Beşeri Bilimlerin Dijitalleşmesi

DİJİTAL BEŞERÎ BİLİMLER ATÖLYESİ’NİN İKİNCİ DERSİ TAMAMLANDI

Dijital beşerî bilimler (DBB) alanında yenilikçi yaklaşımları ve metodolojik dönüşümleri merkeze alan Klasik Divan Dijital Beşerî Bilimler Platformu’nun ikinci atölyesi Selin Yavuz ve Ecemnur Topcu tarafından gerçekleştirilmiştir. Bu atölyede hocalarımız, yapay zekâ teknolojilerinin klasik metinler üzerindeki dönüştürücü etkisini masaya yatırdı. Üç ana bölümden oluşan bu verimli oturumda dijital korpus ağlarından el yazması metinlerin otomatik transkripsiyon süreçlerine kadar pek çok teknik ve teorik başlık ele alındı.

1. Akademik GPT Ekosistemleri ve Yapay Zekânın Sınırları

Atölyenin ilk bölümünde yapay zekânın dijital beşerî bilimler çalışmalarındaki rolü, sunduğu fırsatlar ve beraberinde getirdiği metodolojik sınırlılıklar Ecemnur Topcu tarafından etraflıca ele alındı. Yapay zekâ entegrasyonunun akademiye sağladığı en büyük katkının otomasyon ve hız olduğu, geleneksel yöntemlerle yıllar sürebilecek devasa veri yığınlarının tasnifinin bu sayede çok daha kısa sürelerde yapılabileceği vurgulandı. Bunun yanı sıra, doğal dil işleme (NLP) yeteneklerinin gelişmesiyle birlikte metinlerdeki semantik (anlamsal) yapının ve kavramsal dönüşümlerin haritalandırılabildiği belirtildi. Ancak bu sürecin sadece avantajlardan ibaret olmadığı madalyonun diğer yüzünde telif hakları, akademik hırsızlık ve yapay zekânın ürettiği bilginin doğruluğu gibi etik problemlerin yer aldığı ifade edildi. Özellikle yapay zekânın istatistiksel tahminlere dayalı çalışmasından ötürü ortaya çıkan halüsinasyon (uydurma kaynak/bilgi üretme) riskine dikkat çekildi. Osmanlı Türkçesi ve klasik metinler gibi alanlarda karşılaşılan "temiz dijital veri kıtlığı" ise model eğitimlerini zorlaştıran en büyük engellerden biri olarak gösterildi.

Tam da bu noktada, disiplinlerarası çalışmanın niteliğini artırmak adına geliştirilen İslami İlimler alanında geliştirilen bir dijital korpus örneği katılımcılarla paylaşıldı. Genel amaçlı yapay zekâ modellerinin aksine; Hadis Külliyatı GPT, Hanefî/Şâfiî Fıkıh GPT, Arapça Lugat GPT gibi doğrudan branşlara göre özelleştirilmiş bir akademik GPT ekosisteminin çalışma mantığı aktarıldı. Bu sayede araştırmacıların internetteki bilgi kirliliğinden uzak, yalnızca doğruluğu teyit edilmiş dijital korpuslar üzerinden bağlamdan uzaklaşmayan güvenilir analizler yapabilmesine imkan tanındığı belirtildi.

2. Kör Piksellerden Canlı Metinlere: Bilgisayarlar El Yazısını Nasıl Öğreniyor?

Atölyenin ikinci bölümü Selin Yavuz tarafından sunuldu. Bu bölümde odak noktası görsellerin metne dönüştürülmesi sürecine kaydırıldı. Fiziksel arşivlerde yer alan binlerce sayfalık belgenin aranabilir metinlere dönüştürülmesindeki temel mantık, "İnsan Gözü" ve "Makine Gözü" karşılaştırmasıyla açıklandı. İnsan gözünün belgede doğrudan anlam ve bağlam bulmasına tezat olarak makinenin ilk aşamada yalnızca "kör pikseller" gördüğü belirtildi. Asıl amacın ise bu cansız pikselleri yaşayan verilere dönüştürmek olduğu ifade edildi.

1990'lardan bu yana kullanılan OCR (Optik Karakter Tanıma) teknolojisinin matbaa harfleri gibi simetrik ve öngörülebilir metinlerde oldukça başarılı olduğu ancak el yazması (arşiv vesikaları, mecmua ve divanlar) söz konusu olduğunda yetersiz kaldığı belirtildi. Bu yetersizliği yönetebilmek adına devreye giren HTR (El Yazısı Metin Tanıma) teknolojisi ile OCR arasındaki farklar yapısal olarak şu şekilde örneklendirildi:

Öngörülebilirlik: OCR'da kusursuz ve sabit olan harf yapıları, HTR'da (yazarın duygu durumu, mürekkep yoğunluğu veya yazı türüne göre) tamamen karmaşıktır.

Boşluklar: Matbu metinlerdeki matematiksel düzen, el yazmalarında yerini kelimelerin iç içe geçtiği düzensiz bir yapıya bırakır.

Gereken Zekâ Düzeyi: Şablon eşleştirmesinin ötesine geçilerek yüksek düzeyde derin öğrenme ve bağlamsal tahmin mekanizmalarına ihtiyaç duyulur.

Selin Yavuz tarafından yapılan sunumda bir HTR sisteminin "Görüntü Alma, Ön İşlem, Bölütleme (Segmentation) ve Tanıma" olmak üzere 4 temel adımdan oluşan bir fabrika boru hattı gibi çalıştığı aktarıldı.

Günümüzde Evrişimli Sinir Ağları (CNN) sayesinde harflerin uzamsal özelliklerinin insan gözü gibi esnekçe analiz edilebildiği, dahası Transformer modellerinin (örneğin AraBERT) sunduğu dikkat mekanizmasıyla silik veya lekeli harflerin cümlenin bağlamından hareketle yüksek doğrulukla tahmin edilebildiği açıklandı. Model eğitimlerindeki en büyük tuzağın ise veriyi ezberleme olduğu, bunun önüne geçebilmek için yapay zekânın mutlaka farklı dönem ve yazı stillerini içeren heterojen (çeşitlilik gösteren) verilerle eğitilmesi gerektiği vurguland

3. Teknik Detaylar: Sayfa Düzeni Analizi ve Dünyadaki HTR Platformları

Atölyenin bu bölümü Ecemnur Topcu tarafından sunuldu. Günümüzde otomatik transkripsiyon teknolojisini akademik standartlarda kullanan başlıca platformlar ve öne çıkan özellikleri şu şekilde sıralandı:

Transkribus: Akademisyenlerin kendi projeleri için ürettikleri "Ground Truth" (Doğru Kabul Edilen Altın Veri) üzerinden modeli eğiten ve dünyada en popüler olan platformdur. Türkçe ve Osmanlı Türkçesi modelleri her geçen gün güçlenmektedir.

eScriptorium: Veri güvenliği ve şeffaflık arayan kurumsal projeler için ideal, Kraken motorunu kullanan tamamen açık kaynak kodlu bir sistemdir. Türkiye’de de çok fazla anlaşmaları yok.

Monk System: Groningen Üniversitesi tarafından geliştirilen, harf ve kelimelerin zamansal/paleografik değişimlerini etiketlemede başarılı olan bir platformdur.

Ayrıca transkripsiyonun başarı ölçümünde kullanılan CER (Karakter Hata Oranı) ve WER (Kelime Hata Oranı) kavramlarına değinildi. Akademik çalışmalarda %5'lik bir CER oranının mükemmel bir kabul edilebilirlik sınırı olduğu ifade edildi. Platform bünyesinde yürütülen Osmanlıca el yazması projesinden somut bir kesit sunularak yapay zekânın orijinal metni satır satır takip ederek ürettiği Latinize transkripsiyon arayüz üzerinden katılımcılara uygulamalı olarak gösterildi. Hacimli olmayan metinlerde yapay zeka araçlarını doğru komutlar vererek kullanmanın daha pratik ve kullanışlı olduğu belirtildi. Özellikle Gemini’nin temiz veya matbu metinlerde iyi bir seviyede olduğu vurgulandı.

Atölyenin son bülümünde Ecemnur Topcu, otomatik transkripsiyonun teknik mutfağına inerek sürecin en kritik adımlarından biri olan Metin Bölütlemeyi (Layout Analysis) ele aldı. Yapay zekânın sayfa üzerindeki ana metin bloğunu, derkenarları (kenar notları) ve mühürleri bölge algılama yöntemiyle ayırdığı; ardından harflerin üzerine oturduğu hayalî taban çizgilerini bularak eğri satırları bile düz birer şerit gibi algılayabildiği örnek metin üzerinden gösterildi.

Sonuç: Geleceğin Akademik Standartları

Atölyenin değerlendirme ve soru-cevap kısmında otomatik transkripsiyon teknolojilerinin edebiyatçıların veya tarihçilerin yerini almayacağı aksine araştırmacılara yıllar sürecek zaman kayıplarını geri kazandıracağı ortak kabul olarak öne çıktı. Yapay zekânın %85-90 doğruluk oranıyla gerçekleştireceği ilk okumanın ardından uzmanların Post-Correction (Son Okuma/Düzeltme) aşamasında devreye girerek metne son akademik şeklini vermesinin en rasyonel çalışma modeli olduğu ifade edildi. Atölyede son olarak dijital araçların edebiyat ve filolojiyle olan kaçınılmaz ortaklığı ve el yazması projelerinin geleceği bir kez daha gözler önüne serilmiş oldu.