KaydedilenlerDerginizi ekleyin

Dergiler / İstanbul Üniversitesi Çeviribilim Dergisi / 2026 / Sayı: 24

Yapay Zekâ Destekli Büyük Dil Modellerinin (LLM) Korece-Türkçe Yazın Çevirisinde Yerlileştirme ve Yabancılaştırma Eğilimleri: ChatGPT-4o, Claude Sonnet 4 ve Grok 3 Örnekleri

Domestication and Foreignization in Korean–Turkish Literary Translation Mediated by AI-Driven Large Language Models (LLMs): A Comparative Study of Chatgpt-4o, Claude Sonnet 4, and Grok3

Mehmet Ölçer(ERCIYES UNIVERSITY)0000-0002-5309-6945
Tayfun Kartav(ERCİYES ÜNİVERSİTESİ)0000-0002-6118-5577
Sayfa
187–208
Yayın Tarihi
2026-06-30
🏛️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)

Bulgular, modellerin çeviri stratejilerinde belirgin varyasyonlar sergilediğini, bazı durumlarda kaynak kültürün özgün öğelerini koruma eğiliminde olduğunu, diğer durumlarda ise erek kültüre uyum sağlamak amacıyla anlam uyarlamalarına başvurduğunu ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, yapay zekâ destekli büyük dil modellerinin (LLM) Korece-Türkçe yazın çevirisinde yerlileştirme (domestication) ve yabancılaştırma (foreignization) eğilimlerini incelemektedir.
📊
Temel Bulgular & Veri:Çalışma, ChatGPT-4o, Claude Sonnet 4 ve Grok 3 modellerinin ürettiği çeviri çıktıları ile insan çevirilerini karşılaştırmalı olarak değerlendirmektedir.
💡
Sonuç & Katkı:Bulgular, modellerin çeviri stratejilerinde belirgin varyasyonlar sergilediğini, bazı durumlarda kaynak kültürün özgün öğelerini koruma eğiliminde olduğunu, diğer durumlarda ise erek kültüre uyum sağlamak amacıyla anlam uyarlamalarına başvurduğunu ortaya koymaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Zekâ · Yerlileştirme · Yabancılaştırma

Özet

Bu çalışma, yapay zekâ destekli büyük dil modellerinin (LLM) Korece-Türkçe yazın çevirisinde yerlileştirme (domestication) ve yabancılaştırma (foreignization) eğilimlerini incelemektedir. Çalışma, ChatGPT-4o, Claude Sonnet 4 ve Grok 3 modellerinin ürettiği çeviri çıktıları ile insan çevirilerini karşılaştırmalı olarak değerlendirmektedir. Veri seti, Koreli yazar Lee Ki-ho’nun “Choi Mijin Nerede?” (“최미진은 어디에?” [Choimijin-ın odie]) adlı öyküsünden seçilen sekiz pasajdan oluşur; bu pasajlar, Erciyes Üniversitesi Kore Dili ve Edebiyatı Bölümü’nden yirmi lisans öğrencisi tarafından ortaklaşa hazırlanmış ve Varlık Dergisi’nde yayımlanmış insan çevirisi ile sistematik olarak karşılaştırılmıştır. Çeviriler, Venuti’nin (1995) yerlileştirme ve yabancılaştırma kuramı doğrultusunda analiz edilmiş olup, her bir LLM’nin stratejik eğilimi tablo formatında sunulmuştur. Bulgular, modellerin çeviri stratejilerinde belirgin varyasyonlar sergilediğini, bazı durumlarda kaynak kültürün özgün öğelerini koruma eğiliminde olduğunu, diğer durumlarda ise erek kültüre uyum sağlamak amacıyla anlam uyarlamalarına başvurduğunu ortaya koymaktadır. İnsan çevirileri ile kıyaslandığında, LLM’ler stratejik tutarlılık bakımından yetersiz kalmakta, özellikle kültürel özgünlük taşıyan ifadelerde normatif sapmalar göstermektedir. Bununla birlikte, modellerin belirli pasajlarda akıcı ve doğal Türkçe üretme kapasitesi, yazın çevirisinde AI’ın teknolojik katkı potansiyelini vurgulamaktadır. Çalışma, AI tabanlı çeviri teknolojilerinin yazın alanındaki hem sınırlılıklarını hem de fırsatlarını tartışarak, gelecekteki çalışmalar için kuramsal-uygulamalı bir temel sunar. Özellikle, hibrit yaklaşımların (insan-AI iş birliği) kültürel aktarımda nasıl uyarlanabileceği konusunda önerilerde bulunulmaktadır.

Abstract

This study delves into the domestication and foreignization strategies utilized by AI-powered large language models (LLMs) in Korean–Turkish literary translation. It compares the outputs of ChatGPT-4o, Claude Sonnet 4, and Grok 3 with human translations. The dataset comprises eight excerpts from Korean author Lee Ki-ho’s story “Where is Choi Mi-jin?” (“최미진은 어디에?” [Choimijin-ın odie]), contrasted with a human translation prepared by twenty senior students from Erciyes University’s Korean Language and Literature Department and published in Varlık Journal. Grounded in Venuti’s (1995) theoretical framework, the analysis presents each LLM’s tendencies in tabular form. Findings indicate significant variations in strategic choices: models occasionally preserve source cultural elements while at other times adapt meanings to target norms. Relative to human translations, LLMs exhibit inconsistency, particularly in culturally bound expressions. Nonetheless, their ability to generate fluent and natural Turkish in select texts highlights potential for literary translation enhancement. The research discusses limitations and opportunities of AI-based technologies in literature, providing a foundation for future inquiries, including hybrid human-AI models.

🔖

Bu Makaleye Atıf Yap

Ölçer, M., Kartav, T. (2026). Yapay Zekâ Destekli Büyük Dil Modellerinin (LLM) Korece-Türkçe Yazın Çevirisinde Yerlileştirme ve Yabancılaştırma Eğilimleri: ChatGPT-4o, Claude Sonnet 4 ve Grok 3 Örnekleri. İstanbul Üniversitesi Çeviribilim Dergisi, Sayı: 24, 187–208. https://doi.org/10.26650/iujts.2026.1786135

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Abdelhalim, S. M., Alsahil, A. A., & Alsuhaibani, Z. A. (2025). Artificial intelligence tools and literary translation: A comparative investigation of ChatGPT and Google Translate from novice and advanced EFL student translators’ perspectives. Cogent Arts & Humanities, 12(1), Article 2508031. https://doi.org/10.1080/23311983.2025.2508031 google scholar
  2. Al Rousan, R., Jaradat, R., & Malkawi, M. (2025). ChatGPT translation vs. human translation: An examination of a literary text. Cogent Social Sciences, 11(1), Article 2472916. https://doi.org/10.1080/23311886.2025.2472916 google scholar
  3. Anthropic. (2025). System card: Claude Opus 4 & Claude Sonnet 4. https://www.anthropic.com/claude-4-system-card google scholar
  4. Baker, M. (2006). Translation and conflict: A narrative account. Routledge. google scholar
  5. Boase-Beier, J. (2006). Stylistic approaches to translation. St. Jerome. google scholar
  6. Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877-1901. google scholar
  7. Chiang, W.-L., Zheng, L., Sheng, Y., Angelopoulos, A. N., Li, T., Li, D., Zhang, H., Zhu, B., Jordan, M. I., Gonzalez, J. E., & Stoica, I. (2024). Chatbot Arena: An open platform for evaluating LLMs by human preference. arXiv. https://arxiv.org/abs/2403.04132 google scholar
  8. Doherty, S., Kenny, D., & Way, A. (2012). A user-based usability assessment of raw machine translated technical instructions. In Proceedings of the AMTA 2012 Workshop on Post-Editing Technology and Practice. google scholar
  9. Krippendorff, K. (2004). Content analysis: An introduction to its methodology (2nd ed.). Sage. google scholar
  10. Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159-174. google scholar
  11. Lee, I. (1989). The Korean language. Seoul National University Press. google scholar
  12. Lee, K. (2018). 최미진은 어디에? In 최미진은 어디에. Munhakdongne. google scholar
  13. Lee, K. (2022). Choi Mijin Nerede? (Çevirmenler]). Varlık Dergisi, 12, 18-25, 2022. google scholar
  14. Louviere, J. J., Flynn, T. N., & Marley, A. A. J. (2015). Best-worst scaling: Theory, methods and applications. Cambridge University Press. google scholar
  15. Macken, L. (2024). Machine translation meets large language models: Evaluating ChatGPT’s ability to automatically post-edit literary texts. In Proceedings of the 1st Workshop on Creative-Text Translation and Technology (pp. 65-81). European Association for Machine Translation. https://aclanthology.org/2024.ctt-1.7/ google scholar
  16. Nida, E. A. (1964). Toward a science of translating. E. J. Brill. google scholar
  17. Nida, E. A., & Taber, C. R. (1969). The theory and practice of translation. E. J. Brill. google scholar
  18. OpenAI. (2024). GPT-4o system card. https://openai.com/index/gpt-4o-system-card/ google scholar
  19. Patat, E. (2025). Human translator vs machine translation: A case study in Turkish-Italian lexicography. International Journal of Language and Translation Studies, 5(2), 281-307. google scholar
  20. Soysal, F. (2023). Enhancing translation studies with artificial intelligence (AI): Challenges, opportunities, and proposals. Karamanoğlu Mehmetbey Üniversitesi Uluslararası Filoloji ve Çeviribilim Dergisi, 5(2), 177-191. https://doi.org/10.55036/ufced.1402649 google scholar
  21. Toury, G. (1995). Descriptive translation studies and beyond. John Benjamins. google scholar
  22. Türkmen, B., & Koçlu Maman, S. (2024). Yapay zeka destekli haber metni üretimi ve çevirilerinin karşılaştırmalı bir analizi: ChatGPT-4o örneği. İstanbul Üniversitesi Çeviribilim Dergisi, 21, 212-229. https://doi.org/10.26650/iujts.2024.1552550 google scholar
  23. Venuti, L. (1995). The translator’s invisibility: A history of translation. Routledge. google scholar
  24. xAI. (2025). Grok 3 beta: The age of reasoning agents. https://x.ai/news/grok-3 google scholar
  25. Yaman, İ. (2023). DeepL Translate ve Google Translate sistemlerinin İngilizce-Türkçe ve Türkçe-İngilizce çeviri performanslarının karşılaştırılması. Söylem Filoloji Dergisi, Çeviribilim Özel Sayısı, 29-41. google scholar
  26. Zhang, Z., Zhao, Y., & Eger, S. (2024). How good are LLMs for literary translation, really? Literary translation evaluation with humans and LLMs. arXiv. https://arxiv.org/abs/2410.18697 google scholar