Uyuşmazlık Mahkemesi Kararlarının Makine Öğrenmesi Yöntemleri ile Sınıflandırılması
Öz
Makine öğrenmesi ve doğal dil işleme alanındaki gelişmelerle birlikte her alanda olduğu gibi hukuk alanında da çalışmalar yapılmaya başlanmıştır. Makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanındaki yazılı metinlerin otomatik olarak analiz edilmesine ve sınıflandırılmasına yardımcı olmuştur. Bu sayede, avukatların ve yargıçların büyük miktarda yasal metni hızlı bir şekilde okuyup anlamaları mümkün hale gelmiş ayrıca, makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanında karar verme sürecinde de kullanılmaya başlanmıştır. Bu teknolojiler, hukuk davalarının sonuçlarını tahmin etmek ve olası sonuçları değerlendirmek için kullanılmış bunun yanı sıra, makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanında daha önceki kararların analiz edilmesi ve bu kararlardan öğrenme yapılması için de kullanılmıştır. Bu sayede, benzer davalar için önceden verilmiş kararlar incelenerek yeni davalar için fikir yürütülebilir hale gelmiştir. Bu çalışmada da Uyuşmazlık Mahkemesinin olumsuz görev uyuşmazlığı davalarında vermiş olduğu kararlar adli ve idari olmak üzere iki sınıfa ayrılarak tahmin edilmeye çalışılmıştır. Doğal dil işleme yöntemleriyle veri ön işleme ve ardından TF-IDF öznitelik çıkarımı yapılan mahkeme kararları makine diline çevrilmiş ardından makine öğrenmesi algoritmalarından lojistik regresyon, destek vektör makineleri, karar ağaçları ve rassal orman algoritmalarıyla sınıflandırılmıştır. Kullanılan sınıflandırma tekniklerinin performans değerlendirmeleri yapılarak mahkeme kararları %87 oranında doğruluk değerleri ile tahmin edilmiştir. Çalışma sonuçlarının bilim dünyası ile birlikte hukuk aktörleri için de olumlu sonuçları olacağı görülmektedir.
Anahtar Kelimeler
Kaynakça
- Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207-216. doi:10.1145/170035.170072
- Aletras, N., Tsarapatsanis, D., Preoţiuc-Pietro, D., & Lampos, V. (2016). Predicting judicial decisions of the European court of human rights: A natural language processing perspective. PeerJ Computer Science, 2, e93. doi:10.7717/peerj-cs.93
- Ayata, F., & Çavuş, H. (2022). Yüz tanıma sistemlerinde kullanılan ESA, YGH-DVM ve DSA algoritmalarının performans testleri. Fırat Üniversitesi Fen Bilimleri Dergisi, 34(1), 39-48.
- Aydın, Ö. (2020). Mobbing içerikli yargı kararlarının makine öğrenmesi algoritmaları ile sınıflandırılması. (Yüksek Lisans Tezi), Balıkesir Üniversitesi Fen Bilimleri Enstitüsü, Balıkesir, Türkiye.
- Bayram Arlı, N. (2021). Çıkarımsal İstatistik. Bursa: Ezgi Kitabevi.
- Bayram Arlı, N., Barca, O., & Görentaş, M. B. (2022). Rassal Orman. Içinde N. Bayram Arlı, S. Gürsakal, & M. Engin (Ed.), Denetimli Makine Öğrenmesi Algoritmaları R ve Python Uygulamaları (1. bs, ss. 119-148). Ankara: Nobel.
- Bayram Arlı, N., Gürsakal, S., & Önay Koçoğlu, F. (2022). Denetimli Makine Öğrenmesi Algoritmalarına Giriş. Içinde N. Bayram Arlı, S. Gürsakal, & M. Engin (Ed.), Denetimli Makine Öğrenmesi Algoritmaları R ve Python Uygulamaları (1. bs, ss. 1-8). Ankara: Nobel.
- Bugday, M. S., Akcicek, M., Bingol, H., & Yildirim, M. (2023). Automatic diagnosis of ureteral stone and degree of hydronephrosis with proposed convolutional neural network, RelieF, and gradient‐weighted class activation mapping based deep hybrid model. International Journal of Imaging Systems and Technology, 33(2), 760-769. doi:10.1002/ima.22847
- Gürsakal, S., Barca, O., & Tütüncü, T. E. (2022). Lojistik Regresyon Analizi. Içinde N. Bayram Arlı, S. Gürsakal, & M. Engin (Ed.), Denetimli Makine Öğrenmesi Algorştmaları R ve Python Uygulamaları (1. bs, ss. 53-83). Ankara: Nobel.
- Ikonomakis, M., Kotsiantis, S., & Tampakas, V. (2005). Text classification using machine learning techniques. WSEAS Transactions on Computers, 4(8), 966-974.