Abstract

Öz
Bu araştırma, geleneksel sanat mirası eserlerinin yüksek çözünürlüklü taranarak dijital arşivlere dönüştürülmesi ve bu arşivlerin yapay zekâ (YZ) modelleri için eğitim verisi olarak kullanılması sürecinin, ortaya çıkardığı derin etik ve epistemolojik sorunları ele almaktadır. Çalışma, dijitalleştirme projelerinin sıklıkla sunduğu “ebedi koruma” ve “evrensel erişim” vaadinin ardında, nesneleri tarihsel, kültürel ve ritüel bağlamlarından kaçınılmaz bir şekilde koparan, onları yalnızca görsel “stil” veya “örüntü” olarak indirgeyen bir epistemolojik dönüşüm yattığını savunmaktadır. Bir minyatür, heykel veya dokuma, RGB piksel değerleri, özellik vektörleri ve istatistiksel dağılımlara dönüştürüldüğünde, taşıdığı anlamsal katmanlar (dini sembolizm, sosyal hiyerarşi, mitolojik anlatı, malzemenin kutsallığı) veri seti metaverisinde genellikle marjinalleşir veya tamamen kaybolur. Bu “bağlamsızlaştırılmış stil” ile eğitilen YZ modelleri (GAN’lar, Difüzyon Modelleri), geleneksel formları taklit edebilir, ancak bu taklit, anlamsal bir boşlukta, “anlamsız bir zarafet” içinde gerçekleşir. Makale, bu süreci “epistemolojik şiddet” ve “kültürel düzleştirme” kavramları üzerinden analiz etmektedir. Önerilen metodolojik çerçeve, dijitalleştirme zincirini üç aşamada inceler: 1) Seçim ve Çerçeveleme: Hangi eserler dijitalleştirilir, hangi çözünürlük ve kırpma ile? 2) Veriye Dönüştürme ve Etiketleme: Görsel, hangi kategoriler (örn., “İslam Sanatı”, “16. yy.”) altında, hangi anahtar kelimelerle tanımlanır? 3) Model Eğitimi ve Yeniden Üretim: Veri setindeki önyargılar, modelin çıktılarında nasıl katılaşır ve doğallaştırılır? Kurgusal ancak gerçekçi bir vaka incelemesi olarak “OttomanMiniatures-10k” veri seti ve bu veri setiyle eğitilmiş “MinyatürGAN” modeli üzerinden somutlaştırılan analiz, YZ’nin, örneğin bir padişah portresinin ikonografik dilini (haleyi, duruşu, sembolleri) başarıyla öğrenirken, bu dilin iktidar meşruiyeti sağlama veya dini-geleneksel bir hiyerarşiyi görselleştirme işlevini tamamen göz ard ettiğini göstermektedir. Sonuç olarak, bu makale, dijital miras yönetiminde yalnızca teknik bir iyileştirme değil, aynı zamanda bağlamsal bütünlüğü koruyan, çok sesli ve şeffaf bir epistemoloji geliştirmenin aciliyetini ortaya koymaktadır. YZ’nin geleneği yalnızca bir görsel kaynak olarak değil, anlamlı bir bilgi sistemi olarak öğrenebilmesi, ancak disiplinler arası işbirliği, eleştirel veri seti küratörlüğü ve anlamsal metaverinin zenginleştirilmesi ile mümkün olabilecektir.

Abstract

Abstract

This research addresses the profound ethical and epistemological problems arising from the process of high-resolution scanning of traditional art heritage works to transform them into digital archives and the use of these archives as training data for artificial intelligence (AI) models. The study argues that behind the promise of "eternal preservation" and "universal access" frequently offered by digitization projects lies an epistemological transformation that inevitably severs objects from their historical, cultural, and ritual contexts, reducing them to mere visual "style" or "pattern." When a miniature, sculpture, or textile is transformed into RGB pixel values, feature vectors, and statistical distributions, the semantic layers it carries (religious symbolism, social hierarchy, mythological narrative, the sanctity of the material) are typically marginalized or completely lost in the dataset metadata. AI models (GANs, Diffusion Models) trained on this "decontextualized style" can imitate traditional forms, but this imitation occurs in a semantic void, within a state of "meaningless grace." The article analyzes this process through the concepts of "epistemological violence" and "cultural flattening." The proposed methodological framework examines the digitization chain in three stages: 1) Selection and Framing: Which works are digitized, at what resolution and with what cropping? 2) Transformation into Data and Labeling: Under which categories (e.g., "Islamic Art," "16th century") and with what keywords is the visual material defined? 3) Model Training and Reproduction: How do the biases in the dataset solidify and become naturalized in the model's outputs? The analysis, concretized through a fictional yet realistic case study of the "OttomanMiniatures-10k" dataset and the "MinyatürGAN" model trained on it, demonstrates that while AI successfully learns the iconographic language of, for example, a sultan's portrait (the halo, posture, symbols), it completely ignores the function of that language in legitimizing power or visualizing a religious-traditional hierarchy. Consequently, this paper highlights the urgent need in digital heritage management not only for technical improvement but also for developing a contextual integrity-preserving, polyphonic, and transparent epistemology. For AI to learn tradition not merely as a visual resource but as a meaningful knowledge system will only be possible through interdisciplinary collaboration, critical dataset curation, and the enrichment of semantic metadata.