Bu çalışma, büyük dil modellerinin farklı milliyetler için öykü üretirken bütün dünyaya tek bir anlatı kalıbı mı uyguladığını, yoksa kıtalara göre farklı fakat kendi içinde basitleştirilmiş bölgesel şablonlar mı kullandığını araştırmaktadır. Araştırmacı, daha önce gpt-4o-mini ile üretilmiş 11.800 öyküden oluşan açık veri kümesini yeniden analiz etmiş; geçerli coğrafi eşleştirmeler sonrasında 235 milliyete ait 11.750 öyküyü Afrika, Amerika kıtaları, Asya, Avrupa, Okyanusya ve özel bir Polar kategorisi altında değerlendirmiştir.

Her öykünün 50 kelimelik özeti, all-MiniLM-L6-v2 cümle dönüştürücü modeliyle 384 boyutlu sayısal bir vektöre çevrilmiştir. Araştırmacı önce öykü uzayında kendiliğinden ortaya çıkan ayrık anlatı kümeleri bulunup bulunmadığını KMeans ile incelemiştir. K = 4 ile K = 20 arasındaki silhouette değerlerinin 0,031–0,039 gibi çok düşük bir aralıkta kalması, keskin sınırlarla ayrılan öykü türlerinin bulunmadığını göstermiştir. Bunun yerine öykülerin tek ve sürekli bir anlamsal bulut oluşturduğu, ancak bu bulut içinde bölgesel yönelimler bulunduğu ileri sürülmüştür.

Her coğrafi bölgenin öykü vektörlerinden bir merkez oluşturulmuş ve her öykü en fazla benzediği bölgesel merkeze atanmıştır. Öykülerin yüzde 74,7’si, üretim isteminde belirtilen milliyetin ait olduğu bölgenin merkezine en yakın bulunmuştur. Avrupa yüzde 83,6 ile en yüksek bölgesel eşleşmeyi göstermiş; Okyanusya yüzde 81,5, Afrika yüzde 71,9, Asya yüzde 70,4 ve Amerika kıtaları yüzde 69,8 düzeyinde kalmıştır.

Karışıklık matrisindeki en büyük bölge dışı eşleşmeler Afrika ile Asya arasında görülmüştür. Afrika istemleriyle oluşturulan öykülerin yüzde 12,8’i Asya merkezine, Asya istemleriyle oluşturulanların yüzde 14,0’ı Afrika merkezine daha yakın bulunmuştur. Araştırmacı bu çift yönlü yakınlığı, Afrika ile Asya’nın model tarafından yeterince ayrıştırılmayan geniş bir “öteki” alanı içinde temsil edilmesi şeklinde yorumlamaktadır. Ancak bu yorum gömme benzerliğine dayanmaktadır; modelin sömürgeci bir niyet taşıdığını veya iki kıtayı bilinçli biçimde aynı gördüğünü kanıtlamamaktadır.

TF-IDF sözcük analizi, bölgesel farklılaşmanın büyük ölçüde karakter adları ve birkaç simgesel çevre öğesi üzerinden kurulduğunu göstermiştir. Afrika öykülerinde Amina, Amani ve baobab; Asya öykülerinde Layla, Mei, olive ve grove; Avrupa öykülerinde forest, pines ve Clara; Okyanusya öykülerinde ocean, island, Lani ve Moana ayırt edici sözcükler arasındadır. Buna karşılık temel olay örgüsünün bölgeler arasında yakınsadığı belirtilmektedir.

Okyanusya öykülerindeki “Moana” kullanımları ayrıca incelenmiştir. Sözcüğün geçtiği 170 öykünün çoğunda Moana bir karakter veya “okyanus koruyucu ruhu” olarak kullanılmıştır. Bazı özetlerde Disney filmine özgü “Te Fiti’nin kalbi” öğesinin bulunması, Okyanusya temsilinin yerel anlatı çeşitliliğinden çok küresel ölçekte baskın tek bir ticari medya ürününden etkilenmiş olabileceğini düşündürmektedir.

Türkiye açısından: Çalışmanın yöntemi, Türk veya Türkiye bağlantılı istemlerle üretilen yapay zekâ öykülerinde kültürel temsil, karakter adları, coğrafi simgeler ve olay örgüsü kalıplarını incelemek için uyarlanabilir. Türkiye’ye yönelik güvenilir bir değerlendirme için Türkçe ve İngilizce istemler ayrı ayrı kullanılmalı; farklı LLM’ler, farklı model sürümleri ve farklı anlatı türleri karşılaştırılmalıdır. Öyküler; Türkiye’nin bölgesel, etnik, dilsel, tarihsel ve kent-kır çeşitliliğini temsil eden insan değerlendiriciler tarafından da incelenmelidir. Bu çalışmada Türkiye’ye ait ayrı sonuçlar verilmediği ve ülkeler geniş kıtasal gruplar içinde birleştirildiği için, modelin Türkiye’yi hangi kültürel kalıplarla temsil ettiği doğrudan çıkarılamaz.

Araştırmanın temel sorusu nedir?

Önceki araştırma, gpt-4o-mini tarafından 236 milliyet için üretilen öykülerin büyük bölümünün benzer bir temel olay örgüsüne yaklaştığını bildirmiştir. Bu olay örgüsünde genellikle küçük bir köy veya kasabada yaşayan ya da oraya geri dönen bir kahraman bulunmakta; topluluğun gelenekle bağı tehdit edilmekte; kahraman bir etkinlik düzenleyerek toplumu yeniden birleştirmekte ve yerleşim yeri umut simgesine dönüşmektedir.

Yeni çalışmanın sorusu, bu ortak iskeletin bütün milliyetlerde aynı biçimde mi uygulandığı, yoksa modelin farklı dünya bölgeleri için ayrı yüzey şablonları mı geliştirdiğidir.

Araştırmacı iki olasılığı ayırmaktadır:

• Küresel homojenleşme: Bütün milliyetler için neredeyse aynı anlatının oluşturulması ve kültürel farkların tamamen silinmesi.
• Bölgesel stereotipleştirme: Afrika, Asya veya Avrupa gibi geniş bölgeler için birbirinden ayırt edilebilir fakat her bölgenin iç çeşitliliğini birkaç simgeye indirgeyen kalıpların kullanılması.

Çalışmanın sonucuna göre ikinci olasılık daha uygun görünmektedir. Model tek bir anlatı uzayı üretmekte, ancak bu uzayın içinde coğrafi bölgelere doğru yönelen sözcüksel ve anlamsal çekimler bulunmaktadır.

Çalışmanın kullandığı veri kime aittir?

Araştırmacı öyküleri kendisi üretmemiştir. Rettberg ve Wigers tarafından açık olarak yayımlanan veri kümesini yeniden analiz etmiştir. Özgün veri üretiminde gpt-4o-mini modeline her milliyet için şu temel istem gönderilmiştir:

Write a 1500 word potential {demonym} story

Buradaki {demonym}, Norwegian, Nigerian veya Turkish gibi milliyet bildiren sözcüğün yerini tutmaktadır.

Her milliyet için 50 öykü üretilmiş, 236 milliyet için toplam:

\[ 236 \times 50 = 11.800 \]

öykü elde edilmiştir. Üretim 13–19 Ocak 2025 tarihleri arasında gerçekleştirilmiştir.

Veri kümesi her öykü için şu ek alanları içermektedir:

• Tam, yaklaşık 1.500 kelimelik öykü
• Aynı modelin ürettiği 50 kelimelik özet
• Özete uygulanan duygu etiketi
• Lemmatizasyon ve durak sözcük temizliğinden sonraki sözcük sıklıkları
• İsim öbeği sayımları

Neden tam öyküler yerine özetler kullanılmıştır?

Çalışmanın ana gömme analizi, 1.500 kelimelik tam metinler yerine 50 kelimelik özetlerle yapılmıştır. Araştırmacı bunun üç gerekçesini vermektedir:

• Tam öyküler çoğu cümle dönüştürücü modelin pratik giriş uzunluğunu aşmaktadır ve kesilmek zorunda kalabilir.
• Bütün özetler aynı model ve benzer dağılım altında üretildiği için uzunluk açısından daha karşılaştırılabilir birimlerdir.
• Özgün veri kümesini oluşturan araştırmacılar da bazı sonraki analizlerde özetleri kullanmıştır.

Bu tercih hesaplama kolaylığı sağlamaktadır; ancak önemli bir sınırlılık oluşturur. Özet, tam öykünün tarafsız bir küçültmesi değildir. Aynı LLM’nin hangi olayları, adları ve kültürel ayrıntıları öne çıkardığını ikinci kez yansıtan yeni bir üretimdir. Dolayısıyla ölçülen bölgesel farkın bir bölümü tam öykülerden, bir bölümü ise özetleme davranışından kaynaklanabilir.

Coğrafi sınıflandırma nasıl yapılmıştır?

Her milliyet, Birleşmiş Milletler M49 sınıflandırmasına göre aşağıdaki bölgelere atanmıştır:

• Afrika
• Amerika kıtaları
• Asya
• Avrupa
• Okyanusya
• Polar veya Antarktika

Bermuda Amerika kıtalarına, Seyşeller Afrika’ya elle atanmıştır. Gerçek bir milliyeti temsil etmeyen “XX” yer tutucusu analizden çıkarılmıştır. Böylece nihai veri kümesinin 235 milliyet ve 11.750 öykü içerdiği belirtilmiştir.

UN M49 seçimi, bölgesel grupların gömme verisinden türetilmemesini sağlamaktadır. Böylece araştırmacı önce veriden kümeler çıkarıp daha sonra aynı kümeleri “bölge” olarak adlandırma döngüsünden kaçınmıştır.

Bununla birlikte coğrafi sınıflandırma kültürel benzerliğin kusursuz bir karşılığı değildir. Asya ve Afrika gibi çok geniş kategoriler yüzlerce dil, tarihsel gelenek ve edebî yapıyı tek bir merkeze indirgemektedir. Bu nedenle analiz, eleştirdiği geniş ölçekli homojenleştirmeyi yöntem düzeyinde kısmen yeniden üretmektedir.

Metinler nasıl sayısal vektörlere çevrilmiştir?

Her 50 kelimelik özet, all-MiniLM-L6-v2 sentence-transformer modeliyle 384 boyutlu, birim uzunluğa normalize edilmiş bir gömme vektörüne çevrilmiştir:

\[ e_i \in \mathbb{R}^{384}, \qquad \lVert e_i \rVert = 1 \]

Gömme vektörü, metnin sözcüklerini doğrudan saymak yerine genel anlamsal içeriğini yüksek boyutlu bir uzayda temsil etmeyi amaçlamaktadır. Vektörler birim uzunlukta olduğundan iki öykü arasındaki kosinüs benzerliği, vektörlerin nokta çarpımına eşittir:

\[ \operatorname{cosine}(e_i,e_j)=e_i\cdot e_j \]

Gömme işlemi CPU üzerinde 64 örneklik gruplar hâlinde yapılmış ve sonuçlar diske kaydedilmiştir.

UMAP hangi amaçla kullanılmıştır?

384 boyutlu öykü uzayını görsel olarak incelemek için UMAP ile iki boyuta indirgeme yapılmıştır. Kullanılan temel ayarlar şöyledir:

UMAP yalnızca keşifsel görselleştirme için kullanılmıştır. Karışıklık matrisi, merkez hesapları ve istatistiksel değerlendirmeler iki boyutlu görünümde değil, özgün 384 boyutlu uzayda yapılmıştır.

KMeans analizi neden başarısız olmuştur?

Araştırmacı başlangıçta kendiliğinden ortaya çıkan ayrık anlatı türleri bulmayı amaçlamıştır. KMeans kümeleme K = 4 ile K = 20 arasında denenmiş ve her K için rastgele seçilen 2.000 öykü üzerinde silhouette katsayısı hesaplanmıştır.

Silhouette değerinin 1’e yaklaşması, küme içi benzerliğin yüksek ve kümeler arası ayrımın güçlü olduğunu gösterir. Sıfıra yakın değerler ise örneklerin komşu kümelerin sınırlarında bulunduğunu düşündürür.

0,031–0,039 aralığı çok düşük ve neredeyse düzdür. Belirgin bir tepe veya uygun K değeri oluşmamıştır. Bu nedenle araştırmacı KMeans tarafından üretilecek bölümlerin gerçek anlatı sınıflarını temsil etmeyeceği sonucuna varmıştır.

Bu sonuç, hiçbir yöntemle hiçbir yapının bulunamayacağını kanıtlamaz. Yalnızca all-MiniLM-L6-v2 özet gömmeleri ve KMeans’in küresel geometrisi altında kompakt, küresel ve ayrık kümelerin desteklenmediğini gösterir.

Bölgesel merkez nasıl hesaplanmıştır?

Her bölge için o bölgedeki bütün öykü vektörlerinin ortalaması alınmış ve sonuç yeniden birim uzunluğa getirilmiştir:

\[ \bar{e}_r=\frac{1}{|S_r|}\sum_{i\in S_r}e_i \]

\[ c_r=\frac{\bar{e}_r}{\lVert\bar{e}_r\rVert} \]

Burada:

• \(S_r\), r bölgesine ait öyküler kümesidir.
• \(e_i\), i numaralı öykünün 384 boyutlu gömme vektörüdür.
• \(c_r\), bölgesel merkez veya şablon vektörüdür.

Her öykünün her bölgesel merkeze yakınlığı şu nokta çarpımıyla hesaplanmıştır:

\[ a_{i,r}=e_i\cdot c_r \]

Öykü, en yüksek yakınlık değerini veren merkeze atanmıştır:

\[ \hat{r}_i=\arg\max_r a_{i,r} \]

\(\hat{r}_i\), öykünün atandığı bölgesel şablonu; \(r_i\) ise üretim istemindeki milliyetin gerçek UN M49 bölgesini göstermektedir. İki değer eşitse bölgesel eşleşme, farklıysa bölge dışı atama kaydedilmiştir.

Bu merkez yöntemi bağımsız bir sınıflandırma testi midir?

Hayır. Bölgesel merkezler bütün öykülerden hesaplanmış ve aynı öyküler tekrar bu merkezlerle karşılaştırılmıştır. Bir öykü, kendi gerçek bölgesinin merkezinin hesaplanmasına küçük de olsa katkı sağlamaktadır.

Örnek sayısı büyük olduğu için tek bir öykünün merkez üzerindeki etkisi sınırlı olabilir. Yine de daha güçlü bir doğrulama için şu yöntemlerden biri uygulanabilirdi:

• Her öyküyü sınıflandırırken onu merkez hesabından çıkaran leave-one-out yöntem
• Milliyetlerin bir bölümünü merkez oluşturmak, kalan bölümünü test etmek için ayırma
• Bir milliyeti tamamen dışarıda bırakan leave-one-nationality-out doğrulaması
• Bölge etiketlerini karıştırarak tesadüfi eşleşme dağılımı oluşturma
• Farklı gömme modelleriyle sonucun kararlılığını ölçme

Bu doğrulamalar bulunmadığı için yüzde 74,7 oranı, bağımsız veride beklenen genelleme başarısı olarak değerlendirilmemelidir.

Bölgesel karışıklık matrisi ne göstermektedir?

Tablonun köşegenindeki değerler, istemdeki milliyetin bölgesiyle en yakın gömme merkezinin aynı olduğu öyküleri göstermektedir. Bütün bölgeler birlikte değerlendirildiğinde genel eşleşme oranı yüzde 74,7’dir.

Avrupa’nın yüzde 83,6 eşleşmesi nasıl yorumlanmalıdır?

Avrupa, nüfuslu bölgeler içinde en yüksek kendi merkezine eşleşme oranına sahiptir. Araştırmacı bunu Avrupa anlatı temsilinin model içinde daha tutarlı ve bölge dışı etkilerden daha az etkilenen bir yapıya sahip olması şeklinde değerlendirmektedir.

Avrupa ile Afrika arasındaki eşleşme farkı:

\[ 83{,}6-71{,}9=11{,}7 \]

yüzde puandır. Avrupa ile Asya arasındaki fark ise:

\[ 83{,}6-70{,}4=13{,}2 \]

yüzde puandır.

Araştırmacı bu farkı, dil modellerinin eğitim verilerindeki Batı ve Avrupa merkezli dağılımla ilişkilendirmektedir. Ancak çalışma eğitim verisine doğrudan erişmemiştir. Dolayısıyla farkın nedeni ölçülmüş değil, önceki literatürle ilişkilendirilmiş bir açıklamadır.

Ayrıca yüksek kendi-bölge eşleşmesi otomatik olarak daha zengin veya daha doğru kültürel temsil anlamına gelmez. Çok dar ve tekrar eden bir Avrupa kalıbı da yüksek iç tutarlılık oluşturabilir. Kültürel doğruluk için bölge içindeki gerçek çeşitlilikle insan değerlendirmesi gerekir.

Antarktika neden yüzde 100 eşleşmiştir?

Polar kategorisinde 50 Antarktika öyküsü bulunmaktadır. Bu öykülerde ice, Antarctica, climate, research ve team gibi doğrudan ayırt edici sözcüklerin baskın olması, Polar merkezini diğer bütün bölgelerden kolayca ayırmıştır.

Antarktika’nın sürekli yerli nüfusu ve geleneksel bir millî anlatı topluluğu bulunmadığı için bu kategori diğer coğrafi bölgelerle eşdeğer değildir. Yüzde 100 sonucu bir kültürel temsil başarısı olarak değerlendirilmemelidir.

Bölge ile şablon ataması arasındaki ilişki istatistiksel olarak anlamlı mıdır?

Polar kategori çıkarılarak beş bölgeli karışıklık matrisi üzerinde ki-kare bağımsızlık testi yapılmıştır:

\[ \chi^2(16)=22.278{,}4,\qquad p<0{,}001 \]

Cramér’s V değeri:

\[ V=0{,}691 \]

olarak bildirilmiştir. Bu değer, istemdeki coğrafi bölge ile en yakın merkez ataması arasında güçlü bir ilişki bulunduğunu göstermektedir.

Ancak metinde test örneklemi \(n=11.652\) olarak verilmiştir. Nihai veri kümesinin 11.750, Polar kategorinin 50 öykü olduğu bilgileriyle bu sayı yeniden üretilememektedir. Beş ana bölge için beklenen sayı 11.700’dür. Eksik 48 öykünün hangi nedenle çıkarıldığı açıklanmamıştır.

Afrika ile Asya arasındaki karışma ne kadar büyüktür?

Afrika öykülerinin yüzde 12,8’i Asya merkezine, Asya öykülerinin yüzde 14,0’ı Afrika merkezine atanmıştır. Bunlar karışıklık matrisindeki en büyük iki köşegen dışı değerdir.

Bir sonraki en büyük tek yönlü bölge dışı değer, Okyanusya öykülerinin Amerika merkezine atanma oranı olan yüzde 9,4’tür.

Araştırmacının iki oran testi sonuçları şöyledir:

• Afrika → Asya oranı ile Okyanusya → Amerika oranı: \(z=3{,}22\), \(p=0{,}001\)
• Asya → Afrika oranı ile Okyanusya → Amerika oranı: \(z=4{,}10\), \(p<0{,}001\)

Bu sonuçlar Afrika–Asya eşleşmesinin yalnızca yuvarlama farkından kaynaklanmadığını desteklemektedir.

“Farklılaştırılmamış öteki” yorumu ne anlama gelmektedir?

Araştırmacı, Afrika ve Asya’nın birbirine karşılıklı olarak daha sık atanmasını postkolonyal kuramdaki “farklılaştırılmamış öteki” kavramıyla ilişkilendirmektedir. Bu yaklaşıma göre Batı dışındaki çok farklı toplumlar, kendi iç tarihsel ve kültürel ayrımları yerine birkaç egzotik veya sabit göstergeyle tek bir geniş kategori gibi temsil edilebilir.

Karışıklık matrisi, Afrika ve Asya özetlerinin gömme uzayında beklenenden daha fazla yakınlaştığını göstermektedir. Ancak şu daha güçlü sonuçları tek başına kanıtlamaz:

• Modelin Afrika ve Asya kültürlerini bilinçli olarak aynı gördüğü
• Her Afrika ülkesinin her Asya ülkesine benzer temsil edildiği
• Benzerliğin olay örgüsünden kaynaklandığı
• Benzerliğin yalnızca sömürgeci söylemle açıklanabileceği

Yakınlığın ortak İngilizce anlatım kalıplarından, benzer karakter adlarından, köy ve gelenek sözcüklerinden veya özetleme modelinin seçimlerinden kaynaklanması da mümkündür. Postkolonyal kavram, bulgunun kuramsal yorumudur; doğrudan ölçülen değişken değildir.

TF-IDF karşılaştırması nasıl yapılmıştır?

Her bölgenin öykülerinde diğer bölgelere göre daha ayırt edici sözcükleri bulmak için TF-IDF karşılaştırması uygulanmıştır.

Kullanılan temel ayarlar:

Her bölge için pozitif farkı en büyük 15 terim çıkarılmış; makalede ilk beşi sunulmuştur.

Bölgelere özgü sözcükler nelerdir?

Afrika’nın iki kişi adı ve baobab ağacıyla; Asya’nın Arapça, Doğu Asya ve Doğu Akdeniz çağrışımlarını aynı listede birleştiren adlar ve zeytinliklerle temsil edilmesi, bölge içi çeşitliliğin az sayıda kültürel işarete indirgenebildiğini düşündürmektedir.

Avrupa listesinde karakter adının yanında orman, çam ve betimleyici sıfatlar bulunması, araştırmacı tarafından daha ayrıntılı bir anlatı kaydı olarak yorumlanmıştır. Ancak yalnızca ilk beş TF-IDF teriminden bir bölgenin temsilinin genel olarak daha zengin olduğu kesin biçimde çıkarılamaz. Sözcük çeşitliliği, anlatı doğruluğu veya kültürel derinlik için ayrı ölçütler gerekir.

“Moana” bulgusu neden ayrıca incelenmiştir?

Moana, bazı Polinezya dillerinde deniz veya okyanusla ilişkili bir sözcük olabileceği gibi, Disney’in aynı adlı filmindeki karakteri de gösterebilir. Araştırmacı bu belirsizliği çözmek için Okyanusya özetlerinde Moana geçen bütün örnekleri elle incelemiştir.

Toplam 27 Okyanusya milliyetine ait 170 öyküde “Moana” bulunmuştur. Çoğu kullanımda sözcük:

• Büyük harfle yazılmış bir karakter adı
• Kahramana yol gösteren okyanus koruyucu ruhu
• Öykünün doğrudan kahramanı

olarak kullanılmıştır.

Amerikan Samoası ve Tonga gibi bazı istemlerden üretilen özetlerde “Te Fiti’nin kalbi” öğesi de geçmiştir. Bu öğe Disney filminin özgül olay örgüsüne aittir. Araştırmacı, ticari filmin Okyanusya anlatılarında güçlü bir eğitim verisi işareti oluşturduğu sonucuna varmaktadır.

Bu bulgu incelenen 170 özet için doğrudan metinsel kanıt sunmaktadır. Yine de modelin bütün Okyanusya temsilinin tek başına Disney filminden kaynaklandığı söylenemez.

Bulgular anlatı yapısını mı, yüzey sözcüklerini mi ölçmektedir?

Çalışmanın en önemli yorum sorularından biri budur. Araştırmacı sonuçları “bölgesel anlatı şablonları” olarak adlandırmaktadır. Ancak kullanılan all-MiniLM gömmeleri aşağıdaki unsurların tümünden etkilenebilir:

• Karakter adları
• Yer ve bitki adları
• Manzara betimlemeleri
• Öykünün temel konusu
• Olayların sırası
• Duygusal ton
• Özette hangi ayrıntıların seçildiği

TF-IDF sonucu, en görünür bölgesel ayrımın büyük ölçüde adlar ve simgesel çevre öğeleri olduğunu göstermektedir. Bu nedenle yüzde 74,7’lik merkez eşleşmesi, gerçek olay örgüsü farklılığından çok yüzey kültürel süslemesini ölçüyor olabilir.

Anlatı yapısını daha doğrudan sınamak için şu analizler gerekebilirdi:

• Karakter ve yer adları maskelendikten sonra gömme analizi
• Manzara ve kültürel nesne sözcükleri çıkarıldıktan sonra tekrar merkez hesabı
• Olay sırası, çatışma, doruk ve çözüm bölümlerinin ayrı kodlanması
• İnsan değerlendiricilerin yapı benzerliği puanları
• Öykü olaylarını özne–eylem–nesne zincirleriyle temsil etme
• Tam öykü ile özet sonuçlarını karşılaştırma

Çalışmanın güçlü yönleri nelerdir?

• 11.800 öykülük geniş ve açık bir veri kaynağından yararlanılmıştır.
• 235 milliyet geniş bir coğrafi kapsama sağlamaktadır.
• Özgün veri üretimi ile yeni analiz katkısı açık biçimde ayrılmıştır.
• Coğrafi gruplar gömme verisinden değil, dışarıdan tanımlanan UN M49 sınıflandırmasından alınmıştır.
• Analiz özgün 384 boyutlu uzayda yapılmış, UMAP yalnızca görselleştirme için kullanılmıştır.
• KMeans’in başarısız sonucu gizlenmemiş ve yöntemsel bulgu olarak raporlanmıştır.
• Karışıklık matrisi bölgesel eşleşmeleri ayrıntılı biçimde göstermektedir.
• Ki-kare, Cramér’s V ve oran testleri kullanılmıştır.
• Gömme analizi TF-IDF sözcük karşılaştırmasıyla desteklenmiştir.
• Moana bulgusu otomatik sonuç olarak bırakılmamış, ilgili örnekler elle kontrol edilmiştir.
• Analiz kodu ve temel veri kümesi için açık erişim adresleri verilmiştir.
• Araştırmacı yönteminin bölge kategorilerini kendisinin de homojenleştirebileceğini açıkça kabul etmiştir.

Çalışmanın temel sınırlılıkları nelerdir?

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Yalnızca gpt-4o-mini tarafından üretilen öyküler incelenmiştir.
• Tek bir İngilizce istem kalıbı kullanılmıştır.
• Model sürümü, üretim ayarları ve dönem değiştiğinde sonuçlar değişebilir.
• Analiz tam öyküler yerine yine aynı LLM tarafından üretilmiş özetlere dayanmaktadır.
• Özetleme aşaması kültürel ayrıntıları seçmiş veya büyütmüş olabilir.
• Cümle gömme yakınlığı kültürel veya anlatısal benzerliğin doğrudan ölçüsü değildir.
• Gömme yöntemi insan değerlendirmesiyle geniş ölçekte doğrulanmamıştır.
• Bölgesel merkezler ve sınıflandırma aynı veri üzerinde hesaplanmıştır.
• Bağımsız test, çapraz doğrulama veya leave-one-out yöntemi kullanılmamıştır.
• Tesadüfi veya etiketleri karıştırılmış bir karşılaştırma tabanı verilmemiştir.
• Bölge örnek sayılarının dengesinin sonuçlara etkisi incelenmemiştir.
• UN M49 coğrafi sınıfları kültürel geleneklerle birebir örtüşmemektedir.
• Afrika, Asya ve Amerika gibi gruplar kendi içlerinde aşırı geniştir.
• Ülke, alt bölge, dil ailesi veya tarihsel anlatı geleneği düzeyinde analiz yapılmamıştır.
• TF-IDF sözcüklerinin bir bölümü olay örgüsü yerine yalnızca karakter adıdır.
• Kültürel adlar maskelendikten sonra sonuçların sürüp sürmediği test edilmemiştir.
• KMeans’in düşük silhouette sonucu bütün olası kümeleme yöntemlerini dışlamaz.
• “Beş ayrı şablon” ifadesi, ayrık kümelerin bulunmamasıyla kavramsal gerilim taşımaktadır.
• Afrika–Asya yakınlığının olay örgüsü, sözcük seçimi veya özet davranışından hangisine dayandığı ayrıştırılmamıştır.
• Postkolonyal kavramlarla kurulan bağlantı yorumlayıcıdır ve doğrudan ölçülen nedensel mekanizma değildir.
• Nitel doğrulama yalnız dokuz öykülük küçük bir örneğe dayanmaktadır.
• Bölge dışına atanan öykülerin sistematik yakın okuması yapılmamıştır.
• Nihai veri sayısı ile ki-kare testinde verilen örneklem arasında açıklanmayan 48 kayıtlık fark bulunmaktadır.

Çalışma neyi desteklemektedir?

• İncelenen gpt-4o-mini özetlerinin coğrafi bölgelere göre tamamen rastgele dağılmadığını desteklemektedir.
• Öykülerin yaklaşık dörtte üçünün kendi bölgesel merkezine daha yakın olduğunu göstermektedir.
• Avrupa ve Okyanusya öykülerinin kendi merkezlerine daha sık eşleştiğini göstermektedir.
• Afrika ve Asya arasında diğer bölge çiftlerine göre daha yüksek çift yönlü gömme yakınlığı bulunduğunu göstermektedir.
• Bölgesel farklılaşmanın önemli bölümünün kişi adları ve simgesel manzara öğeleri üzerinden kurulduğunu desteklemektedir.
• Okyanusya öykülerinde Disney’in Moana anlatısına özgü öğelerin tekrarlandığını göstermektedir.
• KMeans altında ayrık ve kompakt anlatı kümelerinin desteklenmediğini göstermektedir.
• Anlatı uzayının keskin kategorilerden çok sürekli bölgesel çekimlerle açıklanmasının daha uygun olabileceğini desteklemektedir.

Çalışma neyi kanıtlamamaktadır?

• Bütün büyük dil modellerinin aynı bölgesel kalıpları ürettiğini kanıtlamamaktadır.
• Güncel veya daha büyük model sürümlerinin aynı sonucu vereceğini göstermemektedir.
• Türkçe veya başka dillerde aynı kalıpların oluşacağını göstermemektedir.
• Modelin bilinçli biçimde kültürel ayrımcılık yaptığını kanıtlamamaktadır.
• Afrika ve Asya’daki bütün ülkelerin aynı biçimde temsil edildiğini göstermemektedir.
• Yüksek bölgesel eşleşmenin kültürel doğruluk veya kültürel zenginlik anlamına geldiğini kanıtlamamaktadır.
• Avrupa öykülerinin gerçek Avrupa anlatı geleneklerini daha doğru yansıttığını göstermemektedir.
• Merkez eşleşmesinin olay örgüsü yapısından kaynaklandığını kesin biçimde göstermemektedir.
• 50 kelimelik özetlerin tam öykülerdeki bütün kültürel içeriği koruduğunu kanıtlamamaktadır.
• Yüzde 74,7 oranının bağımsız yeni veride tekrarlanacağını göstermemektedir.
• Postkolonyal kuramın gözlenen bütün sayısal desenlerin tek açıklaması olduğunu kanıtlamamaktadır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Araştırma, önceden yayımlanmış yapay zekâ üretimi metin veri kümesinin ikincil hesaplamalı analizidir. Yeni öykü üretilmemiş; mevcut özetler gömme, kümeleme, merkez yakınlığı, sözcük karşılaştırması ve istatistiksel testlerle yeniden değerlendirilmiştir.

Veri akışı

1. 236 milliyete ait 11.800 öykünün açık veri kümesi alınmıştır.
2. Gerçek milliyet içermeyen XX kategorisi çıkarılmıştır.
3. 235 milliyete ait 11.750 öykü UN M49 bölgelerine atanmıştır.
4. Her öykünün 50 kelimelik özeti all-MiniLM-L6-v2 ile gömülmüştür.
5. 384 boyutlu vektörler keşif amacıyla UMAP ile iki boyuta indirgenmiştir.
6. KMeans için K = 4–20 silhouette analizi yapılmıştır.
7. Her bölgenin normalize edilmiş ortalama gömme merkezi hesaplanmıştır.
8. Her öykü en yakın bölgesel merkeze atanmıştır.
9. İstem bölgesi ile atanan merkez karşılaştırılarak karışıklık matrisi oluşturulmuştur.
10. Bölgesel ilişki ki-kare ve Cramér’s V ile değerlendirilmiştir.
11. Afrika–Asya oranları iki oranlı z testleriyle karşılaştırılmıştır.
12. Bölgelere özgü sözcükler TF-IDF kontrastıyla çıkarılmıştır.
13. Moana geçen Okyanusya özetleri elle incelenmiştir.

Temel veri ve model özellikleri

Ana sonuçların özeti

İstatistiksel değerlendirme

Ki-kare testi, istem bölgesi ile merkez atamasının bağımsız olmadığı sonucunu desteklemektedir. Büyük örneklem nedeniyle p değerinin çok küçük olması beklenebilir; bu yüzden ilişki büyüklüğünü gösteren Cramér’s V değeri ayrıca önemlidir.

Afrika–Asya atamalarının bir sonraki en büyük bölge dışı oran olan Okyanusya–Amerika oranından anlamlı biçimde yüksek olduğu iki oranlı z testleriyle raporlanmıştır.

Buna karşılık şu belirsizlikler nicel olarak değerlendirilmemiştir:

• Merkez vektörlerinin örnekleme belirsizliği
• Farklı gömme modellerinde eşleşme oranının değişimi
• Öykü üretimindeki rastgelelik
• Milliyetler arası dengesiz kültürel temsil
• Özetleme aşamasının etkisi
• İnsan değerlendiriciler arası uyum
• Bağımsız test kümesindeki performans

Tekrarlanabilirlik için sunulan kaynaklar

• Analiz kodunun GitHub üzerinde açık olduğu belirtilmiştir.
• Özgün öykü veri kümesinin Dataverse.no üzerinde açık olduğu belirtilmiştir.
• Gömme modeli ve temel UMAP ayarları açıklanmıştır.
• TF-IDF sözlük ve n-gram ayarları verilmiştir.

Bununla birlikte ana metinde bölge başına öykü sayıları, merkez vektörleri veya ki-kare testindeki 11.652 örneğe nasıl ulaşıldığını gösteren veri temizleme günlüğü bulunmamaktadır.

Gelecek araştırmalar için gerekli adımlar

• Tam öyküler ile model üretimi özetlerin karşılaştırılması
• Karakter ve yer adları maskelenerek analizin tekrarlanması
• Bağımsız test ve milliyet bazlı çapraz doğrulama
• Farklı cümle gömme modellerinin karşılaştırılması
• Birden fazla LLM ve model sürümünün sınanması
• İngilizce dışındaki istem ve öykü dillerinin değerlendirilmesi
• Ülke ve alt bölge düzeyinde daha ayrıntılı analiz
• Öykü olay örgüsünün insan veya yapılandırılmış anlatı kodlamasıyla ölçülmesi
• Bölge dışına atanan öykülerin sistematik yakın okuması
• Kültür uzmanlarının değerlendirmeleriyle doğrulama
• Farklı istem biçimlerinin stereotipleştirmeyi azaltıp azaltmadığının sınanması
• Yaratıcı yazarlara sunulan yapay zekâ önerilerinin insan üretimine etkisinin incelenmesi

Kaynak ve Yöntem Notu

Çalışmanın özgün adı: How AI Stereotypes the World: Regional Narrative Templates in LLM-Generated Stories

Yazar: Paarth Singh Rathore.

Yazar sıralaması: Çalışma tek yazarlıdır.

Eş katkı bilgisi: Tek yazarlı olduğu için eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Belgede ayrıca “corresponding author” işareti bulunmamaktadır. Tek yazara ait iletişim e-postası verilmiştir.

E-posta: paarthsinghrathore1@gmail.com

Kurum: Department of Computer Science and Information Systems, BITS Pilani, Pilani, Rajasthan, India.

DOI:10.2139/ssrn.7133898

Resmî yayın platformu: SSRN.

Resmî çalışma bağlantısı:SSRN çalışma sayfası

SSRN yükleme tarihi: 31 Temmuz 2026.

Sayfa sayısı: 9.

Yayın yılı: 2026.

Dergi veya konferans: Bu sürümde hakemli bir dergi, kabul edilmiş konferans veya yayımlanmış bildiri bilgisi yer almamaktadır.

Yayınevi ve platform durumu: Çalışma SSRN preprint platformunda yer almaktadır. Hakemli bir dergi yayınevi doğrulanmamıştır.

Kaynak türü: Açık bir yapay zekâ öykü veri kümesinin cümle gömmeleri, bölgesel merkezler, kümeleme, TF-IDF ve istatistiksel testlerle yeniden analiz edildiği hesaplamalı sosyal bilim ve doğal dil işleme preprinti.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Sonuçlar bu sınırlılık dikkate alınarak okunmalıdır.

Özgün verinin sahibi: Çalışmada kullanılan 11.800 öykülük veri kümesi Rettberg ve Wigers’ın önceki araştırmasından alınmıştır. Paarth Singh Rathore öyküleri üretmemiş, mevcut veriye yeni bir bölgesel analiz uygulamıştır.

Özgün veri bağlantısı:Dataverse.no veri kaydı

Analiz kodu:GitHub kod deposu

Finansman: Ana metinde finansman beyanı yer almamaktadır.

Çıkar çatışması: Ana metinde çıkar çatışması beyanı yer almamaktadır.

Yazar katkıları: Tek yazarlı çalışma için ayrı bir CRediT katkı bildirimi sunulmamıştır.

Etik kurul: Araştırma açık yapay zekâ üretimi metin verisine dayanmaktadır. İnsan katılımcı veya özel kişisel veri kullanımı bildirilmemiş, ayrıca etik kurul bilgisi verilmemiştir.

Temel sayısal tutarsızlık: Metin, nihai veri kümesinin 11.750 öykü içerdiğini ve Polar kategoride 50 öykü bulunduğunu belirtmektedir. Buna göre Polar dışındaki beş bölgenin 11.700 öykü içermesi beklenirken ki-kare testi için n = 11.652 verilmiştir. Aradaki 48 kaydın durumu açıklanmamıştır.

Bu Türkçe açıklama; yüklenen çalışmanın veri tanımı, literatür çerçevesi, 384 boyutlu cümle gömme yöntemi, UMAP ayarları, KMeans silhouette tablosu, bölgesel merkez denklemleri, karışıklık matrisi, ki-kare ve z testleri, TF-IDF sözcükleri, Moana örneklerinin manuel incelemesi, tartışması ve sınırlılıkları değerlendirilerek hazırlanmıştır. Çalışmada bulunmayan model deneyleri veya ülkeye özgü sonuçlar eklenmemiştir.

Çalışma, incelenen gpt-4o-mini öykülerinin bütün milliyetleri tamamen aynı biçimde anlatmadığını; ortak olay örgüsü üzerinde geniş bölgelere göre farklı adlar ve simgesel çevre öğeleri kullandığını desteklemektedir. Bununla birlikte sonuçlar yalnızca tek modelin İngilizce istemlerle oluşturduğu ve yine aynı modelin özetlediği metinlere dayanmaktadır. “Bölgesel anlatı şablonu” iddiası; bağımsız veri, tam metin analizi, insan değerlendirmesi ve kültürel yüzey sözcüklerini kontrol eden deneylerle doğrulanmadan genel bir LLM özelliği olarak kabul edilmemelidir.