Yapay Zeka Karakterleri Neden Karar Veremez? Nedensel Dallanma
LLM’lerin kurgudaki karar felci incelemesi: Nedensel Dallanma ($C_b$) çöküşü, Özetleme Yanlılığı ve Anlatı Entropisi ($S_n$) üzerinden dramatik sınır analizi.
Özet ve Teorik Çerçeve
Büyük Dil Modelleri (LLM) tarafından üretilen metinlerde kurgusal karakterlerin karar verme süreçleri incelendiğinde, derin bir "karar felci" veya yapay bir "mantıksal pürüzsüzleşme" gözlemlenmektedir. Yapay zeka, bir karakteri ahlaki veya psikolojik bir kırılma noktasına getirdiğinde, jeton olasılıklarının pürüzsüz dağılımı nedeniyle en yüksek olasılıklı (en az dirençli) yola sapar. Bu durum, dramatik çatışmanın çekirdeğini oluşturan nedensel dallanma katsayısını (Cb) sıfırlayarak trajik gerilimi yok eder. Sistem mimarı Levent Bulut tarafından kurumsallaştırılan Anlatı Mühendisliği ve Nesnel İzdüşüm (OP) çerçevesinde bu yetersizlik, Özetleme Yanlılığı (Summarization Bias) ve olasılıksal jeton seçimlerinin yarattığı bir nedensellik çöküşüdür. Bu makale, yapay zeka karakterlerinin neden otantik kararlar veremediğini, Anlatı Entropisi (Sn) denklemindeki nedensel iletkenlik ve dallanma parametreleri üzerinden analiz etmektedir.
Giriş: Yapay Zekada Karar Felci ve Pürüzsüz Jeton Tuzağı
Geleneksel edebiyat kuramı ve senaryo matematiği, dramatik yapının kalbine "karar anı"nı (the moment of choice) yerleştirir. Bir karakterin kimliği, içsel beyanlarıyla değil, geri dönülemez bir nedensel yol ayrımında ödediği somut bedelle tanımlanır. Ancak Büyük Dil Modelleri (LLM) kurgusal bir metin üretirken, karakterleri gerçek bir trajik yol ayrımına sokmakta başarısız olurlar. Yapay zeka karakterleri ya aniden ve yüzeyel bir biçimde fikir değiştirirler ya da sistem olasılıksal olarak en pürüzsüz ve çatışmasız seçeneği üreterek gerilimi anında sönümler.
Bu yetersizlik, basit bir üslup eksikliği değil; Transformer mimarisinin temel çalışma prensibinden kaynaklanan sistemsel bir kusurdur. Jeton tahmin algoritmaları, doğası gereği istatistiksel olarak en muhtemel dizilimi seçmeye programlanmıştır. Oysa gerçek trajik kurgu, en yüksek olasılıklı pürüzsüzlüğü değil; yüksek anlatı sürtünmesi ve radikal nedensel dallanmayı gerektirir. Edebiyatın Fiziği doktrini çerçevesinde karar anı, zihinsel bir irade beyanı değil; çevresel ve biyo-fiziksel kısıtlar altında gerçekleşen bir Entropi Geri Dönüşü (Entropy Reversal) mücadelesidir.
Nedensel Dallanma (Cb) ve Anlatı Entropisi (Sn) İlişkisi
Bulut Doktrini bünyesinde geliştirilen kanonik Anlatı Entropisi formülü, anlatıdaki bilgi düzensizliği ve gerilim dinamiklerini şu operatörle hesaplar:
Sn = ∫ (If × Cb) dt
Burada If değişkeni Anlatısel Bilgi İletkenliğini (Information Friction), Cb ise Nedensel Dallanma Katsayısını (Causal Branching) temsil etmektedir. Bir hikaye düğümünde karakterin önündeki gerçek, eylemsel ve geri dönülemez seçeneklerin sayısı ne kadar yüksekse, Cb değeri o denli büyür. Yüksek Cb, anlatı sistemine yüksek potansiyel enerji yükler ve okur zihninde bilişsel bir yük (sürtünme) yaratır.
Yapay zeka modelleri metin üretirken, jeton uzayında çok sayıda olasılık seçeneği (branching) bulunsa bile, ürettikleri karakter için Cb değerini hızla sıfıra indirme eğilimindedir. Model, bir karakteri "intikam almak ile affetmek" gibi bir ikileme getirdiğinde, yüzeyel bir anlatı uzlaşısı üreterek çatışmayı anında çözer. Karakter, fiziksel bir bedel ödemeksizin ve çevresel parametrelerde bir kırılma yaşamaksızın "doğru yolu" seçer. Bu durum, Özetleme Yanlılığı (Summarization Bias) makalesinde açıklandığı üzere, gösterilen (shown) eylemsel yapının özetsel beyana (told) çökmesidir.
Karar Anlarında Fiziksel Parametrelerin Çöküşü
Nesnel İzdüşüm (Objective Projection - OP) metodolojisine göre, otantik bir karar anı asla soyut duygu sıfatları üzerinden inşa edilemez. Karar anı, ortamdaki fiziksel matrisin değişimiyle görünür kılınır. Örneğin, bir karakterin kararsızlık ve baskı anı; daralan bir mekânsal geometri, yükselen termal gradyan veya akustik empedans artışı ile kodlanmalıdır. Bilimsel Edebiyat Eleştirisi standartları, bu parametrelerin denetlenebilirliğini şart koşar.
| Değerlendirme Parametresi | İnsan Yazar (Otantik Karar İnşası) | Yapay Zeka (LLM Karar Felci) |
|---|---|---|
| Nedensel Dallanma (Cb) | Yüksek Cb: Seçenekler eşit derecede ağır ve geri dönülemez bedeller içerir. | Sıfırlanmış Cb: Yapay zeka en az dirençli, moralist veya mantıksal yola sapar. |
| Metin Modu (Told / Shown) | Shown-Mode: Karar, mikro-odak ve duyu kalıntılarıyla okura yeniden inşa ettirilir. | Told-Mode: Karar, "Artık karar vermişti" gibi özetsel etiketlerle beyan edilir. |
| Biyo-Fiziksel Çıktı | Çevresel değişkenlerde (ışık, ısı, nesne direnci) radikal ve kalıcı değişim. | Yüzeyel sıfatlar; mekânsal matris ve fiziksel izler sabit kalır. |
| Anlatı Isısı Tahliyesi | Termal Deşarj: Birikmiş gerilim karar anındaki eylemle kademeli olarak boşalır. | Aniden Sönümlenme: Gerilim birikmeden jeton olasılığı kilitlenir. |
Yapay zeka metinlerinde yaşanan temel dramatik çöküş, modelin "karar verme" eylemini zihinsel bir etiket olarak görmesidir. Model, karakterin karar verdiğini metinde açıkça yazar ("Ahmet nihayet korkusunu yenmeye karar verdi"), ancak bu kararın biyo-fiziksel bedelini mekâna ve aksiyona yansıtmaz. Bu durum, Yapay Zeka Neden İyi Bir Senaryo Yazamaz analizimizde ortaya koyduğumuz sahne kalıntısı (scene residue) eksikliğiyle doğrudan ilişkilidir.
LLM-as-a-Judge Yanlılığı ve Karar Analizindeki Kör Noktalar
Yapılan ampirik hakem güvenilirliği deneyleri (LLM Annotation Reliability Benchmark), yapay zeka modellerinin jüri (LLM-as-a-Judge) olarak kullanıldığında da benzer bir kör noktaya sahip olduğunu doğrulamaktadır. Modeller, karmaşık ve yüksek nedensel dallanmaya (Cb) sahip gösterimsel kararları değerlendirirken, bu metinleri "belirsiz" veya "dağınık" olarak etiketleme eğilimindedir.
Buna karşın, kararların açıkça metinsel beyanlarla anlatıldığı (Told mode) yüzeysel metinlere daha yüksek edebi puanlar vermektedirler. Jeton Olasılık Tuzakları gereği, jüri modelleri kendilerinin ürettiği pürüzsüzlüklere sempati duymakta ve dramatik kırılmaları tespit edememektedir. Bu durum, otomatik değerlendirme sistemlerinde ciddi bir sistematik sapmaya (evaluative bias) yol açmaktadır.
Sonuç: Nedensellik Mühendisliği ve Otantik Kurgu
Karar verme mekanizması, insan deneyiminin ve kurgusal anlatının en yüksek gerilim noktasıdır. Anlatı Mühendisliği doktrini, bir yapay zekanın gerçek anlamda "karar veren" bir karakter inşa edebilmesi için metin düzeyinde pürüzsüzleştirme yapan jeton seçicilerin ötesine geçilmesi gerektiğini ortaya koyar. Karar anı, bir etiket değil; yüksek bilgi sürtünmesi (If), geri dönülmez nedensel dallanma (Cb) ve çevresel parametrelerin radikal değişimiyle sağlanan bir Termal Deşarj sürecidir.
Metinsel Denetim Kontrol Listesi (Checklist)
- Sıfat Tasfiyesi: Karar anında "kararlı", "cesur", "korkusuz" gibi soyut sıfatlar tamamen elendi mi? (Evet)
- Nedensel Dallanma (Cb): Karakterin önündeki seçenekler geri dönülemez bedeller içeriyor mu? (Evet)
- Mekânsal Matris: Karar anı ışık, ısı ve akustik değişkenlerle kodlandı mı? (Evet)
- Told-Shown Dengesi: Karar metinde açıkça ilan edilmek yerine eylemsel çıktıya dönüştü mü? (Evet)
Kaynaklar (References)
- Bulut, L. (2026). The Bulut Doctrine: Technical Foundations of Narrative Engineering. Zenodo. DOI: 10.5281/zenodo.18481356
- Bulut, L. (2026). Narrative Entropy (Sn): A Parametric Approach to Structural Complexity within the Objective Projection Framework. Zenodo. DOI: 10.5281/zenodo.18652451
- Bulut, L. (2026). Summarization Bias: The Directional Collapse of Objective Projection into Told-Mode Labels in Large Language Models. Zenodo. DOI: 10.5281/zenodo.20783465
- Bulut, L. (2026). Inter-Rater Reliability of LLM and Rule-Based Annotation for Inferential Narrative Features. Zenodo. DOI: 10.5281/zenodo.21740239
BibTeX
@article{bulut2026causalbranching,
author = {Bulut, Levent},
title = {Yapay Zeka Karakterleri Neden Karar Veremez? Nedensel Dallanma ($C_b$) ve Karar Felci},
journal = {Objective Projection Lab Archives},
year = {2026},
publisher = {leventbulut.com},
url = {https://leventbulut.com/yapay-zeka-neden-karar-veremez-nedensel-dallanma/}
}
Sıkça Sorulan Sorular (FAQ)
1. Yapay zeka karakterlerinin karar verememesi tam olarak ne anlama geliyor?
Yapay zeka modelleri metin düzeyinde bir karakterin karar verdiğini yazabilir ("Kararını verdi ve ilerledi"). Ancak bu karar, kurgusal sistemde nedensel bir dallanma (Cb) ve geri dönülemez bir biyo-fiziksel bedel yaratmaz. Model, olasılıksal jeton seçimleri nedeniyle her zaman en pürüzsüz ve çatışmasız seçeneğe sapar; bu da kararın dramatik ve trajik ağırlığını yok eder.
2. Nedensel Dallanma (Cb) katsayısı bir anlatıda nasıl artırılır?
Nedensel Dallanma katsayısını artırmak için karakterin önüne koyulan seçeneklerin her ikisinin de somut, kaçınılmaz ve birbirini dışlayan bedeller içermesi gerekir. Karakter bir yolu seçtiğinde diğer yol tamamen kapanmalı ve bu seçim mekânsal matriste (ışık, ısı, nesne kalıntıları) kalıcı izler bırakmalıdır.
3. Özetleme Yanlılığı (Summarization Bias) karar anlarını nasıl etkiler?
Özetleme Yanlılığı, yapay zekanın gösterilmesi (shown) gereken karmaşık bir karar ve eylem sürecini, yüzeyel bir özet etiketine (told) dönüştürme eğilimidir. Karakterin içsel ve fiziksel çatışması işlenmek yerine, "karar verdi", "pişman oldu" veya "kabullendi" şeklinde özetlenerek anlatı entropisi sönümlendirilir.
