmektir. Bir güvenlik gerekçesi, mahremiyet sorusunu ortadan kaldırmaz.

Matematik tartışması: çözümlenmemiş bir iddia, gerçek bir güven sorunu

OpenAI’nin Navier–Stokes duyurusu etrafında Eylül 2026’da yaşanan tartışma farklı bir kaygıyı gündeme getirdi: özel araştırmalarda yardımcı olan asistan, kendi araştırmasını da yürüten bir şirkete ait olduğunda ne olur?

Uyuşmazlık, yayımlanmamış matematiksel çalışma ve atıf meselesiyle ilgiliydi. Haberlerde, matematikçiler Tristan Buckmaster ve Levent Alpöge’nin çalışmalarında AI araçlarını kullandıkları ve Buckmaster’ın özel materyallerinin OpenAI’nin sonucuna katkıda bulunup bulunmadığını sorguladığı aktarıldı. 10

OpenAI bu anlatıma itiraz ediyor. Yayımladığı yanıtta, ne araştırmacılarının ne de temsilcilerinin, yayımlanmadan önce ikilinin çalışmasını gördüğünü söylüyor. 10 Eylül tarihli bir güncellemede ayrıca, önceki iki ay boyunca Buckmaster’ın Codex istemlerinden herhangi bir etkinin, eğitim yoluyla olanlar da dahil, bir soruşturmayla dışlandığını belirtti. Zamanla sınırlı bu ifade, bazı haberlerdeki daha önceki anlatımdan daha spesifik. 11

Kamuya açık anlatımlar hâlâ ihtilaflı. Burada incelenen kaynaklar, OpenAI’nin sonucunu üretmek için bu özel konuşmaları kullandığını bağımsız olarak ortaya koymuyor.

Buna rağmen uyuşmazlık, açık biçimde yanıtlanması gereken bir soruyu ortaya çıkarıyor: insanlar tamamlanmamış çalışmalarını AI’ye getirdiğinde, bu çalışmanın bilgi değeri nasıl korunur? Bir ispatın yazarının adını kaldırmak, ispatı ortadan kaldırmaz. Ticari bir stratejiyi kimliksizleştirmek, o stratejiyi kamu malı yapmaz.

Bu nedenle güçlü mahremiyet, hem kimlik hem de içerik için koruma gerektirir. Kullanıcılar, materyallerinin eğitim, araştırma, değerlendirme veya inceleme iş akışlarına girip giremeyeceğini ve bu sınırları hangi teknik kontrollerin uyguladığını anlayabilmelidir.

Asla tek bir soruya indirgenmemesi gereken dört soru

Kafa karışıklığının büyük kısmı, “özel”i tek bir özellik gibi ele almaktan kaynaklanıyor. Oysa pratikte, bir konuşmaya ne olacağını dört ayrı soru belirler.

Eğitim: İçerik, bir modelin geliştirilmesine veya iyileştirilmesine yardımcı olabilir mi? Vazgeçme seçeneği, bilginin izin verilen bir kullanımını değiştirir. Bilginin iletilip iletilmediğini veya saklanıp saklanmadığını ise mutlaka değiştirmez.

Erişim: Hangi sistemler ve kişiler bunu inceleyebilir? İletim ve depolama sırasında şifreleme önemlidir, ancak yetkili bir hizmetin işleme veya inceleme amacıyla içeriğin şifresini çözmesini otomatik olarak engellemez.

Saklama: Ne kalır, nerede kalır ve ne kadar süreyle? Bir sohbeti arayüzden kaldırmak, üretim kayıtlarını silmek, yedeklerin süresini doldurmak ve verileri gelecekteki eğitimden hariç tutmak farklı işlemlerdir.

Eylemler: Bağlı bir asistan neyi okuyabilir, değiştirebilir veya gönderebilir? Hesaplarınız üzerinden çalışabildiğinde, gizlilik artık izinlere ve dışarıya giden veriler üzerindeki kontrollere de bağlıdır.

Kullanışlı bir gizlilik karşılaştırması bu soruları birbirinden ayrı tutar. Ücretli bir abonelik, bir eğitim anahtarı ya da özel görev etiketi bu dört sorunun tamamını yanıtlayamaz.

Hizmetler nasıl karşılaştırılıyor

Aşağıdaki tablo, farklı bir kapsam belirtilmedikçe bireysel kullanıma odaklanır. Bağımsız bir güvenlik denetiminin sonuçlarını değil, incelenen belgelerin özetini sunar.

Service	Eğitim yaklaşımı	Anlaşılması gereken ayrı sınır
ChatGPT	Bireysel içerik iyileştirme için kullanılabilir; kontroller yeni konuşmaları ve Codex görevlerini hariç tutar. Temporary Chat hariç tutulur. 4, 5	Yetkili erişim ve saklama ayrı konular olmaya devam eder. Codex’in ayrıca farklı bir tam ortam eğitim ayarı da vardır.
Claude	Tüketici model iyileştirmesi kullanıcının tercihine bağlıdır; geri bildirim ve güvenlikle ilgili kullanımlar için ayrı kurallar vardır. Incognito genel iyileştirmeye dahil edilmez. 6	İnceleme ve saklama istisnaları yine de geçerlidir. Belirli ticari Covered Models için ek saklama gereklilikleri vardır. 7–9
Cursor	Privacy Mode, belirtilen istisnalara tabi olarak müşteri verilerini Cursor eğitiminden hariç tutar ve sağlayıcıların veri saklamama düzenlemelerini açıklar. 12	İstekler yine de Cursor’un arka ucundan geçer. Kötüye kullanım incelemeleri, önbellekleme ve modele özgü bildirimler önemlidir.
Perplexity	Tüketici AI eğitim verisi toplama varsayılan olarak açıktır; buna Pro ve Max de dahildir. Kullanıcılar ileriye dönük olarak devre dışı bırakabilir. 13	Devre dışı bırakmak, hizmet operasyonları veya yasal uyum için işlemeyi durdurmaz. Enterprise koşulları farklıdır.
Manus	Team belgelerinde eğitimden çıkma seçeneği listelenir; bu inceleme, bireysel plan için kesin eğitim kuralını doğrulayamadı. 15	Bireysel görevlerin varsayılan olarak özel olması, sağlayıcının kullanımına tam bir kısıtlama değil, paylaşım görünürlüğünü tanımlar. 14
Meta’s Muse	Yayın belgeleri, varsayılan olarak arındırılmış etkileşim verileri üzerinde eğitim yapıldığını ve bir devre dışı bırakma seçeneği bulunduğunu açıklar. 16	Eğitimden önce arındırma, çıkarımdan önce maskeleme ile aynı şey değildir. Yayın anındaki operatör kısıtlamaları, planlanan Confidential VM’den farklıdır.
Dvina	Konuşmalar, dosyalar, istemler ve çalışma alanı verileri AI modellerini eğitmek için kullanılmaz. 17, 18	Otomatik maskeleme daha erken bir sınırı ele alır: tespit edilen kişisel tanımlayıcılar, model işleme yapılmadan önce değiştirilir.

Aşağıdaki ayrıntılar, bu ayrımların günlük kullanımda nerede önemli hale geldiğini açıklar.

ChatGPT ve Claude: yaptığınız işlem kuralı değiştirir.

OpenAI, kullanıcılara normal sohbet geçmişini kaldırmadan eğitimi devre dışı bırakma imkânı tanır. Temporary Chat, bir konuşmanın işlenişini daha da değiştirir; ancak belgelerinde yine de kötüye kullanım incelemesine izin verildiği ve 30 günlük bir silme süresi bulunduğu belirtilir. Codex kullanıcıları da hesap genelindeki içerik ayarı ile onun ayrı tam ortam ayarını birbirinden ayırmalıdır. 4, 5

Claude’da geri bildirim özellikle dikkat gerektirir. Anthropic, bir beğeni, beğenmeme ya da hata raporunun ilgili konuşmanın beş yıla kadar saklanmasını ve model eğitimi de dahil olmak üzere çeşitli amaçlarla kullanılmasını içerebileceğini söylüyor. Genel model iyileştirmesini etkinleştirmek de uygun şekilde kimliksizleştirilmiş materyalin eğitim hatlarında beş yıla kadar kalmasına izin verir. Bunlar, normal sohbet silme kurallarıyla aynı değildir. 6, 7

Dolayısıyla bir kişi, tek bir ürün içinde bunların ayrı kararlar olduğunu fark etmeden birden fazla gizlilik kararı verebilir. Ürün tasarımı, bu farkları kullanım anında açık hale getirmelidir.

Cursor ve Perplexity: bir ürün etiketi, işleme sınırı değildir.

Cursor’un Privacy Mode’u eğitim ve sağlayıcı saklaması üzerinde anlamlı kısıtlamalar getirir. Editörü yalnızca yerel hale getirmez: Cursor, kullanıcı tarafından sağlanan bir API anahtarıyla bile isteklerin yine de kendi arka ucundan geçtiğini söylüyor. Belgelerinde ayrıca geçici şifreli dosya önbelleklemesi ile kötüye kullanım incelemeleri veya belirlenmiş modellerle ilişkili istisnalar da açıklanır. 12

Perplexity farklı bir ayrımı gösterir. Free, Pro ve Max hesapları, varsayılan olarak toplamanın açık olduğu tüketici eğitim kontrollerine tabidir. Yayınlanan devre dışı bırakma seçeneği, daha önceki eğitim verilerinin geriye dönük kaldırılmasına değil, sonradan toplanan verilere uygulanır. Kişisel bir abonelik satın almak, hesabı Enterprise hesabına dönüştürmez. 13

Her iki durumda da asıl soru, seçilen modun ve hesabın neyi değiştirdiğidir; ürün adının ima ediyor gibi göründüğü şey değil.

Manus ve Muse: özel çalışma alanlarının da açık sınırlara ihtiyacı vardır.

Manus, bireysel görevlerin paylaşılmadıkça özel olduğunu söylüyor. Team belgelerinde ayrıca sahiplerin ekip oturumu içeriğine erişebileceği de açıklanıyor. Bunlar yararlı görünürlük kurallarıdır, ancak bireysel eğitim politikasını ortaya koymazlar. Bu inceleme için Manus’un tam gizlilik sayfasına erişilemediği için, bu soru başka bir plandan doldurulmak yerine doğrulanmamış olarak kalmaktadır. 14, 15

Muse’un yayın belgeleri, operasyonel kısıtlamalar ile teknik engelleme arasındaki farkı alışılmadık derecede açık biçimde ortaya koyuyor. Meta, yayın anındaki Secure VM’nin personel erişimini politikalar yoluyla sınırladığını, ancak hizmeti işletmek, desteklemek veya güvence altına almak gerektiğinde erişimi engellemediğini söylüyor. Operatör erişimini kriptografik olarak engellemesi amaçlanan bir Confidential VM’nin ise yakında geleceği ve sınırlı testte olduğu belirtilmişti. Planlanan bir koruma, herkes için zaten mevcutmuş gibi sayılmamalıdır. 16

Muse ayrıca gerçek bağlayıcı kimlik bilgilerini ana ajandan uzak tutar ve eylem onaylarını ayrı bir izin otoritesi altına yerleştirir. Bu, değerli bir ilkeyi gösterir: bir ajana, yalnızca uygun olabileceği için bir sır ya da bir izin verilmemelidir. 16

Korumayı maruziyetten önceki noktaya taşıyın

Eğitimden hariç tutma, verinin bir kullanımını yönetir. Maskeleme, işleme için mevcut veriyi değiştirir. Sınırlı saklama, geride kalan kopyaları azaltır. İzin kontrolleri, bir ajanın ne yapabileceğini sınırlar. Bu korumalar birbirini tamamlar ve her birinin hangi aşamada devreye girdiği önemlidir.

Açıklayıcı bir örnek isteği ele alalım: belirli bir e-posta adresindeki bir müşteriye takip mesajı yazmak. Modelin amaca, tona ve ilgili taahhütlere ihtiyaç duyması gerekebilir. Mesajı taslak olarak hazırlamak için müşterinin gerçek adına veya adresine ihtiyaç duymayabilir. Çıkarımdan önce tespit edilen bu tanımlayıcıları yer tutucularla değiştirmek, görevin faydalı yapısını korurken modelin aldığı veriyi azaltır.

Bu, orijinal metni gönderip tanımlayıcıların daha sonraki bir kullanım öncesinde kaldırılacağını vaat etmekten farklıdır.

Aynı ilke kişisel tanımlayıcıların ötesine de uzanır. Gizli araştırmalar, araştırma içeriğinin kendisi üzerinde kontroller gerektirir; bağlı hesaplar dar kapsamlı izinlere ihtiyaç duyar; saklanan kayıtların tanımlı saklama süreleri ve uygulanabilir erişim kısıtlamaları olmalıdır. Kimlik maskeleme bu tasarımın bir bileşenidir; bir buluşun veya belgenin özünü korumanın yerine geçmez.

Sektör genelinde bu konuyla ilgili çalışmalar var. OpenAI, Nisan 2026'da yerel olarak çalıştırılabilen bir Privacy Filter yayımladı ve Meta’nın Muse dokümantasyonu teknik izolasyonu ve geliştirilmekte olan daha güçlü bir gizli bilişim tasarımını açıklıyor. Bu çabalar, gizliliğin sisteme mühendislik yoluyla yerleştirilmesi gerektiği görüşünü destekliyor. Ancak bir aracın yayımlanması ya da bir yol haritası, tek başına her tüketici konuşmasının halihazırda buna karşılık gelen korumayı aldığına dair kanıt değildir. 16, 19

Standart, kişinin bugün kullandığı üründe aldığı koruma olmalıdır.

Dvina: gizliliği normal etkileşimin bir parçası haline getirmek

Dvina’nın yaklaşımı bu daha erken korumayı asistan deneyimine taşıyor. Belgelenmiş tasarımı, insanlar yazarken veya içerik yüklerken hassas kişisel bilgileri yerel olarak tespit ediyor, tespit edilen kişisel verileri şifreliyor ve model işleme öncesinde yer tutucularla değiştiriyor. Model, orijinal tespit edilmiş tanımlayıcılar yerine bu yer tutucularla çalışıyor. 17, 18

Fark pratiktir. Bir kullanıcı, her görevde isimleri ve iletişim bilgilerini manuel olarak kaldırmak için akışı kesmek zorunda kalmamalı ya da yalnızca model bunları aldıktan sonra ne olacağına dair bir vaade güvenmemelidir. Koruma etkileşime eşlik etmelidir.

Dvina ayrıca kullanıcı konuşmalarını, dosyalarını, istemlerini ve çalışma alanı verilerini model eğitiminden hariç tutar. Bu birleşim önemlidir: eğitim dışı bırakma taahhüdü yeniden kullanımı sınırlar, işleme öncesi koruma ise en başta modele maruz kalan kişisel bilgi miktarını azaltır. 17, 18

Diğer katmanlar da bu yaklaşımı destekler. Dvina, şifrelenmiş konuşma depolamayı, saklanan mesajlarla kullanıcı kimliği arasındaki ayrımı ve GDPR düzeyinde korumalara sahip AB barındırmalı veriyi tanımlar. Bunların her biri, tüm yükü tek bir eğitim tercihine bırakmak yerine işleme sürecinin farklı bir bölümünü ele alır. 17, 18

Teknik ayrım nettir: tespit edilen kişisel tanımlayıcılar, çevreleyen görev işlenmeye açık kalırken model girdisinde değiştirilir. Böylece gizlilik, yalnızca kullanıcıların yönetmeyi hatırlaması gereken bir tercih olmaktan çıkıp veri akışının bir parçası haline gelir.

Bana göre AI için daha faydalı yön bu: insanların işlerine anlamlı bağlam getirmesine izin verirken, sistemi görevin gerektirdiğinden daha az kimlik bilgisini ifşa edecek şekilde tasarlamak.

Sonuç: insanların AI'ı hayatlarına ne kadar dahil edeceğini gizlilik belirleyecek

AI asistanları, koşullarımızın daha fazlasını anladıkça daha kullanışlı hale geliyor. Bu da, bu anlayışın arkasındaki bilgiyi koruma sorumluluğu yaratıyor. İnsanlardan daha fazla erişim isterken yalnızca bir ayarlar sayfası daha sunmak yeterli bir yanıt değildir.

Kanıtlar birkaç ayrı riske işaret ediyor. Yazılım, verileri hesaplar arasında açığa çıkarabilir. Saklanan konuşmalar hukuki taleplere konu olabilir. Yetkili inceleme, bir güvenlik ihlali olmadan da var olabilir. Özel araştırmalarla ilgili anlaşmazlıklar, iddia bağımsız olarak doğrulanmamış olsa bile güveni zedeleyebilir.

Bu riskler yalnızca daha iyi ifadeler değil, mühendislik çalışması gerektirir. Hassas veri tespiti, işleme öncesi koruma, kimliğin ayrıştırılması, sınırlı saklama ve uygulanabilir izinler; AI güvenliğinin temel yetenekleri olarak sürekli ilgi görmelidir. Bir asistanın faydası ile kullanıcısının korunması birlikte ilerlemelidir.

Dvina ile, model işleme öncesi korumayı ürünün temelinin bir parçası haline getirerek bu dönüşüme öncülük etmeye yardımcı oluyoruz. Amaç, daha güçlü iddialarla daha fazla güven istemek değildir. Amaç, ne kadar güvenin yalnızca bir vaade dayanmak zorunda olduğunu azaltmaktır.

İnsanlar, her konuşmayı mahremiyetlerinden olası bir vazgeçiş gibi görmek zorunda kalmadan yardım alabilmeli, bir fikir geliştirebilmeli ve ilerlemek için gereken bağlamı paylaşabilmelidir. Bu güveni inşa etmek, AI için önümüzdeki en önemli görevlerden biridir.

Kaynaklar ve kapsam

Kaynaklar 22 September 2026 tarihinde incelenmiştir. Bu makale sağlayıcı dokümantasyonuna ve atıflı haberlere dayanır; bağımsız bir güvenlik denetimi değildir. Ana karşılaştırma kapsamı bireysel planlardır. Ticari, API ve modele özgü istisnalar ayrıca belirtilmiştir. Matematik bölümü, bildirilen endişeleri OpenAI’ın güncellenmiş yanıtından ayırır; bunların hiçbiri bağımsız bir bulgu olarak sunulmaz. Manus’un bireysel plan eğitim kuralı, tam gizlilik politikasına erişilemediği için doğrulanmamış olarak kalmaktadır.