license: cc-by-nc-sa-4.0
task_categories:

• text-generation
  language:
• tr
• en
  tags:
• prompt-injection
• jailbreak
• llm-security
• safety
• turkish
• benchmark
  pretty_name: Türkçe Prompt Injection & Jailbreak Veri Seti
  size_categories:
• 10K<n<100K
  gated: auto

[!NOTE]

Türkçe Prompt Injection & Jailbreak Veri Seti

📌 Atıf / Citation

Bu veri setini akademik çalışmalarda, model değerlendirmelerinde, güvenlik analizlerinde veya türev araştırmalarda kullanırsanız lütfen aşağıdaki makaleye atıf veriniz:

Aytaş, Ö.; Şen, T.; Diri, B.; Biricik, G.; Bayram, M.A. Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis. Applied Sciences 2026, 16(13), 6740. https://doi.org/10.3390/app16136740

[!CAUTION]
⚠️ ÖNEMLİ GÜVENLİK VE ETİK UYARI / IMPORTANT SAFETY & ETHICS NOTICE

Bu veri seti yüksek oranda etik dışı, zararlı, manipülatif ve şiddet barındıran jailbreak ve prompt injection istekleri içermektedir.

Kullanım Şartları ve Sorumluluk Reddi:

1. Bu veri seti sadece akademik araştırmalar, Büyük Dil Modellerinin (LLM) güvenlik testleri, zafiyet kıyaslamaları ve savunma mekanizmalarının geliştirilmesi amacıyla paylaşılmıştır.
2. Bu verilerin kötü amaçlı kullanımı, zararlı içerik üretimi veya sistemlere siber saldırı amacıyla kullanılması kesinlikle yasaktır.
3. Veri setine erişim sağlayarak, bu içeriklerin potansiyel olarak tetikleyici ve zararlı unsurlar barındırdığını bildiğinizi; verilerin kullanımından doğabilecek tüm yasal, teknik ve ahlaki sorumluluğun tamamen şahsınıza/kurumunuza ait olduğunu ve veri seti sağlayıcısının hiçbir sorumluluk kabul etmediğini onaylamış olursunuz.

Veri Seti Açıklaması

Bu veri seti, Büyük Dil Modellerine (LLM) yönelik kapsamlı bir Türkçe Prompt Injection / Jailbreak kıyaslama ve güvenlik veri seti oluşturulması amacıyla hazırlanmıştır.

Aytaş veri seti, literatürdeki çalışmalar ışığında derlenmiş ve araştırmacı tarafından genişletilmiştir. Veri seti; Türk etnik kökeni, kültürü, gelenekleri ve görenekleri dikkate alınarak yerelleştirilmiş ve çeşitlendirilmiştir.

Literatürde ve açık kaynaklarda yer alan İngilizce kaynakların tamamı titizlikle Türkçeleştirilmiş ve Türkçe kullanım bağlamına uyarlanmıştır.

Veri setinde toplamda yaklaşık 20.500 prompt bulunmaktadır. Bu promptların az bir kısmı mükerrer olarak yer alabilmektedir. Veri setini büyütmek, geliştirmek ve güncellemek temel amaçlardan biridir. Bu nedenle veri seti ileride yapılacak güncellemelere açıktır.

İlgili Makale

Bu veri seti aşağıdaki makale ile ilişkilidir:

Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis

Makale bağlantısı:
https://www.mdpi.com/2076-3417/16/13/6740

DOI:
https://doi.org/10.3390/app16136740

Çeviri Metodolojisi ve Kaynaklar

İngilizce kaynakların Türkçe sürüme dönüştürülmesi sürecinde hem yerel LLM kabiliyetlerinden hem de gelişmiş çeviri servislerinden hibrit olarak yararlanılmıştır. Çeviri işleminde aşağıdaki modeller ve araçlar kullanılmıştır:

• translategemma:4b — Ollama üzerinde yerel olarak çalıştırılmıştır
  • Ollama Model Sayfası
• Google Translate API
• DeepL API

Kaynak Veri Setleri

Bu çalışma oluşturulurken aşağıda yer alan temel güvenlik, adversarial ve prompt injection veri setlerinden derleme ve çeviri yapılmıştır:

• xTRam1/safe-guard-prompt-injection
• Yash0728/toxicity_prompt-injection
• jackhhao/jailbreak-classification
• rogue-security/prompt-injections-benchmark
• PromptInjectionDataset/Injection-Attack-Detection-Dataset

Kullanım Metodolojisi

Veri setini Hugging Face üzerinden Data sekmesinden indirebilirsiniz.

Kaynak veri setlerinden gelen verilerin her birinin kendine özgü etiketleme yapısı bulunmaktadır. Orijinal etiketlemelere dokunulmamıştır. Kullanıcılar, kendi araştırma amaçlarına göre veri seti üzerinde filtreleme, yeniden etiketleme veya alt küme oluşturma işlemleri yapabilirler.

Bu veri seti özellikle aşağıdaki amaçlar için kullanılabilir:

• Türkçe prompt injection ve jailbreak tespiti
• LLM güvenlik değerlendirmesi
• Türkçe ve İngilizce güvenlik performansı karşılaştırmaları
• Jailbreak dayanıklılığı ölçümü
• Safety alignment ve savunma mekanizmalarının geliştirilmesi
• Adversarial prompt sınıflandırma çalışmaları

Atıf

Bu veri setini kullanırsanız lütfen aşağıdaki makaleye atıf veriniz.

APA 7 Formatı

Aytaş, Ö., Şen, T., Diri, B., Biricik, G., & Bayram, M. A. (2026). Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis. Applied Sciences, 16(13), 6740. https://doi.org/10.3390/app16136740

IEEE Formatı

[1] Ö. Aytaş, T. Şen, B. Diri, G. Biricik, and M. A. Bayram, “Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis,” Applied Sciences, vol. 16, no. 13, Art. no. 6740, 2026, doi: 10.3390/app16136740.

MLA 9 Formatı

Aytaş, Öner, et al. “Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis.” Applied Sciences, vol. 16, no. 13, 2026, article 6740, https://doi.org/10.3390/app16136740.

Chicago/Turabian Formatı

Aytaş, Öner, Tuğçe Şen, Banu Diri, Göksel Biricik, and Mehmet Ali Bayram. 2026. “Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis.” Applied Sciences 16, no. 13: 6740. https://doi.org/10.3390/app16136740.

AMA Formatı

Aytaş Ö, Şen T, Diri B, Biricik G, Bayram MA. Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis. Applied Sciences. 2026;16(13):6740. https://doi.org/10.3390/app16136740

MDPI and ACS Style

Aytaş, Ö.; Şen, T.; Diri, B.; Biricik, G.; Bayram, M.A. Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis. Appl. Sci. 2026, 16, 6740. https://doi.org/10.3390/app16136740

BibTeX Formatı

@article{aytas2026benchmarking,
  author  = {Ayta{\c{s}}, {\"O}ner and {\c{S}}en, Tu{\u{g}}{\c{c}}e and Diri, Banu and Biricik, G{\"o}ksel and Bayram, Mehmet Ali},
  title   = {Benchmarking Prompt Injection Attacks on LLMs: Turkish Vulnerability Assessment and English Comparative Analysis},
  journal = {Applied Sciences},
  volume  = {16},
  number  = {13},
  pages   = {6740},
  year    = {2026},
  doi     = {10.3390/app16136740},
  url     = {https://doi.org/10.3390/app16136740}
}

License

Bu veri seti Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) lisansı ile paylaşılmıştır.

Ayrıntılar için: https://creativecommons.org/licenses/by-nc-sa/4.0/