YAPAY ZEKÂ SİSTEMLERİNDEN ELDE EDİLEN ÇIKTILARDA HUKUKİ BELİRSİZLİĞİN SEMANTİK ENTROPİ İLE ÖLÇÜMÜ

I. giriş

Yapay zekâ sistemlerinin hukuk alanında artan kullanımı, yalnızca teknik değil, aynı zamanda normatif ve kavramsal düzeyde de çeşitli tartışmaları beraberinde getirmiştir. Büyük dil modelleri (“LLM”), doğal dili anlama ve üretme kapasiteleri sayesinde hukuki metin analizi, sözleşme incelemesi, yargı kararlarının öngörülmesi gibi pek çok alanda önemli fırsatlar sunmaktadır. Ancak, bu teknolojilerin belirsizlik taşıyan ya da çok anlamlılık içeren hukuki ifadeler karşısında nasıl davrandığı, sistemlerin güvenilirliği açısından temel bir sorun alanı olarak öne çıkmaktadır.

Nature (2024) sayısında yayımlanan çalışma1 ile, araştırmacılar büyük dil modellerinin verdiği yanıtlar arasında yer alan yanlış ve uydurma (confabulations) yanıtları tespit etmek amacıyla “semantik entropi” adlı yeni bir ölçüm yöntemi geliştirmişlerdir. Bu yöntem, modelin aynı soruya verdiği alternatif yanıtlar arasındaki anlamsal çeşitliliği temel alarak belirsizlik düzeyini ölçmeyi amaçlamaktadır. Çalışmada BioASQ, SQuAD, TriviaQA ve NQ-Open gibi çeşitli soru-cevap veri setleri üzerinde yapılan deneyler sonucunda, yüksek semantik entropi taşıyan yanıtların çoğunlukla yanlış ya da anlamsal olarak tutarsız olduğu gözlemlenmiştir. Ayrıca bu tür yüksek belirsizlik içeren soruların yanıtsız bırakılmasının, modelin genel doğruluğunu anlamlı biçimde artırdığı da ortaya konmuştur. Bu bulgular, semantik entropinin yalnızca teorik değil, aynı zamanda pratikte de yapay zekâ destekli sistemlerde güvenilirlik ölçümü için etkili bir araç olduğunu göstermektedir.

Bu bağlamda semantik entropi, yalnızca teknik bir ölçüm aracı değil; aynı zamanda yapay zekâ destekli kararların hukuki belirsizlik içeren durumlarla başa çıkabilmesi açısından da önemli bir güvenlik katmanı sunmaktadır. Büyük dil modellerinin hukuki belirsizlik içeren durumlarda ürettiği yanıtların semantik entropi ile analizi, anlamsal tutarsızlıkların belirlenmesi ve yapay zekâ destekli hukuki süreçlerin güvenilirliğinin artırılmasına katkı sağlamaktadır.

II. HUKUKİ BELİRSİZLİK KAVRAMI VE YAPAY ZEKÂ İLE İLİŞKİSİ

A. Hukuki Belirsizlik

Hukuki belirsizlik, hukukun doğasında var olan, kuralların veya ilkelerin somut olaylara uygulanması sırasında ortaya çıkan yorum farklılıkları ve öngörülemezlik durumudur2. Bu belirsizlik, yasaların genel ve soyut niteliğinden, içtihatların dinamikliğinden, dilin çok anlamlılığından veya mutlaklığından, toplumsal değişimin hukuka yansıması gibi nedenlerden kaynaklanabilir3. Hukuk, mutlak kesinlikten ziyade yorumlamaya açık yapısıyla, toplumsal koşullara göre değişebilen dinamik bir sistemdir. Kurallar her ne kadar belirli ilke ve normlara dayansa da, her somut olayı kapsayacak şekilde önceden tasarlanmış mutlak doğrulara sahip değildir. Bu nedenle hukuk, sabit ve mutlak kesinlikten çok yoruma, bağlama ve içtihadi gelişmelere açık bir esneklik içinde işlemektedir. Bu esneklik, hukuki uygulamanın farklı bağlamlarda farklı şekillerde tezahür etmesine olanak tanır ve kaçınılmaz olarak belirli bir derecede belirsizliği bünyesinde barındırır.

H. L. A. Hart tarafından ortaya atılan “açık dokululuk” kavramı, hukuki kuralların her zaman kesin sınırlarla belirlenemeyeceğini ve bu nedenle yorumlama ihtiyacının kaçınılmaz olduğunu vurgulamaktadır4. Hart’a göre, yasa koyucular gelecekte ortaya çıkabilecek tüm olgusal durumları öngöremezler; bu nedenle hukuki metinlerde “sınır durumlar” (penumbral cases) için bir belirsizlik alanı kalmaktadır.

Ronald Dworkin ise hukuku yalnızca kurallardan ibaret görmeyip, ilkeler ve politikalar gibi daha geniş bir çerçevede değerlendirmektedir5. Bu yaklaşım, yorumlama sürecine ek bir katman ekleyerek, hukuk uygulayıcılarının sadece metne bağlı kalmayıp, hukukun genel ruhunu ve amacını da göz önünde bulundurmasını gerektirir. Bu durum, yapay zekâ sistemlerinin “doğru” cevabı bulma çabasında karşılaşacağı semantik ve bağlamsal zorlukları daha da artırmaktadır.

B. Hukuki Belirsizlik ve Yapay Zekâ İlişkisi

Yapay zekâ sistemleri, mevcut veri setlerindeki kalıpları öğrenerek yorumlamalar yapmaktadır. Ancak, bu verilerdeki doğal dilin semantik zenginliği ve hukukun kendine özgü yorumlama dinamikleri, yapay zekânın hukuki belirsizlikle başa çıkmasını zorlaştırmaktadır. Modelin, yorum farklılıkları olan kanun maddelerini veya çelişkili içtihatları işlemesi, çıktılarında tutarsızlığa ve öngörülemezliğe yol açabilir. Bu durum, hukukun temel bir özelliği olan “normatif kararlılığın” yapay zekâ çıktılarında tam olarak sağlanamaması riskini doğurur.

LLM’lerin karar süreçleri, milyarlarca parametreye dayalı karmaşık algoritmalar nedeniyle genellikle şeffaf değildir. Bu durum, yapay zekâ sistemlerini bir “kara kutu” haline getirmektedir. Buna ek olarak, yapay zekâ modellerinin halüsinasyon olarak adlandırılan gerçek dışı bilgiler üretme eğilimi, hukuki alanda ciddi sonuçlar doğurabilecektir. Zira yanlış ve uydurma sonuçlar, telafisi güç zararlara neden olabilir. Bu çerçevede, semantik entropi yöntemi, bu riskleri önceden belirleyerek yapay zekanın hukuki süreçlerdeki güvenilirliğini artırmayı hedeflemektedir.

III. SEMANTİK ENTROPİ VE HUKUK

A. Semantik Entropi Kavramı

Entropi, kökeni fizik ve bilgi kuramına dayanan bir kavram olup, sistemlerin düzensizliğini ve belirsizliğini ölçmek için kullanılır6. Claude Elwood Shannon’un klasik bilgi kuramında ise, belirli bir bilginin ne kadar öngörülemez ya da belirsiz olduğunu nicel olarak ifade etmek için kullanılır. Öte yandan semantik kelimesi dilbilimsel bağlamda “anlam” ile ilgilenir ve bir ifadenin taşıdığı kavramsal içeriği, bağlamla ilişkisini ve kavramsal benzerlik düzeyini ifade eder.

Bu iki kavramın birleşimiyle ortaya çıkan “semantik entropi”, bir kelimenin ya da ifadenin farklı bağlamlarda ne kadar farklı anlamlara gelebileceğini ölçen bir kavramdır7. Başka bir ifadeyle, bir kelimenin anlamsal belirsizliği ne kadar fazlaysa, semantik entropisi o kadar yüksek olacaktır. Bu durum, özellikle büyük dil modelleri gibi yapay zekâ sistemlerinin doğal dil işleme yetenekleri bağlamında büyük önem taşımaktadır. Zira bu modeller, metinleri işlerken kelimelerin veya cümlelerin potansiyel çoklu anlamlarını dikkate almak zorundadır. Dolayısıyla semantik entropi hem anlam çeşitliliğini hem de modelin yanıt üretimindeki tutarlılık düzeyini değerlendirmek için etkili bir ölçüttür.

B. Hukuki Bağlamda Semantik Entropi ve Anlamsal Belirsizlik

Hukukun temelde normatif bir düzen kurma amacı içermesi nedeniyle, kullanılan dilin ve terminolojisinin taşıdığı anlamın kesinliği önem arz etmektedir. Bir hukuk metninde yer alan bir kelimenin veya ifadenin birden fazla anlama gelebilme potansiyeli, yoruma açıklık derecesini doğrudan etkileyebilmekte ve hukuki belirsizliğe zemin hazırlamaktadır. Bu bağlamda semantik entropi kavramı hukuk dilindeki anlamsal belirsizliğin niceliksel bir ölçütü işlevi görebilir.

Yüksek entropi, sistemin daha az öngörülebilir olduğunu ve bilgi yoğunluğunun daha yüksek bir belirsizlik taşıdığını gösterir8. Örneğin “hak” kelimesi hukuk alanında farklı bağlamlarda çeşitli anlamlar taşıyabilmektedir:

(i) Subjektif anlamda, bireylere tanınan yetki ve menfaatleri ifade etmektedir. Mülkiyet hakkı, alacak hakkı gibi örnekler gösterilebilir.

(ii) Ahlaki anlamda ise, etik ve doğal hukuk ilkelerinden türeyen adil ve doğru olanı yapma talebini ifade etmektedir.

(iii) Yetki anlamında, bir kimsenin belirli bir hukuki işlemi yapabilme durumunu belirtmek için kullanılmaktadır. Sözleşmeyi feshetme hakkı, dava açma hakkı gibi örnekler verilebilir.

(iv) Soyut normatif bir ilke olarak hak ise, evrensel nitelikteki değerleri ifade etmektedir. Örneğin, insan hakları kavramı bireylerin sahip olduğu temel dokunulmazlık ve özgürlükleri temsil eder.

Bu örnekler ışığında “hak” kelimesinin yüksek entropiye sahip olduğu açıktır. Zira kelime bağlamına göre son derece farklı ve bazen çelişkili anlamlar taşıyabileceğinden, doğru anlamın tespit edilebilmesi için anlamsal bir analiz ve yorum faaliyeti gerekmektedir.

Semantik entropi, yalnızca kelime düzeyindeki olasılıkları değil, modelin aynı soruya verdiği farklı ama anlamca benzer yanıtları da dikkate alarak belirsizliği ölçer9. Bu sayede yapay zekâ sistemlerinin verdiği yanıtların ne derece anlam açısından tutarlı ve güvenilir olduğu değerlendirilebilir. Özellikle semantik entropi, modelin confabulation (uydurma) riski taşıyan cevaplarını ayırt etmede ve yüksek belirsizlik içeren sorulara yanıt vermeyi reddederek sistem güvenilirliğini artırmada etkili bir yöntem olarak öne çıkmaktadır10. Zira semantik entropi ile yapay zekâ destekli sistemlerde hukuki metinler işlenirken karşılaşılan belirsizlik tespit edilerek daha güvenli çıktıların sağlanması hedeflenmektedir11.

IV. Semantik Entropi ile YAPAY ZEKÂ SİSTEMLERİNDE Hukuki Belirsizliğin Yönetilmesi

Yapay zekâ sistemlerinin hukuk alanında kullanımının yaygınlaşması, beraberinde sadece teknik değil, aynı zamanda normatif güvenlik ve sorumluluk sorunlarını da gündeme getirmiştir. Bu bağlamda semantik entropi, LLM’lerin verdiği yanıtların anlamsal belirsizlik düzeyini ölçerek, özellikle confabulation (uydurma) üretme eğiliminde oldukları durumları önceden tespit etme yeteneği ile ön plana çıkmaktadır12. Nature (2024) çalışmasında ortaya konan bu yöntem, yapay zekânın yüksek riskli alanlardaki güvenliğini artırmak amacıyla geliştirilen ölçeklenebilir ve denetimsiz bir hata öngörü sistemi sunmaktadır.

Ancak bu yöntemin hukuk pratiğine ne ölçüde uygulanabileceğini değerlendirebilmek için, semantik entropinin yalnızca teknik bir ölçüt olmanın ötesinde, anlamsal ve normatif düzlemde nasıl işlediği ve hukuki belirsizlik durumlarında nasıl uygulanacağı ile yapay zekâ sistemlerinin “kara kutu” niteliği taşıyan doğasına nasıl açıklık getirdiği önem arz etmektedir.

A. Hukuki Belirsizliğe Uygulanabilirliği

Semantik entropi, modelin aynı soruya verdiği çoklu yanıtlar arasında anlamsal benzerlik ya da farklılıkları ölçerek, bu yanıtların öngörülebilirlik ve güvenilirlik düzeyini analiz eder. Buradaki temel varsayım, anlam düzeyinde tutarsızlık taşıyan cevapların, modelin o konuya ilişkin bilgi güvenini yansıttığıdır. Örneğin, “Fransa’nın başkenti nedir?” sorusuna “Paris”, “Fransa’nın başkenti Paris’tir” gibi yanıtlar verilmesi düşük entropi gösterirken; “En iyi hukuk fakültesi hangisidir?” sorusuna “Harvard”, “Oxford”, “Yale” gibi bağlamsal olarak farklı cevaplar üretilmesi yüksek entropi yaratır. Bu fark, yalnızca stilistik değil, semantik düzeyde bir belirsizliği ortaya koyar13.

Hukuki bağlamda yüksek semantik entropi, yorum farklılıklarının yoğun olduğu veya kavramsal tutarsızlıkların ortaya çıkabileceği durumlara işaret eder. Bu çerçevede geliştirilen iki temel strateji mevcuttur:

1. Yanıt Vermekten Kaçınma

Model, yüksek semantik entropiye sahip sorular karşısında yanıt üretmekten otomatik olarak kaçınabilir. Bu durum, yalnızca hatalı çıktıları azaltmakla kalmaz; aynı zamanda sistemin genel doğruluğunu ve öngörülebilirliğini artırır14. Nature (2024) çalışmasında bu strateji AURAC metriği ile ölçülmüş ve yapay zekânın, belirsizliği yüksek sorularda susmasının, cevap verdiği diğer sorulardaki doğruluk oranını anlamlı biçimde iyileştirdiği gösterilmiştir15.

2. Güven Skoru Entegrasyonu ve İnsan Odaklı Denetim

Semantik entropi değeri, LLM yanıtlarına bir güven skoru eşlik ettirilerek sunulabilir. Bu skor, kullanıcıya ilgili bilginin ne derece insan denetimi gerektirdiği konusunda ön bilgi sağlar. Özellikle hukuki karar destek sistemlerinde bu tür skorlar, kararların şeffaflığı ve denetlenebilirliği açısından önemli bir kontrol katmanıdır16.

B. Kara Kutu Sorunu ve Semantik Entropinin Açıklayıcı Rolü

Büyük dil modellerinin karar üretme süreçleri, milyarlarca parametreye dayalı kompleks yapıları nedeniyle genellikle insan denetimi açısından şeffaf değildir. Bu özellikleriyle yapay zekâ sistemleri “kara kutu” niteliği taşır. Modelin yüksek semantik entropi ile tutarsız veya hatalı bilgiler ürettiği durumlarda ise bu belirsizlik hali daha da derinleşmekte ve güvenilirlik sorunlarını beraberinde getirmektedir. Bu bağlamda yapay zekâ sistemlerinin ürettiği halüsinatif yanıtlar, yani gerçek dışı, bağlamdan kopuk veya uydurma içerikler, özellikle dikkatle yönetilmesi gereken bir risk alanı oluşturur. Nature (2024) çalışmasında da vurgulandığı üzere, bu tür halüsinasyonlar, genellikle modelin aynı soruya tutarsız ve rastgele yanıtlar vermesiyle ortaya çıkar. Bu içerikler, biçimsel olarak ikna edici olsa dahi, içerik açısından gerçeğe aykırı olabilir ve hukuki süreçlerde ciddi yanlış yönlendirmelere neden olabilir.

Hukuki alanda bu tür hatalar, sadece yanlış bilgi sunulmasıyla kalmayıp, telafisi zor sonuçlara yol açabilme riskini barındırmaktadır. Semantik entropi, bu noktada kara kutu içindeki anlamsal tutarsızlıkları ölçerek, sistemin kararlarının güvenilirliği konusunda kullanıcıya erken uyarı niteliğinde bir sinyal sağlar. Böylece, teknik olarak geçerli görünen fakat anlam bakımından sorunlu olan kararların ayırt edilmesini mümkün hâle getirmektedir.

İşte bu noktada semantik entropi, kara kutu niteliği taşıyan LLM sistemlerinin çıktılarında, anlamsal düzeyde meydana gelen çelişkileri, kopuklukları ve sapmaları görünür kılarak, sistemin olası halüsinasyon üretme eğilimlerini önceden tespit etmeye olanak tanır. Aynı soruya verilen yanıtlar arasında anlamca yüksek çeşitlilik gözlemlenmesi, modelin ilgili konuda bilgiye dayanmayan, keyfi üretim yaptığına işaret eder ve bu durum doğrudan confabulation kategorisine giren halüsinatif üretim biçimi olarak değerlendirilir. Özellikle hukuki metinlerin yorumu, içtihatların analizi veya normların somut olaya uygulanması gibi alanlarda ortaya çıkan bu tür anlam sapmaları, yalnızca teknik bir hata değil; aynı zamanda normatif sorumluluk doğurabilecek ciddi sonuçlara zemin hazırlar. Örneğin bir içtihat analizinde modelin yüksek entropiyle birbirinden farklı ve çelişkili gerekçeler sunması, aynı vakaya dair tutarsız hukuki çıkarımlar üretmesi, açık bir halüsinasyon belirtisidir. Bu yönüyle semantik entropi, yalnızca doğruluk ölçüm aracı değil; aynı zamanda anlamsal tutarlılık üzerinden halüsinatif üretimlerin denetlenmesi ve önlenmesi açısından işlevsel bir kontrol mekanizmasıdır. Halüsinasyonların hukuki süreçte yol açabileceği telafisi güç zararlar dikkate alındığında, bu yöntemin kullanımı, hukuki özen yükümlülüğünün dijital karşılığı olarak değerlendirilmeli ve özellikle insan denetiminin sınırlı olduğu yapay zekâ tabanlı karar sistemlerinde güvenilirliği artıran temel bir araç olarak benimsenmelidir.

V. SONUÇ

Semantik entropi, model çıktılarındaki anlam belirsizliklerini sistematik biçimde tanımlayarak, özellikle hukuki metinlerin yorumu, norm uygulaması ve içtihat aktarımı gibi bağlamsal hassasiyet taşıyan alanlarda, üretken yapay zekâ sistemlerinin sınırlarını görünür kılmaktadır. Aynı soruya verilen anlamsal olarak tutarsız yanıtlar, modelin bilgi temelli değil, istatistiksel tahminle üretim yaptığını gösterebilir. Bu bağlamda semantik entropi, anlam çeşitliliği üzerinden belirsizlik tespiti yaparak, kullanıcıya teknik bir uyarı işlevi sunmaktadır.

Ancak yöntemin sunduğu ölçüm, esas itibarıyla teknik bir gösterge olup, hukuki anlam taşıyan her belirsizliğin doğasını açıklamaya tek başına yeterli değildir. Zira hukuki belirsizlik, yalnızca dilsel çok anlamlılık veya kavramsal çeşitlilikten ibaret değildir; yorum farklılıkları, tarihsel içtihat bağlamı, hukukun temel ilkeleri ve toplumsal değerlerle kurulan ilişki gibi çok katmanlı yapılarla şekillenir. Bu yönüyle hukuki belirsizlik, teknik sistemlerin algılayabileceğinden daha derin bir düzeyde işlemektedir. Semantik entropi, yalnızca metinsel çıktılardaki semantik dalgalanmayı tespit eder; ancak bu dalgalanmanın hukuki sistemin bütünlüğü, içsel tutarlılığı ya da adalet nosyonu ile ne şekilde örtüştüğünü değerlendiremez.

Dolayısıyla semantik entropi, büyük dil modellerinin hukuki bağlamda ürettikleri içeriklerin değerlendirilmesine katkı sunabilecek bir ölçüt olarak dikkate alınabilir; ancak bu katkı, hukukun kendi kavramsal ve yorumsal derinliği içinde sınırlı bir görünürlük sunmakta, özellikle normatif değerlendirme gerektiren durumlarda tamamlayıcı açıklama kapasitesi taşımamaktadır. Belirsizliğin yalnızca teknik değil, aynı zamanda normatif bir problem olduğu düşünüldüğünde, salt anlamsal çeşitliliğe indirgenmiş ölçüm araçlarının hukuk alanında nihai belirleyici olarak kullanılması mümkün görünmemektedir. Çünkü hukuki kararlar yalnızca mantıksal tutarlılık temelinde değil; bağlam, adalet anlayışı, kamu yararı, anayasal değerler ve yorum yöntemleri gibi öğelere de dayanarak şekillenir. Bu tür katmanlı değerlendirme yapıları, teknik metriklerle tam olarak kapsanamayacak bir yorumsal alan yaratır.

Hukuki yorumun gerektirdiği içsel tutarlılık, bağlamsallık ve değer yargısı bileşenleri, mevcut teknik ölçüm sistemlerinin ötesinde, özgün hukuk metodolojisiyle değerlendirilmek durumundadır. Zira hukuk, sadece doğru-yanlış ayrımı üzerinden çalışan bir sistem değildir; aksine, çoğu zaman aynı metnin birden çok anlamlı ve makul yorumu olabilir. Bu nedenle, anlam çeşitliliği teknik olarak “belirsizlik” olarak sınıflandırılsa da, hukuki açıdan bu çeşitliliğin normatif bir meşruiyeti olabilir. İşte bu noktada semantik entropi gibi yöntemlerin, hukuki değerlendirme süreçlerinde destekleyici fakat sınırlı araçlar olduğu unutulmamalıdır. Nihayetinde, hukukî bağlamda anlam üretimi, yalnızca dilsel çözümlemeye değil, yorum ilkelerine, doktrinlere ve içtihatlarla gelişmiş normatif mantığa dayanır.