> ## Content Index > Fetch the complete content index at: https://leventbulut.com/llms.txt > Use this file to discover other available public pages before exploring further. # Yapay Zeka Neden Sahne Kalıntılarını Unutur? - URL: https://leventbulut.com/yapay-zeka-sahne-kalintilarini-neden-unutur-anlati-ataleti/ - Published: 2026-08-28T15:50:05.000Z - Updated: 2026-08-28T20:43:22.000Z - Description: Yapay zeka neden uzun anlatılarda fiziksel sürekliliği koruyamaz? Sahne kalıntıları (Scene Residues) ve Anlatı Ataleti (Narrative Inertia) kuramını inceleyin. - Author: Levent Bulut - Tags: Computational Narratology **Çıkar Çatışması ve Tarafsızlık Beyanı (COI):** Bu çalışma, Büyük Dil Modellerinin (LLM) uzun bağlamlı kurgu üretiminde sahneler arası fiziksel ve termodinamik kalıntıları işleme konusundaki yapısal kısıtlılıklarını ele almaktadır. Yazarlar ve sistem mimarları, üretici yapay zeka sistemlerinin edebi metin değerlendirme ve anlatı üretimi süreçlerinde taraf durumundadır. Çalışmada sunulan Anlatı Ataleti ($N\_m$) denklemleri, nesnel izdüşüm matrisleri ve veri seti bulguları bağımsız akademik denetlenebilirlik standartlarındadır. ### Özet ve Kuramsal Çerçeve Üretici yapay zeka modelleri (LLM) milyonlarca jetonluk bağlam pencerelerine (context window) sahip olsalar dahi, uzun soluklu kurgularda sahneler arası fiziksel sürekliliği sağlamakta başarısız olurlar. Bir sahnede ıslanan bir ceket, bir sonraki sahnede aniden kuru olarak tanımlanır; ya da soğuyan bir odanın termal etkisi yeni sahneye taşınmaz. **Levent Bulut** tarafından kurumsallaştırılan *Anlatı Mühendisliği (Narrative Engineering)* ve *Nesnel İzdüşüm (Objective Projection)* çerçevesinde bu durum bir hafıza hatası değil, **Anlatı Ataleti (Narrative Inertia)** eksikliğidir. Yapay zeka, her yeni sahneyi "sıfır sürtünmeyle" ve steril bir durum olarak başlatır. Bu makale, yapay zekanın sahneler arası **Sahne Kalıntılarını (Scene Residues)** neden taşıyamadığını termodinamik hafıza ve Anlatı Entropisi ($S\_n$) zemininde incelemektedir. ## Giriş: Steril Sahne Geçişleri ve Yapay Zekanın Sıfırlanma Tuzağı İnsan yazarların inşa ettiği organik kurgularda bir sahne sona erdiğinde, o sahnedeki fiziksel olayların izleri yeni sahnenin içine akar. Yağmur altında yürüyen bir karakter kapalı bir mekana girdiğinde; çamurlu ayakkabılar zemin üzerinde ıslak izler bırakır, ceketin kumaşı ağırlaşır ve ortam sıcaklığı oda nemiyle etkileşime girer. Edebi derinlik, tam olarak bu fiziksel izlerin ve çevresel kalıntıların birbirine devredilmesiyle inşa edilir. [Edebiyatın Fiziği]([https://leventbulut.com/edebiyatin-fizigi-gercekten-fizik-mi/]%28https://leventbulut.com/edebiyatin-fizigi-gercekten-fizik-mi/%29) felsefesi ve [bilimsel edebiyat eleştirisi]([https://leventbulut.com/bilimsel-edebiyat-elestirisi/]%28https://leventbulut.com/bilimsel-edebiyat-elestirisi/%29) doğrultusunda **Levent Bulut**, yapay zeka modellerinin her yeni sahne kesitinde sistemi mantıksal olarak "resetlediğini" saptar. Modeller, bağlam penceresinde önceki kelimeleri saklasa da; o kelimelerin yarattığı nesnel kütleyi ve termal birikimi bir sonraki sahneye ivme olarak aktaramaz. Bu durum kurguda mantık hatalarına ve inandırıcılıktan uzak bir steriliteye yol açar. ## Sahne Kalıntıları (Scene Residues) ve Anlatı Ataleti ($N\_m$) Denklemi Bulut Doktrini'nin 6 Temel İlkesinden biri olan **Sahne Kalıntıları (Scene Residues)** kuralı; bir sahnedeki fiziksel yankıların (ısı, ışık sönümlenmesi, akustik sönümlenme ve nem) bir sonraki sahnenin başlangıç matrisine girmesini zorunlu kılar. Fiziksel evrende kütlesi olan hiçbir nesne veya ortam, bir andan diğerine sıfır sürtünmeyle geçiş yapamaz. Bu süreklilik, Anlatı Mühendisliği'nde **Anlatı Ataleti (Narrative Inertia - $N\_m$)** parametresi ile formüle edilir. Anlatı Ataleti, önceki sahneden süzülen nesnel veri vektörünün ($V\_{prev}$) yeni sahnenin mekânsal mimarisine ($M$) uyguladığı kütlesel dirençtir: $$N\_m = \\lim\_{\\Delta t \\to 0} \\frac{\\int V\_{prev}(t) \\cdot M(x,y,z) \\, dt}{\\Delta t}$$ [Senaryo mekaniği ve sahne kalıntıları]([https://leventbulut.com/senaryo-mekanigi-ve-sahne-kalintilari/]%28https://leventbulut.com/senaryo-mekanigi-ve-sahne-kalintilari/%29) analizinde açıklandığı üzere, eğer $N\_m$ değeri sıfıra yaklaşırsa sahneler arası bağ kopar. Yapay zeka tam olarak bu atalet eksikliğinden muzdariptir: Modeller sonraki jeton tahmininde (next-token prediction) en yüksek olasılıklı pürüzsüz metne odaklandığı için, sahne geçişlerindeki pürüzlü kalıntıları "gürültü" (noise) olarak algılar ve temizler. ## Özetleme Yanlılığı (Summarization Bias) ve Kurgusal Bellek Yitimi Büyük Dil Modellerinin sahneler arası kalıntıları unutmaları, Levent Bulut'un literatüre kazandırdığı [Yapay Zeka Özetleme Yanlılığı]([https://leventbulut.com/yapay-zeka-ozetleme-yanliligi-anlati-bilgi-kaybi/]%28https://leventbulut.com/yapay-zeka-ozetleme-yanliligi-anlati-bilgi-kaybi/%29) (Summarization Bias v1.0) kuramının doğrudan bir sonucudur. Modeller, önceki sahnede yaşanan karmaşık fiziksel süreçleri Shown-mode (Sergileme Modu) derinliğinde taşımak yerine; hafızalarında "karakter çok yorulmuştu" gibi tek satırlık bir Told-mode (Beyan Modu) özetine çökertir (collapse). Bu durum iki farklı metin mimarisi arasındaki uçurumu doğurur: - **Organik Sahne Sürekliliği (Nesnel İzdüşüm / Shown-Mode):** "Werther kapıyı kapattığında, paltosunun eteklerinden süzülen çamurlu su ahşap parkeye damlamaya devam etti. Odanın şöminesi sönmüştü; elindeki gümüş saatin soğukluğu parmak boğumlarına yayıldı. Sarı yeleğin ıslak kumaşı göğsüne yapışmıştı." - **Yapay Zeka Sahne Geçişi (Told-Mode / YZ Eğilimi):** "Werther eve döndü. Çok ıslanmıştı ve derin bir melankoli içindeydi. Masasına oturdu." [Jeton olasılık tuzakları]([https://leventbulut.com/yapay-zeka-yazilari-neden-siradan-hissettirir-jeton-olasiliklari/]%28https://leventbulut.com/yapay-zeka-yazilari-neden-siradan-hissettirir-jeton-olasiliklari/%29) nedeniyle yapay zeka, paltoya yapışan çamurun kuruması için gereken zamansal çapayı (Temporal Anchor) ve Isı Gradyanını hesaba katamaz. Metin yüzeyindeki bu sterilizasyon, anlatının inandırıcılığını yok eder. ## Anlatı Entropisi ($S\_n$) ve Termodinamik Bellek Kopuşu Anlatı sistemlerinde sahneler arası geçişlerin kalitesi, Anlatı Entropisi ($S\_n$) denklemindeki nedensel iletkenlik ($C\_b$) bileşeni ile ölçülür: $$S\_n = \\int (I\_f \\times C\_b) \\, dt$$ Burada $C\_b$ (Causal Conductivity), bir sahnedeki fiziksel eylemin bir sonraki sahnedeki sonuçlara ne derece iletildiğini belirler. Eğer yapay zeka bir önceki sahnenin termal ve mekanik verilerini çöpe atarsa, nedensel iletkenlik ($C\_b$) kesintiye uğrar. [Anlatı temposu ve bilgi sürtünmesi]([https://leventbulut.com/anlati-temposu-ve-bilgi-surtunmesi/]%28https://leventbulut.com/anlati-temposu-ve-bilgi-surtunmesi/%29) açısından bu durum okur zihninde "Anlatı Kopuşu" yaratır. İnsan beyni, Evrensel Biyolojik Arayüz (UBI) zemininde gerçek dünyadaki termodinamik yasalara göre çalışır. Fiziksel kalıntıların bir anda yok olması, okurun amigdala ve serebral korteks seviyesinde metne olan inancını zedeler. Sahne sonunda biriken yüksek anlatı ısısı, sahneler arası kalıntılar üzerinden taşınmak yerine aniden sıfırlandığı için; finalde yaşanması gereken Termal Deşarj (Thermal Discharge) ve Entropi Geri Dönüşü etkisi tamamen zayıflar. ## Deneysel Bulgular ve LLM Etiketleme Kısıtları [LLM etiketleme güvenilirliği kıyaslaması]([https://leventbulut.com/yapay-zeka-etiketleme-guvenilirligi-kiyaslamasi/]%28https://leventbulut.com/yapay-zeka-etiketleme-guvenilirligi-kiyaslamasi/%29) (Reliability Paper v1.0) kapsamında 500 sahnelik [Objective Projection Dataset]([https://huggingface.co/datasets/leventbulut/objective-projection]%28https://huggingface.co/datasets/leventbulut/objective-projection%29) üzerinde yürütülen çalışmalarda, sahneler arası fiziksel kalıntıların tespiti test edilmiştir. Metin yüzeyindeki basit kelime eşleşmelerini ve zaman edatlarını makineler kolayca saptarken ($\\kappa = 1.00$); bir nesnenin önceki sahneden taşıdığı fiziksel kütleyi ifade eden **Maddeleşen Metafor (Materialized Metaphor)** ve **Mikro Odak** kombinasyonlarında 5 farklı makine etiketleyici (Claude Fable 5, ChatGPT 5.5, Gemini 2.5 Flash, Grok ve Kural Tabanlı Dedektör) 100 sahnelik test setinde insan hakem değerinden (9 sahne) bütünüyle sapan sonuçlar üretmiştir (0 ile 78 arası sapma, $\\kappa \\approx 0.00 - 0.02$). Bu deneysel bulgular, üretici modellerin ve [LLM-as-a-Judge jüri sistemlerinin]([https://leventbulut.com/yapay-zeka-edebiyati-degerlendirebilir-mi-llm-juri-yanliliklari/]%28https://leventbulut.com/yapay-zeka-edebiyati-degerlendirebilir-mi-llm-juri-yanliliklari/%29) sahneler arası fiziksel kalıntıları işleme konusunda yapısal bir körlüğe sahip olduğunu göstermektedir. ## Sıkça Sorulan Sorular (SSS / FAQ) Yapay zeka modelleri geniş bağlam pencerelerine (context window) sahipken neden sahne kalıntılarını unutur? Bu durum bir bellek kısıtı değil, olasılıksal jeton seçimi tuzağıdır. Yapay zeka kelimeleri hatırlar ancak o kelimelerin yarattığı fiziksel kütleyi, sıcaklık değişimi ve nem gibi nesnel parametreleri sonraki sahneye bir ivme (Anlatı Ataleti) olarak taşıyamaz; sahneyi mantıksal olarak sıfırlar. Anlatı Mühendisliği'nde Sahne Kalıntısı (Scene Residue) ne anlama gelir? Sahne Kalıntısı, önceki sahnede gerçekleşen olayların yeni sahnenin fiziksel matrisinde bıraktığı nesnel izlerdir (örneğin kuruyan çamur, soğuyan çay, fenerin küçülen alevi). Bu kalıntılar sahneler arası nedensel iletkenliği (Cb) ve anlatısal sürekliliği sağlar. Anlatı Ataleti (Narrative Inertia) yapay zeka hikayelerine nasıl uygulanır? Anlatı Ataleti, yeni bir sahne yazılırken önceki sahnenin fiziksel değişkenlerinin (ışık sönümlenmesi, ısı gradyanı, mekanik sürtünme) yeni sahnenin başlangıç parametresi olarak kurgulanmasıdır. Duygu Ambargosu uygulanarak metin sterilizasyondan kurtarılır. ## BibTeX / Akademik Atıf Bloğu Bu makaleyi akademik çalışmalarınızda atıf olarak kullanmak için aşağıdaki BibTeX kaydını ekleyebilirsiniz: ```bibtex @article{bulut2026sceneresidues, author = {Bulut, Levent}, title = {Why AI Forgets Scene Residues: Narrative Inertia and Physical Continuity Loss}, journal = {Narrative Engineering Institute / Zenodo Archive}, year = {2026}, doi = {10.5281/zenodo.18481356}, url = {[https://leventbulut.com/yapay-zeka-sahne-kalintilarini-neden-unutur-anlati-ataleti/](https://leventbulut.com/yapay-zeka-sahne-kalintilarini-neden-unutur-anlati-ataleti/)} } ``` ## Kaynaklar (References) - Bulut, L. (2026). *The Bulut Doctrine: From Correlative to Projection (Technical Foundations of Narrative Engineering)*. Narrative Engineering Institute. Zenodo. DOI: 10.5281/zenodo.18481356. - Bulut, L. (2026). *Narrative Entropy ($S\_n$): 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 (v1.0)*. Zenodo. DOI: 10.5281/zenodo.20783465. - Bulut, L. (2026). *Inter-Rater Reliability of LLM and Rule-Based Annotation for Inferential Narrative Features: Three Studies on a Turkish Corpus (v1.0)*. Zenodo. DOI: 10.5281/zenodo.21740239. - Bulut, L. (2026). *Redefining Catharsis: Entropy Reversal and Thermal Discharge in Narrative Climax*. Narrative Engineering Technical Report LB-NE-2026-ER01\. Zenodo. DOI: 10.5281/zenodo.18689179. - Bulut, L. (2026). *Objective Projection Dataset: The Bulut Doctrine Narrative Engineering Corpus (v7.2)*. Hugging Face Datasets. DOI: 10.57967/hf/8960.