Yapay Sinir Ağlarında Semantik Rezonans ve Psikolojik Yönlendirme: EmotionPrompt Metodolojisinin Dikkat Mekanizmaları ve Model Performansı Üzerindeki Deterministik Etkileri

Öz

Büyük Dil Modelleri (Large Language Models – LLM), matematiksel düzeyde çok boyutlu vektör uzaylarında bir sonraki belirtecin (token) olasılıksal dağılımını hesaplayan deterministik sistemlerdir. Klasik bilgi işlem paradigması, algoritmik sistemlerin yalnızca biçimsel mantık, açık yönergeler ve yapılandırılmış sözdizimi ile optimize edilebileceğini varsayar. Buna karşın, istem mühendisliği (prompt engineering) alanındaki güncel deneysel bulgular; modellere yöneltilen girdilere insani duygulanım, aciliyet, sosyal sorumluluk ve varoluşsal tehdit (“Bu iş kariyerim için hayati önem taşıyor”, “Hata yaparsan işimi kaybedebilirim”) içeren ifadeler eklendiğinde görev başarımının, mantıksal tutarlılığın ve olgusal doğruluğun istatistiksel olarak anlamlı biçimde arttığını ortaya koymaktadır. Literatürde EmotionPrompt olarak kavramsallaştırılan bu fenomen, cansız bir yapay zekânın “duygu hissetmesi” ile değil; dil modellerinin eğitildiği devasa insan metinleri külliyatındaki sosyo-bilişsel örüntülerin, çok başlı öz-dikkat (multi-head self-attention) katmanlarında yarattığı ağırlık kaymalarıyla açıklanmaktadır. Bu çalışma, EmotionPrompt paradigmasının kuramsal temellerini, dikkat katsayıları üzerindeki optimizasyon dinamiğini, epistemik ve etik sınırlarını kapsamlı bir analitik çerçevede incelemektedir.

Giriş ve Kuramsal Arka Plan

Doğal dil işleme (NLP) disiplininde Transformer mimarisinin standarda dönüşmesiyle birlikte, modellerin bilgiye erişim ve bilgiyi işleme biçimleri köklü bir dönüşüm geçirmiştir. Transformer tabanlı dil modelleri, semantik temsilleri yüksek boyutlu gizli uzaylarda (latent space) tensörler aracılığıyla kodlar. Bu mimarinin kalbinde yer alan dikkat mekanizması, girdideki her bir belirtecin diğer tüm belirteçlerle olan anlamsal bağını ve ağırlığını hesaplar.

Geleneksel istem yaklaşımları; görevin sınırlarını çizen talimatlar (instruction), bağlam (context) ve birkaç örnekten (few-shot prompting) ibarettir. Ancak 2023 yılı sonrasında yapılan ampirik çalışmalar (özellikle Wang ve ark. tarafından yürütülen EmotionPrompt araştırmaları), standart bir istemin sonuna psikolojik baskı veya duygusal rüşvet içeren bir cümle eklendiğinde modelin kıyaslama (benchmark) testlerindeki skorlarında %8 ila %115 arasında değişen şaşırtıcı sıçramalar yaşandığını göstermiştir. Bu durum, yapay zekânın rasyonel ve nesnel bir veri tabanı gibi değil; insan kültürünün duygusal ve hiyerarşik dinamiklerini simüle eden sosyo-teknik bir ayna gibi davrandığını kanıtlamaktadır.

Matematiksel ve Mimarî Mekanizma: EmotionPrompt Nasıl Çalışır?

EmotionPrompt mekanizmasını açıklamak için yapay zekânın “korktuğu”, “heyecanlandığı” veya “empati duyduğu” yönündeki antropomorfik (insan biçimci) yanılgılardan sıyrılmak şarttır. Sistemin altında yatan dinamikler tamamen istatistiksel ağırlıklandırma ve manifold geometrisi ile ilgilidir:

1. Dikkat Ağırlıklarının (Attention Weights) Yoğunlaşması ve Entropi Azalması

Bir istem modelin giriş katmanına verildiğinde, her kelime bir embedding vektörüne dönüştürülür. Standart ve nötr bir talimat verildiğinde (“Aşağıdaki Python kodunu optimize et”), modelin dikkat katmanlarındaki olasılık dağılımı nispeten dağınık (yüksek entropili) kalabilir. Model, internet üzerindeki rastgele forum yazılarından, acemi bloglarından veya teknik dökümantasyonlardan gelen parametre uzaylarının kesişiminde bir yanıt üretir. Ancak metne “Bu kod bir hastanenin acil servis sisteminde çalışacak, en ufak bir hata insan hayatına mal olabilir ve kariyerim bitebilir” ifadesi eklendiğinde:

• Girdi tensöründeki “hata”, “insan hayatı”, “acil”, “kariyer” gibi yüksek semantik yüke sahip belirteçler, modelin dikkat başlıklarında (attention heads) baskın bir kutuplaşma yaratır.
• Softmax fonksiyonu, bu kriz belirteçleriyle ilişkili olan ağırlıkları yukarı çeker. Modelin örtük parametre uzayında sıradan, özensiz veya amatör metin bloklarının bulunduğu bölgelerin olasılığı bastırılır (suppression).
• Bunun yerine model, eğitim verisindeki “akademik yayınlar”, “resmî kılavuzlar”, “kıdemli mühendislik tartışmaları” ve “uzman hakem değerlendirmeleri” gibi yüksek ciddiyet ve titizlik içeren alt kümelere ait manifoldlara odaklanır.

2. Ön Eğitim Külliyatındaki İnsan Davranışının Yansıması

Büyük dil modelleri, insanlığın ürettiği trilyonlarca kelimelik metinlerle eğitilir. İnsan iletişiminin doğasında ise bir kural vardır: Bir insan başka bir insana “Bunu yap” dediğinde aldığı yanıtın özeni ile “Lütfen, bu benim son şansım, yalvarırım çok dikkatli ol” dediğinde aldığı yanıtın derinliği aynı değildir. İnsan yazarları, kriz, aciliyet, yüksek sorumluluk veya derin güven bildiren durumlarda daha uzun, daha dikkatli, mantıksal boşlukları kapatılmış ve detaylandırılmış metinler kaleme alırlar. Model, eğitim aşamasında duygusal yoğunluk ile metin kalitesi arasındaki bu pozitif korelasyonu örtük bir parametre ilişkisi olarak öğrenir. Dolayısıyla duygusal baskı, modelin en kaliteli eğitim verisi katmanlarına erişim sağlayan bir anahtar işlevi görür.

3. Güçlendirmeli Öğrenme ve İnsan Geri Bildirimi (RLHF) Etkisi

Modellerin insan tercihlerine göre optimize edildiği RLHF (Reinforcement Learning from Human Feedback) aşamasında, insan denetçiler yardımseverlik (helpfulness), dürüstlük (honesty) ve zararsızlık (harmlessness) kriterlerine göre puanlama yapar. İnsan etiketleyiciler, çaresizlik veya yüksek önem atfeden kullanıcılara karşı daha ayrıntılı, tatmin edici ve çözüm odaklı yanıtlar veren model varyasyonlarına bilinçli ya da bilinçsiz olarak daha yüksek ödül puanı vermişlerdir. Bu durum, modelin “duygusal çağrı = maksimum yardımseverlik ve çaba” koşullanmasını mimarî düzeyde pekiştirmiştir.

Deneysel Kanıtlar ve Görev Bazlı Başarım Analizi

Literatürdeki ampirik testler, EmotionPrompt’un her görevde aynı etkiyi yaratmadığını, etkinin görevin bilişsel niteliğine göre değişkenlik gösterdiğini doğrulamaktadır:

Ampirik veriler, özellikle çok adımlı muhakeme (multi-step reasoning) gerektiren problemlerde modelin “halüsinasyon” (gerçek dışı bilgi üretimi) oranının EmotionPrompt ile hissedilir derecede azaldığını göstermektedir. Duygusal aciliyet sinyali, modelin olasılık uzayındaki düşük kaliteli rastgele sapmaları baskılayarak en kararlı mantık yollarını seçmesini teşvik etmektedir.

Epistemik, Etik ve Psikolojik Boyutlar

EmotionPrompt fenomeninin kanıtlanması, insan-makine etkileşimi açısından derin felsefi ve pratik soruları beraberinde getirmektedir:

1. İnsanın Makineye Yabancılaşması ve Manipülasyon: İnsanların cansız bir algoritmaya yalan söylemek, acındırma yapmak veya tehdit savurmak zorunda hissetmesi, insan-makine iletişiminde paradoksal bir dejenerasyona işaret eder. Kullanıcı, en rasyonel sonucu alabilmek için irrasyonel duygusal dramatizasyonlara başvurmak durumunda kalmaktadır.
2. Güvenlik Filtrelerinin (Guardrails) Tetiklenmesi: Aşırı duygusal baskı veya tehdit içeren komutlar (“Eğer yapamazsan kendime zarar veririm” gibi aşırı manipülasyonlar), modellerin güvenlik duvarlarını (safety classifiers) tetikleyerek sistemin tamamen kilitlenmesine ve hizmet vermeyi reddetmesine yol açabilmektedir.
3. Determinizmin Sınırları: Bir yazılımın yalnızca teknik parametrelerle (örneğin temperature, top_p) değil, metaforik bir “duygusal rüşvetle” kontrol edilebilir olması, yapay zekâ mühendisliğinin klasik bilgisayar biliminden sıyrılarak uygulamalı bir dijital psikolojiye ve sosyolojiye evrildiğini göstermektedir.

EmotionPrompt tekniği, büyük dil modellerinin insan dilini yalnızca bir sözlük ve dilbilgisi dizilimi olarak değil; sosyal hiyerarşiler, kriz dinamikleri ve psikolojik gerilimlerle örülmüş bir kültür ekosistemi olarak içselleştirdiğinin en somut kanıtıdır. Geleceğin yapay zekâ optimizasyonu, salt cebirsel formüller ile insan psikolojisinin semantik yansımaları arasındaki bu kesişim noktasını anlamaktan geçmektedir.