Puanlama Algoritmaları ve Matematiksel Modeller (Scoring Algorithms)

Bu doküman, LLM'lerden dönen ham psikometrik değişim sinyallerinin (shift_value), kullanıcının Psikometrik Genomundaki nihai, kalıcı ve istikrarlı skorlara (Big Five / RIASEC) nasıl dönüştürüldüğünün matematiksel temellerini açıklar.

Kapsam Uyarısı: Bu doküman, skorların matematiksel hesaplama mantığını, ağırlıklandırmayı ve zamanla sönümlenme (decay) algoritmalarını kapsar. LLM prompt'ları ve JSON şemaları için llm-orchestration.md dosyasına, B2B tarafındaki Veri Tutarlılık Puanı mekanizması için ise confidence-engine.md dosyasına bakınız.

---

1. Temel Problem: İki Uçlu Hata (Volatility vs. Rigidity)

Bir psikometrik modelin sürekli yaşayan (continuous) bir yapıda olabilmesi için iki temel hatadan kaçınması gerekir:

1. Aşırı Oynaklık (Volatility): Kullanıcının sadece bir "kötü gün" geçirmesi veya Gölge Ajan'a sinirlenmesi, onun 80 olan Uyumluluk (Agreeableness) skorunu bir anda 40'a düşürmemelidir.
2. Aşırı Katılık (Rigidity): Sistem ilk ölçümü yapıp bir daha değişmezse, Humindx'in geleneksel testlerden hiçbir farkı kalmaz.

Çözüm: Üstel Hareketli Ortalama (EMA - Exponential Moving Average) tabanlı bir Delta Puanlama (Delta Scoring) yaklaşımı.

---

2. Puanlama Boru Hattı (Scoring Pipeline)

LLM'den gelen bir shift_value, nihai skora dönüşmeden önce 4 aşamalı bir filtreden geçer.

---

3. Matematiksel Adımlar

Adım 1: Başlangıç Çapası (The Anchor - $S_0$)

LLM'ler mutlak skor veremezler (Verirlerse halüsinasyon yaparlar). LLM'in ürettiği "değişim"in ekleneceği bir Başlangıç Skoru ($S_0$) olmalıdır.

• Kullanıcı ilk girişte Onboarding'deki "Mikro-Keşif" oyunlarını ve 10 soruluk Quick-Scan'i tamamlar.
• Bu statik metot, kullanıcının 0-100 arasındaki başlangıç çapasını (Örn: Dışadönüklük = 60) belirler. Tüm LLM etkileşimleri bu çapa etrafında dalgalanır.

Adım 2: Etki Hesabı (Net Delta)

LLM'in önerdiği shift_value ($\mathrm{\Delta }$), doğrudan skora eklenmez. LLM'in kendinden eminlik derecesi ($C_{llm}$) ve senaryonun bağlam ağırlığı ($W_{context}$) ile çarpılır.

$$Net\mathrm{\Delta }=\mathrm{\Delta }\times C_{llm}\times W_{context}$$

• $\mathrm{\Delta }$ (Shift Value): LLM'in belirlediği değişim (Örn: -2.5). Maksimum sınırlandırılmıştır (Min/Max: $\pm 5.0$).
• $C_{llm}$ (LLM Confidence): LLM'in JSON çıktısındaki değer. Eğer $C_{llm}<0.70$ ise, $Net\mathrm{\Delta }=0$ kabul edilir (Çıkarım reddedilir). Eşik değerleri için bkz. confidence-engine.md
• $W_{context}$ (Bağlam Ağırlığı): context-rooms-design.md kuralları gereği, eğer bu skor "Profesyonel Oda" için hesaplanıyorsa:
  • Etiket [PRO] ise $W_{context}=1.0$
  • Etiket [NEUTRAL] ise $W_{context}=0.5$ (Etkisi yarı yarıyadır)
  • Etiket [SOCIAL] ise $W_{context}=0.0$ (Sıfır etki, RLS duvarı)

Adım 3: Üstel Hareketli Ortalama (EMA / Sönümlenme)

Yeni skor hesaplanırken, kullanıcının geçmişi (karakterin oturmuş yapısı) korunur. Bu, $\alpha$ (öğrenme katsayısı) ile kontrol edilir.

$$Sko{r}_{yeni}=Sko{r}_{eski}+(\alpha \times Net\mathrm{\Delta })$$

• $\alpha$ (Momentum / Direnç Katsayısı): Sistemde kullanıcının etkileşim sayısı arttıkça $\alpha$ değeri küçülür.

$$\alpha =max(0.2,1.0-0.008\times n)$$

Burada $n$ = toplam etkileşim sayısı (skor değişimine yol açan senaryo/sohbet sayısı). * İlk 10 sohbette: $\alpha \approx 0.92$ (Profil hızlı şekillenir). * 50. sohbette: $\alpha =0.60$ (Geçiş bölgesi). * 100+ sohbette: $\alpha =0.20$ (Alt sınır — profil oturduğu için radikal bir değişim için kullanıcının aynı davranışı tutarlı bir şekilde defalarca sergilemesi gerekir). * Not: Bu lineer sönümlenme modeli başlangıç yaklaşımıdır. Alternatif yaklaşımlar (logaritmik, sigmoid) guides/architecture-decisions/ altında bir ADR ile değerlendirilebilir. * Bu algoritmik direnç, Humindx'in "manipülasyona kapalı" (gaming the system) olmasını sağlayan temel savunmadır.

Adım 4: Normalizasyon ve Sınırlandırma (Clipping)

Hiçbir Big Five facet'i 0'ın altına inemez veya 100'ün üstüne çıkamaz.

$$Sko{r}_{nihai}=max(0,min(100,Sko{r}_{yeni}))$$

---

4. B2B Kullanımı: Big Five'dan RIASEC ve Job Fit'e Çeviri

Humindx, temel ontoloji (ana gerçeklik) olarak Big Five'ı (30 Facet) kullanır. Ancak B2B tarafında İK profesyonellerine sunulan Job Fit (İş Uyumu) skorları ve iletişim rehberleri için RIASEC ve Yetkinlik Matrisleri oluşturulmalıdır.

Bu dönüşüm, belirlenmiş korelasyon matrisleriyle (Matrix Multiplication) yapılır.

Örnek Çeviri (Mapping) Mantığı:

İK paneli bir adayın "Liderlik Potansiyeli" skorunu görmek istediğinde, bu skor doğrudan LLM'den gelmez. Big Five facet'lerinin ağırlıklı ortalaması alınır:

• Dışadönüklük → Assertiveness (Atılganlık): %40 ağırlık
• Sorumluluk → Achievement Striving (Başarı Odaklılık): %40 ağırlık
• Nevrotiklik → Stress Tolerance (Stres Toleransı): %20 ağırlık

Bu matris tabanlı çeviri, B2B panelinde görünen tüm yetkinlik skorlarının altındaki "Matematiksel Motor"dur. Müşteri kendi "Kültür DNA'sını" tanımlarken aslında bu ağırlıkları belirlemiş olur.

Tam Big Five facet → RIASEC kod ve Yetkinlik Matrisi korelasyon tablosu, B2B paneli geliştirme aşamasında bu dokümanın ekler (appendix) bölümüne eklenecektir.

---

5. Hız Sınırları ve Kötüye Kullanım (Rate Limiting)

Kullanıcının tek bir günde saatlerce AI ile konuşarak profilini (özellikle iş başvurusu öncesinde) yapay bir şekilde "ideal çalışana" dönüştürmesi engellenmelidir.

• Günlük Shift Limiti (Daily Cap): Herhangi bir ana faktör (Örn: Sorumluluk) 24 saat içinde en fazla $\pm 4.0$ puan değişebilir. Fazla etkileşimler kaydedilir (Discovery odasında kalır) ancak Profesyonel odaya "sönümlenerek" günlere yayılarak aktarılır.
• Kapsam: Daily Cap, oda başına uygulanır. Profesyonel odadaki Sorumluluk skoru günde max $\pm 4.0$ değişebilir; aynı gün Discovery odasındaki anchor katkısı bu limite dahildir.
• Bu kural, sistemin tutarlılığını korur ve Humindx'i "test çözüp geçilen" bir araç olmaktan çıkarıp "zamanla olgunlaşan bir kimlik" konumuna yerleştirir.

---

Son Güncelleme: 2026-04-15 — Delta scoring, EMA sönümlenme mantığı (alfa formülü dahil), oda bazlı Daily Cap, ağırlıklı bağlam çarpanları ve RIASEC çeviri modeli tanımlandı.