Yazar "Turgut, Kadir" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Sosyal medyadaki nefret söylemi içeren yayınların tespitinde yapay zeka temelli makine öğrenmesi algoritmalarının performans değerlendirmesi
    (İstanbul Gedik Üniversitesi, 2023) Turgut, Kadir; Yerden, Aytaç Uğur
    Sosyal medya üzerindeki nefret söylemi tespiti, insanlar ve topluluklar üzerinde olumsuz etkileri önlemek ve bu tür içerikleri kaldırmak için büyük öneme sahiptir. Ancak nefret söylemi tespiti, dilbilimsel ve kültürel çeşitlilik nedeniyle karmaşık ve zorlu bir süreçtir. Bu nedenle, güçlü ve etkili makine öğrenmesi algoritmaları geliştirmek önemlidir. Geleneksel yöntemlerle bu tür içeriklerin tespiti zaman alıcı ve maliyetli olabileceğinden, yapay zeka temelli makine öğrenmesi algoritmalarının bu konuda büyük bir potansiyel taşıdığı belirtilmektedir. Bu çalışmanın amacı, sosyal medyadaki nefret söylemi içeren yayınların tespitinde kullanılan yapay zeka temelli makine öğrenmesi algoritmalarının performansını değerlendirmektir. Çalışma, sosyal medya platformlarında nefret söylemini tespit etme ve yönetme sorununa odaklanmaktadır. Bu çalışmada, farklı algoritmaların performanslarını karşılaştıracak ve en uygun yöntemleri belirleyecektir. Ayrıca, veri kümesi ve özellik çıkarımı yöntemlerinin algoritma performansı üzerindeki etkileri analiz edilecektir. Algoritmalar genellikle doğal dil işleme tekniklerine dayanır ve metinlerdeki özellikleri öğrenerek nefret söylemini tespit etmeye çalışır. Bu algoritmaların performansı, dil, kültür, kullandıkları öznitelikler ve eğitim veri kümesi gibi faktörlere bağlı olarak değişebilir, bu nedenle kapsamlı bir analiz gereklidir. Araştırmada, nefret söylemi tespitinde kullanılan algoritmaların performansı, veri kümesi ve özellik çıkarımı yöntemleriyle karşılaştırılmıştır. Bu süreçte algoritmaların dil ve kültürlerarası etkinliği, özellik seçimi ve temsilini, yanlış pozitif ve yanlış negatif oranlarını ve genel doğruluklarını analiz edilecektir. Bu çalışma, algoritmaların yanlış pozitif ve yanlış negatif oranlarını düşürmek için sürekli iyileştirme ve optimizasyon çalışmalarının önemini vurgulamaktadır. Çalışmada, algoritmaların dil ve kültürlerarası etkinliği, özellik seçimi ve temsilini, yanlış pozitif ve yanlış negatif oranlarını ve genel doğruluklarını analiz edilecek ve bu analiz, nefret söylemi tespiti için en uygun ve etkili yöntemleri belirlemeye yardımcı olacaktır. Sonuç olarak bu çalışma nefret söyleminin yayılmasını önlemek ve sosyal medya ortamlarını daha güvenli hale getirmek için önemli bir adım olarak görülebilir.
  • Küçük Resim
    Öğe
    Using artificial ıntelligence algorithms to detect hate speech in social media posts
    (Istanbul Gedik University, 2024) Yerden, Aytaç Uğur; Turgut, Kadir
    Detecting hate speech on social media is of great importance to prevent negative impacts on people and communities and to remove such content. However, detecting hate speech is a complex and challenging process due to linguistic and cultural diversity. Therefore, it is important to develop powerful and effective machine learning algorithms. Since detecting such content using traditional methods can be time-consuming and costly, it is stated that artificial intelligence-based machine learning algorithms have great potential in this regard. The aim of this study is to evaluate the performance of artificial intelligence-based machine learning algorithms used in detecting posts containing hate speech on social media. The study focuses on the problem of detecting and managing hate speech on social media platforms. In this study, we will compare the performances of different algorithms and determine the most suitable methods. Additionally, the effects of the dataset and feature extraction methods on algorithm performance will be analyzed. Algorithms are often based on natural language processing techniques and try to detect hate speech by learning features in texts. The performance of these algorithms can vary depending on factors such as language, culture, the attributes they use, and the training dataset, so a comprehensive analysis is required. In the research, the performance of the algorithms used in detecting hate speech was compared with the dataset and feature extraction methods. In this process, the algorithms' linguistic and cross-cultural effectiveness, feature selection and representation, false positive and false negative rates, and overall accuracy will be analyzed.