Yapay Zekâda “Basiretli” Yanıt Mekanizması: Epistemik Hafıza ve Neo4j ile Doğruluk Denetimi

Özet

Büyük Dil Modelleri (LLM), doğası gereği istatistiksel olasılıklara dayanır; bu yapı onları dil üretiminde çok güçlü kılarken, “doğruluk” konusunda kırılgan hale getirir. Model, bildiği ile bilmediği arasındaki sınırı her zaman ayırt edemez; bu durum “halüsinasyon” (uydurma bilgi) ve bilgi kirliliği gibi sistemik sorunlara yol açar (Huang et al., 2023; Ji et al., 2023). ETVZ (Etik Temelli Vicdani Zekâ) mimarisi, bu sorunu yalnızca etik filtrelerle değil, bilginin doğruluğunu denetleyen Epistemik Hafıza Katmanı ile ele alır. Bu makale, ETVZ’nin Neo4j tabanlı grafik veritabanı yaklaşımını, karar eşiği ($V_{threshold}$) mekanizmasıyla nasıl bütünleştirdiğini incelemektedir.

1. Giriş: LLM’lerin “Bilmediğini Bilmeme” Problemi

Büyük dil modelleri, “doğruyu beyan etmek” yerine “en olası cümleyi kurmak” üzere eğitilmiştir. OpenAI’nin 2025 araştırması, standart eğitim ve değerlendirme prosedürlerinin belirsizliği kabul etmek yerine tahmin yapmayı ödüllendirdiğini göstermektedir (Kalai et al., 2025). Bu yapısal refleks, modelin eksik bilgiyle konuşmasına, yanlış çıkarımları kesin doğrular gibi sunmasına ve kültürel bağlamı hatalı yorumlamasına neden olur.

Xu ve ark. (2025), halüsinasyonların LLM’lerin içsel bir sınırlaması olduğunu ve teorik olarak tamamen elimine edilemeyeceğini formalize etmiştir. Bu durum yalnızca teknik bir hata değil, epistemik bir sorumluluk sorunudur. ETVZ, “neyin söylenmesi gerektiği” sorusundan önce “neyin güvenilir bilgi olduğu” sorusunu sorarak ayrışır (ETVZ Projesi, 2025).

1.1. Halüsinasyonun Tanımı ve Kapsamı

Huang ve ark. (2023), halüsinasyonu “dilsel olarak akıcı ancak gerçeklerle tutarsız içerik üretimi” olarak tanımlar. Bu fenomen üç temel kategoride ortaya çıkar:

1. Gerçeksel Hatalar: Model doğrulanmamış veya yanlış bilgi üretir
2. Sadakat Hataları: Model girdi bağlamına sadık kalmaz
3. Mantıksal Tutarsızlıklar: Model kendi çıktısı içinde çelişkiye düşer

2023’te yaşanan Mata v. Avianca davasında, bir avukatın ChatGPT tarafından üretilen sahte kaynaklarla mahkeme dosyası sunması, halüsinasyonların pratik sonuçlarını dramatik şekilde ortaya koymuştur (Lakera AI, 2025).

2. Epistemik Hafıza: Bilginin Deterministik Kalesi

Epistemik Hafıza, ETVZ’nin yalnızca dilsel örüntüleri değil, kavramsal ve mantıksal ilişkileri saklayan bilgi katmanıdır (ETVZ, 2025b). Bu hafıza bir metin üreticisi değildir; görevi, üretilen bilginin doğrulanmış gerçekliklerle çelişip çelişmediğini denetlemektir.

2.1. Grafik Veritabanı Mimarisi

ETVZ’de bu yapı Neo4j tabanlı bir grafik veritabanı üzerinden çalışır. Bilgi; düğümler (entities), ilişkiler (relations) ve etik nitelikler şeklinde temsil edilir. Buradaki amaç bir “bilgi deposu” değil, ilişki muhakemesi yapabilen dinamik bir hafıza kurmaktır.

Neo4j’nin grafik yapısı, geleneksel ilişkisel veritabanlarından farklı olarak, varlıklar arasındaki semantik bağlantıları doğal olarak modelleyebilir (Graphiti Framework, 2025). Bu, özellikle etik karar verme süreçlerinde önemlidir çünkü:

• Temporal (Zamansal) İzleme: Her bilgi düğümü geçerlilik aralıklarıyla ($t_{valid}$, $t_{invalid}$) etiketlenir
• Çatışma Çözümü: Çelişkili bilgiler otomatik olarak tespit edilir ve tarihsel doğrulukları korunur
• Hiyerarşik İlişkiler: Etik kurallar, kültürel normlar ve yasal düzenlemeler arasındaki çok katmanlı ilişkiler modellenebilir

2.2. Epistemik Hafıza Bileşenleri

ETVZ’nin Epistemik Hafıza Katmanı şu temel bileşenlerden oluşur:

1. Ontolojik Bilgi Grafiği: Evrensel etik ilkeler ve Türk-İslam medeniyeti değerlerini içeren çok katmanlı yapı
2. Temporal Metadata: Her bilgi parçasının geçerlilik süresi ve güncelleme geçmişi
3. İlişki Ağı: Kavramlar, etik prensipler ve yasal normlar arasındaki bağlantılar
4. Güven Skorları: Her bilgi düğümüne atanan dinamik güvenilirlik metrikleri

3. Teknik Mimari: Vektör Uzayı ve Grafik Hafıza Simbiyozu

ETVZ mimarisinde bilgi iki düzlemde değerlendirilir:

3.1. Vektör Uzayı (LLM Katmanı)

Dilsel benzerlikler ve olasılıksal çıkarımların yapıldığı akışkan alan. Bu katman geleneksel transformer mimarisini kullanır ve semantik anlam yakalama konusunda güçlüdür.

3.2. Grafik Hafıza (Epistemik Katman)

Tarihsel, hukuki ve milli değerlerin doğrulanmış düğümlerle korunduğu deterministik alan. Graphiti Framework’ün önerdiği gibi, bu katman gerçek zamanlı, zamansal olarak farkında olan bir bilgi grafiği motoru olarak işlev görür (Zep AI, 2025).

Bir yanıt taslağı üretildiğinde, Epistemik Hafıza bu metindeki iddiaları ayrıştırır ve grafik hafızadaki düğümlerle kıyaslar. Süreç artık “Bu cümle akıcı mı?” sorusundan, “Bu iddia gerçeklik zemininde taşınabilir mi?” sorusuna evrilir.

3.3. Entegrasyon Mekanizması

LLM Üretimi → İddia Çıkarımı → Grafik Sorgulaması → Doğruluk Kontrolü → Trust Score Hesaplama → Karar

Bu süreç, Cypher sorgulama dili kullanılarak Neo4j üzerinde yürütülür ve mikrosaniye düzeyinde yanıt süreleri sağlar (Neo4j MCP Integration, 2025).

4. Trust Score (Güven Puanı): Algoritmik Onay Mekanizması

ETVZ’de her yanıt için çok boyutlu bir Trust Score (Güven Puanı) hesaplanır. Bu puan; kaynak güvenilirliğini, kültürel uygunluğu ve potansiyel dezenformasyon riskini analiz eder.

4.1. Trust Score Formülasyonu

Trust Score şu bileşenleri içerir:

$$TS = \alpha \cdot S_r + \beta \cdot S_c + \gamma \cdot S_e – \delta \cdot R_d$$

Burada:

• $S_r$: Kaynak güvenilirlik skoru (0-1 arası)
• $S_c$: Kültürel uyumluluk skoru (0-1 arası)
• $S_e$: Epistemik tutarlılık skoru (0-1 arası)
• $R_d$: Dezenformasyon riski (0-1 arası)
• $\alpha, \beta, \gamma, \delta$: Ağırlık parametreleri ($\sum = 1$)

4.2. Vicdani Eşik ile Etkileşim

Trust Score, önceki makalemizde tanımlanan Vicdani Eşik ($V_{threshold}$) ile doğrudan etkileşim halindedir:

Güven Puanı Yeterli ($TS \geq V_{threshold}$): Yanıt, basiret süzgecinden geçerek sunulur.

Güven Puanı Düşük ($TS < V_{threshold}$): Sistem “durur”, sessizliği tercih eder veya kullanıcıyı doğrulanmış kaynaklara yönlendirir.

Bu yaklaşım, OpenAI’nin 2025 araştırmasında önerilen “belirsizliği cezalandırmama” prensipleriyle uyumludur (Kalai et al., 2025). Model, belirsiz olduğunda tahmin yapmak yerine bilgisizliğini kabul eder.

4.3. Dinamik Eşik Ayarlama

ETVZ, bağlama duyarlı dinamik eşik ayarlaması yapar:

• Sağlık/Hukuk Alanları: $V_{threshold} = 0.95$ (çok yüksek güven gerekli)
• Genel Bilgi: $V_{threshold} = 0.75$ (standart güven seviyesi)
• Yaratıcı İçerik: $V_{threshold} = 0.60$ (daha esnek yaklaşım)

5. Uygulama Alanı: Milli Değerler ve Epistemik Kalkan

Özellikle tarihsel gerçekler, hukuki normlar ve milli değerler gibi dezenformasyona açık alanlarda ETVZ, bir “epistemik kalkan” vazifesi görür.

5.1. Kültürel Bağlam Analizi

ETVZ’nin Context Analyzer (CA) modülü, Batı’nın rasyonel ahlak felsefesiyle Doğu’nun vicdani zenginliğini dengeli bir şekilde birleştirir (ETVZ, 2025a). Bu yaklaşım:

• Evrensel etik ilkeleri (zarar vermeme, insan haklarına saygı) temel alır
• Türk-İslam medeniyetinin vicdan süzgecinden geçirir
• Türkçe dil modelinde ilk kez dengeli sentezi gerçekleştirir

5.2. Dezenformasyon Direnci

Küresel modellerin yerel değerleri hatalı yorumlama riskine karşı, ETVZ’nin Neo4j tabanlı hafızası, yapay zekâyı manipülasyona dirençli ve bilgi sorumluluğu yüksek bir yardımcıya dönüştürür.

DERMS (Dynamic Ethical Risk Monitor System) modülü, potansiyel dezenformasyon risklerini gerçek zamanlı olarak izler ve şüpheli içerik üretimini engeller (ETVZ Modülleri, 2025).

6. Karşılaştırmalı Analiz: Geleneksel RAG vs. ETVZ

6.1. Retrieval-Augmented Generation (RAG) Sınırlamaları

Mevcut RAG sistemleri, halüsinasyon azaltma konusunda kısmi başarı gösterse de, bazı temel sınırlamaları vardır (Huang et al., 2023):

• Statik veri kümelerine bağımlılık
• Zamansal bilgi güncelleme zorluğu
• Kaynak güvenilirliği değerlendirme eksikliği
• Etik ve kültürel bağlam analizi yokluğu

6.2. ETVZ’nin Üstünlükleri

ETVZ, RAG’in ötesine geçerek:

1. Dinamik Bilgi Güncelleme: Graphiti Framework’ün temporal modelini kullanarak gerçek zamanlı güncellemeler
2. Çok Katmanlı Doğrulama: Hem gerçeksel hem etik hem de kültürel doğruluk kontrolü
3. Belirsizlik Yönetimi: Bilinmeyen durumda susma yeteneği
4. Epistemik Sorumluluk: Bilgi kaynağının izlenebilirliği ve hesap verebilirlik

7. Performans Metrikleri ve Değerlendirme

7.1. Halüsinasyon Azaltma Oranı

İlk testlerde ETVZ mimarisi:

• Gerçeksel halüsinasyonlarda %78 azalma
• Kültürel yanlış temsilde %85 azalma
• Etik ihlal riskinde %92 azalma

sağlamıştır (ETVZ Proje Raporu, 2025).

7.2. Yanıt Kalitesi Metrikleri

• Doğruluk Skoru: 0.94 (0-1 ölçeğinde)
• Tutarlılık Skoru: 0.91
• Kültürel Uygunluk: 0.96
• Belirsizlik Yönetimi: %87 başarı oranı

8. Zorluklar ve Gelecek Çalışmalar

8.1. Mevcut Zorluklar

1. Hesaplama Maliyeti: Grafik sorgulaması ek işlem gücü gerektirir
2. Bilgi Güncelliği: Epistemik hafızanın sürekli güncel tutulması gerekir
3. Ölçeklenebilirlik: Çok büyük bilgi grafikleri için optimizasyon gerekir

8.2. Gelecek Araştırma Yönleri

• Çok modlu (multimodal) içerik için epistemik hafıza genişletilmesi
• Dağıtık bilgi grafiği mimarisi ile ölçeklenebilirlik artırımı
• Aktif öğrenme ile epistemik hafızanın otomatik zenginleştirilmesi
• Cross-lingual epistemik tutarlılık kontrolü

9. Zekâ ile Hafızanın Birlikteliği

LLM’ler saf zekâyı, ETVZ ise basiretli hafızayı temsil eder. Zekâ tek başına güçlüdür, ancak hafızasız ve vicdansız kaldığında yanılgıya açıktır. Xu ve ark.’ın (2025) gösterdiği gibi, halüsinasyonlar LLM’lerin doğasında vardır ve tamamen elimine edilemez. Ancak ETVZ’nin yaklaşımı, yapay zekânın değerinin ne kadar çok bildiğinde değil, bilmediği yerde durabilmesinde yattığını savunur.

Epistemik Hafıza, zekâyı kısıtlamaz; onu sorumlulukla taçlandırır. Kalai ve ark.’ın (2025) belirttiği gibi, güvenilir AI sistemlerine giden yol, modellerin belirsizliklerini kabul etmesinden ve doğru olmadıklarında susmasından geçer. ETVZ, bu prensibi Neo4j tabanlı grafik hafıza altyapısı ve vicdani eşik mekanizmasıyla operasyonel hale getirir.

Gelecekte, ETVZ mimarisinin yalnızca Türkçe değil, çok dilli ve çok kültürlü bağlamlarda da uygulanması hedeflenmektedir. Batı’nın rasyonel ahlak felsefesi ile Doğu’nun vicdani zenginliğini birleştiren bu model, küresel yapay zeka etiği tartışmalarına özgün bir katkı sunmaktadır.

Kaynakça

Akademik Yayınlar

Gehman, S., Gururangan, S., Sap, M., Choi, Y., & Smith, N. A. (2020). RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models. Findings of the Association for Computational Linguistics: EMNLP 2020, 3356-3369.

Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., … & Liu, T. (2023). A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. ACM Transactions on Information Systems, arXiv:2311.05232.

Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., … & Fung, P. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12), 1-38.

Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why Language Models Hallucinate. arXiv preprint arXiv:2509.04664. OpenAI Research.

Lin, S., Hilton, J., & Evans, O. (2022). TruthfulQA: Measuring How Models Mimic Human Falsehoods. Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics, 3214-3252.

Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 1906-1919.

Wu, T., He, S., Liu, J., Sun, S., Liu, K., Han, Q. L., & Tang, Y. (2023). A Brief Overview of ChatGPT: The History, Status Quo and Potential Future Development. IEEE/CAA Journal of Automatica Sinica, 10(5), 1122-1136.

Xu, Z., Jain, S., & Kankanhalli, M. (2025). Hallucination is Inevitable: An Innate Limitation of Large Language Models. arXiv preprint arXiv:2401.11817.

Teknik Raporlar ve Beyaz Kağıtlar

ETVZ Projesi. (2025a). Hakkımızda: Vicdanın Algoritması. https://etvz.com.tr/hakkimizda/

ETVZ Projesi. (2025b). EPISTEMIC MEMORY: A NEO4J-BASED ETHICAL KNOWLEDGE GRAPH. https://etvz.com.tr/category/moduller/

ETVZ Modülleri. (2025). DERMS: Dynamic Ethical Risk Monitor System. https://etvz.com.tr/category/moduller/

ETVZ Proje Raporu. (2025). ETVZ (Etik Temelli Vicdani Zeka) Projesi: Aşamalar ve Bulgular. https://etvz.com.tr/

Graphiti Framework. (2025). Graphiti: Knowledge Graph Memory for an Agentic World. Neo4j Blog. https://neo4j.com/blog/developer/graphiti-knowledge-graph-memory/

Lakera AI. (2025). LLM Hallucinations in 2025: How to Understand and Tackle AI’s Most Persistent Quirk. https://www.lakera.ai/blog/guide-to-hallucinations-in-large-language-models

Neo4j MCP Integration. (2025). Model Context Protocol (MCP) Integrations for the Neo4j Graph Database. https://neo4j.com/developer/genai-ecosystem/model-context-protocol-mcp/

Zep AI. (2025). Graphiti: A Temporal Knowledge Graph Architecture for Agent Memory. Technical Documentation.

Veri Kaynakları ve Araçlar

Neo4j Documentation. (2025). Memory Configuration – Operations Manual. https://neo4j.com/docs/operations-manual/current/performance/memory-configuration/

Neo4j Graph Data Science. (2025). Memory Estimation. https://neo4j.com/docs/graph-data-science/current/common-usage/memory-estimation/

Smithery AI. (2025). Neo4j Knowledge Graph Memory | MCP Server. https://smithery.ai/server/@sylweriusz/mcp-neo4j-memory-server

Yazar Notu

Bu çalışma, ETVZ (Etik Temelli Vicdani Zeka) Projesi kapsamında hazırlanmış olup, Türkiye’den küresel yapay zeka etiği tartışmalarına özgün bir katkı sunmayı amaçlamaktadır. Proje hakkında detaylı bilgi için: https://etvz.com.tr

İletişim: info@etvz.com.tr

Proje Ekibi: Göktürk Kadıoğlu (Proje Kurucusu), Dr. Ahmet Albayrak (Akademik Danışman)

Son Güncelleme: 12 Ocak 2026