ChatGPT Neden Düz Hikayeler Yazar? Özetleme Sapması ve Anlatı Entropisi

Büyük Dil Modellerindeki (LLM) hızlı gelişmelere rağmen, üretken yapay zeka sistemleri sürükleyici ve yüksek gerilimli kurgular üretmekte istikrarlı bir şekilde başarısız olmaktadır. ChatGPT gibi modellerden bir roman veya senaryo yazması istendiğinde, ortaya çıkan metinler yapısal olarak öngörülebilir, duygusal açıdan etkisiz ve dramatik olarak düzdür. Geleneksel edebiyat çevrelerinde bu durum yapay zekanın bir "ruha" ya da "insani yaşam deneyimine" sahip olmamasına bağlanır.

Anlatı Mühendisliği ve Bulut Doktrini'nin matematiksel çerçevesinde ise bu durum duygusal bir eksiklik değil, sistemsel bir kurgu kusurudur: Özetleme Sapması (Summarization Bias) ve Bilgi Sürtünmesinin ($I_f$) tamamen sıfırlanması.

1. Temel Neden: Transformer Mimarilerinde Özetleme Sapması

Büyük Dil Modelleri, devasa veri setleri üzerinde çapraz entropi kaybını (cross-entropy loss) en aza indirecek şekilde eğitilir. İnsan geri bildirimli pekiştirmeli öğrenme (RLHF) süreçlerinde modeller; verimlilik, açıklık, özetleme ve netlik odaklı olarak optimize edilir. Bu durum, modellerde yapısal bir kusur olan Özetleme Sapmasını meydana getirir.

Bir LLM yaratıcı kurgu üretmeye çalıştığında, Özetleme Sapması modeli olayın gerçekleştiği fiziksel koşulları inşa etmek yerine, olayları yüksek seviyeli özetler halinde anlatmaya zorlar:

• İnsani Anlatı Mühendisliği: Okuyucunun prefrontal korteksinde otonom işleme zorlaması yapmak için Fiziksel Matris kısıtları (Lümen, Desibel, Sıcaklık) üzerinden mikro veri birimleri kurar.
• LLM Üretimi: Dramatik kırılmaları yüksek seviyeli özetlere dönüştürür (örneğin: "Oda soğurken derin bir ihanet hissetti"), böylece tamamen soyut kitle sıfatlarına bağımlı kalır.

Fiziksel gerçekliği soyut sıfatlarla ikame eden model, Sıfat Ambargosunu ihlal eder. Bu durum Evrensel Biyolojik Arayüzün (UBI) atlanmasına ve otonom tepki üretmeyen düz metinlerin ortaya çıkmasına neden olur.

2. Bilgi Sürtünmesinin ($I_f$) Sıfırlanması

Metin fiziğinde dramatik gerilim üretebilmek için yapısal bir dirence ihtiyaç vardır. Bilgi Sürtünmesi Nedir? sayfasında tanımlandığı üzere $I_f$, nedensel veri birimlerinin ($\Delta u$) okuyucu tarafından işlenmesi sırasında karşılaşılan yapısal dirençtir.

LLM'ler veriyi maksimum istatistiksel olasılık ve minimum bilişsel engelle sunmak üzere optimize edildiğinden, varsayılan olarak sıfır Bilgi Sürtünmesi ($I_f \to 0$) ile çalışırlar:

$$I_f \to 0 \implies S_n \to 0$$

Buradaki $S_n$,Anlatı Entropisini temsil eder. Kontrollü bir Bilgi Sürtünmesi olmadığında metin hiçbir bilişsel direnç sunmaz. Veri anında emilir; bu da gizemi, tahmine dayalı gerilimi ve örtük anlamı (subtext) tamamen yok eder.

+-----------------------------------------------------------------------+
|                   LLM KURGU BAŞARISIZLIĞI MEKANİĞİ                     |
+-----------------------------------------------------------------------+
|                                                                       |
|   Komut Girdisi ----> [ Transformer Mimarisi (RLHF Verimliliği) ]     |
|                                         |                             |
|                                         v                             |
|                               ÖZETLEME SAPMASI                        |
|                                         |                             |
|                                         v                             |
|                   Sıfırlanan Bilgi Sürtünmesi (If -> 0)                |
|                                         |                             |
|                                         v                             |
|                   ENTROPİ ÇÖKÜŞÜ / SIFIR ALT METİN (SUBTEXT)          |
|                                         |                             |
|                                         v                             |
|                   [ DRAMATİK AÇIDAN DÜZ METİN ÜRETİMİ ]               |
+-----------------------------------------------------------------------+

3. Nesnel İzdüşüm ve LLM'lerin Sıfat Bağımlılığı

Dramatik gerilimi ölçeklenebilir şekilde inşa etmek için metnin Nesnel İzdüşüm ilkelerine göre tasarlanması gerekir. Bu metodoloji, duygusal anlatımları metinden temizler ve kurgusal kuvveti doğrudan Fiziksel Matris üzerinden kurar:

1. Optik Matris ($E = \frac{I}{d^2}$): Göz bebeği büyümesini tetiklemek için ışık yoğunluğunu düşürmek.
2. Termodinamik Matris ($28.4^\circ\text{C}, \%80\text{ Nem}$): Çevresel sıcaklıkla bilişsel yorgunluk oluşturmak.
3. Akustik Matris ($110\text{ Hz} \to 1200\text{ Hz}$): Frekans kaymalarıyla odaklanmayı artırmak.
4. Mekanik Matris ($P = m \cdot v$): Momentum ve mekansal kısıtları fizikselleştirmek.

LLM'ler Nesnel İzdüşüm uygulamakta zorlanırlar çünkü tahmin motorları varsayılan olarak yüksek olasılıklı sıfat-isim çiftlerine ("karanlık koridor," "korkunç bakış," "yoğun his") yönelir. Soyut kavramlara olan bu bağımlılık, anlatı yerçekimi için gerekli olan fiziksel altyapının kurulmasını engeller.

4. Parametrik Başarısızlık Karşılaştırması

Aşağıdaki tablo, insani kurgu mühendisliği ile denetlenmeyen LLM üretimi arasındaki yapısal farkları özetlemektedir:

Veri Setleri ve Açık Kodlu Defterler

Özetleme Sapmasını aşmak üzere geliştirilen araştırma defterlerine, algoritmik prompt yapılarına ve veri setlerine platformlarımızdan erişilebilir:

• Hugging Face Kod Deposu: leventbulut/objective-projection
• OSF Açık Bilim Kayıtları: https://osf.io/us8bw
• Araştırma Külliyatı İndeksi: https://leventbulut.com/corpus/
• Parametrik Sözlük: https://leventbulut.com/glossary/

@misc{bulut2026whychatgptwritesflatstories_tr,
  author    = {Bulut, Levent},
  title     = {ChatGPT Neden Düz Hikayeler Yazar? Özetleme Sapması, Bilgi Sürtünmesi Çöküşü ve Anlatı Entropisi},
  year      = {2026},
  url       = {https://leventbulut.com/chatgpt-neden-duz-hikayeler-yazar-ozetleme-sapmasi-ve-anlati-entropisi},
  note      = {ORCID: 0009-0007-7500-2261. OSF Registry: https://osf.io/us8bw}
}