Yapay Zeka Metin Dedektörü

Görünmez Karakterler Nedir?

Unicode'da hiçbir çizimi olmayan, ekranda hiçbir şey göstermeyen ama metinde gerçekten yer kaplayan bir karakter ailesi vardır. En bilineni U+200B sıfır genişlikli boşluk'tur. Genişliği sıfırdır, seçtiğinizde görünmez, ama karakter sayısına dahildir, aramayı bozar, bir parola alanına düşerse girişi engeller ve bir kod satırının ortasına düşerse derleyici anlaşılmaz bir hata verir.

Aynı ailenin diğer üyeleri de benzer davranır: U+FEFF bir dosyanın başında bayt sırası işareti olarak normaldir ama metnin ortasında hiçbir işi yoktur, U+00AD yumuşak tire yalnızca satır sonunda görünür, U+2060 kelime birleştirici kelimenin bölünmesini engeller. U+E0000 ile başlayan etiket bloğu ise en dikkat çekicisidir: bu karakterlerin normal yazıda hiçbir işlevi yoktur, düz metnin içine gizli bir mesaj gömmek için kullanılırlar.

Metne nasıl giriyorlar?

Bir dil modeliyle sohbet ederken cevabı kopyalayıp bir belgeye yapıştırdığınızda, yalnızca gördüğünüz harfleri kopyalamış olmazsınız. Sohbet arayüzü metni HTML olarak çizer; satır sarma ipuçları, arayüz bileşenlerinin ayırıcıları ve bazen kasıtlı işaretler panoya birlikte gider. Aynı şey bir web sayfasından, bir PDF'ten veya bir Word belgesinden kopyalarken de olur. Yani görünmez bir karakter bulmak, metnin bir arayüzden geçtiğini gösterir; kim yazdığını değil.

Hangi İşaret Bir Şey Söyler, Hangisi Masum?

En sık yapılan hata, bulunan her karakteri aynı ağırlıkta saymaktır. Aşağıdaki tablo, aracın işaretlediği başlıca karakterlerin gerçekte ne kadar bilgi taşıdığını gösterir.

Kısacası: masum karakterler kalabalık yapar, anlamlı olanlar azdır. Bir metinde yüz tane kırılmayan boşluk bulunması hiçbir şey söylemez; bir tane etiket karakteri bulunması çok şey söyler.

Gizli Mesajlar Nasıl Gömülür ve Nasıl Çözülür?

Görünmez karakterlerin var olduğunu söylemek kolaydır. Asıl işe yarayan kısım, ne dediklerini söylemektir. Bu araç dört şema dener ve hangisinin tuttuğunu raporlar.

• A şeması, Unicode etiket karakterleri. U+E0000-U+E007F bloğu ASCII'yi birebir yansıtır: U+E0020 ile U+E007E arası, 0xE0000 çıkarıldığında doğrudan 0x20-0x7E aralığına düşer. U+E007F genelde sonlandırıcıdır. Bu blok, düz metne görünmez komut kaçırmanın standart yoludur ve bir dil modeline gizli talimat geçirmek için kullanıldığında "ASCII kaçakçılığı" adını alır. Normal yazıda hiçbir meşru kullanımı olmadığı için kısa bir dizi bile raporlanmaya değer.
• B şeması, varyasyon seçiciler. U+FE00-U+FE0F on altı değer, U+E0100-U+E01EF iki yüz kırk değer taşır. Toplamları tam olarak 256 eder, yani her seçici birleşik aralıktaki sırasına göre bir bayt kodlayabilir.
• C şeması, sıfır genişlikli ikili. İki farklı sıfır genişlikli kod noktası 0 ve 1 yerine geçer, karakter başına 8 veya 16 bit. En sık U+200B ile U+200C veya U+200C ile U+200D kullanılır ve bazen U+200D ya da U+FEFF ayırıcı olarak araya girer. Kodlayıcılar arasında uzlaşma olmadığı için araç alfabeyi dizinin kendisinden okur.
• D şeması, sıfır genişlikli üç veya dört tabanı. Aynı fikir, farklı taban: üç ya da dört ayrı sıfır genişlikli karakter basamak olarak kullanılır.

Bu özelliğin değeri, yanlış alarm vermemesine bağlıdır. Bu yüzden bir yük raporlanmadan önce birkaç kapıdan geçmesi gerekir: karakterlerin bitişik bir dizi oluşturması (kelime aralarına serpiştirilmiş tek tük U+200B bir içerik yönetim sisteminin satır sarma ipucudur, veri değil), alfabenin dar olması (gerçek bir ikili yük tam olarak iki farklı kod noktası kullanır; altı farklı sıfır genişlikli karakterin karışması yapıştırma artığıdır), uzunluğun 8 veya 16'ya bölünebilmesi ve çözülen metnin makul olması. Yüksek entropili çöp çıkarsa araç onu göstermek yerine reddeder. Hiçbiri tutmazsa cevap nettir: bu karakterler aracın bildiği hiçbir şemayla okunabilir bir metne çözülmüyor. Araç tahmin yürütmez, kısmen de tahmin yürütmez.

Bir Karakter Neyi Kanıtlar, Neyi Kanıtlamaz?

Bir ölçüm metni betimler. Bir çıkarım yazarı betimler. Bu araç yalnızca birincisini yapar ve bunun nedeni teknik bir kısıt değil, bir tercih. Bir U+200B ya oradadır ya değildir; bunu herkes kendi bilgisayarında tekrarlayabilir ve yanılıyorsak bize kanıtlayabilir. Bir yüzde ise tekrarlanamaz ve çürütülemez, yalnızca inanılır ya da inanılmaz. Bu yüzden burada yüzde yok.

Başlamak için bu sitenin kendisi

Bu blogun yapılandırma dosyasında Goldmark'ın tipografi dönüştürücüsü açık. Bunun pratik sonucu şu: Türkçe yazıların kaynak dosyalarının 72 tanesinden 71'i düz tırnak içeriyor, ama yayımlanan sayfalarda hepsi kıvrık tırnak olarak çıkıyor. Aradaki dönüşümü hiçbir insan yapmadı, bir derleyici yaptı. Yukarıdaki "Tipografiden geçmiş örnek" düğmesine basın: bulguların tamamı bir yazılımın ürünü. Tipografik izleri parmak izi sayan bir yaklaşım, yazarı değil yayın hattını okur.

Görünmez karakterler filigran değil, köken izidir

Birbirine çok benzeyen iki iddia var ve karıştırılmaları çok kolay. Birincisi, dil modellerinin çıktısında bu karakterlerin görüldüğü: bu doğru ve bu araç zaten onu ölçüyor. İkincisi, dil modellerinin bu karakterlerle metni filigranladığı: bunun için bir dayanak yok. Originality.ai bu okumayı yayımladığı bir sayfada açıkça reddetti ve gerekçesi mantıklı: bir filigranın işe yaraması için silinmesinin zor olması gerekir, oysa bu karakterler tek tıkla, örneğin bu sayfayla, kaybolur. Nisan 2025'teki U+202F olayı da aynı yöne işaret ediyor; davranış bir gün içinde kayboldu ve bir filigran değil, büyük ölçekli pekiştirmeli öğrenmenin bir yan ürünü olarak açıklandı. Filigran dediğiniz şeyin bir günde kaybolmaması gerekir.

Silmek dedektör sonucunu değiştirmiyor

Bunun doğrudan bir ölçümü var. Originality.ai kendi dedektörüyle test etti: metne görünmez karakter eklemek veya çıkarmak, sonucu değiştirmedi. Bunun bir satıcının kendi ürünü üzerinde yaptığı bir test olduğunu ve bağımsız olarak tekrarlanmadığını belirtmek dürüstlük gereği. Yine de sonuç şaşırtıcı değil, çünkü istatistiksel dedektörler kelime seçimlerinin dağılımına bakar, boşluk karakterlerine değil. Bunun buradaki pratik anlamı açık: bu araç bir dedektörü atlatmak için işe yaramaz, biz de o iş için tasarlamadık.

İstatistiksel tespit döneminden geriye ne kaldı

Bu alanın geçmişi, bugünün doğruluk iddialarından bağımsız olarak, kayda değer. Vanderbilt Üniversitesi Ağustos 2023'te Turnitin'in yapay zeka dedektörünü kapattı ve gerekçesini yayımladı. Aritmetiği şuydu: satıcının o dönem açıkladığı yüzde bir yanlış pozitif oranı, yılda yaklaşık 75 000 teslim üzerinden yılda yaklaşık 750 ödevin haksız yere işaretlenmesi demekti. Turnitin daha sonra kendi yanlış pozitif oranını cümle düzeyinde yaklaşık yüzde dörde yükseltti. 2023'te yapılan ve geniş yankı bulan bir çalışma, o dönemin dedektörlerinin anadili İngilizce olmayan yazarları orantısız biçimde işaretlediğini ölçtü; çalışmanın gerekçesi, dedektörlerin sınırlı dilsel ifadeyi cezalandırmasıydı. Vanderbilt'in ardından başka üniversiteler de aynı yolu izledi.

Buradan bugüne dair bir sonuç çıkarmıyoruz ve çıkarılmasını da önermiyoruz. O çalışma 2023 dönemi dedektörlerini ölçtü. Satıcılar o günden beri belirgin biçimde daha iyi rakamlar açıkladı; anadili farklı olan yazarlarda yanlış pozitifin azaldığı iddiaları da bunlara dahil. Bu iddiaların doğru mu yanlış mı olduğunu söyleyecek durumda değiliz: tespit edebildiğimiz kadarıyla bağımsız olarak tekrarlanmış değiller. Kendi belirsizliğimizi de açıkça yazalım, çünkü bu bölümü inanılır kılan şey tam olarak budur.

Bir nokta daha: perplexity ve burstiness üzerine kurulu en bilinen dedektör olan GPTZero, 2023 sonbaharında bu yaklaşımı bırakıp eğitilmiş bir modele geçtiğini kendisi duyurdu. Yani bu sayfadaki cümle uzunluğu ölçümünü de dahil, o dönemin popüler sinyallerini üreticileri bile yeterli bulmadı.

Peki bu karakterler ne işe yarar?

Yazarlığı belirlemeye değil, metnin ne olduğunu bilmeye. Kod bloğuna düşen kıvrık tırnak derlemeyi durdurur. Sıfır genişlikli boşluk aramanın eşleşmemesine, iki kaydın eşit sayılmamasına ve bir parola alanının sessizce reddedilmesine yol açar. Excel'de bir hücreyi sayıdan metne çevirir. Bir veritabanında birincil anahtarı bozar. Bunlar gerçek, tekrarlanabilir, çözülebilir sorunlardır; bu araç onlar için yapıldı.

Haksız Yere Suçlandıysanız Ne Yapmalısınız?

Önce şunu net söyleyelim: bu araç size karşı da lehinize de kanıt üretmez. Metninizde hiçbir bulgu çıkmaması sizi aklamaz, bulgu çıkması da suçlamaz. Yazarlığa gerçekten tanıklık eden şey metin değil, süreçtir.

• Süreci gösterin. Google Docs ve Word sürüm geçmişi, metnin dakika dakika nasıl büyüdüğünü gösterir. Tek seferde yapıştırılmış bir metinle, iki hafta boyunca yazılmış bir metin burada birbirine hiç benzemez.
• Ara ürünleri saklayın. Not defteri, taslak dosyaları, kaynak listesi, el yazısı planlar ve arama geçmişi beraberce güçlü bir kayıt oluşturur. Bunları sonradan üretmek zordur, baştan biriktirmek kolaydır.
• Aracın oranını sorun. Suçlamayı yapan kişiden kullandığı dedektörün yanlış pozitif oranını ve bu oranın hangi bağımsız çalışmayla doğrulandığını yazılı olarak isteyin. Çoğu zaman böyle bir sayı yoktur.
• Karşı örnek üretin. Yıllar önce yazdığınız, yapay zekanın var olmadığı dönemden kalma bir metninizi aynı dedektöre verin. Sonuç çoğu zaman kendi kendini çürütür.
• Yazılı talep edin. Kurumdan, bir dedektör çıktısının tek başına disiplin gerekçesi sayılmayacağını yazılı olarak isteyin. Vanderbilt gibi pek çok üniversite bu yönde politika değiştirdi ve bu emsal gösterilebilir.

Bir Belgeyi Biçimini Bozmadan Nasıl Temizlersiniz?

Bu bölüm yapay zeka peşinde olmayan, yalnızca belgesi bozulmuş insanlar için. Görünmez karakterler Word, Excel, Google Docs, Notepad++ ve Figma içeriğinde düzenli olarak sorun çıkarır ve çoğu zaman kaynağı çok sıradandır: bir web sayfasından biçimlendirmeyle yapıştırma, bir PDF kopyası, bir dışa aktarma hatası veya bir çeviri aracı.

1. Önce yalnızca görünmez karakterleri silin. Sıfır genişlikli karakterler, etiket bloğu ve yön kontrolleri neredeyse her zaman gereksizdir. Bu adım metnin görünümünü hiç değiştirmez, yani riski en düşük adımdır.
2. Boşluklara dikkat edin. Kırılmayan boşluk bazen bilerek konur: "10 000 TL", "Prof. Dr. Ayşe Yılmaz" veya bir tablo hizası bozulmasın diye. Yayına gidecek bir metinde bu seçeneği kapalı bırakın, koda ve veriye giden metinde açın.
3. Excel'de sorun genellikle sayı hücresidir. Hücrenin içine düşen bir U+00A0 veya U+200B, sayıyı metne çevirir ve toplam aniden yanlış çıkar. Karakterleri temizledikten sonra sütunu yeniden sayıya dönüştürmeyi unutmayın, yoksa hücre metin olarak kalır.
4. Tırnak ve tire dönüşümünü ayrı düşünün. Kıvrık tırnak ve uzun tire, basılacak veya web'de yayınlanacak bir metinde doğru tipografidir; düzleştirmek kaliteyi düşürür. Buna karşılık bir .json, .csv veya kaynak kod dosyasında bunlar doğrudan hataya yol açar, orada mutlaka düzleştirin.
5. Karışabilir karakterleri her zaman değiştirin. Latin bir kelimenin içindeki Kiril harfi hiçbir durumda istenen bir şey değildir. Aramayı, sıralamayı ve eşleştirmeyi sessizce bozar.
6. Normalizasyonu en son uygulayın ve doğrusunu seçin. NFC kayıpsızdır ve neredeyse her zaman güvenlidir. NFKC kayıplıdır: tam genişlikli harfleri, ligatürleri ve matematiksel kalın harfleri düz karşılıklarına indirger. Arama ve veri uyumu için NFKC harika, bilerek biçimlendirilmiş bir metin için yıkıcıdır.

Geliştiriciler için kısa notlar: VS Code'un editor.unicodeHighlight ayarları bu karakterleri editörde işaretler ve beklenen karakterler ile beklenen diller için bir muafiyet listesi tutar. Python'da unicodedata.normalize aynı normalizasyon biçimlerini uygular ve str.isprintable() hızlı bir kontrol verir. Notepad++'ta Görünüm menüsündeki Tüm karakterleri göster seçeneği aynı karakterleri yerinde gösterir. Git deposuna giren bir metinde ise en iyi yer commit'ten öncesidir; bir kez girdikten sonra geçmişte kalır.

Her çalıştırmadan sonra kategori kategori ne değiştiğini gösteren makbuzu ve önce sonra karşılaştırmasını okuyun. Beklediğinizden çok daha büyük bir fark çıkıyorsa, kapatmanız gereken bir seçenek var demektir. Ve her temizleme geri alınabilir: geri alma düğmesi bir zamanlayıcıyla kaybolmaz, sayfa açık kaldığı sürece durur.

Yöntem ve Sınırlar

Ne tespit edilir: sıfır genişlikli ve görünmez karakterler, Unicode etiket bloğu, varyasyon seçiciler, yön kontrolleri ve bunların dengesizliği, sıra dışı boşluklar, C0 ve C1 kontrol karakterleri, satır ve paragraf ayırıcılar, yerine koyma karakteri, tam genişlikli biçimler, ligatürler, matematiksel alfanümerik semboller, birleşen işaret yığılmaları, NFC biçiminde olmayan diziler ve Latin bir kelimenin içine yerleştirilmiş Latin dışı karakterler. Ayrıca dört şemayla gizlenmiş yükler çözülür.

Ne tespit edilmez: yazarlık. Üslup. Bir metnin kopyalanıp kopyalanmadığı. Ve en önemlisi: istatistiksel filigran. Anthropic'in anlattığı türden bir filigran metne tek bir karakter eklemez, modelin kelime seçimlerinin dağılımını değiştirir. Bu araç onu göremez ve hiçbir karakter tabanlı araç göremez. Bunu bir eksiklik değil, sınırın dürüst ifadesi olarak yazıyoruz.

İşaretleme yöntemi hakkında bir not: bu araç görünmez bir karakteri görünür kılarken onun yerine bir simge koymaz. UTS #55'in 4.2 bölümünün gerekçesi tam olarak budur: even if these characters are made visible, their normal effect on the text should be retained, as this can otherwise lead to misleading rendering. Yani bir sıfır genişlikli karaktere görünürlük kazandırmak için yerine boşluk koyarsanız, gösterdiğiniz şey artık kullanıcının metni değildir; farklı sarar, farklı ölçülür. Bu yüzden burada işaret, karakterin etrafına çerçeveyle çizilir. Kaynak: UTS #55, Unicode Source Code Handling. Karışabilir karakterlerin ele alınışı için UTS #39, yön kontrollerinin davranışı için UAX #9 esas alınmıştır.

Metin Filigranı: Daha Derin Arka Plan

Bu araçtaki bulgular karakter düzeyindedir: metinde fiziksel olarak duran bir şeyi gösterir. Filigran meselesinin bir de tamamen farklı bir katmanı var. Anthropic'in kendi destek sayfasına göre, 2 Ağustos 2026 tarihinde veya sonrasında piyasaya sürülen modeller, makine tarafından okunabilir işaretlemeyi çıkış anından itibaren destekliyor; mevcut modeller için işaretleme çalışması ise sürüyor. Yani bu tarihten sonraki her Claude çıktısının filigranlı olduğunu söylemek doğru olmaz, doğru olan modelin ne zaman yayımlandığına bakmaktır.

Aynı sayfa iki şey daha söylüyor. Üretilen dosyalar, C2PA standardına uygun imzalı köken bilgisi taşıyor; bu, metnin içindeki istatistiksel işaretten ayrı bir katmandır. Anthropic ayrıca kullanıcıların ve üçüncü tarafların bu işaretleri tespit edebilmesi için çalıştığını belirtiyor, yani bugün herkesin kullanabileceği açık bir doğrulama aracı henüz yok.

Bu bir istatistiksel filigrandır: metne fazladan hiçbir karakter eklemez, modelin kelime seçimlerinin dağılımını gizli bir anahtara göre değiştirir. Bu sayfadaki dedektör onu göremez, hiçbir karakter tabanlı araç da göremez. Filigranın nasıl yerleştirildiğini, neyi kanıtlayıp neyi kanıtlamadığını ve silinip silinemeyeceğini ayrıntılı olarak anlattığım yazı burada: Claude metne görünmez filigran ekliyor. Bu araç o yazının pratik tamamlayıcısıdır: yazı istatistiksel katmanı anlatır, araç karakter katmanını gösterir.