CİMER’e Yapılan Başvuruların Sevk Sürecinin Yapay Zekâ Destekli Otomasyonu

Year 2025, Issue: 14, 175 - 200, 28.07.2025

Abdulkadir Özalp

https://doi.org/10.54722/iletisimvediplomasi.1666175

Abstract

Son yıllarda meydana gelen birçok teknolojik gelişmeyle beraber, saklanan ve işlenen veri miktarında ciddi bir artış meydana gelmiştir. Bu artış, birçok faydanın yanı sıra metinlerin sınıflandırılması gibi bazı problemleri de beraberinde getirmiştir. Hesap verebilirlik, saydamlık, hukukun üstünlüğü ve katılımın önde tutulması ilkelerinin tamamını içerisine alan bir çatı olarak ortaya çıkan iyi yönetişim anlayışına uyum sağlanabilmesi adına Türkiye’de Cumhurbaşkanlığı İletişim Merkezi (CİMER) kurulmuştur. İdarenin eylemlerine karşı vatandaşlara etkin ve hızlı bir hak arama yöntemi sağlayan CİMER’e yapılan başvurular her yıl artmaktadır. Bu başvuruların yasal süreleri içerisinde cevaplandırılması gerektiğinden dolayı, başvuruların ilgili kamu kuruluşlarına gönderilmesi ve en kısa sürede cevaplanması, gecikme halinde ilgililerin uyarılması işlemlerinin bir otomasyon sistemi içerisinde gerçekleştirilebilmesi oldukça önemlidir. CİMER başvuru havuzuna gelen başvuruların kurum personeli tarafından ilgili kamu kurumuna elle sevk edilmesi CİMER’e yapılan başvuru sayısının sürekli artmasından dolayı önemli ölçüde insan kaynağı gerektirmektedir. Bu çalışmada, CİMER sistemine gelen başvuruların sevk sürecinin yapay zekâ yöntemleri ile otomasyonu için daha önce yapılmamış olan yenilikçi bir yaklaşım önerilmiştir. Bu yaklaşım, vatandaşların CİMER başvuru havuzuna yönlendirmek istediği başvuruların CİMER sisteminin arka planında çalışan önceden eğitilmiş yapay zekâ modeli ile sınıflandırılması ve yapılan bu sınıflandırmanın sonucuna göre başvurunun ilgili bakanlığa otomatik olarak sevk edilmesi yahut elle sevk edilmek üzere CİMER başvuru havuzuna yönlendirilmesi şeklindedir. Bu çalışmada, metin sınıflandırması için iki farklı derin öğrenme metodu kıyaslanmış, bu yöntemlerden en verimli olanı tespit edilmiştir. Yapılan analizler neticesinde, evrişimsel sinir ağı modeline ilişkin doğrulama doğruluğu değeri %99.336, test doğruluğu değeri %98.223 ve BERT modeline ilişkin doğrulama doğruluğu değeri %99.986, test doğruluğu değeri ise %99.924 olarak bulunmuştur. Elde edilen bu sonuçlar neticesinde, BERT modelinin evrişimsel sinir ağı modeline kıyasla daha verimli olduğu tespit edilmiştir.

Keywords

Cumhurbaşkanlığı İletişim Merkezi , yönetişim , otomasyon , kamu kaynaklarından tasarruf , yapay zekâ

Artificial Intelligence-Based Automation of the Referral Process for Applications Submitted to CİMER

Abstract

In recent years, technological advancements have significantly increased the volume of data stored and processed. While this growth presents many advantages, it also brings challenges, such as the need for effective text classification. In Türkiye, the Presidency’s Communication Centre (CİMER) was established to promote principles of good governance, such as accountability, transparency, the rule of law, and citizen participation. CİMER is an effective channel through which citizens can obtain redress for administrative actions, and the number of applications submitted has been increasing annually. As the number of citizen applications submitted to CİMER increases each year, addressing each application within the legally mandated timeframe has become increasingly demanding. In this context, handling all procedures related to the referral of CİMER applications within an automated system is very important. In addition, the manual referral of applications to the relevant public institutions places a considerable burden on human resources. This study introduces a novel approach using artificial intelligence to automate the referral process of CİMER applications. It proposes a system in which applications submitted to CİMER are classified by a pre-trained artificial intelligence model operating in the background of the CİMER system. Based on the classification results, applications are either automatically forwarded to the relevant ministry or sent to the CİMER application pool for manual referral. The study compares two deep learning methods for text classification—Convolutional Neural Networks (CNN) and BERT. The analyses show that the BERT model outperforms CNN, achieving a validation accuracy of 99.986% and a test accuracy of 99.924%.

Keywords

Presidency’s Communication Centre , governance , automation , savings on public resources , artificial intelligence

References

• Acar, O. K. (2018). Dijital Çağda Bilgi Edinme ve Başvuru Hakkı; E- Devlet ve Sosyal Medya Üzerinden Yapılan Başvuruların Kamu Çalışanları Açısından Değerlendirmesi. Social Sciences Studies Journal (SSS Journal), 4(24), 4836–4848.
• Acı, Ç. & Çırak, A. (2019). Türkçe Haber Metinlerinin Konvolüsyonel Sinir Ağları ve Word2Vec Kullanılarak Sınıflandırılması. Journal of Information Technologies, 12(3), 219–228.
• Alparslan, G. & Dursun, M. (2023). Konvolüsyonel Sinir Ağları Tabanlı Türkçe Metin Sınıflandırma. Journal of Information Technologies, 16(1), 21–31.
• Altınel, B. & Ganiz, M.C. (2018). Semantic text classification: A survey of past and recent advances. Information Processing & Management, 54(6), 1129–1153.
• Arzu, M. & Aydoğan, M. (2023). Türkçe Duygu Sınıflandırma İçin Transformers Tabanlı Mimarilerin Karşılaştırılmalı Analizi. Computer Science (IDAP-2023), 1–6.
• Ay Karakuş, B. (2018). Derin Öğrenme ve Büyük Veri Yaklaşımları ile Metin Analizi. Elazığ: Fırat Üniversitesi Fen Bilimleri Enstitüsü.
• Aydın, Ö. (2020). Mobbing İçerikli Yargı Kararlarının Makine Öğrenmesi Algoritmaları ile Sınıflandırılması. Balıkesir: Balıkesir Üniversitesi Fen Bilimleri Enstitüsü.
• Aytekin, Ç., Sütçü, C. S. & Özfidan, U. (2018). Karar ağacı algoritması ile metin sınıflandırma: Müşteri yorumları örneği. Journal of International Social Research, 11(55), 782–792.
• Bayrak, S., Yucel, E. & Takci, H. (2021). Epilepsy Radiology Reports Classification Using Deep Learning Networks. Computers, Materials & Continua, 70(2), 3589–3607.
• Binici, K. (2019). Makine Öğrenmesi Yaklaşımıyla e-Belgelere Standart Dosya Plan Numaralarının Otomatik Olarak Atanması Üzerine Bir Çalışma. Bilgi Yönetimi, 2(2), 116-126.
• Bock, S., Goppold, J. & Weiß, M. (2018). An improvement of the convergence proof of the ADAM-Optimizer. Oth Clusterkonferenz.
• Branco, P., Torgo, L. & Ribeiro, R. (2016). A Survey of Predictive Modelling on Imbalanced Domains. ACM Computing Surveys (CSUR), 49(2), 1-50.
• Çelik, M. (2023). Türkiye’de Kamu Alımları Süreci ve Karşılaşılan Sorunların Metin Madenciliği ile Analizi. Bursa: Bursa Uludağ Üniversitesi Sosyal Bilimler Enstitüsü.
• Çelikten, A. & Bulut, H. (2021). Turkish medical text classification using BERT. SIU 2021 - 29th IEEE Conference on Signal Processing and Communications Applications, Proceedings.
• Dede, A. (2024). Dijital İletişim, Dijital Vatandaşlık, Dijital Yönetişim ve CİMER. Abant Sosyal Bilimler Dergisi, 24(1), 355–365.
• Dede, A. (2025). Dijitalleşmenin Toplumsal Yapıya Etkisi: Dilek Şikâyet Kutusu, Dijital Talep ve Sağlık Sektörü. Mevzu – Journal of Social Sciences, 2025(13), 963–990.
• Dorukbaşı, E. (2023). Kelime Gömme Vektörlerinin Graf Dönüşümü Yoluyla Metin Sınıflandırmada Kullanımı. Karabük: Karabük Üniversitesi Lisansüstü Eğitim Enstitüsü.
• Durmuşoğlu, T. & Genel, Z. (2022). Pasif Paydaş Olarak Vatandaşın E-İletişim ile Aktif Paydaşa Dönüşümü: CİMER Uygulaması Örneği. Denetişim, 13(24), 70–90.
• Erkırtay, O. Ş. & Ünal, C. (2021). Toplum Çevirmenliğinde Fikir Madenciliği ve Duygu Analizi. Manisa Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 19(3), 168–185.
• Ertam, F. (2019). Deep learning based text classification with Web Scraping methods. 2018 International Conference on Artificial Intelligence and Data Processing, IDAP 2018.
• Eski, N., Özben, D. İ., & Günbayı, İ. (2019). BİMER ve CİMER’e Gelen Şikayetler ile İlgili Maarif Müfettişlerinin, İlçe Milli Eğitim Müdürlerinin ve Şube Müdürlerinin Görüşleri: Bir Durum Çalışması. Çağdaş Yönetim Bilimleri Dergisi, 6(2), 163–182.
• Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning. Vol. 1. Massachusetts: The MIT Press.
• Göker, H. & Tekdere, H. (2017). FATİH Projesine Yönelik Görüşlerin Metin Madenciliği Yöntemleri ile Otomatik Değerlendirilmesi. Bilişim Teknolojileri Dergisi, 10(3), 291–299.
• Göksu, O. & Avcı, Ö. (2025). Participatory democracy in the digital age: Thematic content analysis of CIMER applications as a public opinion communication platform. Amme İdaresi Dergisi, 58(1), 163–196.
• Güler, T. (2020). Türkiye’de Bürokrasinin Denetiminde Hak Arama Mekanizmalarının Rolü. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Dergisi, 5(2), 273–287.
• Güllüpunar, M. D. (2022). Sağlık Kurumları Çevrimiçi Diyalog Araçlarının Vatandaşlar Tarafından Kullanımı Üzerine Bir Araştırma. Sosyal Mucit Academic Review, 3(2), 310–332.
• Gündüz, M. & Artar, F. (2023). Bir Yönetime Katılım Aracı Olarak CİMER’in Toplumsal Anlamı: Amaç, Etkinlik, Güven. Adıyaman Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 0(43), 660–700.
• Güven, Z. A. (2023). Türkçe E-postalarda Spam Tespiti için Makine Öğrenme Yöntemlerinin ve Dil Modellerinin Analizi. European Journal of Science and Technology, 47(47), 1–6.
• Helli, S. S., Tanberk, S. & Cavsak, S. N. (2023). Resume Information Extraction via Post-OCR Text Processing. 2023 Innovations in Intelligent Systems and Applications Conference (ASYU).
• Karaca Belli, T., Gökkız, M., Belli, Ş., Hakan, A., & Akıncı, I. (2022). Kamu Yönetiminde Halkla İlişkiler Bağlamında CİMER ve Kamu Denetçiliği Kurumunun Karşılaştırılması. Boyabat İktisadi ve İdari Bilimler Fakültesi E-Dergisi, 2(2), 64–80.
• Kayıkçı, K. & Tatar, D. (2021). İletişim Merkezlerinin İşleyişine İlişkin Okul Müdürleri ve İlçe Millî Eğitim Şube Müdürlerinin Görüşleri. Milli Eğitim Dergisi, 50(230), 873–898.
• Koçak, Ç. & Yiğit, T. (2023). Gpt-3 Sınıflandırma Modeli ile Türkçe Twitlerin Siber Zorbalık Durumlarının Belirlenmesi. Gazi Journal of Engineering Sciences, 9(4), 277–285.
• Li, Q., Peng, H., Li, J., Xia, C., Yang, R., Sun, L., Yu, P.S., & He, L. (2022). A Survey on Text Classification: From Traditional to Deep Learning. ACM Transactions on Intelligent Systems and Technology, 13(2), 1–41.
• Lu, W., Jiao, J. & Zhang, R. (2020). TwinBERT: Distilling Knowledge to Twin-Structured BERT Models for Efficient Retrieval. CIKM '20: Proceedings of the 29th ACM International Conference on Information & Knowledge Management.
• Ma, Y., Liu, X., Zhao, L., Liang, Y., Zhang, P. & Jin, B. (2022). Hybrid embedding-based text representation for hierarchical multi-label text classification. Expert Systems With Applications, 187(2022).
• Minaee, S., Kalchbrenner, N., Cambria, E., Nikzad, N., Chenaghlu, M. & Gao, J. (2021). Deep Learning--based Text Classification: A Comprehensive Review. ACM Computing Surveys, 54(3), 1–40.
• Özdemi̇r, E. & Türkoğlu, İ. (2022). Yazılım Güvenlik Açıklarının Evrişimsel Sinir Ağları (CNN) ile Sınıflandırılması. Fırat University Journal of Engineering Science, 34(2), 517–529.
• Özgür, S., Ulucan, M. & Eser Coşgun, A. (2019). Halkla İlişkiler ve Bir E-Devlet Uygulaması Olarak CİMER. Akademik Bakış Uluslararası Hakemli Sosyal Bilimler Dergisi, (75), 13–37.
• Özkan, M. & Kar, G. (2022). Türkçe Dilinde Yazılan Bilimsel Metinlerin Derin Öğrenme Tekniği Uygulanarak Çoklu Sınıflandırılması. Journal of Engineering Sciences and Design, 10(2), 504–519.
• Pilavcılar, F. (2007). Metin madenciliği ile metin sınıflandırma. İstanbul: Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü.
• Rawat, A. S., Chen, J., Yu, F., Suresh, A.T. & Kumar, S. (2020). Sampled Softmax with Random Fourier Features. Advances in Neural Information Processing Systems 32 (NeurIPS 2019).
• Salur, M. U. & Aydın, İ. (2019). The Impact of Preprocessing on Classification Performance in Convolutional Neural Networks for Turkish Text. 2018 International Conference on Artificial Intelligence and Data Processing, IDAP.
• Sasoko, W.H., Setyanto, A., Kusrini & Martinez-Bejar, R. (2024). Comparative Study and Evaluation of Machine Learning Models for Semantic Textual Similarity. 2024 8th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE).
• Saylam, A. (2020). Türk Kamu Yönetiminde Merkezi Düzeyde E-Katılım: Bakanlıkların Web Siteleri Üzerinden Bir Araştırma. Pamukkale University Journal of Social Sciences Institute, (41), 23–37.
• Sel, İ. & Hanbay, D. (2021). Ön Eğitimli Dil Modelleri Kullanarak Türkçe Tweetlerden Cinsiyet Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33(2), 675–684.
• Selvi, Ö., Ulucan, M., & Eser Coşgun, A. (2019). Halkla İlişkiler ve Bir E-Devlet Uygulaması Olarak CİMER. Akademik Bakış Uluslararası Hakemli Sosyal Bilimler Dergisi, 75(13), 13–37.
• Stribling, D., Xia, Y., Amer, M. K., Graim, K. S., Mulligan, C. J. & Renne, R. (2024). The model student: GPT-4 performance on graduate biomedical science exams. Scientific Reports, 14(1), 1–11.
• Strimaitis, R., Stefanovic, P., Ramanauskaite, S. & Slotkiene, A. (2022). A Combined Approach for Multi-Label Text Data Classification. Computational Intelligence and Neuroscience, (1), 1-13.
• Şahin, G. & Diri, B. (2021). The effect of transfer learning on Turkish text classification. SIU 2021 - 29th IEEE Conference on Signal Processing and Communications Applications, Proceedings.
• Şahin, H., Kayakuş, M., Erdoğan, D. & Açıkgöz Yiğit, F. (2024). Sağlık Kuruluşlarının Kurumsal İtibarının Metin Madenciliği ve Duygu Analizi ile Değerlendirilmesi. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 40, 91-104.
• Şahin, Ü. (2018). İyi Yönetişimin Türk Kamu Yönetiminde Uygulanması ve Kamu Denetçiliği Kurumu. Ombudsman Akademik, (1), 99–139.
• Şeker, A., Diri, B. & Balık, H. H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Journal of Engineering Sciences, 3(3), 47–64.
• Tang, B., He, H., Baggenstoss., P.M. & Kay, S. (2016). A Bayesian Classification Approach Using Class-Specific Features for Text Categorization. IEEE Transactions on Knowledge and Data Engineering, 28(6), 1602–1606.
• Taşağal, K. (2019). Çevrim içi ortamlarda yapılan sahte kullanıcı yorumlarının tespitinde derin öğrenme kullanımı. Edirne: Trakya Üniversitesi Fen Bilimleri Enstitüsü.
• Taşar, D. E., Ozan, Ş., Akça, F., Ölmez, O., Gülüm, S., Kutal, S. & Belhan, C. (2021). Profitable Trade-Off Between Memory and Performance In Multi-Domain Chatbot Architectures. ICADA 21 1st International Conference on Artificial Intelligence and Data Science.
• Tuncer, I., Keskin, Ş., & Apaydın, M. (2021). İşin Olsun Platformu İlanlarında İçerik Kontrolü. Gazi Journal of Engineering Sciences, 7(3), 243–252.
• Üz, K. & Kara, B. (2024). Dijitalleşme Ekseninde Dijital Yurttaşlığın Yönetime Katılıma Etkisi: Niğde Ömer Halisdemir Üniversitesi Örneği. Uluslararası Türk Dünyası Araştırmaları Dergisi, 7(4), 337–356.
• Yağmurlu, A. & Eroğlu, E. (2020). Modern Devletin Yönetim Fonksiyonu Olarak Halkla İlişkiler ve 1980 Sonrası Şekillenişi. Amme İdaresi Dergisi, 53(4), 139–167.
• Yılmaz, H. & Yumuşak, S. (2021). Açık Kaynak Doğal Dil İşleme Kütüphaneleri. Istanbul Sabahattin Zaim University Journal of Institute of Science and Technology, 3(1), 81–85.
• Yılmaz, İ. C. & Dikbaş, A. (2013). Türk Kamu İnşaat Projelerinde Yaşanan Uyuşmazlıklara Yönelik Bir Veri Madenciliği Yaklaşımı. AJIT-e: Academic Journal of Information Technology, 4(13), 13–79.