Türkçe metinlerde ironi ve iğneleme içeren ifadelerin dönüştürücü temelli kolektif öğrenme yöntemleri ile tespit edilmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: MURAT ESER
Danışman: Metin Bilgin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:İroni ve iğneleme, söylenen ile söylenmek istenen ifadelerin arasındaki uyumsuzluğu vurgulayan ifade biçimleridir. Bu ifadelerin tespit edilmesi, sosyal medya gibi kullanıcı merkezli platformlarda önemli bir metin madenciliği problemidir. Çevrimiçi olarak büyük miktarda metinsel veri bu kullanıcıların duygu eğilimlerine ilişkin ipuçları taşımaktadır. Bu nedenle ironik ve iğneleyici ifadeleri belirlemek kişilerin duygularını daha iyi tanımlamak için önemlidir. Ancak ironik ve iğneleyici ifadelerin aynı anda tespit edilmeye çalışılması birbirlerine yakın anlamlar taşıması nedeniyle oldukça zordur. Bu ifadelerin kullanımının yaygınlaşması nedeniyle de doğal dil işleme alanında önemli bir araştırma konusu haline gelmiştir. İronik ve iğneleyici ifadelerin tespit edilmesi amacıyla bu çalışmada, Türkçe metinler üzerinde BERTurk, ConvBERTurk, DistilBERTurk, ELECTRATurk ve RoBERTaTurk olmak üzere beş farklı önceden eğitilmiş dönüştürücü tabanlı modeller ve kolektif öğrenme yöntemi, metinsel olarak aynı ancak bağlam uzunluğu açısından farklı bir-gram, iki-gram, üç-gram, dört-gram ve tüm-gram veri kümeleri kullanılarak performansları karşılaştırılmaktadır. Performansın artırılması amacıyla, yapay tavşan optimizasyon algoritmasına dayanan kolektif öğrenme yöntemiyle model çıktıları birleştirilerek nihai tahminler elde edilmiştir. Elde edilen deneysel sonuçlar, veri kümelerindeki bağlam genişledikçe modellerin daha iyi tahminler yaparak performans metriklerinde iyileştirici bir etki yarattığını göstermektedir. BERTurk ve ConvBERTurk modelleri tüm veri kümelerinde diğer modellere göre daha iyi performans göstermiştir. Kolektif öğrenme yöntemi, bağlam genişledikçe performansı artmış tüm metriklerde bireysel modellerin üzerinde performans göstererek, tüm-gram veri kümesinde %76,71 doğruluk, %74,64 kesinlik, %73,29 duyarlılık ve %73,96 F1-skoru değerlerini elde etmiştir. Bu çalışma Türkçe gibi düşük kaynaklı dillerde kolektif öğrenmenin ve bağlamın ironi ve iğnelemenin tespitinde belirleyici olduğunu ortaya koymaktadır.