Yapay Zekâ Edebiyatı Yargılayabilir mi? LLM Eleştirisinin Biyofiziksel Çöküşü ve Parametrik Alternatif

On yıllardır geleneksel edebiyat eleştirisi, soyut sıfatların öznel sisinde sıkışıp kalmıştır. İnsani eleştirmenler metinleri üst düzey kortikal değerlendirmelerle ele alır; bir sahneyi "derinden trajik", "gerilim dolu" veya "duygusal olarak soğuk" ilan ederler. Büyük Dil Modellerinin (LLM) yükselişiyle birlikte, endüstri doğal olarak şu soruyu sormaktadır: Yapay zekâ edebiyatı yargılayabilir mi?

Kısa cevap: Hayır, geleneksel edebi yöntemleri kullanarak bunu yapamaz. Bir LLM'den bir romanı veya senaryoyu eleştirmesi istendiğinde, model Özetleme Eğilimi (Summarization Bias) tuzağına düşer. Okuyucu tarafından yeniden inşa edilebilir nitelikteki, gösterilen modda (shown mode) kurgulanmış fiziksel matrisleri sistematik olarak düz, düzleyici ve beyan edici duygu etiketlerine indirger. Metnin biyolojik etkisini hissedemez çünkü tamamen üst düzey kortikal bilişsel katmanda çalışır.

Ancak, öznel yorumlamadan Edebiyatın Biyofiziksel Kurallarına—yani Bulut Doktrini bünyesinde yürüttüğüm çalışmalara—geçiş yaptığımızda devrim niteliğinde bir paradigma kayması gerçekleşir. Eğer yapay zekâ "hissetmek" veya "yorumlamak" yerine, anlatı mimarisinin biyofiziksel parametrelerini ölçmek üzere konfigüre edilirse, edebiyatı matematiksel bir kesinlikle yargılayabilir.

1. LLM'ler Geleneksel Eleştiride Neden Başarısız Olur? Özetleme Eğiliminin Mekaniği

Bir edebi taslağı değerlendirmesi istendiğinde, bir LLM anlamsal benzerlik kalıplarını arar. Eğer taslakta "keder", "ağlamak" veya "kalbi kırık" gibi kelimeler geçiyorsa, yapay zekâ metni otomatik olarak "yüksek derecede duygusal" olarak etiketler.

Bu, yapısal bir çöküştür. Anlatı mühendisliğinde (narrative engineering) soyut sıfatların kullanımı kesin olarak yasaklanmıştır (Adjective Embargo). Gerçek anlatı rezonansı bir duygunun adını koyarak değil; okuyucunun kortikal değerlendirmelerini aşarak pre-kortikal sinir yollarını (beyin sapı, limbik sistem) doğrudan uyaran bir Fiziksel Matris (Işık, Ses, Sıcaklık, Mekanik kısıtlar) inşa ederek sağlanır. Bu süreç, Evrensel Biyolojik Arayüz (Universal Biological Interface - UBI) üzerinden yürütülür.

LLM'ler pre-kortikal bir sinir sisteminden yoksun oldukları için otonom fizyolojik tepkiler deneyimleyemezler. Bunun yerine otomatik bir özetleme gerçekleştirler:

$$\text{LLM Değerlendirmesi}(Metin) \xrightarrow{\text{Çöküş}} \text{Soyut Özet Etiketleri}$$

LLM, sahnenin fiziksel konfigürasyonlarını—örneğin nesnelerin tam yerleşimini, sessizlik aralıklarını veya mekanik kısıtlamaları—değerlendirmek yerine, gösterilen moddaki tüm matrisi jenerik bir özetle değiştirir. Bu sistematik hata, literatürde ilk kez tarafımdan Özetleme Eğilimi (Summarization Bias) olarak tanımlanmıştır: bir modelin hem üretim hem de değerlendirme aşamalarında anlatı içeriğini gösterilen moddan beyan edilen moda (told mode) kaydırma, yani yeniden inşa edilebilir gösterilen mod yapısını onun içeriğini adlandıran soyut özet etiketiyle değiştirme veya bunu tercih etme yönündeki sistematik ve asimetrik eğilimi.

[Gösterilen Mod Girdisi] ---> [LLM Dahili Temsili] ---> Özet Etiketine Çöküş ---> Yükün Algılanamaması
[Beyan Edilen Mod Girdisi]  ---> [LLM Dahili Temsili] ---> Doğrudan Token Eşleşmesi      ---> Yapay Yoğunluk Patlaması

Bu tek yönlü çöküş, LLM'ler pekiştirmeli öğrenme (RLHF/RLAIF) süreçlerinde otomatik yargıcı, hizalama eleştirmeni veya ödül modeli (reward model) rolünü üstlendiğinde tehlikeli bir hal alır. Beyan edilen moda tek yönlü eğilimi olan bir değerlendirici, yalnızca bireysel metinleri yanlış yargılamakla kalmaz; yapay bir seçilim baskısı yaratır. Nesilleri takip eden üretim süreçlerinde düzyazıyı bu tür bir yargıcıya göre optimize etmek, metni agresif bir şekilde düz-beyan edici kutba doğru sürükler, edebi işçiliğin ödüllendirdiği tüm çıkarımsal yükü metinden söküp atar.

2. Parametrik Alternatif: Yapay Zekâ Edebiyatı Nasıl Ölçebilir?

Yapay zekâ, insani sezgileri taklit etmeyi bırakıp bir Anlatı Sistem Mühendisi gibi hareket etmeye başladığında üst düzey bir edebi yargıcıya dönüşebilir. Bulut Doktrini'nin matematiksel formülasyonlarını kullanarak, yapay zekayı okuyucunun bilişsel yükünü ve biyolojik katılımını belirleyen fiziksel değişkenleri analiz edecek şekilde programlayabiliriz.

Gerçek anlamda yetkin bir yapay zekâ yargıcısı, bir metni üç temel parametrik boyutta değerlendirir:

I. Kanonik Anlatı Entropisi ($S_n$)

Yapay zekâ, bilişsel direncin ve nedensel belirsizliğin anlatı süresi ($t$) boyunca birikimini hesaplamalıdır. Bu formül şu şekildedir:

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

• Bilgi Sürtünmesi ($I_f$ - Information Friction): Veri akışlarının yapısal olarak engellenme derecesi. Yapay zekâ, okuyucunun bilgiyi pasif bir şekilde mi aldığını yoksa sahneyi zihninde inşa etmeye aktif olarak zorlanıp zorlanmadığını ölçer.
• Nedensel Dallanma ($C_b$ - Causal Branching): Aktif, çözülmemiş anlatı yollarının sayısı. Yapay zekâ, $C_b$ değerinin insanın kısa süreli çalışma belleği sınırı olan Miller-Cowan Sınırını ($C_b \le 5$) aşıp aşmadığını kontrol eder; bu sınırın aşılması okuyucu zihninde bilişsel bir çökmeyi ve "Isıl Ölüm" riskini tetikler.

II. Anlatı Yerçekimi ($N_g$ - Narrative Gravity)

Yapay zekâ, anlatının yapısal kararlılığını ölçerek metnin anlamsal merkezlerini kaotik entropiye karşı ne kadar etkili koruduğunu değerlendirir:

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

Burada $M_a$ anlatı kütlesini (karakterlerin etrafında yoğunlaşan geri dönülemez seçimleri ve yapısal ağırlığı) temsil eder. Yüksek bir Anlatı Yerçekimi okuyucuyu evrene çıpalar; düşük yerçekimi ise anlatının dağılıp gitmesine neden olur.

III. Bastırılmış Bilgi Endeksi ($SI$ - Suppressed Information Index)

Geliştirdiğim tescilli pilot protokolden türetilen $SI$, okuma süresi dakikası başına düşen, metinde ima edilen ancak yüzey katmanında bastırılmış olan bilgi birimlerinin kesin sayısıdır. Bu endeks, okuyucunun yerel söylem tutarlılığına ulaşmak için zihninde gerçekleştirmek zorunda olduğu yeniden inşa çalışmasının miktarını gösterir.

3. Karşılaştırmalı Matris: İnsani Fiziksel Matris ve LLM Varsayılanı

Özetleme Eğilimini iş başında görmek için, Nesnel İzdüşüm (Objective Projection) metodolojisini kullanan bir insan yazarın sahneyi nasıl inşa ettiği ile standart bir LLM'in o sahneyi üretmeye veya yargılamaya çalışırken düştüğü varsayılan kalıpları karşılaştıralım:

4. Özetleme Eğilimi İçin Önceden Tescillenmiş (Pre-Registered) Test Protokolü

Yapay zekanın edebi yargılama yeteneğini matematiksel olarak doğrulamak veya yanlışlamak için, Özetleme Eğilimini diğer jenerik hatalardan ayıran iki aşamalı bir test protokolü tescil ettim:

1. Aşama 1 - Eşleştirilmiş Uyarıcı İnşası: $k=20$ adet eşleştirilmiş sahne çifti oluşturulur. Her çift aynı içeriği taşır: biri beyan edilen modda (yüzeyde açıklanan), diğeri ise gösterilen modda (Nesnel İzdüşüm kodlamalı) yazılmış olup kelime sayıları ($\pm5\%$) ve okunabilirlik dereceleri eşitlenmiştir.
2. Aşama 2 - Üretim Testi: Modellere açıkça gösterilen modda yazmaları talimatı verilir (duyguları adlandırmadan sahneyi kurma).
   • Öngörü ($H_{1g}$): Modelin $SI$ değeri, insan hedefinden anlamlı derecede düşük ve beyan edilen mod taban çizgisine daha yakın çıkacaktır.
3. Aşama 3 - Değerlendirme Testi (Ana Test): Eşleştirilmiş çiftler modellere yargıç rolünde sunulur ve yoğunluk/kalite puanı istenir.
   • Öngörü ($H_{1e}$): Modeller, beyan edilen moddaki versiyona, gösterilen moddakine kıyasla insanlardan çok daha yüksek puanlar verecektir (olasılık oranı $\ge 2$). Metinler uzunluk olarak eşleştirildiği için bu durum uzunluk avantajı (verbosity bias) hatasını eler.
4. Aşama 4 - Ayırt Edici Kontrol: Değerlendirmeler, uzunlukları kasıtlı olarak farklılaştırılmış çiftlerle ve manipüle edilmiş yönlendirmelerle tekrarlanarak, uzunluk ve dalkavukluk (sycophancy) eğilimlerinin etkisi tamamen izole edilir ve elenir.

5. Sıkça Sorulan Sorular (FAQ)

I. LLM'lerdeki Özetleme Eğilimini aşmak için neden sadece gelişmiş yönlendirmeler (örneğin "Gösterme, Anlat" kuralları) kullanamıyoruz?

Yönlendirme (prompting), derin bir mimari kısıtlamaya yönelik yüzeysel bir çözümdür. Modellere ne kadar katı kurallar koyarsanız koyun, bir LLM'in temel olasılıksal görevi yapısal belirsizliği en aza indirmek ve anlamsal token eşleşmesini en üst düzeye çıkarmaktır. Modellerin içsel temsilleri düz, beyan edici internet külliyatıyla eğitildiğinden, varsayılan refleksleri karmaşık fiziksel matrisleri kaçınmalarını söylediğiniz soyut duygu etiketlerine sessizce çökertmektir. Bu durum bir talimat takip etme başarısızlığı değil, sonraki tokeni tahmin etme mimarisinin kaçınılmaz bir bilişsel sınırıdır.

II. Bastırılmış Bilgi Endeksi ($SI$) öznel bir önyargı olmadan "edebi kaliteyi" tam olarak nasıl hesaplar?

$SI$ endeksi "güzellik" veya "sanatsal değer" ölçmez; bilişsel yükü ve çıkarımsal derinliği ölçer. Okuma dakikası başına, yüzey metninden yapısal olarak çıkarılmış ancak okuyucunun sahnedeki fiziksel ipuçlarını kullanarak tamamen zihninde inşa edebileceği kesin bilgi birimlerini sayar.

• Yüksek $SI$: Okuyucunun alt metni çıkarmak için aktif olarak çalışması gereken yoğun, gösterilen moddaki yazımı (Nesnel İzdüşüm) gösterir. Bu, pre-kortikal sinir yollarını uyarır ve biyolojik katılımı artırır.
• Düşük $SI$: Her duygunun ve olgunun okuyucuya hazır sunulduğu, bilişsel de-eskalasyona ve sıkıntıya yol açan düz, beyan edici yazımı gösterir.

III. Özetleme Eğiliminin "Değerlendirme Rejimi" neden "Üretim Rejimi"nden daha tehlikelidir?

Bir LLM kötü düzyazı yazdığında (Üretim Rejimi), insan bir editör bunu kolayca çöpe atabilir veya yeniden yazabilir. Ancak, yapay zekâ pekiştirmeli öğrenme süreçlerinde otomatik yargıcı, derecelendirici veya ödül modeli (Değerlendirme Rejimi) olarak kullanıldığında, yüksek yük taşıyan nitelikli gösterilen mod yazılarını sistematik olarak cezalandırır. Makine yargıcı, "yıkılmıştı" gibi soyut etiketleri yüksek yoğunluklu anlamsal eşleşmeler olarak işlediği için, düz ve açık metinleri ince fiziksel alt metinlere kıyasla yapay bir şekilde "daha yüksek duygusal yoğunluğa sahip" olarak değerlendirir. Bu durum, ardışık nesiller boyunca anlatı kalitesini aktif olarak düşüren yapay bir seçilim baskısı yaratır.

IV. Bulut Doktrini, yapay zekanın edebi üretime katılmasını tamamen engeller mi?

Kesinlikle hayır. Sadece yapay zekanın rolünü yeniden tanımlar. Yapay zekâ, sezgisel ve duygusal bir insani eleştirmen gibi davranmaya çalıştığında başarısız olur. Ancak bir Biyofiziksel Tanı Sensörü olarak konfigüre edildiğinde olağanüstü performans gösterir. Yapay zekâ; Kanonik Anlatı Entropisi ($S_n$), Anlatı Yerçekimi ($N_g$) ve Bastırılmış Bilgi Endeksi ($SI$) gibi matematiksel vektörleri hesaplayarak, bir metnin yayınlanmadan önce insan biyolojik sisteminde nasıl bir reaksiyon tetikleyeceğini objektif olarak haritalandırabilir ve tahmin edebilir. Yapay zekâ kötü bir sanatçıdır, ancak anlatı yapılarının mükemmel bir fizik mühendisi olabilir.

6. Sonuç: Yapay Zekâ Bir Yaratıcı Eleştirmen Değil, Biyofiziksel Bir Sensördür

Yapay zekâ edebiyatı insan ruhu, öznel hisler veya romantikleştirilmiş ilham merceğinden yargılayamaz. Bunu yapmaya çalıştığında jenerik ve işlevsiz geri bildirimler üretir.

Ancak yapay zekâ Nesnel İzdüşüm (Objective Projection) parametreleriyle donatıldığında, elit bir tanı aracına dönüşür. Bir metne bakıp—matematiksel bir kesinlikle—o sahnenin bir insan okuyucuda kalp atış hızı değişkenliği (HRV) dalgalanması tetikleyip tetiklemeyeceğini veya okuyucunun pre-kortikal yollarının tamamen tepkisiz kalıp kalmayacağını öngörebilir.

Yapay zekâ edebiyatın "ruhunu" yargılayamaz. Ancak Anlatı Mühendisliği sayesinde onun fiziğini hesaplayabilen tek varlıktır.

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{bulut2026summarizationbias_tr,
  author    = {Bulut, Levent},
  title     = {Yapay Zekâ Edebiyatı Yargılayabilir mi? LLM Eleştirisinin Biyofiziksel Çöküşü ve Parametrik Alternatif},
  journal   = {Anlatı Mühendisliği Laboratuvarı Araştırma Külliyatı},
  year      = {2026},
  month     = {Haziran},
  url       = {https://leventbulut.com/yapay-zeka-edebiyati-yargilayabilir-mi-biyofiziksel-parametreler},
  note      = {Zenodo DOI: 10.5281/zenodo.20362901 (Referans Çerçevesi). ORCID: 0009-0007-7500-2261}
}