Artificial Intelligence (AI) Studies in The TR Index: A Systematic Review

Abstract

Artificial Intelligence (AI) analytics, tools, and coding are increasingly used to improve quality in every part of the industry. However, such tools find their place in bugs, vulnerabilities, security points, duplications, and many more. Researchers around the world have conducted many academic studies with AI until today. The increasing development and use in the field in the last decade led to the need to research the publication amount, application areas, and achievements of countries in technology. This article used systematic research and literature review to determine the structured approach to the concepts of AI, machine learning, deep learning, and neural networks that can be searched in the TR Index. Although the results do not have an essential place in the TR Index, they can be evaluated as an accelerated increase of around 70% in the last three years. In the field distribution, engineering ranked first with 673 units. In addition, a decrease in the indexation rate of the subject is also observed. The results of this study may lead to the examination of the indexing of many publications made in our country in the TR Index.

Keywords

• Machine Learning
• Deep Learning
• Artificial Neural Networks
• TR Index
• Systematic Review

TR Dizin’de Yapay Zekâ (YZ) Araştırmaları: Bir Sistematik İnceleme Çalışması

Abstract

Yapay zekâ analizleri, araçları ve kodlaması her sektörde kalite artırmak için giderek daha fazla kullanılmaktadır. Bu tür araçlar, hataları, güvenlik açıklarını, güvenlik noktalarını, yinelemeleri ve diğer birçok konuda kendisine yer bulmaktadır. Bugüne kadarki çalışmalarında, dünyanın dört bir yanındaki araştırmacılar, yapay zekâ ile birçok akademik çalışmalar yapmıştır. Son on yılda alanda artan gelişim ve kullanım, teknoloji bağlamında ülkelerin yayın miktarı, uygulama alanları ve başarılarının araştırılması ihtiyacına yol açmaktadır. Bu makale, TR Dizin de taranabilen yapay zeka, makine öğrenmesi, derin öğrenme ve yapay sinir ağları kavramları ile ilgili yapı yaklaşımını belirlemek için sistematik araştırma ve literatür incelemesi kullandı. Sonuçlar, TR Dizin genelinde çok önemli bir yer tutmasa da, son 3 yılda %70 civarında ivmeli bir artış olarak değerlendirilebilir. Alan dağılımında 673 adetle mühendislik ilk sırada yer aldı. Bunun yanında konunun endekslenme oranında ki düşüklük de gözlenmektedir. Bu çalışmanın sonuçları, alanda ülkemizde yapılan birçok yayının TR Dizinde endekslenmesi konusunun irdelenmesine yol açabilecektir.

Keywords

• Makine Öğrenmesi
• Derin Öğrenme
• Yapay Sinir Ağları
• TR Dizin
• Sistematik Derleme

References

1. [1] B. L. Aylak, O. Oral, ve K.Yazıcı, “Yapay zeka ve makine öğrenmesi tekniklerinin lojistik sektöründe kullanımı,” El-Cezeri Journal of Science and Engineering, c. 8, s.1, ss. 74-93, 2021.
2. [2] S. Paliwal, V. Bharti, and A. K. Mishra, Ai Chatbots: Transforming The Digital World. In Recent Trends and Advances In Artificial Intelligence And Internet of Things, 1th ed., 2020, Switzerland: Springer, Cham, pp. 455-482.
3. [3] A. Maedche, C. Legner, A. Benlian, B. Berger, H. Gimpel, T. Hess and M. Söllner, “AI-based digital assistants,” Business & Information Systems Engineering, vol. 61, no. 4, pp. 535-544, 2019.
4. [4] M. A. Goralski, and T. K Tan, “Artificial intelligence and sustainable development,” The International Journal of Management Education, vol. 18, no. 1, pp. 100330, 2020.
5. [5] N. Kshetri, “Artificial Intelligence in Developing Countries,” IEEE Annals of the History of Computing, vol. 22 no. 04, pp. 63-68, 2020.
6. [6] S. Hochrein, and C. H. Glock, C. H. “Systematic literature reviews in purchasing and supply management research: a tertiary study,” International Journal of Integrated Supply Management, vol. 7, no. 4, pp. 215-245, 2012.
7. [7] B. Kitchenham, Procedures For Performing Systematic Reviews, Keele, UK: Keele University, 2004, pp. 1-26.
8. [8] ULAKBİM. (2021, 1 Haziran). Hakkımızda [Çevrimiçi]. Erişim: https://ulakbim.tubitak.gov.tr/tr/kurumsal/hakkimizda

9. [9] A. Aslan, “TR Dizin,” Acta Medica Alanya, vol. 3, no. 1, pp. 1-2, 2019.
10. [10] TR Dizin. (2021, 1 Haziran). Hakkında [Çevrimiçi]. Erişim: https://trdizin.gov.tr/hakkinda
11. [11] Ş. Beşoluk, ve İ. Önder, “Öğretmen adaylarının öğrenme yaklaşımları, öğrenme stilleri ve eleştirel düşünme eğilimlerinin incelenmesi,” İlköğretim Online, c. 9, s. 2, ss. 679-693, 2010.
12. [12] İ. Önder, ve Ş. Beşoluk, “Düzenlenmiş iki faktörlü çalışma süreci ölçeği’nin (R-SPQ-2F) Türkçeye uyarlanması,” Eğitim ve Bilim, c. 35, s. 157, ss. 55-67, 2010.
13. [13] M. Buluş, E. Duru, M. Balkıs, ve S. Duru, “Öğretmen adaylarında öğrenme stratejilerinin ve bireysel özelliklerin akademik başarıyı yordamadaki rolü,” Eğitim ve Bilim, c. 36, s. 161, ss. 186-198, 2011.
14. [14] Ç. Ş. Taşkın, “Epistemolojik inançlar: öğretmen adaylarının öğrenme yaklaşımlarını yordayıcı bir değişken/epıstemologıcal belıefs: as predıctors of preservıce teachers' learnıng aprroaches,” Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, c. 9, s. 19, ss. 273-285, 2012.
15. [15] B. Ataseven, “Yapay sinir ağlari ile öngörü modellemesi,” Öneri Dergisi, c. 10 s. 39, ss. 101-115, 2013.
16. [16] M. K. Çelik, “Bankaların finansal başarısızlıklarının geleneksel ve yeni yöntemlerle öngörüsü. yönetim ve ekonomi,” Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, c. 17, s. 2, ss. 129-143, 2010.
17. [17] F. Bayrak, ve Y. K. Usluel, “Ağ günlük uygulamasının yansıtıcı düşünme becerisi üzerine etkisi,” Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, c. 40, s. 40, ss. 93-104, 2011.
18. [18] N. Ekinci, “Öğretmen adaylarının öğrenme yaklaşımları ve öğretmen özyeterlik inançları arasındaki ilişki,” Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, c. 30, s. 1, ss. 62-76, 2015.
19. [19] M. A. Kızrak ve B. Bolat, “Derin öğrenme ile kalabalık analizi üzerine detaylı bir araştırma,” Bilişim Teknolojileri Dergisi, c. 11, s3, ss. 263-286, 2018.
20. [20] T. S.Yaprakli, and H. Erdal, “Firm failure prediction: A case study based on machine learning,” International Journal of Informatics Technologies, vol. 9, no. 1, pp. 21-31, 2016.
21. [21] U. Altunöz, “Bankaların finansal başarısızlıklarının yapay sinir ağları modeli çerçevesinde tahmin edilebilirliği,” Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, c. 28, s. 2, pp. 189-217, 2013.
22. [22] A. Akıllı, H. Atıl, ve H. Kesenkaş, “Çiğ süt kalite değerlendirmesinde bulanık mantık yaklaşımı,” Kafkas Üniversitesi Veteriner Fakültesi Dergisi, c. 20, s.2, ss. 223-229, 2014.
23. [23] T. Kavzoğlu, ve İ. Çölkesen, “Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi,” Harita Dergisi, c. 144, s. 7, ss. 73-82, 2010.
24. [24] Ç. Takma, H. Atıl, ve V. Aksakal, “Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması,” Kafkas Üniversitesi, Veterinerlik Fakültesi Dergisi, c. 18, s6, ss. 941-944, 2012.
25. [25] H. A. Es, F. Y. Kalender ve C. Hamzaçebi, “Yapay sinir ağlari ile Türkiye net enerji talep tahmini,” Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, c. 29, s3, ss. 495-504, 2014.
26. [26] H. Özgür ve N. Tosun, “Öğretmen adaylarının derin ve yüzeysel öğrenme yaklaşımlarının çeşitli değişkenler açısından incelenmesi,” Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, c. 1, s. 24, ss. 113-125, 2012.
27. [27] H. Erdal, “Contribution of machine learning methods to the construction industry: Prediction of compressive strength,” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol. 21, no. 3, pp. 109-114, 2015.
28. [28] S. Yavuz ve M. Deveci “İstatiksel normalizasyon tekniklerinin yapay sinir ağin performansina etkisi,” Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, s 40, ss. 167-187, 2012.
29. [29] D. İ. Beyaztaş ve N. Senemoğlu, “Başarılı öğrencilerin öğrenme yaklaşımları ve öğrenme yaklaşımlarını etkileyen faktörler,” Eğitim ve Bilim, c. 40, s. 179 , ss. 193-216, 2015.
30. [30] Ş. Danişman ve E. Karadağ, “Öğrenme alanları ve kazanımlar bağlamında 2005 ve 2013 beşinci sınıf matematik öğretim programlarının karşılaştırılması,” Türk Bilgisayar ve Matematik Eğitimi Dergisi, c. 6, s. 3, ss. 380-398, 2015.
31. [31] B. Bak, “Medeni hukuk açısından yapay zekânın hukuki statüsü ve yapay zekâ kullanımından doğan hukuki sorumluluk,” Türkiye Adalet Akademisi Dergisi, s. 35, ss. 211-232, 2018.
32. [32] P. Cihan, E. Gökçe, and O. Kalıpsız, O. “A review of machine learning applications in veterinary field,” Kafkas Univ Vet Fak Derg, vol. 23, no. 4, pp. 673-680, 2017.
33. [33] F. Ecer, “Türkiye’de 2. el otomobil fiyatlarının tahmini ve fiyat belirleyicilerinin tespiti,” Anadolu Üniversitesi Sosyal Bilimler Dergisi, c. 13, s. 4, ss. 101-112, 2013.
34. [34] M. Gök, “Makine öğrenmesi yöntemleri ile akademik başarinin tahmin edilmesi,” Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, c. 5, s. 3, ss. 139-148, 2017.
35. [35] S.Ayhan ve Ş. Erdoğmuş, “Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi,” Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, c. 9, s. 1, ss. 175-201, 2014.
36. [36] R. Yüksel ve S. Akkoç, “Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama,” Doğuş Üniversitesi Dergisi, c. 17, s. 1, ss. 39-50, 2016.
37. [37] M. Karaatlı, Ö. C. Helvacıoğlu, N. Ömürbek, ve G. Tokgöz, “Yapay sinir ağlari yöntemi ile otomobil satiş tahmini,” Uluslararası Yönetim İktisat ve İşletme Dergisi, c. 8, s. 17, ss. 87-100, 2012.
38. [38] D. Şengür ve A. Tekin, “Öğrencilerin mezuniyet notlarının veri madenciliği metotları ile tahmini,” Bilişim Teknolojileri Dergisi, c. 6, s. 3, ss. 7-16, 2013.
39. [39] A.Yılmaz Uçar, “Kapitalizmde Planlama: Tarihsel ve Toplumsal Çözümleme,” Amme İdaresi Dergisi, c. 47, s. 3, ss. 43-68, 2014.
40. [40] M. Gürol ve S. Demir, “Farklılaştırılmış öğretim yöntemlerinin öğrencilerin akademik başarı puanlarına, öğrenme yaklaşımlarına ve öğrenmenin kalıcılığına etkisi,” Turkish Studies (Elektronik), c. 12, s. 14, ss. 121-136, 2017.