Toplum Çevirmenliğinde Fikir Madenciliği ve Duygu Analizi

Öz

Teknolojinin hayatımıza büyük bir katkı sağladığı ve toplum üzerinde önemli bir etkiye sahip olduğu bir gerçektir. Teknolojinin gelişmesiyle birlikte internette üretilen veri miktarı da artmıştır. Özellikle sosyal medya, kullanıcıların görüş ve duygularını rahatlıkla ifade edebildiği önemli bir mecraya dönüşmüştür. Bu noktada, birçok alanda kullanıcıların internette paylaştıkları duygu ve düşünceleri Doğal Dil İşleme (DDİ)’nin alanlarından biri olan “fikir madenciliği” yöntemiyle incelenmekte ve kullanıcıların duygu analizi yapılmaktadır. Bu çalışmanın amacı da toplum çevirmenlerinin duygu ve düşüncelerinin fikir madenciliği yöntemiyle incelenebileceğine dair bir yaklaşım sunmaktır. Bir diğer deyişle, daha çok bilgisayar bilimleri ve yönetim bilişim sistemleri disiplinlerinde kullanılan fikir madenciliği ve duygu analizi yöntemlerini tanıtarak, toplum çevirmenliği araştırmalarına yeni bir bakış açısı sunmak hedeflenmiştir. Bu amaçla, fikir madenciliği ile duygu analizi yönteminin toplum çevirmenliği araştırmalarına katkıları betimleyici bir yaklaşımla tartışılmaktadır.

Anahtar Kelimeler

• Toplum Çevirmenliği
• Makine Öğrenmesi
• Fikir Madenciliği
• Duygu Analizi

Opinion Mining And Sentiment Analysis in Community Interpreting

Öz

It is a fact that technology has made a great contribution to our lives and has a great impact on society. With the development of technology, the amount of data created on the internet has also increased. In particular, social media has turned into an important medium where users can share their beliefs and opinions freely. In this regard, many different sectors have started scrutinizing users’ opinions and emotions with the “opinion mining” method which is a sub-branch of Natural Language Processing (NLP). The objective of this paper is to present an approach towards analyzing the community interpreters’ emotions and opinions using “opinion mining” method. In other words, this paper aims at providing a new insight into community interpreting research by introducing opinion mining and sentiment analysis methods, which are mainly used in Computer Science and Management Information Systems. With the help of the opinion mining and sentiment analysis methods, community interpreters’ opinions and emotions could statistically be determined in a more concrete way as positive, negative or neutral, and their opinions which are not explicitly expressed, can also be determined through the word cloud emerged by the most repeated words of the interpreters.

Anahtar Kelimeler

• Community Interpreting
• Machine Learning
• Opinion Mining
• Sentiment Analysis

Kaynakça

1. Adalı, E. (2012). Doğal Dil İşleme. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(2).
2. Amarouche, K., Benbrahim, H., & Kassou, I. (2015). Product Opinion Mining for Competitive Intelligence. Procedia Computer Science, 73, 358-365.
3. Atalay, M., & Çelik, E. (2017). Büyük Veri Analizinde Yapay Zekâ ve Makine Öğrenmesi Uygulamaları. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
4. Bakshi, R. K., Kaur, N., Kaur, R., & Kaur, G. (2016). Opinion mining and sentiment analysis. 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom), 452-455.
5. Balkul, İ. & Akıncı, Ş. (2019). Sözlü Çeviride Kullanılan Teknolojik Araçların Sınıflandırılması.” Rumelide Dil ve Edebiyat Araştırmaları Dergisi. 2019.15 (Haziran), 391- 406.
6. Basiri, M. E., & Kabiri, A. (2017). Sentence-Level Sentiment Analysis in Persian. 2017 3rd International Conference on Pattern Recognition and Image Analysis (IPRIA), 84-89. https://doi.org/10.1109/PRIA.2017.7983023
7. Bhatia, P., Ji, Y., & Eisenstein, J. (2015). Better Document-level Sentiment Analysis from RST Discourse Parsing. arXiv:1509.01599 [cs]. http://arxiv.org/abs/1509.01599
8. Braun, S. (2019). Technology and Interpreting M. O’Hagan (Ed.), Routledge Handbook of Translation and Technology içinde New York: Routledge

9. Canım Alkan, S. (2013). Lisans düzeyinde çeviri eğitimiminde teknoloji eğitiminin yeri. İ.Ü Çeviribilim Dergisi. ss. 127-147.
10. Canım Alkan, S. (2017). Bulut tabanlı bir çeviri yönetim sisteminin çevirmenler açısından avantaj ve dezavantajları üzerine bir değerlendirme. Electronic Turkish Studies. 12(23), 69-88
11. Corsellis, A. (2008). Public Service Interpreting: The First Steps. London: Palgrave Macmillan.
12. Cusick, M., Adekkanattu, P., Campion Jr, T. R., Sholle, E. T., Myers, A., Banerjee, S., ... & Pathak, J. (2021). Using Weak Supervision and Deep Learning to Classify Clinical Notes for Identification of Current Suicidal Ideation. Journal of Psychiatric Research.136. 95-102.
13. Çalış, K., Gazdağı, O., & Yıldız, O. (2013). Reklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti. Bilişim Teknolojileri Dergisi, 6(1), 1-7.
14. Çılgın C., Ünal, C., Alıcı, S., Akkol, E., & Gökşen, Y. (2020). Metin Sınıflandırmada Yapay Sinir Ağları ile Bitcoin Fiyatları ve Sosyal Medyadaki Beklentilerin Analizi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 4(1), 106-126.
15. Deng, L., & Liu, Y. (2018). A Joint Introduction to Natural Language Processing and to Deep Learning. In Deng, L., & Liu, Y. (Ed.), Deep Learning in Natural Language Processing içinde (pp. 1-22). Springer.
16. Diriker, R. (2010). Simultaneous Conference Interpreting and Technology. Yves Gambier ve Luc Van Loorsdaer (Eds.), Handbook of Translation Studies içinde (pp. 329- 332). John Benjamins Publishing Company: Amsterdam/ Philadelphia
17. Donovan C. (2006) “Trends – Where is Interpreting heading and how can training courses keep up?”. Contribution at the EMCI conference: The Future of Conference Interpreting: Training, Technology and Research, 30 June – 1 July 2006, http://www.emcinterpreting.org/ repository/pdf/UoW_conf_06_C.Donovan.pdf
18. Duman, N. (2019). Duygudurum Düzenlemenin Çevirideki Önemi. Fadime Çoban ve Mehmet Cem Odacıoğlu (Eds.) Çevirmen Psikolojisi içinde (ss. 175- 184): Gece Akademi.
19. Fantinuoli, C. (2018). Interpreting and Technology: The Upcoming Technological Turn in Interpreting and Technology, Claudio Fantinuoli (Ed.). (ss.1-12). Berlin: Language Science Press
20. Goldberg, Y. (2017). Neural Network Methods for Natural Language Processing. Synthesis Lectures on Human Language Technologies, 10(1), 1-309.
21. Jagtap, V. S., & Pawar, K. (2013). Analysis of Different Approaches to Sentence-level Sentiment Classification. International Journal of Scientific Engineering and Technology, 2(3), 164- 170.
22. Karimi, A., Rossi, L., & Prati, A. (2020). Improving BERT Performance for Aspect-Based Sentiment Analysis. arXiv preprint arXiv:2010.11731.
23. Kay, M. (2004). Computational Linguistics. Mitkov, R., (Ed.). The Oxford Handbook of Computational Linguistics içinde (ss. 25-31). Oxford University Press.
24. Kılınç, D. & Başeğmez, N. (2018). Uygulamalarla Veri Bilimi. İstanbul: Abaküs Yayınevi.
25. Kılınç, D., Özçift, A., Bozyiğit, F., Yıldırım, P., Yücalar, F., & Borandağ, E. (2017). TTC-3600: A New Benchmark Dataset For Turkish Text Categorization. Journal of Information Science, 43(2), 174-185.
26. Kundi, F. M., Khan, A., Ahmad, S., & Asghar, M. Z. (2014). Lexicon-Based Sentiment Analysis in The Social Web. Journal of Basic and Applied Scientific Research, 4(6), 238-248.
27. Kuşçu, E. (2015). Çeviride Yapay Zekâ Uygulamaları. Atatürk Üniversitesi Kazım Karabekir Eğitim Fakültesi Dergisi, (30), 45-58.
28. Liu, B. (2012). Sentiment Analysis and Opinion Mining. Williston: Morgan & Claypool Publishers.
29. Liu, H. (2018). Help or Hinder? The Impact of Technology on the Role of Interpreters. FITISPos International Journal. 5(1), 13- 32.
30. Mayda, İ., & Aytekin, Ç. (2013). Sosyal Medyada Rekabet Analizi İçin Karşılaştırma Görevine Yönelik Fikir Madenciliği Modeli. JAMMO ISSN 2146-3328, 7(27), 414-425.
31. Moraes, R., Valiati, J. F., & Neto, W. P. G. (2013). Document-level Sentiment Classification: An Empirical Comparison between SVM and ANN. Expert Systems with Applications, 40(2), 621-633.
32. Mouzourakis, P. (2000). Interpretation Booths for the Third Millennium. Communicate! March-April 2000, http://www.aiic.net/View Page.cfm/page131.htm.
33. Öztürk, E. (2017). The Medium Turn in Interpreting Studies. Trakya Üniversitesi Edebiyat Fakültesi Dergisi. 7(14), 108- 119.
34. Özyurt, B., & Akcayol, M. A. (2018). Fikir Madenciliği ve Duygu Analizi, Yaklaşımlar, Yöntemler Üzerine Bir Araştırma. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 6(4), 668-693.
35. Park, S., & Kim, Y. (2016). Building Thesaurus Lexicon Using Dictionary-Based Approach for Sentiment Classification. 2016 IEEE 14th International Conference on Software Engineering Research, Management and Applications (SERA), 39-44. https://doi.org/10.1109/SERA.2016.7516126
36. Pınarbaşı, F., & Canbolat, Z. N. (2018). Evaluation of Augmented Reality Mobile Applications in Turkey Market: A Data Mining Approach to Consumer Reviews. Kapucu, H., & Akar, C. (Eds.) Changing Organizations: From the Psychological and Technological Perspectives içinde (pp. 187-197). IJOPEC Publication.
37. Pöchhacker, F. (1999). ‘Getting Organized’: The Evolution of Community İnterpreting. Interpreting.4(1), 125- 140
38. Pöchhacker, F. (2004). Introducing Interpreting Studies. Londres. Routledge
39. Pöllabauer, S. (2002). Community Interpreting als Arbeitsfeld- Vom Missionarsgeist und von moralischen Dilemmata. Johanna Best ve Slyvia Kalina (Eds.), Übersetzen und Dolmetschen: Eine Orientierungshilfe içinde (pp. 286- 298). Tubingen ve Basel: Francke.
40. Shirsat, V. S., Jagdale, R. S., & Deshmukh, S. N. (2017). Document Level Sentiment Analysis from News Articles. 2017 International Conference on Computing, Communication, Control and Automation (ICCUBEA), 1-4. https://doi.org/10.1109/ICCUBEA.2017.8463638.
41. Şahin, M. (2013). Technology in Translator Training Programs: The Case of Turkey. Journal of Faculty of Letters 30(2), 173-189.
42. Şahin, M. (2015). Çevirmen Adaylarının Gözünden İngilizce-Türkçe Bilgisayar Çevirisi ve Bilgisayar Destekli Çeviri: Google Deneyi (Machine Translation and Computer-Aided Translation for English-Turkish from the Viewpoint of Prospective Translators: The Google Experiment). Çeviribilim ve Uygulamaları Dergisi (Journal of Translation Studies): 21, 43-59.
43. Şahin, M. (2016) Translation Technologies: Promises and Challenges for a Less Commonly Translated Language. Translatologia1, pp.1-22.
44. Şahin, M. & Eraslan, Ş. (2017). Sözlü Çeviri Eğitiminde Yeni Yaklaşımlar: Sanal Dünyalar. Neslihan Kansu-Yetkiner& Mehmet şahin (Eds.) Dilbilim Çeviribilim Yazıları içinde (ss. 193- 206): Anı Yayınları
45. Şan, F. & Kahraman Duru, R. (2020). COVİD-19 koşullarında sağlık çevirmenliği hizmetleri ve toplum çevirmenliğinde “Yeni Normal”’i düşünmek. RumeliDE Dil ve Edebiyat Araştırmaları Dergisi. 2020.20 (Eylül). 816- 843.
46. Şeker, Ş. E. (2016). Duygu Analizi (Sentimental Analysis). YBS Ansiklopedi, 3(3), 21-36.
47. Şener, O. (2017). Healthcare Interpreting in Turkey: Role and Ethics from a Sociological Perspective. (Yayınlanmamış Yüksek Lisans Tezi). Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, İzmir
48. Tekbulut, T., Canbaz, N., & Kaya, T. Ö. (2020, Ekim). Machine Learning Application in LAPIS Agile Software Development Process. 2020 Turkish National Software Engineering Symposium (UYMS) (ss. 1-6). IEEE.
49. Thomas Blair, D y Ramones, V. A. (1996). Understanding Vicarious Traumatization. Journal of Psychosocial Nursing and Mental Health, Vol 34(11), 24-30.
50. Toçoğlu, M., A., Çelikten, A., Aygün, İ., & Alpkoçak, A. (2019). Türkçe Metinlerde Farklı Makine Öğrenmesi Yöntemlerinin Karşılaştırılması. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 21(63), ss.719-725.
51. Uçan, A. ve Akçapınar Sezer, E. (2020). Türkçe Bilgisayarlı Dil Bilimi Çalışmalarında His Analizi. Türk Dili Araştırmaları Yıllığı-BELLETEN, 70, ss.193-210.
52. Valero-Garcés, C. (2005). Emotional and Psychological Effects on Interpreters in Public Services: A Critical Factor to Bear in Mind. Translational Journal, 9(3), 1–14.
53. We are Social (2021). Digital 2021. https://wearesocial.com/digital-2021. Erişim Tarihi: 18.02.2021.
54. Yang, C., Zhang, H., Jiang, B., & Li, K. (2019). Aspect-Based Sentiment Analysis with Alternating Coattention Networks. Information Processing & Management, 56(3), 463-478.
55. Young, T., Hazarika, D., Poria, S., & Cambria, E. (2018). Recent Trends in Deep Learning Based Natural Language Processing. IEEE Computational intelligence Magazine, 13(3), 5