Makine öğrenimi algoritmalarını kullanarak bilimsel araştırma makaleleri için trend konularının tahmini: Karşılaştırmalı bir yaklaşım
Prediction of trend topics for scientific research articles using machine learning algorithms: A comparative approach
- Tez No: 1014712
- Danışmanlar: DOÇ. DR. SILA ÖVGÜ KORKUT
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijitalleşmenin hız kazanması ve internet kullanımının yaygınlaşması, günümüzde üretilen bilgi miktarında üstel bir artışa yol açmıştır. Bu durum, farklı disiplinlerde ortaya çıkan temel temaların ve eğilimlerin belirlenmesini araştırmacılar ve karar vericiler açısından kritik hâle getirmiştir. Bu çalışma,“Web Intelligence”ve“Intelligent Agent Technology”alanlarında güncel eğilimleri ortaya koymak amacıyla konu modelleme yaklaşımlarının karşılaştırmalı ve hibrit bir analizini sunmaktadır. Bu kapsamda, geleneksel konu modelleme yöntemleri olan Latent Dirichlet Allocation (LDA), Non-negative Matrix Factorization (NMF) ve Latent Semantic Analysis (LSA), bağlama duyarlı gömme temsilleri üreten BERT tabanlı yaklaşımlar ile hibrit hâle getirilmiştir. Önerilen hibrit model yapısında, geleneksel yöntemlerden elde edilen konu vektörleri ile BERT temelli gömme vektörleri γ (gamma) ölçekleme faktörü kullanılarak birleştirilmiş ve farklı konu sayıları altında performansları değerlendirilmiştir. Modellerin başarımı, başta c_v (tutarlılık ölçütü) olmak üzere çeşitli konu tutarlılığı metrikleri kullanılarak karşılaştırılmıştır. Elde edilen bulgular, hibrit modellerin genel olarak geleneksel yöntemlere kıyasla daha yüksek tutarlılık skorları ürettiğini göstermektedir. Özellikle LSA-SCIBERT modeli, farklı senaryolar altında en yüksek performansı sergileyerek en tutarlı ve anlamlı konu yapılarının elde edilmesini sağlamıştır. Analiz sonuçları, incelenen alanlarda öne çıkan temaların kişiselleştirilmiş bilgi ve arama hizmetleri, müşteri davranışı analizi, e-ticaret, yapay zekâ, karar destek sistemleri ve bireyselleştirilmiş eğitim olduğunu ortaya koymaktadır. Bu çalışma, geleneksel ve transformer tabanlı yöntemlerin hibrit kullanımının konu modelleme performansını önemli ölçüde artırdığını göstererek, dijital dönüşüm süreçlerini anlamaya yönelik çok boyutlu ve uygulanabilir bir analitik çerçeve sunmaktadır.
Özet (Çeviri)
The rapid advancement of digitalization and the widespread use of the internet have led to an exponential increase in the volume of available information. Identifying key themes and emerging trends across disciplines has therefore become essential for both researchers and decision-makers. This study presents a comprehensive and hybrid framework for topic modeling to explore recent trends in the fields of“Web Intelligence”and“Intelligent Agent Technology.”Within this framework, traditional topic modeling methods, namely Latent Dirichlet Allocation (LDA), Non-negative Matrix Factorization (NMF), and Latent Semantic Analysis (LSA), are integrated with context-aware embedding representations derived from BERT. The proposed hybrid approach combines document–topic vectors obtained from classical models with BERT-based embedding vectors through a γ (gamma) scaling factor, enabling a unified representation. Model performances are evaluated under varying numbers of topics using multiple topic coherence metrics, with particular emphasis on the c_v measure. The experimental results demonstrate that hybrid models consistently outperform their standalone counterparts in terms of topic coherence. Among all evaluated methods, the LSA-SCIBERT hybrid model achieves the highest performance, producing more coherent and semantically meaningful topic structures. The analysis further reveals that the dominant trends in the examined domains include personalized information and search services, customer behavior analysis, e-commerce, artificial intelligence, decision support systems, and individualized education. Overall, the findings highlight that hybridizing traditional topic modeling techniques with transformer-based embeddings significantly enhances topic quality and interpretability. The proposed approach provides a robust and scalable analytical framework for uncovering actionable insights in domains undergoing rapid digital transformation.
Benzer Tezler
- Thermodynamic stability of binary compounds: A comprehensive computational and machine learning approach
İkili bileşiklerin termodinamik kararlılığı: Kapsamlı bir hesaplamalı yaklaşım ve makine öğrenmesi uygulaması
FERAYE HATİCE CANBAZ
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ADEM TEKİN
- Bilimsel çıktıların değerlendirilmesi için alternatif metrikler: Cezayir için bir açık değerlendirme platformu modeli
Alternative metrics for evaluating scientific outputs: A model for an open evaluation platform for Algeria
BRAHİM KERTIOU
Doktora
Türkçe
2023
Bilgi ve Belge Yönetimiİstanbul ÜniversitesiBilgi ve Belge Yönetimi Ana Bilim Dalı
PROF. DR. İSHAK KESKİN
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Sağlık harcamaları belirleyicilerinin veri madenciliği yöntemleri ile modellenmesi
The modeling of determinants of health expenditures using data mining methods
MELİHA MELİŞ GÜNALTAY
Doktora
Türkçe
2024
Sağlık YönetimiAnkara ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
PROF. DR. GÜLBİYE YAŞAR