Research Information System
İSTİNYE ULUSLARARASI DİSİPLİNLERARASI AKADEMİK ÇALIŞMALAR KONGRESİ, İstanbul, Turkey, 8 - 10 March 2026, pp.585-592, (Full Text)
Bu çalışmada, Türkçe metinler üzerinde duygu analizi gerçekleştirmek amacıyla transformer tabanlı derin öğrenme modelleri ile klasik makine öğrenmesi yöntemleri karşılaştırmalı olarak incelenmiştir. Transformer tabanlı yaklaşımlar kapsamında BERT, ELECTRA ve RoBERTa modelleri kullanılmıştır. Klasik yöntemler olarak ise Lojistik Regresyon ve Doğrusal Destek Vektör Makineleri tercih edilmiştir. Deneyler, olumlu, olumsuz ve nötr olmak üzere üç sınıftan oluşan, kamuya açık bir Türkçe duygu analizi veri seti üzerinde gerçekleştirilmiştir. Transformer tabanlı modeller, önceden eğitilmiş dil modelleri kullanılarak ince ayar (fine-tuning) yöntemiyle eğitilmiştir. Klasik yöntemlerde ise metin temsili için TF-IDF yaklaşımından yararlanılmıştır. Modellerin performansı doğruluk, kesinlik, duyarlılık ve F1-skoru ölçütleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre, BERT modeli %92.1 doğruluk ve 0.91 ağırlıklı F1-skoru ile en yüksek performansı göstermiştir. ELECTRA ve RoBERTa modelleri BERT’e kıyasla daha düşük ancak rekabetçi sonuçlar üretmiştir. Lojistik Regresyon ve Doğrusal Destek Vektör Makineleri modelleri ise özellikle olumlu ve olumsuz sınıflarda başarılı sonuçlar elde etmiş ve transformer tabanlı modellere yakın performans sergilemiştir. Bununla birlikte, tüm modellerin nötr sınıf üzerinde daha düşük başarı gösterdiği gözlemlenmiştir. Sonuç olarak, transformer tabanlı modellerin Türkçe duygu analizinde yüksek doğruluk sağladığı ve özellikle BERT modelinin dengeli ve güçlü bir performans sunduğu belirlenmiştir. Ayrıca, uygun metin temsili yaklaşımları ile klasik makine öğrenmesi yöntemlerinin de etkili bir alternatif olabileceği ortaya konmuştur.