Using natural language processing for automated construction contract review during risk assessment at the bidding stage
Teklif aşamasında risk değerlendirmesi yaparken doğal dil işleme kullanarak inşaat sözleşmelerinin otomatik olarak gözden geçirilmesi
- Tez No: 774978
- Danışmanlar: PROF. DR. MUSTAFA TALAT BİRGÖNÜL, PROF. DR. İREM DİKMEN TOKER
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Derin öğrenme, Doğal dil işleme, Makine öğrenmesi, Metin sınıflandırma, İnşaat mühendisliği, Deep learning, Natural language processing, Machine learning, Text categorization, Civil engineering
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnşaat sektörü çeşitli riskler içermesi ve inşaat projelerinin doğası ve birden fazla tarafın katılımı nedeniyle başarısızlığa açıktır. Sözleşmeler, tarafların sorumluluklarını tanımlamak için kullanılan yasal belgelerdir. Taraflarca üstlenilen riskler, sözleşmelerdeki pozisyonları ile son derece ilişkilidir ancak, sözleşmelerin işverenler tarafından hazırlanması nedeniyle yükleniciler, tekliflerini hazırlamadan önce sorumluluklarını gözden geçirmek için yeterli zamana sahip olmayabilirler. Bununla birlikte sözleşmeler her zaman sorumlulukların paylaşımı/tanımlanması konusunda net olmamakta ve bu durum sonuç olarak belirsizliklere yol açmaktadır. Bu kapsamda; bilgi teknolojilerindeki gelişmelerin, inşaat sektörüne bu husustaki problemlerin çözümü açısından fayda sağlayabileceği düşünülmektedir. Doğal Dil İşleme (DDİ) ile belge hacmine ve mevcut donanıma bağlı olarak sözleşme belgelerini saniyeler içinde incelemek mümkün olabilecektir. Bu çalışmada, makine öğrenimi uygulamaları için bir eğitim veri seti oluşturmak amacıyla FIDIC standart sözleşme formları seçilmiş ve tüm cümleler cümle türü ve sahiplik ile etiketlenmiştir. Eğitim veri setine ek olarak gerçek bir projenin sözleşmesi kullanılarak test data seti oluşturulmuştur. Oluşturulan veri seti ile 5 farklı makine öğrenme algoritması çeşitli doğal dil işleme teknikleriyle eğitilmiş, 12 makine öğrenmesi modelinin sonuçları değerlendirilmiş ve seçilen modeller topluluk öğrenmesi metodu kullanılarak birleştirilmiştir. Sonuç olarak, bir FIDIC sözleşmesinde yer alan cümle türleri; başlık, tanım, yükümlülük, risk ve hak sahipliği olarak %89 oranında doğru olarak sınıflandırılmış, ayrıca risk hak sahipliği, yükümlülük içeren cümleler için ilişkili taraflar %83 oranında doğru tahmin edilmiştir. Önerilen yöntem, müteahhitler tarafından ihale hazırlık aşamasında risk primlerine karar vermek için gerekli olan sözleşmesel risklerin belirlenmesi için kısa sürede sözleşme metnini sınıflandırmak için kullanılabilir.
Özet (Çeviri)
Construction sector contains various risks, and construction projects are open to failure due to their nature and the involvement of multiple parties. Contracts are legal documents that are used to define the responsibilities of parties in a project. Risks that are taken by a party are highly related to their positions in the contracts. However, contracts are prepared by clients, and contractors generally do not have enough time to review their responsibilities before preparing their bids. Moreover, contracts may not always be clear in terms of all subjects. As a result, it may lead to ambiguities. Advances in information technology (IT) may provide solutions to the construction sector in this area. Natural Language Processing (NLP) focuses on using computers to understand, process, and manipulate natural language text to achieve a variety of objectives. NLP can be used to review contract documents within seconds depending on the volume of the documents and available processing power. In this study, FIDIC standard forms of contracts were selected and all sentences were labeled with sentence type and ownership in order to create a training dataset for machine learning applications. In addition to the training dataset, the test dataset was created by using a contract of the real construction project. By using created datasets, 5 different machine learning algorithms were trained with different NLP techniques. The results of 12 machine learning models were evaluated, and the selected ones were combined by the ensemble method. In conclusion, sentence types in a FIDIC contract were categorized 89% accurately as heading, definition, obligation, risk, and right. Additionally, related parties for sentences that imply risk right and obligation were predicted 83% accurately. The proposed method can be used by contractors to quickly classify the contract text in order to identify the contractual risks required to decide risk premiums in the tender preparation phase.
Benzer Tezler
- A large language model (LLM)-based framework for bid/no-bid decision support in construction public procurement: Validated on romanian tenders
İnşaat kamu ihalelerinde teklif verme / vermeme karar desteği için büyük dil modeli (LLM) tabanlı bir çerçeve: Romanya ihaleleri üzerinde doğrulama
ELİF GÜLİN PETEK
Yüksek Lisans
İngilizce
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Metin madenciliği ve makine öğrenimi tekniklerinin uygulanmasıyla standart inşaat sözleşmesi belgelerinin metin analizi
Text analysis of standard construction contract documents by the application of text mining and machine learning techniques
ANIL DEMİRCAN
Doktora
Türkçe
2025
İnşaat MühendisliğiDüzce Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. LATİF ONUR UĞUR
- Web kazıma ve doğal dil işleme teknikleri kullanılarak heyelan arşiv envanteri oluşturulması: Türkiye örneği
Generating a landslide archive inventory using web scraping and natural language processing techniques: The case of türki̇ye
ELNAZ PAŞA
Doktora
Türkçe
2026
Mühendislik BilimleriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FUSUN BALIK ŞANLI
PROF. DR. TOLGA GÖRÜM
- ArGemma: Gemma'nın Arapçaya uyarlanddırılması için ince ayar ve çok görevli öğrenme mimarisi
ArGemma: A fine-tuning and multi-task learning architecture for adapting Gemma to Arabic
TAHA AL-SELWI
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Uzman sistem teknolojisi ve çizelgeleme uygulaması
The technology of expert system and applications of scheduling
TARIK ÇAKAR
Yüksek Lisans
Türkçe
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiY.DOÇ.DR. ORHAN KURUÜZÜM