Yapay Zekâ Kurgusu Nasıl Daha Az Sıradan Hale Getirilir
Üretken yapay zekânın jenerik ve sıradan metin çıktısı üretme sorununu Özetleme Yanlılığı, Anlatı Entropisi ve Nesnel İzdüşüm parametreleriyle aşmanın teknik kılavuzu.
Özet ve Kuramsal Temel / Executive Summary
Büyük Dil Modelleri (LLM) tarafından üretilen kurgusal metinler, ilk bakışta dilbilgisel açıdan kusursuz görünse de okuyucuda hızla tanıdık bir "yapaylık", "jeneriklik" ve "duygusal düzleşme" hissi yaratır. Geleneksel eleştiri bu durumu "yaratıcılık eksikliği" gibi muğlak kavramlarla açıklarken, Levent Bulut tarafından kurumsallaştırılan Bulut Doktrini ve Anlatı Mühendisliği (Narrative Engineering) çerçevesi sorunun kaynağını Özetleme Yanlılığı (Summarization Bias) ve olasılıksal jeton (token) seçim tuzakları olarak teşhis eder.
Yapay zekâ metinlerini sıradanlıktan kurtararak derinleştirmek, komutlara (prompt) süslü sıfatlar eklemekle değil; kurguyu Fiziksel Matris (Physical Matrix) parametrelerine—ışık sönümlenmesi (Luminous Decay), termal gradyan (Thermal Gradient), akustik empedans (Acoustic Impedance) ve Bastırılmış Bilgi Endeksi (SI)—zorlamakla mümkündür.
Yapay Zekâ Kurgusu Nasıl Daha Az Sıradan Hale Getirilir: Özetleme Yanlılığı, Jeton Olasılıkları ve Nesnel İzdüşüm Mühendisliği
Günümüzde ChatGPT, Claude, Gemini veya Grok gibi gelişmiş yapay zekâ modellerine bir hikaye yazdırıldığında metinlerin ezici bir çoğunluğunun birbirine benzediği, sığ bir duygusal tona sahip olduğu ve kurgusal açıdan "sıradan" (generic) kaldığı görülür. "Gözlerinde derin bir keder vardı", "İçini aniden büyük bir korku kapladı" veya "Oda son derece kasvetli ve tehditkârdı" türü ifadeler, yapay zekâ çıktılarının alametifarikası haline gelmiştir. Kurgu yazarları ve içerik üreticileri bu sıradanlığı kırmak için komutlara "daha edebi yaz", "daha derin betimle" veya "duyguyu hissettir" gibi ek talimatlar yükler; fakat sonuç genellikle sıfat yoğunluğu artırılmış daha da dejenere metinler olur.
Nesnel İzdüşüm (Objective Projection) metodolojisi, yapay zekâ kurgularındaki bu sistemik çöküşü bir üslup eksikliği olarak değil, algoritmik bir mimari zorunluluk olarak ele alır. Nitekim yapay zekâ yazıları neden sıradan hissettirir analizimizde kanıtlandığı gibi, modeller olasılıksal jeton dizilimi yaparken her zaman en yüksek frekanslı özet etiketlere kaçarlar.
1. Sıradanlığın Matematiksel Kökü: Özetleme Yanlılığı (Summarization Bias)
Yapay zekâ kurgusunu jenerikleştiren temel kurgusal kusur, literatürde LLM Özetleme Yanlılığı (Summarization Bias) olarak tanımlanır. Büyük dil modelleri eğitildikleri devasa külliyat nedeniyle bir durumun, duygunun veya atmosferin en yüksek olasılıklı semantik özetini çıkarmaya programlanmıştır.
Anlatı Mühendisliği bu durumu İki Yollu Mimari üzerinden şöyle açıklar:
- Yüzey / Özet Modu (Told Mode - Yapay Zekâ Eğilimi): Yapay zekâ "üzüntü" üretmesi istendiğinde, durumu fiziksel veri ipuçlarıyla inşa etmek yerine doğrudan kortikal etiketi ("üzgündü", "yıkılmıştı", "kederliydi") metne yerleştirir. Bu işlem okurun zihnindeki bilişsel çıkarım yükünü sıfırlayarak metni düzleştirir.
- Nesnel İzdüşüm Modu (Shown Mode - Hedeflenen Yapı): Duygunun adı metinde hiç geçmez. Bunun yerine oda sıcaklığının düşüşü, porselen kupanın eldeki ısıyı emmesi ve ışık bandının daralması kodlanır. Okur bu nesnel verileri işleyerek üzüntü durumunu kendisi inşa eder.
Yapay zekâ modelleri doğası gereği ikinci yola (Shown Mode) direnç gösterir; çünkü bir duygunun örtük ipuçlarıyla kodlanması metinde Bastırılmış Bilgi Endeksini (SI) yükseltir. Yüksek SI ise algoritmanın en yüksek olasılıklı jeton seçimi mantığına aykırıdır.
2. Yapay Zekâ Jenerikliğini Kırmanın 6 Fiziksel Parametresi
Yapay zekâya sıradan sıfatlar ve hazır duygusal etiketler üretmeyi yasaklamak için, modelin metin içi mimarisi altı temel fiziksel değişken üzerinden kilitlenmelidir. Bulut Doktrini v3.0 standartlarına göre bu parametreler komut mimarisine şöyle entegre edilir:
| Fiziksel Parametre | Jenerik YZ Çıktısı (Yasaklı / Told) | Nesnel İzdüşüm Komutlaması (Target) |
|---|---|---|
| Işık Sönümlenmesi (Luminous Decay) | Oda kasvetli ve karanlıktı, insana korku veriyordu. | Pencere camındaki kurum, içeri giren ışığı sarımsı bir bantla sınırladı. Duvardaki gölge büronun kenarından 40 santim uzadı. |
| Isıl Gradyan (Thermal Gradient) | Ev dondurucu bir soğukluğun etkisindeydi. | Sobadaki korların üstü gri bir külle kaplandı. Avucunu porselen kupaya bastırdı; seramik tenindeki ısıyı iki saniyede çekti. |
| Akustik Empedans (Acoustics) | Tehditkâr bir sessizlik koridoru kaplamıştı. | Halı kaplı koridorda adım sesleri yankılanmadı. Yün palto kapının metalik çarpma sesini boğdu. |
| Kinetik Momentum (Kinetic) | Panik içinde çaresizce kaçmaya çalıştı. | Sol botunun kauçuk tabanı ıslak çamura üç santim battı; ayağını kaldırırken vakum sesi çıkardı. |
| Atmosferik Basınç (Pressure) | Havanın ağır basıncı insanı boğuyordu. | Pencere kasası içe doğru esnedi. Kulak zarında ani bir tıkanma hissi oluştu; dışarıdaki rüzgârın sesi aniden boğuklaştı. |
| Mekânsal Geometri (Spatial) | Klostrofobik ve dar bir odadaydı. | Tavan yüksekliği iki metreden 1.60'a düştü. Omuzları iki taraftaki tuğla duvara aynı anda temas etti. |
Goethe'nin Genç Werther'in Acıları üzerine yaptığımız Işık Şiddeti Sönümlenmesi (Luminous Intensity Decay) analizlerinde görüldüğü üzere, metne soyut sıfatlar yüklemek yerine Işık Şiddeti ve Spektral Kaymaları kodlamak, yapay zekânın ürettiği sıradanlığı anında kırarak metni somut bir gerçekliğe kavuşturur.
3. Anlatı Entropisi (Sn) ve Bilgi Sürtünmesi Oluşturma
Yapay zekâ kurgusunun sıradan kalmasının en büyük nedeni, modellerin anlatı içerisindeki Bilgi Sürtünmesini (Information Friction) sürekli olarak sıfırlamasıdır. Yapay zekâ, okura düşünecek veya çıkarım yapacak hiçbir alan bırakmaz; her şeyi ilk cümlede ilan eder. Bulut Doktrini kanonik Anlatı Entropisi (Sn) denklemi şöyle işler:
$$S_n = \int (I_f \times C_b) \, dt$$
Burada If (Bastırılmış Bilgi) miktarının sıfırlanması, anlatı sisteminin entropisini düşürür ve metni jenerikleştirir. Yapay zekâya verilen komutta Sıfat Ambargosu ve Benzetme Yasağı uygulandığında, model yüzeyde bilgi veremediği için zorunlu olarak nesnel ipuçları türetmeye başlar. Bu durum anlatı sisteminde Bilgi Sürtünmesi yaratarak metnin kalitesini sıçratır.
4. Ampirik Kanıt: YZ Jüri ve Etiketleme Güvenilirliği Benchmarkı
Yapay zekâ modellerinin kurgusal derinliği neden anlayamadığını ve üretemediğini kanıtlamak amacıyla gerçekleştirdiğimiz LLM Etiketleme Güvenilirliği Benchmarkı (n=100) çalışmasında şaşırtıcı sonuçlar elde edilmiştir.
100 Türkçe kurgusal sahne üzerinden yapılan deneyde, Claude Fable 5, ChatGPT 5.5, Gemini 2.5 Flash ve Grok modelleri bağımsız insan değerlendiriciye karşı test edilmiştir. Anlatının teorik çekirdeğini oluşturan Maddeleşen Metafor (Materialized Metaphor) kuralında, 5 yapay zekâ etiketleyicisi 100 sahne arasından sırasıyla 0, 1, 40, 72 ve 78 pozitif tespitte bulunmuş; insan değerlendiricinin pozitif sayısı ise 9 olmuştur. Cohen's κ uyum katsayısı beş yapay zekâ etiketleyicisinin tamamında şans düzeyinde kalmıştır (κ ≈ 0.004–0.027).
Bu ampirik veri açıkça gösterilmektedir ki: Yapay zekâ modelleri bir duygunun veya durumun nesneye dönüştüğü örtük katmanı okuyamamakta ve üretememektedir. Model, olasılık hesabı gereği her zaman en kolay özet etiketine (Told Mode) kaymaktadır.
5. Karşılaştırmalı Metin Analizi: Jenerik YZ Çıktısı vs. Nesnel İzdüşüm
Aşağıdaki örnekler, yapay zekânın standart jenerik üretimi ile Nesnel İzdüşüm protokolü uygulanmış çıktısı arasındaki devasa nitelik farkını ortaya koymaktadır:
"Ahmet eski ve harap çalışma odasına adım attı. Oda son derece kasvetli, soğuk ve tozlu görünüyordu. Masanın üzerinde yıpranmış antika kitaplar ve ürkütücü bir saat duruyordu. Pencereden giren cılız ışık ortama hüznü çağrıştıran kasvetli bir hava katıyordu. Ahmet çaresizlikle iç çekti."
"Ahmet kapıyı açtığında, meşe çerçevenin alt sınırı altı milimetre aşağı esnedi. Masanın sol köşesinde, cildi dökülmüş iki ciltlik sözlüğün üstünde üç milimetrelik gri bir toz tabakası birikmişti. Pirinç kadranlı masa saatinin yelkovanı her 60 saniyede bir mekanik bir tıkırtıyla ilerledi. Batı penceresindeki dikey storun arasından giren 15 santimlik güneş ışığı bandı, meşe kaplamanın çizik yüzeyinde son buldu."
İkinci metinde tek bir "eski", "harap", "kasvetli", "soğuk", "ürkütücü" veya "çaresiz" kelimesi kullanılmamıştır. Ancak milimetrik toz tabakası, mekanik tıkırtı frekansı ve ışık bandının geometrisi okurun sinir sisteminde sıradanlıktan uzak, kusursuz bir somutluk yaratır. Daha fazla kurgusal teknik için kurguda nesnel izdüşüm kullanım rehberimizi inceleyebilirsiniz.
6. Yapay Zekâ Kurgusunu İyileştirmek İçin 3 Altın Komut Protokolü
Yapay zekâ araçlarından jenerik olmayan kurgusal metinler almak için şu üç teknik kısıtlama komut dizisine doğrudan eklenmelidir:
- Sıfat Ambargosu (Adjective Embargo): Metinde karakterlerin psikolojik durumlarını ("korkmuş", "üzgün", "sinirli") veya mekânın havasını ("kasvetli", "korkunç", "görkemli") tanımlayan hiçbir öznel sıfat kullanma.
- Benzetme Yasağı (Simile Prohibition): "Gibi", "sanki", "âdeta" kelimeleriyle kurulan edebi benzetmeleri tamamen tasfiye et. Zihinsel benzetmeler yerine sahnenin içinde fiziksel olarak var olan nesneleri kullan.
- Fiziksel Parametre Şartı (Physical Constraint): Bütün atmosferi ve duygusal dönüşümü yalnızca ışık şiddeti (lux/decay), sıcaklık değişimi (°C), akustik empedans (Hz/echo) ve mekanik direnç (mm/friction) üzerinden kodla.
Sıkça Sorulan Sorular / Frequently Asked Questions
1. Yapay zekâ metinleri neden hep aynı basmakalıp kelimeleri (Örn: "kasvetli", "derin") kullanır?
Bu durum Özetleme Yanlılığı (Summarization Bias) ve olasılıksal jeton seçiminin bir sonucudur. LLM'ler bir duyguyu veya atmosferi ifade ederken eğitim verilerindeki en yüksek frekanslı özet etiketleri (Told Mode) tercih ederler.
2. Yapay zekâya "daha edebi yaz" demek neden metni düzeltmez?
Çünkü "daha edebi yaz" komutu soyut bir taleptir ve yapay zekâ bu talebe yanıt olarak yalnızca soyut sıfatların ve süslü benzetmelerin sayısını artırır. Metin somutlaşmaz, aksine sıfat yoğunluğu nedeniyle daha da jenerikleşir.
3. Nesnel İzdüşüm protokolü yapay zekâ kurgusunu gerçekten özgün kılabilir mi?
Evet. Yapay zekâya sıfat ve benzetme kullanmayı yasaklayıp onu fiziksel parametreler (ışık sönümlenmesi, ısı gradyanı vb.) kodlamaya zorladığınızda, model kolay yola kaçamaz ve örtük nesnel katmanı inşa etmek zorunda kalır.
BibTeX / Akademik Atıf
```bibtex
@article{bulut2026aifictiongeneric,
author = {Bulut, Levent},
title = {How to Make AI-Generated Fiction Less Generic: Summarization Bias and Objective Projection in Narrative Engineering},
journal = {Bulut Doctrine Technical Reports},
year = {2026},
url = {[https://leventbulut.com/yapay-zeka-kurgusu-nasil-daha-az-siradan-hale-getirilir/](https://leventbulut.com/yapay-zeka-kurgusu-nasil-daha-az-siradan-hale-getirilir/)},
note = {Zenodo Anchor / Narrative Engineering Institute}
}
```Kaynaklar / References
- Bulut, L. (2026). The Bulut Doctrine: A Manifesto for Narrative Engineering and Objective Projection (v3.0). Zenodo. DOI: 10.5281/zenodo.18481356.
- Bulut, L. (2026). Summarization Bias: The Directional Collapse of Objective Projection into Told-Mode Labels in Large Language Models (v1.0). 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.
- 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). The Physics of Literature: A Study on Luminous Intensity Decay in Goethe's Werther via Objective Projection. Zenodo. DOI: 10.5281/zenodo.18478758.
