DizgeBERT-Idiom

ELECTRA tabanlı Türkçe deyim / eşdizim span etiketleyici. Ön-token'lanmış bir cümle verildiğinde her kelimeye BIO etiketi atar: B/I-VID (deyim — figüratif, birleşimsel-olmayan: gözden düşmek, eli açık), B/I-LVC (eşdizim/yardımcı-fiil birleşimi — light-verb construction: karar vermek), O (serbest birleşim / deyim değil). Sonra ikinci bir aşama, bulunan her aday deyimin CÜMLEDEKİ kullanımına bakıp figüratif mi yoksa düz anlamda mı kullanıldığını ayırt eder ("otobüs yol aldı" düz, "projede yol aldık" deyim).

Güncel sürüm: v8 (2026-09-19/20, eşik güncellemesi 2026-09-20). Başlıca rakamlar (Çavuşoğlu & Çöltekin dış-kaynak benchmark'ı, 198 idyomatik/literal cümle çifti, eğitim verisinde yok; stage2_thresh varsayılanı 0.3, eşik-taraması sonrası güncellendi — aşağıya bakın):

Üç bağımsız DIŞ değerlendirme — bu setlerde eşik/hiperparametre AYARI yapılmadı (ama Çavuşoğlu'nda seçilmiş stage2_thresh=0.3 varsayılanı, aşağıda stage2=True olarak işaretli satırlarda kullanılıyor — bu ayrı bir sette seçilmiş bir değerin buraya taşınması, "hiç ayar yok" demek değil):

En büyük bilinen kısıt: Aşama 1, üç ayrı ELECTRA gövdesinin (ensemble) birleşimidir — model dosyası yaklaşık 2GB, çıkarım tek-gövdeli bir modele göre yaklaşık 3× yavaş. Precision de hâlâ mütevazı: her 3 işaretlemeden yaklaşık 1-1.5'i yanlış olabilir. Ayrıntılı sürüm geçmişi ve deney notları aşağıda.

Kullanım

Model dosyası ~2GB ve trust_remote_code=True uzak Python kodu çalıştırır (modeling_ dizgebert_idiom.py) — üretimde bir revision= pinlemeniz önerilir, aksi halde repo'ya yeni bir push geldiğinde farkında olmadan farklı kod/ağırlık çekebilirsiniz. Bu kartın kendi push'u kendi hash'ini içeremeyeceği için (self-reference), HF üzerinde sürüm etiketleri (git tag) oluşturuldu: revision="v8" güncel sürüm, revision="v6" tek-gövde/daha küçük alternatif (~440MB, daha eski/zayıf bir Aşama 2 — bkz. Sürüm Geçmişi). Etiketler sabit commit'lere işaret eder, ileride değişmez.

from transformers import AutoModel, AutoTokenizer

REV = "v8"  # ya da "v6" (tek-gövde, daha küçük/hızlı alternatif)
m = AutoModel.from_pretrained("iatagun/DizgeBERT-Idiom", trust_remote_code=True,
                               revision=REV).eval()
tok = AutoTokenizer.from_pretrained("iatagun/DizgeBERT-Idiom", revision=REV)

words = ["Sonunda", "gözden", "düştü", "."]
print(m.predict(words, tokenizer=tok))            # ham BIO (Aşama 1, Aşama 2'den etkilenmez)
# [('Sonunda', 'O', 'o'), ('gözden', 'B-VID', 'o'), ('düştü', 'I-VID', 'o'), ('.', 'O', 'o')]

print(m.predict_spans(words, tokenizer=tok))      # Aşama 2 varsayılan AÇIK
# [{'text': 'gözden düştü', 'start': 1, 'end': 3, 'category': 'VID', 'gappy': False}]

# Aşama 2, literal kullanımı eler — bu ÇIKTILAR gerçekten çalıştırılıp doğrulandı (2026-09-20,
# güncel commit'e karşı; "otobüs ... yol aldı" projenin v5-v7 arası KALICI yanlış-pozitif
# örneğiydi, v8+thresh=0.3'te ilk kez doğru elendiği burada teyit edildi):
lit = ["Otobüs", "kısa", "sürede", "çok", "yol", "aldı", "."]
print(m.predict_spans(lit, tokenizer=tok))                 # → []  (literal, elendi)
print(m.predict_spans(lit, tokenizer=tok, stage2=False))   # → [{'text': 'yol aldı', ...}]

# eşiği ayarlamak: varsayılan artık 0.3 (yukarıdaki gibi çağırmaya gerek yok — model bunu
# config'inden otomatik okur). Daha YÜKSEK bir eşik daha AZ temkinli eleme yapar (daha çok
# span idyomatik sayılır, duyarlılık artar ama yanlış-pozitif de artar):
print(m.predict_spans(lit, tokenizer=tok, stage2_thresh=0.7))

# gap'li (süreksiz) örnek — "sahip ... olarak" (Aşama 2 dokunmaz)
ws = "... sahip olduğu ... değerleriyle olarak önemini ...".split()
print(m.predict_spans(ws, tokenizer=tok))
# gappy=True ise: {'text': 'sahip ... olarak', 'start':.., 'end':.., 'start2':.., 'end2':.., 'category':..}

Mimari

• Gövde: dbmdz/electra-base-turkish-cased-discriminator (DizgeBERT-Morph/Joint/Dep ile aynı → ortak subword sözlüğü)
• Kelime temsili: ilk subword ⊕ son subword (DizgeBERT-Morph ile aynı yöntem)
• İki katmanlı etiketleme (bigappy-unicrossy tarzı, Berk, Erden & Güngör 2019): standart BIO süreksiz (gap'li) span'leri temsil edemez ("sahip ... olarak" gibi araya kelime giren deyimler). İkinci, bağımsız bir head (o/b-VID/i-VID/b-LVC/i-LVC) yalnız gap'li span'in 2. parçasını taşır; 1. parça her zaman ana BIO katmanında. Çıkarımda iki katman ayrı ayrı Viterbi ile çözülüp aynı kategoriden en yakın parçalar eşleştirilir.
• Çözümleme: geçiş-kısıtlı Viterbi (argmax değil), her iki katmanda da.
• Aşama 1 — üç bağımsız stage-1 gövdesinin ensemble'ı (v7'den beri): her cümlede üç ayrı ELECTRA gövdesi (farklı veri dilimleriyle eğitilmiş) kendi aday span'lerini önerir; birleşim (çakışan span'lerde en çok oy alan/en uzun kazanır) Aşama 2 filtresine girer. Model dosyası üç stage-1 ELECTRA gövdesi + Aşama 2 için ayrı bir gövde içerir (yaklaşık 2 GB, yaklaşık 3× gecikme). Alternatif bir sürüm (v6, tek gövde, yaklaşık 440MB) daha küçük/hızlı ama daha eski/zayıf bir Aşama 2'ye sahip — bkz. Sürüm Geçmişi.
• Aşama 2 — idyomatiklik sınıflandırıcısı (v8'den beri sentetik veriyle eğitildi): ikinci, bağımsız bir ELECTRA gövdesi + span ilk⊕son subword temsili → Linear(2H, 2) → {literal, idyomatik}. predict_spans() bitişik VID adaylarını bundan geçirir; yalnız güvenli literal (p(literal) > eşik, varsayılan 0.3) elenir — LVC ve gap'li span'ler dokunulmaz (LVC yarı-birleşimsel, ayrım anlamsız).

Eğitim verisi

1. PARSEME Türkçe fiil-merkezli çok-sözcüklü ifade derlemi, edition 1.2 (Güngör & Yirmibeşoğlu) — 17.945 cümle, VID+LVC.full toplam yaklaşık 6.7k span (yalnız verbal MWE; 308'i gap'li).
2. TDK Atasözleri ve Deyimler Sözlüğü'nden çıkarılan gömülü örnek cümleler — isim/sıfat deyimlerini de kapsar (eli açık, başı dertte gibi, PARSEME'de yok); gövde-eşleştirme (stem matching, max_gap=2 — araya en fazla 2 eşleşmeyen kelime girebilir) ile zayıf-etiketlenmiş (weak supervision). Deyim ve cümle-metni düzeyinde ayrı tutulan bir held-out kısmı hiç eğitime sokulmadı.
3. Aşama 1'i genişletmek için (v4): Leipzig Türkçe derleminden (Wikipedia+Haber+Web, CC-BY) deyim yüzey biçimiyle eşleşen doğal cümleler madenlenip GLU rubriğiyle (Gülsün Leylâ Uzun'un öğretmen-etiketleme kılavuzundan damıtılmış, bir yapının bağlamda deyim mi literal mi olduğuna karar verme çerçevesi — proje-içi kısaltma) etiketlendi; idyomatik-olarak işaretlenmiş binlerce cümle Aşama 1'in span-eğitimine eklendi. Amaç: Aşama 1'in eğitim verisi TDK sözlük-örneği ve PARSEME haber-metni üslubuna aşırı uymuştu.
4. Aşama 2 için, v8'den önce: aynı Leipzig havuzundan madenlenen cümleler bir LLM ile idyomatik/literal diye ETİKETLENDİ (doğal metinde literal kullanım nadir olduğu için bu veri dengesizdi — bkz. aşağıdaki v8 notu).
5. Aşama 2 için, v8'den itibaren: doğal cümle etiketlemek yerine, TDK deyim listesinden seçilen yaklaşık 650 deyim için bir LLM'e doğrudan dengeli idyomatik+literal cümle ÜRETTİRİLDİ (deyim başına yaklaşık 3+3, literal okuma anlamsızsa boş bırakılarak). Üretilen cümleler otomatik bir gövde-eşleştiriciyle doğrulandı; 503 deyim / 1866 kayıt kabul edildi. Aşama 2 artık TAMAMEN bu sentetik havuzla eğitiliyor, doğal-derlem verisi kullanılmıyor. Kullanılan model: Claude (Anthropic), Claude Code alt-ajanları aracılığıyla, TDK tanımını girdi alan sabit bir üretim istemi ile (script: data/prepare_synthetic_stage2_pairs.py, istem metni scriptin içinde/alt-ajan çağrılarında, ayrı bir prompt dosyası yayınlanmadı). Lisans notu (2026-09-20'de doğrudan kontrol edildi, iki kaynak birlikte okunarak): Anthropic'in Usage Policy'si ("Do Not Abuse our Platform" bölümü) genel bir cümleyle "Utilization of inputs and outputs to train an AI model... without prior authorization from Anthropic"i yasaklıyor gibi görünse de, Anthropic'in resmi Yardım Merkezi'ndeki açıklayıcı SSS'i ("Can I use my Outputs to train an AI model?") bunu netleştiriyor: izin verilen kullanımlar arasında "sentiment analysis tools", "content categorization systems", "information extraction tools" gibi DAR KAPSAMLI, uzmanlaşmış araçlar açıkça sayılıyor; yasak olan ise "general purpose chatbots" ve "models designed for open-ended text generation" — yani Claude'la REKABET EDEN genel-amaçlı modeller. DizgeBERT-Idiom (dar kapsamlı bir span-tespit/sınıflandırma modeli, genel-amaçlı bir sohbet modeli DEĞİL) bu ayrıma göre izin verilen kategoriye daha yakın duruyor. Yine de bu bir hukuki görüş DEĞİL — özellikle ticari kullanım/dağıtım düşünenlerin kendi durumlarını Anthropic'in güncel Usage Policy ve Commercial Terms belgeleriyle doğrudan teyit etmesi önerilir.

Sonuçlar

Bu bölümdeki script yolları (benchmark/*.py, data/*.py) ve "Deney X" notları proje kod tabanına işaret eder: github.com/iatagun/lemma-rule-based (kamuya açık). Tam deney günlüğü (her deneyin ne, neden, hangi sonuçla reddedildiği/kabul edildiği) .claude/skills/idiom/SKILL.md dosyasında.

Taban çizgisi: model gerçekten ne katıyor?

Aşağıdaki satır, sinir ağı hiç kullanılmadan yalnız TDK'nin yaklaşık 11k deyimlik sözlük listesiyle (aynı max_gap=2 gövde-eşleştiricisi) cümledeki idyomları bulmaya çalışan saf kural-tabanlı bir sistemi gösteriyor — modelin eklediği değeri somutlaştırmak için:

CASES, 16 elle-seçilmiş "nokta-atışı" idyomatik/literal cümle çifti — repodaki benchmark/eval_idiom.py::CASES sabiti, bağımsız bir dış kaynak DEĞİL, projenin kendi küçük tanı seti (bkz. run_cases()).

"Gevşek" ve "sıkı" iki ayrı ölçüm, karıştırmayın: yukarıdaki tablo "gevşek" (cümlede HERHANGİ bir span var mı, hedefte olması şart değil) tanımını kullanıyor — sözlük eşleştirici için %18.7/%23.7/%11.6. AYRICA, "sıkı" (span hedef deyimle konumca çakışıyor mu) tanımıyla ölçüldüğünde: sözlük eşleştirici 198 çiftin yalnız 11'inde hedefi konumlandırabiliyor (dar örtüşme — TDK'nin sözlük-biçimiyle cümledeki çekimli biçim arasındaki gövde-eşleşmesi kısıtlı); bu 11 içinde duyarlılık VE yanlış-pozitif ikisi de %100 — yani konumlandırdığında bağlamdan tamamen kördür, idyomatik/literal ayrımı sıfır. Modelin asıl katkısı sadece span BULMAK değil, bulduğu span'ler için bağlama duyarlı bir ayrım yapabilmesi.

(Not: daha ayrıntılı ablasyonlar — yalnız PARSEME ile eğitilmiş düz bir ELECTRA, veri kaynaklarının [PARSEME/TDK/Leipzig] tek tek katkısı — henüz ölçülmedi; bu, kartın bilinen bir eksiği. Bkz. Kısıtlar.)

Ana metrik: bağlam-bağımlılık (dış kaynak)

Bağımsız dış kaynak — ama "dev-seti gibi" okuyun. Çavuşoğlu & Çöltekin'in (MWE 2026) elle-yazılmış Türkçe deyim benchmark'ı (198 deyim, her biri için gerçek idyomatik-kullanım + literal-kullanım cümle çifti, eğitim verimizde yok — benchmark/eval_idiom.py --mode external) üzerinde. Önemli çekince: bu benchmark, v5→v8 arası ~20 deneyde HANGİ adayın promote edileceğine karar vermek için TEKRAR TEKRAR kullanıldı (bkz. Sürüm Geçmişi) — yani kör bir tutulmuş test seti değil, fiilen bir model-seçim/dev seti gibi işlev gördü. Aşağıdaki mutlak sayılar (özellikle sürümler-arası "kazanç" iddiaları) bu yüzden bir miktar iyimser yanlı olabilir; PARSEME ve dış-kaynak (Aslantaş&Güngör, Dodiom) sayıları bu sızıntıdan bağımsız, o yüzden onlara daha çok ağırlık verin.

Tek-aşama karşılaştırması (2026-09-20, benchmark/eval_cavusoglu_stage_ablation.py) — BU BİR "İKİ AŞAMA ŞART" KANITI DEĞİL, aşağıda açıklanıyor neden. Aşama 1'i (v7, 3-gövde ensemble) Aşama 2 KAPALIYKEN çalıştırıp tam boru hattıyla kıyasladık:

Eşleştirilmiş fark: +39.4pp (95% GA +30.8pp – +47.5pp, sıfırı içermiyor).

Metodolojik sorun — bu "aynı veri" DEĞİL. Aşama 1'in gördüğü literal→hep-O örnekleri corpus_examples_glu.json'dan geliyor (Leipzig'ten madenlenen doğal cümleler). v8'in Aşama 2'si ise BAMBAŞKA, AYRI bir veri kaynağıyla eğitildi: TDK'den seçilen 650 deyim için LLM'e YAZDIRILAN 1866 sentetik dengeli-minimal-çift (_synthetic_stage2_records.jsonl, bkz. "Eğitim verisi" bölümü). Aşama 1 bu sentetik çiftleri HİÇ görmedi. Yukarıdaki %28.8→%68.2 farkı bu yüzden "iki aşamalı mimarinin kendisi şart" iddiasını KANITLAMIYOR — Aşama 1'e hiç bu hedefli veri verilmemişti.

İkinci bir ölçüm yapıldı, ama bu da temiz bir izolasyon DEĞİL. Aynı 1866 sentetik kaydı (literal olanlar hep-O'ya çevrilerek) Aşama-1'in standart eğitim verisine (TDK+PARSEME+ corpus-glu) EKLEYİP TEK-GÖVDE bir ELECTRA'yı sıfırdan yeniden eğittik (data/build_synthetic_stage1_ablation.py + training/train_idiom_bert.py, 10 epoch, en iyi epoch SON epoch — platoya oturduğuna dair bir işaret yok, tek tohum):

Bu tablo "veri mi mimari mi" sorusunu AYRIŞTIRMIYOR — iki değişken birden değişiyor. İlk satırdan ikinciye: hem sentetik veri EKLENDİ hem gövde sayısı 3'ten 1'e DÜŞTÜ. İkinciden üçüncüye: hem ayrı bir Aşama-2 EKLENDİ hem gövde sayısı 1'den 3'e ÇIKTI. Yani "%56.6→%68.2 farkının kaynağı Aşama-2 mi yoksa tekrar 3 gövdeye çıkmak mı" belirsiz — bu, "mimarinin katkısı ~%30" gibi bir sayıya indirgenemez (önceki bir taslakta böyle bir yüzde verilmişti, YANLIŞTI, kaldırıldı). +11.6pp'lik fark (56.6→68.2) ayrıca eşleştirilmemiş (ayrı eval koşuları), tek tohum ve 0.3 eşiği aynı 198-çiftlik sette seçildi — 0.5 eşiğinde fark +8.6pp'ye düşüyor. Doğru okuma: "tek gövde + sentetik veri %56.6, tam boru hattı %68.2 veriyor; aradaki farkın kaynağı (Aşama-2 mi, ensemble-boyutu mu) bu deneyle ayrıştırılmadı." Temiz bir izolasyon şu ikisinden biri gerektirir: (a) TEK gövde + sentetik veri + Aşama-2 (ensemble sabit=1 tutulup yalnız Aşama-2 açılıp kapatılır), veya (b) 3-gövde ensemble + sentetik veri, Aşama-2 OLMADAN (ensemble sabit=3 tutulup yalnız Aşama-2 açılıp kapatılır) — ikisi de henüz yapılmadı. Checkpoint arşivde (best_idiom_tagger_vAblationSynth.pt), kanonik best_idiom_tagger.pt (vL) ve corpus_examples_glu.json dokunulmadan geri yüklendi.

Sürüm notu (hangi sayı hangi sürüme ait): Aşama 1 (stage2=False, span-tespit gövdeleri) v7'den beri değişmedi — v8 yalnız Aşama 2'yi (idyomatiklik sınıflandırıcısını) yeniden eğitti. Yani yukarıdaki %28.8 hem v7 hem v8 için geçerli Aşama-1-tek rakamı. +Aşama 2 sütunundaki %68.2, v8'in stage2_thresh=0.3 (güncel varsayılan) ile ölçümü; v8 ilk yayınlandığında varsayılan eşik 0.5'ti ve o eşikte %65.2 ölçülmüştü (aşağıdaki eşik tablosuna bakın — aynı model dosyası, yalnız eşik farklı). v4'ün Aşama 1'i BUGÜNKÜ v7/v8'den farklıydı: v4 corpus_examples_glu.json'un o zamanki (sonradan fark edilen, bkz. proje deney günlüğü "Deney H") sürümünü kullanıyordu — bu dosya neredeyse tamamen D-only'ydi (LLM kaynaklı, stale), gerçek literal→hep-O örneği YOK denecek kadar azdı. Bu, mimari bir farklılık değil, o dönemki veri dosyasının içeriğiyle ilgiliydi; sonraki bir düzeltme (Deney H) temiz, dengeli D+L verisiyle corpus_examples_glu.json'u yeniden üretti, ve v7'den itibaren Aşama 1 bu temiz veriyle eğitiliyor. Yukarıdaki ablasyon bu YENİ (v7/v8) Aşama-1 verisiyle ölçüldü, v4'ün Aşama-1'i DEĞİL.

stage2_thresh eşik-duyarlılığı (aynı 198 çift, p(literal) > eşik olan span elenir):

Eşik düştükçe hem yanlış-pozitif hem doğru-ayırt-kaybı azalıyor. v8 ilk yayınlandığında varsayılan 0.5 idi (v7'nin mirası); bu tarama sonrası varsayılan 0.3'e düşürüldü — model dosyası aynı, yalnız config.stage2_thresh değişti. Bu eğri, "net etki pozitif" gibi tek-sayıya indirgenmiş iddiaların yerine geçiyor.

v7→v8 kıyası, sızıntı kontrolü, v7'nin kendi eşik-taraması

Özet: v8 (thresh=0.3) doğru-ayırt %68.2 vs v7 (thresh=0.5) %58.1, eşleştirilmiş fark +10.1pp (95% GA +3.5pp – +16.7pp, anlamlı). v7'nin KENDİ eşiği de ayrıca tarandı (yanlılık kontrolü) ve en iyisinin gerçekten 0.5 olduğu doğrulandı. Sızıntı kontrolü: v8'in 503 eğitim-deyimi Çavuşoğlu'nun 198 eval-deyimiyle sıfır kesişiyor; düzeltilmiş "gerçekten görülmemiş" 59-deyim dilimde de aynı yönde bulgu (+10.2pp) korunuyor. Tam istatistiksel detay (McNemar dökümü, GLU tanı seti geçişleri, v7 eşik-taraması tam tablosu, seen/unseen düzeltme notu): CHANGELOG.md.

İlgili çalışmalar — daha yüksek rakam bildiren Türkçe deyim çalışmaları var, ama farklı görevler ölçüyorlar

Bu alanda daha yeni, daha yüksek F1/doğruluk bildiren iki Türkçe çalışma var. Okuyucunun "88-90 mı, 60-68 mi" diye yüzeysel bir kıyasla bu modeli geride sanmaması için farkları açıkça belirtiyoruz:

• Aslantaş & Güngör (Boğaziçi, SIGTURK 2026), "A Unified Turkic Idiom Understanding Benchmark: Idiom Detection and Semantic Retrieval Across Five Turkic Languages" (ACL Anthology 2026.sigturk-1.4, github.com/gozdeaslantas/Turkic_Idiom_Understanding_Benchmark). Kod ve veri açık olduğu için çift yönlü, ölçülmüş bir kıyas yapıldı (2026-09-20, benchmark/eval_aslantas_gungor.py, benchmark/train_ag_electra_baseline.py, benchmark/analyze_ag_errors.py). Dürüst özet: onların TR test setinde, onların KENDİ metriğiyle (seqeval entity-exact), DizgeBERT açıkça geride (F1=0.592 tümü, 0.414 gerçekten görülmemiş 60 deyimde — bkz. üstteki özet tablosu) — onların in-domain modelleri 0.877-0.880. Gevşek/token-örtüşmeli metrikle fark küçülüyor (F1=0.795) ama span-düzeyi hata dökümü (153 olay: %50.3 tam eşleşme, %20.3 sınır-farkı — bunların 8/31'i "Allah ..." dua kalıpları, %15.7 gerçek kaçırma, %13.7 gerçek fazla-işaretleme) gösteriyor ki fark KISMEN sınır-konvansiyonu, kısmen gerçek. Onların backbone'unu (aynı encoder, kendi verileriyle 3 tohumla burada yeniden eğitildi, F1=0.898±0.031 — makul reprodüksiyon) bizim Çavuşoğlu benchmark'ımızda çalıştırınca doğru-ayırt %9.6 (literal örnek hiç görmedi — bu tek başına "iki aşama şart" kanıtlamaz). Tam sayılar, Allah-kalıbı yüzdesi, reprodüksiyon detayı: CHANGELOG.md.

• Umut, Site, Arslan & Eryiğit (İTÜ, UBMK 2025), "Exploring Turkish Idiomaticity with LLMs". Veri seti/kodu yayınlanmamış (IEEE Xplore, paywall) — doğrudan kıyas mümkün olmadı. Yerine, aynı ITU NLP ekosisteminden halka açık bir kaynak kullanıldı: Dodiom TR (Eryiğit, Şentaş & Monti, Natural Language Engineering 2023, github.com/Dodiom/dodiom, 6861 crowdsourced örnek / 36 deyim). Bu Umut et al.'ın verisiyle AYNI DEĞİL. "Dış kaynak, görülmemiş" demiyoruz — daha kesin: 36 deyimin 34'ü zaten Aşama-1'in span eğitim havuzunda var; Aşama-2'nin KENDİ etiketli havuzuyla örtüşme 1/36 — yani bu Aşama-2 açısından görülmemiş deyim kimlikleri, doğal/crowdsourced cümlelerle bir test. Sonuç (bkz. üstteki özet tablosu): dengelenmiş-doğruluk %77.4 (stage2 açık), ama Aşama-2 açık/kapalı farkı deyim-kümesi eşleştirilmiş bootstrap'ta istatistiksel olarak anlamsız (95% GA −1.5pp – +6.1pp, sıfırı içeriyor) — Çavuşoğlu'ndaki net +39.4pp'lik kazanç burada tekrarlanmıyor. Tam sayılar, trade-off dökümü: CHANGELOG.md.

Sonuç olarak "iki aşama şart" iddiası BENCHMARK'A BAĞLI: Çavuşoğlu'nun ölçtüğü keskin, dengeli bağlam-değiştirme senaryosunda net bir kazanç var, ama yukarıdaki "Ana metrik" bölümündeki ablasyon bunun ne kadarının mimariden (ayrı Aşama-2) ne kadarının sentetik veriden geldiğini AYRIŞTIRAMADI (ensemble-boyutu ile eş zamanlı değişti) — tek-gövde bir modele aynı sentetik veriyi eklemek bile büyük bir kazanç veriyor (%28.8→%56.6), bu da kazancın önemli bir kısmının veri-kalitesinden geldiğini düşündürüyor ama kesin bir oran verilemez. Dodiom'un doğal, düşük-literal-oranlı dağılımında ise yönü aynı ama büyüklüğü bu örneklemde istatistiksel olarak ayırt edilemiyor.

Diğer kıyas noktaları (dikkatli okunmalı — görev tanımları farklı)

Büyük LLM'lerle kıyas — temkinli okuyun. Çavuşoğlu & Çöltekin (2026, Table 2, "Detection" sütunu) büyük dil modellerinin kendi 200-idiom Türkçe benchmark'larında ikili idyomatik-mi- değil-mi sınıflandırmasında şu doğrulukları bildiriyor: Llama-3 70B-Instruct 0.614, Gemini 2.5-flash 0.609, GPT-4o 0.594, Llama-3 8B-Instruct 0.544, Llama-3 3B-Instruct 0.521, Llama-3 1B-Instruct 0.496 (bu altı değer makalenin PDF'inden birebir doğrulandı). Bu, DOĞRUDAN karşılaştırılabilir bir sayı değil: (a) makalenin kendi prompt'u ("Does the following Turkish sentence contain an idiom which is used figuratively? Answer only with 'yes' or 'no'.") LLM'e HEDEF DEYİM VERMİYOR — LLM de bizim modelimiz gibi span'i/idiomu kendisi tespit etmek zorunda; bu maddeyi önceki bir taslakta yanlış yazmıştık, düzeltildi. (b) Negatif (literal) sınıfın makalenin 6 alanından (idiom/açıklama/idyomatik-örnek/entailment/non- entailment/literal) TAM OLARAK hangisinden derlendiği makale metninde belirtilmiyor; yazarların kodu yayınlanmadığı için bu bağımsız doğrulanamadı. (c) bizim birincil metriğimiz (%68.2) ÇİFT düzeyinde ve daha katı ("ikisini de doğru yap" + gevşek span tanımıyla, bkz. yukarıdaki metrik-tanımı notu), LLM'lerinki tek-cümle doğruluğu; (d) bizim %68.2'miz AYNI 198-çift benchmark'ında eşik-taranarak seçildi (LLM'ler bu sette hiç ayarlanmadı, sıfır-atış basit prompt'la ölçüldü) — bu iki farklı rejim doğrudan yan yana konamaz. Daha adil bir kıyas için CÜMLE düzeyinde bakarsak: v8 idyomatik cümlede %81.3, literal cümlede %85.4 (=100−yanlış-poz) doğru — ortalama yaklaşık %83.4, LLM'lerin ~%50-61 aralığının üstünde, ama (b)-(d) çekinceleriyle birlikte, temkinli okuyun.

PARSEME 1.1 shared task kıyası: en iyi sistem (SHOMA, nöral+CRF) tüm diller ortalamasında %58.09 makro-F1 almıştı (bazı diller %23-32, Macarca/Romence %85-90). Bu doğrudan karşılaştırılamaz — farklı edition (1.1 vs bizim 1.2), farklı dil kümesi, muhtemelen farklı metrik, ve biz yalnız VID+LVC.full ile eğitiyoruz (PARSEME'nin tüm kategorileri değil). Yalnız büyüklük mertebesi olarak: bizim v8 F1'imiz (63.48) bu aralığın ortasında, görevin zor olduğunu teyit ediyor.

PARSEME span-F1 (Aşama 1, stage2=False)

Gap'li span'lar standart BIO ile yapısal olarak asla yakalanamazdı (ilk sürümde recall garanti %0); iki-katmanlı şemayla artık kısmen (yaklaşık %30-45) kurtarılıyor.

Sürümler arası gerileme, açıkça: PARSEME F1 erken sürümlerde (v4 civarı) ~67-68 idi; sonraki turlarda tekrar tekrar Çavuşoğlu doğru-ayırtı için TAKAS edildi (bkz. Sürüm Geçmişi/ CHANGELOG — bu, proje boyunca defalarca kayıt altına alınmış, bilinçli bir seçim) ve v8'de 63.48'e geriledi (yaklaşık −4 ila −5 F1 puanı). Bu bir yan etki değil, açık bir tasarım tercihi: PARSEME bu projede birincil optimize edilen metrik değil.

Ölçüm yöntemi notu: yukarıdaki PARSEME metrikleri exact-match (span sınırları BİREBİR tutmalı). Bu, sınır hatalarını (span'in bir kelime kısa/uzun bulunması) tam-kaçırma ile aynı kefeye koyuyor; PARSEME için ayrı bir token-düzeyi/sınır-hatası dökümü henüz yapılmadı. Ancak YÖNTEM artık var ve başka bir benchmark'ta (Aslantaş & Güngör) uygulandı — benchmark/analyze_ag_errors.py, EXACT/BOUNDARY/MISS/SPURIOUS dökümü (yukarıdaki "İlgili çalışmalar" bölümüne bakın: sınır-hatalarının ne kadarı gerçek kaçırma değil, konvansiyon farkı olduğunu gösteriyor). Aynı script PARSEME'ye de uygulanabilir, henüz yapılmadı.

Kısıtlar

• Aşama 2 (v8) tamamen sentetik (LLM-üretilmiş) veriyle eğitildi, doğal veri hiç kullanılmadı. Yanlış-pozitif oranı v7'ye göre iyileşti (%28.3→%14.6, varsayılan eşikle) ama sıfır değil. Sentetik cümlelerin üslubu doğal metinden farklı olabilir (ajan-üretimi) — bu risk ölçüldü (sentetik+doğal karışım denendi, daha kötü çıktı), ama üretim ortamında çıktıyı doğrulamadan güvenmeyin. stage2=False ile tamamen devre dışı, stage2_thresh ile eşik ayarlanır (varsayılan 0.3 — yukarıdaki eşik-duyarlılığı tablosuna bakın).
• İki farklı "kör olmayan test" sorunu var, karıştırmayın. (1) Aşama 2'nin epoch seçimi (v3-v7 döneminde) görülmemiş-deyim bir İÇ held-out setteki dengeli-doğruluk skoruna göre yapılmıştı — bu artık saf bir test kümesi sayılamaz. (2) Çavuşoğlu & Çöltekin benchmark'ı da (kartın birincil dış kanıtı) v5→v8 arası ~20 deneyde model-SEÇİMİ için tekrar tekrar kullanıldı (bkz. "dev-seti gibi" çekincesi, Ana metrik bölümü) — yani bu da artık kör bir tutulmuş test seti DEĞİL, kendi başına bir dev-seti işlevi gördü. Kartın gerçekten kör kaynakları PARSEME (eğitim/test split'i sabit) ve dış-literatür kıyasları (Aslantaş&Güngör, Dodiom) — bunlara Çavuşoğlu'ndan daha çok ağırlık verin.
• Eğitim tohumu varyansı, kartın tek-koşu rakamlarıyla aynı mertebede. v8'in Aşama-2 reçetesi sonradan (2026-09-22/23) 3 tohumla yeniden eğitildi: Çavuşoğlu doğru-ayırt %66.2 / %67.2 / %67.2 (ort. %66.9 ± 0.6, eşik 0.5). Yayındaki checkpoint (%65.2) bu dağılımın alt ucunda — yani yayındaki sürüm reçetesinin şanssız bir örneği; aynı reçeteyle yeniden eğitmek bile ~1.5pp "kazandırır". Kartta tek koşuyla ölçülen, ~2pp'nin altındaki sürüm farkları (ör. eşik tablosunun komşu satırları) bu gürültünün içindedir. v7→v8 farkı (+10pp) bu bandın çok üstünde kalıyor, o bulgu etkilenmiyor. 198 çiftlik bir sette eşleştirilmiş bootstrap ~±2.5pp'den küçük farkları ayırt edemiyor; birkaç aday (3 tohumla tutarlı ama +1-2pp) bu yüzden yayınlanmadı.
• LLM'in yazdığı değerlendirme cümleleri Aşama 2'yi olduğundan iyi gösteriyor. Aynı ensemble, eğitimde görülmemiş 126 deyimden oluşan, LLM'in yazdığı bir minimal-çift setinde %90.5 doğru-ayırt (yanlış-poz %5.6, eşik 0.3) veriyor; insan yazımı Çavuşoğlu setinde aynı eşikte %68.2 (yanlış-poz %14.6). Aşama 1 iki sette de literal cümlelerin benzer bir kısmında span buluyor (%73 vs %67), fark Aşama 2'nin elemesinde. Aşama 2 sentetik (LLM) veriyle eğitildiği için bu üsluba iyi uyum sağlıyor; doğal metinde beklenen performans için Çavuşoğlu rakamı esas alınmalı.
• Aşama 1 hâlâ üç gövdeli bir ensemble, tek bir bütünleşik model değil — model boyutu/gecikmesi buna göre büyük (yaklaşık 2GB, yaklaşık 3×). Daha küçük/hızlı bir alternatif (v6, tek gövde, yaklaşık 440MB) var ama Aşama 2'si eski/daha zayıf.
• Precision yaklaşık %55-64 — üretim kullanımında çıktıyı doğrulamadan güvenmeyin.
• Küçük örneklemli alt-metrikler dikkatli okunmalı. Dış-kaynak benchmark'ının "bilinen deyim" dilimi yalnız 21 çift, GLU tanı seti 35 vaka — bu ölçeklerde ±10 puanlık dalgalanmalar normaldir, tek bir sürüm geçişini bunlara dayandırmayın (bkz. yukarıdaki bootstrap güven aralıkları).
• Hâlâ eksik ablasyonlar: (a) yalnız-PARSEME ile eğitilmiş düz bir ELECTRA taban çizgisi, (b) veri kaynaklarının (PARSEME/TDK/Leipzig) tek tek katkısı. Artık YAPILDI (2026-09-20): token-düzeyi/sınır-hatası dökümü (Aslantaş & Güngör testinde, benchmark/analyze_ag_errors.py) ve diğer Türkçe deyim çalışmalarıyla ölçülmüş, iki yönlü bir kıyas (bkz. "İlgili çalışmalar") — bu ikisi artık kartın eksiği değil.
• Zayıf-denetim gövde-eşleştirmesi lemma/stemmer kalitesine duyarlı. Türkçe MWE tespitinde lemma/POS düzeltmelerinin ayrı bir çalışmada (Öztürk ve ark., Seq2Seq MWE tespitinde) F1'i ölçülebilir şekilde artırdığı bildiriliyor — bu, bizim kendi bulgumuzla örtüşüyor: Deney Z'de kullanılan snowball stemmer bazı çekim eklerini (özellikle "-yor" şimdiki zaman eki) atmıyor, bu da serbest üretilmiş cümlelerde span-doğrulama oranını ciddi düşürüyordu (önek-toleranslı bir eşleştirmeyle telafi edildi, data/prepare_synthetic_stage2_pairs.py::find_span_lenient). Daha iyi bir lemmatizer/morfolojik çözümleyici, hem eğitim verisi kalitesini hem precision'ı iyileştirebilir — henüz denenmedi.
• Gap'li (süreksiz) span'lar kısmen çözülüyor, tam değil, ve şema yalnız tam 2 parçalı gap'leri temsil eder (PARSEME-TR'de ampirik olarak hep böyle görüldü).
• Karışık alan. PARSEME kaynağı gazete metni, TDK örnekleri çoğunlukla klasik/edebi alıntı; Leipzig derlemi (Wikipedia+Haber+Web) doğal-cümle üslubunu bir ölçüde ekliyor ama güncel konuşma dili veya sosyal medya metninde ayrıca test edilmedi.
• İsim/sıfat kapsamı kısmi. TDK verisi yalnız gömülü örneği olan deyimlerden alındı — TDK'nin tam yaklaşık 11k deyimlik listesinin küçük bir kesiti.
• Ön-token'lanmış girdi bekler (kelime listesi), ham metin değil.

Sürüm Geçmişi

v3'ten (iki-aşamalı boru hattına geçiş) v8'e (Aşama 2 sentetik minimal çiftlerle yeniden eğitildi) kadar sürüm-sürüm ne değişti, tam liste: CHANGELOG.md. Özet: v5 Aşama-1'e ensemble ekledi, v6 bunu tek gövdeye damıttı, v7 üçüncü bağımsız gövdeyle ensemble'a döndü (damıtım 3 öğretmene genelleşmedi), v8 yalnız Aşama-2'yi (sentetik veriyle) yeniden eğitti — Aşama-1 v7'den beri değişmedi.

Atıf

@inproceedings{gungor2018turkish,
  title     = {Turkish Verbal Multiword Expressions Corpus},
  author    = {Erden, Berna and Berk, G{\"o}zde and G{\"u}ng{\"o}r, Tunga},
  booktitle = {26th IEEE Signal Processing and Communications Applications Conference (SIU)},
  year      = {2018},
  doi       = {10.1109/SIU.2018.8404583}
}
@inproceedings{berk2019bigappy,
  title     = {Representing Overlaps in Sequence Labeling Tasks with a Novel Tagging Scheme: Bigappy-Unicrossy},
  author    = {Berk, G{\"o}zde and Erden, Berna and G{\"u}ng{\"o}r, Tunga},
  booktitle = {International Conference on Computational Linguistics and Intelligent Text Processing (CICLing)},
  year      = {2019}
}

TDK örnekleri: Türk Dil Kurumu, Atasözleri ve Deyimler Sözlüğü (sozluk.gov.tr).

Leipzig Corpora Collection (Goldhahn, Eckart & Quasthoff, LREC 2012) — CC BY 4.0, Türkçe cümle madenciliği için kullanıldı.

Bu kartta karşılaştırma için kullanılan dış kaynaklar:

• Çavuşoğlu, E. & Çöltekin, Ç. (2026). An Idiom Benchmark for Turkish. MWE 2026, s. 103–109. ACL Anthology 2026.mwe-1.12 · github.com/coltekin/turkish-idioms
• Aslantaş, G. & Güngör, T. (2026). A Unified Turkic Idiom Understanding Benchmark. SIGTURK 2026, s. 38–51. ACL Anthology 2026.sigturk-1.4 · github.com/gozdeaslantas/Turkic_Idiom_Understanding_Benchmark
• Eryiğit, G., Şentaş, A. & Monti, J. (2023). Gamified Crowdsourcing for Idiom Corpora Construction. Natural Language Engineering, 29(4), 909–941. github.com/Dodiom/dodiom

Lisans

Eğitim verisi (1) PARSEME Türkçe VMWE derlemi, edition 1.2 — CC BY-NC-SA 4.0 (ticari olmayan, paylaş-aynı-lisansla); (2) TDK Atasözleri ve Deyimler Sözlüğü — telif TDK'ye ait, eğitim/araştırma amaçlı kullanılmıştır. Bu model PARSEME'nin lisansını miras alır — ticari kullanım için uygun değildir. Araştırma, eğitim, kişisel/nonprofit projelerde serbestçe kullanılabilir ve türetilebilir (paylaş-aynı-lisansla, CC BY-NC-SA 4.0 şartıyla); ticari bir üründe veya ücretli bir hizmette kullanmadan önce PARSEME verisinin lisansını ayrıca kontrol edin.