Entropi

Entropi belirsizliğin ölçüsüdür. 

Belirli bir sembol kümesinden oluşan bir kaynak düşünüldüğünde, o kaynaktan gelen bir mesaj ne kadar beklenmedik (yani olasılığı düşük) olursa, o kadar fazla bilgi taşır. Bu durumun tersini düşünürsek saf entropi, yani tam rastlantısallık veya düzenin tamamen yokluğu söz konusu olur ki bu da aslında hiçbir bilgi iletmez.

Eğer bir mesajın içeriği çok tahmin edilebilirse (örneğin her zaman "A" mesajını yollayan bir kaynak), bu mesaj alıcısına yani size yeni bir şey söylemez, yani bilgi içermez. Gelen her mesaj zaten biliniyordur. Entropi burada düşüktür.

Öte yandan, mesajın içeriği az rastlanan veya beklenmeyen sembollerle doluysa, bu durum sizin için yeni bilgi anlamına gelir. Bu mesaj, yüksek bilgi değeri taşır çünkü beklenmiyordur. Ancak, bu sadece tekil bir olay olduğu sürece, sistemin genel entropisi artmaz. Bu sadece bir anlık bilgi artışıdır, entropi artışı değil.

Ancak, mesaj tamamen rastgele ve kuralsız bir semboller dizisi olursa (örneğin anlamı olmayan harf yığınları), bu da işe yarar bir bilgi taşımaz. Çünkü bu rastgelelik içinde anlamlı bir yapı ya da örüntü yoktur. İşte bu durumda entropi maksimum seviyededir, ama anlamlı bilgi yoktur. Ama aşırı yüksek entropi, yani tamamen rastgele ve anlamdan yoksun bir mesaj akışı (örneğin “xy!@#q”) da bilgi değil, gürültü (noise) üretir. Yani "bilgi" üretmek için anlamlı sürpriz gerekir.

Sosyal bilimler açısından düşünürsek, total sansür uygulanmış bir medya ortamında düşük entropi söz konusudur. Yani haberler fazla öngörülebilirdir. Bilgi azdır. Herkesin rastgele içerik ürettiği bir sosyal medya ortamı çok yüksek entropi içerir. Gelen mesajlardan anlam çıkarmak zorlaşır. Bu durum bilgiye değil kaosa sebep olur. Optimal bilgi akışı için orta düzeyde entropi iyidir. Diğer bir deyişle biraz düzen, biraz sürpriz.

Örneğin, Sosyal Medya Platformlarında karşılaştığımız Filter bubble (yani “filitre balonu”) kavramı, algoritmaların kullanıcıların ilgi alanlarına göre içerik filtrelemesiyle oluşan dar görüş alanını anlatır. Burada entropi platform tarafından yapay olarak düşürülür.

Bu platformlarda sen ne izlersen onu gösterme mantığı vardır. Böylece algoritma, içeriği öngörülebilir ve tekrarlı hale getirmesine neden olur. Bu durum, kullanıcıya güvenli ve tanıdık bir deneyim sunar ama aynı zamanda entropiyi azaltır, dolayısıyla sistemden alınan bilgi değeri de düşer. Burada bir paradoks oluşur: Kullanıcılar sıkıldıklarında uygulamayı terk eder. Yani algoritmanın biraz sürpriz eklemesi gerekir.

İşte burada “entropi yönetimi” devreye girer. Özellikle TikTok ve kısmen YouTube Shorts, algoritmalarını şu prensibe göre ayarlar: “Kullanıcıya sevdiği içeriklerin %70’ini göster, ama %30 kadar da rastgele, öngörülemez içerikler ver.”

Bu kullanıcının keşfetme (yani yeni bilgi alma) hissini uyandırır. Böylece algoritma entropiyi kontrollü şekilde artırır. Ancak bu artış rastgele değil, önceden test edilmiş sürpriz içeriklerle yapılır. Yani tamamen kaos değil, yönetilen sürprizler biçiminde gerçekleşir ve dikkat seviyesi yüksek tutulmaya çalışılır. Bu durum, iletişim kuramında C. Shannon’ın “gürültü” ile “bilgi” arasındaki farkını çağrıştırır. Sürpriz varsa bilgi vardır, ama sürpriz anlamından (bağlamından) koparsa bu artık “gürültü” haline gelir.

Öte yandan, entropi yalnızca bireysel deneyimi değil, toplumun bilgiye erişim biçimlerini de etkiler. Aşırı düşük entropi söz konusu olduğunda, yani medyada hep aynı şeyleri görüp duyuyorsanız, sansürlü medya ortamlarında olduğu gibi, bu durum bireylerin sadece tek yönlü ve öngörülebilir içerik almasına neden olur. Bu da toplumda “düşünsel çoraklık” yaratır. Aşırı yüksek entropi söz konusu olduğundaysa örneğin, sosyal medyada dezenformasyonun çokluğu, bireylerin artık hiçbir bilgiye güvenememesi gibi sonuçlara yol açar.

Burada, ideal medya ortamı için hedeflenen şey orta seviye entropidir. Yani kullanıcıyı çok fazla şaşırtmadan ama düşünsel olarak da konfor alanından çıkaracak kadar farklılık sunan bir yapı.