Journals / Uluslararası Dil Edebiyat ve Kültür Araştırmaları Dergisi / 2026 / Cilt: 9 Sayı: 2

ACCURATE TRANSFER OF MEANING-IMPACTING RHETORICAL ELEMENTS IN TRANSLATION: A COMPARATIVE STUDY OF LARGE LANGUAGE MODELS

ANLAMA ETKİ EDEN BELÂGAT UNSURLARININ ÇEVİRİYE DOĞRU AKTARIMI: BÜYÜK DİL MODELLERİ ÜZERİNE KARŞILAŞTIRMALI BİR İNCELEME

Mehmet Emin Güzel(Aksaray Üniversitesi İslami İlimler Fakültesi)0000-0001-6049-6616
Pages
690–708
Publication Date
2026-06-30
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

These findings demonstrate that although AI models have advanced in identifying literary devices, they still require the human mind for deeper reasoning.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Although AI-based large language models (LLMs) have made considerable progress in translation, imagery-rich literary forms like poetry still represent significant milestones that this technology has yet to surpass.
📊
Key Findings & Data:This study aims to reveal the extent to which rhetorical elements that directly affect meaning and can be concretely identified in the translation process are accurately detected by large language models (LLMs).
💡
Conclusion & Impact:These findings demonstrate that although AI models have advanced in identifying literary devices, they still require the human mind for deeper reasoning.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Arap Dili ve Belâgatı · Belâgat İlmi · Şiir

Abstract

Although AI-based large language models (LLMs) have made considerable progress in translation, imagery-rich literary forms like poetry still represent significant milestones that this technology has yet to surpass. This study aims to reveal the extent to which rhetorical elements that directly affect meaning and can be concretely identified in the translation process are accurately detected by large language models (LLMs). For this purpose, verses from classical Arabic poetry that exemplify rhetorical phenomena discussed in the sciences of bayān, maʿānī, and badīʿ were selected for translation. The translations of these couplets, generated by Gemini 3 Pro, ChatGPT-5.1, and DeepSeek, were subjected to a qualitative comparative analysis. In the analysis of 14 rhetorical devices, Gemini achieved 6 successes, while DeepSeek and ChatGPT followed with 5 and 4, respectively. While ChatGPT and DeepSeek showed parallel results, Gemini distinguished itself by effectively conveying complex structures. Additionally, all three models proved insufficient at comprehending metaphorical expressions and figurative language from context. These findings demonstrate that although AI models have advanced in identifying literary devices, they still require the human mind for deeper reasoning.

Özet

Yapay zekâ temelli büyük dil modelleri (LLM), çeviri konusunda önemli mesafeler katetmiş olsa da şiir gibi imge yoğunluğu yüksek edebi türler, bu teknoloji için hala aşılması gereken önemli eşikler barındırır. Bu çalışma anlama doğrudan yansıyan ve çeviri sürecinde somut olarak tespiti mümkün olan belagat unsurlarının, büyük dil modelleri (LLM) tarafından ne derece doğru saptanabildiğini ortaya koymayı amaçlamaktadır. Bu kapsamda çeviri için beyân, meânî ve bedî’ ilimlerine konu olan klasik Arap şiirinden beyitler belirlenmiştir. Bu beyitler Gemini 3 Pro, ChatGPT-5.1 ve DeepSeek modelleri tarafından çevrilmiş ve bu çeviriler nitel karşılaştırmalı analiz yöntemiyle tahlil edilmiştir. Tahlil edilen 14 belâgat sanatında Gemini 6, DeepSeek 5, ChatGPT ise 4 başarı skorları elde etmiştir. ChatGPT ve DeepSeek paralel sonuçlar sergilerken, Gemini karmaşık yapıları aktarmadaki başarısıyla rakiplerinden ayrışmıştır. Ayrıca her üç modelin metaforik ifadeleri ve karineye dayalı mecâzî anlatımları kavramakta yetersiz kaldığı görülmüştür. Bu sonuçlar, modellerin edebi sanatları tespit etme konusunda gelişim gösterse de muhakeme noktasında hâlâ insan zihnine ihtiyaç duyduğunu kanıtlamaktadır.

🔖

Cite This Article

Güzel, M. E. (2026). ACCURATE TRANSFER OF MEANING-IMPACTING RHETORICAL ELEMENTS IN TRANSLATION: A COMPARATIVE STUDY OF LARGE LANGUAGE MODELS. Uluslararası Dil Edebiyat ve Kültür Araştırmaları Dergisi, Cilt: 9 Sayı: 2, 690–708. https://doi.org/10.37999/udekad.1912495

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (34)

  1. Aslan, E. (2024). Yapay zekâ destekli çeviri araçlarının edebi çevirideki yeterlilikleri üzerine karşılaştırmalı bir inceleme. İstanbul Üniversitesi Çeviribilim Dergisi / Istanbul University Journal of Translation Studies, (20), 32–45. https://doi.org/10.26650/iujts.2024.1426435
  2. Belhassen, S., (2025) Hakami, A., Alzobidy, S., Hamda, A. Navigating the complexities of AI-driven literary translation: Challenges and perspectives across diverse user groups. International Journal of Innovative Research and Scientific Studies, 8(3), 3571-3580
  3. Bahar, H. (2025). Yapay zekâ ile Arapça edebi analiz çalışması: Semîh el-Kâsım ve Murid el-Bergûsî'nin şiirleri. E. Çilek & B. Can (Eds.), Arap Dilinde Yapay Zekâ Destekli Çeviri, Eğitim ve Edebiyat Araştırmaları (ss. 165–175).
  4. Cambridge Dictionary. (t.y.). Artificial intelligence. Cambridge University Press. Retrieved January 5, 2026, from https://dictionary.cambridge.org/dictionary/english/artificial-intelligence
  5. Cambridge Dictionary. (t.y.). Hallucination. Cambridge University Press. Retrieved January 18, 2026, from https://dictionary.cambridge.org/dictionary/english/hallucination
  6. Cârimî, A. (1984). El-belâğetü'l-vâzıha. Kahraman Yayınları.
  7. Dağbaşı, G., & Özcan, M. (2025). Yapay zekâ ve şiiriyet. E. Çilek & B. Can (Eds.), Arap Dilinde Yapay Zekâ Destekli Çeviri, Eğitim ve Edebiyat Araştırmaları (ss. 7–20).
  8. Dalmış, E., & Yıldız, M. (2025). Makine Çevirisinin Sınırları: Edebi Metin Türünde Makine Çevirisi Kalite Analizi. Uluslararası Dil Edebiyat ve Kültür Araştırmaları Dergisi, 8(1), 314-326. https://doi.org/10.37999/udekad.1627217
  9. Ebû Sülmâ, Z. (t.s.). Dîvânu Züheyr b. Ebî Sülmâ. Dârü'l-Mâ'rife.
  10. El-cürcânî, A. (2001). Delâilu’l-iʿcâz fî ʿilmi’l-meʿânî. Dârü'l-Kütübi'l-'İlmiyye.
  11. El-hüzelî, E. (1965). Dîvânü'l-hüzelîyyîn. ed-Dârü'l-Kavmîyye li't-Tıba'a ve'n-Neşr.
  12. El-kazvînî, E. (2002). el-Îzâh. Dârü'l-Kütübi'l-'İlmiyye.
  13. El-kazvînî, E. (2016). Telhîsü'l-Miftâh. Mektebetü'l-Medine.
  14. El-merzûkî, E. (2003). Şerhu dîvânu’l-hamâse. Dârü'l-Kütübi'l-'İlmiyye.
  15. El-mütenebbî, E. (1983). Dîvânu Ebi’t-Tayyib el-Mütenebbî. Dâru Beyrut.
  16. Es-sekkâkî, E. (1987). Miftâhu’l-ʿulûm. Dârü'l-Kütübi'l-'İlmiyye.
  17. Es-süyûtî, E. (2012). ʿUkûdu’l-cumân fî ʿilmi’l-meʿânî ve’l-beyân. Dârü'l-İmâm Müslim.
  18. Ez-zevzenî, A. (t.s.). Hamâsetu’z-zurefâʾ min eşʿâri’l-muhdissîn ve’l-kudemâʾ. b.y.
  19. Emîr es-San'ânî, M. (1964). Divânü'l-Emîr es-San'ânî. Matba'atü'l-Medenî.
  20. Guo, D., Yang, D., Zhang, H., Song, J., Wang, P., Zhu, Q., Xu, R., Zhang, R., Ma, S., Bi, X., Zhang, X., Yu, X., Wu, Y., Wu, Z. F., Gou, Z., Shao, Z., Li, Z., Gao, Z., Liu, A., … Zhang, Z. (2025). DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature, 645(8081), 633–638. https://doi.org/10.1038/s41586-025-09422-z İmruülkays, E. (2009). Dîvânu İmruülkays (5. bs.). Dârü'l-Me'ârif.
  21. Kurt, G. (2024). Yapay Zekânın Çeviriyle İmtihanı: Arapça-Türkçe Şiir Çevirisi Üzerine Bir İnceleme. RumeliDE Dil ve Edebiyat Araştırmaları Dergisi, (42), 638–652. https://doi.org/10.5281/zenodo.13981156
  22. Lebîd b. Rabîʿa, E. (2004). Dîvânu Lebîd b. Rebîʿa el-ʿÂmirî. Dârü'l-Mâ'rife.
  23. Leon, F. (2024). Dictionary of Artifical Intelligence.
  24. Mufaddal ed-Dabbî, M. (1942). el-Mufaddaliyyât. Dârü'l-Me'ârif.
  25. OpenAI. (2022, 30 Kasım). Karşınızda ChatGPT. https://openai.com/tr-TR/index/chatgpt/
  26. Önder, Ş. (2025). Yapay Zekânın Bilimsel Araştırma Sürecine Katılımı Problemi: ChatGPT4o Örneğinde Arap Belâgatinde Haber-İnşâ Ayrımı. Hitit İlahiyat Dergisi, 24 (1), 319-340. https://doi.org/10.14395/hid.1634089
  27. Rü’be b. el-Accâc, E. (ts.). Dîvânu Ru'be b. el-Accâc. Dâru İbn Kuteybe.
  28. Şerif er-Radî. (1961). Dîvânu Şerif er-Radî. Dâru Sâder.
  29. Tanır, E. (2025). Muallakât Şiirleri Örneğinde Yapay Zekâ ve İnsan Çevirisi Arasında Bir Karşılaştırma. Gümüşhane Üniversitesi İlahiyat Fakültesi Dergisi, 28 (2), 513–544. https://doi.org/10.53683/gifad.1638532
  30. Tellioğlu, B. (2018) Şiir Çevirisi Eleştirisinde Çevrilebilirlik/Çevrilemezlik İkiliğini Aşmak. RumeliDE Dil ve Edebiyat Araştırmaları Dergisi, (11), 192-213. https://doi.org/10.29000/rumelide.417493
  31. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need.
  32. Wang, Z., Chu, Z., Doan, T. V., Ni, S., Yang, M., & Zhang, W. (2025). History, development, and principles of large language models: An introductory survey. AI and Ethics, 5 (3), 1955–1971. https://doi.org/10.1007/s43681-024-00583-7
  33. White, J. V. (2023). A prompt pattern catalog to enhance prompt engineering with ChatGPT. Retrieved January 22, 2026, from https://arxiv.org/pdf/2302.11382
  34. Yılmaz, S. (2023). Arapça–Türkçe Çeviri Türlerinde Nöral Makine Çeviri Modellerinin Verimliliği: Chatgpt Örneği. Şarkiyat Mecmuası / Journal of Oriental Studies, (43), 339–355. https://doi.org/10.26650/jos.1324416