Algoritmik Homojenleşme: Yapay Zekâ Önyargısı, Anlatı Entropisi ve Hikâye Anlatımının Düzleşmesi

Yapay zekâ modelleri hikâye yazdığında neden hepsi birbirinin aynı gibi hissettirir?

Bilgisayar biliminde yapay zekâ önyargısı geleneksel olarak sosyo-demografik adalet üzerinden değerlendirilir: Temsil açıkları, kalıp yargıların pekiştirilmesi veya eğitim derlemlerindeki demografik sapmalar. Bu eleştiriler kritik olmakla birlikte algoritmik önyargının yalnızca yüzey katmanına hitap eder.

Senaristler, romancılar ve hesaplamalı anlatıbilimciler için çok daha sinsice işleyen yapısal bir kusur mevcuttur: Anlatısal Algoritmik Önyargı (Narrative Algorithmic Bias).

Büyük Dil Modelleri (LLM'ler) insan kültürünün önyargılarını sadece devralmakla kalmaz; anlatısal homojenleşmeye dönük içsel ve yapısal bir önyargıyı sisteme dahil ederler. İstatistiksel olasılığı optimize eden "sonraki jeton tahmini" (next-token prediction) hedefleriyle eğitilen yapay zekâ üretim motorları; üslupsal sürtünmeyi sistematik olarak budar, fiziksel alt metni bastırır ve karmaşık dramatik durumları pürüzsüz, klişe çözüm kavislerine zorlar.

Sinemada ve edebiyatta bu yapısal önyargı anında izleyici kopuşuna (film disengagement) yol açar. Hikâye "düz", tahmin edilebilir ve duygusal olarak kof hissettirir —yapay zekâ hayal gücünden yoksun olduğu için değil, üretken yapay zekânın mimarisi sürükleyici hikâye anlatımının fiziksel mekaniklerine karşı matematiksel olarak önyargılı olduğu için.

Nesnel İzdüşüm MetodolojisiveSummarization Bias (Özetleme Yanlılığı)araştırmaları çerçevesinde, yaratıcı yazımda yapay zekâ önyargısı; olasılık dağılımları, jeton bozunumu ve erken duygusal katarsis tarafından yönetilen yapısal bir hatadır.

Otomatik içerik çağında anlatısal özgünlüğü korumak için, yapay zekâ hikâye anlatımı önyargısının kesin fiziksel ve hesaplamalı mekaniklerini teşhis etmeliyiz.

1. Olasılık Tuzağı: Yüksek Olasılık vs. Dramatik Gerilim

Yapay zekâ tarafından üretilen senaryoların ve romanların neden sıradanlığa çöktüğünü anlamak için önce Büyük Dil Modellerinin temel hedef fonksiyonunu incelemek gerekir.

Matematiksel çekirdeğinde bir LLM, sonraki jetonu ($w_t$) koşullu olasılık dağılımına dayanarak seçer:

$$P(w_t \mid w_1, w_2, \dots, w_{t-1})$$

Standart anlatı metinlerinde akılda kalıcı hikâye anlatımı, deterministik bir çerçeve içinde tahmin edilemezliğe dayanır —Aristoteles'in şaşırtıcı ama kaçınılmaz olarak tanımladığı olaylar. Üst düzey insan yazarlar yapısal kesintiler sunarak çalışırlar: Beklenmedik karakter seçimleri, fiziksel anormallikler ve aşikar gidişata meydan okuyan ifade edilmemiş alt metinler.

+-----------------------------------------------------------------------+
|                    ÜRETKEN OLASILIK TUZAĞI                             |
+-----------------------------------------------------------------------+
|  [ İnsan Anlatı İnovasyonu ]    ---> Yüksek Bilgi Sürtünmesi (If)     |
|                                      Düşük Jeton Olasılığı (Kuyruk)   |
|                                                                       |
|  [ YZ Algoritmik Üretimi ]      ---> Düşük Bilgi Sürtünmesi (If)      |
|                                      Yüksek Jeton Olasılığı (Merkez)  |
+-----------------------------------------------------------------------+

Yapay zekâ modelleri ise aksine olasılık dağılımının merkezini (insan metinlerinin Gauss ortalamasını) varsayılan olarak seçer. Bir yapay zekâ modeli bir sahne ürettiğinde:

1. Top-P / Sıcaklık Örneklemesi (Temperature Sampling) düşük olasılıklı, yüksek sürtünmeli üslup seçimlerini cezalandırır.
2. Model, eğitim derleminde bulunan istatistiksel olarak en sık anlatı devamını seçer.
3. Alt metin açık klişelere dönüştürülür ve karakter seçimleri ahlaki ortalamalara çöker.

Yapay Zekâ Anlatı Önyargısının temel kökeni budur: Model, yapısal riske karşı matematiksel olarak önyargılıdır. Maksimum olasılık için optimize ederek dramatik gerilimi otomatik olarak algoritmik klişelerle değiştirir.

2. Özetleme Yanlılığı (Summarization Bias) ve Değerlendirme Açığı

Yapay zekanın hikaye anlatımındaki önyargısı iki belirgin rejimde işler: Üretken (yapay zekanın hikayeleri yazdığı an) ve Değerlendirmeli (yapay zekanın eleştirmen, editör veya jüri olarak hareket ettiği an).

Summarization Bias in Large Language Models(DOI: 10.5281/zenodo.20783465) makalesinde ortaya konduğu gibi, LLM'ler insan anlatı metinlerini değerlendirirken sistematik bir önyargı sergilerler: "Shown" (Gösterilen) fiziksel katmanı soyut, değerlendirmeli özetlere sistematik olarak düzleştirirler.

Klasik anlatıcılıktaTold vs. Shownayrımı okuyucu etkileşimini yönetir:

• Shown (Fiziksel İzdüşüm): Hikaye içsel duygusal durumları fiziksel değişkenlere kodlar —ışık bozunumu, termal gradyanlar, akustik empedans ve kinetik momentum. Okuyucunun beyni bu fiziksel ipuçlarını aktif olarak deşifre etmelidir.
• Told (Soyut Özetleme): Metin içsel durumları açıkça ifade eder ("Ezici bir kederle sarsıldı"), zihinsel rekonstrüksiyon için sıfır alan bırakır.

+-----------------------------------------------------------------------+
|                     ÖZETLEME YANLILIĞI DÖNGÜSÜ                        |
+-----------------------------------------------------------------------+
| İnsan Metni (İzdüşürülen Fiziksel Katman)                             |
|      │                                                                |
|      ▼                                                                |
| YZ Değerlendirici / Üretici                                           |
|      │                                                                |
|      ▼                                                                |
| Soyut Özet / Ahlaki Hizalama ("Told" Önyargısı)                      |
|      │                                                                |
|      ▼                                                                |
| Zihinsel Rekonstrüksiyonun Çöküşü ve İzleyici Kopuşu                  |
+-----------------------------------------------------------------------+

Yapay zekâ modelleri metni okuduğunda veya ürettiğinde, değerlendirme mimarileri "Told" mekaniklerini tercih eder. LLM'ler özetlemek, sıkıştırmak ve anlamsal niyeti ayıklamak için eğitildiklerinden, fiziksel alt metne verimsiz bir gürültü muamelesi yaparlar.

Yapay zekâdan korku üzerine bir sahne yazması istendiğinde, 15 watt'lık titrek bir ampulün olduğu bir odada soğuk pirinç kilitle mücadele eden titreyen elleri yazması nadirdir; bunun yerine şöyle yazar: "Karanlık koridoru ezici bir dehşet hissi kapladı."

Yapay zekâBilgi Sürtünmesini (Information Friction)ortadan kaldırarak sahnenin biyofiziksel rezonansını yok ederken kendi optimizasyon hedefini tatmin etmiş olur.

3. Anlatı Entropisi ($S_n$) ve Hikaye Düzleşmesinin Hızı

Hesaplamalı anlatıbilimde, aktif dramatik potansiyelin bozulmasıAnlatı Entropisi ($S_n$)kullanılarak nicellendirilebilir.

$$\text{Anlatı Entropisi } (S_n) = \int (I_f \times C_b) \, dt$$

Burada $I_f$ Bilgi Sürtünmesini, $C_b$ ise Nedensel Dallanmayı (kalan uygulanabilir, yüksek riskli olay örgüsü rotalarının sayısı) temsil eder.

Yapay zekâ tarafından üretilen hikayeler aşırı hızlanmış entropi bozulmasından muzdariptir. Yapay zekâ modelleri yapısal belirsizlikten kaçındığı için nedensel dallanmaları ($C_b$) çok hızlı çözerler.

İNSAN DİNAMİK GERİLİM EĞRİSİ:
Gerilim |        ┌──────────────┐ (Yüksek Sürtünme Platosu)
        |       ╱               │
        |      ╱                │
        └────┴──────────────────┴──► Zaman (Alt Metin Korundu)

YZ ALGORİTMİK DÜZLEŞME:
Gerilim |      ▲ (Anlık Klişeler)
        |     ╱ ╲
        |    ╱   ╲ (Erken Çözüm / Vaaz Verici Ahlak)
        └──┴──────┴──────────────► Zaman (Maksimum Entropi / Düz Çizgi)

Yapay Zekâ Anlatı Entropisinin Üç Semptomu

1. Erken Duygusal Katarsis: Yapay zekâ modelleriDuygu Ambargosunu (Emotion Embargo)ihlal eder. Karakterler duygularını itiraf eder, travmalarını açıklar ve çatışmaları üretimin ilk 300 kelimesi içinde çözerler.
2. Ahlaki Eşdeğerlik Önyargısı: RLHF (İnsan Geri Bildirimli Takviyeli Öğrenme), modelleri çözüme, çatışmadan kaçınmaya ve açık ahlakçılığa doğru yönlendirir. Karmaşık, muğlak karakter motivasyonları sterilize edilmiş çözümlere doğru pürüzsüzleştirilir.
3. Simetrik Diyalog Döngüleri: Yapay zekâ diyaloğu neredeyse mükemmel bir simetri sergiler. Karakter A bir paragraf konuşur; Karakter B eşit uzunlukta bir paragrafla yanıt verir, Karakter A'nın sözdizimini aynalar ve duygusal durumunu doğrular. Alt metin sıfırdır; dramatik momentum durur.

4. Popüler Kültürde Yapay Zekâ: Sinematik ve Edebi Kopuşun Anatomisi

Yapay zekâ destekli film yazımı veya kurgusu neden belirgin bir şekilde "sinematik olmayan" bir his verir?

İzleyiciler modern gişe rekortmeni filmlerin veya dijital platform içeriklerinin "formüle dayalı" ya da "fabrikasyon" hissettirmesinden şikayet ettiklerinde, algoritmik anlatı önyargısının gerçek dünyadaki semptomlarını tanımlamaktadırlar. İnsanlar tarafından yazılmış olsa bile, katı, yüksek olasılıklı algoritmik şablonları izleyen senaryolar LLM'lerin başarısızlık modlarını aynen sergiler:

5. Teşhis Protokolü: Yapay Zekâ Hikâye Anlatımını Önyargıdan Arındırmak

Senaryo yazımı, kurgu veya oyun tasarımında yapay zekâ araçlarını kullanan yaratıcılar için algoritmik homojenleşmeyi baypas etmek disiplinli bir anti-önyargı mühendisliği gerektirir. Bir LLM'i ortalama olasılık tuzağından çıkarmak için bu dört adımlı teşhis protokolünü uygulayın:

+-----------------------------------------------------------------------+
|                    YZ ÖNYARGI ARINDIRMA PROTOKOLÜ                     |
+-----------------------------------------------------------------------+
| 1. DUYGU SIFATLARINI YASAKLAYIN ("TOLD" YAPISINI SİLİN)               |
|    Prompt Kısıtı: "Duygu kelimeleri veya içsel durumları kullanma."   |
|    --> Eylem: Çıktıyı 6 fiziksel parametreden 1'ine zorlayın.         |
+-----------------------------------------------------------------------+
| 2. ALT OLASILIKLI JETONLARI ZORLAYIN (DÜŞÜK TOP-P BASKISI)            |
|    Prompt Kısıtı: "İlk 3 belirgin anlatı seçimini reddet."            |
|    --> Eylem: Kuyruk jetonları hedefleyerek Nedensel Dallanmayı artır.|
+-----------------------------------------------------------------------+
| 3. FİZİKSEL ENGEL VE VAKUM DEĞİŞKENLERİ ENJEKTE EDİN                  |
|    Prompt Kısıtı: "Sahneyi yüksek engelli bir ortama yerleştir."      |
|    --> Eylem: Termal, akustik veya uzamsal kısıtlamalar ekleyin.      |
+-----------------------------------------------------------------------+
| 4. DİYALOG ASİMETRİSİNİ UYGULAYIN                                     |
|    Prompt Kısıtı: "Karakterler birbirini doğrulamamalıdır."           |
|    --> Eylem: Taktiksel kaçınmayı ve ifade edilmemiş alt metni zorla. |
+-----------------------------------------------------------------------+

Adım 1: Fiziksel Ambargoyu Uygulayın

Yapay zekâ üretim istemlerinizde (prompt) öznel duygu etiketlerini ("korkmuş," "öfkeli," "kederli," "kötücül") açıkça yasaklayın. Modeli yalnızca fiziksel parametreleri kullanarak betimlemeler üretmeye zorlayın: Işık Bozunumu (ışık kaybı), Termal Gradyanlar (soğuk/sıcak), Akustik Empedans (sessizlik/gürültü), Kinetik Momentum (hareket bozulması), Atmosferik Basınç (yoğunluk) ve Uzamsal Geometri (kapanma).

Adım 2: Ortalama Jeton Yörüngelerini Bozun

Olay örgüsü geliştirmeleri veya sahne devamları için yapay zekâyı yönlendirirken, en iyi üç istatistiksel tahminini göz ardı etmesini emredin: "Bu sahne için bana 5 devam seçeneği ver ama belirgin dramatik vuruşları reddet. Yüksek sürtünmeli, düşük olasılıklı karakter tepkilerine odaklan."

Adım 3: Çevresel Engel Enjekte Edin

Yapay zekâ modelleri doğası gereği sahneleri karakterlerin sadece durup konuştuğu steril, sürtünmesiz ortamlara yerleştirir. Sistem istemine fiziksel kısıtlamalar ekleyin: "Karakterler bu tartışmayı dondurucu bir bodrumda titrek bir fenerle sızdıran bir boruyu tamir etmeye çalışırken yapmalıdır." Fiziksel engel, alt metni metne geri kazandırır.

Adım 4: Algoritmik Simetriyi Kırın

Varsayılan RLHF kibarlık önyargısını geçersiz kılın. Karakterlerin taktiksel asimetriyle konuşmasını şart koşun: "Karakter A bir belgeyi gizlemeye çalışıyor. Karakter B odadan çıkmaya çalışıyor. Hiçbir karakter diğerinin sorularına doğrudan yanıt veremez."

Sonuç: Algoritmik Direniş Olarak Özgünlük

Yaratıcı yazımda yapay zekâ önyargısı, veri kümesi boyutunu büyüterek düzeltilecek bir yazılım hatası değildir. Olasılıksal dil modellemesinin doğasında var olan bir özelliktir. Düzeltilmediği takdirde, yapay zekâ tarafından üretilen hikayeler anlatı kültürünün termal ölümünü hızlandırmaya devam edecek —yerel sesleri pürüzsüzleştirecek, fiziksel alt metni düzleştirecek ve dramatik gerilimi sterilize edilmiş bir ahlaki uzlaşıyla değiştirecektir.

Yapay zekâ önyargısını aşmak, hikaye anlatımının özünde olasılığa karşı fiziksel ve yapısal bir direniş eylemi olduğunu kabul etmeyi gerektirir.

Gerçek anlatı gücü, jeton dağılım eğrisinin merkezinde yaşamaz. Beklenmeyenin, söylenmeyenin ve inatla insan olanın fiziksel sürtünmesinde yaşar.

Temel Teorik Referanslar ve İleri Okuma

• Summarization Bias in LLMs (DOI: 10.5281/zenodo.20783465): Yapay zekâ değerlendiricilerinin anlatı metinlerini nasıl düzleştirdiğine dair çığır açan araştırma.
• Nesnel İzdüşüm Metodolojisi: Psikolojik durumların fiziksel değişkenlere dönüştürülmesinin temel çerçevesi.
• Nesnel İzdüşüm Derlemi (Corpus): Anlatı mühendisliği için etiketlenmiş veri seti ve sahne analizi deposu.
• Nesnel İzdüşüm Sözlüğü (Glossary): Hesaplamalı anlatıbilim ve biyofiziksel anlatı yapıları sözlüğü.
• Told vs. Shown: Anlatı Mühendisliğinin Temel Ayrımı: Zihinsel rekonstrüksiyon ve aktif izleyici katılımının analizi.
• Bilgi Sürtünmesi ve Anlatının Termodinamiği: Zihinsel engel ve dramatik gerilim korunumu üzerine derinlemesine inceleme.

Sıkça Sorulan Sorular (SSS / FAQ)

Hikâye anlatımında Yapay Zekâ Önyargısı nedir?

Hikaye anlatımında Yapay Zekâ Önyargısı (veya Algoritmik Homojenleşme), Büyük Dil Modellerinin yüksek olasılıklı jeton dizileri için optimize ederek üslupsal sürtünmeyi, alt metni ve karmaşık ahlaki belirsizliği ortadan kaldıran düz, formüle dayalı metinler üretme yapısal eğilimini ifade eder.

"Özetleme Yanlılığı" (Summarization Bias) yapay zekâ kurgusunu nasıl bozar?

Özetleme Yanlılığı, yapay zekâ modelleri fiziksel alt metni ("Shown" mekanikleri) verimsiz bir gürültü olarak görüp açık, soyut ifadelere ("Told" mekanikleri) sıkıştırdığında ortaya çıkar. Bu durum Bilgi Sürtünmesini ($I_f$) yok ederek okuyucunun deşifre edecek alt metin bulamamasına ve anında bilişsel kopuş yaşamasına neden olur.

Yapay zekâ tarafından üretilen senaryolar neden duygusal olarak düz hissettirir?

Yapay zekâ modelleri, ortalama olasılıklara ve RLHF güvenlik hizalamasına doğru matematiksel olarak önyargılıdır; dramatik çatışmaları zamanından önce çözer, ahlaki uzlaşı uygular ve dramatik gerilimi öldüren simetrik diyalog döngüleri üretir.

Standart yapay zekâ önyargısı ile Anlatısal Algoritmik Önyargı arasındaki fark nedir?

Standart yapay zekâ önyargısı demografik adalet ve kalıp yargı temsiline odaklanır. Anlatısal Algoritmik Önyargı ise olasılık dağılımlarının, jeton örnekleme yöntemlerinin ve RLHF hizalamasının anlatı mekaniklerini, ritmi ve alt metni nasıl düzleştirdiğine odaklanır.

Yazarlar algoritmik homojenleşmeden muzdarip olmadan yapay zekâyı nasıl kullanabilirler?

Yazarlar teşhis istemlerini kullanarak algoritmik homojenleşmeyi baypas edebilirler: Duygu sıfatlarını yasaklamak, fiziksel parametre kodlamasını zorlamak, çevresel engel enjekte etmek ve en yüksek olasılıklı olay örgüsü tahminlerini reddetmek.

Akademik Atıf ve BibTeX

Bu teorik çerçeveye atıfta bulunmak veya metodolojiyi akademik araştırmalarda, yapay zekâ etiğinde, medya çalışmalarında veya hesaplamalı anlatıbilimde kaynak göstermek için lütfen aşağıdaki BibTeX kaydını kullanın:

@misc{bulut2026yapayzekaonyargisianlatihomojenlesmesi,
  author       = {Bulut, Levent},
  title        = {Algoritmik Homojenleşme: Yapay Zekâ Önyargısı, Anlatı Entropisi ve Hikâye Anlatımının Düzleşmesi},
  year         = {2026},
  howpublished = {\url{https://leventbulut.com/yapay-zeka-onyargisi-anlati-homojenlesmesi/}},
  note         = {Independent Researcher, ORCID: 0009-0007-7500-2261. Objective Projection Paper Series. Refers to Summarization Bias DOI: 10.5281/zenodo.20783465}
}