Yapay Zekâ Tarafından Yazılan Metinleri Nasıl Tanırsınız? 1.2 Milyon Kelimelik Analizin Çarpıcı Sonuçları
İnternet ekosisteminin devasa bir hızla değiştiği günümüzde, Büyük Dil Modelleri (LLM) dakikada binlerce kelime üreterek içerik üretim standartlarını tamamen yeniden tanımlıyor. Öyle ki, güncel araştırmalara göre yeni kurulan web sitelerinin üçte birinden fazlasının taslağı doğrudan yapay zeka tarafından oluşturuluyor. Bir yapay zeka metninin bu yıl Commonwealth Kısa Hikaye Ödülü’nü kazandığı iddiaları (Vakıf tarafından reddedilmiş olsa da), dilbilimsel sınırların ne kadar bulanıklaştığını kanıtlıyor. Peki, kusursuz gibi görünen bu dijital hayaletleri kendi üsluplarından yakalamak mümkün mü?
Haberi PodCast olarak dinlemek isterseniz;
LLM’lerin Dilsel Evrimi ve Algoritma Dedektörleri
Yapay zeka metinlerini tespit etmek için sektörde yaygın olarak Pangram gibi algılama algoritmaları kullanılıyor. Yüzde 99,98 doğruluk oranına sahip olduğunu iddia eden ve Substack gibi dev platformlarla entegre çalışan bu araçlar, temelde birer “kara kutu” (black box) algoritmasıdır. Verdikleri kararın arkasındaki dilbilimsel nedeni açıklamazlar ve yanlış pozitif sonuçlar (insan yazısını yapay zeka sanma) üretebilirler.
Polonya’daki Gdansk Üniversitesi‘nden dilbilimci Karolina Rudnicka’nın da işaret ettiği gibi; tek bir insan yazım stili olmadığı gibi, tek bir yapay zeka yazım stili de yoktur. Örneğin bir dönem yapay zekanın “delve” (derinlemesine incelemek) kelimesini veya uzun tireleri (em-dash) aşırı kullandığı düşünülürdü. Ancak LLM’ler sürekli güncellenen ve öğrenen yapılar oldukları için bu kalıpları hızla terk etmektedir.
1.2 Milyon Kelimelik Veri Seti Ne Söylüyor?
The Economist tarafından yürütülen geniş çaplı bir dilbilimsel araştırma, yapay zekanın yazım tarzındaki gizli şifreleri kırmak için 55.940 cümle ve 1,2 milyon kelimeden oluşan devasa bir veri seti oluşturdu.
Araştırmada; OpenAI’nin ChatGPT’si, Anthropic’in Claude’u, Google’ın Gemini’si ve xAI’nin Grok’u tarafından üretilen metinler ile CNN, New York Times, Washington Post makaleleri ve 1950-2022 yılları arasında yayınlanmış popüler romanlardan alınan insan metinleri karşılaştırıldı.
İnsan ve Yapay Zeka Metinlerinin Karşılaştırmalı Analizi
| Dilbilimsel Özellik | İnsan Yazar | Yapay Zeka (LLM) |
| Kelime Seçimi | Basit, doğrudan ve Saksonca kökenli kelimeler. | Çok heceli, “gösterişli” ve Latince kökenli kelimeler. |
| Cümle Uzunluğu | Etkileyici, kısa ve ritmik geçişlere sahip. | Genellikle uzun, “ve” bağlacıyla uzatılmış, monoton. |
| Noktalama İşareti | Virgül, noktalı virgül ve parantez kullanımı zengin. | Çok az noktalama işareti, neredeyse sıfır parantez. |
| Retorik Yapılar | Doğal ve akışkan fikir geçişleri. | “Sadece değil, aynı zamanda”, “Üçlü Kuralı” kalıpları. |
Kelime Seçimi ve “Gösterişli Üslup” Paradoksu
Veri setine göre LLM’ler, geçmişteki klişe kelimeleri terk etseler de yerlerine “önemli”, “giderek artan” ve “sonuçlar” gibi ağır, çok heceli kelimeler koydular. İsimleştirmeye (fiillerden isim türetmeye) büyük bir eğilim gösteriyorlar. Özellikle Google Gemini ve Anthropic Claude modelleri; “karşılıklı bağımlılık” veya “yeniden sanayileşme” gibi teknik jargonu insanlardan çok daha fazla kullanıyor.
Ünlü yazar George Orwell, bu durumu yıllar önce “gösterişli üslup” olarak tanımlamıştı. Zeki görünmek adına basit ifadeleri karmaşık kelimelerle süslemek ve Latince kökenli kelimelerin daha görkemli olduğuna inanmak, bugün gelişmiş yapay zeka modellerinin de en belirgin dilbilimsel tuhaflığı olarak karşımıza çıkıyor.
Noktalama İşaretleri ve Cümle Mimarisi
Sanılanın aksine, yapay zeka artık uzun tire işaretine (em-dash) bağımlı değil. ChatGPT, son güncellemelerden sonra insanlardan belirgin şekilde daha az uzun tire kullanmaya başladı. Ancak Claude modelinde bu oran hala insanlardan yüksek.
Bunun yerine botlar, Joycevari bir yaklaşımla virgül, noktalı virgül ve parantez kullanımını neredeyse sıfıra indiriyor. Uzmanlardan doğrudan alıntı yapmadıkları için metinleri uzun ve kesintisiz bloklar halinde ilerliyor. Dikkat çekmek istediklerinde ise 1000 cümle başına insanlardan çok daha yüksek oranda “Üçlü Kuralı”nı (fikirleri üçlü gruplar halinde sayma) veya “X değil, Y” gibi kalıplaşmış retorik araçları kullanıyorlar.
Gerçek Dünya Senaryolarında Yapay Zeka Metinleri: Artıları ve Eksileri
Florida Eyalet Üniversitesi’nden Tommie Juzek’in belirttiği gibi, yapay zeka sistemleri İnsan Geri Bildirimli Pekiştirmeli Öğrenme (RLHF) yöntemiyle insanların etkileyici bulduğu yapıları hızla kopyalayıp sevmediklerini terk edebiliyor. Sahadaki gerçek kullanım senaryolarına baktığımızda bu durumun içerik üreticileri için yarattığı avantajlar ve dezavantajlar oldukça nettir.
- Artıları:
- Hız ve Çok Yönlülük: Dakikalar içinde binlerce kelimelik teknik raporlar veya yaratıcı taslaklar oluşturarak iş gücü maliyetlerini devasa oranda düşürür.
- Gramer Kusursuzluğu: Dilbilgisi kurallarına (noktalama eksiklikleri dışında) ve yapısal bütünlüğe sıkı sıkıya bağlı kalır.
- Eksileri:
- Sterilizasyon ve Duygusuzluk: Metinler teknik olarak doğru olsa da, kısa ve vurucu (punchy) cümlelerin eksikliği nedeniyle okuyucuyu yoran, yavan bir ritme sahiptir.
- Klişe Retorikler: “Sonuç olarak”, “Sadece bununla kalmayıp”, “Dinamik bir yapı” gibi kalıpların sürekli tekrarı, metnin organik hissini (insan dokusunu) tamamen ortadan kaldırır. Uzman görüşlerinin (alıntıların) yoksunluğu gazetecilik inandırıcılığını zedeler.
Makale Özeti ve Temel Çıkarımlar
- Algoritmaların Sınırları: Pangram gibi yapay zeka dedektörleri %99,98 gibi yüksek doğruluk oranları iddia etse de, kararlarını açıklayamayan “kara kutu” sistemleridir ve tek bir AI yazım dili yoktur.
- Gösterişli Üslup: The Economist’in 1.2 milyon kelimelik analizine göre yapay zeka; çok heceli, Latince kökenli ve fiillerin isimleştirildiği akademik/jargon ağırlıklı bir dil kullanmayı tercih ediyor.
- Noktalama Eksikliği: Güncel LLM’ler uzun tireleri (em-dash) terk etmiş durumda. Ancak metinleri, insanlara kıyasla çok daha az virgül, noktalı virgül ve parantez içeriyor; cümleler uzun ve monoton bir yapıda ilerliyor.
- Retorik Bağımlılığı: Botlar, cümleleri daha ilgi çekici hale getirmek için “Üçlü Kuralı” (fikirleri üçerli gruplama) ve “X değil, Y” gibi formüllere insanlardan çok daha fazla (özellikle ChatGPT ve Claude) başvuruyor.
- Hızlı Adaptasyon: Modeller insan geri bildirimleriyle çok hızlı evrimleşiyor. Yakın geçmişte uzun çizgileri aşırı kullanan ChatGPT, bugün sorulduğunda “bu işaretin az kullanılması gerektiğini” bilecek kadar şekil değiştirmiş durumda.
Kaynaklar: The Economist, Gdansk Üniversitesi, Florida Eyalet Üniversitesi, Pangram Verileri.
Bu haber ilgini çekebilir.
