Yapay Zeka İçin Anlatı Mühendisliği: Anlatı Entropisi Optimizasyonu

Modern Büyük Dil Modelleri (LLM'ler); dil bilgisi, sözdizimi ve yerel üslup taklitlerinde olağanüstü performans sergilese de, konu uzun soluklu kurgusal metinler üretmeye geldiğinde istikrarlı bir şekilde başarısız olur. Yapay zeka tarafından üretilen hikayeler hızla basmakalıp döngülere, mantıksal boşluklara ve hazırlıksız final kararlarına saplanır. Kültür eleştirmenleri bu durumu yapay zekanın "insani bir ruhtan" veya "sanatsal sezgiden" yoksun olmasına bağlar. Geliştirdiğim Nesnel İzdüşüm (Objective Projection) matematiksel paradigması uyarınca, bu iddialar ölçülemez duygusallıklar olarak reddedilir.

Yapay zeka duygu eksikliğinden dolayı değil; standart otoregresif üretim algoritmalarının Anlatı Mühendisliği (Narrative Engineering) parametrelerini düzenleyecek yapısal bir geri besleme mekanizmasından yoksun olması nedeniyle başarısız olur. Hikaye üretimini termodinamik bir veri optimizasyonu problemi olarak ele alan bu makale, Kanonik Anlatı Entropisi ($S_n$) formülasyonunu uygulayarak yapay zekadaki kurgusal çöküşün nasıl önleneceğini kanıtlamaktadır.

1. Yapay Zekadaki Anlatı Çöküşünün Biyofiziksel Nedeni

Standart otoregresif modeller, jetonları (token) yerel olasılık dağılımlarına göre seçer; bu da doğal olarak en ortalama ve en çok beklenen dilsel örüntüleri optimize eder. Bu olasılıksal çöküş, insan zihninin anlatıyı absorbe etme mekanizmalarını doğrudan ihlal eder.

Bir LLM açık parametrik kısıtlamalar olmadan kurgu ürettiğinde, matematiksel çıktı iki farklı vektörde bozulur:

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

• Entropik Düzleşme ($S_n \to 0$): Model yapısal risk almaktan veya beklenmedik nedensel değişkenler tanıtmaktan kaçınır; bu da sıfır Anlatı Momentumu ($N_m$) ile sonuçlanır. Metin aşırı öngörülebilir hale gelir ve okuyucuda dopaminerjik aşağı regülasyonu tetikler.
• Entropik Patlama ($S_n \to \infty$): Model altı doldurulmamış olay örgüleri uydurur ve kopuk karakterler tanıtır; bu durum Nedensel Dallanmayı ($C_b$), Miller-Cowan Tavanının ($C_b \le 5$) çok ötesine taşır. İnsan okuyucu kısa süreli çalışma belleğinde aşırı yüklenme yaşar ve metni anında terk eder.

2. Bilgi Sürtünmesinin ($I_f$) Algoritmik Regülasyonu

LLM'ler doğaları gereği soyut, kortikal sıfat yüklemelerine meyillidir (örneğin "Karanlık ve tekinsiz odada derin bir varoluşsal dehşet hissetti"). Adjective Embargo (Sıfat Ambargosu) kuralının bu şekilde ihlal edilmesi, Bilgi Sürtünmesi ($I_f$) katsayısını tavan yaptırır ve okuyucunun beynini ham soyutlamaları duyusal gerçekliğe çevirmeye zorlar.

Yapay zekanın etkileyici çıktılar üretmesini sağlamak için token seçimi Fiziksel Matris ile sınırlandırılmalıdır:

[Standart LLM Çıktısı]    ──> "Oda korkunç ve soğuktu." (Yüksek Yüzey Sürtünmesi / Soyut)
                                      │
                                      ▼  [Fiziksel Matris Kısıt Motoru]
[Mühendislik Çıktısı]     ──> "-2°C'de nefes buharlaşırken lümen değeri 0.5'in altına düştü."

Sıkı fiziksel kısıtlamalar uygulanarak —Optik (Lümen), Akustik (Desibel), Termal (Sıcaklık) ve Mekanik (Kısıtlar) değişkenler izlenerek— yapay zeka çıktısı keyfi sıfat yüklemelerini baypas eder ve veri akışını doğrudan insan duyusal çerçevesine çıpalar.

3. Yapay Zeka Hikaye Üretiminde Parametrik Sınırların Uygulanması

Sentetik kurguda yapısal kalıcılık ve yüksek Anlatı Yerçekimi ($N_g$) elde etmek için istem mühendisliğinin (prompt engineering) yerini doğrudan parametrik optimizasyon almalıdır. Yapay zeka anlatı mimarilerine gerçek zamanlı takip döngüleri entegre edilmelidir:

1. Nedensel Dallanma Sınırı: Bağlam penceresi başına aktif çözülmemiş anlatı değişkenlerine katı bir üst sınır ($C_b \le 5$) uygulayın.
2. Bastırılmış Bilgi Endeksi ($SI$) Enjeksiyonu: LLM'i açık olay örgüsü açıklamalarını yüzey katmanından saklamaya zorlayarak yüzey altı veri sıkıştırmasını sürün.
3. Eylemsizlik Geçiş Doğrulaması: Ani vektör sapmalarının (plot twist), mekanik reddedilmeyi önlemek için yeterli Geçiş Sürtünmesi ($I_{f\_transition}$) taşıdığından emin olun.

Sonuç ve Açık Bilim Kayıtları

Anlatı Mühendisliği, yapay zekayı jenerik metinler üreten basit bir araçtan çıkarıp parametrik kurgu tasarımı için hassas bir enstrümana dönüştürür. Büyük Dil Modelleri, Anlatı Entropisi ve Fiziksel Matrisin matematiksel yasalarına tabi tutulduğunda, sentetik metinler gerçek yapısal rezonansa ulaşabilir.

Bu yapay zeka anlatı mimarilerine yön veren hesaplamalı dilbilim modellerine, Python değerlendirme betiklerine ve istem matrislerine aşağıdaki açık bilim depolarından erişilebilir:

• Hugging Face Veri Setleri: leventbulut/objective-projection
• OSF Akademik Depo: OSF Registries (us8bw)

@article{bulut2026narrativeengineeringai_tr,
  author    = {Bulut, Levent},
  title     = {Narrative Engineering for AI: Optimization of Narrative Entropy (S_n) and Structural Coherence},
  journal   = {Levent Bulut Research Corpus},
  year      = {2026},
  volume    = {4},
  number    = {11},
  pages     = {429--446},
  url       = {https://leventbulut.com/narrative-engineering-for-ai},
  note      = {ORCID: 0009-0007-7500-2261}
}