Yapay Zekâ Ton Analizi: Neyi Okur, Neyi Okuyamaz

İnsanların mesajları okuyup nasıl cevap vereceklerini çözmesine yardım eden bir uygulama olan Subtext’i birlikte kuruyorum. Yani yapay zekâ ton analizi araştırmalarını didiklemek için bencil bir sebebim vardı: kıyaslama testleri, ACL makaleleri, psikoloji eleştirileri ve bu alanın bir kısmını artık yasaklayan AB yasası.

Kısa hâli iki cümleye sığıyor. Bugünün yapay zekâsı bir mesajın okuyucuya nasıl geleceğini tahmin etmekte iyi. Yazanın ne hissettiğini güvenilir biçimde bilmesinin bir yolu yok. Aşağıdaki her şey bu iki cümle arasındaki boşluğun detayı.

Ton analizi aslında beş ayrı iş

Kulağa tek bir özellik gibi geliyor. Ama arka planda, listede aşağı indikçe zorlaşan, birbirinden ayrı problemleri kapsıyor.

Duygu durumu (sentiment) en kolay olanı: bu metin olumlu mu, olumsuz mu, yoksa nötr mü. Her büyük bulut sağlayıcısı bunu satıyor. Google’ın API’si¹ eksi birden artı bire kadar bir puanla birlikte duygusal yoğunluk için bir büyüklük değeri döndürüyor, Amazon Comprehend² metni olumlu, olumsuz, nötr ya da karışık diye ayırıyor, Microsoft’un Azure hizmeti³ ise özellik bazlı görüş madenciliği ekliyor, yani “uygulama harika ama destek berbattı” gibi bir cümle bulanık bir ortalamaya karışmak yerine doğru şekilde ikiye ayrılıyor.

Duygu tespiti bir sonraki adım: öfke, sevinç, korku, üzüntü ve bunların sayısız akrabası. Rakamların da göstereceği gibi, daha zor.

Kişilerarası ton, ev sahibine mesaj yazarken önemsediğin şey. Bu sıcak mı geliyor, doğrudan mı, savunmacı mı, suçlayıcı mı. Araştırmacılar iş e-postalarındaki hayal kırıklığını, resmiyeti ve nezaketi 2018 yılında⁴ zaten modelliyordu ve bunu tek bir duygu etiketi yerine ayrı boyutlar olarak ele aldıkları için oldukça iyi çalıştı.

Sonra, kelimelerden çok bağlama bağlı olan alay ve alt metin geliyor. En altta ise yazanın özel duygusal durumu var, yani pazarlamanın en çok ima ettiği ama araştırmanın en az desteklediği şey.

Yani bir ürün sayfası “ton tespit ediyoruz” dediğinde, ilk sorum bu beşinden hangisini kastettiği oluyor.

Açılış sayfasına asla konmayan doğruluk rakamları

Metinde ince ayrıntılı duygu tespiti için referans veri seti Google’ın GoEmotions⁵ veri seti: 2020’de ACL’de sunulan, 27 duygu artı nötr ile elle etiketlenmiş 58.000 Reddit yorumu. BERT temel modeli, tüm etiket setinde 0,46’lık bir makro F1 skoru aldı. Daha güçlü modeller ve veri hileleriyle sonraki çalışmalar⁶ bunu kabaca 0,49 ile 0,51 arasına çıkardı. Yıllar süren ilerlemeye rağmen en iyi özelleşmiş modeller bile ince ayrıntılı etiketlerin büyük bir kısmını kaçırıyor.

Genel bir sohbet botuna aynı 28 kategorili ayrımı yaptır, kıyaslama skoru ince ayarlı küçük modellerin epey altına düşüyor, kısmen serbest formatlı modellerin taksonominin dışında etiketler uydurması ve testin eşiklerine göre kalibre olmaması yüzünden. Bu, mahkûm edici gibi görünüyor, ta ki 2025’te yapılan bir çalışmada⁷ insan hakemlerin çoğu zaman GPT-4’ün etiketlerini veri setinin resmi etiketlerine tercih ettiğini öğrenene kadar. Bazen model kıyaslamayla anlaşmazlığa düşüyor, çünkü zayıf taraf kıyaslamanın kendisi.

Kaba hatlarıyla olumlu ile olumsuz ayrımı her yerde çok daha yüksek skorluyor. Çöküş, tam da ilginç ayrımların yaşandığı yerde oluyor: can sıkıntısı ile öfke arasında, hayal kırıklığı ile onaylamama arasında.

İnsanlar da ton konusunda anlaşamıyor

Konunun tamamını benim için yeniden çerçeveleyen kısım, insanları kontrol ettiğinde ortaya çıkan şey. GoEmotions makalesi kendi insan etiketleyicileri arasındaki uyumu raporluyor ve çoğu duygu için Cohen’s kappa değeri kabaca 0,1 ile 0,5 arasında kalıyor. Minnettarlık 0,75 ile kolay. Yas ise 0,09’da, rastgele etiketlemeye yakın bir yerde duruyor. Eğitimli insanlar aynı cümleyi okuyup bunun hayal kırıklığı mı yoksa onaylamama mı ifade ettiği konusunda anlaşamıyorsa, o etiketlere karşı 0,46 skorlayan bir model işin kendi tavanına dayanmış demektir.

İş daha da derine iniyor. Aslında kimin hissini ölçüyoruz? EmoBank⁸ adlı bir veri seti aynı cümleleri iki kez etiketledi, biri yazarın bakış açısından, diğeri okuyucununkinden, çünkü bunların farklı değişkenler olduğu ortaya çıktı. Aynı araştırmacılar 2017’de yazar bakış açısından etiketlemenin genel olarak daha kaliteli sonuç verdiğini buldu. Yedi dil ailesinden 30’dan fazla dili kapsayan büyük SemEval 2025 duygu görevi⁹ ise bilinçli olarak algılanan duyguyu hedefliyor: genel bir okuyucunun metne ne atfedeceği, açıkça yazarın içinde ne hissettiği değil.

En keskin test 2025’te geldi. Bir ACL çalışması¹⁰, yazarlardan kendi duygularını etiketlemelerini istedi, sonra dışarıdan insanlara ve büyük dil modellerine tahmin yaptırdı. İkisi de yazarların kendi bildirdiklerinin gerisinde kaldı, ama büyük dil modelleri yabancı insanları neredeyse her yerde geçti. Bu bulgunun her iki yarısı da önemli. Yapay zekâ artık seni salt metinden okumada rastgele bir insandan daha iyi, ama yine de ne hissettiğini güvenilir biçimde yeniden kuramıyor.

Pratikteki bir sonucu şu: Heliyon’da 2023’te yayımlanan bir karşılaştırma¹¹, sekiz ticari duygu API’sini aynı veri setleri üzerinde çalıştırdı ve bunların birbiriyle çeliştiğini, sıralamaların veri setine göre değiştiğini buldu. Etiketleri, veriyi ve dili belirtmeden “yüzde 95 doğrulukla duygu tespiti” diyen her tedarikçi, iddianın ağırlığını taşıyamayacak bir rakam söylüyor demektir.

Modeller duygu testlerinde parlıyor ama kişiyi kaçırıyor

İki araştırma sonucu, neyi ölçtüklerini ayırt edene kadar birbiriyle çelişiyormuş gibi görünüyor.

Communications Psychology¹² dergisinde 2025’te yayımlanan bir çalışmada, ChatGPT-4, Gemini 1.5 Flash, Claude 3.5 Haiku ve DeepSeek V3 dahil altı model, insanları değerlendirmek için kullanılan türden beş standart duygusal zekâ testine girdi. Modeller, testlerin geçerlilik çalışmalarındaki %56’lık insan ortalamasına karşı ortalama %81 doğru cevap verdi. Nature Human Behaviour¹³ dergisinde ise GPT-4, yanlış inançları ve dolaylı istekleri fark etmek gibi klasik zihin kuramı görevlerinde insanlarla eşleşti ya da onları geçti, gerçi görgü kusurlarını tanımakta zorlandı. JAMA Internal Medicine¹⁴ dergisinde de lisanslı değerlendiriciler gerçek hasta sorularına verilen cevapları okudu ve sohbet botunun cevaplarını hekimlerinkine karşı vakaların %78,6’sında tercih etti, botun cevaplarını 9,8 kat daha empatik buldu. Akılda tutulması gereken bir uyarı: botun cevapları ortalama 211 kelimeyken hekimlerinki 52 kelimeydi ve doktorlar daha uzun yazdığında tercih farkı küçüldü.

Bu arada, örüntü tanımadan çok duygusal akıl yürütme gerektirmek için tasarlanan bir kıyaslama testi olan EmoBench¹⁵, modeller ile ortalama insanlar arasında hâlâ net bir fark buluyor.

İki bulgu da doğru olabilir, çünkü duygular hakkında bilgi sahibi olmakla birinin duygusunu bilmek farklı beceriler. Bir model, kıskançlık, yas ve garip iş yeri özürleri hakkında yaşayan herhangi bir insandan daha fazlasını okumuş. Eksik olan şey, bu belirli mesajı yazan o tek kişi hakkındaki bağlam.

Dört kişi aynı sözcükleri yazabilir: “Tebrikler. Senin adına sevindim.” Biri gerçekten öyle hissediyor. Bir başkası sana kızgın. Üçüncüsü kalbi kırık ama cesur davranıyor. Dördüncüsü alay ediyor. Ekranda her versiyon birebir aynı, yani hiçbir metin modeli bunları ayıramaz, yabancı bir insan da ayıramazdı. O bilgi kelimelerin dışında yaşıyor.

İşin çoğunu bağlam yapıyor

“Tamam.” cevabını ele alalım.

Tek başına onay, hayal kırıklığı, sinirlenme, kayıtsızlık ya da sessizce kapanan bir kapı anlamına gelebilir. Onu “Son teslim tarihini üçüncü kez erteledin” cümlesinin ardına koy, okuma hızla daralır. Kelimeyle ilgili hiçbir şey değişmedi. Değişen bağlamdı.

Alay araştırması hep aynı sonuca varıyor: insanlar bile alaycı niyeti yakalamak için çoğu zaman çevredeki konuşmaya ihtiyaç duyuyor¹⁶¹⁷, ki yeni değerlendirmelerin modelleri tek tek cümleler yerine bütün diyaloglar üzerinde test etmesinin sebebi de bu. Herhangi bir ton aracı için pratik kural doğrudan buradan çıkıyor. Ona konuşma dizisini, ilişkiyi ve neyin tehlikede olduğunu ver. Tek bir mesajı bağlamından koparıp yargılamak, modelden nazikçe başarısız olmasını istemektir.

Ton kültüreldir, çoğu model de Amerikan İngilizcesiyle büyüdü

BESSTIE¹⁸ adlı 2025 kıyaslama testi, modelleri Avustralya, İngiliz ve Hint İngilizcesinde duygu durumu ve alay konusunda sınadı. Performans Hint İngilizcesinde tutarlı biçimde daha kötüydü, en zor durum alaydı ve modeller bir çeşitten diğerine genellemekte zorlandı.

Bu sonuç günlük deneyimle örtüşüyor. “Kindly do the needful” Hint profesyonel İngilizcesinde bir türlü okunur, Amerikan ofis normlarına göre kalibre edilmiş bir model için başka türlü. Berlin’de geçirdiğim 13 yılın ardından ben de Alman versiyonunu ekleyebilirim: burada zamana saygı sayılan doğrudanlık, Amerikan nezaketiyle yetişmiş yazılım tarafından soğuk diye işaretlenebiliyor. Kaba, sıcak ya da fazla doğrudan gibi etiketler, nesnel kılığına girmiş kültürel yargılardır. Kimin kime, hangi kültürde yazdığını göz ardı eden bir ton aracı, iki tarafı da özgüvenle yanlış okur.

Duygu tanıyan yapay zekânın işi yüz okumada sapıttı

Yukarıdaki her şey metinle ilgili. Bu sektörün yüz tarayan koluysa çok daha pürüzlü bir sicile sahip ve düzenleyicilerin bugün bütün kategoriye nasıl yaklaştığını şekillendiriyor.

2019’da psikolog Lisa Feldman Barrett ve meslektaşları binden fazla çalışmayı gözden geçirdi¹⁹ ve birinin yüz hareketlerinden ne hissettiğinin güvenilir biçimde çıkarılamayacağı sonucuna vardı. İnsanlar odaklanırken kaşlarını çatıyor, kaygılıyken gülümsüyor, düğünlerde ağlıyor. Aynı yıl bir çalışma, 400 NBA oyuncusunun fotoğraflarını iki ticari sistemden geçirdi ve ikisinin de Siyahi oyuncuların yüzlerine benzer ifadelerde beyaz oyunculardan daha olumsuz duygu okuduğunu²⁰ buldu.

Sektör bunu fark etti. Microsoft 2022’de Face API’sindeki duygu çıkarımını emekliye ayırdı²¹. HireVue, dijital haklar grubu EPIC’in FTC’ye şikâyet dilekçesi vermesinin²² ardından 2021’de işe alım değerlendirmelerinden yüz analizini çıkardı. Metin araçları farklı bir teknoloji, ama bu şüpheciliği devralıyorlar ve sözcükler yerine iç durumları okuduklarını iddia ettikleri her an bunu hak ediyorlar.

AB bir çizgi çekti, metin bu çizginin dışında kaldı

2 Şubat 2025’ten bu yana, AB Yapay Zekâ Yasası’nın 5(1)(f) Maddesi²³, sürücü yorgunluğu tespiti gibi tıbbi ve güvenlik amaçlı kullanımlar için dar istisnalar dışında, işyerlerinde ve okullarda insanların duygularını çıkaran yapay zekâyı yasaklıyor. Yasaklı uygulamaları ihlal etmenin cezası, küresel yıllık cironun %7’sine kadar çıkabiliyor.

Kapsam, bu araçları geliştiren ya da kullanan herkes için önemli. Avrupa Komisyonu’nun kılavuzları yasağı biyometrik veriye bağlıyor²⁴: yüzler, sesler, tuş vuruş dinamikleri, beden duruşu. Yazılı metinden duygu çıkaran bir sistem açıkça yasağın dışında²⁵. Bir e-postanın nasıl algılanabileceğini analiz etmek yasal. Çalışanların ruh halini puanlamak için üzerlerine webcam çevirmek yasak. Bu çizgi bilimi oldukça iyi takip ediyor ve Subtext için, zaten seçecek olduğumuz bir tasarım kısıtına dönüşüyor: yalnızca metin, biyometri yok, işyeri gözetimi yok.

Bugünün araçları ne için işe yarıyor

Grammarly’nin ton detektörü²⁶ en net tüketici örneği ve çerçevelemesi sessizce piyasadaki en dürüst olanı. 40’tan fazla ton üzerinden, mesajının okuyucuya nasıl gelme ihtimali olduğunu söylemek için kelime seçimi, ifade biçimi, noktalama ve büyük harf kullanımını²⁶ analiz ediyor. Gelme ihtimali. Bu ifade gerçek bilimsel bir iş görüyor.

Google, Amazon, Microsoft ve IBM²⁷ bulut API’leri hacim için tasarlandı: destek talepleri, yorumlar, anket cevapları. IBM, 2023’te bağımsız Tone Analyzer’ını emekliye ayırdı ve duyguyu daha geniş bir dil ürününün içine kattı. Bunlar “müşteriler ödeme akışımız hakkında ne hissediyor” için doğru araçlar, “metnim pasif-agresif mi geliyor” için yanlış araçlar.

Genel büyük dil modelleri, bağlamı kullanabildikleri, birkaç tonu aynı anda ele alabildikleri ve okumalarını açıklayabildikleri için kişisel mesajlar için en yetenekli seçenek. Aynı zamanda en kötü kalibre edilmiş olanları da onlar, o yüzden herhangi bir güven yüzdesini bir his olarak değerlendir. Ses tarafında Hume AI²⁸, çoğunlukla sesli arayüzlerin uygun tempo ve tonla cevap verebilmesi için ses modülasyonunu ölçmek amacıyla 2024’te 50 milyon dolarlık bir Seri B turu topladı. Gizli duyguları tespit ettiğini iddia etmekten daha dar ama daha savunulabilir bir kullanım.

Bu, Subtext’i nasıl şekillendiriyor

İnsanların en çok önemsediği mesajları analiz ediyor: patronundan, flörtünden, annenden gelen metni. Araştırma bunun nasıl işlemesi gerektiğini netleştiriyor.

Çıktının konusu algı olmalı. “Bu, küçümseyici gelebilir” kanıtların desteklediği bir iddia. “Sana kızgın” ise desteklemediği bir iddia, üstelik bunun makbuzu da ACL’nin birinci taraf çalışması. Mesajların aynı anda birkaç ton taşımasına da izin veriyoruz, çünkü gerçek mesajlar öyle. Sıcak ve savunmacı olmak normal bir birleşim, yeni kıyaslama testleri de tam bu yüzden duyguyu çoklu etiket olarak ele alıyor.

Kanıt, hükümden üstündür. İşe yarayan bir araç, bir izlenim yaratan kelimeleri işaret eder, tıpkı gergin bir e-postada “zaten açıklamıştım” ifadesinin sessizce ağır işi yapması gibi, böylece o izlenimin istediğin izlenim olup olmadığına sen karar verirsin. Belirsizlik de görünür kalır. Bir mesaj belirsizse, o belirsizlik genelde en doğru bulgudur ve onu kendinden emin bir etikete yuvarlamak sahte bir kesinlik olur. Önce bağlam gelir: boşlukta duran bir cümleyi notlamaktansa konuşma dizisini okuyup alıcının kim olduğunu sormayı tercih ederiz, çünkü aynı dokuz kelime bir yöneticiye ve belirsiz bir ilişkiye başka başka şeyler ifade eder.

Bu kategorinin dürüst hâli, satış sunumlarından daha küçük ama şüphecilerin kabul ettiğinden daha kullanışlı. Zihin okumak hâlâ erişilemez. Kelimeleri okumaksa bugün mümkün ve yazılı iletişimdeki zararın çoğu zaten oradan başlıyor. Bu da inşa etmek için yeterince iyi bir sebep gibi geldi.

Bu araçlardan birinde çalışıyor ve kıyaslamanı yanlış okuduğumu mu düşünüyorsun? LinkedIn’den bana ulaş.

Samet Durgun, mesajlarının duygusal tonunu yakalayıp onları kendi sesinle yeniden yazan Subtext uygulamasının kurucu ortağı. Berlin’de yaşıyor.

Kaynaklar

Yukarıdaki her bağlantı, varsa birincil kaynağa gidiyor, görünüş sırasına göre numaralandırıldı. İki kaynak, kararlı bir URL bulamadığım için bağlantısız verildi; son ikisi ise yukarıda yapılan iddialar değil, ek okuma önerisi.

Google Cloud. Natural Language API basics: sentiment score and magnitude.
AWS. Amazon Comprehend: sentiment analysis.
Microsoft. Azure Language: sentiment analysis and opinion mining.
Chhaya vd. (2018). Frustrated, Polite, or Formal: Quantifying Feelings and Tone in Email. PEOPLES Workshop, NAACL 2018.
Demszky vd. (2020). GoEmotions: A Dataset of Fine-Grained Emotions. ACL 2020.
Wang vd. (2024). Large Language Models on Fine-grained Emotion Detection Dataset with Data Augmentation and Transfer Learning. arXiv.
Rethinking Emotion Annotations in the Era of Large Language Models (2025).
Buechel ve Hahn (2017). EmoBank, hem yazarın hem okuyucunun bakış açısından etiketlenmiş bir külliyat ve “Readers vs. Writers vs. Texts,” Linguistic Annotation Workshop 2017.
Muhammad vd. (2025). SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection. SemEval 2025.
Li vd. (2025). Can Third Parties Read Our Emotions? ACL 2025.
Abu-Salih vd. (2023). Emotion detection of social data: APIs comparative study. Heliyon.
Schlegel, Sommer ve Mortillaro (2025). Large language models are proficient in solving and creating emotional intelligence tests. Communications Psychology.
Strachan vd. (2024). Testing theory of mind in large language models and humans. Nature Human Behaviour.
Ayers vd. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine.
Sabour vd. (2024). EmoBench: Evaluating the Emotional Intelligence of Large Language Models. ACL 2024.
Feng vd. (2024). Affect Recognition in Conversations Using Large Language Models. SIGDIAL 2024.
Hazarika vd. (2018). CASCADE: Contextual Sarcasm Detection in Online Discussion Forums. COLING 2018.
Srirag vd. (2025). BESSTIE: A Benchmark for Sentiment and Sarcasm Classification for Varieties of English. Findings of ACL 2025.
Barrett vd. (2019). Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements. Psychological Science in the Public Interest.
Rhue (2019). Racial Influence on Automated Perceptions of Emotions. SSRN çalışma raporu.
Microsoft (2022). Framework for building AI systems responsibly, Face API’deki duygu çıkarımının emekliye ayrıldığını duyuruyor.
EPIC. In re HireVue, FTC complaint (2019).
AB Yapay Zekâ Yasası, Article 5: Prohibited AI Practices, 2 Şubat 2025’ten bu yana yürürlükte.
Lewis Silkin (2025). Understanding the EU AI Act’s prohibited practices, on the Commission’s February 2025 guidelines.
Future of Privacy Forum (2026). Red Lines under the EU AI Act: the prohibition of emotion recognition in the workplace and education.
Grammarly. Ton detektörü ürün sayfası ve ton detektörünün nasıl çalıştığı.
IBM. Watson Natural Language Understanding.
Hume AI.
Northeastern University (2021). You can’t determine emotion from someone’s facial movements, and neither can AI.
The Guardian (2024). Are you 80% angry and 2% sad? Why “emotional AI” is fraught with problems.