Yapay zekâ Türkçeyi neden bazen tuhaf yazar?

Yapay zekâya Türkçe bir metin yazdırdınız ve bazı cümleler size “bir yerden çevrilmiş” gibi geldi. Bu izlenim boşuna değil; nedenleri var ve metni düzeltmenin yolları da var.

Aklınıza bir soru mu takıldı?

Sorunuzu ya da aradığınız konuyu yazın Ders bul

Bu derste neler öğreneceksiniz?

• Yapay zekânın Türkçede neden bazen yapay duran cümleler kurduğunu
• Türkçenin eklemeli yapısının modeller için neden zor olabildiğini
• Deyim, atasözü ve yerel bilgide neden daha çok hata çıktığını
• Türkçe bir metni kopyalanabilir bir komutla nasıl doğallaştıracağınızı

Birinci neden: dünya İngilizceye göre ölçülüyor

Yapay zekâ modellerini sınayan ölçütlerin çoğu İngilizce hazırlanır. TurkBench makalesinin yazarları bunu açıkça söylüyor: büyük ölçütler İngilizce merkezli ve bunları Türkçeye çevirmek, dilin eklemeli yapısını, söz dizimini ve kültürel bağlamını çoğu zaman kaçırıyor. Makalede ODTÜ, Bilkent, Boğaziçi, Hacettepe ve İstanbul üniversitelerinden araştırmacılar var. Bu yüzden Türkçe için ayrı bir ölçüt hazırlamışlar: ulusal sınavlardan, üniversite derslerinden, sosyoloji metinlerinden ve edebiyattan toplanmış 8.151 örnek.

TR-MMLU makalesi de benzer bir noktaya dikkat çekiyor. Yıldız Teknik, Yeditepe, İstanbul Bilgi ve Işık üniversitelerinden yazarlar, kaliteli Türkçe veri kümelerinin hâlâ sınırlı olduğunu söylüyor. Bir model ne kadar az Türkçe örnek görürse, Türkçeyi o kadar çok başka dillerden aktardığı kalıplarla kurma ihtimali artar. Bu bir ihtimaldir; bütün modeller için aynı derecede geçerli sayılmaz.

İkinci neden: Türkçe kelimeler çok parçalı

Modeller metni kelime kelime değil, “token” denen parçalarla okur. Hugging Face’in öğrenme sayfası, kelimeleri alt parçalara bölen yöntemin özellikle Türkçe gibi eklemeli dillerde işe yaradığını anlatıyor; çünkü uzun kelimeler köke ve eklere ayrılabiliyor. “Evlerimizdekilerden” gibi bir kelime düşünün: tek kelime, ama içinde birçok ek var. Tokenlar ayrı bir derste anlatılıyor; burada şunu bilmeniz yeterli: bölme biçimi Türkçeye uygun değilse sonuç zayıflayabilir.

Petrov ve arkadaşlarının makalesi, aynı metnin farklı dillere çevrildiğinde çok farklı uzunlukta token dizisine dönüşebildiğini gösteriyor. Bazı dil çiftlerinde fark yaklaşık on beş katı bulmuş. Makale Türkçe için ayrı bir sayı vermiyor. Ama TR-MMLU yazarları, Türkçenin yapısına uygun belirteç kullanan modellerin daha iyi sonuç verdiğini bildiriyor. Yazarlar bunu kesin bir neden olarak değil, bir açıklama olarak öneriyor.

Üçüncü neden: deyimler, atasözleri ve yerel bilgi

TurkBench sonuçlarına göre en güçlü modeller bile deyim, atasözü ve Türkiye’ye özgü genel bilgi gibi kültüre bağlı konularda zorlanıyor. Bir de komut dili etkisi var: aynı soru farklı sözcüklerle sorulduğunda sonuç değişebiliyor. TR-MMLU’da da komutun yazılış biçimi sonucu etkilemiş. Yani modelin “Türkçesi” tek bir sabit düzeyde durmuyor; sorunun nasıl sorulduğuna da bağlı.

Günlük bir örnek: İzmir’de küçük bir kırtasiye işleten Seda Hanım, mahalle grubuna bayram duyurusu yazdırıyor. Yapay zekâ “Sizlere en iyi şekilde hizmet verebilmek adına dükkânımız kapalı olacaktır” gibi cansız bir cümle kuruyor. Dilbilgisi doğru, ama mahalle esnafı böyle konuşmaz. Deyimlerde ve resmî kalıplarda şaşırtıcı bir seçim de görebilirsiniz. Bunları fark etmek için kendi kulağınıza güvenin.

Anthropic’in çok dilli destek sayfası ayrıca bir uyarı yapıyor: kullanacağınız dilde sonuçları kendiniz sınayın. O sayfanın tablosunda Türkçe yok; yani Türkçe başarısını oradan okuyamazsınız. Bu da testi sizin yapmanız gerektiğini gösteriyor.

Metni doğallaştırmak için komut

Aşağıdaki iki komutu karşılaştırın. İlkinde yapay zekâ ne düzelteceğini bilmez. İkincisinde okuru, tonu, kaçınılacak kalıpları ve çıktı biçimini siz belirlersiniz.

Yukarıdaki çıktı örnektir. Gerçek bir çıktıda bilgi uydurulup uydurulmadığını (örneğin “sabah dokuz” gibi bir saatin metne eklenip eklenmediğini) mutlaka kontrol edin; komutta “bilgiyi değiştirme” demenizin nedeni budur.

Adım adım uygulama

1. Düzeltmek istediğiniz metni, kimlik ya da özel bilgi içermeyecek biçimde hazırlayın.
2. Okuru ve tonu bir cümleyle yazın: kimlere, hangi havada yazıyorsunuz?
3. Komutta kaçınılacak kalıpları ve değiştirilmemesi gereken bilgileri (tarih, saat, ad) sayın.
4. Önce yapay duran yerleri listelemesini, sonra yeni metni vermesini isteyin.
5. Çıktıyı sesli okuyun. Takıldığınız her yer büyük olasılıkla doğal değildir.
6. Deyim ya da atasözü varsa anlamını bildiğiniz bir kaynakta (örneğin TDK sözlüklerinde) kontrol edin.
7. Yazım ve noktalamayı yayınlamadan önce son kez kendiniz okuyun.

Kontrol listesi

• Bilgiler (tarih, saat, ad) değişmedi
• Çeviri kokan kalıplar gitti
• Cümleler kısa ve anlaşılır
• Deyim ve atasözleri doğru kullanılmış
• Metin sesli okununca doğal duruyor

Sık yapılan hatalar

• İlk çıkan metni olduğu gibi yayımlamak
• Komutta okuru ve tonu belirtmemek
• Yapay zekâya “bilgiyi değiştirme” demeyip metne yeni bilgi sızmasına izin vermek
• Deyim ya da atasözünü kontrol etmeden bırakmak

Kendinizi deneyin

Kaynaklar

• TurkBench: Türkçe büyük dil modellerini değerlendirmek için bir ölçüt (arXiv, 2026) (İngilizce)
• Türkçe doğal dil işlemede standart oluşturmak: TR-MMLU (arXiv) (İngilizce)
• Petrov ve arkadaşları: Dil modeli belirteçleyicileri diller arasında eşitsizlik yaratıyor (arXiv) (İngilizce)
• Hugging Face LLM Kursu: Belirteçleyiciler (İngilizce)
• Anthropic: Çok dilli destek (İngilizce)

Son kontrol: 8 Kasım 2026

Kaynak: yzdersleri.com/ders/yapay-zeka-turkceyi-neden-tuhaf-yazar/ · Yapay Zeka Dersleri