Doğal Dil İşleme (Natural Language Processing – NLP): bilgisayarların insan dilini anlamasını, yorumlamasını ve üretmesini sağlayan bir yapay zeka ve bilgisayar bilimi dalıdır. Temel amacı insanlar ve makineler arasındaki dil engelini ortadan kaldırmaktır.

Doğal Dil İşleme (NLP) Devrimi: spaCy ve Stanza ile Türkçe Metin İşleme Sanatı

Günümüzün dijital çağında üretilen verilerin büyük bir çoğunluğu yapılandırılmamış metinlerden oluşmaktadır. Mesela sosyal medya paylaşımları, müşteri yorumları, e-postalar, haber makaleleri ve akademik yayınlar vesaire… tüm bu veriler, doğru analiz edildiğinde paha biçilmez içgörüler sunarlar. İşte tam da bu noktada Doğal Dil İşleme (Natural Language Processing – NLP) devreye girer.

Bu teknoloji pratikte ne işe yarar?

• Duygu Analizi (Sentiment Analysis): Bir ürün hakkındaki binlerce yorumu okuyup müşterilerin genel olarak olumlu mu yoksa olumsuz mu hissettiğini saniyeler içinde belirler.
• Makine Çevirisi: Google Translate veya DeepL gibi servislerin temelini oluşturur.
• Chatbot’lar ve Sanal Asistanlar: Siri, Alexa veya web sitenizdeki bir müşteri hizmetleri botunun sorduğunuz soruları “anlamasını” sağlar.
• Metin Özetleme: Uzun bir makaleyi alıp ana fikirlerini içeren kısa bir paragraf oluşturur.
• Varlık İsim Tanıma (Named Entity Recognition – NER): Bir metin içindeki mesela “Ahmet Yılmaz”, “İstanbul” veya “Firefox” gibi özel isimleri (Kişi, Yer, Organizasyon) otomatik olarak tanır.

Bu görevlerin tamamı metnin temel bileşenlerine ayrılmasıyla başlar. Türkçe metin işleme de tam olarak bu temel görevler için güçlü araçlara ihtiyaç duyar.

Türkçe Metin İşlemenin Benzersiz Zorlukları

Türkçe (Ural-Altay Dil Ailesi), İngilizce veya İspanyolca (Hint-Avrupa Dil Ailesi) gibi dillerden yapısal olarak çok farklıdır. Ve bu farklılıklar NLP modelleri için benzersiz zorluklar yaratır:

1. Eklemeli Dil (Agglutinative Language): Türkçe’nin zor olmasındaki en belirgin özelliği sondan eklemeli bir dil olmasıdır. Bir kelime köküne birden fazla ek getirerek yeni anlamlar ve işlevler türetiriz.
   • Örnek: “Ev” (kök) -> “Evler” (çoğul) -> “Evlerimiz” (iyelik) -> “Evlerimizdeki” (bulunma + sıfat)
   • Bu durum “kelime dağarcığının” (vocabulary) patlamasına neden olur. İngilizce’de “in our houses” dört ayrı kelimeyken Türkçe’de “evlerimizdeki” tek bir kelimedir. Bu durum basit boşluk tabanlı ayırmayı (tokenization) yetersiz kılar.
2. Biçimbilimsel Belirsizlik (Morphological Ambiguity): Bir kelimenin birden fazla anlama gelebilmesi veya farklı şekillerde çözümlenebilmesi.
   • Örnek: “yüz” (fiil ‘yüzmek’, isim ‘surat’, sayı ‘100’)
3. Ünlü ve Ünsüz Uyumu: Dilbilgisi kuralları, kök bulma (stemming) ve doğru biçimbilimsel analizi (morphological analysis) zorlaştırır.

Bu gibi zorluklar nedeniyle genel amaçlı NLP kütüphaneleri Türkçe için genellikle yetersiz kalırlar. Bu sebeple de Türkçe’nin dil yapısını anlayan morfolojik olarak zengin analizler yapabilen özel modellere ve araçlara ihtiyaç duyarız.

Ama neyse ki açık kaynak topluluğu bu konuda harika çözümler sunmaktadır.

Açık Kaynak Gücü: spaCy ve Türkçe NLP

spaCy, endüstriyel düzeyde performans hedefleyen modern ve hızlı bir Python NLP kütüphanesidir. “Akademik araştırma” odaklı NLTK’in aksine, spaCy üretim ortamları (production) için tasarlanmıştır. Hız, verimlilik ve kullanım kolaylığı ön plandadır.

spaCy‘nin temel felsefesi, her dil için en iyi ve en verimli “sinir ağı” (neural network) modellerini sağlamaktır. Tek bir “en iyi” algoritmayı sunmayı hedefler.

spaCy’nin Türkçe Yetenekleri

spaCy, Türkçe için önceden eğitilmiş (pre-trained) harika modeller sunar. Bu modeller, milyonlarca kelimelik Türkçe metin verisi (Wikipedia, haber siteleri vb.) üzerinde eğitilmiştir. Bu modelleri kullanarak, hiçbir ek eğitim yapmadan doğrudan Türkçe metinleri işlemeye başlayabilirsiniz.

En yaygın kullanılan Türkçe modelleri şunlardır:

• tr_core_news_sm (Küçük model – Hızlı, temel görevler için)
• tr_core_news_md (Orta model – İyi bir hız/doğruluk dengesi)
• tr_core_news_lg (Büyük model – En doğru, ancak daha yavaş, kelime vektörleri içerir)

Pratik Örnek: spaCy ile Türkçe Metin İşleme

spaCy kullanmaya başlamak çok basittir.

1. Kurulum: Önce spaCy kütüphanesini ve ardından istediğiniz Türkçe modeli kurmanız gerekir:

pip install spacy
python -m spacy download tr_core_news_lg

2. Temel İşleme (Pipeline): spaCy‘nin gücü, “pipeline” (işlem hattı) konseptinden gelir. Bir metni nlp nesnesine verdiğinizde, metin sırayla bir dizi işlemden geçer:

import spacy

# Büyük Türkçe modeli yüklüyoruz
nlp = spacy.load("tr_core_news_lg")

# İşlenecek örnek metin
metin = "Mustafa Kemal Atatürk, 19 Mayıs 1919'da Samsun'a çıktı. Yarın İstanbul'a dönecek."

# Metni nlp nesnesi ile işliyoruz
doc = nlp(metin)

print("--- METİN ANALİZİ ---")

# doc nesnesi artık işlenmiş veriyi içerir
for token in doc:
    print(f"Kelime: {token.text.ljust(10)} | Kökü: {token.lemma_.ljust(10)} | Türü: {token.pos_.ljust(6)} | Açıklama: {spacy.explain(token.pos_)}")

Bu kodun çıktısı şuna benzer:

--- METİN ANALİZİ ---
Kelime: Mustafa    | Kökü: Mustafa    | Türü: PROPN  | Açıklama: proper noun
Kelime: Kemal      | Kökü: Kemal      | Türü: PROPN  | Açıklama: proper noun
Kelime: Atatürk    | Kökü: Atatürk    | Türü: PROPN  | Açıklama: proper noun
Kelime: ,          | Kökü: ,          | Türü: PUNCT  | Açıklama: punctuation
Kelime: 19         | Kökü: 19         | Türü: NUM    | Açıklama: numeral
Kelime: Mayıs      | Kökü: Mayıs      | Türü: PROPN  | Açıklama: proper noun
Kelime: 1919'da    | Kökü: 1919       | Türü: NUM    | Açıklama: numeral
Kelime: Samsun'a   | Kökü: Samsun     | Türü: PROPN  | Açıklama: proper noun
Kelime: çıktı      | Kökü: çık        | Türü: VERB   | Açıklama: verb
Kelime: .          | Kökü: .          | Türü: PUNCT  | Açıklama: punctuation
Kelime: Yarın      | Kökü: yarın      | Türü: NOUN   | Açıklama: noun
Kelime: İstanbul'a | Kökü: İstanbul   | Türü: PROPN  | Açıklama: proper noun
Kelime: dönecek    | Kökü: dön        | Türü: VERB   | Açıklama: verb
Kelime: .          | Kökü: .          | Türü: PUNCT  | Açıklama: punctuation

Gördüğünüz gibi, spaCy “Samsun’a” kelimesinin kökünün “Samsun” olduğunu ve “çıktı” kelimesinin kökünün “çık” olduğunu başarılı bir şekilde buldu (token.lemma_). Ayrıca kelimenin türünü de (token.pos_) (Özel İsim, Fiil, İsim vb.) doğru bir şekilde etiketledi.

3. Varlık İsim Tanıma (NER): spaCy‘nin en güçlü yanlarından biri NER’dir. Model, metindeki varlıkları otomatik olarak tanır.

# Aynı 'doc' nesnesini kullanalım
print("\n--- VARLIK İSIM TANIMA (NER) ---")

for ent in doc.ents:
    print(f"Varlık: {ent.text.ljust(25)} | Etiket: {ent.label_.ljust(5)} | Açıklama: {spacy.explain(ent.label_)}")

Çıktı:

--- VARLIK İSIM TANIMA (NER) ---
Varlık: Mustafa Kemal Atatürk     | Etiket: PER   | Açıklama: Named person or family.
Varlık: 19 Mayıs 1919            | Etiket: DATE  | Açıklama: Absolute or relative dates or periods.
Varlık: Samsun'a                 | Etiket: LOC   | Açıklama: Non-GPE locations, mountain ranges, bodies of water.
Varlık: Yarın                    | Etiket: DATE  | Açıklama: Absolute or relative dates or periods.
Varlık: İstanbul'a               | Etiket: LOC   | Açıklama: Non-GPE locations, mountain ranges, bodies of water.

Bu çıktı, spaCy‘nin “Mustafa Kemal Atatürk”ü bir KİŞİ (PER), “Samsun’a” ve “İstanbul’a” yerleşim yerlerini bir LOKASYON (LOC) olarak ne kadar başarılı tanıdığını göstermektedir. Bu özellik, metinlerden otomatik bilgi çıkarmak için inanılmaz derecede değerlidir.

spaCy, özellikle hız ve kullanım kolaylığı gerektiren (web sunucuları, chatbot altyapıları, hızlı metin sınıflandırma) projeler için mükemmel bir seçimdir.

Akademik Derinlik: Stanza ve Türkçe NLP

Stanza, Stanford Üniversitesi NLP Grubu tarafından geliştirilen bir başka güçlü Python kütüphanesidir. spaCy‘nin aksine, Stanza‘nın temel odak noktası en yüksek doğruluk (state-of-the-art accuracy) ve derin dilbilimsel analizdir.

Stanza, Universal Dependencies (UD) projesine dayalı olarak eğitilmiş sinir ağı modellerini kullanır. Türkçe’nin karmaşık morfolojisi ve söz dizimi (syntax) üzerinde spaCy‘den genellikle daha detaylı ve doğru sonuçlar verebilir. Ancak bu doğruluk, genellikle daha yavaş işlem süresi anlamına gelir.

Stanza’nın Türkçe Yetenekleri

Stanza, Türkçe için son derece gelişmiş bir işlem hattı sunar. Özellikle morfolojik analiz (kelimenin aldığı tüm eklerin dökümü) ve bağımlılık ayrıştırması (dependency parsing – cümledeki kelimelerin dilbilgisi açısından birbirleriyle ilişkisi) konularında öne çıkar.

Pratik Örnek: Stanza ile Türkçe Metin İşleme

1. Kurulum: Stanza‘nın kurulumu ve model indirmesi benzerdir:

pip install stanza

Daha sonra Python içinde modeli indirmeniz gerekir:

import stanza

# Türkçe modelini indir (sadece bir kez çalıştırmak yeterli)
# stanza.download('tr')

2. Temel İşleme (Pipeline): Stanza da spaCy gibi bir pipeline mantığı kullanır, ancak biraz daha detaylıdır.

import stanza

# Türkçe işlem hattını (pipeline) yüklüyoruz
# İşlemcileri (processors) belirtebiliriz: tokenize, pos, lemma, depparse, ner
nlp = stanza.Pipeline('tr') 

metin = "Mustafa Kemal Atatürk, 19 Mayıs 1919'da Samsun'a çıktı."

# Metni işliyoruz
doc = nlp(metin)

print("--- STANZA METİN ANALİZİ ---")

# Stanza 'doc' nesnesi cümleler ve kelimeler üzerinden iterasyon yapar
for sentence in doc.sentences:
    for word in sentence.words:
        # word.feats (features) morfolojik detayları verir
        print(f"Kelime: {word.text.ljust(10)} | Kökü: {word.lemma.ljust(10)} | Türü: {word.pos.ljust(6)} | Morfoloji: {word.feats if word.feats else 'Yok'}")

Çıktı (Özetlenmiş):

--- STANZA METİN ANALİZİ ---
Kelime: Mustafa    | Kökü: Mustafa    | Türü: PROPN  | Morfoloji: Case=Nom|Number=Sing|Person=3
Kelime: Kemal      | Kökü: Kemal      | Türü: PROPN  | Morfoloji: Case=Nom|Number=Sing|Person=3
Kelime: Atatürk    | Kökü: Atatürk    | Türü: PROPN  | Morfoloji: Case=Nom|Number=Sing|Person=3
Kelime: ,          | Kökü: ,          | Türü: PUNCT  | Morfoloji: Yok
Kelime: 19         | Kökü: 19         | Türü: NUM    | Morfoloji: NumType=Card
Kelime: Mayıs      | Kökü: mayıs      | Türü: NOUN   | Morfoloji: Case=Nom|Number=Sing|Person=3
Kelime: 1919'da    | Kökü: 1919       | Türü: NUM    | Morfoloji: Case=Loc|NumType=Card
Kelime: Samsun'a   | Kökü: Samsun     | Türü: PROPN  | Morfoloji: Case=Dat|Number=Sing|Person=3
Kelime: çıktı      | Kökü: çık        | Türü: VERB   | Morfoloji: Aspect=Perf|Mood=Ind|Number=Sing|Person=3|Polarity=Pos|Tense=Past
Kelime: .          | Kökü: .          | Türü: PUNCT  | Morfoloji: Yok

Dikkat ederseniz, Stanza‘nın word.feats özelliği, spaCy‘den çok daha derin bir morfolojik analiz sunar. “Samsun’a” kelimesi için Case=Dat (Yönelme durumu -e/a) ve “çıktı” kelimesi için Tense=Past (Geçmiş zaman) gibi detaylı dilbilgisi etiketlerini verir.

3. Bağımlılık Ayrıştırması (Dependency Parsing): Stanza‘nın parladığı yer burasıdır. Cümledeki hangi kelimenin hangisine “bağlı” olduğunu gösterir.

print("\n--- BAĞIMLILIK AĞACI (STANZA) ---")

# 'çıktı' fiili cümlenin köküdür (root)
# Diğer kelimeler bu fiile veya birbirine bağlıdır
for sentence in doc.sentences:
    sentence.print_dependencies()

Çıktı:

--- BAĞIMLILIK AĞACI (STANZA) ---
('Mustafa', 3, 'flat')
('Kemal', 3, 'flat')
('Atatürk', 9, 'nsubj')
(',', 3, 'punct')
('19', 6, 'nummod')
('Mayıs', 7, 'nmod:flat')
("1919'da", 9, 'obl')
("Samsun'a", 9, 'obl')
('çıktı', 0, 'root')
('.', 9, 'punct')

Bu çıktı, cümlenin ana fiilinin (root) “çıktı” olduğunu, bu eylemi yapan öznenin (nsubj) “Atatürk” olduğunu ve eylemin “1919’da” (obl – dolaylı tümleç/zarf) ve “Samsun’a” (obl) gerçekleştiğini gösterir. Bu seviyede bir analiz, karmaşık soru-cevap sistemleri veya derin anlamsal analizler için kritik öneme sahiptir.

Karşılaştırmalı Analiz: spaCy vs. Stanza (Türkçe İçin Hangisi?)

Her iki araç da mükemmeldir, ancak kullanım amaçları farklıdır:

Senaryolar:

• Bir web sitesi için hızlı bir duygu analizi aracı yapıyorsanız: spaCy kullanın. Hız ve kolay entegrasyon kritik öneme sahiptir.
• Binlerce müşteri yorumundan KİŞİ, YER ve ÜRÜN isimlerini çıkarmanız gerekiyorsa: spaCy‘nin NER özelliği harikadır.
• Türkçe dilbilgisi üzerine akademik bir araştırma yapıyorsanız: Stanza‘nın detaylı morfolojik ve bağımlılık analizi paha biçilmezdir.
• Metnin anlamsal yapısını derinlemesine anlaması gereken bir Soru-Cevap botu geliştiriyorsanız: Stanza‘nın bağımlılık ağacı daha iyi sonuç verebilir.

Türkçe NLP Ekosistemi: Diğer Önemli Araçlar

spaCy ve Stanza harika olsa da, ekosistem bunlarla sınırlı değildir.

1. Zemberek-NLP (Açık Kaynak)

Türkçe Doğal Dil İşleme (NLP) dendiğinde akla gelen ilk ve en önemli projelerden biridir. Zemberek, özel olarak Türkçe’nin yapısı için tasarlanmış bir kütüphanedir.

• Güçlü Yanı: Türkçe morfolojik analizde (kök bulma, ekleri ayırma) hala en başarılı araçlardan biridir. Özellikle “belirsizlik giderme” konusunda çok iyidir.
• spaCy veya Stanza‘nın sinir ağı tabanlı kök bulma (lemma_) işlemleri bazen hata yapabilirken, Zemberek‘in kural tabanlı ve istatistiksel yaklaşımı Türkçe için daha tutarlı sonuçlar verebilir.
• Kullanım Alanı: Birçok modern Türkçe NLP projesi, metni ön işlerken (preprocessing) morfolojik analiz için hala Zemberek‘i kullanır ve elde ettiği temiz veriyi spaCy veya diğer makine öğrenmesi modellerine besler.

2. Hugging Face Transformers (Açık Kaynak)

Son birkaç yılda NLP dünyasını kasıp kavuran devrim, Transformer mimarisi (BERT, GPT, RoBERTa vb.) ile geldi.

• Hugging Face, bu karmaşık modelleri kullanmayı inanılmaz derecede kolaylaştıran bir Python kütüphanesidir.
• BERTUrk: Türkçe için özel olarak eğitilmiş, çok güçlü bir BERT modelidir. (Örn: dbmdz/bert-base-turkish-cased)
• Kullanım Alanı: spaCy veya Stanza‘nın temel görevlerinin (Kök bulma, NER) ötesine geçer. Metin Sınıflandırma (örn: spam tespiti), Soru-Cevap, Metin Üretme ve Duygu Analizi gibi görevlerde en yüksek doğruluk (state-of-the-art) sonuçlarını genellikle bu Transformer modelleri verir.
• spaCy ile de entegre çalışabilirler.

3. Google Cloud Natural Language API (Ticari)

Eğer kendi modelinizi eğitmekle veya sunucu yönetimiyle uğraşmak istemiyorsanız, bulut tabanlı API’ler harika bir alternatiftir.

• Google’ın Doğal Dil İşleme (NLP) API’si, tek bir API çağrısıyla metin içindeki varlıkları, duyguyu, söz dizimini ve metin kategorisini döndürebilir.
• Türkçe desteği çok gelişmiştir ve Google’ın devasa veri kümeleri üzerinde eğitilmiştir.
• Dezavantajı: Ücretlidir (kullandıkça öde modeli) ve verinizi işlenmek üzere Google sunucularına göndermeniz gerekir.

4. Microsoft Azure Text Analytics (Ticari)

Google’ın sunduğu hizmete benzer bir yapıdır. Azure Bilişsel Hizmetler (Cognitive Services) ailesinin bir parçasıdır. Duygu analizi, anahtar ifade çıkarma, NER ve dil tespiti gibi konularda güçlü Türkçe desteği sunar.

Türkçe Metin İşleme İçin Yol Haritası

Doğal Dil İşleme, metin verisinin kilidini açan bir anahtardır. Türkçe’nin yapısal zorlukları, bu alanda uzmanlaşmış araçları zorunlu kılmaktadır.

• Hızlı ve pratik çözümler arıyorsanız, spaCy mükemmel bir başlangıç noktasıdır. Üretime hazır yapısı ve güçlü NER yetenekleri ile projelerinizi hızla hayata geçirmenizi sağlar.
• Akademik derinlik, dilbilimsel doğruluk ve karmaşık söz dizimi analizi gerekiyorsa, Stanza en doğru tercih olacaktır.
• Bu iki modern kütüphaneyi, Türkçe morfolojisi için Zemberek ile veya en yüksek doğruluğu gerektiren sınıflandırma görevleri için Hugging Face Transformers (BERTUrk gibi) ile birleştirmek, bugün Türkiye’deki NLP mühendislerinin ve veri bilimcilerin izlediği en yaygın ve en güçlü yoldur.

Açık kaynak dünyası sayesinde, Türkçe metin işleme araçlarına erişim hiç bu kadar kolay olmamıştı. Bu araçları kullanarak kendi verilerinizi analiz etmeye ve metinlerinizdeki gizli kalmış bilgileri keşfetmeye bugünden başlayabilirsiniz…

Lütfen Dikkat! Sitemizi kaynak göstermeden kesinlikle alıntı yapmayınız!!!

• 
  RECEP SEYHAN İLE KURMACANIN HİKÂYESİ
  Söyleşen: Zeynep Satı YALÇIN -Türk Dili Ocak 2018 Öyküleriyle tanıdığımız Recep Seyhan’la yeni yayınlanan “Bana Hikâye Anlat-ma” adlı psikanalitik-ontolojik tahlil kitabı bağlamında Recep Seyhan öyküsünü ve kurmacanın…
• 
  RECEP SEYHAN İLE BANA HİKÂYE ANLAT-ma
  ÖYKÜ ve ÖYKÜCÜLÜĞÜMÜZ Söyleşen:  Turan İSMAİL 1- Öncelikle, Bana Hikâye Anlat-ma adlı çalışmanızla edebiyatımızın önemli bir eser kazandığını düşünüyorum. Böyle “özgün” çalışmalara çok ihtiyacımız var. Söyleşimize şu soruyla başlamak…
• 
  BANA HİKAYE ANLAT-ma ÇERÇEVESİNDE KENDİNE YABANCILAŞMA
  R.SEYHAN’la BANA HİKAYE ANLAT-ma ÇERÇEVESİNDE KENDİNE YABANCILAŞMA’yı Konuştuk/Senem GEZEROĞLU Söyleşen: Senem GezeroğluRecep Seyhan’la Bana Hikâye Anlat-ma’dan Hareketle  Psikanalitik-Ontolojik Edebi Metin Tahlilleri ve “Kendine Yabancılaşma”ya Dair Söyleşi 1- Öncelikle “kitabınız…
• 
  NASIL YAZAR OLDULAR? RECEP SEYHAN ANLATIYOR
  Sorular: Türk Edebiyatı Dergisi adına Erhan GENÇ Yazmaya nasıl başladığınızı hatırlıyor musunuz? Bir hatırası var mıdır hayatınızda?Bir vesileyle benzer soru yöneltilmişti de söylemiştim. Orada söylediklerimin benzeri olacak ama burada…
• 
  GÜNEŞİN DOĞDUĞU YERDE ÇERÇEVESİNDE SÖYLEŞİ
  RECEP SEYHAN İLE ÖDÜL ALAN KİTABI VEÖYKÜCÜLÜĞÜ ÜZERİNE SÖYLEŞİ – Efendim, öncelikle sizi kutlamak istiyorum; Okur Kitaplığı’ndan çıkan ikinci kitabınız “Güneşin Doğduğu Yerde” ile ESKADER’in 2013 yılı…
• 
  SÖYLEŞİ – Sorular: Yasin Taha Oral
  RECEP SEYHAN İLE SÖYLEŞİ Sorular: Yasın Talha ORAL Yazar olmaya ne zaman karar verdiniz? +          Hiç kimse ‘ben yazar olayım’ diye yola çıkmaz zannediyorum. Benim de yazar olmak…
• 
  HİKÂYECİ, YAZAR RECEP SEYHAN İLE SÖYLEŞİ
  Sorular: Aysu KOÇ – Hayatınızdan bahseder misiniz? Recep Seyhan — Amasya Taşova doğumluyum. Annem ve babamın olduğu tek odadan ibaret bir barakada doğdum. Çocukluğum mezra gibi bir…
• 
  RECEP SEYHAN İLE ÖYKÜYE DAİR SÖYLEŞİ
  RECEP SEYHAN ile ÖYKÜYE DAİR SÖYLEŞİ Sorular: Yusuf Alpaslan Özdemir (TEMMUZ dergisi/38) Edebiyatın toplumun ilgi alanında olduğunu sanmıyorum; dolayısıyla olmayan bir şeyin bir niteliğinden de söz edilemez.…
• 
  BAŞKASI
  “BAŞKASI” Emmanuel Levinas’ın “başkası” dediği biri var. “O” veya “diğeri” de denebilir. ‘Beriki’nin yok saydığı, onunla aynı ülkede bile bulunmak istemediği “başkası”… O eğer “başkası” ise onun…