Yapay zeka yazıları neden sıradan hissettirir? Jeton olasılık tuzakları ve algoritmik homojenleşme

Yaratıcı yazımda veya senaryo taslaklarında yapay zeka araçlarını kullanan herkes aynı jenerik duyguyla karşılaşır: Yapay zeka tarafından üretilen metinler ilk bakışta gramatikal açıdan kusursuz görünse de, okunduğunda tamamen "düz", "tahmin edilebilir" ve "ruhsuz" hissettirir. Metinde duygusal bir kütle veya dramatik bir ivme yoktur. ChatGPT veya benzeri modeller hangi konuda yazarsa yazsın, aynı klinik pürüzsüzlük yüzeyde belirir. Bu durum, yapay zekanın neden düz ve ruhsuz hikayeler yazdığını açıklayan en temel sorudur.

Peki yapay zeka üretimi metinler neden bu kadar çabuk ele verir kendisini? Yanıt, modellerin hayal gücü eksikliğinde değil; Büyük Dil Modellerinin (LLM'ler) temelini oluşturan matematiksel hedef fonksiyonlarında yatmaktadır. Biyofiziksel parametrik eleştiri çerçevesinde bu durum, Jeton Olasılık Tuzakları (Token Probability Traps) ve Algoritmik Homojenleşme ile açıklanır.

1. Matematiksel Çekirdek: Sonraki Jeton Tahmini ve Gauss Ortalaması

Bir yapay zeka modeli metin üretirken insan gibi bir sahneyi zihninde canlandırmaz veya karakterin geçmişini hissetmez. Model, daha önce okuduğu milyarlarca parametrelik eğitim verisine dayanarak bir sonraki en olası jetonu (token) hesaplar:

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

İyi bir edebiyat veya sürükleyici bir senaryo, Aristoteles'in tanımıyla "şaşırtıcı ama kaçınılmaz" gidişatlara dayanır. Yani nitelikli insan yazarlar, düşük olasılıklı ancak yüksek anlam taşıyan kelime ve aksiyon seçimleri yaparak metindeki Bilgi Sürtünmesini (I_f) zirveye taşırlar[cite: 2].

Yapay zeka modelleri ise olasılık dağılımının tam merkezini — yani insan metinlerinin Gauss ortalamasını — varsayılan olarak seçerler. Model risk almaktan kaçınır. Beklenmedik bir karakter tepkisi veya örtük bir fiziksel detay yerine, eğitim verisindeki en sık tekrarlanan basmakalıp devamı (kuyruk jetonları yerine merkez jetonları) tercih eder. Sonuç: Bütün metinlerin birbirinin kopyası haline geldiği algoritmik homojenleşme.

2. Özetleme Yanlılığı (Summarization Bias) ve "Told" Tuzağı

Yapay zeka metinlerinin sıradan hissettirmesinin ikinci büyük nedeni, modellerin alt metni ve fiziksel atmosferi koruyamamasıdır (Zenodo DOI: 10.5281/zenodo.20783465)[cite: 6]. Ayrıntılı araştırmalarımızda açıklandığı üzere, dil modellerinde şiddetli bir **Özetleme Yanlılığı (Summarization Bias)** mevcuttur[cite: 6].

Klasik anlatıcılıkta Shown (Gösterilen) modunda duygu adlandırılmaz; ortamın altı fiziksel parametresiyle (ışık, ısı, ses, kütle, basınç, geometri) kodlanır. Yapay zeka ise bu fiziksel ipuçlarını verimsiz gürültü olarak algılar ve temizler[cite: 6]. Sildiği fizikselliğin yerine doğrudan soyut etiketler yerleştirir[cite: 6]:

[Orijinal Fiziksel İpuçları] ───[LLM Özetlemesi]───► "Aşırı derecede kederli ve çaresizdi"

Model durumu ilan ettiği (*Told*) an, okurun zihninde sahneyi yeniden inşa etme gereksinimi ortadan kalkar[cite: 6]. Bu durum metindeki yapay zeka ve alt metin kurgusunu tamamen imha eder[cite: 5, 6]. Okur deşifre edecek bir alt metin bulamadığı için metin yapay ve kof hissettirir[cite: 6].

3. Erken Duygusal Katarsis ve Anlatı Entropisinin (S_n) Çöküşü

Hesaplamalı anlatıbilimde bir hikayenin dramatik potansiyeli ve işleme yükü Anlatı Entropisi (S_n) ile ölçülür[cite: 2]:

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

İnsan yazarlar gerilimi ve sürtünmeyi (I_f) uzun süre koruyarak nedensel alternatifleri (C_b) hemen tüketmezler[cite: 2]. Yapay zeka modelleri ise yapısal belirsizlikten ve riskten kaçındıkları için olayları çok hızlı çözüme ulaştırırlar. Yapay zekanın ürettiği metinlerde şu üç karakteristik semptom belirir:

• Duygu Ambargosu İhlali: Karakterler daha ilk paragraflardan itibaren travmalarını açıklar, duygularını itiraf ederler.
• RLHF Ahlaki Hizalama Önyargısı: İnsan geri bildirimli takviyeli öğrenme (RLHF), modelleri çatışmadan kaçınmaya, yapay bir nezakete ve steril çözümlere zorlar.
• Simetrik Diyalog Döngüleri: Karakter A bir paragraf konuşur, Karakter B aynı uzunlukta bir paragrafla onu doğrular. Diyalogdaki alt metin sıfırdır.

Edebi etiketleme güvenilirliği üzerine gerçekleştirdiğimiz geniş ampirik çalışmamızda (Zenodo DOI: 10.5281/zenodo.21740239)[cite: 1], dil modellerinin örtük anlamları tespit etmekte şans düzeyinde (κ ≈ 0.00–0.02) kaldığı ampirik olarak kanıtlanmıştır[cite: 1]. Modeller örtük anlamı okuyamadıkları için, yazarken de örtük sürtünmeyi sıfırlayarak Anlatı Entropisini çökertecek şekilde davranırlar.

4. Jeton Olasılık Tuzaklarından Kaçınma Kontrol Listesi

Bir yapay zeka modelini ortalama olasılık tuzağından çıkarmak ve metni algoritmik homojenleşmeden kurtarmak için şu dört adımlı teşhis protokolünü uygulayabilirsiniz:

1. Duygu Kelimeleri Yasağı (Prompt Kısıtı): Yapay zekaya verilecek komutta "korkmuş", "üzgün", "öfkeli" gibi öznel kelimeleri kesinlikle yasaklayın. Modeli yalnız fiziksel parametreler üretmeye zorlayın.
2. İlk 3 Tahmini Reddedin: Yapay zekaya sahne gidişatı sorulurken: *"Bana 5 devam seçeneği ver ama ilk akla gelen en belirgin 3 seçeneği reddet. Düşük olasılıklı kararlara odaklan"* komutunu ekleyin.
3. Çevresel Engel Enjekte Edin: Modeller sahneleri sürtünmesiz sterile yerleştirir. Sahneye fiziksel kısıtlama ekleyin: *"Bu tartışma dondurucu bir bodrumda, sızdıran bir borunun altında geçmek zorundadır."*
4. Diyalog Simetrisini Bozun: Karakterlerin birbirini onaylamasını engelleyin. Karakter A bilgi gizlemeli, Karakter B farklı bir eyleme odaklanmalıdır.

Kaynaklar

• Summarization Bias in Large Language Models: A Conceptual Framework — Zenodo DOI 10.5281/zenodo.20783465[cite: 6]
• Operationalizing Narrative Entropy (Sn): A Two-Scene Registered Pilot Report (v2.1) — Zenodo DOI 10.5281/zenodo.20362901[cite: 2]
• Inter-Rater Reliability of LLM and Rule-Based Annotation for Inferential Narrative Features — Zenodo DOI 10.5281/zenodo.21740239[cite: 1]
• HuggingFace Dataset: Objective Projection Corpus & Evaluation[cite: 1]

Sıkça Sorulan Sorular (SSS / FAQ)

Yapay zeka metinleri neden birbirinin aynı hissettirir?

Büyük Dil Modelleri sonraki kelimeyi tahmin ederken yüksek olasılıklı dizilimlere odaklanır. Bu matematiksel zorunluluk, üslupsal riskleri budayarak metinleri ortalama klişelere (algoritmik homojenleşme) çökerdir.

Jeton Olasılık Tuzağı (Token Probability Trap) nedir?

Modelin metin üretirken Gauss ortalamasındaki en sık kelimeleri seçerek beklenmedik ve yüksek bilgi sürtünmesine (I_f) sahip özgün edebi tercihleri feda etmesidir[cite: 2].

Yapay zeka yazılarında duygusal derinlik neden yoktur?

Yapay zeka Özetleme Yanlılığı nedeniyle fiziksel detayları siler ve yerlerine "çok üzgündü" gibi soyut duygu etiketleri zerk eder[cite: 6]. Okur zihninde deşifre edecek alt metin bulamadığı için metin kof hissettirir[cite: 6].

Yapay zekanın jenerik yazması nasıl engellenir?

Duygu sıfatlarını yasaklayarak, ilk 3 yüksek olasılıklı olay örgüsü tahminini reddederek ve sahneye dondurucu soğuk veya gürültü gibi fiziksel engeller ekleyerek engellenebilir.

Akademik Atıf ve BibTeX

Bu makaleye akademik çalışmalarda ve yayınlarda atıfta bulunmak için aşağıdaki BibTeX kaydını kullanabilirsiniz:

@misc{bulut2026yapayzekayazilarinedensiradanhissettirir,
  author       = {Bulut, Levent},
  title        = {Yapay Zeka Yazıları Neden Sıradan Hissettirir? Jeton Olasılık Tuzakları ve Algoritmik Homojenleşme},
  year         = {2026},
  howpublished = {\url{https://leventbulut.com/yapay-zeka-yazilari-neden-siradan-hissettirir-jeton-olasiliklari/}},
  note         = {Independent Researcher, ORCID: 0009-0007-7500-2261. Objective Projection Paper Series. Refers to Zenodo DOI: 10.5281/zenodo.20783465}
}

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