Derin öğrenme yöntemi ile deprem sırasında mobil platform üzerinden twitter'da paylaşılan acil mesajların tespiti
Detection of urgent messages shared on twitter via mobile platform during an earthquake with deep learning method
- Tez No: 941079
- Danışmanlar: DOÇ. DR. ALİ ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: KTO Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 101
Özet
Twitter'ın afetler sırasında gerçek zamanlı bilgi sağlama kapasitesi giderek daha fazla kabul görmekte olup, bireylerin acil durumlar esnasında endişelerini dile getirmesi ve yardım talep etmesi için kritik bir platform haline gelmektedir. Bu tür sosyal medya platformları, yardımın hızlı bir şekilde dağıtılmasını sağlayabilme potansiyeline sahip olmakla birlikte, yanlış bilgilere de açık olduğundan afet müdahalesini zorlaştırabilecek çeşitli riskler barındırmaktadır. Bu çalışma, titizlikle seçilmiş, kapsamlı bir ön işleme sürecinden geçirilmiş ve tokenleştirilmiş 10.200 tweetten oluşan bir veri kümesi kullanarak, deprem olayları sırasında paylaşılan tweetleri“enkaz altında”ve“enkaz altında değil”olmak üzere iki kategoriye ayırmayı amaçlamaktadır. Modelin güvenilir eğitim ve doğrulama süreçleri için LSTM, BLSTM ve BLSTMA gibi derin öğrenme modelleri uygulanmış; ayrıca, modelin performansını daha da iyileştirmek amacıyla nöron sayıları, dropout oranları, boyutlar ve gömme (embedding) türleri gibi çeşitli hiperparametre ayarlamaları gerçekleştirilmiştir. Elde edilen bulgular, BLSTMA modelinin %96,64 doğruluk oranı ve 0,9116 F1 skoru ile en yüksek performansı sergilediğini ortaya koymuştur. Her ne kadar XGBoost ve SVM gibi geleneksel makine öğrenmesi teknikleri belirli ölçütlerde rekabetçi sonuçlar üretmiş olsa da, genel başarı düzeyi açısından derin öğrenme modellerinin gerisinde kalmışlardır. Özellikle Bag of Words vektörleştirme yöntemi kullanılarak yapılan analizlerde, SVM modeli %95,81 doğruluk oranı ve 0,8880 F1 skoru, XGBoost modeli ise %95,84 doğruluk oranı ve 0,8904 F1 skoru elde etmiştir. Bu bulgular, karmaşık ve dinamik afet verilerinin analizinde derin öğrenme tabanlı yaklaşımların geleneksel yöntemlere kıyasla daha etkili olduğunu doğrulamaktadır. Ayrıca, geliştirilen derin öğrenme modellerinin mobil cihazlarla entegrasyonu, afet yönetiminde görev alan ekipler için operasyonel süreçleri hızlandırmakta ve sahadaki uygulamalarda kayda değer ölçüde zaman tasarrufu sağlamaktadır. Bu çalışma, kriz yönetiminde derin öğrenme yöntemlerinin stratejik önemini vurgulamakta olup, alan yazına katkı sağlayacak ve gelecekteki çalışmalara yol gösterecek nitelikte bir çerçeve sunmaktadır.
Özet (Çeviri)
The capacity of Twitter to provide real-time information during disasters is increasingly being recognized, positioning the platform as a critical medium through which individuals express their concerns and request assistance in emergency situations. Although such social media platforms hold the potential to facilitate rapid distribution of aid, they are also susceptible to the spread of misinformation, which may complicate disaster response efforts. This study aims to classify tweets shared during earthquake events into two categories—“under the rubble”and“not under the rubble”—using a dataset of 10,200 carefully selected, preprocessed, and tokenized tweets. To ensure reliable training and validation processes, deep learning models including LSTM, BLSTM, and BLSTMA were employed, with additional hyperparameter tuning involving neuron counts, dropout rates, vector dimensions, and embedding types to optimize model performance. The results demonstrated that the BLSTMA model achieved the highest performance, with an accuracy rate of 96.64% and an F1 score of 0.9116. While traditional machine learning techniques such as XGBoost and SVM produced competitive results under specific conditions, they consistently performed below the overall success levels of deep learning models. For example, in analyses conducted using the Bag of Words vectorization method, the SVM model achieved an accuracy of 95.81% and an F1 score of 0.8880, whereas the XGBoost model attained an accuracy of 95.84% and an F1 score of 0.8904. These findings confirm the superior effectiveness of deep learning-based approaches over traditional methods in the analysis of complex and dynamic disaster data. Furthermore, the integration of the developed deep learning models into mobile platforms enhances operational efficiency for disaster management teams by accelerating decision-making processes and enabling significant time savings during field operations. This study highlights the strategic importance of deep learning methodologies in crisis management and provides a solid framework to guide future research in this area.
Benzer Tezler
- Einfluss der tutor-gesteuerten asynchronen lernumgebungen auf die sprachfertigkeiten des Deutschen anhand sozialer medien
Yardımcı öğretmen destekli eşzamansız öğrenme ortamı olarak sosyal medya kullanımının Almanca dil becerilerine etkisi
ŞİRİN SERPEN AYDIN
Doktora
Almanca
2024
Eğitim ve ÖğretimÇukurova ÜniversitesiAlman Dili Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİHAT YAVUZ
- Derin öğrenme yöntemleri ve uydu görüntü verileri kullanılarak deprem sonrası ağır hasarlı alanların tespiti: Kahramanmaraş örneği
Using deep learning methods and satellite imagery identifying heavily damaged areas after an earthquake: The case of Kahramanmaraş
EMİNE SARIALİOĞLU
Yüksek Lisans
Türkçe
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Depreme dayanıklı mimari tasarım aşamasında derin öğrenme ve görüntü sınıflama yöntemi ile burulma düzensizliği tespiti
Torsional irregularity detection with deep learning and image classification method in earthquake resistant architectural design process
KAAN BİNGÖL
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. ASLI ER AKAN
- Deprem sonrasında binaların hasar tespitinde kullanılan yapay öğrenme algoritmalarının analizi
Analysis of machine learning algorithms used in post-earthquake building damage assessment
SERHAT MÜRSEL KÖROĞLU
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. CANER GÜNEY
- İnsansız hava araçlarının hafif bir derin öğrenme yöntemi ile sınıflandırılması
Classification of unmanned aerial vehicles using a lightweight deep learning method
İSMAİL DEMİRDAŞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGAZİANTEP İSLAM BİLİM VE TEKNOLOJİ ÜNİVERSİTESİElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YÜKSEL TOKUR BOZKUR
DOÇ. DR. HAKAN AÇIKGÖZ