Romanda karakter tutarlılığını kontrol etmek için yapay zekayı kullanın
Uzun bir romanda yapay zekayı, evren kurallarının (canon) tek otoritesi olarak değil; tarihli, derli toplu bir karakter referansı üzerinden çelişki tespit edici bir araç olarak kullanın. Tek bir doğruluk kaynağı belirleyin, gerçekleri geçerlilik kapsamı ve kanıtlarıyla kaydedin ve modelden belirli bir taslak bölümünü yalnızca ilgili maddelerle karşılaştırmasını isteyin. Taslak metni değiştirmeden önce işaret edilen her noktayı gözden geçirin. Bu iş akışı; kasıtlı değişiklikleri, güvenilmez anlatıcıları ve henüz çözülmemiş soruları korurken tutarlılık hatalarını yakalamanıza yardımcı olur.
Bir karakter referansı neden özellikler listesinden daha fazlasına ihtiyaç duyar?
‘Mara tedbirlidir, solaktır ve kartpostal biriktirir’ gibi düz bir liste, farklı türdeki bilgileri birbirine karıştırır. ‘Solak’ olması sabit bir gerçek olabilir; ‘tedbirli’ olması duruma göre değişebilecek bir yorumdur; kartpostal koleksiyonu ise hikâye boyunca değişebilir. Liste her bir ifadenin ne zaman ve nasıl geçerli olduğunu belirtmiyorsa, yapay zekalı bir denetleyici anlamlı bir karakter gelişimini hata olarak görebilir veya gerçek bir tutarlılık sorununu gözden kaçırabilir.
Referansı kontrol edilebilir iddialar üzerine kurun. Her biri için karakteri, iddiayı, zaman veya sahne kapsamını ve bunun nereden kaynaklandığını not edin. Doğrulandı, planlandı, belirsiz veya güncelliğini yitirdi gibi bir durum ekleyin. Hikâyede neyin gerçek olduğu ile bir karakterin neye inandığı, ne söylediği, ne hatırladığı veya başka birine ne anlattığı arasındaki ayrımı yapın. Bu kategoriler birbirinin yerine kullanılamaz.
Girdileri atomik tutun: satır başına tek bir iddia. ‘Mara 32 yaşında, solak, tedbirli ve mavi bir bisikleti var’ ifadesini güvenle kontrol etmek veya güncellemek zordur. İddiaların ayrı olması, yaşındaki bir revizyonun yanlışlıkla el tercihini veya mülkiyetle ilgili netleşmemiş bir ayrıntıyı ezmemesini sağlar.
Yeni bir sahneyi kontrol etmek için pratik bir iş akışı
1. Taslak pasajı sabitleyin ve ilgili canon bilgilerini çekin.
Kontrol talebinde bulunmadan önce, metnin hangi versiyonunu incelediğinize karar verin. Pasajla ilgili karakter girdilerini çekin: sahnede kullanılan fiziksel ayrıntılar, mevcut eşyalar, ilişkiler, bilinenler, konum ve zaman çizelgesi. Daha önceki gerçekleri yalnızca sahne bunlara doğrudan bağlıysa ekleyin. Bütün bir romanı ayrıştırılmamış tek bir istem olarak gönderip modelin her kısıtlamayı fark ettiğini varsaymayın.
Bu temkinli yaklaşımın araştırmalara dayanan bir temeli vardır ancak sınırları önemlidir. Liu ve meslektaşlarının 2023 tarihli, [‘Lost in the Middle: How Language Models Use Long Contexts’](https://arxiv.org/abs/2307.03172) başlıklı makalesi, test edilen modellerin uzun girdilerin ortasında yer alan bilgileri, başında veya sonunda yer alanlara kıyasla çoğu zaman daha az güvenilir şekilde kullandığı deneyleri aktarmaktadır. Bu bulgu, doğrudan roman tutarlılığına yönelik bir test olmadığı gibi, güncel herhangi bir modelin nasıl davranacağını da kesin olarak belirlemez. Yine de mütevazı ve pratik bir tercihi destekler: Yalnızca devasa bir bağlama güvenmek yerine, ilgili gerçekleri çekip sorunun hemen yakınında yeniden belirtin.
2. Genel bir düzeltme değil, karşılaştırma talep edin.
Modele sahne alıntısını ve ilgili canon girdilerini verin. Yalnızca doğrudan çelişkileri tespit etmesini, her iki taraftaki kesin ifadeleri alıntılamasını ve bu uyumsuzluğun kasıtlı bir değişim, kurgu içi bir inanç veya bir zaman farkı olup olamayacağını açıklamasını isteyin. Belirli bir kanıt gösteremediğinde ‘çelişki bulunamadı’ yanıtını vermesini şart koşun. Kullanışlı bir istem örneği şöyledir:
‘Alıntıyı aşağıdaki canon girdileriyle karşılaştır. Şu sütunları içeren bir tablo oluştur: canon iddiası ve kaynağı, alıntıdaki ifade, çelişki türü, güven düzeyi ve yazar için bir soru. Yalnızca aynı zaman dilimi ve bakış açısı içindeki uyuşmayan iddiaları işaretle. Doğrudan çelişkiyi; belirsizlikten ve olası karakter gelişiminden ayır. Sahneyi yeniden yazma veya eksik gerçekler uydurma. Kanıt yetersizse ‘belirsiz’ de.’
Bu, önerilen bir editoryal yöntemdir; bir modelin talimatları eksiksiz şekilde yerine getireceğinin garantisi değildir. OpenAI’ın [istem mühendisliği rehberi](https://developers.openai.com/api/docs/guides/prompt-engineering), görevin net bir şekilde tanımlanmasını ve girdinin düzenlenmesini önerir; bu belgeler istem rehberliği sunar, çıktıların tam veya hatasız olacağını garanti etmez. Karşılaştırmayı, ana metne bakılarak doğrulanması gereken ipuçları listesi olarak değerlendirin.
3. Revizyondan önce işaretlenen noktaları sınıflandırın.
İşaretlenen her nokta için atıfta bulunulan sahneleri inceleyin ve sınıflandırın. Pratik bir dörtlü karar yapısı şöyledir:
Çevresindeki sahneyi kontrol etmeden yapay zeka tarafından üretilen bir düzeltmeyi kabul etmeyin. Bir gerçeği değiştiren bir öneri, ikinci bir çelişkiye yol açabilir; örneğin, bir sahnedeki dekor ayrıntısını değiştirmek başka bir yerdeki zaman çizelgesini bozabilir. Bir revizyona karar verdiğinizde, ana metni ve referansı birlikte güncelleyin, ardından bundan etkilenen sonraki sahneleri yeniden kontrol edin.
Örnek uygulama: Rengi değişen defter
Doğrulanmış referansta şu bilginin yer aldığını varsayalım: ‘Mara, 2 ila 12. bölümlerde çivit mavisi bir cep defteri taşır.’ Bölüm 13 taslağında ise çantasından yeşil bir defter çıkarır ve önceki hafta yazdığı bir notu okur. Bir kontrol aracının her iki pasajı da alıntılaması ve bunun aynı defter mi, yeni bir defter mi, yoksa başka bir karakterin algısındaki kasıtlı bir fark mı olduğunu sorması gerekir. Yalnızca iki farklı renk geçiyor diye bunu doğrudan çelişki ilan etmemelidir.
Yazar taslağı kontrol eder. Eğer Bölüm 12'de Mara'nın çivit mavisi defter için yeşil bir kapak aldığı görülüyorsa, bu belirgin farkın bir açıklaması vardır ancak okur Bölüm 13'te küçük bir anımsatıcıya ihtiyaç duyabilir. Eğer herhangi bir kapak değişimi yoksa ve eski not ikinci bir defterde bulunamayacaksa, taslak gerçek bir tutarlılık hatası içeriyor olabilir. Yazar ‘yeşil’ kelimesini ‘çivit mavisi’ olarak değiştirebilir, defter geçişini anlatan destekleyici bir sahne ekleyebilir veya karakterin farklı bir defter aldığına karar verebilir; her seçimin çevre pasajlar üzerinde sonuçları olacaktır.
Buradaki yararlı test; iddiaların aynı nesneye, zamanın aynı anında, aynı bakış açısından atıfta bulunup bulunmadığıdır. Herhangi bir kısım netleşmemişse, bunu bir soru olarak işaretleyin. Bir model iki cümleye dikkat çekebilir; ancak hikâyede hangi defterin var olduğuna yazar karar verir ve referansı ancak bu kararı verdikten sonra günceller.
Revizyon kontrolü: Canon değişimini izlenebilir kılın
İşaretlenen bir sorunu çözdükten sonra, editoryal kararı etkilenen iddianın yanına kaydedin: neyin değiştiği, bunu hangi bölümün desteklediği ve eski referansların geçerliliğini yitirip yitirmediği. Diğer sahnelerin neden hâlâ önceki ayrıntıyı içerebileceğini açıklamaya yardımcı oluyorsa, daha eski bir versiyonu veya tarihli bir notu saklayın. Ardından taslak metinde o karakteri ve ilgili detayı (örneğin defter, kapak, çivit mavisi veya yeşil) aratın ve her kullanımı bağlamı içinde inceleyin. Birebir yapılan bir arama, yapay zekanın kaçırdığı ifadeleri bulabilir; ancak her kullanımın anlatı açısından tutarlı olup olmadığına karar veremez.
Revize edilen pasaj ve bu değişiklikten etkilenen tüm sahneler üzerinde kontrolü tekrar çalıştırın. Modelden canon çizelgesini sessizce düzenlemesini istemekten kaçının: önce önerilen değişikliği inceleyin, ardından bunu kendiniz veya kontrollü bir belge revizyonu aracılığıyla uygulayın. Bir proje çalışma alanı veya belge özelliği kullanıyorsanız, belirli bir depolama veya bilgi alma işlevine güvenmeden önce güncel resmî talimatlarını doğrulayın; tutarlılık yöntemi yalın bir belgeyle de çalışır ve belirli bir platforma bağımlı değildir.
Sınırlar: Yapay zekanın yapabilecekleri ve yapamayacakları
Bir model sağladığınız metinleri karşılaştırabilir, incelenecek noktalar önerebilir ve tutarlılık raporunu biçimlendirmeye yardımcı olabilir. Çelişen taslaklar arasından hedeflenen kurgusal gerçeğin (canon) ne olduğuna, siz çelişkiyi çözmedikçe karar veremez. Bir ayrıntıyı gözden kaçırabilir, zaman çizelgesini yanlış yorumlayabilir, alt metni somut bir olgu sanabilir veya makul görünen ama temelsiz bir açıklama üretebilir. Uzun bağlamlı araştırmalar, ‘kitabın tamamını ekledim’ yaklaşımını her ilgili cümlenin dikkate alındığının bir kanıtı saymamak için bir nedendir; ancak tüm sistemlerin uzun metinlerde başarısız olduğu anlamına da gelmez.
Canon, anlatıcı sesi ve anlam konusundaki sorumluluk yazara aittir. Yapay zeka çıktılarını bir denetim kaydı olarak kullanın: öne sürülen her çelişki belirli pasajları işaret etmeli; kabul edilen her düzeltmenin açık bir gerekçesi olmalı; ve çözümlenmemiş maddeler görünür şekilde belirsiz kalmalıdır. Uzun bir roman için bu mütevazı disiplin, bir modelin karakter gerçeklerini bölümler boyunca zımnen aklında tutmasını istemekten çok daha güvenilirdir.