Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, ham doğruluk oranlarının nesihte %97,91, rikada %94,32 ve talikte %93,51 seviyesinde gerçekleştiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
İslâm araştırmalarının ana kaynaklarını teşkil eden yazma eserlerin dijital ortama aktarılması, Arap yazısının morfolojik yapısı, harfin kelime içerisindeki konumuna göre değişen harf formları ve hat çeşitliliği sebebiyle Dijital Beşerî Bilimler alanında temel bir problem alanı olarak öne çıkmaktadır. Matbu metinler için geliştirilen klasik optik karakter tanıma (OCR) sistemleri belirli bir başarı düzeyine ulaşmış olsa da yazma eserlerde karşılaşılan paleografik çeşitlilik, düzensiz satır yapıları ve müstensih farklılıkları bu sistemlerin etkinliğini önemli ölçüde sınırlamaktadır. Bu sebeple, son yıllarda özellikle el yazısı metinlerin tanınmasına odaklanan Handwritten Text Recognition (HTR) sistemleri geliştirilmiştir. Buna ilaveten bağlamsal çıkarım kapasitesi yüksek Büyük Dil Modelleri’nin (LLM) bu sürece entegre edilmesi yeni bir araştırma alanı oluşturmuştur. Bu çalışma, Gemini modelinin Arapça yazma eserleri dijital metne dönüştürme performansını, klasik paleografi ilkeleri ve İSAM tahkikli neşir esasları (İTNES) çerçevesinde nicel olarak incelemektedir. Nüsha seçiminde Osmanlı ilim tarihinin velûd isimlerinden Yusufefendizâde’nin (ö. 1167/1754) eserleri merkeze alınmış ve nesih, rika ile talik hatlarıyla istinsah edilen üç farklı nüsha belirlenmiştir. Değerlendirme sürecinde modele bilinçli bir metodolojik gerilim içeren bir komut verilmiş; metne harfiyen sadakat talep edilirken aynı anda hemze ve yâ yazımında modern ortografik kuralların uygulanması istenmiştir. Bu tercih, modelin paleografik sadakat ile editoryal normalizasyon arasındaki dengeyi nasıl kurduğunu ölçmeyi hedeflemektedir. Seçilen metinler, hat türlerinin biçimsel özellikleriyle birlikte tefsir, hadis ve kıraat gibi farklı disiplinlere ait metinleri de sınayacak şekilde belirlenmiştir. Nesih hattı örneği olarak, müellifin Kâdî Beyzâvî’nin Fâtiha tefsirine yazdığı en-Nefhatü’l-fâiha adlı hâşiye; talik hattı için Necâhu’l-kârî adlı Sahîh-i Buhârî şerhinin ilk sayfası; rika hattını temsilen ise şâz kıraatlere reddiye mahiyetindeki Risâle fî reddi’l-kırâati bi’ş-şevâz seçilmiştir. Çalışmada her hat türü için birer sayfa olmak üzere toplam üç sayfa işlenmiştir; nesih örneği 144 kelime ve 813 karakter, talik örneği 256 kelime ve 1.356 karakter, rika örneği ise 216 kelime ve 1.215 karakterden oluşmaktadır. Seçilen nüshaların ilk sayfaları, filtreleme veya kontrast düzenlemesi gibi herhangi bir ön işleme tabi tutulmadan tam sayfa ekran görüntüsü hâlinde modele aynı prompt ile verilmiş; böylece modelin satır akışı ve sayfa düzeni gibi bağlamsal ipuçlarından yararlanması amaçlanmıştır. Model çıktıları üzerinde Python tabanlı Google Colab ortamında standart bir normalizasyon protokolü uygulanmıştır. Elde edilen çıktılar, Levenshtein mesafesine dayalı Karakter Hata Oranı (CER) ve Kelime Hata Oranı (WER) metrikleri üzerinden tahlil edilmiştir. Bulgular, ham doğruluk oranlarının nesihte %97,91, rikada %94,32 ve talikte %93,51 seviyesinde gerçekleştiğini göstermektedir. Ancak hata analizleri, yanlışların büyük ölçüde görsel tanıma eksikliğinden ziyade hemze ve yâ gibi imlâ tercihlerinden kaynaklandığını ortaya koymuştur. Bu unsurlar izole edildiğinde düzeltilmiş doğruluk oranlarının her üç hat türünde de %97–98 bandına ulaştığı tespit edilmektedir. Bu bulgular, standart CER ve WER metriklerinin Arap yazısı bağlamında imlâ esnekliklerine aşırı duyarlı olduğunu ve tek başına kullanıldığında yanıltıcı sonuçlar üretebileceğini göstermektedir. Sonuç olarak, yapay zekâ destekli metin tanıma süreçlerinin uzman denetimiyle birlikte kullanıldığında yarı otomatik bir dijitalleştirme iş akışının temelini oluşturabilecek olgunluğa ulaştığı ve bunun tahkik çalışmalarına belirli oranda hız kazandıracağı anlaşılmaktadır. Bununla birlikte, bu süreçlerin güvenilirliği, paleografik uzmanlıkla desteklenen titiz tahkik çalışmalarına bağlıdır. Kurumsal düzeyde, özellikle TÜYEK gibi geniş koleksiyonlara sahip kütüphanelerin, yapay zekâ destekli ön-transkripsiyon sistemlerini mevcut dijital arşivlerine entegre etmeleri stratejik bir gereklilik olarak görünmektedir.
Abstract
The digitization of manuscripts remains a critical challenge in Digital Humanities due to the morphological complexity of Arabic scripts. This study evaluates the performance of Large Language Models, specifically Gemini, in digitizing Arabic manuscripts. Using manuscripts in naskh, ruq‘ah, and ta‘līq scripts, model outputs were analyzed via Levenshtein distance, Word Error Rate, and Character Error Rate metrics. Results indicate recognition accuracy varies by script, with raw character accuracy at 97.91% for naskh, 94.32% for ruq‘ah, and 93.51% for ta‘līq. A substantial portion of errors in ruq‘ah and ta‘līq arose from orthographic variations in the letter yā and the hamza. Excluding these anomalies, accuracy across all scripts consistently reached the 97–98% range. The study concludes that while AI models demonstrate robust performance in deciphering manuscript templates, their integration into classical text edition (tahqīq) requires careful oversight of paleographic nuances, despite their high potential to assist professional publication. The experiment was conducted with the Gemini 3.1 Pro model under a fixed-prompt protocol. Since only the opening page of a single manuscript was used per script type, the findings should be interpreted as preliminary indicators rather than definitive conclusions.