COMPARATIVE ANALYSIS OF DECISION MECHANISMS IN SOCIAL MEDIA SHARING WITH LEARNING ALGORITHMS

Abstract

Due to the increasing internet usage in the world and in Turkey, individuals also actively use social media platforms. Users use social media platforms for personal development, shopping, commerce, education, socializing, making friends, producing online content and sharing these contents with other users. But in addition to these well-intentioned uses, there are also uses to harm the other person, humiliate her/him, damage her/his reputation, or knowingly and intentionally bully her/him. The aim of the research is to subject the comments received from Twitter, one of the social media platforms, to natural language processing processes to determine whether there is cyberbullying in the comments and to obtain the best result by comparing the results obtained from the classification algorithms where these data are used as input. In the research, the dataset consisting of 11114 comments was passed through natural language processing processes and given as input data to classification algorithms. Some of these data were used as the training set and some as the test set. As a result, it was observed that the Extra Trees algorithm, one of the classification algorithms, was more successful than the other classification algorithm, with an accuracy rate of 86.95%.

Keywords

• Social Media
• Learning Algorithms
• Cyberbullying
• Natural Language Processing (NLP)

SOSYAL MEDYA PAYLAŞIMLARINDA KARAR MEKANİZMALARININ ÖĞRENME ALGORİTMALARIYLA KARŞILAŞTIRMALI ANALİZİ

Abstract

Dünya’da ve Türkiye’de artan internet kullanımına bağlı olarak bireyler sosyal medya platformlarını da aktif olarak kullanmaktadır. Kullanıcılar sosyal medya platformlarını kişisel gelişim, alışveriş, ticaret, eğitim, sosyalleşmek, arkadaşlıklar edinmek, çevrimiçi içerik üretmek ve bu içerikleri diğer kullanıcılarla paylaşabilmek amacıyla kullanmaktadırlar. Ama bu iyi niyetli kullanımların yanı sıra karşıdaki kişiye zarar vermek, onu küçük düşürmek, itibarını zedelemek ya da bilerek ve isteyerek zorbalık yapmak amacıyla da kullanımlar söz konusudur. Araştırmadaki amaç sosyal medya platformlarından biri olan Twitter’dan alınan yorumları doğal dil işleme süreçlerine tabi tutarak yorumlar içerisinde siber zorbalık olup olmadığını tespit etmek ve bu verilerin girdi olarak kullanıldığı sınıflandırma algoritmalarından elde edilen sonuçları karşılaştırarak en iyi sonucu elde etmektir. Araştırmada 11114 yorumdan oluşan veri seti doğal dil işleme süreçlerinden geçirilerek sınıflandırma algoritmalarına giriş verisi olarak verilmiştir. Bu verilerin bir bölümü eğitim seti olarak bir bölümü de test seti olarak kullanılmıştır. Sonuçta sınıflandırma algoritmalarından Ekstra Trees algoritmasından %86,95 doğruluk oranı elde edilerek diğer sınıflandırma algoritmasına göre daha başarılı olduğu gözlemlenmiştir.

Keywords

• Sosyal Medya
• Öğrenme Algoritmaları
• Siber Zorbalık
• Doğal Dil İşleme (NLP)

References

1. [1] A.İ. Kesici, S. Mert, D.M. Gezgin, Siber Dünyanın Karanlık Yüzü: Güvenlikten Zorbalığa Modern Problemler, Balkan 10th International Conference On Applied Sciences (2024) 6-7.
2. [2] We Are Social Meltwater, Digital 2023 Global Overview Report (2023) 213.
3. [3] E.S. Dinç, Sosyal Medya Ortamlarında Si̇ber Zorbalik: Li̇se Öğrenci̇leri̇ni̇n Si̇ber Zorbalık Deneyi̇mleri̇ni̇n İncelenmesi̇, Electronic Journal of New Media 4(1) (2020) 24–39.
4. [4] O. Sevli, S. Sezgin, Sosyal Medya Paylaşımlarında Siber Zorbalığın Tespiti ve Kategorizasyonuna Yönelik Makine Öğrenmesine Dayalı Bir Sınıflandırma, Burs 3rd International Scientific Research Congress, 2022.
5. [5] E. Yazğılı, Makine Öğrenmesi Yöntemleri Kullanarak Siber Zorbalık Tespiti, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Yazılım Mühendisliği Anabilim Dalı, Fırat Üniversitesi (2021).
6. [6] Ç. Ballı, Doğal Di̇l İşleme İle Türkçe İçeri̇kli̇ Paylaşımlardan Sosyal Medya Kullanıcılarının Duygu Anali̇zi̇, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Ankara Üniversitesi (2021).
7. [7] A. Delibaş, Doğal Di̇l İşleme İle Türkçe Yazim Hatalarinin Denetlenmesi̇, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul Teknik Üniversitesi (2008).
8. [8] İ. Yelmen, Doğal Di̇l İşleme Yöntemleri̇yle Türkçe Sosyal Medya Veri̇leri̇ Üzeri̇nde Duygu Anali̇zi̇, Yüksek Lisans Tezi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Doğuş Üniversitesi (2016).

9. [9] R.M. Dolar, E-Ticaret Ürünlerindeki Türkçe Kullanıcı Yorumlarının Oyunlaştırma, NLP ve Makine Öğrenmesi Teknikleri İle Sınıflandırılması, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul Teknik Üniversitesi (2021).
10. [10] B.F. Kesgin, Offensive Language Detection In Turkish Language By Using NLP, Yüksek Lisans Tezi, Eğitim Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Bahçeşehir Üniversitesi (2023).
11. [11] R. Kontuk, NLP Kullanılarak Haberlerin Yaş Gruplarına Göre Sınıflandırılması, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul Ticaret Üniversitesi (2020).
12. [12] C.B. Çelik, Sosyal Medya Platformlarında Yapay Zeka Ve Makine Öğrenim Tekniklerini Kullanarak, Doğal Dil İşleme İle Hakaret İçeren Cümle Tespiti ve Duygu Analizinin Ölçülmesi, Yüksek Lisans Tezi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul Nişantaşı Üniversitesi (2023).
13. [13] F. Öz, Çift Yönlü Enkoder Transformatör Tabanlı Siber Zorbalık Tespiti Derin Öğrenme Modeli Geliştirilmesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Yazılım Mühendisliği Anabilim Dalı, Manisa Celal Bayar Üniversitesi (2022).
14. [14] D. Kantar, Sosyal Medya Uygulamalarında Dijital Mahremiyet Farkındalığının Ölçülmesi, Yüksek Lisans Tezi, Lisansüstü Eğitim Enstitüsü, Adli Bilimler Anabilim Dalı, Hitit Üniversitesi (2023).
15. [15] E. Etuh, F.S. Bakpo, E.A.H, Social Media Network Attacks and their Preventive Mechanisms: A Review, Computer Science & Information Technology (CS & IT) (2021 ) 59–74.
16. [16] R.S. Kunwar, P. Sharma, Social media: A new vector for cyber attack, Proceedings - 2016 International Conference on Advances in Computing (2016).
17. [17] K. Thakur, T. Hayajneh, J. Tseng, Cyber Security in Social Media: Challenges and the Way Forward, IEEE World Congress On Services 2019 (2019) vol. 21, no. 2, pp. 41–49.
18. [18] E. Öztürk, Cyberbullying Detection Using Text Classification For Turkish Language, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Çukurova Üniversitesi (2019).
19. [19] C. Kacar, Sosyal Medya Kullanan Bireylerin Siber Zorbalık Deneyimlerinin İncelenmesi, Yüksek Lisans Tezi, Lisansüstü Eğitim Enstitüsü, Hemşirelik Anabilim Dalı, Haliç Üniversitesi (2023).
20. [20] B. Öztürk, Türkiye’deki Y Kuşağı Mensubu Bireylerin Siber Zorbalık ve Siber Mağduriyet Algıları: Bir Alan Çalışması, Yüksek Lisans Tezi, Sosyal Bilimler Enstitüsü, Sosyoloji Anabilim Dalı, Marmara Üniversitesi (2023).
21. [21] Cumhurbaşkanlığı Genelge, 2019/12 Sayılı Cumhurbaşkanlığı Bilgi ve İletişim Güvenliği Tedbirleri Genelgesi (2019).
22. [22] E. Gümüştaş, Kayıp Gözlem İçeren Dengesiz Veri Setlerinin Topluluk Öğrenme Algoritmaları İle Sınıflandırılması, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, Mimar Sinan Güzel Sanatlar Üniversitesi (2019).
23. [23] V. Bayırbağ, H. Bakır, Çalışan Yıpranması Tahmin Etmek için Hiper Parametresi Ayarlanmış Makine Öğrenme Algoritmaların Kullanılması, 2nd International Conference on Scientific and Academic Research (2023) vol. 1, pp. 466–471.
24. [24] M. Öztürk, Birinci Servikal Vertebranın Antropometrik Ölçümleri İle Makine Öğrenme Algoritmaları Kullanılarak Cinsiyet Tayini Üzerine Bir Çalışma, Yüksek Lisans Tezi, Lisansüstü Eğitim Enstitüsü, Anatomi Anabilim Dalı, Karabük Üniversitesi (2021).
25. [25] Y. Lou, Y. Ye, W. Zuo, M. Strong, Individualized Empirical Baselines For Evaluating The Energy Performance of Existing Buildings, Science and Technology for the Built Environment (2023) vol. 29, no. 1, pp. 19–33.
26. [26] Y. Şener, Predicting Participant Risk Profiles In Private Pension Funds Using Machine Learning Techniques, Yüksek Lisans Tezi, Lisansüstü Eğitim Enstitüsü, Büyük Veri Analitiği ve Yönetimi Anabilim Dalı, Bahçeşehir Üniversitesi (2023).
27. [27] S. Diler, Veri Kalitesinin Bozulduğu Durumlarda Veri Madenciliği Sınıflandırma Algoritmalarının Performanslarının Karşılaştırılması, Doktora Tezi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, Van Yüzüncü Yıl Üniversitesi (2023).
28. [28] E. Çekiç, Increasing Firm’s Efficiency With Machine Learning Algorithms: An Application In The Logistics Industry, Yüksek Lisans Tezi, Sosyal Bilimler Enstitüsü, İşletme(İngilizce) Anabilim Dalı, Marmara Üniversitesi (2023).
29. [29] G. Kaba, Hastalık Tahmininde Makine Öğrenmesi Sınıflandırma Algoritmalarının Karşılaştırılması ve Bootstrap Metodu Kullanımı, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, İstanbul Ticaret Üniversitesi (2022).
30. [30] A. Acet, SVM, NB, KNN, ADABoost ve Random Forest Sınıflandırma Algoritmaları Kullanılarak Meme Kanserinin Tahmini, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İnönü Üniversitesi (2022).
31. [31] A.G. Güneş, Tele-Bankacılık İçin Potansiyel Müşteri Tahmininde Sınıflandırma Algoritmalarının Performans analizi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Kocaeli Üniversitesi (2023).
32. [32] M.T. Sattı, Urdu News Categorization Using Machine Urdu News Categorization Using Machine Learning Approaches, Yüksek Lisans Tezi, Lisansüstü Programları Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Beykoz Üniversitesi (2023).
33. [33] E.N.H. Kırğıl, Makine Öğrenmesi Teknikleriyle Yazılım Uyum Metriklerinin Tahmini, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Başkent Üniversitesi (2022).
34. [34] S. Beyaztoprak, Kuruluşların Enerji Talebi Analizi ve Tahmini, Yüksek Lisans Tezi, Cerrahpaşa Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı, İstanbul Üniversitesi (2019).
35. [35] Kaggle, , 2024 (accessed 24.06.2024)