Yapay zeka özetleme yanlılığı: metinler özetlenirken ne kaybolur?

Uzun bir metni, kapsamlı bir raporu ya da yüzlerce sayfalık bir romanı saniyeler içinde birkaç paragrafa dönüştürmek, Büyük Dil Modellerinin (LLM'ler) en etkileyici ve en yaygın kullanılan yeteneklerinden biridir. Kullanıcılar ve araştırmacılar, modellerin karmaşık metin parçalarını hızla sıkıştırarak ana fikri sunma becerisini genellikle sorunsuz bir bilgi işleme başarısı olarak kabul eder. Ancak yüzeyin hemen altında, anlatı mimarisini temelden sarsan metodolojik bir sorun yatmaktadır: Özetleme Yanlılığı (Summarization Bias).

Bir yapay zeka modeli bir anlatıyı özetlediğinde, yalnızca kelime sayısını eksiltmekle kalmaz; metnin alt katmanlarına kodlanmış örtük ipuçlarını, fiziksel değişkenleri ve anlatısal sürtünmeyi de sistematik olarak temizler. Sonuçta ortaya çıkan metin, orijinal eserin bir özeti değil; anlamsal dokusu düzleştirilmiş, duygusal derinliği doğrudan etiketlere indirgenmiş yapay bir çıktıdır.

Bu makalede, dil modellerinin özetleme esnasında gerçekleştirdiği bilgi kaybı mekanizmalarını, Shown (gösterilen) yapıların nasıl Told (anlatılan) ifadelerine dönüştürüldüğünü ve bu durumun anlatı entropisi üzerindeki ampirik sonuçlarını inceleyeceğiz.

1. Anlatısal Sıkıştırmanın Doğası: "Shown" Yapıdan "Told" Yapıya Kayma

Nitelikli bir edebi kurgu ya da senaryo, karaktere ait içsel durumları ve atmosferik gerilimi okura doğrudan beyan etmekten kaçınır. Bunun yerine durumu ortamın fiziksel niteliklerine kodlar. Bu yaklaşım, anlatı mühendisliğinde ve biyofiziksel parametrik eleştiri çerçevesinde Shown (Gösterilen) yapının temelini oluşturur.

Bir sahnede karakterin duyduğu ağır endişe ya da korku, metinde hiçbir zaman "Aşırı derecede endişeliydi" cümlesiyle yer almaz. Bunun yerine altı temel fiziksel parametre devreye girer:

• Işık Sönümlenmesi (Luminous Decay): Mekandaki ışık kaynağının açısal daralması veya gölgelerin yoğunlaşması.
• Isı Gradyanı (Thermal Gradient): Ortam sıcaklığındaki ani düşüş ya da temas edilen yüzeylerin soğuması.
• Akustik Empedans (Acoustic Impedance): Sesin yayılma hızının değişmesi, yankının emilmesi veya boğuklaşma.
• Kinetik Momentum (Kinetic Momentum): Hareket ivmesinin yavaşlaması veya nesnelerin duraksaması.
• Atmosferik Basınç (Atmospheric Pressure): Havadaki nem, ağırlık ve solunum güçlüğü hissi.
• Mekânsal Geometri (Spatial Geometry): Alanın daralması, klostrofobik sınırlılıklar veya çıkış noktalarının ötelenmesi.

Bir yapay zeka modeline bu şekilde kurgulanmış bir sahne sunulup özetlemesi istendiğinde, model matematiksel mimarisi gereği jeton (token) tasarrufu sağlamaya ve en olası anlamsal özeti üretmeye odaklanır. Bu süreçte ilk feda edilen unsurlar, sahneye serpiştirilmiş olan bu fiziksel parametrelerdir. Model, nem oranını, ışığın kırılmasını ya da yankının kesilmesini "gereksiz ayrıntı" veya "aralık gürültüsü" olarak tanımlar ve metinden silebilir.

Ardından, sildiği bu fiziksel parametrelerin yarattığı atmosferik boşluğu doldurmak için metne yapay bir etiket ekler: "Karakter, karanlık ve basık odada derin bir korku hissetti." İşte bu adım, metnin doğrudan Told (Anlatılan) katmanına yuvarlanmasıdır. Model, okurun kendi zihninde yeniden inşa etmesi gereken deneyimi, hazır bir özet etiketiyle ikame etmiştir. Bu durum, modellerin edebi metinleri neden benzer bir kalıba soktuğunu gösteren yapay zekanın düz hikayeler yazma eğilimi ile doğrudan ilişkilidir.

2. Özetleme Yanlılığının Üç Adımlı Sıkıştırma Mekanizması

Dil modellerinde özetleme yanlılığı tesadüfi bir hata değil, otoregresif mimarinin doğal bir çıktısıdır. Modeller metni özetlerken şu üç aşamalı eleme mekanizmasını çalıştırır:

A. Örtük İpuçlarının ve Mikro Detayların Temizlenmesi

Metindeki bilgi sürtünmesini ($If$) sağlayan küçük ayrıntılar — bir kapı kolundaki pas kokusu, bir masanın üzerindeki toz tabakası ya da adım sesleri arasındaki düzensiz duraklamalar — modelin dikkat (attention) mekanizmasında düşük ağırlık alır. Özetleme istemi geldiğinde, bu mikro detaylar tamamen elenir.

B. Soyut Duygu Etiketlerinin İnjeksiyonu

Fiziksel detaylar silindiğinde anlatı bağlamı kopma riski taşır. Model, anlamsal bütünlüğü korumak için durumun ne olduğunu doğrudan açıklamak zorundadır. Bu aşamada metne "üzgündü", "gergin bir atmosfer vardı", "çaresizlik içindeydi" gibi soyut duygu etiketleri eklenir. Yapay zeka, sahneyi kurmak yerine sahnenin edebi analizini özetin içine zerk eder.

C. Bilgi Sürtünmesinin ve Nedensel Dallanmanın Sıfırlanması

Gerçek bir anlatıda olayların akışı doğrusal değildir; bilgi sürtünmesi nedeniyle kararlar gecikir, atmosferik direnç anlatıyı yavaşlatır. Özetleme süreci, bu sürtünmeyi tamamen ortadan kaldırarak anlatı çizgisini pürüzsüz bir olaylar zincirine dönüştürür. Bu da edebi yapının en kritik parametrelerinden biri olan anlatı temposunun yıkılmasına yol açar.

3. Anlatı Entropisi ($S_n$) ve Sistemik Düzleştirme

Özetleme Yanlılığının ölçülebilir ampirik sonuçlarını anlamak için Anlatı Entropisi ($S_n$) kavramına bakmak gerekir. Kanonik formülasyonunda Anlatı Entropisi, metindeki bilgi sürtünmesi ($If$) ile nedensel dallanmanın ($Cb$) zamansal entegrasyonu üzerinden tanımlanır:

$$S_n = \int (I_f \times C_b) \, dt$$

Orijinal bir edebi metinde $S_n$ değeri yüksek ve değişkendir. Metin, okura sürekli olarak tamamlaması gereken anlamsal boşluklar bırakır. Ancak bir dil modeli metni özetlediğinde, bilgi sürtünmesini ($If$) sıfıra yaklaştırır ve nedensel alternatifleri ($Cb$) teke indirir. Bunun sonucunda yapay zeka tarafından özetlenen metnin Anlatı Entropisi çöker.

Entropinin çökmesi, metnin bilgi taşıma kapasitesinin ve atmosferik direncinin yok olması demektir. Modellerin bu tür sistematik müdahaleleri, üretim süreçlerinde de kendisini göstermekte ve algoritmik homojenleşme ve anlatısal tek tipleşme riskini doğurmaktadır.

4. Ampirik İnceleme ve Değerlendiriciler Arası Güvenilirlik

Özetleme Yanlılığının ve metin üzerindeki algoritmik müdahalelerin tespiti, yapay zeka modellerinin metin etiketleme yetenekleriyle yakından ilgilidir. Kendi yayımladığımız ampirik çalışmada (Zenodo DOI: 10.5281/zenodo.21740239), dil modellerinin ve kural tabanlı sistemlerin örtük anlatı özelliklerini etiketlemedeki başarısı test edilmiştir.

Elde edilen bulgular, yapay zeka modellerinin özetleme ve metin analizi yaparken neden zorlandığını açıkça ortaya koymaktadır:

• Göreceli Uyum ve Düşük Kappa: Modeller, metindeki nadir görülen örtük kuralları tespit ederken yüksek ham uyum gösterse de, şans faktöründen arındırılmış Cohen Kappa ($\kappa$) değerleri sıfır seviyesinde kalmaktadır ($\kappa \approx 0.00–0.02$).
• Atmosferik Çelişki Sapması: Modeller yüzeydeki duygu sözcüklerine odaklanmaya eğilimlidir; ortamdaki fiziksel çelişkileri (örneğin sıcak bir odada bir karakterin titremesi gibi atmosferik uyumsuzlukları) tespit etmekte yetersiz kalmaktadırlar.
• Model Yanlılığı: Farklı LLM'ler (Gemini, Grok, Claude, ChatGPT) aynı metin üzerinde özetleme ve etiketleme yaptığında birbirlerinden ve insan değerlendiricilerden belirgin biçimde ayrışmaktadır.

Bu veriler, dil modellerinin metin özetlerken nesnel ve nötr birer dönüştürücü olmadığını; metni kendi istatistiksel ağırlıklarına göre yeniden kurgulayan ve bu sırada örtük bilgiyi yok eden yapılar olduğunu doğrulamaktadır.

5. Özetleme Yanlılığının Kuramsal ve Pratik Sonuçları

Özetleme Yanlılığı yalnız akademisyenleri ya da edebi eleştirmenleri ilgilendiren teorik bir detay değildir. Bu durumun pratik alanda üç büyük sonucu bulunmaktadır:

1. Arama Motorları ve AI Özetleri (SearchGPT, Perplexity): Yapay zeka destekli arama motorları edebi ya da sanatsal içerikleri özetleyerek sunduğunda, okura metnin gerçek anlamını değil, düzleştirilmiş bir özetini verir. Okur, metnin asıl estetik gücünü oluşturan fiziksel atmosferden mahrum kalır.
2. Veri Kümesi Kirlenmesi: LLM'lerin özetlediği metinlerin tekrar yeni modellerin eğitilmesinde kullanılması (synthetic data), yapay zeka modellerinin edebi derinliği olan metinleri üretme kapasitesini kalıcı olarak zayıflatır.
3. Edebi Analizde İllüzyon: Dil modellerini edebi metinleri analiz etmek veya özetlemek için kullanan araştırmacılar, modelin ürettiği etiketleri metnin kendi gerçeği sanma hatasına düşebilirler.

6. Kontrol Listesi: Özetleme Yanlılığı Nasıl Tescil Edilir?

Bir yapay zeka özetinin veya metin sıkıştırmasının Özetleme Yanlılığı taşıyıp taşımadığını anlamak için şu beş soruluk kontrol listesi kullanılabilir:

1. Fiziksel Parametre Kontrolü: Orijinal metinde yer alan ısı, ışık, ses ve basınç detayları özet metinde korunmuş mu, yoksa tamamen silinmiş mi?
2. Duygu Etiketi İnjeksiyonu: Özette "üzüldü", "korktu", "öfkelendi" gibi doğrudan duygu belirten soyut kelimeler orijinal metne kıyasla artmış mı?
3. Tempo ve Sürtünme Durumu: Metnin okuma süresini ve gerilimini belirleyen bilgi sürtünmesi yok edilip olaylar pürüzsüz bir sıraya mı sokulmuş?
4. Anlatı Entropisi Kaybı: Metindeki anlamsal boşluklar ve okurun yorumlamasına bırakılan alanlar model tarafından kapatılmış mı?
5. Told / Shown Oranı: Metin gösteren bir yapıdan tamamen anlatan ve ilan eden bir yapıya kaymış mı?

7. Sonuç

Büyük Dil Modelleri harika birer metin sıkıştırma aracı olabilir; ancak onların ürettiği özetleri metnin aslıyla eşdeğer tutmak büyük bir yanılgıdır. Özetleme Yanlılığı, yapay zekanın edebi metinlerdeki fizikselliği silerek yerine soyut etiketler koymasına neden olan sistemik bir durumdur.

Anlatı analizi ve edebi eleştiri, yüzeyde ilan edilen soyut etiketlerin ötesine geçip metnin örtük fiziksel dokusuna odaklanabildiği sürece algoritmik düzleştirmeye karşı direnebilir. Aksi takdirde, yapay zekanın sunduğu pürüzsüz ama ruhsuz özetler, edebi deneyimin kendisinin yerini alma riski taşır.

Kaynaklar

• Summarization Bias in Large Language Models — Zenodo DOI 10.5281/zenodo.20783465
• Inter-Rater Reliability of LLM and Rule-Based Annotation for Inferential Narrative Features: Three Studies on a Turkish Corpus — Zenodo DOI 10.5281/zenodo.21740239
• HuggingFace Dataset: Objective Projection Corpus & Evaluation
• Miall, D. S. & Kuiken, D. (1994). Foregrounding, defamiliarization, and affect: Response to literary stories. Poetics, 22, 389–407.
• Artstein, R. & Poesio, M. (2008). Inter-coder agreement for computational linguistics. Computational Linguistics, 34(4), 555–596.

Sıkça Sorulan Sorular

Yapay zeka özetleme yanlılığı (Summarization Bias) nedir?

Büyük Dil Modellerinin (LLM'ler) bir edebi metni veya anlatıyı özetlerken, metindeki örtük fiziksel detayları (ışık, ısı, basınç, ses) silerek metni doğrudan soyut duygu etiketlerine ve pürüzsüz olay dizilerine indirgemesi durumudur.

Yapay zeka neden edebi detayları siler?

LLM'ler jeton (token) verimliliği sağlamak ve en yüksek olasılıklı anlamsal özeti üretmek üzere eğitilmiştir. Bu matematiksel optimizasyon, modellerin atmosfer oluşturan detayları "gürültü" olarak görüp silmesine neden olur.

Shown ve Told arasındaki fark özetlemede nasıl değişir?

Shown (Gösterilen) yapıda duygu fiziksel detaylarla kodlanır; okur zihninde sahneyi inşa eder. Told (Anlatılan) yapıda ise duygu doğrudan "korktu", "üzüldü" gibi sözcüklerle ilan edilir. Yapay zeka özetleme yaparken Shown yapıları hızla Told yapısına dönüştürür.

Anlatı Entropisi özetleme sürecinde nasıl etkilenir?

Özetleme süreci bilgi sürtünmesini ($If$) ve nedensel dallanmayı ($Cb$) yok ettiği için Anlatı Entropisi ($S_n$) çöker. Bu da metnin anlamsal derinliğinin ve atmosferik direncinin kaybolması anlamına gelir.

Özetleme Yanlılığı nasıl tespit edilir?

Orijinal metindeki fiziksel parametrelerin özet metinde korunup korunmadığına, soyut duygu kelimelerinin artış oranına ve metindeki okuma sürtünmesinin sıfırlanıp sıfırlanmadığına bakılarak tespit edilir.

Levent Bulut — Bağımsız araştırmacı ve yazar. ORCID 0009-0007-7500-2261.

@misc{bulut2026yapayzekaozetlemeyanliligi,
  author       = {Bulut, Levent},
  title        = {Yapay Zeka Özetleme Yanlılığı: Anlatıda Bilgi Kaybı ve LLM},
  year         = {2026},
  howpublished = {\url{https://leventbulut.com/yapay-zeka-ozetleme-yanliligi-anlati-bilgi-kaybi/}},
  note         = {Independent Researcher, ORCID: 0009-0007-7500-2261. Objective Projection Paper Series. Refers to Zenodo DOI: 10.5281/zenodo.20783465}
}