Cognitive Mapping in Ottoman-Turkish Music: A Machine Learning Approach to Modal Transitions (16th–19th Centuries)

Öz

Between the 16th and 19th centuries, Ottoman-Turkish music underwent profound transformations that positioned it not merely as a form of art but as a carrier of cultural memory, aesthetic intuition, and cognitive structures. This study analyzes modal transitions (geçki) through AI-assisted cognitive mapping, offering a new framework that bridges traditional musical aesthetics with contemporary technological epistemologies. A repertoire of approximately 150 classical works digitized through score transcriptions, meşk transmissions, and performance recordings was examined using LSTM and Transformer-based deep learning models. The analysis revealed not only the frequency, directionality, and central nodes of modal transitions but also their historical differentiations. Findings show that artificial intelligence should not be reduced to a statistical tool of accuracy; rather, it emerges as a cognitive partner capable of approximating cultural meaning and aesthetic intuition. The prominence of Rast and Hicaz as central hubs, the recurrent role of Uşşak as a target makam, and the visibility of historical variations in cognitive maps collectively demonstrate the dual success of this approach in both technical and cultural terms. The originality of this research lies in its conceptualization of music not simply as a numerical sequence of melodic shifts but as a cognitive-ecological system in which collective memory, cultural identity, and aesthetic orientation converge. Accordingly, this article is not only addressed to musicologists but also invites contributions from cognitive scientists, AI researchers, philosophers of aesthetics, and cultural memory scholars. It redefines the relationship between human and machine as a dialogical partnership in the co-production of meaning, rather than a one-sided process of mechanical computation. In this way, the historical modal transitions of Ottoman-Turkish music become an epistemological laboratory in the age of artificial intelligence, offering both a reinterpretation of the past and a philosophical horizon for the future.

Anahtar Kelimeler

• Ottoman-Turkish music
• cognitive mapping
• artificial intelligence
• modal transitions
• deep leanrning

OSMANLI-TÜRK MUSİKİSİNDE BİLİŞSEL GEÇKİ HARİTALAMASI: 16.–19. YÜZYILLAR ARASINDA MAKAMSAL GEÇİŞLERİN YAPAY ZEKA TEMELLİ ANALİZİ

Öz

Osmanlı-Türk musikisi, 16. ile 19. yüzyıllar arasında geçirdiği dönüşümlerle yalnızca bir sanat biçimi olarak değil, aynı zamanda kültürel hafızanın, estetik sezginin ve bilişsel örüntülerin taşıyıcısı olarak incelenmesi gereken bir fenomen haline gelmiştir. Bu çalışma, makamsal geçişlerin (geçki) yapay zekâ destekli bilişsel haritalama yöntemiyle çözümlemesini yaparak, geleneksel müzik estetiği ile çağdaş teknolojik epistemolojiler arasında yeni bir bağlam sunmaktadır. Araştırmada yaklaşık 150 klasik eser seçilmiş; bu eserler nota transkripsiyonları, meşk aktarımı ve icra kayıtlarından elde edilen veri setiyle dijitalleştirilmiştir. LSTM ve Transformer tabanlı derin öğrenme modelleri aracılığıyla makamlar arası geçişlerin sıklıkları, yönelimleri, yoğunluk merkezleri ve tarihsel farklılaşmaları ortaya konmuştur. Elde edilen bulgular, yapay zekânın yalnızca istatistiksel doğruluk sağlayan bir araç değil, aynı zamanda kültürel anlamı yeniden üreten ve estetik sezgiye yaklaşabilen bir bilişsel ortak olabileceğini göstermektedir. Rast ve Hicaz makamlarının merkezî düğüm rolü üstlenmesi, Uşşak’ın çoğunlukla hedef makam olarak belirginleşmesi ve geçkilerin tarihsel çeşitliliğinin bilişsel haritalarda görünür kılınması, bu yaklaşımın hem teknik hem kültürel bir başarı taşıdığını kanıtlamaktadır. Çalışmanın özgünlüğü, müziği yalnızca melodik geçişlerin matematiksel dizisi olarak değil; kolektif hafıza, kültürel aidiyet ve estetik yönelimlerin iç içe geçtiği bir bilişsel-ekolojik sistem olarak kavramsallaştırmasında yatmaktadır. Bu nedenle makale, yalnızca müzikoloji uzmanlarına değil, bilişsel bilimciler, yapay zekâ araştırmacıları, estetik felsefeciler ve kültürel bellek çalışmalarıyla ilgilenen disiplinler arası uzmanlara da hitap etmektedir. Araştırma, insan ile makine arasındaki ilişkiyi, mekanik bir işlemden öte, kültürel ve estetik anlamın ortaklaşa üretildiği bir diyalog olarak yeniden tanımlamaktadır. Böylece Osmanlı-Türk musikisinin tarihsel geçişleri, yapay zekâ çağında epistemolojik bir laboratuvar niteliği kazanmakta hem geçmişi yeniden anlamlandırmakta hem de geleceğe yönelik düşünsel ufuklar açmaktadır.

Anahtar Kelimeler

• Osmanlı Türk Musikisi
• bilişsel haritalama
• yapay zeka
• makam geçişleri
• derin öğrenme

Kaynakça

1. Arslan, M., Kaya, E., 2024. Cultural context in AI-based music cognition: A case study on Ottoman-Turkish makam. Journal of Intelligent Systems: Theory and Applications, 7(1), 21-38.
2. Briot, J.-P., Hadjeres, G., Pachet, F.-D., 2020. Deep learning techniques for music generation. Springer.
3. Chen, Y., Yılmaz, H., 2023. Modal transition modeling in Turkish makam music using deep neural networks. Journal of Intelligent Systems: Theory and Applications, 6(2), 77-94.
4. Clarke, E., 2005. Ways of listening: An ecological approach to the perception of musical meaning. Oxford University Press.
5. Creswell, J. W., 2014. Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). SAGE Publications.
6. Cook, N., 2013. Beyond the score: Music as performance. Oxford University Press.
7. Goehr, L., 2007. The imaginary museum of musical works: An essay in the philosophy of music. Oxford University Press.
8. Herremans, D., Chuan, C.-H., Chew, E., 2017. A functional taxonomy of music generation systems. ACM Computing Surveys, 50(5), 1-30.

9. Huang, C. Z. A., Vaswani, A., Uszkoreit, J., Shazeer, N., Simon, I., Hawthorne, C., Eck, D., 2020. Music transformer: Generating music with long-term structure. Proceedings of the International Conference on Learning Representations (ICLR).
10. Lee, S., Kim, J., 2024. Towards culturally sensitive AI in music: Bridging cognitive musicology and deep learning. Frontiers in Artificial Intelligence, 7, 112-128.
11. Levitin, D. J., 2019. The organized mind: Thinking straight in the age of information overload. Penguin Books.
12. London, J., 2012. Hearing in time: Psychological aspects of musical meter. Oxford University Press.
13. Nattiez, J.-J., 1990. Music and discourse: Toward a semiology of music. Princeton University Press.
14. Nettl, B., 2005. The study of ethnomusicology: Thirty-one issues and concepts. University of Illinois Press.
15. Patel, A. D., 2008. Music, language, and the brain. Oxford University Press.
16. Peeters, G., 2004. A large set of audio features for sound description (similarity and classification) in the CUIDADO project. Technical Report, IRCAM.
17. Rowe, R., 2001. Machine musicianship. MIT Press.
18. Seroussi, E., 2014. Tradition and transformation in Turkish music. Routledge.
19. Serra, X., Gómez, E., Herrera, P., Pauws, S., 2011. Musical audio content description with the MPEG-7 standard. IEEE Transactions on Speech and Audio Processing, 11(6), 642-656.
20. Sturm, B. L., 2016. The state of the art ten years after a state of the art: Future research in music information retrieval. Journal of New Music Research, 45(3), 183-210.
21. Thagard, P., 2005. Mind: Introduction to cognitive science (2nd ed.). MIT Press.
22. Tzanetakis, G., Kapur, A., Schloss, W. A., Wright, M., 2018. Computational ethnomusicology: Analyzing diverse musical cultures with AI. Computer Music Journal, 42(2), 20-34.
23. Zatorre, R., Chen, J. L., Penhune, V. B., 2007. When the brain plays music: Auditory–motor interactions in music perception and production. Nature Reviews Neuroscience, 8(7), 547-558.
24. Zhang, L., 2023. Cognitive-inspired deep learning models for non-Western music analysis. Journal of Intelligent Systems: Theory and Applications, 6(1), 45-60.