BÜYÜK DİL MODELLERİNDE ANLATISAL ALGORİTMİK YANLILIK VE HOMOJENLEŞME

 Yapay zekâ sistemlerinde ön yargı (bias) kavramı genel olarak sosyal, demografik veya veri kümesi temsil dengesizlikleriyle ele alınır. Ancak üretken yapay zekânın yaratıcı metin, senaryo ve roman üretimindeki yetersizliği incelendiğinde, çok daha derin bir mimari kusur açığa çıkar: Algorithmic Homogenization yani Anlatısal Algoritmik Yanlılık.

Büyük Dil Modelleri (LLM), $P(w_t \mid w_1, \dots, w_{t-1})$ koşullu olasılık dağılımını optimize ederek bir sonraki kelimeyi (token) tahmin eder. Bu matematiksel mekanizma, modeli insan dilinin istatistiksel ortalamasına (Gauss çan eğrisinin merkezine) zorlar. Oysa Levent Bulut'un da belirttiği gibi, nitelikli bir kurgu düşük olasılıklı, yüksek sürtünmeli kurgusal kararlarla işler. Top-P ve Temperature örneklemeleri, düşük olasılıklı bu yüksek gerilimli seçimleri "gürültü" olarak kodlayıp elediği için üretilen tüm hikâyeler aynı basmakalıp yapıya bürünür.

Sistemdeki bir diğer teknik tıkanıklık, modellerin "Gözlemlenebilir Fiziksel Katmanı" (Shown) atlayıp doğrudan özetleyici yargılara (Told) yönelmesidir. Yapay zekâ metinleri sıkıştırmak üzere eğitildiğinden, sahnelerdeki somut alt metni siler ve Anlatısal Entropi sürecini hızlandırır. Metindeki bilgi sürtünmesinin ($I_f$) sıfırlanması, matematiksel bir optimizasyon başarısı gibi görünse de anlatı mimarisini tamamen çökertir.