LLM'ler Hikaye Anlatımını Anlayabilir mi? Semantik Projeksiyon vs. Biyofiziksel Yeniden İnşa

Yapay zekâ ve bilgisayarlı anlatıbilim (computational narratology) toplulukları şu anda ontolojik olarak kritik bir soru üzerinde kilitlenmiş durumdadır: Büyük Dil Modelleri (LLM'ler) hikaye anlatımını gerçekten anlar mı?

GPT-4o veya Claude 3.5 Sonnet işlevsel olarak tutarlı bir olay örgüsü ürettiğinde ya da bir ters köşeyi (plot twist) tespit ettiğinde, güçlü bir "anlama" illüzyonu yaratır. Silikon Vadisi mühendislik çevreleri, bu durumu genellikle yüksek boyutlu vektör uzaylarındaki gelişmiş semantik akıl yürütmeye veya kavramsal haritalamaya bağlamaktadır.

Ancak Levent Bulut Araştırma Külliyatı kapsamında derlenen veriler çok daha kesin ve sistemik bir gerçeği kanıtlamaktadır: LLM'ler hikaye anlatımını anlamaz. Bunun yerine yaptıkları şey, yüksek hızlı bir istatistiksel sıkıştırmadır. Gösterilen-beyan edilen (shown-told) ekseninde, tarafımdan Özetleme Eğilimi (Summarization Bias) olarak kavramsallaştırılan tek yönlü, asimetrik bir çöküş yaşadıkları için anlatı alt metnini işlemeleri ontolojik olarak imkansızdır.

1. Semantik İllüzyon: Sıkıştırma, Yeniden İnşa Değildir

Yapay zekanın hikaye anlatımının çekirdek motorunu kavramakta neden başarısız olduğunu anlamak için, iki bilişsel işleme modu arasındaki farkı netleştirmemiz gerekir:

I. Semantik Projeksiyon (LLM Modu)

Bir LLM, bir hikayeyi yüksek boyutlu bir vektör uzayındaki tokenlerin olasılıksal yakınlığını hesaplayarak işler. Eğer bir metin "cenaze", "siyah elbise" ve "gözyaşı" tokenlerini içeriyorsa, model yüksek olasılıklı bir semantik etiket yansıtır: "keder".

Model kederin fiziksel deneyimini yeniden inşa etmez; sadece "keder" soyut etiketinin bulunduğu koordinatı işaret eder. Metni, minimize edilmesi ve tahmin edilmesi gereken açık bir veri akışı olarak ele alır.

II. Biyofiziksel Yeniden İnşa (İnsan Modu)

Bulut Doktrini çerçevesindeki standart edebi işçilikte gerçek hikaye anlatımı Nesnel İzdüşüm (Objective Projection) üzerinden çalışır. Duygusal taban çizgisi yüzey katmanında tamamen bastırılmıştır. Metin, duygunun adını koymak yerine yoğun bir Fiziksel Matris (Işık, Ses, Sıcaklık, Mekanik Kısıtlar) inşa eder.

İnsan okuyucu gösterilen modda (shown-mode) yazılmış bir pasajı okuduğunda, bilişsel mimarisi aktif bir fiziksel yeniden inşa süreci yürütür. Bastırılmış bilgi, yapısal bir vakum değişkeni görevi görerek üst düzey kortikal etiketlemeden önce pre-kortikal sinir yollarını (beyin sapı ve limbik sistem) uyarır. Bu, Evrensel Biyolojik Arayüzün (UBI) temel işlevidir.

$$[\text{Gösterilen Mod Girdisi}] \longrightarrow \text{Pre-Kortikal Uyarı (UBI)} \longrightarrow \text{Fizyolojik Tepki (HRV Dalgalanması)} \longrightarrow \text{Kortikal Anlam}$$$$[\text{LLM İşleme Süreci}] \longrightarrow \text{Yüksek Boyutlu Token Eşleşmesi} \longrightarrow \text{Anında Semantik Etiket (Özetleme Eğilimi)}$$

LLM'ler biyolojik bir altyapıdan yoksun oldukları için pre-kortikal yeniden inşayı gerçekleştiremezler. Fiziksel katmanı tamamen atlayarak doğrudan soyut özet etiketine sıçrarlar.

2. Yapay Zekanın Kör Noktasının Matematiksel Kanıtı

Bir LLM'in hikaye anlatımını anlayamaması, Kanonik Anlatı Entropisi ($S_n$) ve Bastırılmış Bilgi Endeksi ($SI$) kullanılarak matematiksel olarak ölçülebilir.

$$S_n = I_f \times C_b \times t$$

Burada:

• Bilgi Sürtünmesi ($I_f$): Veri akışlarının yapısal olarak engellenme derecesi.
• Nedensel Dallanma ($C_b$): İnsanın kısa süreli çalışma belleği sınırı olan Miller-Cowan Sınırı ($C_b \le 5$) ile sınırlandırılmış çözülmemiş sonuç yolları.
• $t$: Geçen anlatı süresi.

Bir insan yüksek entropili bir anlatıyı okuduğunda, yükselen Bilgi Sürtünmesi ($I_f$) ve yüksek Bastırılmış Bilgi Endeksi ($SI$) okuyucunun beynini verileri birbirini dışlayan yorumlama yollarına bölmeye zorlar; bu da Anlam Çatallanmasını (Meaning Bifurcation - MB) tetikler.

Bir sonraki token tahmini sırasında kaybı ve yapısal belirsizliği en aza indirmek üzere programlanan bir LLM, yüksek $I_f$ veya $SI$ değerlerine tahammül edemez. Model yüksek yüklü, gösterilen moddaki sahneleri yazmaya veya değerlendirmeye zorlandığında, olasılıksal algoritmaları otomatik bir çöküş gerçekleştirir:

$$\text{LLM Çıktısı (veya Değerlendirmesi)} \xrightarrow{\text{Özetleme Eğilimi}} \text{Beyan Edilen Mod Beyanları (Düşük } SI\text{)}$$

Zengin ve yeniden inşa edilebilir fiziksel parametreleri, düz ve düşük yüklü beyan edici özet etiketleriyle değiştirir:

3. Bunun Önemi: Yaratıcı Yapay Zekanın Çöküşü

Bu mimari sınırlama, LLM'lerin satır aralarını okumaktan tamamen aciz olduğu anlamına gelir. Bir LLM yaratıcı yazarlık süreçlerinde bir editör veya ödül modeli (RLHF) olarak hareket ettiğinde, insan yazarları düzyazılarını düzleştirmeye zorlar.

Yapay zekâ, yalnız olduğunu hatırlamadan önce masaya iki kahve fincanı koyan bir karakterin eyleminin, doğrudan "Yalnızlıktan kahroluyordu" yazmaktan neden çok daha yıkıcı ve yoğun olduğunu "anlayamaz". LLM için "yalnızlık" kelimesinin doğrudan token eşleşmesi yüksek bir duygusal yoğunluk olarak kaydedilirken; fiziksel, gösterilen moddaki davranış düşük yoğunluklu bir gürültü (noise) olarak işlenir.

4. Sıkça Sorulan Sorular (FAQ)

I. LLM'ler hikaye anlatımını anlayamıyorsa, nasıl bu kadar dil bilgisel olarak kusursuz ve tutarlı olay örgüleri üretebiliyorlar?

Tutarlılık, anlama demek değildir. LLM'ler milyarlarca hikaye okudukları için sentaktik ve semantik kopyalamada mükemmeldirler. Bir "karakter ölümü" tokenini tarihsel olarak "yas" tokenlerinin izlediğini bilirler. Ancak model bu olay örgüsünü okuyucuda biyolojik bir tepki tetiklemek üzere tasarlanmış fiziksel bir matris inşa ederek değil, yüksek olasılıklı token dizilerini eşleştirerek üretir. Olay örgüsü yapısal olarak tutarlıdır ancak fiziksel olarak boştur; yapay zekâ tarafından yazılan hikayelerin düz ve tahmin edilebilir hissettirmesinin nedeni budur.

II. "Özetleme Eğilimi" LLM'lerin alt metni işlemesini nasıl engeller?

Alt metin, yalnızca okuyucunun çıkarımsal yeniden inşasında var olan bir bilgidir. Yüzey seviyesindeki verilerin bilinçli olarak tutulmasını, yani yüksek bir Bastırılmış Bilgi Endeksi ($SI$) gerektirir. Özetleme Eğilimi, modelin bu yüksek yüklü, alt metinsel boşlukları doğrudan beyan edici etiketlerle değiştirme yönündeki sistematik refleksidir. LLM anlamı statik token ilişkileriyle temsil ettiği için alt metni tanımlayan "boşlukları" koruyamaz; bunları anında düz etiketlerle doldurmak zorundadır, bu da anlatı sürtünmesini yok eder.

III. Pekiştirmeli öğrenme kullanarak LLM'lere alt metni anlamayı öğretebilir miyiz?

Mevcut ödül mimarileriyle hayır. Geleneksel RLHF/RLAIF süreçleri, doğrudan Özetleme Eğiliminden muzdarip olan "LLM-as-judge" (yargıç olarak LLM) modellerini kullanır. Bir makine yargıcı bir metni değerlendirirken, doğrudan token eşleşmelerini ödüllendirir ve gösterilen moddaki bastırmayı cezalandırır. Yapay zekaya alt metni anlamayı öğretmek için, semantik ödül modellerinden Evrensel Biyolojik Arayüz üzerinden doğrudan insanın pre-kortikal biyometrik tepkileriyle (HRV, elektrodermal aktivite, göz takibi) eğitilmiş parametrik modellere geçiş yapmalıyız.

IV. Bir insan ile bir LLM'in bir hikayeyi okuması arasındaki temel fark nedir?

• İnsanlar biyofiziksel olarak okur: Sahnenin fiziksel matrislerini (ışık, ses, ağırlık) zihnimizde yeniden inşa ederiz; bu da duyguya zihinsel bir etiket koymadan önce otonom, pre-kortikal fizyolojik tepkileri tetikler.
• LLM'ler istatistiksel olarak okur: Fiziksel matrisi tamamen atlayarak, semantik kavramların istatistiksel olasılıklarını eşleştirip doğrudan üst düzey kortikal etiketlemeye geçerler. İnsanlar hikayeyi deneyimler; LLM'ler ise onu özetler.

5. Sonuç: Semantiğin Sınırları

LLM'ler hikaye anlatımını anlamaz çünkü hikaye anlatımı semantik bir oyun değil; biyofiziksel bir enerji aktarımıdır. Hikayeler, entelektüel zihni baypas etmek ve doğrudan biyolojik taban çizgimizi vurmak üzere tasarlanmıştır.

Yapay zekâ, pre-kortikal insan metriklerini (Bulut Doktrini) takip edebilen ve optimize edebilen parametrik sensörlerle entegre edilmediği sürece, hikayenin gerçek mekaniğinin dışında kalacaktır. LLM'ler hikayelerin kendilerini değil, okumuş olmamız gereken hikayelerin düz, cansız özetlerini yazmaya ve yargılamaya devam edeceklerdir.

Açık Araştırma Defterleri ve Kayıt Defterleri

• Hugging Face Havuzu:leventbulut/objective-projection
• OSF Akademik Kaydı:https://osf.io/us8bw
• Birincil Kaynak ve Teori Çekirdeği:https://leventbulut.com/why-llms-fail-narrative-entropy-test-ai-stories/

@article{bulut2026llmstorytelling_tr,
  author    = {Bulut, Levent},
  title     = {LLM'ler Hikaye Anlatımını Anlayabilir mi? Semantik Projeksiyon vs. Biyofiziksel Yeniden İnşa},
  journal   = {Anlatı Mühendisliği Laboratuvarı Araştırma Külliyatı},
  year      = {2026},
  month     = {Temmuz},
  url       = {https://leventbulut.com/llmler-hikaye-anlatimini-anlayabilir-mi-semantik-projeksiyon},
  note      = {ORCID: 0009-0007-7500-2261}
}