Bu çalışma, yapay zekâ ile bilinç arasındaki ilişkiyi yalnız büyük dil modelinin özellikleri üzerinden tartışmak yerine dikkati modeli yöneten arka uç / backend orkestrasyon katmanına yönlendiren kavramsal bir felsefe çalışmasıdır. Makaledeki backend, sistem istemleri, bağlam yönetimi, retrieval ve bellek, araç kullanımı, planlama, değerlendirme ve çok-etmen koordinasyonu gibi mekanizmalarla LLM'nin çalışmasını yöneten algoritmik kontrol katmanıdır. Yazar, bu katmanın üretici süreci kararlı tutma, dikkati yönlendirme, bağlamı sürdürme ve görevden sapmayı azaltma işlevlerinin biyolojik bilinçteki bazı bütünleştirici işlevlerle yapısal benzerlik taşıdığını savunur. Ancak backend'in fenomenal deneyime veya qualia'ya sahip olduğu ileri sürülmez. Makale ayrıca Shannon Veri İşleme Eşitsizliği'ni hesaplamanın bilgi kuramsal sınırları için kavramsal bir çerçeve olarak kullanır ve son aşamada bilincin hesaplamaya “ortogonal” olabileceği hipotezini önerir. Bu sonuçlar deneysel olarak test edilmiş bulgular değil; yapay zekâ mimarisi, bilgi kuramı ve bilinç felsefesini birleştiren teorik önerilerdir.

Makalenin temel yön değiştirmesi şudur: çağdaş AI sisteminin görünen davranışını yalnız LLM'nin kendisine atfetmek yerine, model ile onu yöneten orkestrasyon sistemini birlikte değerlendirmek gerekir. Retrieval, araç kullanımı, bağlam penceresi yönetimi, değerlendirme ve planlama döngüleri sistem düzeyindeki davranışın önemli bileşenleridir. Yazar bu mimari ayrımı biyolojik bilişle karşılaştırarak, hesaplamalı orkestrasyonun bilinçteki kararlılık işlevlerinden bazılarını algoritmik olarak taklit edebildiğini; fakat fenomenal deneyimin karşılığını üretmediğini savunmaktadır.

Backend orkestrasyon katmanı nedir?

Backend orkestrasyon katmanı, büyük dil modelinin ne zaman çağrılacağını, modele hangi bağlamın verileceğini, üretilen çıktının nasıl değerlendirileceğini ve sonraki işlem adımına nasıl aktarılacağını belirleyen kontrol sistemidir. Kaynak çalışmada backend; sistem istemlerini, bağlam penceresi yönetimini, retrieval ve bellek sistemlerini, araç kullanma hatlarını, planlama döngülerini, değerlendiricileri ve çok-etmenli koordinasyon mekanizmalarını kapsayan geniş bir katman olarak tanımlanır.

LLM ile backend arasındaki görev ayrımı

Makalenin mimari çerçevesinde LLM ile backend aynı şey değildir. LLM, verilen bağlama göre bir sonraki token için olasılık dağılımı üreten istatistiksel ve ilişkisel üretici katmandır. Backend ise bu üretici katmanın çevresinde çalışan, bağlamı koruyan ve modeli görev yönünde tekrar tekrar kullanan orkestrasyon katmanıdır.

Kaynak Şekil 1'in ana mesajı bu görev dağılımıdır. Sistem davranışı modelin parametrelerinden tek başına ortaya çıkan tek parçalı bir süreç olarak değil, üretici model ile mühendislik yoluyla oluşturulmuş kontrol katmanının etkileşimi olarak ele alınır.

Makale backend'in bilinçli olduğunu mu savunuyor?

Hayır. Makale backend'in bilinçli olduğunu iddia etmez; backend ile bilinç arasında yalnız belirli işlevler bakımından bir analoji kurar. Backend bağlamı ve yönelimi algoritmik olarak korurken, biyolojik bilincin aynı tür bütünleştirici işlevleri fenomenal deneyimle birlikte gerçekleştirdiği ileri sürülür. Kaynağın temel ayrımı, işlevsel benzerliğin fenomenal veya ontolojik özdeşlik anlamına gelmemesidir.

İşlevsel analoji ile ontolojik özdeşlik arasındaki fark

Bir sistemin başka bir sistemle benzer görevleri yerine getirmesi, iki sistemin aynı tür varlık olduğu anlamına gelmez. Kaynak çalışmada backend ile bilinç arasında kurulan paralellik; dikkat yöneltme, bağlamı koruma, seçme, bütünleştirme ve düşünsel sürekliliği destekleme gibi işlevlere dayanır.

Buna karşılık bilinç, makalenin çerçevesinde fenomenal katman adı verilen ek bir boyut içerir. Fenomenal katman, kişinin zihinsel içeriği yalnız işlemeyip onu deneyimlediği öznel alanı ifade eder. Yazar bu deneyim alanını “içsel tuval” metaforuyla anlatmaktadır.

İçsel tuval nedir?

“İçsel tuval”, zihinde literal bir ekran olduğu iddiası değildir. Kavram, görsel, işitsel, dokunsal, propriyoseptif, duygulanımsal ve kavramsal içeriklerin öznel deneyimde bütünleştiği daha genel fenomenal alanı temsil eden bir metafordur.

Kaynağın yaklaşımında bilinç, zihinsel içeriğin bu fenomenal alanda belirli bir süreklilik ve bütünlükle bulunmasını sağlar. Yazar, bunun insanın bir düşünceye geri dönmesi, amacı koruması veya niyet ile ortaya çıkan içerik arasındaki uyumsuzluğu fark etmesi gibi işlevlere katkıda bulunabileceğini savunur.

Fenomenal değerlendirme ile algoritmik değerlendirme

Kaynak Şekil 2, fenomenal ve algoritmik değerlendirmenin farkını kurmaca bir “tekerlekli fare” örneği üzerinden açıklar. İnsan zihninde böyle bir temsil, yazarın yorumuna göre fenomenal bütün içinde doğrudan uyumsuz görünebilir. Yapay sistem ise benzer tutarsızlığı sembolik ilişkiler, dil kuralları veya dış değerlendirme mekanizmaları yoluyla tespit etmek zorundadır.

Bu örnek, yapay sistemlerin tutarsızlığı hiçbir zaman tespit edemeyeceğini göstermek için kullanılmaz. Ayrım, tespitin nasıl gerçekleştiğidir: kaynak çalışmanın savına göre biyolojik sistemde deneyimsel/fenomenal; AI'de algoritmik ve semboliktir.

Üretici sürüklenme nedir?

Üretici sürüklenme (generative drift), otoregresif üretim uzadıkça sistemin başlangıçtaki görev veya tematik yönelimden uzaklaşması, tekrar üretmesi ya da biçimsel olarak düzgün kalırken anlamsal odağının zayıflaması eğilimidir. Makale, backend mekanizmalarının bağlamı yeniden sunarak ve üretimi denetleyerek bu sürüklenmeyi azaltabildiğini, ancak yazarın görüşüne göre fenomenal bir sabitleyici katman bulunmadığı için bütünüyle ortadan kaldıramadığını savunmaktadır.

Otoregresif üretimde sürüklenme mantığı

Otoregresif sistemde üretilen her token sonraki tokenın olasılık dağılımını etkiler. Küçük yön sapmaları ardışık üretim boyunca birikirse başlangıç niyeti ile sonraki metin arasındaki mesafe büyüyebilir. Makale bunu üretici sistemlerin temel eğilimlerinden biri olarak ele alır.

Yazar ayrıca biçimsel dil tutarlılığı ile anlamsal yönelim arasında ayrım yapar. LLM'nin ağırlıkları çıkarım sırasında sabit olduğundan eğitimde öğrenilmiş dilsel ve sözdizimsel örüntüler korunabilir; buna karşılık uzun bir üretim zincirinin anlamsal yönü değişebilir. Kaynak bunu “gramer korunurken anlamın sürüklenebilmesi” biçiminde yorumlamaktadır.

Sabit ağırlıklar ile biyolojik plastiklik arasındaki karşılaştırma

Makalenin biyolojik karşılaştırmasında çağdaş LLM'nin ağırlıkları çıkarım sırasında sabitken beynin sinaptik bağlantıları deneyimle birlikte değişebilir. Yazar, plastik bir biyolojik sistemde düşünsel kararlılığın nasıl korunduğu sorusunu bilinç tartışmasına bağlar ve fenomenal katmanın plastiklik ile kararlılık arasında tamamlayıcı bir rol oynayabileceğini öne sürer.

Bu, çalışmada ölçülmüş nörobiyolojik bir mekanizma değildir. Kaynak, hesaplamalı ve biyolojik sistemlerin yapısal farklılıklarından hareketle kavramsal bir açıklama geliştirmektedir.

Shannon Veri İşleme Eşitsizliği bu makalede nasıl kullanılıyor?

Shannon Veri İşleme Eşitsizliği (Data Processing Inequality, DPI), kaynak çalışmada ardışık bilgi işleme adımlarının başlangıçtaki Shannon bilgisini kendiliğinden artırmadığını açıklayan kavramsal sınır olarak kullanılır. Yazar standart \(X \rightarrow Y \rightarrow Z\) Markov zincirini AI bağlamına uyarlarken \(X\)'i istem veya giriş, \(Y\)'yi işlenmiş iç durum ve \(Z\)'yi üretilmiş çıktı gibi ardışık bilgi durumları olarak yorumlar; bu uygulamanın belirli bir AI mimarisi hakkında yeni formel teorem olmadığını özellikle belirtir.

Bilgi miktarı ile yararlılık aynı değildir

Makalenin önemli ayrımlarından biri, Shannon anlamındaki bilgi miktarı ile bir çıktının kullanıcı açısından anlamsal veya pratik değerinin aynı şey olmadığıdır. Hesaplama mevcut bilgiyi yeniden düzenleyerek kullanıcı için son derece yararlı, şaşırtıcı veya yeni görünen bir çıktı üretebilir. Yazar bunun DPI ile çelişmediğini savunur; pratik yarar artarken sistem içindeki Shannon bilgi miktarının arttığı sonucu zorunlu değildir.

Aynı ayrım kullanıcı düzeyinde ters yönde çalışabilir. Kullanıcı daha önce bilmediği bir bilgiyi AI çıktısından öğrenebilir ve böylece kullanıcı açısından yeni bilgi edinilmiş olur. Kaynak, bu kullanıcı düzeyindeki öğrenme ile hesaplama zincirindeki Shannon bilgisi iddiasını birbirinden ayırmaktadır.

Kaynak Şekil 3'teki karıştırıcı metaforu

Şekil 3, bu düşünceyi kapalı bir kaptaki karıştırıcı metaforuyla anlatır. Kap içindeki bileşenler birçok yeni düzende birleştirilebilir; ortaya çıkan karışım daha yararlı hale gelebilir, ancak sistemin sınırlarının dışından yeni bileşen eklenmedikçe başlangıç malzemelerinin ötesinde bilgi girişi gerçekleşmez. Şekil aynı zamanda uzun işlem dizilerindeki yapısal dağılmayı üretici sürüklenmeye benzetir.

“AI Theorem” neyi ifade ediyor?

Yazar “AI Theorem” adını, dışarıdan düşük entropili yeni girdi almadan yinelemeli biçimde güncellenen bütünüyle hesaplamalı bir akıl yürütme yörüngesinin kararlı bilgiyi zamanla kaybetmeye ve gürültüye doğru sürüklenmeye eğilim göstereceği yönündeki kavramsal ilkeye verir. Çağdaş LLM'lerde sabit ağırlıkların bu bozulmayı model parametreleri yerine geçici çıkarım yörüngesine sınırladığı ileri sürülmektedir.

Makalenin kendi sınırlandırması burada kritiktir: bu iddia doğrudan ampirik ölçüm sonucu değildir ve “AI Theorem” kaynakta formel matematiksel teorem değil, kavramsal kararlılık ilkesi olarak tanımlanmıştır.

Bilincin hesaplamaya ortogonal olması ne anlama geliyor?

Ortogonallik hipotezi, bilincin hesaplama karmaşıklığının nicel olarak artırılmasıyla otomatik biçimde elde edilen bir özellik olmayabileceğini; fenomenal deneyimin hesaplamadan nitel olarak farklı bir işlevsel boyut oluşturabileceğini ileri süren kavramsal hipotezdir. “Ortogonal” terimi burada matematikte birbirine indirgenemeyen eksenler analojisiyle kullanılır; kaynak bunu ayrı maddi tözler hakkında kanıtlanmış metafizik bir iddia olarak sunmaz.

Hesaplama ekseni ve fenomenal eksen

Kaynak Şekil 4'te LLM ve backend yatay “hesaplama karmaşıklığı” ekseni üzerine yerleştirilirken bilinç dikey fenomenal eksenle temsil edilir. Görselin mesajı, hesaplama ekseni üzerinde daha uzağa gitmenin fenomenal eksene otomatik olarak geçiş sağlamadığıdır.

Yazar bu düşünceyi gerçek ve sanal sayı eksenleri arasındaki matematiksel analojiyle açıklar: bir eksende miktarı artırmak diğer ekseni üretmez. Ancak bu analoji hipotezin kanıtı değildir; yalnız hipotezin yapısını anlatmak için kullanılan kavramsal araçtır.

Hipotez yapay bilinci imkânsız mı sayıyor?

Hayır. Makale yapay bilincin ilke olarak imkânsız olduğunu söylemez. Önerilen sonuç daha sınırlıdır: eğer bilinç gerçekten hesaplamaya ortogonalse, mevcut hesaplamalı mimarilerin yalnız daha büyük, daha derin veya daha karmaşık hale getirilmesi fenomenal deneyim üretmek için yeterli olmayabilir. Böyle bir durumda yapay bilinç, bugün kullanılan hesaplama ilkelerinin ötesinde nitel olarak farklı mimari veya ilkelere ihtiyaç duyabilir.

Üç katmanlı biyolojik model

Bu tablo nörobiyolojik bir deney sonucunu değil, makalenin işlevsel analoji modelini göstermektedir. “Brain-LLM” ve “brain-backend” terimleri literal anatomik yapılar değil, kaynak çalışmada biyolojik ve yapay sistemler arasındaki işlevsel karşılaştırmayı açıklamak için kullanılan kavramsal etiketlerdir.

Ek A: Mühendisliğin geri dönüşü

Makalenin Ek A bölümü, LLM'lerin ortaya çıkışıyla yapay zekânın ayrıntılı elle tasarlanmış kural sistemlerinden uzaklaştığı izlenimi oluşmasına rağmen modern AI sistemlerinin giderek daha karmaşık backend mühendisliğine bağımlı hale geldiğini savunur. Retrieval, planlama, değerlendirme, bağlam yönetimi ve araç kullanımı gibi işlevler modelin dışında açık biçimde tasarlanmış kontrol mekanizmalarıdır.

Yazar buradan gelecekte daha büyük tek parça modeller yerine daha küçük modellerin arama, değerlendirme ve planlama bileşenleriyle çalıştığı daha modüler mimarilerin önem kazanabileceği düşüncesine ulaşır. Bu bir deneysel performans tahmini değil, makalenin mimari eğilimlerden çıkardığı kavramsal gelecek önerisidir.

Çalışmanın Yöntemi ve Bulguları

Çalışma yeni deney, veri seti, kullanıcı örneklemi veya model karşılaştırması yürütmez. Yöntemi; çağdaş LLM mimarilerinin kavramsal ayrıştırılması, backend orkestrasyon bileşenlerinin işlevsel analizi, biyolojik biliş ve bilinç kuramlarıyla yapısal karşılaştırma, Shannon Veri İşleme Eşitsizliği üzerinden bilgi kuramsal akıl yürütme ve düşünce deneylerinden oluşmaktadır. Bu nedenle aşağıdaki “bulgular”, ölçülmüş performans değerleri değil; kaynak çalışmanın ulaştığı ana kavramsal sonuçlardır.

Birinci kavramsal sonuç: AI davranışı yalnız LLM'nin özelliği değildir

Makale, çağdaş AI sistemlerinin davranışının model ile backend arasındaki etkileşimin ürünü olduğunu savunur. Bağlam yönetimi, retrieval, araç kullanımı ve planlama olmadan modelin uzun süreli, amaç-yönelimli sistem davranışını tek başına sürdürmesi beklenmemelidir.

İkinci kavramsal sonuç: Backend kararlılık işlevini algoritmik olarak sağlar

Backend, önceki bağlamı yeniden sunabilir, önemli bilgileri seçebilir, çıktıları değerlendirebilir ve sonraki işlem adımlarını planlayabilir. Yazar bu işlevleri bilinçteki bazı bütünleştirici görevlerle işlevsel olarak karşılaştırır. Bununla birlikte algoritmik kararlılık ile fenomenal bilinç aynı şey olarak görülmez.

Üçüncü kavramsal sonuç: Fenomenal katman yapay sistemlerde eksik görülmektedir

Makalenin ana felsefi savına göre insan bilinci yalnız bilgi işleyen başka bir algoritmik katman değildir. Bilinçte zihinsel içerikler öznel olarak deneyimlenir ve bu fenomenal mevcudiyet düşüncenin kararlılığına katkıda bulunabilir. Çağdaş AI mimarilerinde böyle bir deneyim alanı bulunduğuna dair bir iddia yapılmamaktadır.

Dördüncü kavramsal sonuç: Hesaplamalı yeniden düzenleme ile yeni Shannon bilgisi ayrılmalıdır

Yazar DPI'dan hareketle hesaplamalı sistemlerin mevcut bilgiyi yeni ve yararlı biçimlerde yeniden düzenleyebileceğini, fakat bunun Shannon anlamında yeni bilginin sistem içinde yaratılmasıyla eş tutulmaması gerektiğini savunur. Makale bu iddiayı belirli bir LLM üzerinde deneysel olarak ölçmemiştir.

Beşinci kavramsal sonuç: “AI Theorem” formel bir teorem değildir

Kaynakta “AI Theorem” adı verilen öneri, yinelemeli hesaplama yörüngelerinde bilgi kararlılığının dış girdiler ve mimari sabitleme olmadan bozulabileceğini anlatan kavramsal ilkedir. Yazar açıkça bu savın ampirik ölçümden türetilmediğini ve formel matematiksel teorem olarak sunulmadığını belirtir.

Ortogonallik hipotezi çalışma tarafından kanıtlanıyor mu?

Hayır. Makale bilincin hesaplamaya ortogonal olduğu hipotezini deneysel veya matematiksel olarak kanıtlamaz; kaynak açıkça mevcut ampirik ve teorik araçların hipotezi doğrulamak ya da çürütmek için yeterli olmadığını belirtir. Ortogonallik, hesaplamalı karmaşıklık ile fenomenal deneyim arasındaki olası nitel farkı tartışmaya açan kavramsal araştırma hipotezidir.

Kaynak şekillerinin bilimsel rolü

Çalışmanın desteklediği yorumlar

• Kaynak çalışma, çağdaş AI sistemlerinin LLM ve onu yöneten backend birlikte değerlendirilerek anlaşılması gerektiğini savunmaktadır.
• Backend'in bağlam yönetimi, retrieval, araç kullanımı, planlama, değerlendirme ve koordinasyon gibi orkestrasyon işlevleri kaynakta açık biçimde tanımlanmıştır.
• Yazar backend ile bilinç arasında kararlılık ve bütünleştirme açısından işlevsel analoji kurmaktadır.
• Makale backend'in fenomenal deneyim taşıdığını söylememektedir.
• Üretici sürüklenme, uzun otoregresif süreçlerde tematik ve anlamsal yönün bozulmasına ilişkin merkezi kavramlardan biridir.
• DPI, kaynakta bilgi akışına ilişkin kavramsal sınır olarak kullanılmaktadır.
• Ortogonallik hipotezi, hesaplama karmaşıklığının tek başına fenomenal bilinç üretmeyebileceğini ileri sürmektedir.

Çalışmanın desteklemediği yorumlar

• Backend'in gerçekten bilinçli olduğunu kanıtlamaz.
• LLM'lerin hiçbir şekilde anlayış veya bilişsel yetenek taşıyamayacağını deneysel olarak göstermez.
• Bilincin hesaplamaya ortogonal olduğunu matematiksel olarak ispatlamaz.
• “AI Theorem”i formel ve genel geçer bir matematik teoremi olarak doğrulamaz.
• Fenomenal deneyimin beynin kararlılığına nedensel katkısını nörobilimsel deneyle ölçmez.
• Belirli bir backend mimarisinin diğerlerinden daha iyi olduğunu performans metriğiyle karşılaştırmaz.
• Daha büyük modellerin veya gelecekteki mimarilerin bilinç geliştiremeyeceğini kesin olarak göstermez.
• Yapay bilincin ilke olarak imkânsız olduğu sonucuna ulaşmaz.

Temel yöntemsel sınırlılıklar

Makale ampirik test içermediği için önerilen işlevsel analojilerin açıklayıcı gücü kavramsal tutarlılık üzerinden değerlendirilir. Backend ile bilinç arasındaki benzerlikler ölçülmüş biyolojik eşdeğerlikler değildir. Aynı şekilde üretici sürüklenmenin fenomenal bilincin yokluğundan kaynaklandığı bu çalışmada deneysel olarak gösterilmemiştir.

DPI'nın AI mimarisine uygulanması kaynakta bilinçli olarak kavramsal düzeyde tutulmuştur. Markov zincirlerindeki bilgi işleme sınırının belirli bir LLM veya agent sisteminin bütün bilişsel özelliklerini tek başına açıklayan formel teori olduğu ileri sürülmemektedir.

Ortogonallik hipotezi çalışmanın en güçlü fakat aynı zamanda en spekülatif sonucudur. Kaynağın kendisi hipotezin güncel araçlarla doğrulanmadığını ve çürütülmediğini belirtmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: The Backend as a Possible Functional Analogue of Consciousness: Redirecting Attention from the Language Model to the Orchestrating Layer.

Yazar: Pavel Straňák.

Kurum: Strategic AI Group, Czech Radio, Vinohradská 12, 12099 Prague, Czech Republic.

Dergi: Philosophies.

Yayınevi: MDPI.

Bibliyografik kayıt: Philosophies 2026, 11(3), 98.

DOI: 10.3390/philosophies11030098.

Resmî yayın bağlantısı: https://www.mdpi.com/2409-9287/11/3/98

Yayın tarihi: 17 Haziran 2026. Makale 30 Nisan 2026'da alınmış, 5 Haziran 2026'da revize edilmiş ve 16 Haziran 2026'da kabul edilmiştir.

Kaynak türü: Hakemli kavramsal felsefe makalesi; yapay zekâ felsefesi, bilinç felsefesi ve bilgi kuramı kesişiminde teorik çalışma.

Temel yöntem: Çağdaş AI mimarisinin LLM ve backend olarak işlevsel ayrıştırılması; backend'in bağlam, retrieval, bellek, araç kullanımı, planlama ve değerlendirme işlevlerinin analizi; biyolojik biliş ile yapısal karşılaştırma; qualia ve fenomenal “içsel tuval” kavramı; Shannon Veri İşleme Eşitsizliği üzerinden bilgi kuramsal akıl yürütme; düşünce deneyleri ve ortogonallik hipotezinin geliştirilmesi.

Veri/örneklem: Çalışma yeni deneysel veri veya insan/AI performans veri seti raporlamamaktadır.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırma dış finansman almamıştır.

Etik kurul: Uygulanabilir değil olarak bildirilmiştir.

Bilgilendirilmiş onam: Uygulanabilir değil olarak bildirilmiştir.

Veri erişilebilirliği: Çalışmanın özgün katkılarının makale içinde bulunduğu; teorik çerçeve sunulduğu ve ampirik veri raporlanmadığı belirtilmiştir.

Çıkar çatışması: Yazar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Çalışma tek yazarlıdır ve kaynakta ayrı bir CRediT “Author Contributions” bildirimi bulunmamaktadır.

LLM kullanım bildirimi: Yazar, meslektaşlarına tartışmaları için teşekkür etmiş; makalenin bazı pasajlarının ve şekillerinin Microsoft Copilot 2026 adlı büyük dil modeli yardımıyla hazırlandığını veya geliştirildiğini ve içerik ile sonuçların bütün sorumluluğunu kendisinin üstlendiğini bildirmiştir.

Temel yöntemsel sınır: Backend–bilinç analojisi, AI Theorem ve ortogonallik hipotezi ampirik doğrulamaya dayanmayan kavramsal önerilerdir. Makalenin sonuçları güncel LLM veya nörobiyolojik bilinç mekanizmaları hakkında deneysel performans ölçümleri olarak kullanılamaz.

Bilimsel kullanım sınırı: Bu Verianla metni kaynak çalışmanın kavramsal çerçevesini ve iddia sınırlarını öğretici biçimde açıklar; özgün makalenin yerine geçmez. Özellikle DPI'nın yorumlanışı, bilinç kuramlarıyla karşılaştırmalar ve ortogonallik savının felsefi gerekçesi için özgün DOI kaydı incelenmelidir.