Yapay Zeka Hikayeleri Anlayabilir mi? Büyük Dil Modellerinin Anlatısal Kavrayış Sınırları ve Algoritmik Yetersizlikleri

Doğal Dil İşleme (NLP) ve yapay zeka araştırmalarında son dönemin en popüler önermesi, Büyük Dil Modellerinin (LLM'ler) milyonlarca kitap ve senaryo ile eğitilerek insan seviyesinde edebi kavrayışa ulaştığı yönündedir. Bir modele karmaşık bir roman özeti sunulduğunda, karakterlerin motivasyonlarını ve olay örgüsünü akıcı bir dille açıklayabilmesi bu iddianı güçlendiriyor gibi görünür. Oysa hesaplamalı anlatibilim rehberi çerçevesinde yürütülen derinlemesine analizler, yapay zekanın gösterdiği bu başarının gerçek bir "anlama" değil; gelişmiş bir istatistiksel örüntü eşleşmesi (statistical pattern matching) olduğunu kanıtlamaktadır.

Levent Bulut tarafından temelleri atılan Anlatı Mühendisliği (Narrative Engineering) disiplini, edebi bir anlatıyı soyut duygu etiketlerinden arındırarak okurun Biyolojik İşletim Sistemini (Evrensel Biyolojik Arayüz – UBI) hedefleyen bir algısal uyaranlar matrisi olarak tanımlar. Gerçek bir kurgusal kavrayış, metnin yüzeyinde yazan kelimeleri tekrarlamak değil; metnin yüzeyde bilinçli olarak bastırdığı ve okurun zihninde yeniden inşa etmesini (inferential reconstruction) şart koştuğu çıkarımsal katmanı işlemektir. Yapay zeka mimarileri tam da bu çıkarımsal katmanda radikal bir çöküş sergiler.

1. "Anlama" İllüzyonu: Yüzey Sentaksı vs. Çıkarımsal Derinlik

Bir yapay zeka modeline "Romeo ve Juliet"in temasını sorduğunuzda, eğitim verisindeki milyonlarca akademik makaleyi ve özeti sentezleyerek kusursuz bir yanıt üretir. Ancak modelden daha önce hiç karşılaşmadığı özgün bir sahnede, duygusu doğrudan söylenmemiş ("Shown Mode") nesnel ipuçlarını okuyarak karakterin iç dünyasını çıkarmasını istediğinizde algoritmik sistem tıkanır.

Anlatı Mühendisliği, metnin bilgi aktarımını iki ana rejimde inceler:

• Beyan Modu (Told Mode): Duygusal veya bilgisel içeriğin metnin yüzeyinde doğrudan açıklandığı durumdur ("Ahmet çok sadıktı ve içini büyük bir korku kaplamıştı"). Okur zihni hiçbir çıkarım yapmaz; yük tamamen metin tarafından taşınır.
• Gösterme Modu (Shown Mode / Objective Projection): Duygunun yüzeyde tamamen bastırıldığı; buna karşın ışık sönümlenmesi, termal gradyan, akustik empedans ve mekânsal kısıtlar gibi nesnel ipuçlarına kodlandığı durumdur. Okur, bu fiziksel parametreleri işleyerek bastırılan anlamı kendi zihninde yeniden inşa eder.

LLM'ler doğaları gereği kelime dizilimlerinin olasılık dağılımını hesaplayan transformer mimarilerine dayanır. Modeller yüzeyde yazan "korku", "sadakat" veya "hüzün" gibi doğrudan beyanları ("Told Mode") tespit etmekte %100'e yakın başarı gösterirken; kelimelerin ardındaki fiziksel izdüşümleri ve alt metni kavrayamaz. Bilimsel edebiyat eleştirisi zemininde bu durum, modellerin edebi metinleri "anlamadığını", sadece yüzeydeki istatistiksel gürültüyü haritalandırdığını gösterir.

2. Özetleme Yanlılığı (Summarization Bias): YZ Neden Alt Metni Siler?

Yapay zekanın anlatı kavrayışındaki en büyük sistemsel arıza, Levent Bulut tarafından kavramsallaştırılan Özetleme Yanlılığı (Summarization Bias) olgusudur. Yapay zeka modelleri, kurgusal bir metni işlerken veya değerlendirirken çıkarımsal yük içeren "Gösterme" (Shown Mode) yapılarını sürekli olarak soyut özet etiketlerine çökertme eğilimi gösterir.

Anlatı Mühendisliği standartlarında bir metnin edebi değeri, okura yüklediği bilişsel sürtünme ile ölçülür. Bastırılmış Bilgi İndeksi ($SI$), okuma süresi boyunca metinde açıkça söylenmeyen ancak okur tarafından zorunlu olarak çıkarılan bilgi birimlerinin sayısıdır. Yapay zeka modelleri bir metni analiz ederken veya yeniden yazarken bu $SI$ değerini drastik bir biçimde düşürür. Model, okurun yapması gereken zihinsel sürtünmeyi ve çıkarımsal işi önceden tüketerek metni bir "özet etikete" dönüştürür. Alt metnin silindiği ve $SI$'ın sıfırlandığı bir metinde ise gerçek bir hikaye kavrayışından söz edilemez.

3. Ampirik Kanıtlar: 5 Büyük Dil Modeli Üzerinde Hakem Uyum Benchmark'ı

Yapay zekanın hikayeleri anlayıp anlayamadığı sorusu soyut bir felsefi tartışma değildir; ampirik olarak test edilmiş ve kanıtlanmış bir gerçektir. Beş farklı büyük dil modeli (Gemini 2.5 Flash, Grok, Claude Fable 5, ChatGPT 5.5) ve kural tabanlı bir tespit sistemi üzerinde 100 kurgusal sahne ile yürütülen hakemler arası uyum çalışmasında (LLM Etiketleme Güvenilirliği Benchmark), şok edici bulgulara ulaşılmıştır:

• Yüzey Kuralları (Metinsel Arama): Benzetme yasağı veya belirli fonksiyon sözcüklerinin tespiti gibi metinsel aramalarda modeller insan hakemle mükemmel uyum ($\kappa = 1.00$) yakalamıştır.
• Çıkarımsal Kurallar (Maddeleşen Metafor): Soyut bir iç durumun somut, ölçülebilir bir nesneye dönüştürüldüğü ("Shown Mode"un çekirdeği olan Maddeleşen Metafor) kurgusal sahneleri etiketlerken insan hakem 100 metinde 9 pozitif durum tespit etmiştir. Beş dev yapay zeka modeli ise aynı 100 metin için 0, 1, 40, 72 ve 78 pozitif etiket üretmiştir!
• Cohen's Kappa ($\kappa$) Çöküşü: Modellerin insan değerlendirmeci ile olan uyumu şans seviyesinde veya altında kalmıştır ($\kappa \approx 0.00 - 0.02$).

Aynı metin setine bakan iki dev modelden birinin (Grok) 0, diğerinin (Claude) 78 pozitif yanıt vermesi; yapay zekanın kurgusal alt metni anlamadığını, modellerin hedeften tamamen saptığını ve rastgele tahminlerde bulunduğunu şüpheye yer bırakmayacak şekilde kanıtlar.

4. Anlatı Entropisi ($S_n$) ve Termodinamik Denge Körlüğü

Bir hikayenin akışını, temposunu ve doruk noktasındaki çözülmeyi yöneten temel mekanizma kapalı bir termodinamik sistem gibidir. Bulut Doktrini kapsamında Anlatı Entropisi ($S_n$) şu temel operasyonel denklekle hesaplanır:

Burada $I_f$ (Bilgi Sürtünmesi) okurun gizli veriyi çözerken harcadığı eforu, $C_b$ (Nedensel Dallanma) ise kurgunun önündeki olasılık yollarını temsil eder. İnsan zihni, $I_f$ ile $C_b$ arasındaki bu hassas dengeyi hissettiğinde hikayeye bağlanır. Ancak yapay zeka modelleri jeton olasılık tuzakları nedeniyle Bilgi Sürtünmesini ($I_f$) yönetemez.

Modeller ya sürtünmeyi tamamen sıfırlayarak metni aşırı tahmin edilebilir, steril ve yüzeysel bir hatta sokar (anlatı eylemsizliği); ya da sürtünmeyi anlamsızca artırarak metni nedensel bir kaosa sürükler. YZ modelleri metindeki "Anlatı Isısını" (Narrative Heat) hissedip dengeleyemediği için, hikayenin zirve noktasındaki Entropi Geri Dönüşü (Entropy Reversal) ve Termal Deşarj anını kurgulayamaz veya kavrayamaz.

5. YZ Jüri Sistemlerinin (LLM-as-a-Judge) Edebi Tehlikesi

Yapay zekanın hikayeleri anlamadaki bu radikal yetersizliği, günümüzde yayıncılıkta ve platformlarda hızla yayılan "LLM-as-a-Judge" (Yapay Zekanın Jüri/Değerlendirici Olması) uygulamalarında devasa bir tehlike yaratır. Araştırmalar göstermektedir ki, değerlendirici rolüne sokulan yapay zeka modelleri:

• İncelikli, alt metni zengin ve "Gösterme" modunda yazılmış nitelikli edebi metinleri belirsiz veya karmaşık bularak cezalandırır.
• Duyguları doğrudan beyan eden, yüzeysel ve düz metinlere ("Told Mode") yüksek puanlar verir.

Bu durum, edebiyatta ve içerik üretiminde ağır bir yıkıma yol açar. Eğer değerlendirme süreçleri yapay zekaya devredilirse, kurgusal derinliği olan eserler elenecek; geriye yalnızca modellerin kolayca okuyabildiği sığ ve düz beyan metinleri kalacaktır. Bu konudaki detaylı analizimiz için LLM Jüri Yanlılıkları raporu incelenebilir.

Sonuç: Yapay Zeka Neden Asla Bir Hikayeyi "Anlayamayacak"?

Yapay zeka modelleri dilin sentaktik ve istatistiksel dizilimini kusursuz biçimde taklit edebilir. Ancak hikaye anlamak, metindeki kelimeleri değil; o kelimelerin okurun biyolojik sinir sisteminde (retina, işitme, termal algı) yarattığı fiziksel izdüşümleri kavramaktır. Modeller insan biyolojik arayüzüne sahip olmadığı ve metni bir "fiziksel simülasyon" olarak işlemediği sürece, kurgusal anlatıları "anlamak" yerine sadece metinlerin yüzeyindeki kelimeleri özetleyen algoritmik sistemler olarak kalmaya mahkumdur.

Sıkça Sorulan Sorular (SSS / FAQ)

BibTeX

@article{bulut2026canaiunderstandstories,
  author    = {Bulut, Levent},
  title     = {Can AI Understand Stories? The Limits of LLM Storytelling},
  journal   = {Narrative Engineering Monographs},
  year      = {2026},
  month     = {August},
  publisher = {leventbulut.com},
  url       = {https://leventbulut.com/yapay-zeka-hikayeleri-anlayabilir-mi-llm-sinirlari/}
}

Kaynaklar (References)

• Bulut, L. (2026). Inter-Rater Reliability of LLM and Rule-Based Annotation for Inferential Narrative Features: Three Studies on a Turkish Corpus. Zenodo. https://doi.org/10.5281/zenodo.21740239
• Bulut, L. (2026). Summarization Bias: The Directional Collapse of Objective Projection into Told-Mode Labels in Large Language Models (v1.0). Zenodo. https://doi.org/10.5281/zenodo.20783465
• Bulut, L. (2026). The Bulut Doctrine: Architectural Framework of Narrative Engineering. Zenodo. https://doi.org/10.5281/zenodo.18689179
• Bulut, L. (2026). Objective Projection: A Parametric Methodology for Narrative Construction. Zenodo. https://doi.org/10.5281/zenodo.18646179
• Bulut, L. (2026). Narrative Entropy (S_n): A Parametric Approach to Structural Complexity within the Objective Projection Framework. Zenodo. https://doi.org/10.5281/zenodo.18652451