Uyarlanabilir Kayan Pencere Boyutu Temelli Ardışık Öğrenme ile LSTM, GRU ve Transformatör Modellerinin Finansal Zaman Serisi Tahmininde Kullanılması
Abstract
Çevrimiçi zaman serisi modelleme ve tahmininde artan veri hacmiyle birlikte öğrenme yöntemlerinin performansı ve kayan pencere boyutu büyük önem kazanmıştır. Literatürde geleneksel olarak sabit pencere uzunlukları önceki deneyimlere dayalı olarak seçilmekte ve yeni verinin bilgisi modele aktarılmaktadır. Ancak, zaman serisi verilerinin dinamik yapısı nedeniyle sabit bir pencere uzunluğu yetersiz kalmaktadır. Bu makalede, derin öğrenme modellerinin çevrimiçi tahmin performansını iyileştirmek için bulanık mantığa dayalı kayan pencere boyutunun uygun biçimde ayarlanması için yeni bir yöntem önerilmektedir. Çalışmanın ana katkıları şunlardır: i) LSTM, GRU ve transformatör modellerini eğitmek için sabit pencere uzunluklarına sahip iyi bilinen stokastik gradyan inişli öğrenme kullanılmış ve finansal zaman serisi tahminindeki başarıları tablolara kaydedilmiştir. Bu aşamada önemli bir karşılaştırma sağlanmıştır. Bu tablolar bize mevcut modellerin çevrimiçi zaman serisi tahminindeki performansları hakkında detaylı bilgi vermektedir. ii) Bir bulanık mantık modeli önerilmiş ve her örnek indeksinde hesaplanan performans değerlerine göre en uygun kayan pencere boyutu seçilmiştir. Önerilen bu yöntem ile kayan pencerenin boyutu otomatik olarak ayarlanmaktadır. Bulanık kural tabanı, çevrimdışı eğitim verilerinin ortalama mutlak hata (MAE) performansına dayalı olarak oluşturulur. Çevrimdışı eğitimde elde edilen MAE değerinin kullanılmasının nedeni, yeni veri gelmesi durumunda da modelin çevrimdışı başarısının korunmak istenmesidir. iii) Sabit pencere uzunluğu ile elde edilen en iyi ve en kötü performanslı modeller, bulanık mantık kayan pencere boyutu ile yeniden tasarlanır ve performansları kaydedilir. Sonuç olarak, önerilen yöntemin son çevrimiçi LSTM, GRU ve transformatör modellerinin performansı üzerindeki avantajı açıkça gösterilmiştir.
Ethical Statement
Çalışma sırasında akademik etik kurallarına uyulmuştur.
Supporting Institution
Bu araştırma kamu, ticari veya kâr amacı gütmeyen sektörlerdeki fon sağlayıcı kuruluşlardan herhangi bir özel hibe almamıştır.
Thanks
-
References
- [1] R. J. Hyndman and G. Athanasopoulos, Forecasting: principles and practice, 3rd ed. Melbourne, Australia: OTexts, 2021.
- [2] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput, vol. 9, no. 8, pp. 1735–1780, Nov. 1997, doi: 10.1162/neco.1997.9.8.1735.
- [3] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.
- [4] G. P. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” 2003. [Online]. Available: www.elsevier.com/locate/neucom
- [5] A. İ. Şimşek, “Predicting Bitcoin Price: Comparative Analysis of Machine Learning and Deep Learning Models,” Savunma Bilimleri Dergisi, Apr. 2024, doi: 10.17134/khosbd.1394501.
- [6] C. Bulut and B. Hüdaverdi, “Hybrid Approaches in Financial Time Series Forecasting: A Stock Market Application,” Ekoist: Journal of Econometrics and Statistics, vol. 0, no. 37, pp. 53–68, Dec. 2022, doi: 10.26650/ekoist.2022.37.1108411.
- [7] G. Kaya Aydın, U. Aydın, and B. Ülengin, “A Comparison of Forecasting Performance of PPML and OLS estimators: The Gravity Model in the Air Cargo Market,” Ekoist: Journal of Econometrics and Statistics, vol. 0, no. 39, pp. 112–128, Dec. 2023, doi: 10.26650/ekoist.2023.39.1310639.
- [8] C. Tang, B. Abbatematteo, J. Hu, R. Chandra, R. Martín-Martín, and P. Stone, “Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes,” 2025. [Online]. Available: https://www.arxiv.org/abs/2408.03539
- [9] K. Hu et al., “A review of research on reinforcement learning algorithms for multi-agents,” Sep. 28, 2024, Elsevier B.V. doi: 10.1016/j.neucom.2024.128068.
- [10] W. Pinthurat, T. Surinkaew, and B. Hredzak, “An overview of reinforcement learning-based approaches for smart home energy management systems with energy storages,” Sep. 01, 2024, Elsevier Ltd. doi: 10.1016/j.rser.2024.114648.
- [11] H. Xie et al., “Reinforcement learning for vehicle-to-grid: A review,” Mar. 01, 2025, Elsevier Ltd. doi: 10.1016/j.adapen.2025.100214.
- [12] H. Gharoun, F. Momenifar, F. Chen, and A. H. Gandomi, “Meta-learning Approaches for Few-Shot Learning: A Survey of Recent Advances,” ACM Comput Surv, vol. 56, no. 12, Jul. 2024, doi: 10.1145/3659943.
- [13] A. Vettoruzzo, M. R. Bouguelia, J. Vanschoren, T. Rognvaldsson, and K. C. Santosh, “Advances and Challenges in Meta-Learning: A Technical Review,” IEEE Trans Pattern Anal Mach Intell, vol. 46, no. 7, pp. 4763–4779, Jul. 2024, doi: 10.1109/TPAMI.2024.3357847.
- [14] S. Wang et al., “Few-shot fault diagnosis of axial piston pump based on prior knowledge-embedded meta learning vision transformer under variable operating conditions,” Expert Syst Appl, vol. 269, Apr. 2025, doi: 10.1016/j.eswa.2025.126452.
- [15] M. Dobrevski and D. Skocaj, “Dynamic Adaptive Dynamic Window Approach,” IEEE Transactions on Robotics, vol. 40, pp. 3068–3081, 2024, doi: 10.1109/TRO.2024.3400932.
- [16] S. Y. Shih, F. K. Sun, and H. yi Lee, “Temporal pattern attention for multivariate time series forecasting,” Mach Learn, vol. 108, no. 8–9, pp. 1421–1441, Sep. 2019, doi: 10.1007/s10994-019-05815-0.
- [17] A. Vaswani et al., “Attention Is All You Need,” Aug. 2023, [Online]. Available: http://arxiv.org/abs/1706.03762
- [18] W. Zhou, D. Wang, H. Li, and W. Song, “Long-term forecasting of time series based on sliding window information granules and fuzzy inference system,” in 2018 International Conference on Information, Cybernetics, and Computational Social Systems : IEEE ICCSS 2018 , IEEE, 2018, pp. 375–380.
- [19] P. Kapoor and S. S. Bedi, “Weather Forecasting Using Sliding Window Algorithm,” ISRN Signal Processing, vol. 2013, pp. 1–5, Dec.
- [20] K. Cho et al., “Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation,” Sep. 2014, [Online]. Available: http://arxiv.org/abs/1406.1078
- [21] C. Li, G. Tang, X. Xue, A. Saeed, and X. Hu, “Short-Term Wind Speed Interval Prediction Based on Ensemble GRU Model,” IEEE Trans Sustain Energy, vol. 11, no. 3, pp. 1370–1380, Jul. 2020, doi: 10.1109/TSTE.2019.2926147.
- [22] L. A. Zadeh, “Fuzzy Sets,” 1965.
- [23] M. Beğenirbaş, K. G. Kurtay, H. A. Dağıstanlı, A. Altundaş, “Savunma Tedarik Sürecinde Çalışanlarda Etkili Kriterlerin Önemlilik Düzeyinin Bulanık Dematel Yöntemleriyle Belirlenmesi,” Savunma Bilimleri Dergisi, vol. 2, no. 43, pp. 269–294, Nov. 2023, doi: 10.17134/khosbd.1216154.
Adaptive Sliding Window Size Based Sequential Learning of LSTM, GRU and Transformer Models Applied to Financial Time Series Prediction
Abstract
The performance of learning methods and sliding window size has gained significant importance with the increasing volume of data in online time series modeling and prediction. In the literature, fixed window lengths are traditionally chosen based on prior experience, and the information of the new data is transferred to the model. However, a fixed window length is insufficient due to the dynamic nature of time series data. In this paper, a novel method for intelligent tuning of the sliding window size based on fuzzy logic is proposed to improve the online prediction performance of deep learning models. The main contributions of the study are as follows: i) The well-known stochastic gradient-descent learning with fixed window lengths were used to train the well-known LSTM, GRU, and transformer models, and their success in financial time series estimation was recorded in tables. An important comparison is provided at this stage. These tables provide us with detailed information about the performance of existing models in online time series forecasting. ii) A fuzzy logic model is proposed, and the optimal sliding window size is selected based on the performance values calculated at each sample index. With the proposed method, the size of the sliding window is tuned automatically. Fuzzy rule base is constructed based on the mean absolute error performance of offline training data. The reason for using the MAE value in offline training is that it is still desired to maintain the offline success of the model in case new data arrives. iii) The best and worst-performing models obtained with fixed window length are redesigned with fuzzy logic sliding window size, and their performances are recorded. As a result, the advantage of the proposed method on the performance of recent online LSTM, GRU, and transformer models is clearly demonstrated.
Ethical Statement
The academic ethical rules were observed during the study.
Supporting Institution
This research did not receive any specific grant from funding agencies in the public, commercial, or nonprofit sectors.
Thanks
-
References
- [1] R. J. Hyndman and G. Athanasopoulos, Forecasting: principles and practice, 3rd ed. Melbourne, Australia: OTexts, 2021.
- [2] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput, vol. 9, no. 8, pp. 1735–1780, Nov. 1997, doi: 10.1162/neco.1997.9.8.1735.
- [3] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.
- [4] G. P. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” 2003. [Online]. Available: www.elsevier.com/locate/neucom
- [5] A. İ. Şimşek, “Predicting Bitcoin Price: Comparative Analysis of Machine Learning and Deep Learning Models,” Savunma Bilimleri Dergisi, Apr. 2024, doi: 10.17134/khosbd.1394501.
- [6] C. Bulut and B. Hüdaverdi, “Hybrid Approaches in Financial Time Series Forecasting: A Stock Market Application,” Ekoist: Journal of Econometrics and Statistics, vol. 0, no. 37, pp. 53–68, Dec. 2022, doi: 10.26650/ekoist.2022.37.1108411.
- [7] G. Kaya Aydın, U. Aydın, and B. Ülengin, “A Comparison of Forecasting Performance of PPML and OLS estimators: The Gravity Model in the Air Cargo Market,” Ekoist: Journal of Econometrics and Statistics, vol. 0, no. 39, pp. 112–128, Dec. 2023, doi: 10.26650/ekoist.2023.39.1310639.
- [8] C. Tang, B. Abbatematteo, J. Hu, R. Chandra, R. Martín-Martín, and P. Stone, “Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes,” 2025. [Online]. Available: https://www.arxiv.org/abs/2408.03539
- [9] K. Hu et al., “A review of research on reinforcement learning algorithms for multi-agents,” Sep. 28, 2024, Elsevier B.V. doi: 10.1016/j.neucom.2024.128068.
- [10] W. Pinthurat, T. Surinkaew, and B. Hredzak, “An overview of reinforcement learning-based approaches for smart home energy management systems with energy storages,” Sep. 01, 2024, Elsevier Ltd. doi: 10.1016/j.rser.2024.114648.
- [11] H. Xie et al., “Reinforcement learning for vehicle-to-grid: A review,” Mar. 01, 2025, Elsevier Ltd. doi: 10.1016/j.adapen.2025.100214.
- [12] H. Gharoun, F. Momenifar, F. Chen, and A. H. Gandomi, “Meta-learning Approaches for Few-Shot Learning: A Survey of Recent Advances,” ACM Comput Surv, vol. 56, no. 12, Jul. 2024, doi: 10.1145/3659943.
- [13] A. Vettoruzzo, M. R. Bouguelia, J. Vanschoren, T. Rognvaldsson, and K. C. Santosh, “Advances and Challenges in Meta-Learning: A Technical Review,” IEEE Trans Pattern Anal Mach Intell, vol. 46, no. 7, pp. 4763–4779, Jul. 2024, doi: 10.1109/TPAMI.2024.3357847.
- [14] S. Wang et al., “Few-shot fault diagnosis of axial piston pump based on prior knowledge-embedded meta learning vision transformer under variable operating conditions,” Expert Syst Appl, vol. 269, Apr. 2025, doi: 10.1016/j.eswa.2025.126452.
- [15] M. Dobrevski and D. Skocaj, “Dynamic Adaptive Dynamic Window Approach,” IEEE Transactions on Robotics, vol. 40, pp. 3068–3081, 2024, doi: 10.1109/TRO.2024.3400932.
- [16] S. Y. Shih, F. K. Sun, and H. yi Lee, “Temporal pattern attention for multivariate time series forecasting,” Mach Learn, vol. 108, no. 8–9, pp. 1421–1441, Sep. 2019, doi: 10.1007/s10994-019-05815-0.
- [17] A. Vaswani et al., “Attention Is All You Need,” Aug. 2023, [Online]. Available: http://arxiv.org/abs/1706.03762
- [18] W. Zhou, D. Wang, H. Li, and W. Song, “Long-term forecasting of time series based on sliding window information granules and fuzzy inference system,” in 2018 International Conference on Information, Cybernetics, and Computational Social Systems : IEEE ICCSS 2018 , IEEE, 2018, pp. 375–380.
- [19] P. Kapoor and S. S. Bedi, “Weather Forecasting Using Sliding Window Algorithm,” ISRN Signal Processing, vol. 2013, pp. 1–5, Dec.
- [20] K. Cho et al., “Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation,” Sep. 2014, [Online]. Available: http://arxiv.org/abs/1406.1078
- [21] C. Li, G. Tang, X. Xue, A. Saeed, and X. Hu, “Short-Term Wind Speed Interval Prediction Based on Ensemble GRU Model,” IEEE Trans Sustain Energy, vol. 11, no. 3, pp. 1370–1380, Jul. 2020, doi: 10.1109/TSTE.2019.2926147.
- [22] L. A. Zadeh, “Fuzzy Sets,” 1965.
- [23] M. Beğenirbaş, K. G. Kurtay, H. A. Dağıstanlı, A. Altundaş, “Savunma Tedarik Sürecinde Çalışanlarda Etkili Kriterlerin Önemlilik Düzeyinin Bulanık Dematel Yöntemleriyle Belirlenmesi,” Savunma Bilimleri Dergisi, vol. 2, no. 43, pp. 269–294, Nov. 2023, doi: 10.17134/khosbd.1216154.
Details
| Primary Language | English |
|---|---|
| Subjects | Electronics, Sensors and Digital Hardware (Other) |
| Journal Section | Research Article |
| Authors | |
| Submission Date | September 3, 2025 |
| Acceptance Date | November 20, 2025 |
| Early Pub Date | December 24, 2025 |
| Publication Date | December 24, 2025 |
| Published in Issue | Year 2025 Issue: Advanced Online Publication |
Aim & Scope
Millî Savunma Üniversitesi Alparslan Savunma Bilimleri ve Milli Güvenlik Enstitüsü tarafından hazırlanan ve 2002 yılından itibaren yayımlanan Savunma Bilimleri Dergisi, Mayıs ve Kasım aylarında olmak üzere yılda iki kez yayımlanmaktadır. Savunma Bilimleri Dergisinin amacı, savunma bilimleri alanındaki bilimsel gelişmeleri takip etmek ve bu konuda bilimsel araştırma ve uygulamalara yer vererek alana katkı sağlamaktır. Ayrıca araştırmacılar ve uygulamacılar arasındaki etkileşimi kurup destekleyerek savunma bilimlerinin gelişmesine hizmet etmektir.
Dergi; Balistik, Siber Güvenlik, KBRN Savunma, Silah Sistemleri Mühendisliği, Elektronik Harp, Endüstri Mühendisliği, Askerî Elektronik Sistemler Mühendisliği, İnşaat Mühendisliği, Havacılık ve Uzay Mühendisliği, Harekât Araştırması ve Savunma Bilimleriyle ilişkili diğer alanlarda nitelikli araştırmaları Türkçe ve İngilizce olarak yayımlamaktadır.
Author Guidelines
Yazım Kuralları
Dergimize makale gönderen ve/veya dergimizde hakemlik yapan /yapacak olan tüm kullanıcıların kurumsal e-posta hesapları ile sisteme kayıt olmaları gerekmektedir (yahoo.com, hotmail.com, gmail.com, outlook.com vb. uzantılı e-posta hesapları kullanılmamalıdır).
1. Genel İlkeler
Millî Savunma Üniversitesi Alparslan Savunma Bilimleri ve Millî Güvenlik Enstitüsü tarafından hazırlanan ve 2002 yılından itibaren yayınlanan Savunma Bilimleri Dergisi, Mayıs ve Kasım aylarında olmak üzere yılda iki kez basılı ve elektronik yayınlanan hakemli ve bilimsel bir dergidir.
Savunma Bilimleri Dergisinin amacı, savunma bilimleri alanındaki bilimsel gelişmeleri takip etmek ve bu konuda bilimsel araştırma ve uygulamalara yer vererek alana katkı sağlamaktır. Ayrıca araştırmacılar ve uygulamacılar arasındaki etkileşimi kurup destekleyerek savunma bilimlerinin gelişmesine hizmet etmektir. Dergi; Balistik, Siber Güvenlik, KBRN Savunma, Silah Sistemleri Mühendisliği, Elektronik Harp, Endüstri Mühendisliği, Askerî Elektronik Sistemler Mühendisliği, İnşaat Mühendisliği, Havacılık ve Uzay Mühendisliği, Harekât Araştırması, ve Savunma Bilimleriyle ilişkili diğer alanlarda nitelikli araştırmaları Türkçe ve İngilizce olarak yayımlamaktadır. Dergi; ULAKBİM TR DİZİN, Index Copernicus, ARASTIRMAX (Bilimsel Yayın İndeksi), SOBIAD (Fen Bilimleri) veri tabanları tarafından taranmaktadır. Makalelerdeki düşünce, görüş, varsayım, sav veya tezler makale sahiplerine aittir; Millî Savunma Üniversitesi ile Alparslan Savunma Bilimleri ve Millî Güvenlik Enstitüsü sorumlu tutulamaz.
Dergiye gönderilen makalelerin daha önce hiçbir yerde yayımlanmamış olması ve herhangi bir yerde yayımlanması için değerlendirme sürecine girmemiş olması gerekir. Başka bir yerde yayımlanması amacıyla başvuru yapıldığının, aynısının ya da benzerinin başka bir dergide yayımlanmış olduğunun tespiti halinde makale değerlendirme sürecinden çıkarılır.
Dergiye gönderilen çalışmalar Yüksek Öğretim Kurulu (YÖK) Genel Kurulunun 10 Kasım 2016 tarihli ve 2016.23.497 sayılı Yüksek Öğretim Kurumları Bilimsel Araştırma Yayın Etiği Yönergesi, Millî Savunma Üniversitesi Bilimsel Araştırma ve Yayın Etiği Esasları çerçevesinde ve COPE (Committee on Publication Ethics) (https://publicationethics.org/resources/resources-and-further-reading/international-standards-editors-and-authors) standartlarında hazırlanmalıdır.
Dergiye gönderilen etik kurul izni gerektiren araştırmalar (anket, mülakat, odak grup çalışması, gözlem, deney, görüşme teknikleri kullanılarak katılımcılardan veri toplanmasını gerektiren nitel ya da nicel yaklaşımlarla yürütülen her türlü araştırma; insan ve hayvanların (materyal/veriler dahil) deneysel ya da diğer bilimsel amaçlarla kullanıldığı araştırmalar; insanlar üzerinde yapılan klinik araştırmalar; hayvanlar üzerinde yapılan araştırmalar ve Kişisel Verilerin Korunması Kanunu gereğince retrospektif çalışmalar) için etik kurul onayı alınmış olmalıdır. Bu izinle ilgili bilgiler (kurul adı, tarih ve sayı no) yöntem bölümünde ve ayrıca makalenin ilk sayfasında dipnot verilerek belirtilmelidir. Olgu sunumlarında, bilgilendirilmiş gönüllü olur/onam formunun imzalatıldığına dair bilgiye makalede yer verilmesi gereklidir.
Fikir ve sanat eserleri için telif hakları düzenlemelerine uyulması ve uyulduğunun makalede belirtilmesi gerekmektedir. Başkalarına ait ölçek, anket, fotoğraf ve benzerinin kullanımı için sahiplerinden izin alınmalı ve makalede belirtilmelidir.
Dergiye başvuru, değerlendirme, yayın süreci ve bilgilendirmeler TÜBİTAK ULAKBİM DergiPark sistemindeki https://dergipark.org.tr/tr/pub/khosbd adresi üzerinden yapılır. Başvuruda sisteme yüklenecek makale, derginin Makale Yayım İlkeleri ve Yazım Kuralları’nda (Yazar Rehberi) belirtilen ilkelere, şekil şartlarına, atıf usullerine ve yazıldığı dilin yazım kurallarına uygun olarak düzenlenmiş ve telif hakkı devri formu doldurularak tüm yazarlar tarafından imzalanmış olmalıdır.
Derginin intihal politikası gereğince IThenticate/ Turnitin programından alınmış benzerlik (intihal) raporu da başvuru aşamasında sisteme yüklenmelidir.
Dergiye başvuru ücretsizdir. Başvuru, değerlendirme, yayın aşamalarında veya sonrasında herhangi bir ücret alınmaz.
Yazar ve hakemlerle iletişim DergiPark sistemi üzerinden gerçekleştirildiğinden yazarlar ve hakemler iletişim adresi olarak belirttikleri e-posta adresini kontrol etmelidirler.
Dergiye gönderilen makaleler ilk değerlendirme aşamasında DergiPark sistemine girilmesi gerekli bilgilerin, makale dosyasının, telif hakkı devri formu ve benzerlik raporunun bulunup bulunmadığı ve Derginin Makale Yayım İlkeleri ve Yazım Kuralları’na uygun olup olmadığı kontrol edilerek uygun bulunmayan başvurular reddedilir. Uygun bulunan başvurular ise ön değerlendirme aşamasında, editörler ve yayın kurulu tarafından kapsamı, dergi politikası, yazım kuralları, alana özgün katkısı, bilimsel anlatımı, yönünden incelenir. Çalışmalar, ön değerlendirme ölçütlerini karşılamaları halinde iki hakeme gönderilir. İki hakemin birbirine zıt görüş bildirmesi halinde üçüncü bir hakeme başvurulabilir. Hakemlerin ve yazarın kimlikleri bu süreçte çift taraflı kör hakemlik politikası gereğince gizli tutulur. Hakemler için verilen değerlendirme süresi, hakemin değerlendirmeyi kabul ettiği tarihten itibaren 15 gündür. Hakem değerlendirmesi tamamlanan makalelerin yazarlarına hakem raporları sistem üzerinden e-posta ile gönderilir. Düzeltme istenmesi halinde hakem raporlarının yazara gönderildiği tarihten itibaren 7 gün içinde düzeltilmiş makale ve düzeltme raporunun sisteme yüklenmesi gerekmektedir. Hakem raporları doğrultusunda makalenin yayımlanıp yayımlanmamasına, editörler ve yayın kurulu karar verir. Basımı uygun görülen makaleler dizgi aşamasına alınır, basımı uygun görülmeyen makaleler ise reddedilir.
Savunma Bilimleri Dergisinde yayımlanan makalelerdeki görüşler, yazarlarının şahsi görüşleri olup hiçbir kurum ve kuruluş ile Milli Savunma Üniversitesi ve Alparslan Savunma Bilimleri ve Millî Güvenlik Enstitüsünün resmi görüşü niteliğini taşımaz. Dergideki makalelerin bilimsel sorumluluğu yazara aittir. Çalışmanın içinde olabilecek hatalı, eksik atıflardan veya çarpıtmalardan yazar sorumludur. Yayınlanan her araştırmaya ait verilerin 5 yıl süre ile yazar tarafından saklanması zorunludur. Dergiye gönderilen yazılara telif hakkı ödenmez.
Derginin açık erişim politikası gereğince makalelerin tam metinleri dahil olmak üzere dergi içeriği tüm kullanıcılara ücretsiz olarak sunulmaktadır. Yayınlanmış eserlerden kaynak gösterilmek suretiyle alıntı yapılabilir.
Dergiye değerlendirilmek üzere makale gönderen yazarlar derginin “Makale Yayım İlkeleri ve Yazım Kuralları”nı ve belirtilen telif koşullarını kabul etmiş sayılırlar. Söz konusu kural ve ilkelere uymayan makalelerin sorumlulukları yazar(lar)a aittir. Dergi Yayın Komisyonu’nun ilgili kural ve ilkelere uymayan makaleleri “değerlendirme sürecinde veya sonrasında” “reddetme” hakkı bulunmaktadır.
2. Makalelerin Gönderilmesi
Makaleler, “MS Word” formatında kayıtlı olmalı ve TÜBİTAK ULAKBİM DergiPark sistemindeki Milli Savunma Üniversitesi Alparslan Savunma Bilimleri ve Millî Güvenlik Enstitüsü Savunma Bilimleri Dergisi https://dergipark.org.tr/tr/pub/khosbd adresinden üye girişi yapılarak yüklenmelidir.
Makaleler ilk gönderimde; dergi yayın formatındaki Makale Şablonu yazım kurallarına göre hazırlanabileceği gibi bağımsız bir şekilde de hazırlanabilir. Ancak bilimsel hakem inceleme süreçlerinden sonra kabul edilen makalelerin Dergi Şablonuna göre düzenlemeleri yazar tarafından yapılacaktır. Kör hakemlik (double-blind review) sürecinin gereklilikleri doğrultusunda, metnin hiçbir bölümünde yazarlara ait kimlik bilgileri (ad, kurum, iletişim vb.) bulunmamalıdır.
Sisteme makale dosyası ile birlikte telif hakkı devri formu ve benzerlik (intihal) raporu da yüklenmelidir. Editör kurulunca belirlenen benzerlik oranı üst sınırı yüzde 15’tir. Benzerlik raporu, “iThenticate: Plagiarism Detection Software”/Turnitin kullanılarak alınmış ve ".pdf" olarak kaydedilmiş olmalıdır. Rapor kaydedilmeden önce programdaki filtreleme seçenekleri şu şekilde ayarlanmalıdır: -Kaynakça hariç (Bibliography excluded) -Alıntılar hariç (Quotes excluded) -5 kelimeden daha az örtüşme içeren metin kısımları hariç (Limit match size to 5 words) -Program menüsünde bulunan diğer filtreleme seçenekleri raporlamaya dâhil edilmez.
Yazar bilgileri sisteme eksiksiz olarak girilmeli, birden fazla yazar olması durumunda “yazar ekle” seçeneğinden yazar sıralamasına dikkat edilerek tüm yazarlar eklenmeli ve iletişim yazarı belirtilmelidir. Etik ilkeler gereğince, makale başvurusu sonrasında yazar ekleme, çıkarma ve/veya yazar sıralaması değişikliği yapılamaz. Yazar bilgilerine uluslararası geçerliliği bulunan https://orcid.org/ adresinden alınacak ORCID (Open Researcher and Contributor ID) numarası da girilmelidir.
Makale DergiPark sistemine yüklenirken “Editöre Not” kısmına aşağıdaki bilgiler yazılmalıdır (varsa yazarların editöre iletmek istedikleri notlar da bu alana yazılabilir): Makalenin yazar sıralamasına dikkat ederek, yazar adı ve soyadı (soyadı büyük harflerle), adresi (üniversite, fakülte, bölüm adı bulunmalıdır), ORCID numarası, e-mail adresi; varsa teşekkür notu; makale daha önce bildiri, tez vb. olarak herhangi bir yerde sunulmuşsa ya da proje/araştırma desteğinden yararlanılarak hazırlanmışsa bu durumu açıklayan Türkçe ve İngilizce not; makalenin türü (araştırma makalesi, derleme, olgu sunumu vb.) Basım formatı ise kabul edilen makalelerin dergi Word taslağına göre düzenlenecektir.
DergiPark’a değerlendirilmek üzere yüklenen makale dosyası hakemlerle paylaşılan değerlendirme sürümü olduğundan kör hakemlik politikası gereğince bu dosyada yazar isimlerine yer verilmemeli, ayrıca dosya özelliklerine girilerek yazar bilgileri silinmelidir.
Makalelerin ayrıca posta ile gönderilmesine gerek yoktur.
Makalenin yazımıyla ve atıflarla ilgili belirtilmeyen diğer konularda bilimsel makale yazım kuralları esas alınmalıdır. Söz konusu kural ve ilkelere uymayan makalelerin sorumlulukları yazar(lar)a aittir.
Ethical Principles and Publication Policy
ETİK KURALLAR
1. Dergiye gönderilen çalışmaların, özgün, bilimsel kuram ve metodolojiye uygun olması; mevcut uygulama ve kuramlara katkıda bulunması esastır. Çalışmalar Türkçe veya İngilizce hazırlanabilir. Dergiye gönderilen çalışmalar daha önce yurt içi ve yurt dışında herhangi bir yerde yayımlanmamış ve yayın için gönderilmemiş olmalıdır. Gönderilen çalışmaların daha önce başka bir yerde yayımlanıp yayımlanmadığını Dergi Yönetimi araştırmak mecburiyetinde değildir. Durumun etik sorumluluğu makale sahibine aittir. Çalışmanın dergimize yayımlanmak üzere gönderilmesi, yazarın bu konuda taahhüdü olarak değerlendirilir.
2. Bilimsel toplantılarda (kongre, sempozyum, seminer vb.) sunulmuş bir bildiriye dayanan aday makale, ilgili bildiri kitapçığında yayımlanmamış olması ve bu durumun belirtilmesi koşuluyla kabul edilebilir.
3. Dergiye gönderilen çalışma kapsamında gerçekleştirilmiş araştırma, veri toplama, analiz, araştırma sonuçları vb. bilgiler daha önce herhangi bir yerde yayımlanmış bir çalışmada kullanılmış ise makale içinde ve kaynakçada mutlaka belirtilmelidir.
4. Dergiye gönderilen çalışmaların birden fazla yazarı olması durumunda, makalenin yazarları, çalışmanın planlama, araştırma, hazırlama, yazıya dökme, düzenleme ve yayınlanacak son biçime getirme aşamalarında her birinin bizzat katkı sağladığını ve eşit sorumluluğa sahip olduklarını taahhüt ederler. Yazarların katkı oranları ve alanları farklı ise katkı oranı beyanı verilmelidir.
5. Dergiye gönderilen çalışmalar araştırma, veri toplama, analiz, araştırma sonuçları vb. konularda hiçbir şekilde uydurma (gerçekte olmayan) bilgi içeremez.
6. Yazarlar, sadece çalışmalarının ileri sürdüğü sonuçları ve çıkarımları destekleyen kaynaklardan değil, diğer bakış açılarını da destekleyen kaynaklardan da yararlandıklarını makalede ve kaynakçada göstermelidirler.
7. Bir araştırma kurumu/kuruluşu tarafından desteklenen çalışmalarda (TÜBİTAK, SANTEZ, BAP vb.), söz konusu kurumun/kuruluşun ve projenin adı, kodu belirtilmelidir.
8. Kongre ve sempozyum bildirilerinde toplantının adı, yeri ve tarihi belirtilmelidir.
9. Dergimize gönderilen çalışmalar düzenli bir şekilde intihal (plagiarism) taramasına tabi tutulmaktadır. Bu amaçla akademik çalışmalardaki intihalleri tespit etmek amacıyla iThenticate/Turnitin adlı intihal engelleme programlarından istifade edilmektedir.
10. Dergiye gönderilen çalışmalar Yüksek Öğretim Kurulu (YÖK) Genel Kurulunun 10 Kasım 2016 tarihli ve 2016.23.497 sayılı Yüksek Öğretim Kurumları Bilimsel Araştırma Yayın Etiği Yönergesi, Millî Savunma Üniversitesi Bilimsel Araştırma ve Yayın Etiği Esasları çerçevesinde ve COPE (Committee on Publication Ethics) (http://publicationethics.org/international-standart-editors-and-authors) standartlarında hazırlanmalıdır.
11. Dergiye gönderilen çalışmada insan ve/veya hayvanlar üzerinde yapılmış olan bir araştırma ya da araştırma sonunda paylaşılacak kişisel bilgiler var ise mutlaka yetkili etik kurulundan alınmış izin belgesi gönderilmelidir. İzin belgesi olmayan bu durumdaki çalışmalar kabul edilmez. Dergiye gönderilen çalışmalarda yetkili etik kurulundan izin alınmasını gerektiren durumlar şunlardır: Anket, mülâkat, odak grup çalışması, gözlem, deney, görüşme teknikleri kullanılarak katılımcılardan veri toplanmasını gerektiren nitel ya da nicel yaklaşımlarla yürütülen her türlü araştırmalar, insan ve hayvanların (materyal/veriler dâhil) deneysel ya da diğer bilimsel amaçlarla kullanılması, insanlar ve hayvanlar üzerinde yapılan klinik araştırmalar. Ayrıca olgu sunumlarında “Aydınlatılmış Onam Formunun” tesis edilip gönderilmesi, başkalarına ait ölçek, anket, fotoğrafların kullanımı için sahiplerinden izin alındığının belgelenmesi gerekmektedir. Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine uyulması zorunludur.
12. Herhangi bir değerlendirme aşamasında akademik ve etik ilkelere uygunsuzluk tespit edilirse çalışmaların, hangi aşamada olursa olsun, değerlendirme süreci derhal durdurulur ve çalışma reddedilir
Hakemler İçin
1. Hakemler, dergimiz için aday çalışmanın, bilimsellik, derginin yazım kuralları, yayın ilkeleri ve etik kurallara uygunluğunu ve akademik kalitesini tespit edecek en temel unsurlardır. Hakemler, bu anlayışla hareket etmeli ve akademik kaliteyi artırma sorumluluğuyla değerlendirme yapmalıdır.
2. Hakemler, yalnızca uygun bir değerlendirmeyi yapmak için gereken uzmanlığa sahip oldukları çalışmanın hakemliğini kabul etmelidirler.
3. Hakemler, çift-kör hakemlik kurallarına uymalı ve çalışmaya dair detayları her şekilde gizli tutmalıdırlar.
4. Hakemler, inceledikleri çalışmaya dair herhangi bir bilgiyi hiçbir şekilde başkalarıyla paylaşmamalıdır.
5. Hakemler, değerlendirmelerini tarafsızlık ilkesine uygun olarak yapmalıdır. Yalnızca çalışmaların bilimselliğini, alana katkısını, içeriğinin doğruluğunu, yazım şekil esaslarına ve akademik ölçütlere uygunluğunu değerlendirmelidir. Çalışmada ortaya konan fikirlerin hakemin fikirlerinden farklı olması değerlendirmeyi etkilememelidir.
6. Hakemler raporlarında hakaret içeren, küçümseyici ve itham edici ifadelerden kesinlikle kaçınmalıdır.
7. Hakemler, raporlarında net ve çalışmayla ilgili detaylı ifadeler kullanmalıdırlar. Yayımlanmasını uygun görmedikleri çalışmalarla ilgili değerlendirmelerinde, kararlarının dayandığı eksik ve kusurlu hususları somut bir şekilde göstermelidirler.
8. Hakemler, yazarların çalışmalarında tarafsızlık ilkesine bağlı kalıp kalmadıklarını değerlendirmeli; sadece çalışmanın ileri sürdüğü sonuçları ve çıkarımları destekleyen kaynaklardan değil, diğer bakış açılarını da destekleyen kaynaklardan da yararlandıklarını takip etmelidir.
9. Hakemler en geç 30 gün içinde çalışmaları değerlendirmelidir. Şayet değerlendirme yapmayacaklarsa, hakemlik talebini almayı müteakip 1 hafta içerisinde hakemlik ret kararlarını dergiye bildirmelidirler.
10. Hakemler, değerlendirdikleri makalede herhangi bir çıkar çatışması olduğundan şüphelendiklerinde değerlendirme süreci ile ilgili olarak dergi editörlüğüne bilgi vermeli ve gerekirse makale değerlendirmesini reddetmelidirler.
Editörler İçin
1. Editörler, dergi etik kuralları ve yazım şekil esasları çerçevesinde gönderilen ve alana katkısı olacak çalışmaları değerlendirme sürecine kabul etmelidir.
2. Editörler, kabul veya reddedilen çalışmalar ile herhangi bir çıkar çatışması/ilişkisi içinde olmamalıdır.
3. Editörler bir çalışmayı kabul etmek ya da reddetmek için tüm sorumluluğa ve yetkiye sahiptir.
4. Dergi Yayın Kurulu, Sorumlu Yazı İşleri Müdürü ve Dergi Yayın Sekretaryası dergiye sunulan tüm çalışmaların mahremiyetini yayınlanana kadar temin etmekle yükümlüdür. Çalışmalarla ilgili yazar(lar)ı dışında hiç kimseye bilgi verilemez.
5. Çift kör hakemlik prensibi gereği, hakemlerin ve yazarların isimlerinin karşılıklı olarak gizli tutulması editörlerin sorumluluğudur.
6. Editörler, dergiye gönderilen çalışmaların intihal taramasını değerlendirme süreci başlamadan yapmalı ve intihal oluşumunun önüne geçmek için gerekli çabayı göstermelidir.
7. Dergiye gönderilen çalışmaların intihal taraması, ön inceleme, hakemlik, düzenleme ve yayımlama süreçlerinin vaktinde ve eksiksiz bir şekilde tamamlanması editörlerin görevidir.
8. Editörler dergiye gönderilen çalışmaları kabul/ret ederken araştırma etik kurallara uygunluk ve akademik ölçütlere göre hareket etmelidir.
Price Policy
Savunma Bilimleri Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.
