Araştırmacılar Yapay Zeka Metinlerinin Neden Okunmasının Zor Olduğunu Çözdü
29 Ekim 2026 · 2 dk okuma
New York University ve University of Texas at Austin araştırmacıları, öncü dil modellerinin insanlar için anlaşılması zor olan dilsel yapıları aşırı kullandığını sistematik olarak ortaya koydu.
Araştırmacılar; Claude, GPT-5.6, GLM-5, Kimi K2.5 ile Llama ve Olmo gibi daha küçük açık kaynaklı modeller dahil olmak üzere 14 dil modelini inceledi. Modellerden rahat sohbetler, kodlama oturumları ve tartışmacı makaleler şeklinde üç farklı senaryoda metinler üretmeleri istendi. Toplamda 120 sohbet, 45 kodlama oturumu ve 980 makale analiz edilerek film altyazıları, StackExchange ve öğrenci kompozisyonlarından oluşan insan metinleriyle karşılaştırıldı.
Çalışma, yapay zeka metinlerini sindirimi zor kılan altı kategori belirledi. Bunlar arasında insan metinlerinde nadiren görülen alışılmadık kelime kombinasyonları, çalışma belleğini zorlayan birbirinden uzak konumlandırılmış ilişkili cümle parçaları ve bağlaç eksikliği olan kısaltılmış referanslar yer alıyor. Ayrıca, okuyucunun kelimeler arasındaki ilişkiyi kendisinin çözmesi gereken üst üste yığılmış isimler, isimlerin fiil olarak kullanılması ve cansız nesnelere insani eylemler atfedilmesi gibi sorunlar tespit edildi.
Modeller arasındaki farklılıkların belirgin olduğu görüldü. Llama ve Olmo temel modeli insan metinlerine en yakın sonuçları verdi. Olmo ailesinde, temel modelden talimat varyantına ve ardından öncü seviyeye ulaşan Olmo Think akıl yürütme modeline doğru etkilerin sistematik olarak arttığı gözlemlendi. Bu durum, sorunun eğitim sonrası süreçten kaynaklandığına işaret ediyor. Claude Opus 5.5, 21 karşılaştırmanın 19'unda selefi Opus 5'ten daha iyi performans göstererek hedefli optimizasyonun okunabilirliği artırabileceğini kanıtladı.
Araştırmacılar, insan dilinin başarılı iletişime odaklandığını, ancak modern dil modellerinin netlikten ziyade doğruluğun ödüllendirildiği matematik, kod ve mantıksal çıkarım gibi görevler için eğitildiğini savunuyor. Özellikle İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme yönteminden Doğrulanabilir Ödüllerle Pekiştirmeli Öğrenme yöntemine geçişin, insanı geri bildirim döngüsünden çıkardığı belirtiliyor. Bu durumun, bilgiyi yoğun şekilde sıkıştırmak için yararlı olan ancak insan anlayışı için suboptimal olan bir lehçenin gelişmesine yol açtığı öne sürülüyor.
Anthropic çalışanı Jackson Kernion, yeni modellerin matematik, kod ve diğer yapay zeka modelleri için teknik açıklamalara optimize edilmesinin, modellerin insan okuyucular için çok yoğun ve doğal olmayan bir stil geliştirmesine neden olduğunu açıkladı. Kernion bunu yapay zeka model psikolojisine bir uyum olarak tanımladı ve Anthropic'in Opus 5.5 ile cümle netliğini ve aşırı yüklü bilgi bloklarını hedefleyerek buna karşı önlem aldığını belirtti.