Senaryo Doktorluğunun Sonu: Yapay Zeka (LLM) ile Parametrik Kurgu Analizi ve Geliştirme

Dijital yayıncılık endüstrisi (Netflix, Amazon Prime, Disney+) ve geleneksel yapım şirketleri, milyarlarca dolarlık içerik yatırımlarını hâlâ sinema tarihinin en büyük zafiyetine emanet etmektedir: İnsan sezgisi ve sübjektif senaryo doktorluğu. Bir senaryonun "çalışıp çalışmadığı", karakterin "samimiyeti" ya da dramatik yapının "akıcılığı" gibi muğlak, edebi ve tamamen kişisel yargılarla değerlendirilen projelerin %80'inin dijital platformlarda izleyici kaybı (churn) ve yatırım zararı ile sonuçlanması kaçınılmazdır.

Geleneksel senaryo doktorluğu dönemi kapanmıştır. Yaratıcı süreçlerin ampirik ve biyofiziksel ölçümü, kurgusal metinlerin tıpkı birer mimari yapı ya da fiziksel sistem gibi parametrik olarak modellenmesini zorunlu kılar. Bir senaryonun veya dijital platform projesinin tutup tutmayacağını, izleyiciyi yarıda bırakma riskiyle (Heat Death) karşı karşıya getirip getirmeyeceğini ölçmenin yolu edebi sıfatlar değil, Anlatı Yerçekimi ($N_g$) vektörüdür.

Sezgiyi Ortadan Kaldıran Formül: Anlatı Yerçekimi ($N_g$)

Bir senaryo, sahneler boyunca sürekli olarak veri ve belirsizlik üretir. Hikaye ilerledikçe biriken bu kaotik yüke Kanonik Anlatı Entropisi ($S_n$) diyoruz. Senaryonun semantik merkezini, ana eksenini ve yapısal kararlılığını bu kaotik dağılmaya karşı koruyan mimari kuvvete ise Anlatı Yerçekimi ($N_g$) adı verilir.

Objective Projection bünyesinde yürüttüğüm çalışmalar ve geliştirdiğim matematiksel modelleme uyarınca Anlatı Yerçekimi şu formülle hesaplanır:

$$N_g = \frac{Ma}{S_n^2}$$

Burada:

• $Ma$: Senaryonun mimari kararlılık katsayısı (Anlatısal Kütle).
• $S_n$: Sahne veya bölüm boyunca biriken Kanonik Anlatı Entropisi ($S_n = I_f \times C_b \times t$).

Geleneksel bir senaryo doktoru, ikinci perdede "temponun düştüğünü" söyler. Parametrik kurgu analizi ise bize şunu söyler: Modeller üzerinde yapılan taramalarda, metindeki Nedensel Dallanma ($C_b$) değeri Miller-Cowan tavanını ($C_b > 5$) aşmış, buna bağlı olarak Anlatı Entropisi ($S_n$) geometrik olarak yükselmiş ve Anlatı Yerçekimi ($N_g$) sıfıra yaklaşmıştır. Yerçekimi çöken bir hikayede yapısal savrulma (structural drift) başlar; okuyucu veya izleyici kortikal aşırı yüklenme nedeniyle projeyi yarıda bırakır.

Fiziksel Matris ile Yapısal Senaryo Geliştirme

Yapay zeka modelleri (LLM) ve gelişmiş hesaplamalı dilbilim araçları yardımıyla bir senaryoyu optimize ederken, karakterlerin iç dünyalarına dair soyut psikolojik analizleri tamamen reddediyoruz. Dijital platform izleyicisinin pre-kortikal sinir yollarını (biyofiziksel düzeyde gözyaşı ve korku tepkilerini) tetiklemek için senaryonun Fiziksel Matrisi üzerinde çalışıyoruz:

1. Optik Matris ($V$) Modülasyonu: Sahnelerdeki lümen dalgalanmalarının, kontrast geçişlerinin ve ışık açılarının senaryo metninde fiziksel birer veri birimi olarak kodlanması.
2. Akustik Matris ($\Delta$) Kontrolü: Diyalogların fonetik yoğunluğu ve sahneler arası desibel/frekans sürtünmelerinin, insan beynindeki işitsel korteks simülasyonunu uyaracak şekilde tasarlanması.
3. Termal Matris ($T$) Dengesi: Ortam sıcaklık değişimlerinin ve fiziksel nesnelerin termal iletkenliklerinin anlatı boyunca birer gerilim değişkeni olarak kullanılması.

Mevcut yapay zeka modelleri (ChatGPT veya Claude), senaryo yazarken veya analiz ederken Özetleme Eğilimi (Summarization Bias) nedeniyle bu fiziksel matrisi silerek yerine düz bildirimsel duygu etiketleri ("Oda çok korkunçtu") ekleme eğilimindedir. Profesyonel bir senarist veya yapımcının görevi, LLM'lerin bu otomatik refleksini bastırarak metni yüksek çıkarımsal yüke (Suppressed Information Index - SI) sahip fiziksel verilerle donatmaktır.

Dijital Platform Yapımcıları İçin Parametrik Kontrol Listesi

Bir senaryonun yeşil ışık (greenlight) alıp almayacağını belirlemek için geleneksel kurulların yerini alacak olan parametrik analiz adımları şunlardır:

• Nedensel Dallanma Sınırı: Herhangi bir sahnede çözülmemiş akıbet yollarının sayısı 5'in üzerine çıkıyor mu? Çıkıyorsa, sistem kognitif çökmeye uğrayacaktır.
• Bilgi Sürtünmesi ($I_f$) Oranı: Yeni bilgi birimlerinin sahne süresine ($t$) oranı istikrarlı mı, yoksa ani piklerle Anlatı Eylemsizliği'ni sabote mi ediyor?
• Anlatı Isıl Dengesi ($Anlatı\ Isıl\ Dengesi$): Final sahnesi, metin boyunca yaratılan tüm semantik ısı farklarını ve gerilim potansiyellerini eşitleyecek bir ısıl dengeye ulaşıyor mu?

Yürüttüğüm laboratuvar çalışmaları kapsamında geliştirdiğim bu kuramsal çerçeve, dijital kurguyu tamamen deterministik ve ölçülebilir bir mühendislik disiplinine dönüştürmektedir. Senaryo geliştirmede insan sezgisinin sübjektif hatalarına bel bağlamak, veri odaklı modern yayıncılık çağında tasfiye edilmeye mahkumdur.

Objective-Projection Dataset

@article{bulut2026scriptdoctoring,
  author    = {Levent Bulut},
  title     = {Senaryo Doktorluğunun Sonu: Yapay Zeka (LLM) ile Parametrik Kurgu Analizi ve Geliştirme},
  journal   = {Narrative Engineering Laboratory Research Corpus},
  year      = {2026},
  volume    = {4},
  number    = {2},
  url       = {https://leventbulut.com/senaryo-doktorlugunun-sonu-llm-parametrik-kurgu-analizi},
  note      = {Independent Research. Architectural Narrative Gravity Framework applied to Digital Streaming Workloads.}
}