YAPAY ZEKA DESTEKLİ DİL MODELLERİNİN SİSTEMATİK İNCELENME AMAÇLI KULLANILMASI

Yıl 2025, Cilt: 7 Sayı: 2, 129 - 149, 31.07.2025

Yasemin Bertiz , Serkan Ada

Öz

Dijital çağın beraberinde getirdiği veri artışı, büyük veri kavramının ortaya çıkmasına neden olmuştur. Büyük veri; verimlilik, risk yönetimi gibi konuların karar sürecinde önemli avantajlar sağlamaktadır. Araştırmacılar ve analistler için önemli bir fırsat olan büyük verinin, yönetimi ve analizi sürecinde bazı zorluklarla karşılaşılmaktadır. Geleneksel yöntemlerin yetersiz kaldığı bu süreçte yapay zeka ve doğal dil işleme teknikleri çözüm olarak karşımıza çıkmıştır. Modeller, büyük miktardaki veriyi analiz ederek anlamlı çıktılar üretilebilmektedir. Doğal dil işleme modelleri sağlık, finans, eğitim gibi birçok alanda çeşitli amaçlarla kullanılmaktadır. Bu çalışmada ise sistematik inceleme amaçlı kullanılmıştır. Bu kapsamda Web of Science, EBSCO, PROQUEST, TR Dizin, Science Direct ve Ulusal Tez Merkezi veri tabanlarında 2010-2023 yılları arasında öğrenme analitiği konusunda yayınlanmış, dahil edilme kriterine uyan 893 adet akademik metin çalışmanın kapsamını oluşturmuştur. Bu akademik metinler doğal dil işleme modelleri kullanılarak konu bakımından amacı ve elde edilen sonuçları bakımından sistematik olarak incelenmiştir. Çalışma, araştırma süreçlerinde verimlilik, güncellik, doğruluk ve tekrarlanabilirlik gibi önemli avantajlar sağlaması açısından önemlidir.

Anahtar Kelimeler

Büyük veri , Yapay zeka , Doğal dil işleme , Öğrenme analitiği , Sistematik inceleme

Kaynakça

• Achsas, S. ve Nfaoui, E. H. (2017, 17-19 Nisan). Improving relational aggregated search from big data sources using deep learning. 2017 Intelligent Systems and Computer Vision (ISCV), Morocco, Fez, 1-6.
• Aktan, E. (2018). Büyük veri: Uygulama alanları, analitiği ve güvenlik boyutu. Bilgi Yönetimi, 1(1), 1-22.
• Aşkun, V. (2023). Sosyal bilimler araştırmaları için chatgpt potansiyelinin açığa çıkarılması: uygulamalar, zorluklar ve gelecek yönelimler. Erciyes Akademi, 37(2), 622-656.
• Aydın, Ö., Karaarslan, E. (2022). OpenAI ChatGPT generated literature review: Digital twin in healthcare . In Ö. Aydın (Ed.), Emerging Computer Technologies 2 (pp. 22-31). İzmir Akademi Dernegi.
• Bender, E. M., & Friedman, B. (2018). Data statements for natural language processing: toward mitigating system bias and enabling better science. Transactions of the Association for Computational Linguistics, 6, 587-604.
• Boell, S. K., & Cecez-Kecmanovic, D. (2015). On being ‘systematic’ in literature reviews. Journal of Information Technology, 30(2), 161-173.
• Bolaños, F., Salatino, A., Osborne, F., & Motta, E. (2024). Artificial intelligence for literature reviews: Opportunities and challenges. Artificial Intelligence Review, 57(10), 259.
• Boumans, J. W., & Trilling, D. (2018). Taking stock of the toolkit: An overview of relevant automated content analysis approaches and techniques for digital journalism scholars. In M. Karlsson & H. Sjøvaag (Eds.), Rethinking research methods in an age of digital journalism (pp. 8–23). Routledge. https://doi.org/10.4324/9781315115047-2.
• Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334), 183- 186.https://doi.org/10.1126/SCIENCE.AAL4230/SUPPL_FILE/CALISKAN- SM.PDF
• Chen, H., Chiang, R. H. ve Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS quarterly, 36(4), 1165–1188.
• Creswell, J. W. (2013). Nitel araştırma yöntemleri (M. Bütün & S. B. Demir, Çev.). Siyasal Kitabevi.
• Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019, 4171-4186.
• Duran, V., & Aydın, E. (2024). Eğitimde yapay zekanın kapsamlı incelenmesi: Web of science veri tabanı üzerinden bir aı destekli bibliyometrik analiz. International Journal of Social and Humanities Sciences Research (JSHSR), 11(104), 468- 484.
• Espejel, J. L., Ettifouri, E. H., Alassan, M. S. Y., Chouham, E. M., & Dahhane, W. (2023). GPT-3.5, GPT-4, or BARD? Evaluating LLMs reasoning ability in zero- shot setting and performance boosting through prompts. Natural Language Processing Journal, 5, 10003, 1-229.
• Gahi, Y., Guennoun, M. ve Mouftah, H. T. (2016, 27-30 June). Big Data Analytics: Security and Privacy Challenges. 2016 IEEE Symposium on Computers and Communication (ISCC), Messina, Italy, 952-957.
• Goes, P. B. (2014). Big Data and IS Research. MIS Quarterly, 38(3), 3-8.
• Goagoses, N., & Koglin, U. (2020). The role of social goals in academic success: Recounting the process of conducting a systematic review. In O. Zawacki- Richter, M. Kerres, S. Bedenlier, M. Bond, & K. Buntins (Eds.), Systematic reviews in educational research methodology, perspectives and application (pp. 145–161). Springer.
• Higgins, J. P. T., & Green, S. (Eds.). (2011, March). Cochrane Handbook for Systematic Reviews of Interventions Version 5.1.0. The Cochrane Collaboration. http://handbook-5-1.cochrane.org/
• Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261–266.
• Jurafsky, D., & Martin, J. H. (2014). Speech and Language Processing (2. bs). Pearson.
• Kim, J. H., Kim, J., Park, J., Kim, C., Jhang, J., & King, B. (2023). When ChatGPT gives incorrect answers: the impact of inaccurate information by generative AI on tourism decision-making. Journal of Travel Research, 00472875231212996.
• Kuiler, E. W. (2014). From big data to knowledge: An ontological approach to big data analytics. Review of Policy Research, 31(4), 311-318.
• Li, J., Dada, A., Puladi, B., Kleesiek, J., & Egger, J. (2024). ChatGPT in healthcare: A taxonomy and systematic review. Computer Methods and Programs in Biomedicine, 108013.
• Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P., & Moher, D. (2009). The PRISMA statement for reporting systematic reviews and meta- analyses of studies that evaluate health care interventions: explanation and elaboration. Journal of clinical epidemiology, 62(10), e1-e34.
• Metcalf, J., & Crawford, K. (2016). Where are human subjects in Big Data research? The emerging ethics divide. Big Data & Society, 3(1), 1-14. https://doi.org/10.1177/2053951716650211.
• Miles, M. B. & Huberman, A. M. (2015). Nitel veri analizi (İkinci Baskıdan Çeviri). (Çev: S. Akbaba-Altun ve A. Ersoy). Ankara: Pegem A Akademi Yayınları.
• Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language Models are Unsupervised Multitask Learners. OpenAI Blog, 1(8), 9.
• Schneider, R. D. (2012). Hadoop for Dummies. (Special Edition). Mississauga, Canada: John Wiley & Sons.
• Wagner, G., Lukyanenko, R., & Paré, G. (2021). Yapay zeka ve literatür incelemelerinin yürütülmesi. Bilişim Teknolojileri Dergisi, 37(2), 209-226. https://doi.org/10.1177/02683962211048201.
• Whittemore, R., Chase, S. K. & Mandle, C. L. (2001). Validity in Qualitative Research, Qualitative Health Research, 11(4), 522-537
• Yıldırım, A. & Şimşek, H. (2011). Sosyal bilimlerde nitel araştırma yöntemleri. Ankara: Seçkin Yayınevi.