tunahanf/gemma-4-12b-it-medlaw-tr-LORA

medlaw-tr LoRA (V1) — Türkçe tıp/sağlık hukuku

unsloth/gemma-4-12b-it üzerine QLoRA adaptörü. Türkçe tıp hukuku metinlerinde yapılandırılmış ön analiz üretir: karar özeti, senaryodan kusur analizi, onam metni denetimi, mevzuat sorusu.

Bu bir hukuki görüş üreticisi değildir. Hedef kullanıcı hukukçu, bilirkişi veya sağlık kuruluşunun hukuk birimidir; çıktı ön analiz + kontrol listesi niteliğindedir ve insan denetimi olmadan kullanılamaz. Hastaya veya hekime doğrudan tavsiye vermez.

Eğitim

veri	tunahanf/turkish-medicine-law sürüm v1.0
yöntem	QLoRA (4-bit), train_on_completions
r / alpha / dropout	32 / 64 / 0.05
epoch	3 (810 adım)
en iyi eval_loss	0.3416 (adım 700)
görülen token	21,357,069

Eğitim promptunda JSON şeması, alan listesi veya örnek yoktur; model çıktı biçimini yalnız örneklerden öğrenir. Bu, ölçümde önemli: şema promptla verildiğinde model şemadaki örnek değerleri tekrarlıyor (aşağıya bakın).

Ölçüm

Test split'inin 565 örneğinde, aynı koşuda, greedy decoding ile. Karşılaştırma base model lehine kurulu: base'e promptta açık JSON şeması + kapalı etiket kümeleri veriliyor, fine-tune'a verilmiyor.

görev / metrik	base + şema	fine-tune	naif taban	karar
madde_qa.dogru_sik	0.803	0.842	0.557 (en uzun şık)	fark ölçülemedi
karar_ozeti.mahkeme (daire no)	0.919	0.976	—	fark ölçülemedi · taban yok
karar_ozeti.esas_karar_no (sayısal)	0.984	1.000	0.000 (train sabiti)	fark ölçülemedi
karar_ozeti.sonuc	0.952	0.952	0.371 (train sabiti)	fark ölçülemedi
karar_ozeti.kusur_tipi (imla sade)	0.602	0.833	0.440 (train sabiti)	LoRA üstün
senaryo_analizi.kusur_var_mi	0.571	0.661	0.446 (train sabiti)	fark ölçülemedi
senaryo_analizi.kusur_tipi (imla sade)	0.515	0.565	0.443 (train sabiti)	fark ölçülemedi
senaryo_analizi.dayanak	0.009	0.464	0.360 (train sabiti)	LoRA üstün · naif tabanı geçemiyor
senaryo_analizi.yargi_kolu	1.000	0.946	0.607 (train sabiti)	fark ölçülemedi
senaryo_analizi.ispat_yuku	0.143	0.804	0.857 (train sabiti)	LoRA üstün · naif tabanı geçemiyor
onam_denetimi.eksik_unsurlar	0.821	0.699	0.301 (train sabiti)	base üstün
sonuc_tahmini.sonuc (kurtarılmış)	0.291	0.698	0.709 (mahkeme çoğunluğu)	LoRA üstün · naif tabanı geçemiyor

Karar sütunu, source_id kümesi düzeyinde eşleşmiş bootstrap'la hesaplanan %95 güven aralığından türetildi; "fark ölçülemedi" = aralık sıfırı içeriyor, yani bu koşu o alanda bir fark gösteremiyor. Kalın yazılanlar base'i ve naif tabanı birlikte aşan tek alandır. Tabansız bir doğruluk sayısı yanıltıcıdır.

Naif tabanı geçemeyen alanlar: senaryo_analizi.ispat_yuku, sonuc_tahmini.sonuc (kurtarılmış). ispat_yuku'nda model cevapların çoğunda "belirsiz" diyerek çoğunluk sınıfını oynuyor; sonuc_tahmini'nde etiket mahkeme koduyla güçlü korelasyonlu ve model o sıfır-zekâlı stratejiyi geçemiyor. Bu alanlarda modeli kullanmayın.

Tablodaki sayılar ham çıktıdan şu düzeltmelerle üretildi (düzeltmeden base olduğundan kötü görünüyordu): Türkçe imla ASCII'ye; kesilen JSON'dan alan kurtarma; yalnız esas/karar sayıları; yazım biçimi yerine daire numarası.

Kullanım

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

BASE = "unsloth/gemma-4-12b-it"
ADAPTER = "tunahanf/gemma-4-12b-it-medlaw-tr-LORA"

tok = AutoTokenizer.from_pretrained(ADAPTER)
model = PeftModel.from_pretrained(
    AutoModelForCausalLM.from_pretrained(
        BASE, torch_dtype=torch.bfloat16, device_map="auto"),
    ADAPTER)

mesajlar = [{"role": "user", "content":
             "Hasta Hakları Yönetmeliğine göre rızanın geçerli olması "
             "için hangi unsurlar aranır?"}]
girdi = tok.apply_chat_template(mesajlar, add_generation_prompt=True,
                                return_tensors="pt").to(model.device)
print(tok.decode(model.generate(girdi, max_new_tokens=512)[0]))

Promptu eğitimdeki gibi şemasız verin. Prompt'a doldurulmuş bir JSON örneği koyarsanız model kapalı etiketli alanlarda o örneğin değerlerini tekrarlar (ölçüldü: bazı alanlarda %100'e varan oranda).

Sınırlamalar

1. Eval seti hukukçu onayından geçmedi — makine etiketli bir karşılaştırma kümesidir. "Model tıp hukukunu şu oranda biliyor" iddiasına dayanak yapılamaz.
2. Veri setinde ölçüm artefaktları var: madde_qa'da doğru şıkkın çoğu en uzun şık, sonuc_tahmini'nde etiket mahkeme koduyla korelasyonlu. Veri kartını okuyun.
3. Model eğitimde hiç mevzuat belgesi görmedi. Bağlama madde koymak yalnız madde_qa'da kazandırıyor; kapalı etiketli görevlerde yanlış seçilmiş bir madde skoru düşürebiliyor.
4. kvkk_uyum deneyseldir (test'te 3 örnek), raporlanmamalı.
5. Kararlar anonimleştirilmiş kaynaklardan gelir ve ek bir maskeleme katmanından geçti, ama sıfır sızıntı garantisi verilmez.

Kaynak

Veri seti, ölçüm script'leri ve koşu artefaktları: tunahanf/turkish-medicine-law. Bu kartın sayıları 2026-09-07_adapterV1_veriV2.0_3kol_GECERLI koşusundan üretildi (finetune/uret_model_karti.py); elle yazılmadı.