Yapay Zeka Neden Mikro-Odağa Odaklanamaz? | Levent Bulut
YZ kurguda neden sürekli makro betimlemeler yapar? Bulut Doktrini'nin Mikro-Odak (Micro-Focus) kuralı, nesne ölçeği ve vektör kümelenme analizi.
Özet ve Teorik Çerçeve
Yapay zeka modellerinin ürettiği kurgusal metinlerde belirgin şekilde gözlemlenen en temel sistemsel sınırlılıklardan biri, nesne ölçeğinin küçültülememesi ve mekanik bir "makro-anlatı körlüğü"dür. Üretken modeller, bir sahneyi kurgularken sürekli genel plan (wide shot) perspektifinde kalarak ortamı, kalabalığı veya genel atmosferik durumu geniş kavramsal etiketlerle anlatma eğilimindedir. Oysa otantik anlatısal gerilim; mekândaki mikro bir detay üzerinde (örneğin yırtık bir gömlek ipliği, paslı bir vida başı veya tırnak altındaki kuru çamur katmanı) yoğunlaşan Mikro-Odak (Micro-Focus) ile inşa edilir. Sistem mimarı Levent Bulut tarafından kurumsallaştırılan Anlatı Mühendisliği ve Nesnel İzdüşüm (OP) çerçevesinde bu yetersizlik, Transformer ağlarındaki yüksek frekanslı semantik vektör kümelenmelerinden doğan bir Özetleme Yanlılığı (Summarization Bias) ve Bastırılmış Bilgi İndeksi (SI) çöküşüdür. Bu makale, LLM'lerin neden mikro-düzeyde fiziki odak kuramadığını ampirik veriler ve vektör uzayı mekaniği üzerinden çözümlenmektedir.
Giriş: Genel Plan Tuzağı ve Makro-Anlatı Körü
Kurgusal prose inşasında estetik derinlik ve duyusal inandırıcılık, anlatıcının bakış açısını mekândaki en küçük, gözden kaçabilecek somut nesneye kilitleme becerisiyle ölçülür. Bir karakterin çöküşü veya dehşet anı, genelleştirilmiş bir oda betimlemesiyle değil; masanın kenarındaki mikron ölçeğindeki bir vernik çatlağına veya parmak ucundaki mikroskobik tuz kalıntısına odaklanarak duyusal gerçekliğe kavuşur.
Ancak üretken yapay zeka modelleri (LLM) bir sahne üretirken, anlatıyı neredeyse her zaman makro ölçekte tutar. Model; "karanlık sokak", "kalabalık şehir", "kasvetli salon" gibi semantik uzayda geniş yer kaplayan yüksek olasılıklı kavram düğümlerini peş peşe dizer. Sahnenin kamerası hiçbir zaman mikro ölçeğe inmez, somut bir nesnenin pürüzlü yüzeyinde durmaz. Bu durum, Edebiyatın Fiziği doktrininde "makro-anlatı körlüğü" olarak tanımlanır. Yapay zeka, kurgusal evreni mikro parametrelerle mühürleyemediği için metin sentetik ve jenerik bir yüzeyde kalmaya mahkum olur.
Vektör Uzayındaki Semantik Kümelenmeler ve Nesne Ölçeği
Transformer mimarisinin temelini oluşturan vektör uzaylarında, geniş ve soyut kavramlar (örneğin *odada gerilim vardı*, *hava çok soğuktu*) çok sayıda metinsel bağlamla ilişkilendirildiği için yüksek olasılıklı semantik merkezler (hubs) oluşturur. Buna karşılık, "4 milimetrelik paslı bir bakır çivi" veya "sol ayakkabı bağındaki kurumuş çamur lekesi" gibi mikro-odak nesneleri, metin evreninde daha seyrek dağılmış, düşük olasılıklı dizilimlerdir.
Jeton Olasılık Tuzakları gereği, model en az matematiksel direnç gösteren (least resistance) ve en yüksek olasılığa sahip vektör patikalarını seçer. Mikro bir detayı sahneye yerleştirmek ve bu detayı karakterin algısal odağına dönüştürmek, metindeki Anlatısel Bilgi Sürtünmesini (If) artırır. Model, bu sürtünmeden kaçınmak için bakış açısını sürekli makro düzeyde tutarak metni pürüzsüzleştirir.
Anlatı Entropisi ($S_n$) ve Mikro-Odağın (Micro-Focus) İşlevi
Bulut Doktrini'nin kanonik Anlatı Entropisi formülü, metindeki bilgi karmaşıklığını ve bilişsel gerilimi şu operatörle hesaplar:
Sn = ∫ (If × Cb) dt
Mikro-Odak (Micro-Focus), anlatıdaki Bilgi Sürtünmesini ($I_f$) doğrudan fırlatan en etkili çalışma kurallarından biridir. Okur, geniş bir genel planı pasif bir şekilde tüketebilirken; anlatıcı mikroskopik bir nesne detayına odaklandığında okurun nöral ağları bu nesnenin sahnedeki gizli işlevini türetmek için ekstra zihinsel çaba harcar. Bu durum Bastırılmış Bilgi İndeksini (SI) yükselterek anlatı entropisini ($S_n$) korur.
| İnceleme Ölçütü | Mikro-Odak Uyumlu Nesnel İzdüşüm (OP) | Yapay Zeka Metni (Makro-Anlatı Körü) |
|---|---|---|
| Kamera Ölçeği | Mikro Plan: Santimetrik/milimetrik nesne detayı (iplik, leke, vida). | Genel Plan: Geniş mekânsal ve duygu etiketleri (oda, sokak, kalabalık). |
| Bilgi Sürtünmesi ($I_f$) | Yüksek $I_f$: Okur mikro nesnenin sahnedeki anlamını türetir. | Düşük $I_f$: Pürüzsüz, zihinsel çaba gerektirmeyen makro akış. |
| Metin Modu | Shown-Mode: Gerilim mikro nesnenin fiziksel durumundan türetilir. | Told-Mode: Gerilim doğrudan genel sıfatlarla özetlenir. |
| Jeton Dağılımı | Düşük olasılıklı, dar kapsamlı somut nesne jetonları. | En yüksek olasılıklı jenerik mekân ve atmosfer jetonları. |
Yapay zeka metinlerindeki bu dramatik çöküş, Yapay Zeka Neden İyi Bir Senaryo Yazamaz analizimizde ortaya koyduğumuz "fiziksel iz bırakmama" problemiyle doğrudan ilişkilidir. Makro betimlemeler sahnede fiziksel bir iz bırakmazken, mikro-odak nesneleri mekânda somut bir sahne kalıntısı (scene residue) bırakır.
Ampirik Hakem Deneyleri: YZ Jüri ve Mikro-Odak Tespiti
Tarafımızca gerçekleştirilen ampirik hakem güvenilirlik deneylerinde (LLM Annotation Reliability Benchmark / DOI: 10.5281/zenodo.21740239), modellerin "Mikro-Odak" (Micro-Focus) kuralını tespit etmedeki başarısı incelenmiştir:
- Study 1 ($n=120$): İnsan rater (doktrinin kurucusu) 118 sahneyi pozitif işaretlerken, kural tabanlı dedektör 96 sahne tespit etmiş ($\kappa = -0.032$) ve sınıf dengesizliği nedeniyle kappa istatistiği sıfırın altına düşmüştür.
- Study 2 ve 2b ($n=100$ Bağımsız Veri Seti): Bağımsız insan rater 96 sahnede mikro-odak tespit etmiştir. Kural tabanlı dedektör 81 ($\kappa = 0.022$), Gemini 2.5 Flash 9 ($\kappa = 0.008$), Grok 82 ($\kappa = -0.070$), Claude Fable 5 100 ($\kappa = 0.000$) ve ChatGPT 5.5 ise 92 ($\kappa = 0.296$) sahne işaretlemiştir.
Bu veriler son derece çarpıcı bir gerçeği ifşa etmektedir: Gemini 2.5 Flash 100 sahnenin sadece 9'unda mikro-odak görürken, Claude Fable 5 tüm sahnelere (100/100) mikro-odak etiketi yapıştırmıştır. Aynı kural tanımını okuyan iki gelişmiş model arasında bir sipariş büyüklük (order of magnitude) farkı bulunması, modellerin mikro-odak kavramını "herhangi bir somut nesne" ile "mikro-ölçekli kilit nesne" arasında ayırt edemediğini kanıtlar.
LLM-as-a-Judge Yanlılıkları gereği, jüri modelleri makro-anlatısel genel planları "kusursuz ve akıcı betimleme" olarak değerlendirmekte, mikro-odak nesnelerini ise önemsiz detaylar olarak görerek cezalandırma eğilimi göstermektedir.
Nesnel İzdüşüm (OP) İle Mikro-Odak İnşası
Hesaplamalı Anlatibilim Rehberi ilkelerine göre, makro bir anlatı ifadesini Mikro-Odak (Micro-Focus) ile dönüştürme protokolu şu şekildedir:
- Jenerik YZ Metni (Makro-Anlatı Körü): "Sorgu odasındaki atmosfer son derece gergindi. Şüpheli, karşısındaki polislere korku dolu gözlerle bakıyordu. Odanın karanlığı baskıyı artırıyordu." (Told mode, $I_f = 0$, $S_n \approx 0$).
- Nesnel İzdüşüm Dönüşümü (Mikro-Odak Uyumlu): "Şüpheli, masanın metal yüzeyinde duran 2 santimetrelik pirinç halkanın üzerindeki oksitlenmiş yeşil lekeye baktı. Tırnağının ucuyla halkanın kenarındaki 0.5 milimetrelik çentiği kazıdı. Masanın altından gelen 40 Hz frekanslı motor titreşimi, halkadaki metal iğneyi saatte üç milimetre batıya kaydırdı." (Shown mode, yüksek $I_f$, $S_n > 5.0$).
Dönüştürülmüş metinde genel plan tamamen terk edilmiştir. Korku veya gerilim kelimeleri kullanılmamış; gerilim, 2 santimetrelik pirinç halka ve 0.5 milimetrelik çentik üzerindeki mikro-fiziksel etkileşimle doğrudan okurun sinir sistemine izdüşürülmüştür.
Sonuç: Makro Körlüğün Tasfiyesi ve Mikro-Ölçek Mimarisi
Yapay zekanın makro-anlatı körlüğü, gelişmiş bir üslup tercihi değil; Transformer mimarisinin vektör uzayında düşük olasılıklı mikro nesnelere odaklanamama zaafıdır. Bulut Doktrini, otantik ve yüksek sürükleyiciliğe sahip bir kurgusal prose inşa edebilmek için Mikro-Odak (Micro-Focus) kuralının bir mühendislik zorunluluğu olarak uygulanmasını şart koşar. Bakış açısı makro etiketlerden kurtarılıp mikro-ölçekli fiziksel varlıklara kilitlendiğinde, yapay zeka metinleri sentetik pürüzsüzlükten kurtularak gerçekçi bir anlatısel dokuya kavuşur.
Kaynaklar (References)
- Bulut, L. (2026). The Bulut Doctrine: Technical Foundations of Narrative Engineering. Zenodo. DOI: 10.5281/zenodo.18481356
- 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). 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). Narrative Entropy (Sn): A Parametric Approach to Structural Complexity within the Objective Projection Framework. Zenodo. DOI: 10.5281/zenodo.18652451
BibTeX
@article{bulut2026microfocus,
author = {Bulut, Levent},
title = {Yapay Zeka Neden Mikro-Odağa Odaklanamaz? Makro-Anlatı Körü ve Nesne Ölçeği},
journal = {Objective Projection Lab Archives},
year = {2026},
publisher = {leventbulut.com},
url = {https://leventbulut.com/yapay-zeka-neden-mikro-odaga-odaklanamaz-makro-anlati-koru/}
}
Sıkça Sorulan Sorular (FAQ)
1. Mikro-Odak (Micro-Focus) kuralı Anlatı Mühendisliğinde neyi ifade eder?
Mikro-Odak, anlatıcının bakış açısını mekândaki genelleştirilmiş geniş durumlar yerine, dar, küçük ve somut bir nesneye (örneğin masadaki pirinç bir halkanın üzerindeki lekeye veya yırtık bir gömlek ipliğine) kilitleme kuralıdır. Bu kural duyusal gerçekliği mikro parametrelerle mühürler.
2. Yapay zeka modelleri neden makro-anlatı körlüğü yaşar?
LLM'lerin eğitildiği vektör uzaylarında geniş ve soyut kavramlar yüksek frekanslı düğüm noktaları oluşturur. Model, jeton tahmininde en düşük matematiksel dirençli yolu seçtiği için düşük olasılıklı mikro nesne tanımları yapmak yerine en yüksek olasılıklı jenerik mekân ve atmosfer etiketlerine yönelir.
3. Mikro-Odak kullanımının Anlatı Entropisi ($S_n$) üzerindeki etkisi nedir?
Anlatı Entropisi denklemi $S_n = \int (I_f \times C_b) dt$ bilgi sürtünmesine ($I_f$) dayanır. Anlatıcı mikroskopik bir detay üzerinde durduğunda, okur bu nesnenin kurgusal işlevini türetmek için zihinsel çaba harcar. Bu durum Bastırılmış Bilgi İndeksini (SI) ve bilgi sürtünmesini yükselterek anlatı entropisini korur.
