Research Article
BibTex RIS Cite

GenSent: Genetik Algoritma Tabanlı Topluluk Optimizasyonu Kullanılarak Duygu Analizinin İyileştirilmesi

Year 2026, Volume: 29 Issue: 3 , 1 - 18 , 29.03.2026

Roza Hama Aziz , Nazife Dimililer

https://doi.org/10.2339/politeknik.1705902
https://izlik.org/JA95GM32WC

Abstract

Sosyal medya platformları, kişisel etkileşimlerden fikir paylaşımına ve önemli uluslararası haberlerin yayılmasına kadar her türlü iletişimin birincil ortamıdır. Bununla birlikte, kullanıcılar tarafından oluşturulan metinsel bilginin sürekli artan miktarı, dilin dinamik yapısı, kullanılan ifadelerdeki ince veya gizli nüanslar ve metindeki bağlamsal bağımlılıklar, zamanında ve doğru duygu analizini giderek daha zorlu hale getirmektedir. Duygu analizi kendi başına önemli bir görevdir ve nefret söylemi ve yanlış bilgi tespiti gibi birçok diğer sınıflandırma görevinin ilk adımı olarak da kullanılır. Duygu analizi ve görüş madenciliği üzerine yapılan araştırmaların önemli bir kısmı, sosyal medya içeriklerini olumlu, olumsuz veya nötr olmak üzere üç sınıfa ayırmaya odaklanmıştır. Ancak, birçok pratik alandaki önemlerine rağmen, son derece olumsuz ve son derece olumlu duygular gibi aşırı görüşlerin sınıflandırılması ancak son zamanlarda ilgi görmeye başlamıştır. Bu boşluğu gidermek için, duygu sınıflandırması için yeni bir genetik algoritma tabanlı optimizasyon çerçevesi olan GenSent adlı bir çerçeve öneriyoruz. Genellikle belirli veri kümelerine göre uyarlanan geleneksel yöntemlerin aksine, GenSent, uç duyguları da temsil eden ikili, üçlü ve ince taneli 5 puanlık ölçek sınıflandırmasından çeşitli duygu analizi görevlerine uygulanabilen çok yönlü bir çerçeve sunar. Destek vektör makineleri, Naïve Bayes, Lojistik Regresyon, Karar Ağaçları, Rastgele Ormanlar ve Stokastik Gradyan İniş Algoritmaları dahil olmak üzere çeşitli sınıflandırıcı havuzlarının kullanımıyla GenSent, herhangi bir müdahale olmaksızın güçlü bir topluluk oluşturur. Çerçeve, ikili, üçlü ve ince taneli duygu analizi veri kümeleri, yani SemEval-2017 (Twitter'da Duygu Analizi) görevi (4A, 4B ve 4C) ve Stanford Duygu Ağaç Bankası (SST-2 ve SST-5) kullanılarak değerlendirilir. Önerilen çerçevenin performansı, aynı veri kümelerini kullanan alanda bilinen diğer mevcut yöntemlerle karşılaştırılır. Karşılaştırmalı sonuçlar, GenSent'in mevcut yöntemlerden daha iyi performans gösterdiğini, hesaplama karmaşıklığını azaltırken çeşitli metriklerde duygu sınıflandırmasında önemli iyileştirmeler sağladığını göstermektedir.

Keywords

duygu analizi makine öğrenmesi optimize edilmiş topluluk sınıflandırıcı genetik optimizasyon meta-sezgisel algoritmalar.

References

  • [1] Alarifi, A., Alsaleh, M., and Al-Salman, A., “Twitter turing test: Identifying social machines”, Information Sciences, 372: 332-346, (2016).
  • [2] Öztürk, N., and Ayvaz, S., “Sentiment analysis on Twitter: A text mining approach to the Syrian refugee crisis.”, Telematics and Informatics, 35(1): 136-147, (2018).
  • [3] Liu, B., “Sentiment analysis and opinion mining.”, Synthesis lectures on human language technologies, 5(1): 1-167, (2012).
  • [4] Kour, H., and Gupta, M. K., “Hybrid evolutionary intelligent network for sentiment analysis using Twitter data during COVID‐19 pandemic.”, Expert Systems, 41(3): e13489, (2024).
  • [5] Bird, S., Klein, E., and Loper, E., "Natural language processing with Python: analyzing text with the natural language toolkit.”, O’Reilly Media, Inc., (2009).
  • [6] Pang, B., Lee, L., and Vaithyanathan, S., “Thumbs up?: sentiment classification using machine learning techniques.”, In Proceedings of the ACL-02 conference on Empirical methods in natural language processing- Association for Computational Linguistics, 10: 79-86, (2002).
  • [7] Turney, P. D., “Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews.”, In Proceedings of the 40th annual meeting on association for computational linguistics- Association for Computational Linguistics, 417-424, (2002).
  • [8] Stoyanov, V., & Cardie, C., “Topic identification for fine-grained opinion analysis.”, In Proceedings of the 22nd International Conference on Computational Linguistics, Coling, 817-824, (2008).
  • [9] Kouloumpis, E., Wilson, T., and Moore, J., “Twitter sentiment analysis: The good the bad and the omg!.”, In Fifth International AAAI conference on weblogs and social media, Edinburgh, (2011).
  • [10] Villena-Román, J., Lana-Serrano, S., Martínez-Cámara, E., and González-Cristóbal, J. C., “Tass-workshop on sentiment analysis at sepln.”, Procesamiento del Lenguaje Natural, 50: 37-44, (2013).
  • [11] Go, A., Bhayani, R., & Huang, L., “Twitter sentiment classification using distant supervision.”, CS224N project report, Stanford, 1:12, (2009).
  • [12] Nakov, P., Rosenthal, S., Kozareva, Z., Stoyanov, V., Ritter, A., and Wilson, T., “SemEval-2013 Task 2: Sentiment Analysis in Twitter.”, In Second Joint Conference on Lexical and Computational Semantics (* SEM), Volume 2: Proceedings of the Seventh International Workshop on Semantic Evaluation (SemEval 2013), 312-320, (2013).
  • [13] Rosenthal , S., Ritter , A., Nakov , P., and Stoyanov , V., “SemEval-2014 Task 9: Sentiment Analysis in Twitter.”, In Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014), 73–80, Dublin, Ireland, (2014).
  • [14] Nakov, P., Rosenthal, S., Kiritchenko, S., Mohammad, S. M., Kozareva, Z., Ritter, A., ... & Zhu, X., “Developing a successful SemEval task in sentiment analysis of Twitter and other social media texts.”, Language Resources and Evaluation, 50: 35-65, (2016).
  • [15] Rosenthal, S., Nakov, P., Kiritchenko, S., Mohammad, S., Ritter, A., Stoyanov, V., “SemEval-2015 task 10: Sentiment analysis in Twitter.”, In: Proceedings of the 9th International Workshop on Semantic Evaluation, SemEval '15, 450–462, Denver, Colorado, USA, (2015).
  • [16] Nakov, P., Ritter, A., Rosenthal, S., Sebastiani, F., and Stoyanov, V., “SemEval-2016 task 4: Sentiment analysis in Twitter.”, arXiv preprint arXiv:1912.01973, (2019).
  • [17] Rosenthal, S., Farra, N., and Nakov, P., “SemEval-2017 task 4: Sentiment analysis in Twitter.”, In Proceedings of the 11th international workshop on semantic evaluation (SemEval-2017), 502-518, (2017).
  • [18] Gamal, D., Alfonse, M., M El-Horbaty, E. S., & M Salem, A. B., “Analysis of Machine Learning Algorithms for Opinion Mining in Different Domains.”, Machine Learning and Knowledge Extraction, 1: 224-234, (2019).
  • [19] Liu, X. Y., Zhang, K. Q., Fiumara, G., Meo, P. D., and Ficara, A., “Adaptive Evolutionary Computing Ensemble Learning Model for Sentiment Analysis.”, Applied Sciences, 14: 6802, (2024).
  • [20] Sar-Saifee, B., Tanha, J., & Aeini, M., “A Hybrid Deep Learning Network for Sentiment Analysis on SemEval-2017 Dataset.”, In 2023 28th International Computer Conference, Computer Society of Iran (CSICC), 1-7, IEEE, (2023).
  • [21] Arif, F., and Dulhare, U. N., “A Machine Learning Based Approach for Opinion Mining on Social Network Data.”, In Computer Communication, Networking and Internet Security, 135-147, Springer, Singapore, (2017).
  • [22] Gogna, A., and Tayal, A., “Metaheuristics: review and application.”, Journal of Experimental & Theoretical Artificial Intelligence, 25: 503-526, (2013).
  • [23] Dos Santos, E. M., “Evolutionary algorithms applied to classifier ensemble selection.”, XLIV SBPO/XVI CLAIO, 419-430, (2012).
  • [24] Symeonidis, S., Effrosynidis, D., Kordonis, J., & Arampatzis, A., “DUTH at SemEval-2017 Task 4: a voting classification approach for Twitter sentiment analysis.”, In Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), 704-708, (2017).
  • [25] Hasan, A., Moin, S., Karim, A., and Shamshirband, S., “Machine learning-based sentiment analysis for twitter accounts.”, Mathematical and Computational Applications, 23: 11, (2018).
  • [26] Othman, M., Hassan, H., Moawad, R., and Idrees, A. M., “A linguistic approach for opinionated documents summary.”, Future Computing and Informatics Journal, 3:152-158, (2018).
  • [27] Wang, J., and Dong, A., “A comparison of two text representations for sentiment analysis.”, In 2010 International Conference on Computer Application and System Modeling (ICCASM 2010), 11, V11-35, IEEE, (2010).
  • [28] Kanayama, H., Nasukawa, T., and Watanabe, H., “Deeper sentiment analysis using machine translation technology.”, In COLING 2004: Proceedings of the 20th International Conference on Computational Linguistics, 494-500, (2004).
  • [29] Raychev, V., and Nakov, P., “Language-independent sentiment analysis using subjectivity and positional information.”, arXiv preprint arXiv:1911.12544, (2019).
  • [30] Das, R. K., & Pedersen, D. T., “SemEval-2017 Task 4: Sentiment Analysis in Twitter using BERT.”, arXiv preprint arXiv:2401.07944, (2024).
  • [31] Younesi, R. T., Tanha, J., Namvar, S., and Mostafaei, S. H., “A CNN-BiLSTM based deep learning model to sentiment analysis.”, In 2024 20th CSI International Symposium on Artificial Intelligence and Signal Processing (AISP), 1-6, IEEE, (2024).
  • [32] Dimililer, N., Varoğlu, E., and Altınçay, H., “Vote-based classifier selection for biomedical NER using genetic algorithms.”, In Iberian Conference on Pattern Recognition and Image Analysis, 202-209, Springer, Berlin, Heidelberg, (2007).
  • [33] Dimililer, N., Varoğlu, E., and Altınçay, H., “Classifier subset selection for biomedical named entity recognition.”, Applied Intelligence, 31(3):267-282, (2009).
  • [34] Park, D., and Ahn, C. W., “Self-Supervised Contextual Data Augmentation for Natural Language Processing.”, Symmetry, 11(11): 1393, (2019).
  • [35] Xu, Y., Li, L., Gao, H., Hei, L., Li, R., and Wang, Y., “Sentiment classification with adversarial learning and attention mechanism.”, Computational Intelligence, 37(2): 774-798, (2021).
  • [36] Kasri, M., Birjali, M., and Beni‐Hssane, A., “Word2Sent: A new learning sentiment‐embedding model with low dimension for sentence level sentiment classification.”, Concurrency and Computation: Practice and Experience, 33(9): e6149, (2021).
  • [37] Sadr, H., Solimandarabi, M. N., Pedram, M. M., and Teshnehlab, M., “A Novel Deep Learning Method for Textual Sentiment Analysis.”, arXiv preprint arXiv:2102.11651, (2021).
  • [38] Giménez, M., Palanca, J., and Botti, V., “Semantic-based padding in convolutional neural networks for improving the performance in natural language processing. A case of study in sentiment analysis.”, Neurocomputing, 378: 315-323, (2020).
  • [39] Tripathi, S., Singh, C., Kumar, A., Pandey, C., and Jain, N., “Bidirectional transformer based multi-task learning for natural language understanding.”, In International Conference on Applications of Natural Language to Information Systems, 54-65, Springer, Cham, (2019).
  • [40] Hama Aziz, R. H., and Dimililer, N., “SentiXGboost: enhanced sentiment analysis in social media posts with ensemble XGBoost classifier.”, Journal of the Chinese Institute of Engineers, 1-11, (2021).
  • [41] Kuncheva, L. I., “Combining pattern classifiers: methods and algorithms.”, John Wiley & Sons, (2014).
  • [42] Kirasich, K., Smith, T., and Sadler, B., “Random Forest vs logistic regression: binary classification for heterogeneous datasets.”, SMU Data Science Review, 1(3): 9, (2018).
  • [43] Breiman, L., “Random forests.”, Machine learning, 45(1): 5-32, (2001).
  • [44] Hosmer Jr, D. W., Lemeshow, S., and Sturdivant, R. X., “Applied logistic regression”, John Wiley & Sons, 398, (2013).
  • [45] Al Amrani, Y., Lazaar, M., and El Kadiri, K. E., “Random forest and support vector machine based hybrid approach to sentiment analysis.”, Procedia Computer Science, 127: 511-520, (2018).
  • [46] Kraft, D. H., Petry, F. E., Buckles, B. P., and Sadasivan, T., “The use of genetic programming to build queries for information retrieval.”, In Proceedings of the First IEEE Conference on Evolutionary Computation. IEEE World Congress on Computational Intelligence, 468-473, IEEE, (1994).
  • [47] Martin-Bautista, M. J., Larsen, H. L., Nicolaisen, J., and Svendsen, T., “An approach to an adaptive information retrieval agent using genetic algorithms with fuzzy set genes.”, In Proceedings of 6th International Fuzzy Systems Conference, 3: 1227-1232, IEEE, (1997).
  • [48] Ishaq, A., Asghar, S., and Gillani, S. A., “Aspect-Based Sentiment Analysis Using a Hybridized Approach Based on CNN and GA.”, IEEE Access, 8: 135499-135512, (2020).
  • [49] Cahya, R. A., Adimanggala, D., and Supianto, A. A., “Deep Feature Weighting Based on Genetic Algorithm and Naïve Bayes for Twitter Sentiment Analysis.”, In 2019 International Conference on Sustainable Information Engineering and Technology (SIET), 326-331, IEEE, (2019).
  • [50] Iqbal, F., Hashmi, J. M., Fung, B. C., Batool, R., Khattak, A. M., Aleem, S., and Hung, P. C., “A hybrid framework for sentiment analysis using genetic algorithm based feature reduction.”, IEEE Access, 7: 14637-14652, (2019).
  • [51] Fatyanosa, T. N., Bachtiar, F. A., and Data, M., “Feature Selection using Variable Length Chromosome Genetic Algorithm for Sentiment Analysis.”, In 2018 International Conference on Sustainable Information Engineering and Technology (SIET), 27-32, IEEE, (2018).
  • [52] Keshavarz, H., Abadeh, M. S., and Almasi, M., “A new lexicon learning algorithm for sentiment analysis of big data.”, In 2017 IEEE 15th International Symposium on Intelligent Systems and Informatics (SISY), 000249-000254, IEEE, (2017).
  • [53] Saidani, F. R., and Rassoul, I., “A weighted genetic approach for feature selection in sentiment analysis.”, International Journal of Computational Intelligence and Applications, 16(02): 1750013, (2017).
  • [54] Baziotis, C., Pelekis, N., and Doulkeridis, C., “Datastories at semeval-2017 task 4: Deep lstm with attention for message-level and topic-based sentiment analysis.”, In Proceedings of the 11th international workshop on semantic evaluation (SemEval-2017), 747-754, (2017).
  • [55] Cliche, M., “Bb_twtr at semeval-2017 task 4: Twitter sentiment analysis with cnns and lstms.”, arXiv preprint, arXiv:1704.06125, (2017).
  • [56] Kolovou, A., Kokkinos, F., Fergadis, A., Papalampidi, P., Iosif, E., Malandrakis, N., Palogiannidi, E., Papageorgiou, H., Narayanan, S. and Potamianos, A., “Tweester at SemEval-2017 Task 4: Fusion of Semantic-Affective and pairwise classification models for sentiment analysis in Twitter.”, In Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), 675-682, (2017).
  • [57] Yadav, N., Kudale, O., Gupta, S., Rao, A., and Shitole, A., “Twitter Sentiment Analysis Using Machine Learning for Product Evaluation.”, In 2020 International Conference on Inventive Computation Technologies (ICICT), 181-185, IEEE, (2020).
  • [58] Moh, M., Gajjala, A., Gangireddy, S. C. R., and Moh, T. S., “On multi-tier sentiment analysis using supervised machine learning.”, In 2015 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT), 1: 341-344, IEEE, (2015).
  • [59] Dong, Y., Fu, Y., Wang, L., Chen, Y., Dong, Y., and Li, J., “A sentiment analysis method of capsule network based on BiLSTM.”, IEEE Access, 8: 37014-37020, (2020).
  • [60] Hassan, A., and Mahmood, A., “Deep learning approach for sentiment analysis of short texts.”, In 2017 3rd international conference on control, automation and robotics (ICCAR), 705-710, IEEE, (2017).
  • [61] Li, W., Zhu, L., Shi, Y., Guo, K., and Zheng, Y., “User reviews: Sentiment analysis using lexicon integrated two-channel CNN-LSTM family models.”, Applied Soft Computing, 106435, (2020).
  • [62] Hiyama, Y., and Yanagimoto, H., “Word polarity attention in sentiment analysis.”, Artificial Life and Robotics, 23(3): 311-315, (2018).
  • [63] Baktha, K., and Tripathy, B. K., “Investigation of recurrent neural networks in the field of sentiment analysis.”. In 2017 International Conference on Communication and Signal Processing (ICCSP), 2047-2050, IEEE, (2017).
  • [64] Chen, T., Xu, R., He, Y., and Wang, X., “Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN.”, Expert Systems with Applications, 72: 221-230, (2017).
  • [65] Sadr, H., Pedram, M. M., and Teshnehlab, M., “A robust sentiment analysis method based on sequential combination of convolutional and recursive neural networks.”, Neural Processing Letters, 50(3): 2745-2761, (2019).
  • [66] Lu, Y., Rao, Y., Yang, J., and Yin, J., “Incorporating Lexicons into LSTM for sentiment classification.’, In 2018 International joint conference on neural networks (IJCNN), 1-7, IEEE, (2018).
  • [67] Lei, Z., Yang, Y., and Yang, M. , SAAN: A sentiment-aware attention network for sentiment analysis. In The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval 1197-1200. (2018).
  • [68] George, C. S., and Sumathi, B., “Genetic Algorithm Based Hybrid Model of Convolutional Neural Network And Random Forest Classifier For Sentiment Classification.”, Turkish Journal of Computer and Mathematics Education, 12(2): 3216-3223, (2021).
  • [69] Huang, J. Y., Tung, C. L., and Lin, W. Z., “Using social network sentiment analysis and genetic algorithm to improve the stock prediction accuracy of the deep learning-based approach.”, International Journal of Computational Intelligence Systems, 16(1): 93, (2023).
  • [70] Jain, A., and Jain, V., “Sentiment classification using hybrid feature selection and ensemble classifier.”, Journal of Intelligent & Fuzzy Systems, 42(2): 659-668, (2022).
  • [71] Nkhata, G., & Gauch, S.," Fine-tuning BERT with Bidirectional LSTM for Find-Grained Movie Reviews Sentiment Analysis". International Journal On Advances in Systems and Measurements. (2023)
  • [72] Wang, J., Zhang, Y., Yu, L. C., and Zhang, X., “Contextual sentiment embeddings via bi-directional GRU language model.”, Knowledge-Based Systems, 235: 107663, (2022).
  • [73] Cao, B., Jiang, K., and Fan, J., “SLaNT: A Semi-supervised Label Noise-Tolerant Framework for Text Sentiment Analysis.”, In Proceedings of the International AAAI Conference on Web and Social Media, 18: 191-202, (2024).
  • [74] Aydın, N., Erdem, O. A., and Tekerek, A., “Comparative analysis of traditional machine learning and transformer-based deep learning models for text classification.”, Journal of Polytechnic (Politeknik Dergisi), 28(2): 445-452, (2025).
  • [75] Tunç, Ü., Atalar, E., Gargı, M. S., and Aydın, Z. E., “Classification of fake, bot, and real accounts on instagram using machine learning.”, Politeknik Dergisi, 27(2): 479-488, (2022).
  • [76] [76] Hassanat, A., Almohammadi, K., Alkafaween, E. A., Abunawas, E., Hammouri, A., and Prasath, V. S., “Choosing mutation and crossover ratios for genetic algorithms—a review with a new dynamic approach.”, Information, 10(12): 390, (2019).
  • [77] Azedou, A., Amine, A., Kisekka, I., and Lahssini, S., “Genetic algorithm optimization of ensemble learning approach for improved land cover and land use mapping: Application to Talassemtane National Park.”, Ecological Indicators, 177: 113776, (2025).
  • [78] Huang, J. Y., Tung, C. L., and Lin, W. Z., “Using social network sentiment analysis and genetic algorithm to improve the stock prediction accuracy of the deep learning-based approach.”, International Journal of Computational Intelligence Systems, 16(1): 93, (2023).
  • [79] Demirel, U., and Çam, H., “Investigation of fluctuations incryptocurrency transactions with sentiment analysis.” Politeknik Dergisi, 28(3): 773–784, (2025).
  • [80] Aziz, R. H. H., and Dimililer, N., “Twitter sentiment analysis using an ensemble weighted majority vote classifier.”, In 2020 International Conference on Advanced Science and Engineering (ICOASE), 103-109, IEEE, (2020).

GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization

Year 2026, Volume: 29 Issue: 3 , 1 - 18 , 29.03.2026

Roza Hama Aziz , Nazife Dimililer

https://doi.org/10.2339/politeknik.1705902
https://izlik.org/JA95GM32WC

Abstract

Social media platforms are currently the primary medium of all types of communication from personal interactions, and opinion sharing to the dissemination of important international news. However, the ever-increasing amount of user-generated textual information coupled with the dynamic nature of the language, subtle or hidden nuances in expressions used, and contextual dependencies in text, renders timely and accurate sentiment analysis increasingly challenging. Sentiment analysis is an important task in its own right and is also used as the first step of many other classification tasks such as hate speech and misinformation detection. A significant portion of research on sentiment analysis and opinion mining has concentrated on categorizing social media content into three classifications: positive, negative, or neutral. However, despite their importance across numerous practical domains, the classification of extreme opinions, such as highly negative and highly positive sentiments, has only recently gained attention. To address this gap, we propose a framework, GenSent, a novel genetic algorithm-based optimization framework for sentiment classification. Unlike traditional methods that are often tailored to specific datasets, GenSent provides a versatile framework applicable to diverse sentiment analysis tasks from binary, ternary, and fine-grained 5-point scale classification that represents extreme sentiments as well. Through the use of a diverse pool of classifiers including support vector machines, Naïve Bayes, Logistic Regression, Decision Trees, Random Forests, and Stochastic Gradient Descent Algorithms, GenSent effectively builds a robust ensemble without any intervention. The framework is evaluated using binary, ternary, and fine-grained sentiment analysis datasets, namely, SemEval-2017 (Sentiment Analysis in Twitter) task (4A, 4B, and 4C) and Stanford Sentiment Treebank (SST-2 and SST-5). The performance of the proposed framework is compared with other existing well-known methods in the field using the same datasets. Comparative results demonstrate that GenSent outperforms existing methods, achieving significant improvements in sentiment classification across various metrics while reducing the computational complexity.

Keywords

sentiment analysis machine learning optimized ensemble classifier genetic optimization meta-heuristic algorithms.

References

  • [1] Alarifi, A., Alsaleh, M., and Al-Salman, A., “Twitter turing test: Identifying social machines”, Information Sciences, 372: 332-346, (2016).
  • [2] Öztürk, N., and Ayvaz, S., “Sentiment analysis on Twitter: A text mining approach to the Syrian refugee crisis.”, Telematics and Informatics, 35(1): 136-147, (2018).
  • [3] Liu, B., “Sentiment analysis and opinion mining.”, Synthesis lectures on human language technologies, 5(1): 1-167, (2012).
  • [4] Kour, H., and Gupta, M. K., “Hybrid evolutionary intelligent network for sentiment analysis using Twitter data during COVID‐19 pandemic.”, Expert Systems, 41(3): e13489, (2024).
  • [5] Bird, S., Klein, E., and Loper, E., "Natural language processing with Python: analyzing text with the natural language toolkit.”, O’Reilly Media, Inc., (2009).
  • [6] Pang, B., Lee, L., and Vaithyanathan, S., “Thumbs up?: sentiment classification using machine learning techniques.”, In Proceedings of the ACL-02 conference on Empirical methods in natural language processing- Association for Computational Linguistics, 10: 79-86, (2002).
  • [7] Turney, P. D., “Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews.”, In Proceedings of the 40th annual meeting on association for computational linguistics- Association for Computational Linguistics, 417-424, (2002).
  • [8] Stoyanov, V., & Cardie, C., “Topic identification for fine-grained opinion analysis.”, In Proceedings of the 22nd International Conference on Computational Linguistics, Coling, 817-824, (2008).
  • [9] Kouloumpis, E., Wilson, T., and Moore, J., “Twitter sentiment analysis: The good the bad and the omg!.”, In Fifth International AAAI conference on weblogs and social media, Edinburgh, (2011).
  • [10] Villena-Román, J., Lana-Serrano, S., Martínez-Cámara, E., and González-Cristóbal, J. C., “Tass-workshop on sentiment analysis at sepln.”, Procesamiento del Lenguaje Natural, 50: 37-44, (2013).
  • [11] Go, A., Bhayani, R., & Huang, L., “Twitter sentiment classification using distant supervision.”, CS224N project report, Stanford, 1:12, (2009).
  • [12] Nakov, P., Rosenthal, S., Kozareva, Z., Stoyanov, V., Ritter, A., and Wilson, T., “SemEval-2013 Task 2: Sentiment Analysis in Twitter.”, In Second Joint Conference on Lexical and Computational Semantics (* SEM), Volume 2: Proceedings of the Seventh International Workshop on Semantic Evaluation (SemEval 2013), 312-320, (2013).
  • [13] Rosenthal , S., Ritter , A., Nakov , P., and Stoyanov , V., “SemEval-2014 Task 9: Sentiment Analysis in Twitter.”, In Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014), 73–80, Dublin, Ireland, (2014).
  • [14] Nakov, P., Rosenthal, S., Kiritchenko, S., Mohammad, S. M., Kozareva, Z., Ritter, A., ... & Zhu, X., “Developing a successful SemEval task in sentiment analysis of Twitter and other social media texts.”, Language Resources and Evaluation, 50: 35-65, (2016).
  • [15] Rosenthal, S., Nakov, P., Kiritchenko, S., Mohammad, S., Ritter, A., Stoyanov, V., “SemEval-2015 task 10: Sentiment analysis in Twitter.”, In: Proceedings of the 9th International Workshop on Semantic Evaluation, SemEval '15, 450–462, Denver, Colorado, USA, (2015).
  • [16] Nakov, P., Ritter, A., Rosenthal, S., Sebastiani, F., and Stoyanov, V., “SemEval-2016 task 4: Sentiment analysis in Twitter.”, arXiv preprint arXiv:1912.01973, (2019).
  • [17] Rosenthal, S., Farra, N., and Nakov, P., “SemEval-2017 task 4: Sentiment analysis in Twitter.”, In Proceedings of the 11th international workshop on semantic evaluation (SemEval-2017), 502-518, (2017).
  • [18] Gamal, D., Alfonse, M., M El-Horbaty, E. S., & M Salem, A. B., “Analysis of Machine Learning Algorithms for Opinion Mining in Different Domains.”, Machine Learning and Knowledge Extraction, 1: 224-234, (2019).
  • [19] Liu, X. Y., Zhang, K. Q., Fiumara, G., Meo, P. D., and Ficara, A., “Adaptive Evolutionary Computing Ensemble Learning Model for Sentiment Analysis.”, Applied Sciences, 14: 6802, (2024).
  • [20] Sar-Saifee, B., Tanha, J., & Aeini, M., “A Hybrid Deep Learning Network for Sentiment Analysis on SemEval-2017 Dataset.”, In 2023 28th International Computer Conference, Computer Society of Iran (CSICC), 1-7, IEEE, (2023).
  • [21] Arif, F., and Dulhare, U. N., “A Machine Learning Based Approach for Opinion Mining on Social Network Data.”, In Computer Communication, Networking and Internet Security, 135-147, Springer, Singapore, (2017).
  • [22] Gogna, A., and Tayal, A., “Metaheuristics: review and application.”, Journal of Experimental & Theoretical Artificial Intelligence, 25: 503-526, (2013).
  • [23] Dos Santos, E. M., “Evolutionary algorithms applied to classifier ensemble selection.”, XLIV SBPO/XVI CLAIO, 419-430, (2012).
  • [24] Symeonidis, S., Effrosynidis, D., Kordonis, J., & Arampatzis, A., “DUTH at SemEval-2017 Task 4: a voting classification approach for Twitter sentiment analysis.”, In Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), 704-708, (2017).
  • [25] Hasan, A., Moin, S., Karim, A., and Shamshirband, S., “Machine learning-based sentiment analysis for twitter accounts.”, Mathematical and Computational Applications, 23: 11, (2018).
  • [26] Othman, M., Hassan, H., Moawad, R., and Idrees, A. M., “A linguistic approach for opinionated documents summary.”, Future Computing and Informatics Journal, 3:152-158, (2018).
  • [27] Wang, J., and Dong, A., “A comparison of two text representations for sentiment analysis.”, In 2010 International Conference on Computer Application and System Modeling (ICCASM 2010), 11, V11-35, IEEE, (2010).
  • [28] Kanayama, H., Nasukawa, T., and Watanabe, H., “Deeper sentiment analysis using machine translation technology.”, In COLING 2004: Proceedings of the 20th International Conference on Computational Linguistics, 494-500, (2004).
  • [29] Raychev, V., and Nakov, P., “Language-independent sentiment analysis using subjectivity and positional information.”, arXiv preprint arXiv:1911.12544, (2019).
  • [30] Das, R. K., & Pedersen, D. T., “SemEval-2017 Task 4: Sentiment Analysis in Twitter using BERT.”, arXiv preprint arXiv:2401.07944, (2024).
  • [31] Younesi, R. T., Tanha, J., Namvar, S., and Mostafaei, S. H., “A CNN-BiLSTM based deep learning model to sentiment analysis.”, In 2024 20th CSI International Symposium on Artificial Intelligence and Signal Processing (AISP), 1-6, IEEE, (2024).
  • [32] Dimililer, N., Varoğlu, E., and Altınçay, H., “Vote-based classifier selection for biomedical NER using genetic algorithms.”, In Iberian Conference on Pattern Recognition and Image Analysis, 202-209, Springer, Berlin, Heidelberg, (2007).
  • [33] Dimililer, N., Varoğlu, E., and Altınçay, H., “Classifier subset selection for biomedical named entity recognition.”, Applied Intelligence, 31(3):267-282, (2009).
  • [34] Park, D., and Ahn, C. W., “Self-Supervised Contextual Data Augmentation for Natural Language Processing.”, Symmetry, 11(11): 1393, (2019).
  • [35] Xu, Y., Li, L., Gao, H., Hei, L., Li, R., and Wang, Y., “Sentiment classification with adversarial learning and attention mechanism.”, Computational Intelligence, 37(2): 774-798, (2021).
  • [36] Kasri, M., Birjali, M., and Beni‐Hssane, A., “Word2Sent: A new learning sentiment‐embedding model with low dimension for sentence level sentiment classification.”, Concurrency and Computation: Practice and Experience, 33(9): e6149, (2021).
  • [37] Sadr, H., Solimandarabi, M. N., Pedram, M. M., and Teshnehlab, M., “A Novel Deep Learning Method for Textual Sentiment Analysis.”, arXiv preprint arXiv:2102.11651, (2021).
  • [38] Giménez, M., Palanca, J., and Botti, V., “Semantic-based padding in convolutional neural networks for improving the performance in natural language processing. A case of study in sentiment analysis.”, Neurocomputing, 378: 315-323, (2020).
  • [39] Tripathi, S., Singh, C., Kumar, A., Pandey, C., and Jain, N., “Bidirectional transformer based multi-task learning for natural language understanding.”, In International Conference on Applications of Natural Language to Information Systems, 54-65, Springer, Cham, (2019).
  • [40] Hama Aziz, R. H., and Dimililer, N., “SentiXGboost: enhanced sentiment analysis in social media posts with ensemble XGBoost classifier.”, Journal of the Chinese Institute of Engineers, 1-11, (2021).
  • [41] Kuncheva, L. I., “Combining pattern classifiers: methods and algorithms.”, John Wiley & Sons, (2014).
  • [42] Kirasich, K., Smith, T., and Sadler, B., “Random Forest vs logistic regression: binary classification for heterogeneous datasets.”, SMU Data Science Review, 1(3): 9, (2018).
  • [43] Breiman, L., “Random forests.”, Machine learning, 45(1): 5-32, (2001).
  • [44] Hosmer Jr, D. W., Lemeshow, S., and Sturdivant, R. X., “Applied logistic regression”, John Wiley & Sons, 398, (2013).
  • [45] Al Amrani, Y., Lazaar, M., and El Kadiri, K. E., “Random forest and support vector machine based hybrid approach to sentiment analysis.”, Procedia Computer Science, 127: 511-520, (2018).
  • [46] Kraft, D. H., Petry, F. E., Buckles, B. P., and Sadasivan, T., “The use of genetic programming to build queries for information retrieval.”, In Proceedings of the First IEEE Conference on Evolutionary Computation. IEEE World Congress on Computational Intelligence, 468-473, IEEE, (1994).
  • [47] Martin-Bautista, M. J., Larsen, H. L., Nicolaisen, J., and Svendsen, T., “An approach to an adaptive information retrieval agent using genetic algorithms with fuzzy set genes.”, In Proceedings of 6th International Fuzzy Systems Conference, 3: 1227-1232, IEEE, (1997).
  • [48] Ishaq, A., Asghar, S., and Gillani, S. A., “Aspect-Based Sentiment Analysis Using a Hybridized Approach Based on CNN and GA.”, IEEE Access, 8: 135499-135512, (2020).
  • [49] Cahya, R. A., Adimanggala, D., and Supianto, A. A., “Deep Feature Weighting Based on Genetic Algorithm and Naïve Bayes for Twitter Sentiment Analysis.”, In 2019 International Conference on Sustainable Information Engineering and Technology (SIET), 326-331, IEEE, (2019).
  • [50] Iqbal, F., Hashmi, J. M., Fung, B. C., Batool, R., Khattak, A. M., Aleem, S., and Hung, P. C., “A hybrid framework for sentiment analysis using genetic algorithm based feature reduction.”, IEEE Access, 7: 14637-14652, (2019).
  • [51] Fatyanosa, T. N., Bachtiar, F. A., and Data, M., “Feature Selection using Variable Length Chromosome Genetic Algorithm for Sentiment Analysis.”, In 2018 International Conference on Sustainable Information Engineering and Technology (SIET), 27-32, IEEE, (2018).
  • [52] Keshavarz, H., Abadeh, M. S., and Almasi, M., “A new lexicon learning algorithm for sentiment analysis of big data.”, In 2017 IEEE 15th International Symposium on Intelligent Systems and Informatics (SISY), 000249-000254, IEEE, (2017).
  • [53] Saidani, F. R., and Rassoul, I., “A weighted genetic approach for feature selection in sentiment analysis.”, International Journal of Computational Intelligence and Applications, 16(02): 1750013, (2017).
  • [54] Baziotis, C., Pelekis, N., and Doulkeridis, C., “Datastories at semeval-2017 task 4: Deep lstm with attention for message-level and topic-based sentiment analysis.”, In Proceedings of the 11th international workshop on semantic evaluation (SemEval-2017), 747-754, (2017).
  • [55] Cliche, M., “Bb_twtr at semeval-2017 task 4: Twitter sentiment analysis with cnns and lstms.”, arXiv preprint, arXiv:1704.06125, (2017).
  • [56] Kolovou, A., Kokkinos, F., Fergadis, A., Papalampidi, P., Iosif, E., Malandrakis, N., Palogiannidi, E., Papageorgiou, H., Narayanan, S. and Potamianos, A., “Tweester at SemEval-2017 Task 4: Fusion of Semantic-Affective and pairwise classification models for sentiment analysis in Twitter.”, In Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), 675-682, (2017).
  • [57] Yadav, N., Kudale, O., Gupta, S., Rao, A., and Shitole, A., “Twitter Sentiment Analysis Using Machine Learning for Product Evaluation.”, In 2020 International Conference on Inventive Computation Technologies (ICICT), 181-185, IEEE, (2020).
  • [58] Moh, M., Gajjala, A., Gangireddy, S. C. R., and Moh, T. S., “On multi-tier sentiment analysis using supervised machine learning.”, In 2015 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT), 1: 341-344, IEEE, (2015).
  • [59] Dong, Y., Fu, Y., Wang, L., Chen, Y., Dong, Y., and Li, J., “A sentiment analysis method of capsule network based on BiLSTM.”, IEEE Access, 8: 37014-37020, (2020).
  • [60] Hassan, A., and Mahmood, A., “Deep learning approach for sentiment analysis of short texts.”, In 2017 3rd international conference on control, automation and robotics (ICCAR), 705-710, IEEE, (2017).
  • [61] Li, W., Zhu, L., Shi, Y., Guo, K., and Zheng, Y., “User reviews: Sentiment analysis using lexicon integrated two-channel CNN-LSTM family models.”, Applied Soft Computing, 106435, (2020).
  • [62] Hiyama, Y., and Yanagimoto, H., “Word polarity attention in sentiment analysis.”, Artificial Life and Robotics, 23(3): 311-315, (2018).
  • [63] Baktha, K., and Tripathy, B. K., “Investigation of recurrent neural networks in the field of sentiment analysis.”. In 2017 International Conference on Communication and Signal Processing (ICCSP), 2047-2050, IEEE, (2017).
  • [64] Chen, T., Xu, R., He, Y., and Wang, X., “Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN.”, Expert Systems with Applications, 72: 221-230, (2017).
  • [65] Sadr, H., Pedram, M. M., and Teshnehlab, M., “A robust sentiment analysis method based on sequential combination of convolutional and recursive neural networks.”, Neural Processing Letters, 50(3): 2745-2761, (2019).
  • [66] Lu, Y., Rao, Y., Yang, J., and Yin, J., “Incorporating Lexicons into LSTM for sentiment classification.’, In 2018 International joint conference on neural networks (IJCNN), 1-7, IEEE, (2018).
  • [67] Lei, Z., Yang, Y., and Yang, M. , SAAN: A sentiment-aware attention network for sentiment analysis. In The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval 1197-1200. (2018).
  • [68] George, C. S., and Sumathi, B., “Genetic Algorithm Based Hybrid Model of Convolutional Neural Network And Random Forest Classifier For Sentiment Classification.”, Turkish Journal of Computer and Mathematics Education, 12(2): 3216-3223, (2021).
  • [69] Huang, J. Y., Tung, C. L., and Lin, W. Z., “Using social network sentiment analysis and genetic algorithm to improve the stock prediction accuracy of the deep learning-based approach.”, International Journal of Computational Intelligence Systems, 16(1): 93, (2023).
  • [70] Jain, A., and Jain, V., “Sentiment classification using hybrid feature selection and ensemble classifier.”, Journal of Intelligent & Fuzzy Systems, 42(2): 659-668, (2022).
  • [71] Nkhata, G., & Gauch, S.," Fine-tuning BERT with Bidirectional LSTM for Find-Grained Movie Reviews Sentiment Analysis". International Journal On Advances in Systems and Measurements. (2023)
  • [72] Wang, J., Zhang, Y., Yu, L. C., and Zhang, X., “Contextual sentiment embeddings via bi-directional GRU language model.”, Knowledge-Based Systems, 235: 107663, (2022).
  • [73] Cao, B., Jiang, K., and Fan, J., “SLaNT: A Semi-supervised Label Noise-Tolerant Framework for Text Sentiment Analysis.”, In Proceedings of the International AAAI Conference on Web and Social Media, 18: 191-202, (2024).
  • [74] Aydın, N., Erdem, O. A., and Tekerek, A., “Comparative analysis of traditional machine learning and transformer-based deep learning models for text classification.”, Journal of Polytechnic (Politeknik Dergisi), 28(2): 445-452, (2025).
  • [75] Tunç, Ü., Atalar, E., Gargı, M. S., and Aydın, Z. E., “Classification of fake, bot, and real accounts on instagram using machine learning.”, Politeknik Dergisi, 27(2): 479-488, (2022).
  • [76] [76] Hassanat, A., Almohammadi, K., Alkafaween, E. A., Abunawas, E., Hammouri, A., and Prasath, V. S., “Choosing mutation and crossover ratios for genetic algorithms—a review with a new dynamic approach.”, Information, 10(12): 390, (2019).
  • [77] Azedou, A., Amine, A., Kisekka, I., and Lahssini, S., “Genetic algorithm optimization of ensemble learning approach for improved land cover and land use mapping: Application to Talassemtane National Park.”, Ecological Indicators, 177: 113776, (2025).
  • [78] Huang, J. Y., Tung, C. L., and Lin, W. Z., “Using social network sentiment analysis and genetic algorithm to improve the stock prediction accuracy of the deep learning-based approach.”, International Journal of Computational Intelligence Systems, 16(1): 93, (2023).
  • [79] Demirel, U., and Çam, H., “Investigation of fluctuations incryptocurrency transactions with sentiment analysis.” Politeknik Dergisi, 28(3): 773–784, (2025).
  • [80] Aziz, R. H. H., and Dimililer, N., “Twitter sentiment analysis using an ensemble weighted majority vote classifier.”, In 2020 International Conference on Advanced Science and Engineering (ICOASE), 103-109, IEEE, (2020).
There are 80 citations in total.

Details

Primary Language English
Subjects Machine Learning (Other), Computer System Software
Journal Section Research Article
Authors

Roza Hama Aziz 0000-0002-8861-4132

Nazife Dimililer

Submission Date May 25, 2025
Acceptance Date September 28, 2025
Early Pub Date October 26, 2025
Publication Date March 29, 2026
DOI https://doi.org/10.2339/politeknik.1705902
IZ https://izlik.org/JA95GM32WC
Published in Issue Year 2026 Volume: 29 Issue: 3

Cite

APA Hama Aziz, R., & Dimililer, N. (2026). GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization. Politeknik Dergisi, 29(3), 1-18. https://doi.org/10.2339/politeknik.1705902
AMA 1.Hama Aziz R, Dimililer N. GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization. Politeknik Dergisi. 2026;29(3):1-18. doi:10.2339/politeknik.1705902
Chicago Hama Aziz, Roza, and Nazife Dimililer. 2026. “GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization”. Politeknik Dergisi 29 (3): 1-18. https://doi.org/10.2339/politeknik.1705902.
EndNote Hama Aziz R, Dimililer N (March 1, 2026) GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization. Politeknik Dergisi 29 3 1–18.
IEEE [1]R. Hama Aziz and N. Dimililer, “GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization”, Politeknik Dergisi, vol. 29, no. 3, pp. 1–18, Mar. 2026, doi: 10.2339/politeknik.1705902.
ISNAD Hama Aziz, Roza - Dimililer, Nazife. “GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization”. Politeknik Dergisi 29/3 (March 1, 2026): 1-18. https://doi.org/10.2339/politeknik.1705902.
JAMA 1.Hama Aziz R, Dimililer N. GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization. Politeknik Dergisi. 2026;29:1–18.
MLA Hama Aziz, Roza, and Nazife Dimililer. “GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization”. Politeknik Dergisi, vol. 29, no. 3, Mar. 2026, pp. 1-18, doi:10.2339/politeknik.1705902.
Vancouver 1.Roza Hama Aziz, Nazife Dimililer. GenSent: Improving Sentiment Analysis Using Genetic Algorithm-Based Ensemble Optimization. Politeknik Dergisi. 2026 Mar. 1;29(3):1-18. doi:10.2339/politeknik.1705902

Aim & Scope

 Temel mühendislik alanlarındaki hem deneysel hem de kuramsal çalışmaların yer aldığı dergimiz, mühendisliğin hızla gelişen alanlarına ilişkin makalelerin yayınına öncelik tanır ve disiplinlerarası yöntem ve teknolojiler üzerine yoğunlaşmayı,mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergiye gönderilen bilimsel çalışmaların yayımlanmış veya sözlü veya poster sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.


“Politeknik Dergisi" temel mühendislik konularını kapsayan bir dergidir. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.

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 vb. uzantılı e-posta hesapları kullanılmamalıdır).

Dergimize ait herhangi bir ŞABLON formatı  bulunmamaktadır. İlk gönderi için makalelerin aşağıdaki kurallara göre hazırlanması gerekmektedir. 

Gazi Üniversitesi Politeknik Dergisi, Fen ve Mühendislik alanlarında çalışan bilim insanları arasındaki bilimsel iletişimi oluşturmak amacıyla, bilimsel özgün makaleleri Türkçe veya İngilizce olarak kabul etmektedir.

Araştırma Makalesi: Orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan çalışmalar,

Tarama Makalesi: Yeterli sayıda bilimsel makaleyi tarayıp, konuyu günümüzün bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bu bulguları karşılaştırarak yorumlayan yazılar,

Teknik Not: Yapılan bir araştırmanın önemli bulgularını açıklayan yeni bir yöntem veya teknik tanımlayan yazılar. 

Bütün yazıların Telif Hakkı Devir Formu, makalenin bütün yazarları tarafından doldurulup editörlüğe iletilmelidir. Telif Hakkı Devir Formu göndermeyen yazarların yayınları işleme konulmaz. Yayınlanmasına karar verilen makaleler üzerine yazarlar tarafından sonradan hiçbir eklenti yapılamaz.

Her makale en az iki hakeme gönderilerek şekil ve içerik bakımından incelenir. Dergide yayınlanabilecek nitelikteki olduğu belirlenen makalelerin dizgisi yapılarak yayına hazır hale getirilir.

SUNUŞ

İlk gönderi esnasında, makalenin yazar(lar)ı tarafından benzerlik taraması yapılarak benzerlik oranını gösteren raporun makale ile birlikte yüklenmesi gerekmektedir. Detaylı bilgi için tıklayınız.

Her makalede yapılan çalışmanın özetlendiği bir Özet Sayfası bulunmalıdır. (Bu sayfa makalenin ilk sayfası olacak şekilde makalenizi tek dosya halinde gönderiniz). Özet sayfasına ait şablon dosyaya ulaşmak için tıklayınız.

1. METİN : Times New Roman yazı karakterinde ve 12 pt olacak şekilde yazılmalı, kaynaklar ve şekiller dahil tarama yazıları dışında 20 sayfayı geçmemelidir. Yazarlar makalelerinin ne türde bir yazı olduğunu belirtmelidirler.

2. BAŞLIK : Eserin başlığı, ilk harfleri büyük olacak şekilde Türkçe ve İngilizce olarak yazılmalı, başlık metne uygun, kısa ve açık olmalıdır.

Metin içerisindeki 1. derece başlıkların tamamı büyük harfle, 2. derece başlıkların tüm kelimelerinin ilk harfleri büyük harfle ve 3. ve daha alt başlıklar için başlığın yalnızca ilk kelimesi büyük harfle olacak şekilde yazılmalıdır (Metin içerisinde kullanılan başlıkların ve alt başlıkların tümünün İngilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmalıdır)

3. ÖZET : 200 kelimeyi geçmeyecek şekilde Türkçe ve İngilizce yazılmalıdır. İngilizce özetin başına eserin başlığı da ingilizce olarak yazılmalıdır.

4. ANAHTAR KELİMELER : En az 3 en fazla 5 adet Türkçe/ İngilizce olarak verilmelidir.

5. METİN : Genel olarak giriş, yöntem, bulgular, sonuç ve tartışmaya ilişkin kısımları kapsar.

6. KAYNAKLAR : Metinde parantez içerisindeki [1], [2] vb. rakamlarla numaralandırılmalı ve metin sonunda da eser içinde veriliş sırasına göre yazılmalıdır.

Kaynak bir makale ise: Yazarın soyadı adının baş harfi, tırnak içerisinde makalenin tam başlığı, derginin adı (varsa uluslararası kısaltmaları), cilt no: makalenin başlangıç ve bitiş sayfa no, (yıl)

Örnek: Sözen A., Özbaş E., Menlik T., Çakır M. T., Gürü M. and Boran K., ''Improving the thermal performance of diffusion absorption refrigeration system with alumina nanofluids'', International Journal of Refrigeration, 44: 73-80, (2014)

Kaynak bir kitap ise: Yazarın soyadı adının başharfi, tırnak içerisinde kitabın adı, cilt no, varsa editörü, yayınevinin adı, yayın no, yayınlandığı yer, (yıl).

Kaynak kitaptan bir bölüm ise: Bölüm yazarının soyadı adının başharfi, tırnak içerisinde bölümün adı, bölümün alındığı kitabın adı, yayınevinin adı, yayınlandığı yer, (yıl).

Kaynak basılmış tez ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tezin adı, cinsi (yüksek lisans, doktora), sunulduğu üniversite ve enstitüsü, (yıl).

Kaynak kongreden alınmış tebliğ ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tebliğin adı, kongrenin adı, yapıldığı yer, tebliğin başlangıç ve bitiş sayfa no, (yıl).

Kaynak bir standart ise: Standardın numarası, tırnak içerisinde standardın adı, (yıl).

7. ÇİZELGE VE ŞEKİLLER: Çizelge içermeyen bütün görüntüler (fotoğraf, çizim, diyagram, grafik, harita vs.) şekil olarak isimlendirilmelidir. Her bir çizelge ve şekil, metin içinde gireceği yere yerleştirilmelidir. Bütün şekiller metin içinde ardışık olarak numaralandırılmalıdır (Metin içerisinde kullanılan Çizelge ve Şekillerin tümünün ingilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmaldır).

8. FORMÜLLER VE BİRİMLER: Metin içerisindeki tüm formüller equation formatında yazılmalıdır. Formüllere (1), (2) şeklinde sıra numarası verilmelidir. Tüm birimler SI birim sisteminde olmalıdır.

9. SİMGELER VE KISALTMALAR : Metin sonunda kaynaklardan önce verilebilir.

10. TEŞEKKÜR : Eğer kişi veya kurumlara teşekkür yapılacaksa bu kısımda yazılmalı ve kaynaklardan önce verilmelidir.

11. ETİK BEYANI : Dergimizde yayımlanacak makalelerde etik kurul izini ve/veya yasal/özel izin alınmasının gerekip gerekmediği belirtilmiş olmalıdır. Eğer bu izinlerin alınması gerekli ise, izinin hangi kurumdan, hangi tarihte ve hangi karar veya sayı numarası ile alındığı açıkça sunulmalıdır. Ayrıca çalışma insan ve hayvan deneklerinin kullanımını gerektiriyor ise çalışmanın uluslararası deklarasyon, kılavuz vb. uygun gerçekleştirildiği beyan edilmelidir. İzin alınmasının gerekmediği durumlar için TEŞEKKÜR bölümünden sonra aşağıdaki metin eklenmelidir.  

        Türkçe dilindeki makaleler için:
        ETİK STANDARTLARIN BEYANI
        Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.


        İngilizce dilindeki makaleler için:
        DECLARATION OF ETHICAL STANDARDS
        The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

12. YAZAR KATKILARININ BEYANI: Bu bölümde makalede adı geçen her bir araştırmacının makaleye olan katkısı belirtilmelidir.

13. ÇIKAR ÇATIŞMASININ BEYANI: Makale yazarları arasındaki çıkar çatışması durumu belirtilmelidir. Herhangi bir çıkar çatışması yoksa "Bu çalışmada herhangi bir çıkar çatışması yoktur" ibaresi yazılmalıdır.

YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Politeknik Dergisi, COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

Yazar(lar)ın Görevleri
Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.

Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.

Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.

İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.

Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.

Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.

Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.

Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.

Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.

Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.

Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.

Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.

Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.

İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.

DERGİ POLİTİKASI
Makale Değerlendirme Süreci
Hakem Davetinin Geçerlilik Süresi : 30 gün
Hakem Daveti İçin Verilen Ekstra Süre : 15 gün
Hakemin Makaleyi Değerlendirme Süresi : 21 gün
Yazarın Düzeltmelerini Gerçekleştirmesi İçin Verilen Süre : 30 gün
Makale Değerlendirmesi İçin Hakeme Verilen Ekstra Süre : 7 gün

Ücret Politikası
Dergimize gönderilen makalelerin değerlendirilmesi/basılması gibi süreçlerde yazarlardan herhangi bir ücret talep edilmemektedir. 

Makale Geri Çekme Süreci
Yayımlanmış bir makalenin geri çekilmesi işlemi ilgili makalenin tüm yazarlarının ortak talebine istinaden yapılmaktadır. Geri çekilen makaleye ait bilgiler yazar(lar)ın editörlüğümüze başvurduğu tarihten sonra yayımlanacak ilk sayımızda GERİ ÇEKME(RETRACTION) başlığı altında bildirilir. 

Politeknik Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.

Citation Indexes

Google Scholar
TR Dizin
Emerging Sources Citation Index (ESCI)
Thomson Reuters / Clarivate Analytics
EBSCO
SOBIAD

Genel Yayın Yönetmeni

Musa ATAR

Baş Editör

Adnan Sözen
Adnan SÖZEN

  
Energy Systems Engineering, Energy

Editörler

Murat Tolga ÖZKAN
Serhat KARYEYEN

Editör Yardımcıları

Fatih Emre BORAN
Volkan YILMAZ

Editör Asistanı

Erdem ÇİFTÇİ

Editörler Kurulu

Hülya DURMUŞ
Hüseyin PEKER
İhsan TOKTAŞ
Zafer AYAZ
Nihat OZTURK
O. Ayhan ERDEM
Figen BALO
Mustafa ÖZER
Orhan KAPLAN
Mustafa Bahadır ÖZDEMİR
Hacı Bayram KARADAĞ
İsmail AYDIN
İhsan KORKUT
Halil DEMİR
Melih OKUR
Ahmet GÜRAL
Kasım SERBEST
Murat YÜCEL
Emine Özge KARACA
Cemil ÇETİNKAYA
Volkan YILMAZ
Fatih Emre BORAN

Yayın Danışma Kurulu

Mehmet ESEN
İlker USTA
Ulvi ŞEKER
Murat HOŞÖZ
Hüseyin Rıza BÖRKLÜ
Mustafa AKTAŞ
Mehmet DEMİRTAŞ
Günnur KOCAR
Engin ÖZDEMİR
Ayhan ÖZÇİFÇİ
H. Serdar YÜCESU
Tayfun MENLİK
Metin GÜRÜ
Sare SAHİL
Erol KURT
Ramazan BAYINDIR
Ebru AKPINAR
Ramazan YILMAZ
Prof. Dr. Yasin VAROL
Nadire Şule ATILGAN
Ramazan KÖSE
Erol ARCAKLIOĞLU
Metin İPEK
Dilek KUMLUTAŞ
İshak KARAKAYA
Jamal KHATİB
Musa ATAR

Teknik Sorumlu

Şulenur ASAL
İrem KARAASLAN
Coşkun YÜKSEL

Yayın Etiği Kurulu

Murat Tolga ÖZKAN
Erdem ÇİFTÇİ
Serhat KARYEYEN

 download This work is licensed under Creative Commons Attribution-ShareAlike 4.0 International.