Dergiler / Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi / 2026 / Cilt: 28 Sayı: 3

ÜRETKEN YAPAY ZEKÂ (CHATGPT) DESTEKLİ TÜRKÇE-HİNTÇE (HİNDĪ) ÇEVİRİ EĞİTİMİ: DİJİTAL FİLOLOJİ PERSPEKTİFİNDEN BİR UYGULAMA

GENERATIVE ARTIFICIAL INTELLIGENCE (CHATGPT) ASSISTED TURKISH-HINDI TRANSLATION EDUCATION: A CLASSROOM APPLICATION FROM THE PERSPECTIVE OF DIGITAL PHILOLOGY

Canan Yoğurt(ÇUKUROVA ÜNİVERSİTESİ)0000-0002-6841-108X
Esra Büyükbahçeci(ANKARA ÜNİVERSİTESİ)
Sayfa
1304–1333
Yayın Tarihi
2026-09-15
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen bulgular, yapay zekâ tarafından üretilen çevirilerin yüzeysel doğruluk göstermesine karşın, bağlamsal ve yapısal düzeyde tutarsızlıklar içerebildiğini ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Ankara Üniversitesi Dil ve Tarih-Coğrafya Fakültesi Hindoloji Anabilim Dalında yürütülen lisans düzeyindeki HİN338 Türkçe-Hintçe (Hindī) Çeviri dersi kapsamında, dijital filoloji perspektifinden yapay zekâ destekli çeviri uygulamalarının eğitim yönündeki etkilerini incelemektedir.
📊
Temel Bulgular & Veri:Araştırmanın temel amacı, Türkçeden Hintçeye (Hindī) çeviri sürecinde yapay zekâ araçlarının kullanımının öğrencilerin dilsel farkındalığı, çeviri stratejileri ve eleştirel değerlendirme becerileri üzerindeki etkisini ortaya koymaktır.
💡
Sonuç & Katkı:Elde edilen bulgular, yapay zekâ tarafından üretilen çevirilerin yüzeysel doğruluk göstermesine karşın, bağlamsal ve yapısal düzeyde tutarsızlıklar içerebildiğini ortaya koymaktadır.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Üretken Yapay Zekâ · Dijital Filoloji · Hintçe (Hindī)

Özet

Bu çalışma, Ankara Üniversitesi Dil ve Tarih-Coğrafya Fakültesi Hindoloji Anabilim Dalında yürütülen lisans düzeyindeki HİN338 Türkçe-Hintçe (Hindī) Çeviri dersi kapsamında, dijital filoloji perspektifinden yapay zekâ destekli çeviri uygulamalarının eğitim yönündeki etkilerini incelemektedir. Çalışma, ders temelli bir uygulama süreci üzerinden yürütülen nitel bir eylem araştırması olarak tasarlanmıştır. Araştırmanın temel amacı, Türkçeden Hintçeye (Hindī) çeviri sürecinde yapay zekâ araçlarının kullanımının öğrencilerin dilsel farkındalığı, çeviri stratejileri ve eleştirel değerlendirme becerileri üzerindeki etkisini ortaya koymaktır. Ders temelli uygulama sürecinde, öğrenciler tarafından üretilen Türkçe cümlelerin ChatGPT aracılığıyla Hintçeye (Hindī) çevrilmesi ve ortaya çıkan çeviri çıktılarının sınıf ortamında karşılaştırmalı olarak analiz edilmesi esas alınmıştır. Bu analizlerde özellikle sözdizimi, kip ve zaman uyumu, durum ekleri ve bağlama uygun sözcük seçimi gibi alanlarda ortaya çıkan hata türleri incelenmiştir. Elde edilen bulgular, yapay zekâ tarafından üretilen çevirilerin yüzeysel doğruluk göstermesine karşın, bağlamsal ve yapısal düzeyde tutarsızlıklar içerebildiğini ortaya koymaktadır. Ancak bu hataların tartışma ve düzeltme süreçleri aracılığıyla ele alınması, öğrencilerin hedef dile yönelik dilsel farkındalıklarının ve çeviri sürecine eleştirel yaklaşma becerilerinin gelişmesine katkı sağlamıştır. Sonuç olarak çalışma, yapay zekâ destekli çeviri araçlarının tek başına değil, rehberli ve eleştirel yaklaşımlarla bütünleştirildiğinde çeviri eğitiminde işlevsel ve verimli bir araç olarak kullanılabileceğini göstermektedir.

Abstract

This study examines the educational implications of AI-assisted translation practices from a digital philology perspective within the context of the undergraduate course HIN338 Turkish-Hindi Translation offered at the Faculty of Language, History and Geography, Ankara University, Indology Department. The primary aim of the study is to explore the effects of using AI-based tools in the Turkish-to-Hindi (Hindī) translation process on students’ linguistic awareness, translation strategies, and critical evaluation skills. Within the course-based implementation, Turkish sentences produced by students were translated into Hindi using ChatGPT, and the resulting translation outputs were comparatively analyzed in a classroom setting. The analysis focused in particular on recurrent error types related to syntax, tense-aspect agreement, case marking, and contextually appropriate lexical choice. The findings indicate that while AI-generated translations may demonstrate surface-level accuracy, they often involve inconsistencies at contextual and structural levels. However, addressing these issues through guided discussion and revision processes contributed to the development of students’ linguistic awareness of the target language and their ability to adopt a critical approach to the translation process. Overall, the study suggests that AI-assisted translation tools can serve as effective and pedagogically meaningful resources in translation education when integrated with guided and critical instructional approaches, rather than being used in isolation.

🔖

Bu Makaleye Atıf Yap

Yoğurt, C., Büyükbahçeci, E. (2026). ÜRETKEN YAPAY ZEKÂ (CHATGPT) DESTEKLİ TÜRKÇE-HİNTÇE (HİNDĪ) ÇEVİRİ EĞİTİMİ: DİJİTAL FİLOLOJİ PERSPEKTİFİNDEN BİR UYGULAMA. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 28 Sayı: 3, 1304–1333. https://doi.org/10.16953/deusosbil.1778962

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (18)

  1. Assael, Y., Sommerschield, T., Cooley, A., Shillingford, B., Pavlopoulos, J., Suresh, P., Herms, B., Grayston, J., Maynard, B., Dietrich, N., Wulgaert, R., Prag, J., Mullen, A. & Mohamed, S. (2025). Contextualizing ancient texts with generative neural networks. Nature 645, 141-147. https://doi.org/10.1038/s41586-025-09292-5
  2. Bod, R. (2013). A new history of the humanities: the search for principles and patterns from antiquity to the present. Oxford University Press.
  3. Boros, E., Ehrmann, M., Romanello, M., Najem-Meyer, S. & Kaplan, F. (2024). Post-correction of historical text transcripts with large language models: An exploratory study. In Proceedings of the 8th Joint SIGHUM Workshop on Computational Linguistics for Cultural Heritage, Social Sciences, Humanities and Literature (LaTeCH-CLfL 2024) (pp. 133-159). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.latechclfl-1.14
  4. Burnard, L. (2014). What is the text encoding ınitiative? how to add intelligent markup to digital resources. OpenEdition Press. https://doi.org/10.4000/books.oep.426
  5. Driscoll, M. J. & Pierazzo, E. (Eds.). (2016). Digital scholarly editing: theories and practices. Open Book Publishers. https://doi.org/10.11647/OBP.0095
  6. Floridi, L. & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681-694.
  7. Genç, A. & Çınar Yağcı, Ş. (2024). Çeviribilim alanında yapay zekâ üzerine ulusal alan yazında yazılmış makalelerin eğilimleri üzerine bir araştırma. Kırıkkale Üniversitesi Sosyal Bilimler Dergisi, 14(3), 119-136. https://izlik.org/JA85BK37KR
  8. Gençer Baloğlu, Z. (2022). Yapay zekâ sōseki’yi nasıl okur? -eyleyenler modeli oluşturma ve duygu analizi denemesi. Humanitas-Uluslararası Sosyal Bilimler Dergisi, 10(20), 160-182. https://doi.org/10.20304/humanitas.1147658
  9. Jänicke, S., Franzini, G., Cheema, M. F. & Scheuermann, G. (2015). On close and distant reading in digital humanities: A survey and future challenges. EuroVis (STARs), 83-103.
  10. Jiao, W., Wang, W., Huang, J.-T., Wang, X., Shi, S. & Tu, Z. (2023). Is ChatGPT a good translator? yes with GPT-4 as the engine. (Preprint). arXiv. https://arxiv.org/abs/2301.08745.
  11. Lönnroth, H. (2020). Philology. Oxford Research Encyclopedia of Literature. https://doi.org/10.1093/acrefore/9780190201098.013.999
  12. Oğuz, D. (2025). Doğal dil işleme, derin öğrenme ve metin işleme: çeviri süreçlerine yönelik bir inceleme. Uluslararası Dil ve Çeviri Çalışmaları Dergisi, 5(1), 166-195. https://doi.org/10.63673/Lotus.1659574
  13. Özer, F. (2025). Klasik Türk edebiyatı çalışmalarında yapay zekâ kullanımı üzerine gelecek perspektifleri ve öneriler. Akademik Dil ve Edebiyat Dergisi, 9(2), 884-903. https://doi.org/10.34083/akaded.1705054
  14. Rosu, P. (2025). Litera: An LLM based approach to Latin-to-English translation. In Findings of the Association for Computational Linguistics: NAACL 2025 (pp. 7796-7809). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.findings-naacl.434
  15. Sahari, Y., Al-Kadi, A. M. T. & Ali, J. K. M. (2023). A cross sectional study of ChatGPT in translation: Magnitude of use, attitudes, and uncertainties. Journal of Psycholinguistic Research, 52(6), 2937-2954. https://doi.org/10.1007/s10936-023-10031-y
  16. Takan, S., Bingöl, B., Masalcı Şahin, G. & Sir Gavaz, Ö. (2024). Hitit çivi yazılı tabletlerin yapay zeka algoritmaları ile okunması. Bilişim Teknolojileri Dergisi, 17(3), 199-205. https://doi.org/10.17671/gazibtd.1434452.
  17. Türkmen, B. & Koçlu Maman, S. (2024). Yapay zeka destekli haber metni üretimi ve çevirilerinin karşılaştırmalı bir analizi: Chatgpt-4o örneği. IU Journal of Translation Studies, 21, 212-229. https://doi.org/10.26650/iujts.2024.1552550
  18. Yazal, Y. & Yılmaz, S. (2024). Altyazı çevirilerinde insan ve yapay zekâ tabanlı çeviri modellerinin karşılaştırmalı analizi: Arapça Türkçe örneği. RumeliDE Dil ve Edebiyat Araştırmaları Dergisi, (41), 1321-1332. https://zenodo.org/record/13338079