Geri Dön

Artificial intelligence driven arbitration: A new approach for efficient arbitrator selection in construction disputes

Yapay zeka destekli tahkim: İnşaat uyuşmazlıklarında etkin hakem seçimi için yeni bir yaklaşım

  1. Tez No: 1000067
  2. Yazar: MOHAMMAD MOBADERSANI
  3. Danışmanlar: DOÇ. DR. ONUR BEHZAT TOKDEMİR, DR. ALİ BEDİİ CANDAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Dil modelleri, Tahkim, Yapay zeka, İnşaat mühendisliği, İnşaat yönetimi, Language models, Arbitration, Artificial intelligence, Civil engineering, Construction management
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapı İşletmesi Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İnşaat sektörü, gerek ekonomik büyüklüğü gerekse toplumsal refah üzerindeki doğrudan etkisi nedeniyle küresel ölçekte en kritik sektörlerden biridir. Hızlı kentleşme, altyapı yatırımlarındaki artış, projelerin ölçek ve teknik karmaşıklık bakımından büyümesi; inşaat projelerinde sözleşmesel, teknik ve yönetsel uyuşmazlıkların kaçınılmaz hâle gelmesine yol açmaktadır. Literatürde inşaat uyuşmazlıklarının başlıca kaynakları; gecikmeler, maliyet aşımları, sözleşme hükümlerindeki belirsizlikler, yetersiz dokümantasyon ve değişiklik emirleri olarak tutarlı biçimde rapor edilmektedir. Bu tür uyuşmazlıklar ortaya çıktığında, özellikle devam eden projeler ve bekleyen ödemeler söz konusu olduğunda, çözüm süresinin uzaması hem taraflar hem de proje çıktıları açısından ciddi kayıplar doğurmaktadır. Tahkim, inşaat uyuşmazlıklarında en sık başvurulan alternatif uyuşmazlık çözüm yöntemlerinden biridir. Teknik uzmanlığa sahip hakemlerin atanabilmesi, yargılamaya kıyasla daha esnek usuller, görece hız ve gizlilik gibi avantajlar, tahkimi sektörde cazip kılmaktadır. Bununla birlikte, tahkim sürecinin etkinliği doğrudan doğruya hakem heyetinin niteliğine bağlıdır. Önceki çalışmalar, uyuşmazlığın karmaşıklığı ile hakemlerin uzmanlık profili arasında sıklıkla uyumsuzluk bulunduğunu; hakem değişikliklerinin ise tahkimde gecikmenin başlıca nedenlerinden biri olduğunu ortaya koymaktadır. Mevcut uygulamada taraflar ve kurumlar, yüzlerce hakem özgeçmişi arasından manuel tarama yaparak seçim sürecini yürütmekte; bu durum hem zaman hem de maliyet açısından ciddi bir yük oluşturmaktadır. Bu tez, tam da bu noktadan hareketle, inşaat tahkiminde hakem seçiminin daha sistematik, nesnel, ölçeklenebilir ve uyuşmazlık-odaklı biçimde desteklenmesi gerektiği varsayımına dayanmaktadır. Çalışmanın temel amacı; büyük dil modelleri temelli yapay zeka yaklaşımlarını kullanarak, hakem seçimine yönelik iki aşamalı, insan–yapay zeka hibrit bir karar destek çerçevesi geliştirmek ve bu çerçevenin uzman kararlarına yakınlık ve pratik uygulanabilirlik bakımından performansını incelemektir. Son yıllarda yapay zeka uygulamaları; hukuk, tahkim, insan kaynakları ve belge analizi gibi alanlarda hızla yaygınlaşmıştır. Özellikle büyük dil modelleri; metin anlama, sınıflandırma ve anlamsal benzerlik yakalama kabiliyetleri sayesinde, özgeçmiş tarama, belge inceleme ve karar destek sistemlerinde yoğun biçimde kullanılmaya başlanmıştır. Ancak literatürde, yapay zekanın“insan hakemlerin seçimini”uyuşmazlık-özgü bağlamda destekleyen sistematik modellerin sınırlı olduğu görülmektedir. Bu tez, söz konusu boşluğu hedef alarak, yapay zekayı karar verici yerine koyan değil; uzman yargısını yapılandıran, hızlandıran ve uyuşmazlık ile hakem profili arasındaki teknik örtüşmeyi nicel olarak görünür kılan bir araç olarak konumlandırmaktadır. Böylece çalışma, tahkim literatürüne hem metodolojik hem de uygulamaya dönük özgün bir katkı sunmayı amaçlamaktadır. Çalışmada iki aşamalı bir metodolojik kurgu benimsenmiştir. Birinci aşama, büyük dil modellerinin uzman değerlendirme davranışını ne ölçüde taklit edebildiğini test etmeye yöneliktir. İkinci aşama ise uyuşmazlık açıklamaları ile hakem profilleri arasında anlamsal eşleştirme yapabilen bir öneri mekanizmasının geliştirilmesine odaklanmaktadır. Veri seti, başlıca uluslararası tahkim kurumlarının (AAA, SIAC vb.) açık erişimli platformlarından temin edilen 589 hakem özgeçmişinden oluşturulmuştur. Ön işleme sürecinde tekrar eden, yetersiz veya yapısal olarak sorunlu belgeler elenmiş; nihai olarak 500 özgeçmiş çalışma kapsamına alınmıştır. Özgeçmişler, biçimsel farklılıkların etkisini azaltmak amacıyla yeniden yapılandırılmış ve beş ana başlık altında standartlaştırılmıştır: kişisel bilgiler, mesleki deneyim, tahkim deneyimi, eğitim ve ek nitelikler. Tarafsızlığı sağlamak üzere kişisel kimlik bilgileri çıkarılmış ve her belge anonimleştirilmiştir. Hakem değerlendirme ölçütlerinin ağırlıklandırılması için beş kıdemli uzmandan oluşan bir panel ile Analitik Hiyerarşi Süreci uygulanmıştır. Uzmanlar; tahkim deneyimi, mesleki deneyim, eğitim ve ek niteliklerin göreli önemini ikili karşılaştırmalar yoluyla değerlendirmiştir. Tutarlılık oranları kabul edilebilir sınırlar içinde bulunmuş; sonuçlar, özellikle tahkim deneyimi ve sektörsel mesleki deneyimin en yüksek ağırlıkları aldığını göstermiştir. Bu ağırlıklar, hem uzman puanlamasında hem de yapay zeka modellerinin yönlendirilmesinde temel referans olarak kullanılmıştır. Birinci aşamada, 500 anonim özgeçmiş uzmanlar tarafından kontrol listesine dayalı biçimde puanlanmıştır. Aynı belgeler daha sonra iki farklı GPT tabanlı model tarafından değerlendirilmiştir. Modeller arasındaki tek fark, istem (prompt) yapılarının ayrıntı düzeyidir. İlk model, genel ve çerçeve niteliğinde talimatlarla yönlendirilmiş; ikinci model ise uzman kontrol listesine birebir entegre edilmiş ayrıntılı yönergelerle kurgulanmıştır. Elde edilen sonuçlar, ayrıntılı istem yapısının performansı belirgin biçimde artırdığını göstermiştir. Uzman sınıflandırmaları ile karşılaştırıldığında; temel model yaklaşık %53 doğruluk üretirken, ayrıntılı ve uzman uyumlu istemle eğitilen model %84 doğruluk düzeyine ulaşmıştır. Bu bulgu, büyük dil modellerinin insan değerlendirme örüntülerini taklit edebilme kapasitesinin yüksek olduğunu; ancak bu kapasitenin doğrudan modelden ziyade istem mühendisliğinin kalitesine bağlı olduğunu ortaya koymaktadır. Dolayısıyla çalışma, yapay zekanın tahkimde kullanılabilirliğinin teknik altyapı kadar metodolojik çerçeveye de bağlı olduğunu güçlü biçimde vurgulamaktadır. Özgeçmiş puanlaması, hakemlerin genel yeterliliğini nesnel biçimde ortaya koysa da, pratikte tarafların asıl ihtiyacı uyuşmazlığa özgü hakem kısa listelerinin oluşturulmasıdır. Bu nedenle çalışmanın ikinci aşamasında, vektör gömme tabanlı bir öneri sistemi geliştirilmiştir. Bu aşamada hem hakem özgeçmişleri hem de gerçek bir inşaat uyuşmazlığı dosyasından türetilmiş vaka açıklamaları yüksek boyutlu vektörlere dönüştürülmüştür. Ardından kosinüs benzerliği kullanılarak uyuşmazlık ile hakem profilleri arasındaki anlamsal yakınlık hesaplanmıştır. Sistem, yalnızca anahtar kelime eşleşmesine değil; proje türü, uyuşmazlık konusu, teknik uzmanlık alanı ve sözleşme bağlamı gibi örtük ilişkileri de dikkate alan bir semantik arama altyapısı sunmuştur. Gerçek bir inşaat uyuşmazlığı senaryosu üzerinde yapılan uygulama, sistemin; doğrudan ilgili deneyime sahip hakemleri önceliklendirdiğini, yeterli doğrudan eşleşme bulunmadığında ise yakın teknik ve hukuki alanlardan adayları rasyonel biçimde üst sıralara taşıdığını göstermiştir. Precision@K analizleri, uzman kısa listeleriyle anlamlı düzeyde örtüşme bulunduğunu ortaya koymuştur. Çalışma, inşaat tahkiminde hakem seçimine yönelik bütünleşik bir insan–yapay zeka karar destek çerçevesi sunmaktadır. Birinci aşama, büyük dil modellerinin yapılandırılmış koşullar altında uzman yargısına yaklaşabildiğini; ikinci aşama ise bu bilginin uyuşmazlık-odaklı öneri mekanizmalarına dönüştürülebileceğini göstermektedir. Bu bağlamda tez, tahkim pratiğine üç temel katkı sunmaktadır: (i) ölçeklenebilir ve düşük maliyetli hakem tarama imkânı, (ii) uyuşmazlık ile hakem profili arasındaki teknik örtüşmenin nesnel biçimde görünür kılınması ve (iii) kurum bağımlılığını azaltabilecek alternatif bir kısa liste üretim yaklaşımı. Bununla birlikte, çalışma belirli sınırlılıklar da içermektedir. Veri setinin İngilizce özgeçmişlerle sınırlı olması, farklı hukuk sistemleri ve diller için ek uyarlama gerektirmektedir. Ayrıca model performansının istem tasarımına yüksek derecede duyarlı olması, bu tür sistemlerin rastlantısal kullanımına karşı metodolojik disiplin ihtiyacını ortaya koymaktadır. Son olarak, yapay zekanın etik riskleri ve olası yanlılık üretme potansiyeli nedeniyle, sistemin hiçbir aşamada“otomatik karar verici”olarak değil, uzman denetimi altında çalışan bir destek aracı olarak konumlandırılması gerektiği özellikle vurgulanmaktadır. Bu tez, inşaat uyuşmazlıklarında hakem seçiminin yalnızca hukuki değil, aynı zamanda veri-temelli ve sistematik biçimde ele alınması gerektiğini göstermektedir. Geliştirilen iki aşamalı çerçeve; büyük dil modellerinin uzman değerlendirmelerini taklit edebildiğini ve vektör gömme teknikleriyle uyuşmazlık-özgü öneri üretilebildiğini ortaya koymuştur. Sonuç olarak çalışma, inşaat tahkimi bağlamında yapay zekanın doğrudan hüküm verici değil; şeffaflığı, hız ve teknik uyumu artıran bir karar destek altyapısı olarak konumlandırılmasının hem teorik hem de pratik açıdan güçlü bir potansiyel taşıdığını göstermektedir.

Özet (Çeviri)

Construction is one of the most significant industries contributing to social and economic development, since the efficiency of construction projects directly affects daily life and public welfare. With rapid population growth and accelerating urbanization, the demand for new infrastructure, residential buildings, and industrial facilities has increased substantially. At the same time, construction projects have become increasingly complex in both design and execution, which makes construction disputes largely inevitable. The involvement of multiple stakeholders such as owners, designers, contractors, and subcontractors further intensifies the risk of conflicting interests. Existing literature consistently identifies delays, cost overruns, ambiguous contract provisions, inadequate documentation, and change orders as the primary sources of construction disputes. When such disputes arise, timely resolution becomes critical, particularly in situations involving pending payments and ongoing project operations. Arbitration has emerged as one of the most widely preferred methods for resolving construction disputes, as it allows parties to appoint a neutral and technically knowledgeable decision-maker to adjudicate the matter based on factual and documentary evidence. Compared to litigation, arbitration is often favored for its relative efficiency in terms of time and cost, as well as its capacity to preserve professional and contractual relationships. In addition, arbitrators typically possess specialized technical expertise, which enables them to better understand the engineering and contractual complexities inherent in construction disputes. Despite these advantages, arbitration is not without limitations. The effectiveness of arbitration proceedings is strongly influenced by the competence and suitability of the appointed tribunal. Prior studies reveal a persistent mismatch between dispute complexity and arbitrator expertise, and arbitrator replacement has been identified as one of the leading causes of procedural delay in arbitration. Identifying the most appropriate arbitrator remains a challenging and resource-intensive task. Parties are often required to review and compare a large number of arbitrator profiles, a process that is both time-consuming and overwhelming. This challenge underscores the need for a systematic and efficient approach to arbitrator selection that accounts for dispute-specific characteristics. In response to this need, the present study investigates the potential of artificial intelligence (AI), with particular emphasis on large language models (LLMs), to support arbitrator selection in construction disputes. Accordingly, the thesis proposes a two-phase human–AI hybrid framework designed to enhance the accuracy and efficiency of arbitrator identification. The first phase of the framework evaluates the ability of LLMs to replicate expert decision-making in resume assessment. To achieve this, 500 anonymized and standardized arbitrator resumes were evaluated by domain experts with extensive experience in construction-related disputes. Two GPT-based models were subsequently developed to score the same resumes using expert-derived evaluation criteria. The models differed solely in the level of detail embedded in their prompt structures. The findings demonstrate that the model guided by a detailed, expert-aligned prompt significantly outperforms the model relying on concise instructions, achieving a classification accuracy of 84% compared to 53%. These results highlight the critical role of prompt design in ensuring reliable and consistent LLM-assisted evaluation. While resume scoring provides an objective assessment of arbitrator qualifications, it does not fully address the need for case-specific arbitrator recommendation. To bridge this gap, the second phase of the study introduces a vector embedding–based semantic recommendation approach. In this phase, arbitrator resumes and dispute case descriptions are converted into high-dimensional numerical representations using LLM-based embedding techniques. Semantic similarity between disputes and arbitrator profiles is computed using cosine similarity across two embedding models, and the resulting similarity scores are used to generate a shortlist of candidates whose experience is most aligned with the case context. The effectiveness of this recommendation approach is evaluated using real construction dispute scenarios and expert-generated arbitrator shortlists. Model outputs are compared against expert selections using Precision@K metrics at multiple recommendation thresholds, enabling assessment of whether expert-relevant candidates are retrieved among the top recommendations. Overall, the findings indicate that the proposed framework can both approximate expert judgment in arbitrator qualification assessment when guided by explicit, expert-aligned prompts, and support dispute-relevant arbitrator shortlisting through semantic similarity search. Accordingly, the thesis presents a scalable and systematic human–AI decision-support framework for arbitrator selection in construction arbitration, combining structured resume evaluation with case-driven recommendation.

Benzer Tezler

  1. Tez No

    1018377

    Tahkim yargılamasında yapay zekâ destekli delil değerlendirmesi

    AI-assisted evaluation of evidence in arbitration proceedings

    EMİR ATAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    HukukAnkara Sosyal Bilimler Üniversitesi

    Özel Hukuk Ana Bilim Dalı

    DOÇ. DR. ERMAN EROĞLU

  2. Tez No

    944638

    Türk sigorta sektöründe suistimaller: Bilirkişilerin tespit, önleme, sonuçlar ve adli süreçteki rolleri üzerine bir araştırma

    “fraud in the Turkish insurance sector: A study on the role of experts in detection, prevention, consequences, and the judicial process”

    ÖMER KÖSE

    Doktora

    Türkçe

    Türkçe

    2025

    SigortacılıkSivas Cumhuriyet Üniversitesi

    Muhasebe, Finans ve Bankacılık Ana Bilim Dalı

    PROF. DR. MEHMET DEMİR

  3. Tez No

    986338

    Artificial intelligence driven optimization for sustainable building performance: a comprehensive study on smart energy management in green structures

    Sürdürülebilir bina performansı için yapay zeka odaklı optimizasyon: yeşil yapılarda akıllı enerji yönetimi üzerine kapsamlı bir çalışma

    NOUR Y. R. HASSAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    İnşaat MühendisliğiHacettepe Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDURRAHMAN UFUK ŞAHİN

  4. Tez No

    1010625

    Artificial Intelligence-Driven Process Mining for Supply Chain Resilience

    Tedarik Zinciri Dayanıklılığı için Yapay Zekâ Destekli Süreç Madenciliği

    NEFİSE KARAYAYLALI ÜNER

    Doktora

    İngilizce

    İngilizce

    2026

    Endüstri ve Endüstri MühendisliğiAtılım Üniversitesi

    Mühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. TURAN ERMAN ERKAN

  5. Tez No

    734490

    Artificial Intelligence (AI) driven marketing approach on organizations' marketing functions

    Yapay Zeka (AI) kuruluşların pazarlama fonksiyonlarına yönelik pazarlama yaklaşımı

    EMMANUEL MUMALİ LUMUMBA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    İşletmeİstanbul Aydın Üniversitesi

    İşletme Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEZER AYAZ

Geri Dön