Bu çalışma, Büyük Dil Modellerinin (LLM) edebî metinlerin iki temel katmanındaki—tematik analiz ve çeviri—performansını ve sınırlarını disiplinler arası bir metodolojiyle incelemektedir. Modern Kore edebiyatından seçilen üç farklı türdeki metin (bilimkurgu, otobiyografik anlatı, edebi kurgu), vaka analizi için korpus olarak kullanılmıştır. Araştırma iki ana görev üzerine kuruludur: (1) Kaynak metinlerdeki tema, üslup ve duygu örüntülerinin YZ destekli çıkarımı ve (2) Bu metinlerin profesyonel insan çevirisi, ham YZ çevirisi ve uzman post-edit edilmiş YZ çevirisi versiyonlarının karşılaştırmalı kalite değerlendirmesi. Çeviri kalitesi, yeterlik, akıcılık, üslup korunumu ve kültürel aktarım eksenlerinde hem nitel (yakın okuma) hem de nicel (5’li Likert ölçeği) metriklerle ölçülmüştür. Bulgular, yapay zekânın metinlerdeki ana temaları ve tekrarlayan motifleri tutarlı bir şekilde tespit edebildiğini, ancak çeviri görevinde temel anlamsal aktarımda başarılı olmasına rağmen (Yeterlik: 4.1/5, Akıcılık: 4.3/5), üslup bütünlüğünün korunması (2.7/5) ve kültürel referansların derinliğinin aktarılması (2.4/5) gibi incelik gerektiren alanlarda belirgin zayıflıklar gösterdiğini ortaya koymaktadır. Uzman post-edit müdahalesinin çeviri kalitesini tüm metriklerde istatistiksel olarak anlamlı düzeyde artırdığı saptanmıştır (Cohen’s d ≈ 1.82). Post-edit edilmiş çeviriler, profesyonel insan çevirisiyle aynı kalite seviyesine (4.63/5) ulaşmıştır. Sonuç olarak bu makale, YZ’nin edebî çalışmalarda güçlü bir veri işleme ve taslak oluşturma aracı olduğunu, ancak nihai kalite ve anlamsal derinlik için uzman sezgisi, kültürel yetkinlik ve stratejik karar almanın vazgeçilmezliğini ortaya koymaktadır.

This study investigates the performance and limitations of Large Language Models (LLMs) across two fundamental layers of literary texts—thematic analysis and translation—through an interdisciplinary methodology. Three texts from modern Korean literature, representing different genres (sci-fi, autobiographical narrative, literary fiction), were used as a corpus for a case study. The research is based on two main tasks: (1) AI-assisted extraction of themes, style, and sentiment patterns from the source texts, and (2) A comparative quality assessment of their professional human translation, raw machine translation, and expert post-edited machine translation versions. Translation quality was measured using both qualitative (close reading) and quantitative (5-point Likert scale) metrics along the axes of adequacy, fluency, style preservation, and cultural transfer. The findings indicate that artificial intelligence can consistently identify major themes and recurring motifs in texts. However, in the translation task, while raw AI outputs demonstrated success in basic semantic transfer (Adequacy: 4.1/5, Fluency: 4.3/5), they exhibited significant weaknesses in nuanced areas such as preserving stylistic integrity (2.7/5) and conveying the depth of cultural references (2.4/5). Specifically, in translating Korean onomatopoetic expressions, culturally loaded adjectives, and quasi-religious references, AI was observed to make literal and context-detached choices. Expert post-editing was found to significantly increase translation quality across all metrics with a very large effect size (Cohen’s d ≈ 1.82). Post-edited translations reached the same quality level (4.63/5) as professional human translations. Consequently, this article demonstrates that while AI is a powerful tool for data processing and drafting in literary studies, expert intuition, cultural competence, and strategic decision-making remain indispensable for achieving final quality and semantic depth. The study offers a replicable, transparent, and ethically grounded human-machine collaboration model for social scientists.