Yapay Zekâ, Medyada Temsil ve Anlama Dair Sorunlar

Abstract

Bu çalışmada, yapay zekâ teknolojisinin medya ve iletişim disiplinleri üzerindeki dönüştürücü etkisi, özellikle gerçeklik, temsil ve müelliflik kavramları bağlamında derinlemesine analiz edilmektedir. Yapay zekâ uygulamalarının sinema, televizyon, gazetecilik ve reklamcılık gibi alanlarda üretim ve zaman açısından önemli kolaylıklar sağlamasına karşın, bu teknolojiyle geliştirilen metinlerdeki gerçeklik, temsil ve müelliflik sorunları temel problematiği oluşturmaktadır. Çalışmada sinema, sosyoloji, hukuk, psikoloji ve psikiyatri gibi farklı alanlardan uzmanlarla gerçekleştirilen derinlemesine mülakat yöntemi kullanılmıştır. Elde edilen bulgular, yapay zekânın mevcut gerçeklik algısını derinden sarsan yeni bir ontolojik duruma ve epistemolojik sarsıntıya yol açtığını göstermektedir. Yapay zekâ tarafından üretilen göstergeler, Ferdinand de Saussure’ün vurguladığı somut bir gösterilenden yoksundur. Ayrıca, bu göstergeler kendisine dahi göndermede bulunmadığından, Jacques Derrida’nın différance kavramının öngördüğü çağrışımsal dönüşümü engellemektedir. Roland Barthes’in gösterilenden bağımsız, içi boşalan göstergeler vurgusunu teyit eden bu durum, anlam alanını nihilizmin kökeninde yer alan Nichts/hiç merkezli bir boşluğa sürükleme riskini taşımaktadır. Bu bağlamda, ortaya çıkan durum, Baudrillard’ın bahsettiği, hakikat ile kurmaca arasındaki ilişkinin ortadan kalktığı bir hipergerçeklik olarak nitelendirilmektedir. Çalışma sonucunda, geleneksel müellif-eser-anlam üçgeninin yapay zekâ araçlarıyla köklü biçimde dönüştüğü, üretici otoritenin ise tekil özneden çıkarak prompt yazarı ve veri kümeleri arasında dağıtık, hibrit bir yapıya dönüştüğü temel sonucuna ulaşılmıştır. Yapay zekânın kendi çıktısını tekrar girdi olarak kullanması ihtimali, temsiliyet ve anlam üretiminde kısır döngü riski yaratmakta, bu durum çeşitliliğin azalmasına ve anlamsal dejenerasyona yol açabilmektedir. Bu dönüşümün yıkıcı bir tektipleşmeye ve hakikat algısının çözülüşüne evrilmemesi ise eleştirel insan müdahalesine ve disiplinlerarası bir etik çerçeveye bağlıdır.

Keywords

• Yapay Zekâ
• Temsil Sorunu
• Göstergebilim
• Müelliflik
• Hibrit Kültür
• Nihilizm
• Algoritmik Önyargı

Problems of Representation and Meaning in AI-Mediated Texts

Abstract

This study deeply analyzes the transformative impact of artificial intelligence technology on media and communication disciplines, particularly in the context of concepts such as reality, representation, and authorship. While AI applications offer significant advantages in terms of production and time efficiency in fields like cinema, television, journalism, and advertising, the fundamental problem lies in the issues of reality, representation, and authorship within texts developed using this technology. The study utilizes in-depth interview methods with experts from diverse fields, including cinema, sociology, law, psychology, and psychiatry. The findings show that artificial intelligence has led to a new ontological situation and epistemological upheaval that profoundly shakes our current perception of reality. The signs produced by artificial intelligence lack the concrete signifier emphasized by Ferdinand de Saussure. Furthermore, since these signs do not even refer to themselves, they prevent the associative transformation envisioned by Jacques Derrida’s concept of différance. This situation, which confirms Roland Barthes' emphasis on deconstructed, empty signs independent of the signified, risks dragging the field of meaning into a Nichts /nothing -centered void at the root of nihilism. In this context, the resulting situation is characterized as a hyperreality, as Baudrillard described, where the relationship between truth and fiction disappears. The study reveals that artificial intelligence fundamentally transforms the traditional “author-work-meaning” triad, while productive authority shifts from a singular subject to a distributed structure shared between prompt writers and data sets. The possibility of AI reusing its own outputs as inputs creates the risk of a recursive loop in representation and meaning production, potentially leading to a reduction in diversity and semantic degeneration. Preventing this transformation from evolving into destructive homogenization and the erosion of the perception of truth depends on critical human intervention and the development of an interdisciplinary ethical framework.

Keywords

• Artificial Intelligence
• Problem of Representation
• Semiotics
• Authorship
• Hybrid Culture
• Nihilism
• Algorithmic Bias

References

1. Akay, H. (2017). Anlamın çağrısı: Kuramlar ve okuma biçimleri üzerine. Şule Yayınları.
2. Akman, V., & Surav, M. (1996). Steps toward formalizing context. AI Magazine, 17(3), 55–72.
3. Arf, C. (1959). Makine düşünebilir mi ve nasıl düşünebilir? Atatürk Üniversitesi Üniversite Çalışmaları Dergisi, (1), 91–103. http://www.mbkaya.com/hukuk/cahit-arf-makine-dusunebilir-mi-orjinal.pdf
4. Barthes, R. (2022). Göstergeler imparatorluğu (T. Yücel, Çev.). Yapı Kredi Yayınları. (Orijinal eser 1970'te yayımlanmıştır)
5. Baudrillard, J. (2011). Simülakrlar ve simülasyon (O. Adanır, Çev.). Doğu Batı Yayınları. (Orijinal eser 1981'de yayımlanmıştır)
6. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
7. Chandler, D. (2007). Semiotics: The basics (2nd ed.). Routledge.
8. Coşkun, F., & Gülleroğlu, H. D. (2021). Yapay zekânın tarih içindeki gelişimi ve eğitimde kullanılması. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 54(3), 947–966. https://doi.org/10.30964/auebfd.916220

9. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
10. Derrida, J. (1997). Of grammatology (Corrected ed.). Johns Hopkins University Press.
11. Derrida, J. (2001). Writing and difference. Routledge.
12. Ellul, J. (1998). The technological bluff. Eerdmans.
13. Gelenbe, E. (1989). Random neural networks with negative and positive signals and product form solution. Neural Computation, 1(4), 502–510. https://doi.org/10.1162/neco.1989.1.4.502
14. Genosko, G. (2002). McLuhan and Baudrillard: The masters of implosion. Routledge.
15. Kafkasyalı, K. H. (2025, Temmuz). Yapay zekâ: Tarihsel evrimi, etik temelleri ve toplumsal yansımalar. Lean Institute Turkey. https://www.lean.org.tr/wp-content/uploads/Yapay_Zeka_Ak_14_07_2025.pdf
16. Kaya Erdem, B. (2021). Yapay zekânın medya ve yayıncılık alanına etkisi. TRT Akademi, 6(13), 896–903. https://doi.org/10.37679/trta.1002525
17. Küçükalkan, G. (2017). Anlamın yapısökümü: Haberi Derrida’dan okumak (Yayımlanmamış doktora tezi). Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü. https://tez.yok.gov.tr/UlusalTezMerkezi/
18. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
19. Newell, A., & Simon, H. A. (1956). The logic theory machine: A complex information processing system. IRE Transactions on Information Theory, 2(3), 61–79. https://doi.org/10.1109/TIT.1956.1056797
20. Özkan, S. (2004). Nietzsche: Kaplan sırtında felsefe. Ötüken Yayınları.
21. Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann.
22. Pirim, H. (2006). Yapay zekâ. Yaşar Üniversitesi E-Dergisi, 1(1), 81–93. https://doi.org/10.19168/jyu.72783
23. Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/h0042519
24. Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3(3), 210–229. https://doi.org/10.1147/rd.33.0210
25. Sarı, U. (2021). Cahit Arf’ın “Makine düşünebilir mi ve nasıl düşünebilir?” adlı makalesi üzerine bir çalışma. TRT Akademi, 6(13), 812–833. https://dergipark.org.tr/tr/pub/trta/issue/65181/962940
26. Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433
27. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008. https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
28. Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292. https://doi.org/10.1007/BF00992698
29. Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X