Alaturka Maarif Modeli Serisi – 5

DLT-Edu LLM: Okuma Önceliği, Çekirdek Dil ve Alaturka Kavram Haritaları

Kaşgarlı’dan Yapay Zekâ Çağına: Kelime, Kök, Lehçe, Boy, Coğrafya, Meslek, Edep ve Ürün Ontolojisi Üzerinden Alaturka Semantik Eğitim Motoru

Yazar Notu

Bu metin klasik akademik makale formatında kurulmuş dar bir literatür incelemesi değildir. Alaturka Maarif Modeli’nin beşinci halkası olarak bir paradigma manifestosu, mimari öneri ve pilotlanabilir semantik protokol taslağıdır. Görevi yalnız eğitimde yapay zekâ kullanımı hakkında görüş bildirmek değil; yapay zekâ çağında dil, kavram, anlam, okuma, veri, norm ve ürün temsilinin nasıl yeniden kurulacağını tartışmaktır.

Metnin temel tezi şudur: Yapay zekâ çağında asıl kriz bilgiye erişim krizi değil, anlam, kavram ve bağlam krizidir. Büyük dil modelleri metin üretir; fakat kavramların tarihî, fıkhî, tasavvufî, meslekî ve medeniyet katmanlarını düzleştirme riski taşır. Bu nedenle Alaturka Maarif Modeli’nin yapay zekâ ayağı sıradan bir sohbet robotu değil, kaynaklı, çok dilli, insan denetimli, kavram merkezli ve pedagojik olarak sürtünmeli bir semantik eğitim motoru olmalıdır.

Bu metin aynı zamanda serinin ilk dört makalesine yöneltilen uygulanabilirlik, hukukî uyum, KOBİ adaptasyonu, dijital altyapı maliyeti, tokenizasyon riski ve tarihsel idealizm eleştirilerini dikkate alan bir cevap halkasıdır. Burada amaç, söz konusu eleştirileri dışarıdan gelen itirazlar olarak reddetmek değil; onları Alaturka Maarif Modeli’nin mimari katmanları içine yerleştirmektir. Çünkü bir modelin kuvveti, yalnız kurucu iddiasında değil, kendisine yöneltilen haklı soruları kendi bünyesinde işleyebilme kabiliyetinde ortaya çıkar.

Bu nedenle beşinci makale, AhiLab 5.0 veya GTİP TOKEN modelini doğrudan büyütme ve ülke çapında uygulama iddiasıyla değil; önce dil, kavram, veri, norm, ürün ve meslek adlandırmasını doğrulayacak semantik altyapının kurulması gerektiği teziyle ilerlemektedir. DLT-Edu LLM bu noktada bir sohbet robotu, otomatik fetva makinesi, kapalı ideolojik eğitim modeli veya spekülatif token platformu değildir. O, önceki dört makalede kurulan insan, bilgi, norm ve üretim mimarisine kavram güvenliği, kaynak şeffaflığı, ürün dili, çok dilli hizalama ve insan/şura denetimi sağlayacak semantik eğitim motorudur.

Özet

Bu makale, Alaturka Maarif Modeli başlıklı altı makalelik serinin beşinci metni olarak, eğitimde yapay zekâ meselesini dil, kavram, okuma, anlam, etimolojik tahkik, veri tasfiyesi ve semantik modelleme ekseninde ele almaktadır. Serinin ilk dört makalesinde schooling’in person/personel üreten yapısı, medrese bilgi ağı, dijital içtihat ve AhiLab 5.0 modeli kurulmuştu. Bu beşinci makale, bütün bu mimarinin dil ve kavram omurgasını inşa etmektedir.

Makalenin temel iddiası şudur: Büyük dil modelleri, istatistiksel kelime işleme ve metin üretme bakımından güçlüdür; ancak kavramların tarihî derinliğini, çok dilli dolaşımını, fıkhî ve tasavvufî bağlamını, meslekî kullanımını ve toplumsal karşılığını düzleştirme riski taşır. Edep’in etiquette, emanet’in custody, icazet’in certificate, meleke’nin skill, fütüvvet’in chivalry olarak karşılanması, teknik tercüme bakımından kısmen yararlı olsa da Alaturka Medeniyet Havzası’ndaki anlam katmanlarını tam olarak taşımaz.

Bu noktada Dîvânu Lugâti’t-Türk yalnız tarihî bir sözlük değil, kelimeyi kök, lehçe, boy ilişkisi, coğrafya, örnek, şiir, atasözü ve harita ile birlikte ele alan erken dönemli bir dil-veri ontolojisi ilhamı olarak okunabilir. Buradaki “ontoloji” ifadesi, DLT’nin modern bilgisayar ontolojisi olduğu anlamına gelmez; Kâşgarlı’nın yöntem aklının bugünkü bilgi grafı, metadata, çok dilli hizalama ve semantik eğitim motoru tasarımına ilham verebileceğini ifade eder.12

Makalenin çağdaş önerisi DLT-Edu LLM modelidir. Bu model, sıfırdan devasa bir foundation model eğitme iddiasından önce, mevcut güçlü dil modelleri üzerine kurulan; akredite korpus, RAG, bilgi grafı, Alaturka Kavram Kartı, müsta‘mel–mühmel veri filtresi, cinsiyet ve kapsayıcılık denetimi, açık kürasyon, insan/şura denetimi ve normatif çeviri motoruyla çalışan bir Alaturka Semantik Eğitim Motoru olarak tasarlanmalıdır.

Anahtar Kelimeler: DLT-Edu LLM, Dîvânu Lugâti’t-Türk, Kâşgarlı Mahmud, Alaturka Semantik Eğitim Motoru, Etimolojik Tahkik, Kavram Kartı, Müsta‘mel, Mühmel, Türkçe LLM, RAG, Bilgi Grafı, Okuma Önceliği, Normatif Çeviri Motoru, Yapay Zekâ ve Eğitim,

 

1. Giriş: Yapay Zekâ Çağında Asıl Kriz Bilgi Değil, Anlam Krizidir

Yapay zekâ çağında eğitim tartışmaları çoğu zaman bilgiye erişim, dijital içerik, kişiselleştirilmiş öğrenme, otomatik ölçme-değerlendirme, öğrenme analitiği, öğretmen destek sistemleri ve üretken yapay zekâ araçları üzerinden yürütülmektedir. Bu başlıklar önemlidir; fakat eğitim krizinin en derin katmanını açıklamakta yetersizdir. Bugünün öğrencisi bilgiye ulaşmakta değil; ulaştığı bilgiyi anlamlandırmakta, kaynak değerini ayırt etmekte, kavramların sınırını görmekte ve kendi cümlesini sorumlulukla kurmakta zorlanmaktadır.

Üretken yapay zekâ, metin yazmayı tarihte hiç olmadığı kadar kolaylaştırmıştır. Bir öğrenci birkaç komutla özet, rapor, makale, sunum, tartışma metni veya cevap üretebilir. Fakat metnin üretilmesi, anlamın edinildiği anlamına gelmez. Hatta çok sayıda düzgün cümle üretimi, kavram yoksulluğunu gizleyebilir. UNESCO’nun üretken yapay zekâ rehberi, bu teknolojilerin eğitimde insan merkezli ve etik çerçevede düzenlenmesi gerektiğini vurgularken, asıl sorunun yalnız teknolojiye erişim değil, eğitimsel amaç ve insan denetimi olduğunu hatırlatır.3

Alaturka Maarif Modeli açısından mesele daha da derindir. Talim, terbiye, te’dib, edep, emanet, icazet, meleke, fütüvvet, ahilik, şura, vakıf, sülûk, irfan ve hizmet gibi kavramlar yalnız sözlük karşılıklarıyla taşınamaz. Bu kavramlar tarihî, fıkhî, tasavvufî, meslekî, coğrafî ve toplumsal anlam katmanları taşır. Bir kavramın modern İngilizce veya teknik karşılığını bulmak, o kavramın medeniyet içindeki işlevini taşımaya yetmez.

Bu makalenin kurucu cümlesi şudur: Kelime yalnız token olarak ele alınamaz; kelime anlam evreninin düğümüdür. Token, modelin işlem birimi olabilir; fakat kavramın medeniyet içindeki yerini, tarihî hafızasını, ahlakî sınırını, meslekî kullanımını ve normatif sonuçlarını tek başına taşıyamaz. DLT-Edu LLM, bu nedenle kelimeyi yalnız istatistiksel yakınlıkla değil, kök, bağlam, kaynak, kullanım, meslek, norm, coğrafya ve ürün ilişkisiyle modellemeyi teklif eder.

Bu yaklaşım, büyük dil modellerinin imkânını reddetmez. Aksine, onları Alaturka kavram terbiyesiyle tamamlamayı önerir. Yapay zekâ sistemi metin üretebilir; fakat öğrenciye metni okutacak, kavramı ayıracak, kaynakları gösterecek, anlam kaymasını fark ettirecek, karşı görüşleri listeleyecek, normatif sınırı gösterecek ve nihai kararı insan/müderris/usta/şura denetimine bırakacak bir semantik eğitim motoruna ihtiyaç vardır.

2. Serideki Yeri: Talim-Terbiye 5.0’dan DLT-Edu LLM’e

Altı makalelik Alaturka Maarif Modeli serisinde bu beşinci metin, serinin kavram ve dil omurgasını kurmaktadır. Birinci makale, modern schooling modelinin person/personel üreten yapısına karşı öğrenim–edinim–eğitim üçlemesini savunmuştu. İkinci makale, medreseyi kitap, hoca, halfe, muîd, müzakere, münazara ve icazet üzerinden çalışan bilgi ağı olarak yeniden okumuştu. Üçüncü makale, fütüvvetnâme, şura ve dijital içtihat laboratuvarı üzerinden çok fıkıhlı normatif modeli kurmuştu. Dördüncü makale ise Ahiliği üretim içinde eğitim, AhiLab 5.0, dijital şed ve proof of skill modeli olarak somutlaştırmıştı.

Bu beşinci makale, bu katmanların tamamını birbirine bağlayan şu soruya cevap arar: Öğrenim hangi kavramlarla kurulur? Medrese hangi metinleri nasıl okutur? İçtihat hangi kavram tasfiyesiyle yapılır? Ahilik hangi meslek diliyle üretimi ve icazeti tanımlar? Kervansaray 5.0 hangi ürün, pazar ve coğrafya ontolojisiyle çalışır?

DLT-Edu LLM bu yüzden sıradan bir “Türkçe yapay zekâ” uygulaması değildir. O, Türkçe çekirdekli fakat çok dilli; kavram merkezli fakat uygulama odaklı; tarihî metinlere bağlı fakat çağdaş teknik standartlarla konuşan; insan denetimli ve kaynak şeffaflığına dayalı bir semantik eğitim motorudur.

Seri Bileşeni Ana İşlev DLT-Edu LLM ile İlişkisi
Talim-Terbiye 5.0 İnsan ve öğrenme ontolojisi Okuma önceliği ve kavram edinimi zemini
Nizamiye 5.0 Kitap, hoca, halfe ve icazet ağı Akredite korpus, kavram kartı ve kaynaklı okuma
Dijital İçtihat Laboratuvarı Norm, şura ve çok fıkıhlı akıl Normatif çeviri motoru ve kavram eşleştirme
AhiLab 5.0 Üretim içinde eğitim ve proof of skill Meslek sözlüğü, ürün dili ve beceri ontolojisi
DLT-Edu LLM Dil, kavram ve semantik eğitim motoru Bu makalenin ana konusu
Kervansaray 5.0 Pazar, ürün, coğrafya ve dijital ikiz GTİP/HS, ürün pasaportu ve kervansaray bilgi grafı

2.1. İlk Dört Makaleye Gelen Eleştiriler ve Beşinci Makalenin Cevap Noktası

Serinin ilk dört makalesine yöneltilen temel eleştiriler beş başlıkta toplanabilir: tarihsel Ahilik ve fütüvvet ahlakının bugünkü serbest piyasa koşullarıyla nasıl uzlaştırılacağı; AhiLab 5.0’ın ülke çapında uygulanmasının çok büyük dijital altyapı gerektireceği; KOBİ ve küçük esnafın Web3, blokzincir, dijital ürün pasaportu ve yapay zekâ tabanlı sistemlere adaptasyonunun zor olacağı; GTİP TOKEN benzeri bir modelin uluslararası ticaret hukuku, gümrük mevzuatı ve mevcut akreditasyon sistemleriyle uyumunun belirsiz kalabileceği; nihayet modelin felsefî olarak güçlü, fakat pratikte fazla idealist kalabileceği.

Bu eleştiriler modelin reddi değil, onun olgunlaşma güzergâhıdır. Çünkü Alaturka Maarif Modeli’nin iddiası, tarihî kurumları bugüne aynen taşımak değildir. Amaç; medrese, ahilik, fütüvvetnâme, icazet, emanet, şura, pazar ve kervansaray gibi kurumların işlevsel aklını yapay zekâ, veri, ürün pasaportu, meslekî portfolyo, dijital icazet, kalite kanıtı ve çok dilli kavram haritası üzerinden çağdaş bir mimariye tercüme etmektir.

Beşinci makale bu nedenle doğrudan “ülke çapında AhiLab ağı nasıl kurulur?” veya “GTİP TOKEN hangi mevzuatla yürürlüğe girer?” sorusundan başlamaz. Daha temel bir sorudan başlar: Böyle bir modelin kelimeleri, kavramları, meslek adları, ürün sınıfları, normatif karşılıkları ve dijital veri alanları hangi semantik zeminde doğrulanacaktır? Çünkü kavram yanlış kurulursa sistem de yanlış kurulur. “İcazet” yalnız certificate, “emanet” yalnız custody, “meleke” yalnız skill, “fütüvvet” yalnız craft ethics, “şed” yalnız badge, “GTİP” yalnız kod, “token” yalnız finansal varlık olarak anlaşılırsa model kendi medeniyet omurgasını kaybeder.

DLT-Edu LLM’in görevi tam burada başlar. Bu motor, önceki makalelerdeki insan, bilgi, norm ve üretim katmanlarını birbirine bağlayan kavram denetim mekanizmasıdır. AhiLab 5.0’ın hukuka, meslekî eğitime, KOBİ gerçekliğine, ürün standardına ve uluslararası ticaret diline uyum sağlayabilmesi için önce kavramların ve ürün dilinin doğru hizalanması gerekir. Beşinci makale, bu hizalamanın semantik protokolünü teklif etmektedir.

3. Okuma Önceliği: AI ile Yazdırma Refleksine Karşı Tahkik Refleksi

Alaturka öğrenim modelinde okuma, yalnız harf çözme faaliyeti değildir. Okuma; ses, lafız, mana, hafıza, dikkat, ritim, kaynak ve bağlam terbiyesidir. Tarihî tecrübede okuma bilmek ile kâtiplik, müstensihlik, hattatlık veya resmî kayıt ehliyeti aynı şey değildir. Yazı, kayıt ve inşa sorumluluğu gerektiren daha ileri bir faaliyettir.

Yapay zekâ çağında bu ayrım yeniden önem kazanmıştır. Üretken yapay zekâ, yazı üretimini kolaylaştırmıştır; fakat bu kolaylık öğrencinin okuma, anlama, tahkik etme ve kendi cümlesini kurma süreçlerini zayıflatabilir. Öğrenci metni üretmeden önce metni okumalı, kavramı ayırt etmeli, kaynağı kontrol etmeli ve neyi niçin söylediğini bilmelidir.

Burada savunulan okuma önceliği, yazıyı dışlamak değildir. Aksine yazıyı daha sorumlu ve daha güçlü hâle getirmek için, otomatik metin üretiminden önce anlamı içselleştirme sürecini öncelemektir. Yazma eğitimi elbette gereklidir; ancak AI çağında yazma eğitimi artık “metin üret” komutundan ibaret olamaz. Öğrenci AI tarafından üretilen metni okumalı, kaynaklarını sormalı, yanlışlarını bulmalı, anlam kaymalarını işaretlemeli ve kendi gerekçeli metnini yeniden kurmalıdır.

DLT-Edu LLM’in arayüzü bu nedenle sürtünmeli pedagojik tasarıma sahip olmalıdır. Sistem, öğrenciye ilk aşamada hazır kompozisyon vermemeli; önce kavram kartı, kaynakça, anlam kayması uyarısı, karşı görüş, soru listesi ve tahkik görevi üretmelidir. Öğrenci, kaynak kontrolü yapmadan nihai metin alamamalıdır. Bu tasarım ilkesi, AI ile yazdırma refleksine karşı tahkik refleksi oluşturur.

3.1. Yapay Zekâ Çağında Yazma Eğitimi

Yazma eğitiminin amacı artık yalnız düzgün cümle kurmak değildir. Öğrenci, AI tarafından üretilmiş bir metni de denetleyebilecek kavram bilincine sahip olmalıdır. Bu yüzden yazma eğitimi dört aşamalı kurgulanabilir: okuma, tahkik, yeniden kurma ve şahsî cümle. İlk aşamada öğrenci metni okur. İkinci aşamada kaynak, kavram ve bağlam kontrolü yapar. Üçüncü aşamada AI çıktısını düzeltir veya yeniden yapılandırır. Dördüncü aşamada kendi görüşünü gerekçelendirir.

Bu yaklaşım öğrenciyi AI’a bağımlı kılmaz; AI’ı öğrencinin okuma ve düşünme sürecinde yardımcı araç hâline getirir. Öğrenci “AI bana metin yazsın” yerine “AI bana hangi kavramları kontrol etmem gerektiğini göstersin” tavrını öğrenir. DLT-Edu LLM’in farkı burada doğar.

4. Dîvânu Lugâti’t-Türk’ün Tarihî Yeri ve Yöntemsel İlhamı

Dîvânu Lugâti’t-Türk, Türk dili ve kültür tarihi açısından kurucu metinlerden biridir. TDV İslâm Ansiklopedisi eseri, Kâşgarlı Mahmud tarafından Araplara Türkçeyi öğretmek ve Türkçenin zenginliğini göstermek amacıyla yazılan ilk Türk dili sözlüğü olarak tanımlar.1 Kâşgarlı Mahmud maddesi ise onu XI. yüzyılda yaşamış, Dîvânü Lugāti’t-Türk’ün müellifi ve en eski Türk dili araştırmacısı olarak kaydeder.2

Dîvânu Lugâti’t-Türk’ü yalnız sözlük olarak okumak, eserin yöntemsel derinliğini daraltır. Eserde kelime çoğu zaman karşılık, kullanım, lehçe farkı, boy ilişkisi, şiir, atasözü ve coğrafya bağlamıyla birlikte görünür. Bu nedenle DLT, bir kelime listesinden çok daha fazlasıdır: dilin topluluk, mekân, hafıza ve kullanım içindeki dolaşımını gösterir.

DLT-Edu LLM’in Kâşgarlı’dan aldığı şey, tarihî metni bugüne aynen taşımak değil; kelimeyi hayatın içinden okuma yöntemidir. Kelime, metinde cansız bir işaret değildir. Kelime; topluluk, coğrafya, meslek, eylem, atasözü, şiir, örf ve düşünme biçimiyle ilişkili bir anlam düğümüdür. Bu yaklaşım, modern yapay zekâ sistemlerinde bilgi grafı, metadata, çok dilli hizalama ve kaynaklı cevap üretimi için güçlü bir ilham sunar.

Bu metinde DLT’ye yapılan atıf, filolojik bir neşir çalışmasının yerine geçmez. DLT-Edu LLM’in prototip aşamasında Dankoff-Kelly neşri, Clauson sözlüğü, Ercilasun-Akkoyunlu neşri, Besim Atalay çevirisi ve tıpkıbasım gibi kaynaklar arasında çapraz kontrol yapılmalıdır.456

5. Ontoloji Kavramı: Felsefî Anlam, Teknik Anlam ve DLT İlhamı

Makale boyunca “ontoloji” kelimesi iki düzeyde kullanılmaktadır. Birinci düzey felsefîdir: Bir kavramın varlık, anlam ve insan tasavvuru içindeki yerini ifade eder. İkinci düzey tekniktir: Bilgisayar biliminde kavramların, varlıkların ve ilişkilerin formel, makinece işlenebilir biçimde modellenmesini ifade eder. Gruber’in ontoloji tanımı, kavramsallaştırmanın formel tanımı olarak bu teknik bağlamı temsil eder.7

Kâşgarlı Mahmud modern teknik anlamda bir ontology engineer değildir. DLT de bilgisayar bilimi anlamında makinece işlenebilir bir ontology specification değildir. Ancak Kâşgarlı’nın kelimeyi çok katmanlı bağlamıyla ele alma yöntemi, DLT-Edu LLM için bir bilgi grafı ilhamıdır. Bu ayrım önemlidir. Aksi hâlde metin anakronizmle suçlanabilir.

Bu nedenle DLT-Edu LLM’in hedefi, DLT’yi doğrudan modern teknik ontoloji ilan etmek değil; DLT’nin yöntemsel aklını bugünün formel kavram haritalarına dönüştürmektir. Kelime, kök, lehçe, boy, coğrafya, örnek kullanım ve kültürel hafıza teknik düzeyde ayrı veri alanlarına dönüştürülebilir. İnsanî anlamlandırma sistemi, makinece işlenebilir bilgi grafına tercüme edilir; fakat bu tercümenin sınırlı olduğu her zaman belirtilir.

6. Kâşgarlı Modelinin Modern AI Karşılıkları

Kâşgarlı’nın kelimeyi bağlam içinde işleme yöntemi, modern yapay zekâ mimarisinde bir dizi karşılığa sahiptir. Bu karşılıklar birebir özdeşlik değil, işlevsel tercümedir.

DLT Unsuru Modern AI Karşılığı Eğitimsel Anlam
Kelime / madde başı Lemma / token Sözlük karşılığını aşan kavram düğümü
Kök ve yapı Morfolojik çözümleme Kelimenin üretim ve türeme mantığını gösterme
Lehçe farkı Dialect metadata Dil içi çeşitliliği ve ağız farklarını koruma
Boy bilgisi Ethnolinguistic metadata Topluluk ve kullanım bağlamını görünür kılma
Coğrafya Geospatial metadata Kelimenin mekânsal dolaşımını gösterme
Örnek kullanım Contextual evidence Anlamın cümle içindeki görünümünü öğretme
Şiir / atasözü Cultural corpus Kavramın kültürel hafıza ve irfan katmanı
Harita GIS / spatial knowledge graph Medeniyet havzasının mekânsal modeli
Arapça açıklama Cross-lingual semantic mapping Türkçe çekirdek ile Arapça ilim dili arasında köprü

6.1. DLT İlhamlı Örnek İşleme Şeması

DLT-Edu LLM prototipinde her kelime veya kavram için doğrudan büyük model eğitimiyle başlamak yerine, küçük ve doğrulanmış örnek işleme şemaları kullanılmalıdır. Örneğin bir kelime maddesi için madde başı, kök, klasik açıklama, varyant, lehçe/boy notu, örnek kullanım, modern karşılık ve pedagojik görev ayrı ayrı etiketlenir. Bu veri daha sonra bilgi grafına işlenir.

Katman İşlenecek Bilgi DLT-Edu Çıktısı
Madde başı Kelimenin yazımı ve varyantları Kavram düğümü
Kök / yapı Kök, ek, türeme ilişkisi Morfolojik açıklama
Kullanım Cümle, şiir, atasözü, örnek Bağlamlı örnek
Lehçe / boy Kullanıcı topluluk veya lehçe bilgisi Kullanım alanı ve dil içi çeşitlilik
Coğrafya Yer, rota, havza, harita bilgisi GIS bağlantısı
Çağdaş ilişki Meslek, ürün, norm veya dijital karşılık Kavram kartı ve vaka görevi

7. Etimolojik Tahkik ve Kavram Tasfiyesi

Önceki sürümde kullanılan “etimolojik arınma” ifadesi, bazı okuyucularda dil tasfiyeciliği, öz Türkçecilik veya kelime yasaklama çağrışımı yapabilir. Bu nedenle bu revize sürümde kavram “etimolojik tahkik ve kavram tasfiyesi” olarak daha açık ifade edilmektedir. Buradaki tasfiye, kelimeyi atmak değil; anlam katmanlarını ayırmak, eksilen boyutu göstermek ve çağdaş kullanımı bilinçli hâle getirmektir.

Etimolojik tahkik, kavramların kök anlamlarını, tarihî kullanımlarını, anlam genişlemelerini, daralmalarını ve modern dönemde uğradıkları başkalaşmaları tespit etme sürecidir. Bu, kelimeyi nostaljik biçimde eski anlamına döndürme çabası değildir. Amaç, kavramın tarihî anlam katmanlarını görünür kılarak onu çağdaş teknik dile daha sorumlu biçimde taşımaktır.

Modern eğitim dili pek çok kavramı düzleştirmiştir: talim öğretim, terbiye eğitim, edep görgü, icazet sertifika, meleke beceri, emanet güven, fütüvvet yiğitlik, irfan kültür olarak karşılanabilir. Fakat bu karşılıklar çoğu zaman kavramların asıl taşıdığı normatif, pedagojik ve medeniyet katmanlarını eksiltir. İcazet yalnız sertifika değildir; hoca veya ustanın şahsî kefaletini, silsileyi, ehliyeti ve sorumluluğu taşır. Emanet yalnız trust değildir; hak, sorumluluk, koruma, hesap verme ve ahlakî yükümlülük içerir. Meleke yalnız skill değildir; tekrar ve içselleşmeyle kişide yerleşmiş kabiliyet anlamı taşır.

Bu yaklaşım Türkiye’deki dil devrimi, öz Türkçe veya karşı-öz Türkçe tartışmalarına indirgenmemelidir. Alaturka Medeniyet Havzası zaten çok dillidir. Türkçe, Arapça, Farsça, Osmanlıca, Çağatayca, Urduca, Malayca, Balkan dilleri ve İngilizce teknik dil arasında anlam dolaşımı vardır. Etimolojik tahkik bu dolaşımı kapatmaz; görünür kılar.

8. Müsta‘mel–Mühmel Ayrımı ve Yapay Zekâ Veri Temizliği

Klasik dil çalışmalarında kullanılan müsta‘mel ve mühmel ayrımı, yapay zekâ veri temizliği için verimli bir kavramsal araçtır. Müsta‘mel; kullanılan, canlı, anlam taşıyan ve bağlam içinde işleyen unsuru; mühmel ise kullanılmayan, işlevini yitirmiş veya belirli bağlamda eğitim için uygun olmayan unsuru ifade eder. Burada mühmel “değersiz” demek değildir. Tarihî araştırma için değerli olan bir unsur, başlangıç düzeyindeki pedagojik model için uygun olmayabilir.

Yapay zekâ veri setlerinde benzer bir sorun vardır. Her metin veri değildir; her veri anlamlı değildir; her anlamlı veri eğitim için uygun değildir. Büyük veri yaklaşımı çoğu zaman çokluğu kalite zanneder. Oysa Alaturka semantik eğitim motoru için asıl mesele çok veri değil, müsta‘mel, kaynaklı, bağlamlı ve pedagojik olarak uygun veridir. Dilsel anotasyon literatürü de makine öğrenmesinde bağlamlandırma ve etiketleme süreçlerinin önemini göstermektedir.8

DLT-Edu LLM’in veri filtresi beş kategoriyle çalışmalıdır: arşivsel veri, canlı kullanım verisi, normatif hassas veri, pedagojik veri ve model eğitim verisi. Her kategori farklı bir kullanım seviyesine sahiptir.

Veri Türü Tanım DLT-Edu Kullanımı
Arşivsel veri Tarihî değeri yüksek fakat doğrudan eğitim için ağır veya bağlam gerektiren veri Uzman ve ileri seviye okuma
Canlı kullanım verisi Bugünkü dilde karşılığı olan veri Çağdaş örnek ve kullanım analizi
Normatif hassas veri Fıkıh, mezhep, cinsiyet, etnisite, siyaset gibi alanlarda hassas veri Uyarı, bağlam ve şura denetimiyle kullanım
Pedagojik veri Yaş, seviye ve kazanım hedefiyle uyumlu veri Ders, kavram kartı ve vaka üretimi
Model eğitim verisi Kaynağı, lisansı, bağlamı ve doğruluğu kontrol edilmiş veri RAG, fine-tuning ve değerlendirme seti

8.1. Veri Tasfiye Şurası

Müsta‘mel–mühmel kararı kapalı bir sansür mekanizması olmamalıdır. Bu karar, açık kriterlerle çalışan bir Veri Tasfiye Şurası tarafından verilmelidir. Bu şurada en az bir dilbilimci, bir eğitimci, bir alan uzmanı ve bir teknik veri/AI uzmanı bulunmalıdır. Normatif hassas konularda fıkıh, hukuk, etik veya toplumsal cinsiyet uzmanları da sürece katılmalıdır.

Şura kararları gerekçeli, sürümlenebilir ve itiraza açık olmalıdır. Bir metin tamamen dışlanmak yerine “uzman seviyesi”, “bağlam notuyla kullanılabilir”, “çocuklar için uygun değil”, “bias uyarısı gerektirir”, “lisans belirsizliği var” gibi etiketlerle sınıflandırılmalıdır. Böylece tasfiye sansüre değil, pedagojik yönetişime dönüşür.

9. Cinsiyet Duyarlı Dil ve Kavram Politikası

Tarihî metinlerle çalışan her yapay zekâ sistemi, o metinlerdeki dönemsel hiyerarşileri, erkek egemen dili, sınıfsal bakışı, zümre ilişkilerini ve normatif dışlamaları yeniden üretme riski taşır. DLT-Edu LLM bu riski görmezden gelemez. Çünkü dil yalnız iletişim aracı değil, toplumsal rol ve imkânların da haritasıdır.

Cinsiyet duyarlı kavram politikası, tarihî metni silmek veya bugünün değerleriyle geçmişi yargılamak değildir. Amaç, tarihî metindeki cinsiyetli dili görünür kılmak, onu bugünün eğitim ve meslek ortamında norm gibi yeniden üretmemek ve kadınların, engellilerin, dezavantajlı grupların kavram dünyasındaki yerini açıkça modellemektir. Bu noktada algoritmik önyargı literatürü, veri setlerindeki tarihî eşitsizliklerin dijital sistemlerde yeniden üretilebileceğini göstermesi bakımından uyarıcıdır.14

DLT-Edu LLM’de “usta”, “talip”, “müderris”, “mentor”, “şura üyesi”, “girişimci”, “öğrenci” gibi kavramlar cinsiyetçilik ve cinsiyetsizlik  dışlayıcı biçimde cinsiyetliliği belirginleştirecek şekilde modellenmelidir. Bir kavram tarihî olarak erkek egemen bir kurumda kullanılmışsa bu bilgi saklanmaz; ancak çağdaş kullanımda kapsayıcı model ayrıca gösterilir.

Kavram Politikası İlkesi Açıklama
Tarihî bağlamı saklama Metindeki dönemsel cinsiyetli kullanımı görünür kıl
Normlaştırmama Tarihî dışlamayı bugünün normu gibi sunma
Kapsayıcı karşılık üretme Kadın, engelli ve dezavantajlı grupların erişimini göster
Bias uyarısı ekleme AI çıktılarında cinsiyetçi veya dışlayıcı kalıp varsa işaretle
Şura denetimi Kavram kartlarında cinsiyet ve kapsayıcılık satırını zorunlu yap

10. Alaturka Kavram Kartı: Seviyelendirilmiş Semantik Öğrenme Aracı

DLT-Edu LLM’in temel araçlarından biri Alaturka Kavram Kartı’dır. Kavram kartı, bir kelimeyi yalnız sözlük karşılığıyla değil; kökü, tarihî kullanımı, çok dilli dolaşımı, fıkhî bağlamı, tasavvufî bağlamı, meslekî uygulaması, dijital çağdaki karşılığı, cinsiyet/kapsayıcılık boyutu ve yanlış tercüme riskleriyle birlikte tanımlar.

Ancak kavram kartı bütün katmanları aynı anda bütün öğrencilere yükleyen ağır bir ansiklopedi fişi değildir. Eleştirilerde haklı olarak işaret edilen bilişsel yük riski, kartların seviyelendirilmesiyle çözülmelidir.

Seviye Alanlar Kullanım Amacı
Temel seviye Kavram, basit anlam, kök ipucu, çağdaş örnek, öğrenme görevi İlkokul/ortaokul ve başlangıç düzeyi kavram farkındalığı
Orta seviye Tarihî kullanım, çok dilli karşılık, meslekî bağlam, dijital karşılık, kısa risk notu Lise ve meslekî eğitim
İleri seviye Fıkhî bağlam, tasavvufî bağlam, normatif risk, cinsiyet/kapsayıcılık, karşıt görüşler, kaynak notu Üniversite, uzmanlık, müderris/mentor kullanımı

Kavram kartı öğrenim–edinim–eğitim üçlemesini de destekler. Öğrenim aşamasında kavram tanımlanır. Edinim aşamasında kavram hayat örnekleriyle görülür. Eğitim aşamasında kavram davranışa, ürüne, mesleğe ve sorumluluğa dönüşür.

11. Beş Örnek Kavram Kartı: Edep, Emanet, İcazet, Meleke, Fütüvvet

11.1. Edep

Alan İçerik
Kavram Edep / adab
Dar modern karşılık Etiquette, görgü, davranış kuralı
Eksik kalan anlam Hak, sınır, terbiye, usûl, söz ve davranış sorumluluğu
Tarihî bağlam Adab literatürü, talim-terbiye, medrese ve tasavvufî sohbet geleneği
Eğitim karşılığı Öğrencinin metne, hocaya, arkadaşa, veriye ve ürüne karşı sınır bilinci
Dijital karşılık Platform adabı, veri kullanımı sınırı, AI çıktısı kullanırken kaynak ve dürüstlük
Cinsiyet/kapsayıcılık Edep, sessizleştirme aracı değil, herkes için karşılıklı hak ve sınır bilincidir
Risk Edep kavramının otoriteye mutlak itaat gibi daraltılması
Öğrenme görevi AI çıktısı kullanırken kaynak göstermeme hangi edep ihlaline yol açar?

11.2. Emanet

Alan İçerik
Kavram Emanet
Dar modern karşılık Trust, custody, safekeeping
Eksik kalan anlam Hak, koruma, hesap verme, ihanet etmeme, meslek ve veri sorumluluğu
Tarihî bağlam Akit, mal, söz, sır, görev ve insan ilişkilerinde güven sorumluluğu
Eğitim karşılığı Öğrenci verisi, müşteri verisi, ürün reçetesi, öğretmen sorumluluğu
Dijital karşılık Veri minimizasyonu, erişim kontrolü, seçici ifşa, ürün pasaportu, audit trail
Cinsiyet/kapsayıcılık Kadın emeği, hane üretimi ve görünmez veri/emek ilişkileri emanet kapsamında düşünülür
Risk Emanetin yalnız mülkiyet veya saklama olarak daraltılması
Öğrenme görevi Bir AhiLab öğrencisi hangi KOBİ verilerini AI sistemine yükleyemez?

11.3. İcazet

Alan İçerik
Kavram İcazet
Dar modern karşılık Certificate, diploma, credential
Eksik kalan anlam Hoca/usta kefaleti, silsile, yetki sınırı, sorumluluk ve geri alınabilirlik
Tarihî bağlam Medrese, hadis, kitap okutma, meslek ve usta-çırak ilişkisi
Eğitim karşılığı Yalnız program tamamlama değil, ehliyet ve yetki beyanı
Dijital karşılık Verifiable credential + mentor onayı + portfolyo + revocation kaydı
Cinsiyet/kapsayıcılık İcazet verme ve alma hakkı cinsiyetle değil ehliyetle ilişkilendirilir
Risk Rozet, NFT veya yüzeysel sertifikaya indirgenme
Öğrenme görevi Bir dijital icazette bulunması gereken veri alanlarını tasarla

11.4. Meleke

Alan İçerik
Kavram Meleke
Dar modern karşılık Skill, ability
Eksik kalan anlam Tekrar, içselleşme, yatkınlık, yerleşmiş kabiliyet ve davranış sürekliliği
Tarihî bağlam Ahlak, mantık, sanat, zanaat ve öğrenme literatüründe yerleşmiş kabiliyet
Eğitim karşılığı Sınavı geçmek değil, davranış ve üretimde istikrar göstermek
Dijital karşılık Proof of skill, süreç kanıtı, hata-telafi kaydı, portfolyo sürekliliği
Cinsiyet/kapsayıcılık Meleke herkesin üretim ve eğitim içinde geliştirebileceği kazanımdır
Risk Melekenin tek seferlik görev başarısına indirgenmesi
Öğrenme görevi Bir becerinin melekeye dönüştüğünü hangi üç kanıt gösterir?

11.5. Fütüvvet

Alan İçerik
Kavram Fütüvvet
Dar modern karşılık Chivalry, brotherhood, craft ethics
Eksik kalan anlam Meslek ahlakı, hizmet, cömertlik, dayanışma, nefs terbiyesi, pazar güveni
Tarihî bağlam Tasavvuf, Ahilik, fütüvvetnâmeler ve meslekî topluluklar
Eğitim karşılığı Meslekî becerinin ahlak ve hizmetle tamamlanması
Dijital karşılık Dijital fütüvvetnâme, meslek etik protokolü, ürün pasaportu, pazar geri bildirimi
Cinsiyet/kapsayıcılık Fütüvvet erdemleri cinsiyete kapalı değil, meslek ve insan sorumluluğuna açıktır
Risk Sadece tarihî erkek kardeşliği olarak daraltılması
Öğrenme görevi Bir yazılım/AI fütüvvetnâmesinde veri emaneti nasıl yazılmalıdır?

12. Çok Dilli Alaturka Kavram Hizalaması

Alaturka Medeniyet Havzası tek dilli değildir. Türkçe, Arapça, Farsça, Osmanlıca, Çağatayca, Urduca, Malayca, Balkan dilleri ve yerel diller arasında geniş bir kavram dolaşımı oluşmuştur. Osmanlıca, bu havzada Arapça ilim dili, Farsça irfan-edebiyat dili ve Türkçe kurum-toplum dili arasında köprü işlevi görmüştür.

DLT-Edu LLM’de Türkçe çekirdek dil, diğer dilleri dışlayan bir merkez değildir. Türkçe burada kavramları hizalayan arayüz ve modelin eğitimsel omurgasıdır. Arapça ilim dili, Farsça irfan dili, Osmanlıca kurum dili, Çağatayca Türkistan hafızası, Urduca-Hint İslam havzası, Malay dünyası ve İngilizce teknoloji dili ayrı katmanlar olarak modellenmelidir.

Teknik düzeyde çok dilli hizalama; OCR, transliterasyon, imla varyantı yönetimi, morfolojik çözümleme, kaynak güven skoru, uzman doğrulaması ve açıklamalı eşleştirme gerektirir. Birebir çeviri çoğu zaman yeterli değildir. Bu yüzden sistem “icazet = certificate” demek yerine, certificate’ın icazetin yalnız belge taşıyıcı boyutunu karşıladığını; hoca/usta kefaleti, silsile, yetki sınırı ve sorumluluk boyutlarını taşımadığını belirtmelidir.

Dil Katmanı İşlev Teknik İhtiyaç
Türkçe Çekirdek anlam ve eğitim arayüzü Morfolojik çözümleme, çağdaş kullanım, kavram kartı
Arapça İlim, fıkıh, hadis, usûl ve kavram kökü Kök analizi, kaynak bağlamı, klasik terim haritası
Farsça İrfan, edebiyat ve tasavvuf dolaşımı Şiirsel bağlam, metafor ve mazmun çözümleme
Osmanlıca Kurum, hukuk, arşiv ve bürokrasi dili OCR, transliterasyon, imla varyantı yönetimi
Çağatayca Türkistan hafızası ve Doğu Türkçesi Lehçe hizalama, tarihî varyant eşleştirme
İngilizce Teknoloji, AI, standart ve regülasyon dili Açıklamalı teknik karşılık ve eksik anlam uyarısı

13. DLT-Edu LLM Teknik Mimarisi: RAG, Bilgi Grafı ve İnsan Denetimi

DLT-Edu LLM’in teknik mimarisi gerçekçi kurulmalıdır. İlk aşamada sıfırdan devasa bir foundation model eğitmek yerine, mevcut güçlü bir dil modeli üzerine RAG, bilgi grafı, sınırlı fine-tuning, kavram kartı veri tabanı ve insan denetimi katmanları eklemek daha uygulanabilir yoldur. Büyük dil modellerinin veri ve temsil risklerine dair literatür, yalnız model büyüklüğünün anlam doğruluğunu garanti etmediğini göstermektedir.13

Bu mimaride LLM metin üretme motorudur; fakat anlamın güvenilirliği yalnız LLM’e bırakılmaz. Modelin cevabı akredite korpustan getirilen kaynaklarla desteklenir. Kavram kartı ve bilgi grafı cevabın kavramsal iskeletini sağlar. İnsan/şura denetimi normatif ve pedagojik hassasiyetleri kontrol eder.

Katman İşlev Çıktı
Korpus Katmanı DLT, TDV, fütüvvetnâmeler, Osmanlıca metinler, meslek sözlükleri, standartlar Kaynaklı veri havuzu
Temizleme/İşaretleme OCR, transliterasyon, morfolojik çözümleme, varyant eşleştirme, lisans kontrolü Etiketli ve güven skoruna sahip veri
Kavram Kartı Kök, tarih, bağlam, modern karşılık, risk, cinsiyet/kapsayıcılık Seviyelendirilmiş kavram dosyası
Bilgi Grafı Kavram–metin–coğrafya–meslek–ürün–norm ilişkileri Makinece gezilebilir anlam ağı
RAG Kullanıcı sorusuna göre güvenilir kaynak getirme Kaynaklı ve izlenebilir cevap
LLM Açıklama, soru, vaka, karşılaştırma üretimi Pedagojik metin ve görev
İnsan/Şura Denetimi Kavram, norm, bias, pedagojik uygunluk kontrolü Güvenli ve revize edilebilir çıktı
Değerlendirme Kaynak isabeti, kavram doğruluğu, hallucination, bias, pedagojik fayda Kalite raporu

13.1. Prototip İçin Minimum Teknik Yol

Prototip için önce beş-on temel kavram seçilir. Bu kavramlar için uzmanlar tarafından elle doğrulanmış kavram kartları hazırlanır. Ardından küçük bir akredite RAG korpusu kurulur. Sistem bu kavramlar üzerinden açıklama, soru, vaka ve norm çevirisi çıktıları üretir. İnsan değerlendiriciler kaynak isabeti, kavram doğruluğu, anlam kayması uyarısı ve pedagojik kullanılabilirlik bakımından çıktıları puanlar. Bu aşama tamamlanmadan geniş model eğitimi veya büyük ölçekli fine-tuning yapılmamalıdır.

14. Akredite Korpus ve Açık Kürasyon Yönetişimi

DLT-Edu LLM’in güvenirliği korpus yönetişimine bağlıdır. Rastgele web metinleriyle çalışan bir model, Alaturka kavramları yüzeysel, hatalı veya ideolojik biçimde yeniden üretebilir. Akredite korpus, metinleri tekçi otoriteyle belirleyen kapalı liste değil; kaynak güven skoru, açık gerekçe, sürümleme, itiraz hakkı ve çoğul uzman denetimi olan dinamik bir yapı olmalıdır.

Açık kürasyon modelinde her kaynak için şu alanlar tutulmalıdır: kaynak türü, müellif/kurum, neşir bilgisi, tarih, dil, güven derecesi, lisans durumu, pedagojik seviye, normatif hassasiyet, cinsiyet/bias riski ve önerilen kullanım biçimi.

Korpus Alanı Açıklama
Kaynak türü Birincil metin, akademik neşir, ansiklopedi maddesi, standart, mevzuat, web kaynağı
Güven skoru Kaynak güvenilirliği ve bilimsel denetim düzeyi
Sürüm bilgisi Metnin hangi neşir veya versiyon olduğu
Pedagojik seviye Temel, orta, ileri, uzman
Normatif hassasiyet Fıkıh, mezhep, cinsiyet, etnisite, hukuk, çocuk verisi gibi riskler
İtiraz kaydı Kaynağa veya etiketlemeye gelen itirazların gerekçeli kaydı
Kullanım sınırı RAG kaynağı, uzman okuma, çocuklar için uygun değil, bağlam notuyla kullanılabilir vb.

Bu yönetişim, dijital medrese bürokrasisi riskini azaltır. Korpusun akredite olması, tek bir kurumun “doğru”yu ilan etmesi değil; kaynağın nereden geldiğinin, hangi bağlamda kullanılacağının ve hangi sınırlara sahip olduğunun açıkça gösterilmesidir.

15. Semantik Çatışma ve Öncelik Algoritması

Çok dilli Alaturka kavram dolaşımında aynı kavram farklı havzalarda farklı anlam katmanları kazanabilir. Arapça ilim geleneğindeki bir kavram, Farsça irfan geleneğinde daha sembolik bir anlam kazanabilir; Osmanlı kurum dilinde idarî bir işlev üstlenebilir; çağdaş teknoloji dilinde ise teknik bir karşılığa indirgenebilir. Bu çatışma modelin zaafı değil, modelin öğretmesi gereken asıl meseledir.

DLT-Edu LLM tek bir eşdeğerlik üretmek yerine öncelik algoritmasıyla çalışmalıdır. Bu algoritma nihai hüküm vermez; hangi bağlamda hangi anlam katmanının öne alınacağını gösterir.

Bağlam Öncelik Verilecek Katman Açıklama
Dil öğretimi Kök, tarihî kullanım, örnek cümle Kavramın dil içindeki yaşama biçimi gösterilir
Normatif karar Fıkıh, hukuk, etik, şura gerekçesi Kavramın hüküm ve sorumluluk boyutu öne çıkar
Meslekî uygulama Yaşayan meslek örfü, AhiLab standardı, ürün/pazar verisi Uygulama ve üretim bağlamı dikkate alınır
Teknik tasarım Modern standart, veri modeli, güvenlik gereği DID, VC, RAG, ürün pasaportu gibi teknik çerçeveler kullanılır
Pedagojik kullanım Yaş ve seviye uygunluğu Kavram kartı seviyelendirilir
Çatışma durumu Açıklamalı çoklu karşılık + insan/şura denetimi Model tek hüküm vermez, gerekçeli alternatifleri gösterir

Bu yapı, anlam çatışmalarını gizlemek yerine öğretilebilir hâle getirir. Öğrenci bir kavramın tek bir İngilizce karşılığa indirgenemeyeceğini, anlamın bağlamla birlikte değiştiğini ve normatif sonuçların kaynak ve gerekçe gerektirdiğini öğrenir.

16. Normatif Çeviri Vakası: Emanet Kavramından Veri Mahremiyetine

Normatif çeviri motoru otomatik fetva veya hüküm makinesi değildir. Onun görevi kavramları, bağlamları, kaynakları, teknik karşılıkları ve riskleri görünür kılmaktır. Aşağıdaki örnek, emanet kavramının öğrenci/KOBİ verisi bağlamında nasıl işlenebileceğini gösterir.

Aşama Soru DLT-Edu Çıktısı
Kavram tanımı Emanet neyi ifade eder? Hak, koruma, hesap verme, ihanet etmeme, meslek sırrı
Modern hukuk karşılığı Kişisel veri nasıl işlenir? KVKK ilkeleri: hukuka uygunluk, amaçla sınırlılık, ölçülülük, güncellik, süre sınırı.15
Teknik karşılık Hangi teknik önlemler gerekir? Veri minimizasyonu, erişim rolü, seçici ifşa, log, anonimleştirme
AhiLab bağlamı KOBİ verisi kime aittir? Üretim reçetesi, müşteri geri bildirimi, fiyat stratejisi ve öğrenci verisi ayrı emanet sınıflarıdır
AI kullanımı Hangi veri modele verilmez? Ticari sır, kişisel veri, açık rıza olmayan müşteri verisi, özel nitelikli veri
Şura kontrolü Son kararı kim verir? Müderris/usta/veri uzmanı/hukukçu şura değerlendirmesi
Öğrenci görevi Öğrenci ne üretir? Veri kullanım sınırı tablosu ve gerekçeli portfolyo notu

Bu vaka gösterir ki DLT-Edu LLM “emanet = data privacy” gibi basit bir çeviri yapmaz. Emanet kavramının hukukî, ahlakî, meslekî ve teknik karşılıklarını birlikte haritalar. Nihai değerlendirme insan denetimine bırakılır. Bu yapı, Lessig’in “code is law” tartışmasında işaret ettiği dijital mimarinin normatif etkisini Alaturka kavramlarla yeniden düşünmeyi mümkün kılar.17

17. Kullanıcı Deneyimi: Sürtünmeli Pedagoji ve Tahkik Öncelikli Arayüz

Öğrenciler üretken yapay zekâyı çoğu zaman hız, kolaylık ve metin üretimi için kullanmaktadır. DLT-Edu LLM’in farkı, öğrenciyi doğrudan metin kopyalamaya değil, tahkike zorlayan arayüz tasarımıdır. Bu tasarımda sistem önce kaynak, kavram ve soru üretir; nihai metin üretimi son aşamaya bırakılır.

Arayüz İlkesi Açıklama
Kaynak önce Model cevap vermeden önce hangi kaynaklara dayanacağını gösterir
Kavram kontrolü Cevaptaki ana kavramların kartları açılır
Anlam kayması uyarısı Dar modern karşılıklar risk olarak gösterilir
Karşı görüş üretimi Öğrenci tek cevaba mahkûm edilmez
Kopyalama sürtünmesi Nihai metin hemen kopyalanamaz; öğrenci kendi gerekçesini yazmalıdır
Portfolyo kaydı Öğrencinin kavramı nasıl anladığı öğrenme pasaportuna işlenir

Bu model, AI’ı ödev yazma makinesinden çıkarıp okuma ve kavram edinimi rehberine dönüştürür. Öğrencinin öğrenme deneyimi kavramdan vakaya, vakadan portfolyoya ilerler.

17.1. Örnek Ders Akışı: Emanet ve Veri

Dakika Etkinlik Çıktı
0-10 Emanet kavram kartı okuma Temel anlam ve modern dar karşılık
10-20 Klasik/çağdaş örnek karşılaştırması Anlam katmanları listesi
20-35 AhiLab veri vakası Hangi veriler emanet?
35-45 AI çıktısını eleştirme Kaynak ve anlam kayması kontrolü
45-55 Öğrencinin gerekçeli cevabı Portfolyo notu
55-60 Mentor/müderris geri bildirimi Kavram kazanımı değerlendirmesi

18. AhiLab Meslek Sözlüğü, GTİP/HS ve Ürün Ontolojisi

DLT-Edu LLM yalnız eğitim teorisi için değil, üretim, pazar ve ürün dili için de gereklidir. Ürün yanlış adlandırılırsa yanlış sınıflandırılır; yanlış sınıflandırılırsa yanlış vergilendirilir, yanlış regüle edilir, yanlış tokenleştirilir ve yanlış pazarlanır. Bu nedenle ürün dili yalnız katalog meselesi değil; hukuk, gümrük, kalite, tüketici hakkı, lojistik ve eğitim meselesidir.

Dünya Gümrük Örgütü’nün Harmonized System/HS açıklamaları, küresel ürün sınıflandırmasının gümrük tarifeleri ve uluslararası ticaret istatistikleri açısından temel işlev gördüğünü ortaya koyar.11 Dijital ürün pasaportu ve izlenebilirlik standartları da ürünün tedarik zinciri, bileşimi, menşei ve sürdürülebilirlik bilgilerinin dijital temsilini gerektirir.12

DLT-Edu LLM, AhiLab 5.0 için meslek sözlüğü ve beceri ontolojisi sağlayabilir. Her meslek için araç, malzeme, işlem, hata, kalite, etik ihlal, müşteri hakkı, ürün adı, GTİP/HS kodu ve dijital ürün pasaportu alanları birlikte modellenmelidir.

Ürün Ontolojisi Alanı Açıklama Eğitim Bağlantısı
Ürün adı Yerel, ulusal ve ihracat adı Dil ve pazar farkındalığı
Malzeme Hammadde ve bileşen bilgisi Kalite ve emanet bilinci
Üretim yeri Coğrafî menşe ve üretim ağı Kervansaray 5.0 haritası
Meslek Ürünü üreten zanaat/meslek AhiLab beceri sözlüğü
GTİP/HS kodu Gümrük ve sınıflandırma bilgisi Regülasyon okuryazarlığı
Kalite ölçütü Standart, hata, telafi Proof of skill ve ürün pasaportu
Kültürel anlam Yerel hikâye, gelenek, kullanım Kavram ve medeniyet hafızası

18.1. GTİP TOKEN’ın Hukukî Konumu: İkame Değil, Uyum ve Okuryazarlık Katmanı

GTİP TOKEN kavramı, mevcut gümrük mevzuatının, Dünya Gümrük Örgütü’nün HS sisteminin, Türkiye’nin GTİP uygulamasının veya uluslararası ticaret anlaşmalarının yerine geçecek alternatif bir resmî kod sistemi olarak anlaşılmamalıdır. Böyle bir yorum hem hukukî olarak hatalı hem de modelin amacını aşan bir yorum olur. Burada teklif edilen şey, gümrük hukukunu tokenle değiştirmek değil; üreticiyi, öğrenciyi, KOBİ’yi ve AhiLab atölyesini ürün dili, sınıflandırma mantığı, menşe, kalite, izlenebilirlik, dijital ürün pasaportu ve dış ticaret okuryazarlığı bakımından güçlendirmektir.

Bu nedenle GTİP TOKEN, ilk aşamada bir “hukuk ikamesi” değil, bir “ürün-veri-temsil katmanı” olarak konumlandırılmalıdır. Ürünün yerel adı, meslekî adı, hammaddesi, üretim yeri, kalite sınıfı, işlem adımları, ürün pasaportu alanları, mümkün GTİP/HS ilişkisi, teslim ve izlenebilirlik kayıtları birlikte tutulur. Böylece AhiLab öğrencisi yalnız üretmeyi değil, ürettiği şeyin hukukî, ticarî ve uluslararası sınıflandırma dilindeki karşılığını da öğrenir.

Bu yaklaşım uluslararası ticaret hukukuyla çatışma değil, ona hazırlık anlamına gelir. Model, mevcut gümrük rejimini aşmaya çalışmaz; KOBİ’nin ve meslekî eğitim sisteminin mevcut rejimi daha doğru anlamasını, daha az hatalı beyan üretmesini ve ürününü küresel pazara daha şeffaf biçimde sunmasını hedefler. GTİP TOKEN bu çerçevede spekülatif bir kripto varlık değil; ürünün adını, emeğini, niteliğini, menşeini, kalite kanıtını ve teslim izini taşıyan sınırlı, denetlenebilir ve mevzuata uyumlu bir dijital temsil katmanı olarak düşünülmelidir.

19. Ölçme-Değerlendirme: Kavram Doğruluğu ve Kaynak Şeffaflığı

DLT-Edu LLM’in başarı ölçütü yalnız akıcı metin üretmesi olamaz. Bir semantik eğitim motorunun başarısı; kavram doğruluğu, kaynak şeffaflığı, çok dilli tutarlılık, anlam kayması uyarısı, bias farkındalığı, pedagojik kullanılabilirlik ve normatif sınır bilinciyle ölçülmelidir.

Metrik Soru Ölçme Yöntemi
Kaynak isabeti Cevap doğru kaynağa dayanıyor mu? Kaynak eşleşme ve uzman kontrolü
Kavram doğruluğu Kavramın tarihî ve çağdaş katmanları doğru mu? Uzman rubriği
Anlam kayması uyarısı Dar tercüme riskleri gösterildi mi? Kavram kartı kontrolü
Çok dilli tutarlılık Arapça/Farsça/Türkçe/İngilizce hizalama doğru mu? Çok dilli uzman değerlendirmesi
Bias kontrolü Cinsiyet, sınıf, mezhep veya etnik önyargı üretildi mi? Bias checklist + şura değerlendirmesi
Halüsinasyon oranı Model uydurma kaynak veya iddia üretti mi? RAG kaynak doğrulama
Pedagojik fayda Öğrenci kavramı daha iyi anladı mı? Ön-test/son-test, portfolyo analizi
Normatif sınır Model hüküm yerine kaynak ve seçenek gösterdi mi? Şura kontrolü

20. Prototip ve Pilot Planı

DLT-Edu LLM geniş iddiasına rağmen küçük ve ölçülebilir bir prototiple başlamalıdır. İlk hedef dev model değil, doğru kavram işleme mimarisi olmalıdır.

Aşama Süre Çıktı
1. Kavram seçimi 1. ay Edep, emanet, icazet, meleke, fütüvvet, şura, talim, terbiye, ahilik, ürün
2. Korpus çekirdeği 2-3. ay TDV maddeleri, DLT seçmeleri, fütüvvetnâme parçaları, W3C/GS1/WCO/KVKK kaynakları
3. Elle kavram kartı 3-4. ay Uzman doğrulamalı 10 kavram kartı
4. Bilgi grafı prototipi 4-6. ay Kavram–kaynak–meslek–ürün ilişkileri
5. RAG arayüzü 6-8. ay Kaynaklı cevap, anlam kayması uyarısı, vaka üretimi
6. Pilot ders 8-10. ay Emanet, icazet, edep kavramlarıyla sınıf içi uygulama
7. Değerlendirme 10-12. ay Metrik raporu, bias analizi, kullanıcı geri bildirimi, revizyon

Pilot uygulama bir üniversite, imam-hatip/meslek lisesi, AhiLab, dijital beşerî bilimler laboratuvarı veya öğretmen akademisi ortaklığında yapılabilir. Prototipin amacı bütün kavramları kapsamak değil, yöntemin çalıştığını göstermektir.

20.1. Uygulama İlkesi: Ülke Çapında Zorunlu Kurulum Değil, MVP ve Pilot Ölçekleme

AhiLab 5.0 veya DLT-Edu LLM’in başarısı, bütün sanayi sitelerini, bütün KOBİ’leri ve bütün öğrencileri aynı anda tek bir dijital ağa bağlama iddiasına bağlı değildir. Böyle bir yaklaşım hem maliyetli hem de pedagojik olarak risklidir. Doğru yol, küçük fakat uçtan uca çalışan pilotlar kurmak, bu pilotlardan öğrenmek ve modeli kademeli biçimde genişletmektir.

İlk aşamada tek şehir, tek sektör, sınırlı sayıda KOBİ, sınırlı sayıda usta/mentor, on temel kavram kartı, birkaç ürün ailesi ve dar bir RAG korpusu yeterlidir. Amaç, sistemin bütün ülkeyi kapsaması değil; kavram kartı, ürün pasaportu, meslek sözlüğü, proof of skill, veri emaneti, öğrenci portfolyosu ve şura denetiminin birlikte çalışabildiğini göstermektir.

KOBİ’nin blokzincir uzmanı olması beklenmemelidir. KOBİ’nin ihtiyacı; kolay kullanılabilir arayüz, sade ürün kaydı, açık fayda, düşük maliyet, hukuka uyum, müşteri güveni ve pazar erişimidir. Bu nedenle teknik karmaşıklık arka planda kalmalı; usta, öğrenci ve işletme sahibi için sistem “ürünümü doğru adlandırıyorum, emeği kayıt altına alıyorum, kaliteyi gösteriyorum, öğrencinin becerisini kanıtlıyorum, veriyi emanet olarak koruyorum” sadeliğinde görünmelidir.

Bu pilot mantığı, modelin idealizm eleştirisine de cevaptır. Büyük medeniyet vizyonu küçük, ölçülebilir, denetlenebilir ve revize edilebilir uygulama adımlarıyla sınanmadıkça sahaya inemez. DLT-Edu LLM’in ilk başarısı da büyük model eğitmek değil; sınırlı kavramlarda doğru anlam, doğru kaynak, doğru ürün dili ve doğru pedagojik görev üretebildiğini göstermek olmalıdır.

21. Riskler ve Sınırlar

DLT-Edu LLM güçlü bir iddia taşır; fakat sınırları açıkça belirtilmelidir.

21.1. Anakronizm Riski

Dîvânu Lugâti’t-Türk modern yapay zekâ modeli değildir. Kâşgarlı’nın yöntemi, modern bilgi grafı ve metadata mimarisine yalnız yöntemsel ilham sunar. Bu ayrım sürekli korunmalıdır.

21.2. Dil Polisiyeleşmesi Riski

Etimolojik tahkik kelime yasaklama veya dili saflaştırma projesi değildir. Yaşayan dil korunur; fakat kavramların kaybolan katmanları görünür kılınır.

21.3. Türkçe Çekirdek Dilin Daralmaya Dönüşmesi

Türkçe çekirdek dil, diğer dilleri dışlayan bir milliyetçi kapanma değil, çok dilli havzayı hizalayan eğitim arayüzüdür. Arapça, Farsça, Osmanlıca, Çağatayca, Urduca, Malayca, Balkan dilleri ve İngilizce teknik dil modelin parçasıdır.

21.4. Cinsiyet ve Önyargı Riski

Tarihî metinler dönemsel önyargılar içerebilir. Model, bu önyargıları norm gibi üretmemeli; bağlamlandırmalı, işaretlemeli ve kapsayıcı çağdaş kullanım önermelidir. Bias detection ve insan/şura denetimi zorunludur.

21.5. Halüsinasyon ve Sahte Kaynak Riski

Model kaynak uydurabilir veya kaynakla cevap arasında bağlantı kuramayabilir. RAG tabanlı kaynak gösterimi, kaynak isabeti metriği ve insan kontrolü bu yüzden zorunludur.

21.6. Küratöryel Otorite Riski

Akredite korpus kapalı bir bürokrasiye dönüşebilir. Bu risk açık kürasyon, itiraz hakkı, sürümleme, çok aktörlü dijital heyet ve kaynak şeffaflığıyla azaltılmalıdır.

21.7. Laik Eğitim Sistemiyle Uyum Riski

Edep, emanet, icazet ve fütüvvet gibi kavramlar dar dinî telkin olarak değil; dil, kültür, medeniyet, meslek etiği ve kavram okuryazarlığı bağlamında ele alınmalıdır. Devlet okullarında kullanım tarihî-kültürel ve pedagojik çerçevede tasarlanmalıdır.

21.8. Telif ve Lisans Riski

Model eğitimi veya RAG korpusu için kullanılan metinlerin telif ve lisans durumu açıkça belirlenmelidir. Kamuya açık web metni otomatik olarak model eğitim verisi sayılmamalıdır.

21.9. Model Otoritesi Riski

DLT-Edu LLM müderris, müftü, hâkim veya usta değildir. Model kaynak, kavram, karşı görüş ve uyarı üretir; nihai karar insan denetiminde kalır.

21.10. Tarihsel İdealizm ve Piyasa Gerçekliği Riski

Alaturka Maarif Modeli, Ahiliği veya fütüvveti bugünün piyasasına aynen taşımayı teklif etmez. Tarihî kurumların kendi dönemlerine ait sınırlılıkları, dışlayıcı yönleri, kurumsal tıkanmaları ve siyasal bağlamları vardır. Bu nedenle modelin görevi geçmişi kutsallaştırmak değil, geçmişteki işlevsel aklı bugünün hukuku, teknolojisi, üretim biçimi ve piyasa gerçekliği içinde yeniden tercüme etmektir.

Serbest piyasa şartları içinde yalnız ahlak çağrısı yeterli değildir. Bu yüzden AhiLab 5.0’da fütüvvet ilkeleri ürün pasaportu, müşteri geri bildirimi, kalite kanıtı, usta/mentor kefaleti, veri emaneti, itiraz hakkı, ombudsman, şura denetimi ve katma değer paylaşımı gibi somut mekanizmalara bağlanmalıdır. Ahlakî ilke, denetlenebilir iş akışına dönüşmediği sürece model romantik kalır. DLT-Edu LLM bu dönüşümün kavram ve veri dilini kurmayı amaçlar.

21.11. KOBİ Adaptasyonu ve Dijital Karmaşıklık Riski

Web3, blokzincir, RAG, bilgi grafı, verifiable credential, dijital ürün pasaportu ve yapay zekâ kavramları küçük esnaf ve KOBİ için ürkütücü görünebilir. Bu risk gerçektir. Bu nedenle sistem, kullanıcıya teknoloji terimleriyle değil, gündelik üretim sorunlarına verdiği cevapla görünmelidir. KOBİ için asıl değer; stok, kalite, ürün açıklaması, müşteri güveni, ihracat hazırlığı, öğrenci katkısı, veri güvenliği ve pazar görünürlüğüdür.

AhiLab 5.0’ın arayüzü “blokzincir kullan” dememeli; “ürünü kaydet, kaliteyi belgele, öğrencinin katkısını işle, müşteri geri bildirimini al, veri sınırını koru, ürün pasaportunu oluştur” demelidir. Teknik altyapı arka planda çalışmalı; usta ve KOBİ sahibi kendi meslek diliyle sisteme katılmalıdır. DLT-Edu LLM’in meslek sözlüğü ve kavram kartı katmanı bu nedenle kritik önemdedir.

21.12. GTİP TOKEN ve Uluslararası Uyum Riski

GTİP TOKEN’ın yanlış anlaşılması hâlinde model, mevcut gümrük mevzuatına alternatif bir özel kod sistemi veya regülasyon dışı dijital varlık gibi algılanabilir. Bu risk açık biçimde sınırlandırılmalıdır. GTİP TOKEN, ilk aşamada resmî gümrük beyanının yerine geçen bir araç değildir. Mevcut GTİP/HS mantığını, ürün pasaportunu, menşe ve kalite bilgisini, teslim izini ve ürün ontolojisini eğitim ve KOBİ dönüşümü bağlamında görünür kılan yardımcı bir temsil katmanıdır.

Finansal hak, yatırım beklentisi, gelir paylaşımı veya ikincil piyasa unsuru taşıyan token modelleri ise ayrıca sermaye piyasası, ödeme hizmetleri, tüketici hukuku, vergi hukuku, gümrük hukuku ve kişisel veri mevzuatı bakımından değerlendirilmelidir. Bu nedenle DLT-Edu LLM ve AhiLab 5.0 prototipinde öncelik spekülatif token dolaşımı değil; ürün dili, emek kanıtı, eğitim portfolyosu, ürün pasaportu ve veri emaneti olmalıdır.

22. Sonuç: DLT-Edu LLM’den Kervansaray 5.0’a

Bu makale, Alaturka Maarif Modeli’nin dil ve kavram omurgasını kurmayı amaçlamıştır. Yapay zekâ çağında eğitim krizi yalnız bilgiye erişim krizi değildir; kavram, bağlam, anlam, okuma, uygulama ve norm çevirisi krizidir. Büyük dil modelleri metin üretimini kolaylaştırırken kavramların tarihî, fıkhî, tasavvufî, meslekî ve toplumsal katmanlarını düzleştirme riski taşır.

Dîvânu Lugâti’t-Türk bu risk karşısında güçlü bir yöntem ilhamı sunar. Kâşgarlı Mahmud kelimeyi yalnız karşılığıyla değil; kökü, lehçesi, boyu, coğrafyası, örneği, şiiri, atasözü ve haritasıyla birlikte ele almıştır. Bu yaklaşım, DLT-Edu LLM’in temel ilhamıdır. Ancak DLT doğrudan modern AI modeli değildir; onun yöntem aklı bugünün bilgi grafı, RAG, kavram kartı, çok dilli hizalama ve insan denetimli semantik eğitim motoruna tercüme edilebilir.

Makalenin nihai hükmü şudur: Alaturka Maarif Modeli’nin yapay zekâ çağındaki başarısı yalnız teknoloji altyapısına değil, kavramların doğru taşınmasına bağlıdır. DLT-Edu LLM, Türkçe çekirdekli fakat çok dilli; kaynaklı fakat çoğul; teknik fakat insan denetimli; kavram merkezli fakat uygulama odaklı bir semantik eğitim motoru olarak Alaturka Medeniyet Havzası’nın dijital ikizine kavram omurgası sağlayabilir.

Altıncı makalede bu semantik omurga, Kervansaray 5.0 başlığı altında pazar, panayır, kervansaray, akıllı depo, dijital ürün pasaportu, GTİP Token ve gerçek hayatın dijital ikizi üzerinden mekânsal ve iktisadî modele taşınacaktır.

Bu makale, önceki dört makaleye yöneltilen “model felsefî olarak güçlü, fakat pratikte nasıl uygulanacak?” sorusuna doğrudan hukukî veya iktisadî nihai cevap vermek iddiasında değildir. Onun görevi daha temeldir: uygulanabilirliğin ön şartı olan kavram, veri, kaynak, ürün ve meslek dilini kurmak. Çünkü semantik zemin kurulmadan AhiLab 5.0 yalnız idealist bir atölye hayali; GTİP TOKEN yalnız teknik bir finans aracı; Kervansaray 5.0 ise yalnız dijital ikiz metaforu olarak kalabilir. DLT-Edu LLM, bu üç alanın anlam, kaynak, ürün ve norm güvenliğini sağlayan kavram omurgasıdır.

23. DLT’den Prototip Kavram İşlemeye: Örnekleme Mantığı

DLT-Edu LLM’in akademik inandırıcılığı, Dîvânu Lugâti’t-Türk’ü yalnız ilham kaynağı olarak zikretmekle değil, bu ilhamın nasıl işleneceğini örneklemekle artar. Bu nedenle prototip aşamasında DLT’den seçilecek her madde, doğrudan “kelime = karşılık” mantığıyla değil, çok katmanlı kavram işleme şemasıyla ele alınmalıdır. Bu şema hem filolojik dikkat hem de teknik veri modelleme disiplini gerektirir.

Örnekleme yapılırken üç ayrım korunmalıdır. Birincisi, DLT’deki kelime tarihî bağlamına sadık biçimde okunmalıdır; modern anlam doğrudan metne yüklenmemelidir. İkincisi, kelimenin bugünkü Türkçe veya başka Türk lehçelerindeki izleri varsa bu izler “yaşayan ayak izi” olarak ayrıca kaydedilmelidir. Üçüncüsü, çağdaş eğitim veya yapay zekâ uygulamasına aktarılırken kavramın taşıdığı tarihî ve semantik mesafe açıkça belirtilmelidir.

İşleme Adımı Soru Üretilecek Veri Alanı
Filolojik kayıt Kelimenin DLT’deki biçimi nedir? madde_basi, yazim, varyant
Kök ve yapı Kelime hangi kök veya yapı ilişkisiyle açıklanabilir? kok, ek, morfoloji, tureme
Karşılık Kâşgarlı hangi Arapça veya açıklayıcı karşılığı verir? klasik_karsilik, aciklama
Bağlam Örnek, şiir, atasözü veya kullanım var mı? ornek, siir, atasozu, kullanim
Lehçe ve topluluk Boy, lehçe veya ağız farkı belirtilmiş mi? lehce, boy, topluluk
Coğrafya Harita veya yer ilişkisi kurulabilir mi? yer, rota, havza, GIS
Çağdaş iz Bugünkü Türkçe veya lehçelerde ayak izi var mı? yasayan_iz, varyant_modern
Pedagojik aktarım Öğrenciye hangi görev verilecek? kavram_gorevi, vaka, portfolyo

Bu yöntem, DLT’den alınan her veriyi yapay zekâ için doğrudan eğitim verisi hâline getirmez. Tam tersine, DLT verisini katmanlandırır. Böylece model, bir kelimenin tarihî biçimini çağdaş anlamla karıştırmaz; hangi katmanda konuştuğunu bilir.

24. Alaturka Kavram Grafı: Düğüm, Kenar ve Bağlam Türleri

DLT-Edu LLM’in teknik çekirdeği bilgi grafıdır. Bilgi grafı, kavramların yalnız liste olarak tutulmasını değil, birbirleriyle ilişkili düğümler hâlinde modellenmesini sağlar. Bu yaklaşımda “emanet” yalnız bir kelime değildir; akit, veri, mal, müşteri, hak, hesap verme, ihanet, güven, teslim, kabz, ürün pasaportu ve dijital kimlik gibi düğümlerle ilişkili bir anlam ağıdır.

Alaturka Kavram Grafı’nda düğüm türleri yalnız kelimelerden oluşmaz. Metinler, müellifler, coğrafyalar, mezhepler, meslekler, ürünler, standartlar, kurumlar, kişiler, tarihî dönemler ve dijital nesneler de düğüm olabilir. Bu, serinin ilk dört makalesindeki mimariyi teknik düzeye taşır: medrese metin düğümünü, şura norm düğümünü, AhiLab meslek düğümünü, Kervansaray 5.0 ise ürün ve coğrafya düğümünü sağlar.

Düğüm Türü Örnek İlişki Türleri
Kavram emanet, icazet, edep dar karşılık, eksik anlam, normatif bağ
Metin DLT, fütüvvetnâme, TDV maddesi açıklar, örnek verir, kaynak olur
Dil Türkçe, Arapça, Farsça, İngilizce eşleşir, ayrışır, köprü kurar
Meslek debbağlık, yazılım, gıda kullanır, öğretir, kalite sınar
Ürün deri ürün, gıda ürünü, yazılım modülü adlandırır, sınıflandırır, pasaportlar
Coğrafya Mâverâünnehir, Anadolu, Balkanlar dolaşır, yerleşir, havza kurar
Norm KVKK, VC, fütüvvetnâme sınırlar, doğrular, risk üretir
Kişi/rol hoca, usta, talip, şura üyesi icazet verir, denetler, öğrenir

Bu graf yapısı sayesinde öğrenci bir kavramı okuduğunda yalnız tanım görmez. Kavramın hangi metinlerde geçtiğini, hangi mesleklerde kullanıldığını, hangi dijital standartlarla ilişkilendirilebileceğini ve hangi riskleri taşıdığını görür. Böylece kelime, token olmaktan çıkıp öğrenilebilir bir anlam düğümüne dönüşür.

25. Eğitim Kademelerine Göre DLT-Edu Kullanım Modeli

DLT-Edu LLM bütün öğrencilere aynı derinlikte kavram sunmamalıdır. İlkokul öğrencisiyle üniversite öğrencisinin, meslek lisesi öğrencisiyle müderris adayının, AhiLab kalfasıyla yapay zekâ geliştiricisinin ihtiyacı aynı değildir. Bu nedenle sistem eğitim kademelerine göre açılan katmanlı bir yapı olarak tasarlanmalıdır.

Kademe Ana Amaç DLT-Edu Kullanımı
İlkokul Kelime sevgisi, okuma, temel anlam Kısa kavram hikâyesi, resimli örnek, basit görev
Ortaokul Kavram farkı ve bağlam Kök ipucu, yanlış karşılık uyarısı, küçük vaka
Lise Çok dilli karşılık ve kaynak bilinci Kavram kartı, kaynak karşılaştırma, kısa münazara
Meslek lisesi / AhiLab Meslek dili ve ürün bağlantısı Beceri sözlüğü, ürün pasaportu, proof of skill görevi
Üniversite Norm, teori ve eleştirel okuma Çok fıkıhlı/normatif çeviri, kaynak tenkidi, rapor
Uzmanlık / şura Korpus, yönetişim ve model denetimi Bias analizi, kavram hizalama, veri tasfiye kararı

Bu seviyeleme bilişsel yük eleştirisinin cevabıdır. Alaturka Kavram Kartı bütün katmanları bir anda açmaz; kullanıcının yaşı, seviyesi, amacı ve mesleki bağlamına göre kademeli olarak açılır. Böylece anlam derinliği korunur, fakat öğrenci ağır kavram yığını altında ezilmez.

26. DLT-Edu LLM İçin Örnek Rubrik

Bir yapay zekâ sisteminin eğitimsel niteliği yalnız kullanıcı sayısıyla veya cevap hızısıyla ölçülemez. DLT-Edu LLM için değerlendirme rubriği kavram, kaynak, bağlam, pedagojik etki ve etik güvenlik boyutlarını birlikte içermelidir.

Ölçüt 1 Puan 3 Puan 5 Puan
Kavram doğruluğu Dar ve hatalı karşılık verir Temel anlamı doğru verir Tarihî, normatif ve çağdaş katmanları ayırır
Kaynak şeffaflığı Kaynak yok veya uydurma Genel kaynak gösterir Doğru kaynak, sürüm ve bağlam gösterir
Anlam kayması uyarısı Uyarı yok Bazı dar karşılıkları belirtir Çok dilli ve teknik kayıpları açıklar
Pedagojik uygunluk Seviyeye uygun değil Kısmen uygun Yaş, seviye ve göreve göre ayarlanmış
Cinsiyet/kapsayıcılık Tarihî biası yeniden üretir Kısmen nötrleştirir Biası işaretler ve kapsayıcı alternatif sunar
Normatif sınır Hüküm verir gibi konuşur Genel uyarı yapar Kaynak, görüş ve insan denetimi sınırını belirtir
Halüsinasyon kontrolü Kaynakla ilgisiz iddia üretir Bazı kaynak dışı yorumlar var Cevap kaynaklara izlenebilir biçimde bağlıdır

Bu rubrik, model geliştirme sürecinde de kullanılabilir. Her yeni kavram kartı, her yeni RAG kaynağı ve her yeni norm çevirisi çıktısı bu rubrikle test edilmelidir.

27. DLT-Edu LLM ve Öğretmen/Müderris Rolü

DLT-Edu LLM öğretmen, müderris veya ustanın yerine geçmek için tasarlanmamalıdır. Modelin görevi, öğretmenin kavram öğretimi, kaynak yönlendirme, vaka üretimi, çok dilli karşılaştırma ve öğrenci portfolyosu takibi işini desteklemektir. Nihai pedagojik sorumluluk insanda kalır.

Bu noktada öğretmen üç role sahiptir. Birincisi, kaynak rehberidir: Hangi metnin hangi seviyede okunacağını belirler. İkincisi, kavram hakemidir: Modelin ürettiği kavram açıklamasını öğrencinin seviyesine göre düzeltir. Üçüncüsü, portfolyo değerlendiricisidir: Öğrencinin kavramı yalnız tekrar edip etmediğini değil, vaka içinde kullanıp kullanamadığını inceler.

Bu yaklaşım Makdisi’nin medrese ve ilim kurumları üzerine çalışmalarıyla, Illich’in okul merkezli eğitime yönelik eleştirileriyle ve serinin önceki makalelerinde kurulan hoca-halfe-icazet mimarisiyle birlikte okunabilir.1819

28. Kervansaray 5.0’a Geçiş: Semantik Omurgadan Mekânsal Dijital İkize

Serinin altıncı makalesi Kervansaray 5.0’a geçerken DLT-Edu LLM’in görevi daha da somutlaşır. Kervansaray 5.0 yalnız lojistik, depo veya ticaret ağı değildir; ürün, pazar, şehir, yol, emanet, güven, sözleşme ve anlamın dijital ikizidir. Böyle bir dijital ikizin doğru çalışması, ürünlerin ve mesleklerin doğru adlandırılmasına bağlıdır.

Bir akıllı depo sensörü sıcaklık, nem, ağırlık, hareket ve stok verisi üretebilir. Fakat bu verinin ne anlama geldiğini ürün ontolojisi belirler. Gıda ürünü için sıcaklık emanet ve sağlık meselesidir; deri ürün için nem kalite meselesidir; ilaç veya medikal ürün için regülasyon ve insan sağlığı meselesidir. DLT-Edu LLM, sensör verisinin hangi ürün, hangi norm, hangi kalite ölçütü ve hangi fütüvvetnâme başlığıyla ilişkili olduğunu gösteren semantik katmanı sağlar.

Kervansaray 5.0 Bileşeni DLT-Edu Katkısı
Akıllı depo Ürün adı, kalite ölçütü, emanet riski ve veri anlamı
Dijital ürün pasaportu Malzeme, menşe, meslek, GTİP/HS ve kültürel anlam
GTİP Token Ürünün doğru sınıflandırılması ve temsil sınırı
Dijital Panayır Ürün hikâyesi, müşteri dili ve pazar güveni
Ticaret-tasavvuf ağı Emanet, ahit, söz, dua, itibar ve şahitlik kavramları
Şura denetimi Normatif risk, veri emaneti ve ürün beyanı kontrolü

Böylece Makale 5, Makale 6’nın teknik ve kavramsal ön şartıdır. Kervansaray 5.0’ın fiziksel/dijital pazar modeli, DLT-Edu LLM’in kavram ve ürün ontolojisi olmadan yalnız depo otomasyonu veya ticaret platformu olarak kalır. Alaturka modelin farkı, ürünün yalnız ticari nesne değil; emanet, kalite, söz, güven ve anlam taşıyıcısı olduğunu göstermesidir.

 

 

Ekler

Ek 1. DLT-Edu LLM Veri Akışı

Akredite korpus -> OCR/transliterasyon -> kaynak güven skoru -> kavram çıkarımı -> etimolojik tahkik -> çok dilli hizalama -> kavram kartı -> bilgi grafı -> RAG -> vaka üretimi -> öğrenci portfolyosu -> insan/şura denetimi -> dijital icazet / learning passport.

Ek 2. DLT-Edu Prompt ve Arayüz İlkeleri

Öğrenci Komutu Sistemin İlk Cevabı Pedagojik Amaç
Bana emanet hakkında yazı yaz Önce emanet kavram kartını, 3 kaynak ve 2 anlam kayması uyarısını gösterir Hazır metin yerine okuma ve tahkik
İcazet nedir? Certificate ile farkını tabloya döker, medrese/AhiLab/dijital karşılığı ayırır Dar karşılık riskini gösterme
Bu ürünü tokenleştir Önce ürün adı, GTİP/HS, kalite, emanet, veri ve teslim ilişkisini sorar Teknik işlemden önce normatif ve ürün ontolojisi
Bu metni özetle Önce ana kavramları ve kaynak güven düzeyini çıkarır Özet öncesi kavram analizi

Ek 3. Dijital İcazet İçin Örnek Veri Alanları

Alan Açıklama
issuerDID İcazeti veren hoca/usta/kurum DID bilgisi9
holderDID İcazeti alan talip/öğrenci DID bilgisi
credentialType İcazet, dijital şed, kavram kazanımı, proof of skill vb.
scope Yetkinliğin sınırı: hangi kitap, kavram, meslek veya ürün alanı
evidence Portfolyo, ürün, vaka, öğretme kanıtı, kaynaklı cevap
validity Süre ve yenileme şartı
revocation Geri çekme veya askıya alma mekanizması
ethicsCommitment Fütüvvetnâme, veri emaneti veya meslekî etik taahhüt
sourceLinks Kullanılan akredite kaynakların kayıtları
privacyMode Seçici ifşa ve mahremiyet ayarları10

Ek 4. Prototip Kavram Listesi

İlk prototipte şu kavramlarla başlanması önerilir: edep, emanet, icazet, meleke, fütüvvet, şura, talim, terbiye, ahilik, ürün, kabz, vakıf, irfan, hizmet, pazar, kervansaray, şed, usta, talip, veri emaneti.

Ek 5. Kaynak Güven Skoru Taslağı

Puan Kaynak Tipi Kullanım
5 Birincil metin / tıpkıbasım / akademik kritik neşir Kavram kökü ve tarihî analiz
4 Hakemli akademik yayın / TDV maddesi / resmî standart Açıklama ve temel bilgi
3 Uzman kitap / güvenilir kurumsal rapor Bağlam ve destekleyici okuma
2 Web yazısı / popüler kaynak Yalnız karşılaştırma veya örnek
1 Kaynağı belirsiz metin Model eğitiminde kullanılmaz; ancak dezenformasyon örneği olabilir

Dipnotlar ve Kaynak Açıklamaları

  1. Mustafa S. Kaçalin, ‘Dîvânü Lugāti’t-Türk’, TDV İslâm Ansiklopedisi, https://islamansiklopedisi.org.tr/divanu-lugatit-turk. Madde, eserin Kâşgarlı Mahmud tarafından Araplara Türkçeyi öğretmek ve Türkçenin zenginliğini göstermek amacıyla yazıldığını; 464/1072’de başlanıp 466/1074’te tamamlandığını belirtir.
  2. Ömer Faruk Akün, ‘Kâşgarlı Mahmud’, TDV İslâm Ansiklopedisi, https://islamansiklopedisi.org.tr/kasgarli-mahmud.
  3. UNESCO, Guidance for Generative AI in Education and Research, Paris: UNESCO, 2023; UNESCO rehberi üretken yapay zekânın eğitimde insan-merkezli, etik ve düzenleyici çerçeveler içinde ele alınması gerektiğini vurgular.
  4. Robert Dankoff ve James Kelly, Mahmūd al-Kāšγarī: Compendium of the Turkic Dialects, 3 cilt, Harvard University, 1982-1985.
  5. Gerard Clauson, An Etymological Dictionary of Pre-Thirteenth-Century Turkish, Oxford: Clarendon Press, 1972.
  6. Ahmet Bican Ercilasun ve Ziyat Akkoyunlu, Kâşgarlı Mahmud: Dîvânu Lugâti’t-Türk, Ankara: Türk Dil Kurumu, 2014.
  7. Tom Gruber, ‘A Translation Approach to Portable Ontology Specifications’, Knowledge Acquisition 5/2 (1993): 199-220.
  8. James Pustejovsky ve Amber Stubbs, Natural Language Annotation for Machine Learning, Sebastopol: O’Reilly, 2012.
  9. W3C, Decentralized Identifiers (DIDs) v1.0, W3C Recommendation, 19 July 2022, https://www.w3.org/TR/did-core/.
  10. W3C, Verifiable Credentials Data Model v2.0, W3C Recommendation, 15 May 2025, https://www.w3.org/TR/vc-data-model-2.0/. W3C ayrıca VC 2.0 ailesinin 15 Mayıs 2025’te W3C Recommendation statüsüne geçtiğini duyurmuştur.
  11. World Customs Organization, ‘What is the Harmonized System (HS)?’, https://www.wcoomd.org/en/topics/nomenclature/overview/what-is-the-harmonized-system.aspx. WCO, HS’nin 200’den fazla ülke ve ekonomi tarafından gümrük tarifeleri ve dış ticaret istatistikleri için temel alındığını belirtir.
  12. GS1, Digital Product Passport ve izlenebilirlik standartlarına ilişkin açıklamalar, https://www.gs1.org/standards.
  13. Emily M. Bender vd., ‘On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?’, FAccT 2021. Metin, büyük dil modellerinin veri, anlam, temsil ve çevresel maliyet risklerini tartışır.
  14. Safiya Umoja Noble, Algorithms of Oppression: How Search Engines Reinforce Racism, New York: NYU Press, 2018. Algoritmik sistemlerin tarihsel önyargıları yeniden üretebilmesi bakımından önemlidir.
  15. 6698 sayılı Kişisel Verilerin Korunması Kanunu, özellikle kişisel verilerin hukuka ve dürüstlük kurallarına uygun, belirli, açık ve meşru amaçlar için, sınırlı ve ölçülü işlenmesi ilkelerini düzenler. Bkz. Kişisel Verileri Koruma Kurumu, https://www.kvkk.gov.tr/.
  16. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), EUR-Lex, http://data.europa.eu/eli/reg/2024/1689/oj.
  17. Lawrence Lessig, Code and Other Laws of Cyberspace, New York: Basic Books, 1999; ‘code is law’ tartışması dijital mimarinin normatif sonuçlarını anlamak bakımından kullanışlıdır.
  18. George Makdisi, The Rise of Colleges: Institutions of Learning in Islam and the West, Edinburgh: Edinburgh University Press, 1981.
  19. Ivan Illich, Deschooling Society, New York: Harper & Row, 1971.
  20. Tarihî dil verileri, OCR, transliterasyon ve anotasyon problemleri için dijital beşerî bilimler ve dil kaynakları altyapısı literatürü dikkate alınmalıdır; bu metinde bu alanın ayrıntıları prototip aşamasına bırakılmıştır.

Kaynakça

  • Akün, Ömer Faruk. “Kâşgarlı Mahmud.” TDV İslâm Ansiklopedisi. https://islamansiklopedisi.org.tr/kasgarli-mahmud.
  • Bender, Emily M., Timnit Gebru, Angelina McMillan-Major ve Shmargaret Shmitchell. “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?” FAccT 2021.
  • Clauson, Gerard. An Etymological Dictionary of Pre-Thirteenth-Century Turkish. Oxford: Clarendon Press, 1972.
  • Dankoff, Robert ve James Kelly. Mahmūd al-Kāšγarī: Compendium of the Turkic Dialects. 3 cilt. Harvard University, 1982-1985.
  • Ercilasun, Ahmet Bican ve Ziyat Akkoyunlu. Kâşgarlı Mahmud: Dîvânu Lugâti’t-Türk. Ankara: Türk Dil Kurumu, 2014.
  • European Union. Regulation (EU) 2024/1689, Artificial Intelligence Act. EUR-Lex, 2024.
  • Gruber, Tom. “A Translation Approach to Portable Ontology Specifications.” Knowledge Acquisition 5/2 (1993): 199-220.
  • Illich, Ivan. Deschooling Society. New York: Harper & Row, 1971.
  • Kaçalin, Mustafa S. “Dîvânü Lugāti’t-Türk.” TDV İslâm Ansiklopedisi. https://islamansiklopedisi.org.tr/divanu-lugatit-turk.
  • Lawrence Lessig. Code and Other Laws of Cyberspace. New York: Basic Books, 1999.
  • Makdisi, George. The Rise of Colleges: Institutions of Learning in Islam and the West. Edinburgh: Edinburgh University Press, 1981.
  • Noble, Safiya Umoja. Algorithms of Oppression: How Search Engines Reinforce Racism. New York: NYU Press, 2018.
  • Pustejovsky, James ve Amber Stubbs. Natural Language Annotation for Machine Learning. Sebastopol: O’Reilly, 2012.
  • Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023.
  • Decentralized Identifiers (DIDs) v1.0. W3C Recommendation, 19 July 2022. https://www.w3.org/TR/did-core/.
  • Verifiable Credentials Data Model v2.0. W3C Recommendation, 15 May 2025. https://www.w3.org/TR/vc-data-model-2.0/.
  • World Customs Organization. “What is the Harmonized System (HS)?” https://www.wcoomd.org/en/topics/nomenclature/overview/what-is-the-harmonized-system.aspx.
  • Standards and Digital Product Passport / Traceability Resources. https://www.gs1.org/standards.
  • 6698 sayılı Kişisel Verilerin Korunması Kanunu ve Kişisel Verileri Koruma Kurumu kaynakları. https://www.kvkk.gov.tr/.
  • Yeni Yüksel USPUM Seri Makaleler https://www.uspum.org.tr/yapay-zeka-cagi-icin-tarihsel-paradigma-ve-teknik-yol-haritasi/
Yüksel YENİ
Siyasetçi - Yazar