GTA VI'nın Metacritic Puanı Gerçekten Kaç? 18.537 Yorumu Yapay Zekâyla Ayıkladık

https://cdn.goygoyengine.com/images/banner-1-1795270387931-5fbf7cadafaf.webp

Özet

Çevrimiçi oyun değerlendirme platformlarında kullanıcı puanları; oyunu fiilen deneyimlememiş kullanıcıların koordineli negatif tepkileri (review bombing), karşıt/rakip kitle yönlendirmeleri veya kanıtsız fanatik övgüler (fanboy boosting) nedeniyle ciddi biçimde kutuplaşmaktadır. Bu çalışmada, Metacritic üzerindeki Grand Theft Auto VI (PlayStation 5) sayfasından derlenen 18.537 yazılı kullanıcı incelemesi, yerel donanım (NVIDIA GeForce RTX 4060 Laptop GPU) üzerinde llama.cpp (b12602, Vulkan1) ile çalıştırılan LiquidAI/d1-2B (Q8_0) System One karar modeli aracılığıyla tek ileri geçişte (single forward pass) sınıflandırılmıştır. İncelemeler; oyun deneyimine dair somut kanıt taşıma (has_gameplay_evidence), filtrelenme gerekliliği (should_filter), nitel kategori (reason) ve birebir yinelenen metin kontrolü ölçütleriyle elenmiştir.

Bulgular, ham veri setindeki 4,7354 ortalama puanın (SD = 4,3088, medyan = 4) eleme sonrasında 4,0271 düzeyine (SD = 3,8441, medyan = 3) düştüğünü göstermektedir (Δ = -0,7083, Welch t = -14,44, p < 0,001, Cohen d = -0,1708). Bu düşüşün temel nedeni, pozitif (8–10) incelemelerin %60,62‘sinin (4.287 / 7.072) oyun deneyimi kanıtı taşımayan tek satırlık övgülerden oluşması nedeniyle elenmesi; buna karşın negatif (0–4) incelemelerin %35,76‘sının (3.581 / 10.014), nötr/karma (5–7) incelemelerin ise yalnızca %10,75‘inin (156 / 1.451) elenmesidir. Eleme sonucunda uç puanların (0 ve 10) toplam içindeki payı %62,39‘dan %46,99‘a gerilemiş, kalan incelemelerin ortalama kelime uzunluğu elenenlere kıyasla 2,24 kat artmıştır (101,63 vs. 45,50 kelime, p < 0,001).


1. Giriş ve Problem Tanımı

Kullanıcı kaynaklı dijital incelemeler, tüketici kararları ve pazar algısı açısından kritik bir sinyal kaynağıdır. Ancak açık erişimli inceleme platformlarında “sahiplik doğrulaması” (verified purchase) bulunmadığında, puan dağılımları gerçek oynanış deneyimini yansıtmaktan uzaklaşabilmektedir. Özellikle yüksek beklentili AAA oyun çıkışlarında iki yönlü gürültü gözlenmektedir:

  1. Negatif Gürültü (Review Bombing ve Kültür Savaşı Tepkileri): Oyunu oynamadan sıfır puan veren, yalnızca politik/ideolojik tartışmalara, rakip yapımlara veya koordineli kampanyalara dayanan düşük puanlı yorumlar.
  2. Pozitif Gürültü (Fanboy Hype ve Dengeleme Tepkisi): Oyunun mekanikleri, performansı veya hikâyesi hakkında hiçbir somut gözlem içermeden yalnızca “10/10 başyapıt” veya karşıt kitleye tepki amacıyla atılan yüksek puanlı yorumlar.

Bu çalışma, üretken (autoregressive) metin üretimi yerine kalibre edilmiş olasılıklar döndüren bir System One karar modelinin, büyük ölçekli oyun incelemesi veri setlerinde bu iki tür gürültüyü nasıl ayrıştırdığını ve filtrelemenin topluluk puan ortalaması üzerindeki etkisini nicel olarak incelemektedir.


2. Veri Seti ve Metodoloji

2.1. Veri Seti Özellikleri

Analiz edilen veri, Metacritic üzerinden 21 Kasım 2026 (2026-11-21T08:24:31Z) tarihinde alınan Grand Theft Auto VI (PlayStation 5) kullanıcı incelemelerinden oluşmaktadır:

  • Metacritic Genel Özeti (Puan-Only Dahil): Toplam 40.474 değerlendirme (19.126 pozitif, 3.036 nötr, 18.312 negatif), genel platform skoru 5,5/10 (“Mixed or average”).
  • Yazılı İnceleme Örneklemi: Veride yazılı metin içeren 18.537 benzersiz inceleme bulunmaktadır (geri kalan ~21.937 değerlendirme yazılı metin içermeyen yalnızca sayısal puanlardan oluşmaktadır).
  • Tarihsel Dağılım: İncelemeler 2026-11-16 ile 2026-11-21 aralığındadır; toplamın %99,98‘i lansman penceresindeki iki güne (2026-11-20: 8.989, 2026-11-21: 9.544) yoğunlaşmaktadır.
  • Platform: Tüm yazılı incelemeler (n = 18.537) PlayStation 5 sürümüne aittir.
  • Duygu Segmentasyonu: Metacritic ölçeğine uygun olarak 0–4 puanlar Negative, 5–7 puanlar Neutral / Mixed, 8–10 puanlar Positive olarak gruplanmıştır.

2.2. Yerel Çıkarım Altyapısı ve Model Konfigürasyonu

Sınıflandırma işlemi harici bir bulut API’si kullanılmadan tamamen yerel ortamda yürütülmüştür:

  • Çalıştırma Motoru: llama.cpp (b12602, Vulkan arka ucu)
  • Model: LiquidAI/d1-2B-GGUF:Q8_0 (1.92B parametre LFM3-VL-2B tabanlı karar modeli, Q8_0 kuantizasyon)
  • Donanım: NVIDIA GeForce RTX 4060 Laptop GPU (Vulkan1, ~3.559 MiB VRAM kullanımı)
  • Sunucu Parametreleri: -b 8192 -ub 8192 -dev Vulkan1 -ngl 99 (n_slots = 4, /v1/systemone endpoint’i)
  • İşlem Hızı: 4 paralel worker ile toplam 18.537 inceleme ortalama ~20,5 inceleme/saniye hızında işlenmiştir.

2.3. Karar Şeması ve Eleme Kuralı

Her bir inceleme (Score: X/10\nReview: <metin[:3500]>) modele tek bir ileri geçişte yöneltilen üç yapılandırılmış soru ile değerlendirilmiştir:

  1. has_gameplay_evidence (noul, P ∈ [0, 1]): İncelemenin mekanik, kontrol, görev, karakter, dünya detayı, performans/bug veya kişisel oynanış deneyimine dair somut kanıt içerip içermediği.
  2. should_filter (noul, P ∈ [0, 1]): İncelemenin spam, konu dışı, koordineli bombardıman/şişirme, politik/kültür-savaşı söylemi veya kanıtsız övgü/nefret olarak elenip elenmemesi gerektiği.
  3. reason (choice, 4 sınıf): genuine_review, no_play_hate, no_play_hype, spam_offtopic.

Buna ek olarak deterministik ön/son kontroller uygulanmıştır:

  • Boş/yalnızca boşluk karakteri içeren metinler empty olarak elenmiştir (n = 3).
  • Küçük harf ve boşluk normalizasyonu sonrası birebir aynı metni tekrarlayan incelemeler (duplicate_count >= 2) coordinated_duplicate olarak işaretlenip elenmiştir (n = 46).
  • Nihai eleme kuralı: (reason != "genuine_review") OR (should_filter >= 0.5) OR empty OR duplicate.

3. Bulgular ve İstatistiksel Analiz

3.1. Eleme Öncesi ve Sonrası Puan İstatistikleri

Grup n Ortalama Puan Std. Sapma (SD) Medyan Çeyrekler (Q₁ – Q₃) Min – Maks
Eleme Öncesi (Tüm Yazılı İncelemeler) 18.537 4,7354 4,3088 4 0 – 10 0 – 10
Eleme Sonrası (Kalan / Temiz) 10.513 4,0271 3,8441 3 0 – 8 0 – 10
Elenen Grup (Filtrelenen) 8.024 5,6634 4,6919 10 0 – 10 0 – 10
  • Puan Kayması (Mean Shift): Eleme sonrasında ortalama puan 0,7083 puan (görece -%14,96) düşmüştür (Welch t = -14,44, df = 23.937,4, p < 0,001, Cohen d = -0,1708).
  • Kalan vs. Elenen Ayrımı: Elenen incelemelerin ortalama puanı (5,6634), kalan incelemelerden (4,0271) 1,6363 puan daha yüksektir (Welch t = -25,40, df = 15.287,2, p < 0,001, Cohen d = -0,3866).
  • Varyans Daralması: Standart sapmanın 4,3088’den 3,8441’e düşmesi, aşırı uçlardaki gürültünün temizlenmesiyle dağılımın daha dar ve tutarlı bir yapıya kavuştuğunu göstermektedir.

Eleme Öncesi ve Sonrası Puan Dağılımı ve Asimetrik U-Eğrisi

3.2. Duygu Kategorilerine Göre Eleme Oranları

Duygu Kategorisi (Puan) Başlangıç (n) Elenen (n) Elenme Oranı (%) Kalan (n) Kalma Oranı (%) Pay Değişimi (Önce → Sonra)
Positive (8–10) 7.072 4.287 %60,62 2.785 %39,38 %38,15 → %26,49
Negative (0–4) 10.014 3.581 %35,76 6.433 %64,24 %54,02 → %61,19
Neutral / Mixed (5–7) 1.451 156 %10,75 1.295 %89,25 %7,83 → %12,32
Genel Toplam (0–10) 18.537 8.024 %43,29 10.513 %56,71 %100 → %100

Bu tablo, çalışmanın temel bulgusunu ortaya koymaktadır:

  1. Pozitif Ağırlıklı Gürültü Asimetrisi: Her ne kadar negatif inceleme sayısı mutlak değerce daha fazla olsa da, pozitif incelemelerin beşte üçünden fazlası (%60,62) oynanış kanıtı taşımayan övgüler nedeniyle elenmiştir.
  2. Nötr/Karma İncelemelerin Yüksek Güvenilirliği: 5–7 puan bandındaki kullanıcılar çoğunlukla oyunun güçlü ve zayıf yönlerini birlikte tartıştığı için %89,25 oranında geçerli kabul edilmiştir. Sonuç olarak, temizlenmiş veri setinde nötr yorumların toplam içindeki payı %7,83‘ten %12,32‘ye yükselmiştir.

Duygu Kategorilerine Göre Eleme Dökümü ve Bileşim Değişimi

3.3. Puan Bazlı (0–10) Detaylı Dağılım ve Kutuplaşma Analizi

Puan Eleme Öncesi (n) Öncesi Pay (%) Eleme Sonrası (n) Sonrası Pay (%) Elenen (n) Puan İçi Elenme (%)
0 5.537 %29,87 2.999 %28,53 2.538 %45,84
1 1.654 %8,92 1.099 %10,45 555 %33,56
2 1.057 %5,70 834 %7,93 223 %21,10
3 854 %4,61 715 %6,80 139 %16,28
4 912 %4,92 786 %7,48 126 %13,82
5 618 %3,33 549 %5,22 69 %11,17
6 384 %2,07 352 %3,35 32 %8,33
7 449 %2,42 394 %3,75 55 %12,25
8 412 %2,22 340 %3,23 72 %17,48
9 631 %3,40 504 %4,79 127 %20,13
10 6.029 %32,52 1.941 %18,46 4.088 %67,81
  • Uçlaşma Oranı (0 + 10 Puanlar): Eleme öncesinde incelemelerin %62,39‘u (11.566 / 18.537) yalnızca 0 veya 10 puanlarında toplanmaktaydı. Eleme sonrasında bu oran %46,99‘a (4.940 / 10.513) gerilemiştir (-15,40 yüzde puan).
  • U-Şekilli Gürültü Profili: Puan içi elenme oranları 6/10 puanında %8,33 ile minimuma inerken, uçlara gidildikçe parabolik biçimde artmakta ve 0/10‘da %45,84‘e, 10/10‘da ise %67,81‘e ulaşmaktadır. Bu simetrik olmayan U-eğrisi, karar modelinin uç noktalardaki kanıtsız tepki oylarını hedeflediğini, ara puanlardaki nüanslı incelemeleri ise koruduğunu doğrulamaktadır.

Uçlaşma Azalması ve Puan Bazlı Model Kalibrasyonu

3.4. Elenme Nedenlerinin Dağılımı

Elenme / Kalma Etiketi Positive (8–10) Neutral (5–7) Negative (0–4) Genel Toplam
genuine_review (Kalan) 2.785 1.295 6.433 10.513
genuine_review (ancak should_filter >= 0.5 ile elenen) 128 63 873 1.064
no_play_hype (Kanıtsız övgü / hype) 3.717 16 86 3.819
no_play_hate (Kanıtsız nefret / review bombing) 386 66 2.455 2.907
spam_offtopic (Spam / konu dışı) 45 9 131 185
coordinated_duplicate (Birebir kopya metin) 10 2 34 46
empty (Boş metin) 1 0 2 3

Not: 10/10 puanlı incelemelerin (n = 6.029) 3.638’i no_play_hype ve 307’si no_play_hate (ör. anti-eleştirmenlere yönelik karşı-saldırı metinleri) olarak elenmiştir. 0/10 puanlı incelemelerin (n = 5.537) ise 1.785’i no_play_hate, 574’ü should_filter >= 0.5 eşiğine takılan yüzeysel genuine_review ve 100’ü spam_offtopic olarak ayrılmıştır.

3.5. Metin Uzunluğu ve Model Kalibrasyonu (Yapı Geçerliliği)

Filtrelemenin yalnızca puanlara değil, metinsel kanıt derinliğine dayandığını doğrulamak amacıyla kelime/karakter uzunlukları ve model olasılıkları incelenmiştir:

Metrik Kalan (n = 10.513) Ort. (Medyan) Elenen (n = 8.024) Ort. (Medyan) Welch t Cohen d
Karakter Uzunluğu 573,33 (316) 256,07 (146) 38,98 (p < 0,001) 0,5330
Kelime Sayısı 101,63 (58) 45,50 (26) 40,19 (p < 0,001) 0,5499
has_gameplay_evidence Olasılığı 0,5477 (0,5857) 0,1617 (0,0650) 110,06 (p < 0,001) 1,5789
should_filter Olasılığı 0,2359 (0,2143) 0,4990 (0,5364) -95,68 (p < 0,001) -1,5314
  • Karakter uzunluğu ile has_gameplay_evidence olasılığı arasında orta düzeyde pozitif korelasyon gözlenmiştir (Pearson r = 0,3841). Korelasyonun 1’e yakın olmaması, modelin uzunluğu tek başına bir gösterge olarak kullanmadığını; uzun ancak konu dışı politik tiradları eleyip kısa ama teknik detay içeren (ör. FPS/kayıt hatası bildiren) yorumları koruyabildiğini göstermektedir.

Yapı Geçerliliği: İnceleme Uzunluğu ve Oynanış Kanıtı Ayrımı


4. Skor-Kör (Score-Blind) Ablasyon Deneyi ve Sağlamlık Analizi

Ana deneyde modele verilen Score: X/10 bilgisinin karar olasılıkları üzerinde bir önyargı (score conditioning prior) oluşturup oluşturmadığını test etmek amacıyla, tüm değişkenlerin sabit tutulduğu ancak girdi metninden puan satırının çıkarıldığı (Review: <metin>) bir skor-kör (score-blind) ablasyon deneyi gerçekleştirilmiştir (n = 18.537).

4.1. Karşılaştırmalı İstatistikler

Koşul Kalan (n) Elenen (n / %) Ortalama Puan (SD) Medyan Pozitif Elenen (%) Negatif Elenen (%) Nötr Elenen (%)
Eleme Öncesi (Ham) 18.537 — 4,7354 (4,3088) 4 — — —
Skor-Koşullu (Baseline) 10.513 8.024 (%43,29) 4,0271 (3,8441) 3 %60,62 %35,76 %10,75
Skor-Kör (Score-Blind) 9.683 8.854 (%47,76) 4,2940 (3,9171) 3 %60,01 %43,79 %15,51
  • Ana Etkinin Korunması: Puan bilgisi gizlendiğinde dahi eleme sonrası ortalama puan ham ortalamaya göre istatistiksel olarak anlamlı biçimde düşmektedir (Δ = -0,4414, Welch t = -8,68, df = 21.336,9, p < 0,001, Cohen d = -0,1056).
  • Yüksek Karar ve Olasılık Uyumu: İki koşul arasında ikili kalma/elenme kararında %92,99 (17.237 / 18.537, Cohen κ = 0,8589), 4-sınıflı reason etiketinde %92,60 (Cohen κ = 0,8673) uyum elde edilmiştir. Sürekli olasılık çıktıları arasındaki Pearson korelasyonu has_gameplay_evidence için r = 0,9922 (0,3806 vs. 0,3519), should_filter için r = 0,9805 (0,3498 vs. 0,3844) olarak ölçülmüştür.

4.2. Koşullandırma Önyargısının Yönü (Flip Analizi)

Toplam 1.300 incelemede karar değişimi gözlenmiştir (kept_to_filtered = 1.065, filtered_to_kept = 235), bu da skor-kör ortalamayı skor-koşullu ortalamanın +0,2669 puan üzerine çıkarmıştır (Welch t = 4,88, p < 0,001, Cohen d = 0,0688):

  1. Negatif (0–4) İncelemelerde Tolerans Farkı: Skor gizlendiğinde, skor-koşullu modelin koruduğu 834 negatif inceleme elenmiş, yalnızca 30 inceleme geri kazanılmıştır (0/10 puanında 412 vs. 26). Bu bulgu, modelin Score: 0/10 bağlamını gördüğünde kısa şikâyetleri meşru memnuniyetsizlik olarak değerlendirmeye biraz daha yatkın olduğunu göstermektedir.
  2. Pozitif 10/10 İncelemelerde Şüphecilik Farkı: 10/10 puanlı incelemelerde ise ters yönde bir kayma yaşanmış (202 inceleme skor-kör koşulda geri kazanılırken 88 inceleme elenmiştir; 8 ve 9 puanlarında geri kazanılan inceleme sayısı 0’dır). Model Score: 10/10 etiketini gördüğünde sınırda kalan övgüleri no_play_hype olarak işaretlemeye hafifçe daha eğilimli olmuştur.

Skor-Kör Ablasyon Deneyi Karşılaştırmalı Bulgular


5. Tartışma ve Metodolojik Sınırlılıklar

  1. Yazılı İnceleme Seçilim Yanlılığı (Selection Bias): Metacritic’in genel 5,5/10 ortalamasına kıyasla yazılı incelemelerin eleme öncesi ortalaması 4,7354/10 çıkmaktadır. Bunun nedeni, yalnızca puan veren (~21.937) kullanıcıların yazılı eleştiri yazanlara göre daha pozitif eğilimli olmasıdır. Dolayısıyla bu çalışma “tüm kullanıcı oylarının” değil, yazılı kullanıcı incelemelerinin gürültü profilini modellemektedir.
  2. Negatif Eleştirilerin Kalıcılığı: Eleme sonrasında puan ortalamasının 4,03–4,29 aralığına inmesi, PlayStation 5 lansmanındaki teknik şikâyetlerin (30 FPS kilidi, performans sorunları, hikâye/tempo eleştirileri vb.) büyük kısmının somut oyun deneyimine dayandığını ve gerçekçi/eleştirel metinler içerdiği için filtreyi geçtiğini ortaya koymaktadır. Buna karşılık pozitif cephede kısa “10/10” övgülerinin baskın olması yüksek eleme oranını açıklamaktadır.
  3. Skor Koşullandırması (Score Conditioning) Sınır Değerleri: Bölüm 4’teki ablasyon deneyi, Score: X/10 bilgisinin modele verilmesinin kararları temelden değiştirmediğini (κ = 0,8589, r > 0,98), ancak negatif kısa yorumlarda hafif müsamaha ve 10/10 yorumlarda hafif şüphecilik yarattığını nicel olarak ortaya koymuştur. Bu nedenle gerçek temizlenmiş puan ortalaması için 4,0271 (skor-koşullu) ile 4,2940 (skor-kör) arasındaki aralık güvenilir bir duyarlılık bandı olarak raporlanmalıdır.
  4. Kültür-Savaşı ve Hibrit Yorumlar: Hem karşı-polemik hem de somut oynanış detayı içeren hibrit yorumların bir kısmı no_play_hate veya no_play_hype sınıfına çekilebilmektedir.

6. Sonuç

Yerel bir System One karar modeli (LiquidAI/d1-2B Q8_0), 18.537 adet kullanıcı incelemesini token üretimine gerek duymadan kalibre edilmiş olasılıklarla sınıflandırmayı başarmıştır. Sonuçlar, oyun değerlendirme platformlarındaki uç puanların (0 ve 10) büyük bir bölümünün (%45,84 ve %67,81) oynanış kanıtı taşımayan tepkisel veya fanatik yorumlardan oluştuğunu; puan bilgisi tamamen gizlendiğinde dahi bu asimetrik gürültü profilinin korunduğunu (κ = 0,8589) ve temizleme sonrasında daha uzun, daha bilgilendirici ve daha az kutuplaşmış bir eleştiri gövdesi elde edildiğini göstermektedir.

Bu İçeriği Paylaş

Arkadaşlarına gönder veya topluluğunda tartış