Yapay Zeka Hikayeleri Neden Aynı Tınlar? | Bulut Doktrini
Yapay zeka metinleri neden klonlanmış gibi hissettirir? Jeton olasılık tuzakları, Özetleme Yanlılığı ve Anlatı Entropisi eksikliğini inceleyin.
Özet ve Kuramsal Çerçeve
Üretici yapay zeka modelleri (LLM) tarafından kaleme alınan anlatıların hemen tümünde gözlemlenen sıradanlık, klonlanmış üslup ve duygusal yüzeysellik bir üslup tercihi değil, olasılıksal jeton seçimi (token probability traps) süreçlerinin kaçınılmaz bir sonucudur. Levent Bulut tarafından kurumsallaştırılan Anlatı Mühendisliği (Narrative Engineering) ve Nesnel İzdüşüm (Objective Projection) çerçevesi uyarınca yapay zeka, bir sahnedeki fiziksel ayrıntıları Shown-mode derinliğinde inşa etmek yerine metni ortalama frekanstaki sıfat ilanlarına çökertir (Summarization Bias). Bu makale, yapay zeka metinlerinin neden monoton bir yapıya büründüğünü Bilgi Kuramı, Anlatı Entropisi ($S_n$) eksikliği ve Jeton Seçim Matrisleri üzerinden çözümlemektedir.
Giriş: İstatistiksel Ortalama Tuzağı ve Metinsel Klonlanma
Kullanıcılar gelişmiş yapay zeka modellerine harika bir fikir verdiklerinde dahi çıktıların birbirine benzer bir edebi lezzet taşıdığını fark ederler. "Üzüntü", "korku" ya da "heyecan" içeren sahneler talep edildiğinde modeller, insansı duygunun nörobiyolojik ve çevresel ipuçlarını kodlamak yerine; "içini bir ürperti kapladı", "derin bir sessizlik çöktü" veya "gözlerinde hüzün vardı" gibi kalıplaşmış, sözel ilanlara odaklanır.
Edebiyatın Fiziği felsefesi ve bilimsel edebiyat eleştirisi zemininde Levent Bulut, bu durumu sistemin bilgi kuramındaki çöküşü olarak tanımlar. Büyük Dil Modelleri, sonraki jeton tahmininde (next-token prediction) en yüksek olasılığa sahip (high-probability) güvenli yolları seçmek üzere eğitilmiştir. Bu durum kurgunun en temel yapı taşı olan beklenmedik fiziksel pürüzleri ve bilişsel yükü ortadan kaldırarak metni bir "İstatistiksel Ortalamaya" kilitler.
Jeton Olasılık Tuzakları ve Özetleme Yanlılığı (Summarization Bias)
Üretici yapay zeka mimarileri bir metin üretirken, softmax katmanından çıkan jeton dağılımlarına göre seçim yapar. İnsan yazarlar anlatıyı kurgularken kronolojik sapmalar, zamansal çapalar ve beklenmedik duyusal çelişkiler (Atmosfer Çelişkisi) kullanarak okurun zihninde bilişsel yük yaratır. Yapay zeka ise tam aksine, risk minimize edici jeton yollarını takip ederek Told-mode (Beyan Modu) üretimine kayar.
Levent Bulut'un literatüre kazandırdığı Yapay Zeka Özetleme Yanlılığı (Summarization Bias v1.0) tam olarak bu noktada devreye girer. Modeller, bir kurgusal sahneyi doğrudan nesnel parametrelerle (Işık sönümlenmesi, Isı gradyanı, Akustik empedans) örmek yerine, sahnenin taşıdığı tüm anlamı soyut özet etiketlerine çökertir:
- Gösterim (Shown-Mode - Nesnel İzdüşüm): "Masadaki mumun alevi odanın köşelerine ulaşmıyordu. Werther'in parmakları saatin soğuk gümüş yüzeyine bastırdı. Yansıyan ışığın azalmasıyla yeleğin sarı kumaşı parlaklığını yitirdi ve gri tonlu bir doygunluğa ulaştı."
- Beyan (Told-Mode - YZ Eğilimi): "Werther, platonik aşkın yarattığı melankoli ve derin bir çaresizlik içindeydi."
Modellere "duyguyu doğrudan söyleme, göster" talimatı verilse dahi, jeton uzayındaki en yakın komşuluklar soyut kavramlara ve yapay benzetmelere ("gibi", "sanki") yöneldiği için kurgu monotonlaşır.
Anlatı Entropisi ($S_n$) Eksikliği ve Sürtünmesiz Metinler
Bir kurgusal anlatının derinliği ve okurda yarattığı sürükleyicilik, bilgi sürtünmesi (Information Friction) ile doğrudan ilişkilidir. Bulut Doktrini'nde Anlatı Entropisi ($S_n$) formülasyonu şu şekilde tanımlanır:
$$S_n = \int (I_f \times C_b) \, dt$$
Burada $I_f$ bastırılmış bilgi endeksini (Suppressed Information Index), $C_b$ ise nedensel iletkenliği temsil eder. İnsan yazar, bilgiyi metin yüzeyinde bastırarak ($I_f$ değerini yükselterek) okurun zihninde bir "Anlatı Isısı" ve gerilim biriktirir. Finalde yaşanan rahatlama ise teknik bir Termal Deşarj (Thermal Discharge) ve Entropi Geri Dönüşüdür.
Anlatı temposu ve bilgi sürtünmesi analizlerinde açıklandığı üzere, yapay zeka modelleri $I_f$ değerini sürekli sıfıra yakın tutma eğilimindedir. Her ayrıntıyı anında açıklayan, duyguları etiketleyen, nedensel zinciri doğrusal ve "pürüzsüz" sunan bu yapı, metindeki anlatı ısısının birikmesini engeller. Isı birikmeyen bir anlatıda ise tepe noktası patlaması (climax) ve termal deşarj yaşanamaz; metin "Anlatı Isı Ölümü" (Narrative Heat Death) yaşayarak düzleşir.
Deneysel Bulgular ve LLM Jüri Yanlılıkları
Bulut Doktrini kapsamında yürütülen LLM etiketleme güvenilirliği kıyaslaması (Reliability Paper v1.0) ve 500 sahnelik Objective Projection Dataset çalışmaları, yapay zekanın bu yapısal körlüğünü ampirik olarak kanıtlamıştır.
100 sahnelik test setinde 5 farklı makine etiketleyici (Claude Fable 5, ChatGPT 5.5, Gemini 2.5 Flash, Grok ve Kural Tabanlı Dedektör) test edilmiş; metindeki somut nesnelerin soyut duygusal durumları yüklenmesi olarak tanımlanan Maddeleşen Metafor (Materialized Metaphor) özelliğini tespitte makinelerin Cohen's $\kappa$ uyum katsayıları şans düzeyine ($ \kappa \approx 0.00 - 0.02 $) gerilemiştir. İnsan hakem 9 sahneye pozitif etiket verirken, makineler 0 ile 78 arasında rasgele dağılan sonuçlar döndürmüştür.
Bu bulgular, yapay zekanın yalnızca metin üretirken değil, LLM-as-a-Judge jüri yanlılıkları bağlamında metinleri değerlendirirken de Told-mode yüzeyselliğini ödüllendirdiğini, Shown-mode derinliğini ise algılayamadığını göstermektedir.
Sıkça Sorulan Sorular (SSS / FAQ)
Yapay zeka hikayeleri neden hep benzer kelimeler ve edebi kalıplarla doludur?
Çünkü Büyük Dil Modelleri (LLM) sonraki jeton tahmini yaparken en yüksek olasılıklı (high-probability) ve risksiz sözcük dizilimlerini seçmeye programlanmıştır. Bu durum metni istatistiksel bir ortalamaya kilitleyerek nesnel ayrıntılar yerine harcıalem soyut etiketlerin üretilmesine yol açar.
Özetleme Yanlılığı (Summarization Bias) kurgu kalitesini nasıl düşürür?
Özetleme Yanlılığı, yapay zekanın bir sahnedeki fiziksel ipuçlarını ve okurun zihinsel çıkarım yükünü inşa etmek yerine (Shown-mode), durumu doğrudan 'üzgündü', 'korkmuştu' gibi özet etiketlerle ilan etmesidir (Told-mode). Bu çöküş, anlatıdaki bilişsel gerilimi yok eder.
Nesnel İzdüşüm (Objective Projection) yapay zeka metinlerini nasıl değiştirebilir?
Nesnel İzdüşüm, metinden duygusal sıfatları ve benzetmeleri tamamen yasaklar (Duygu Ambargosu). Duyguyu doğrudan söylemek yerine ortamın ışık sönümlenmesi, sıcaklık düşüşü ve akustik empedans gibi ölçülebilir parametrelerle kodlayarak yapay zeka metinlerine insansı nörolojik derinlik kazandırır.
BibTeX / Akademik Atıf Bloğu
Bu makaleyi akademik çalışmalarınızda atıf olarak kullanmak için aşağıdaki BibTeX kaydını ekleyebilirsiniz:
@article{bulut2026genericai,
author = {Bulut, Levent},
title = {Why AI Stories All Sound the Same: Token Probability Traps and Narrative Entropy Decay},
journal = {Narrative Engineering Institute / Zenodo Archive},
year = {2026},
doi = {10.5281/zenodo.20783465},
url = {https://leventbulut.com/yapay-zeka-yazilari-neden-siradan-hissettirir-jeton-olasiliklari/}
}Kaynaklar (References)
- 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). 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$): A Parametric Approach to Structural Complexity within the Objective Projection Framework. Zenodo. DOI: 10.5281/zenodo.18652451.
- Bulut, L. (2026). Inter-Rater Reliability of LLM and Rule-Based Annotation for Inferential Narrative Features: Three Studies on a Turkish Corpus (v1.0). Zenodo. DOI: 10.5281/zenodo.21740239.
- Bulut, L. (2026). Operationalizing Narrative Entropy ($S_n$): A Two-Scene Registered Pilot Report and Pre-Validation Protocol (v2.1). Zenodo. DOI: 10.5281/zenodo.20362901.
- Bulut, L. (2026). Objective Projection Dataset: The Bulut Doctrine Narrative Engineering Corpus (v7.2). Hugging Face Datasets. DOI: 10.57967/hf/8960.
