Sosyal medya izleme ve deprem acil durumlarına hızlı yanıt: Twitter verisi üzerine bir çalışma
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: DİLARA CANDAN
Danışman: Gülşah Tümüklü Özyer
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Deprem, ülkemizin karşı karşıya olduğu en kaçınılmaz doğal afetlerden biridir. Tarihsel süreçte pek çok kez büyük kayıplara yol açan bu doğal olayın getirdiği tehlikelerin yönetilmesi, toplumun can ve mal güvenliği için son derece kritiktir. Depremin hemen ardından alınması gereken hızlı aksiyonlar için anlık ve doğru veriye erişim büyük önem taşımaktadır. Ancak, bu kritik dönemde toplanan veri genellikle yoğun ve karmaşıktır, bu nedenle sadece sınırlı miktarda veri etiketlemesi mümkündür. Bu tez çalışmasının öncelikli amacı, böyle bir durumda Twitter'da meydana gelen veri kirliliği içerisinden, afet yönetimi ve müdahale için kritik öneme sahip bilgileri hızlı ve etkin bir şekilde sınıflandırabilmektir. Bu sürecin en önemli zorluğu, az sayıda etiketli veri ile maksimum verimliliğe ulaşmayı hedeflemektir. Bu bağlamda, tez çalışmasında BERT, RoBERTa ve DistilBERT modellerinin yanı sıra, geleneksel makine öğrenmesi yöntemleri ve sıfır atış (zero-shot) ile birkaç örnek öğrenme (few-shot) yöntemleri incelenmiş, ek olarak TARS modeli ele alınarak deprem sonrası sosyal medya verisinin sınıflandırılmasında bu modellerin etkinliğini değerlendirmeyi amaçlamaktadır. Yöntem: Bu çalışmada Türkçe Twitter verileri ile metin sınıflandırma amacıyla ülkemizde en son meydana gelen ve çok büyük yıkımlara sebep olan 6 Şubat 2023 depremine ait tweetler üzerinde çalışılmıştır. Bu depreme ait hali hazırda derlenmiş bir tweet veri seti araştırılarak bulunmuştur (Kaggle Turkey and Syria Earthquake Tweets). Bu veri setinden 2000 tane veri seçilerek 3 sınıf olacak şekilde etiketleme yapılmıştır. Bu sınıflar ilgisiz (0), enkaz (1) ve ihtiyaç (2) şeklindedir. Elde bulunan az sayıda etiketli veri ile transfer öğrenme yöntemlerinden olan BERT, RoBERTa ve DistilBERT kullanılarak eğitimler yapılmıştır. Bu modeller ile sınırlı kalmayıp geleneksel yöntemler ile de değerlendirilerek kıyaslama yapılmıştır. Tüm bunlara ek olarak daha az veri ile de çalışmalar yapılarak sıfır atış (zero-shot) ile birkaç örnek öğrenme (few-shot) yöntemleri de çalışmaya dahil edilmiştir. Bu eğitimlerde alınan sonuçlara göre en başarılı sonuçları veren model belirlenmiştir. Bulgular: Çalışma kapsamında az sayıda etiketli veri ile başarılı sonuçları elde etmek hedeflenmiştir. Alınan sonuçlar detaylı olarak incelendiğinde kullanılan modellerin beklendiği gibi sonuçlar verdiği gözlemlenmiştir. Sonuçlara göre hazırlanan veri setinin tamamını kullanmadan bile çok az bir kısmını kullanarak da benzer sonuçlar elde edilmiştir. Sonuç: Bu çalışma kapsamında bir afet sonrasında sosyal medyadan gelen verileri sınıflandırarak anlamlı hale getirebilmek hedeflenmişti. Sonuç olarak seçilen yöntemler ile yapılan çalışmaların sonucunda bu amaca uygun olduğu gözlemlenmiştir.