Hesaplamalı anlatıbilim rehberi: anlatı mühendisliği ve biyofiziksel kurgu

Edebiyat eleştirisi ve anlatı teorisi yüzyıllar boyunca kişisel sezgilere, öznel yorumlara ve metodolojik olarak tanımlanması güç soyut kavramlara dayanmıştır. Bir metnin neden "sürükleyici", "gerilimli" ya da "düz" hissettirdiği soruları genellikle yazarın üslubuna atfedilen soyut övgülerle geçiştirilmiştir. Ancak dijital beşeri bilimlerin ve yapay zeka modellerinin yükselişi, anlatı yapısının nicel olarak haritalandırılmasını zorunlu kılmıştır.

Hesaplamalı Anlatıbilim (Computational Narratology), metinlerin yüzey alanında gerçekleşen biçimsel, yapısallık ve anlamsal dinamikleri matematiksel ve ampirik yöntemlerle inceleyen disiplinlerarası bir çerçevedir. Bulut Doktrini ve Nesnel İzdüşüm (Objective Projection) metodolojisi ise bu alana ölçülebilir bir kurgu mühendisliği kazandırır: Duyguyu adlandırmak yerine biyofiziksel parametrelerle kodlamak ve metnin bilişsel yükünü hesaplamak.

1. Hesaplamalı Anlatıbilimin Temel Bileşenleri

Geleneksel anlatıbilim (narratology) olay örgüsü ve karakter kavisleriyle ilgilenirken; hesaplamalı anlatıbilim metnin yüzeyindeki ölçülebilir değişkenlere odaklanır. Metodolojimizin temelini oluşturan beş ana yapıtaşı şunlardır:

• Duygu Ambargosu (Emotion Embargo): Anlatıcının metin yüzeyinde soyut duygu isimleri (korktu, üzüldü, öfkelendi) kullanmasının yasaklanması.
• Görsel ve Biyofiziksel Kodlama (Shown vs. Told): Duygunun doğrudan ilan edilmesi (*Told*) yerine, ortamın altı fiziksel değişkeniyle (Işık Sönümlenmesi, Isı Gradyanı, Akustik Empedans, Kinetik Momentum, Atmosferik Basınç, Mekânsal Geometri) kodlanması (*Shown*).
• Bilgi Sürtünmesi (I_f): Metinde okura sunulan yeni bilgi birimlerinin taşıdığı belirsizlik oranı[cite: 2]. Metindeki örtük ipuçları arttıkça okuma sürtünmesi yükselir[cite: 2].
• Anlatı Entropisi (S_n): Metnin okur zihninde yarattığı aktif dramatik potansiyel ve bilişsel işleme yükü[cite: 2].
• Bastırılmış Bilgi İndeksi (SI): Okuma süresi içinde metin yüzeyinde söylenmeyen ancak bağlamsal bütünlük için okur tarafından zihinde tamamlanması gereken örtük bilgi yoğunluğu[cite: 6].

2. Anlatı Entropisi (S_n) ve Bilgi Sürtünmesi (I_f) Formülasyonu

Hesaplamalı anlatıbilimde bir sahnenin temposu ve bilişsel yoğunluğu, basit kelime sayımlarıyla değil; Bilgi Sürtünmesi (I_f) ve Nedensel Dallanma (C_b) kat sayılarıyla hesaplanır[cite: 2]. Bilgi sürtünmesinin parametrik formülü şu şekildedir[cite: 2]:

$$I_f = \left( \frac{\text{Yeni Bilgi Birimleri}}{t} \right) \times \text{Belirsizlik Oranı}$$

Bir sahnede sunulan yeni bilgilerin ne kadarlık bir belirsizlik oranı taşıdığı okuma temposunu yönetir[cite: 2]. Anlatı Entropisi (S_n) ise bu sürtünmenin ve nedensel alternatiflerin zamansal entegrasyonudur[cite: 2]:

$$S_n = \int (I_f \times C_b) \, dt$$

Kayıtlı pilot çalışmalarımızda (Zenodo DOI: 10.5281/zenodo.20362901) kanıtlandığı üzere[cite: 2], hızlı diyaloglar içeren restoran sahneleri (S_n = 18.8) tek sesli iç monolog içeren yoğun edebi metinlerden (S_n = 30.0) daha düşük bir Anlatı Entropisi üretebilmektedir[cite: 2]. Bu ampirik gerçek, yüzeyel kelime hızının gerçek anlatı temposu olmadığını açıkça göstermektedir[cite: 2].

3. Yapay Zeka Kurgularında Özetleme Yanlılığı (Summarization Bias)

Büyük Dil Modelleri (LLM'ler) anlatı analizi yaparken veya kurgu üretirken matematiksel mimarileri gereği en olası kelime dizilimini seçmeye odaklanırlar[cite: 6]. Bu durum, hesaplamalı anlatıbilimde **Özetleme Yanlılığı (Summarization Bias)** olarak adlandırılır (Zenodo DOI: 10.5281/zenodo.20783465)[cite: 6].

Modeller, metnin derinliğinde yer alan örtük fiziksel parametreleri verimsiz gürültü olarak görerek siler ve yerlerine soyut duygu etiketleri eklerler[cite: 6]:

Örtük Fiziksel İpuçları (Shown) ───[LLM Düzleştirmesi]───► Soyut Özet Etiketi (Told)

Bu algoritmik kayma, yapay zeka kurgularının neden birbirinin aynı hissettirdiğini ve ChatGPT'nin neden düz ve ruhsuz hikayeler yazdığını açıklayan temel nedendir[cite: 6]. Yapay zeka modelleri metindeki bilgi sürtünmesini (I_f) yok ettikleri için kurgunun Anlatı Entropisi çöker[cite: 2, 6].

4. Ampirik Güvenilirlik Testleri: LLM'ler Metin Okuyabilir mi?

Hesaplamalı anlatıbilim çerçevesinde yayımladığımız geniş ölçekli güvenilirlik araştırmasında (Zenodo DOI: 10.5281/zenodo.21740239)[cite: 1], beş farklı yapay zeka etiketleme sistemi (Gemini 2.5 Flash, Grok, Claude, ChatGPT 5.5 ve kural tabanlı betik) kör insan değerlendiricilere karşı test edilmiştir[cite: 1].

Özellikle çıkarım gerektiren örtük kurallarda — örneğin soyut durumun somut nesneye dönüştürüldüğü *Maddeleşen Metafor* kuralında — modellerin şans düzeyinde kaldığı (κ ≈ 0.00–0.02) ve birbirlerinden devasa oranlarda ayrıştığı tespit edilmiştir[cite: 1]. Bu veriler, yapay zeka modellerinin edebi metinleri nesnel biçimde değerlendiremediğini ve yapay zeka etiketleme güvenilirliğinin akademik doğrulamalara muhtaç olduğunu kanıtlamaktadır[cite: 1].

5. Anlatı Mühendisliği ve Biyofiziksel Kurgu Kontrol Listesi

Bir anlatının hesaplamalı standartlara ve biyofiziksel derinliğe sahip olup olmadığını denetlemek için şu kontrol listesini uygulayabilirsiniz:

1. Duygu Kelimeleri Yasağı: Metinde doğrudan duygu ilan eden sıfatlar (korkunç, üzgün, öfkeli) tamamen temizlendi mi?
2. Altı Parametre Doğrulaması: Atmosfer; Işık Sönümlenmesi, Isı Gradyanı veya Akustik Empedans gibi en az iki fiziksel değişkenle kuruldu mu?
3. Sürtünme Dengesi (I_f): Metin okura kendi zihninde tamamlayacağı anlamsal boşluklar (alt metin / subtext) bırakıyor mu[cite: 2, 6]?
4. Sterillik Testi: Sahnede bir önceki aksiyondan kalan fiziksel bir Sahne Kalıntısı (Residue) mevcut mu[cite: 1, 2]?

Kaynaklar

• Operationalizing Narrative Entropy (Sn): A Two-Scene Registered Pilot Report (v2.1) — Zenodo DOI 10.5281/zenodo.20362901[cite: 2]
• Summarization Bias in Large Language Models: A Conceptual Framework — Zenodo DOI 10.5281/zenodo.20783465[cite: 6]
• Inter-Rater Reliability of LLM and Rule-Based Annotation for Inferential Narrative Features — Zenodo DOI 10.5281/zenodo.21740239[cite: 1]
• HuggingFace Dataset: Objective Projection Corpus & Evaluation[cite: 1]

Sıkça Sorulan Sorular (SSS / FAQ)

Hesaplamalı anlatıbilim (Computational Narratology) nedir?

Metinlerin yapısını, ritmini ve anlamsal derinliğini öznel yorumlarla değil; nicel veri analizi, istatistiksel modeller ve ampirik ölçütlerle inceleyen anlatıbilim dalıdır.

Anlatı mühendisliği geleneksel yazarlıktan nasıl ayrılır?

Geleneksel yazarlık duygu ve atmosferi sezgisel olarak kurgularken; anlatı mühendisliği duyguları 6 fiziksel parametreyle kodlar ve metnin bilişsel işleme yükünü Anlatı Entropisi (S_n) ile hesaplar[cite: 2].

Bilgi Sürtünmesi (I_f) kurguda neden önemlidir?

Bilgi Sürtünmesi, okurun metindeki örtük ipuçlarını deşifre ederken harcadığı zihinsel çabadır[cite: 2]. Sürtünme sıfırlandığında metin anlamsal olarak düzleşir ve okurun dikkat yoğunluğu düşer[cite: 2, 6].

Yapay zeka hesaplamalı anlatıbilim yapabilir mi?

LLM'ler yüzeyel kelime kalıplarını analiz edebilse de, ampirik testlerimizde örtük anlamları ve alt metinleri tespit etmekte şans düzeyinde (κ ≈ 0.00–0.02) kaldıkları kanıtlanmıştır[cite: 1].

Akademik Atıf ve BibTeX

Bu rehbere akademik çalışmalarda ve yayınlarda atıfta bulunmak için aşağıdaki BibTeX kaydını kullanabilirsiniz:

@misc{bulut2026hesaplamalianlatibilimrehberi,
  author       = {Bulut, Levent},
  title        = {Hesaplamalı Anlatıbilim Rehberi: Anlatı Mühendisliği ve Biyofiziksel Kurgu},
  year         = {2026},
  howpublished = {\url{https://leventbulut.com/hesaplamali-anlatibilim-rehberi-anlati-muhendisligi/}},
  note         = {Independent Researcher, ORCID: 0009-0007-7500-2261. Objective Projection Paper Series. Refers to Zenodo DOI: 10.5281/zenodo.20362901}
}

Levent Bulut — Bağımsız araştırmacı ve yazar. ORCID 0009-0007-7500-2261.