Göz takip verilerinin adlandırılmış varlık tanıma üzerindeki etkisinin incelenmesi
Investigation of the impact of eye-tracking data on named entity recognition
- Tez No: 947863
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA HAKAN BOZKURT
- 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: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 143
Özet
Adlandırılmış varlık tanıma (AVT), kişiler, yerler, kurumlar ve tarihler gibi adların metinlerden tanımlanması ve çıkarılması için kullanılan bir doğal dil işleme (DDİ) işlemleridir. AVT teknikleri, metinlerin daha iyi analiz edilmesi ve anlaşılması, daha etkili bir şekilde düzenlenmesi ve önemli bilgilerin otomatik olarak çıkarılması amacıyla kullanılmaktadır. Göz takibi, kullanıcıların göz gezdirdikleri bölgeleri, inceleme sürelerini ve odaklandıkları bilgileri belirlemek için göz hareketlerini izleyen bir tekniktir. Göz takip verileri, özellikle DDİ işlerinde yararlı olabilmektedir. Bu veriler, modellerin dikkatini daha verimli bir şekilde yönlendirmesine ve doğru varlıkları tanımasına yardımcı olabilir. Bu çalışmanın amacı, göz takip verilerinin metinsel verilerle birleştirildiğinde AVT işlerindeki derin öğrenme modellerinin performansına olan etkisini incelemektir. Hipotezimiz, göz takip verilerinin eklenmesiyle modellerin varlıkları tanıma ve sınıflandırma doğruluğunun artacağı yönündedir. Bu çalışma, göz takip verilerinin AVT modellerinin performansı üzerindeki etkisini ve bu verilerin farklı model mimarilerinde sağladığı iyileştirmeleri anlamaya yönelik kapsamlı bir bakış sunmaktadır. Ayrıca, DDİ işlerinde bilişsel verilerin kullanımının potansiyel faydalarına da ışık tutulmaktadır. Kapsamlı bir perspektif sağlamak amacıyla, derin öğrenmede yedi farklı model kullanılmıştır: Tekrarlayan Sinir Ağları (TSA), Uzun Kısa Süreli Bellek (UKSB), Çift yönlü Uzun Kısa Süreli Bellek (ÇyUKSB), Kapılı Tekrarlayan Birimler (KTB), Konvolüsyonel Sinir Ağları (KSA) ve hibrit modeller (KSA-UKSB ve KSA-KTB). Ayrıca, önceki modellerle kullanılmak üzere en iyi performansı ve en yüksek faydayı sağlayan yöntemi belirlemek için GloVe, TF-IDF, Word2Vec ve FastText olmak üzere dört farklı kelime gömme yöntemi test edilmiştir. Değerlendirme sürecinde, doğruluk, hassasiyet, hatırlama ve F1 skoru gibi performans ölçütleri esas alınmıştır. Bu çalışmanın özgünlüğü, göz takip verilerinin metinsel verilerle birleştirilerek AVT işlerinde kullanılan yedi farklı derin öğrenme modelinin mimarilerinde incelenmesi ve bu iki veri türünün birleştirilmesinden elde edilen faydaların değerlendirilmesinde yatmaktadır. Performans ölçütlerine göre elde edilen sonuçlar, GloVe kelime gömme yönteminin diğer üç yönteme kıyasla üstün olduğunu göstermiştir. Ayrıca, göz takip verilerinin eklenmesiyle kullanılan modellerin performansında iyileşmeler olduğu gözlemlenmiştir. Bu sayede modellerin adlandırılmış varlıkları daha doğru bir şekilde tanımlama ve sınıflandırma yeteneğini artırılabildiği sonucuna varılmıştır.
Özet (Çeviri)
Named Entity Recognition (NER) is a Natural Language Processing (NLP) task used to identify and extract names such as people, locations, organizations, and dates from text. NER techniques are employed to enhance the analysis and understanding of texts, facilitate their more effective organization, and enable the automatic extraction of significant information. Eye-tracking is a technique that monitors users' eye movements to determine the areas they focus on, the duration of their attention, and the specific information they concentrate on. Eye-tracking data can be particularly beneficial in NLP tasks, as it helps models direct their attention more efficiently and identify relevant entities more accurately. The aim of this study is to investigate the impact of integrating eye-tracking data with textual data on the performance of deep learning models in NER tasks. Our hypothesis posits that incorporating eye-tracking data will enhance the accuracy of models in recognizing and classifying entities. This research provides a comprehensive perspective on the influence of eye-tracking data on NER model performance and the improvements it facilitates across different model architectures. Furthermore, it sheds light on the potential benefits of utilizing cognitive data in NLP tasks. To provide a comprehensive perspective, seven different models were employed in deep learning: Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (BiLSTM), Gated Recurrent Units (GRU), Convolutional Neural Network (CNN), and hybrid models (CNN-LSTM and CNN- GRU). Additionally, four different word embedding methods GloVe, TF-IDF, Word2Vec, and FastText were tested to identify the approach that offers the best performance and highest utility when integrated with the aforementioned models. The evaluation process was based on performance metrics such as accuracy, precision, recall, and F1 score. The originality of this study lies in its examination of the architectures of seven different deep learning models for NER tasks, achieved by integrating eye-tracking data with textual data, and in the evaluation of the benefits derived from this combination. The results, based on performance metrics, indicate that the GloVe word embedding method outperformed the other three methods. Furthermore, the inclusion of eye-tracking data was observed to improve the performance of the models. Consequently, it was concluded that the models' ability to identify and classify named entities more accurately can be enhanced through this approach.
Benzer Tezler
- Geoid modeling by the least squares modified hotine formula using voronoi cell structures
Voronoi hücre yapıları aracılığıyla hotine integralinin en küçük kareler modifikasyonu ile geoit belirleme
FATIMA FEYZA SAKİL
Yüksek Lisans
İngilizce
2018
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. SERDAR EROL
- Meteorolijide nokta semivariogram ile objektif analiz
Objective analysis with point cumulative semivariogram in meteorology
ZEYAD Z. HABİB
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- İlköğretim birinci kademede vekil öğretmenlik uygulaması hakkında eğitim yönetici ve deneticilerinin görüşleri
Başlık çevirisi yok
NURİ BALOĞLU
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
