This item is non-discoverable
Sözen, Nergiz
Loading...
Name Variants
Sözen, Nergiz
N., Sozen
Nergiz, Sozen
N.,Sozen
Sozen, Nergiz
Sozen,N.
S.,Nergiz
Nergiz, Sözen
S., Nergiz
Sözen,N.
N.,Sözen
N., Sozen
Nergiz, Sozen
N.,Sozen
Sozen, Nergiz
Sozen,N.
S.,Nergiz
Nergiz, Sözen
S., Nergiz
Sözen,N.
N.,Sözen
Job Title
Araştırma Görevlisi
Email Address
nergiz.kilinc@atilim.edu.tr
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Scholarly Output
3
Articles
1
Citation Count
2
Supervised Theses
1
3 results
Scholarly Output Search Results
Now showing 1 - 3 of 3
Doctoral Thesis Çalışma belleği kapasitesinin karmaşık yazılım modellerini anlamaya etkisinin araştırılması(2021) Sözen, Nergiz; Say, Bilge; Say, Bilge; Kılıç, Özkan; Computer Engineering; Software EngineeringÇalışma belleği kapasitesi, problem çözme, okuma, anlama, öğrenme ve dil yeteneği geliştirme gibi bilişsel olarak zorlayıcı konulardaki performansa olan etkisi açısından literatürde önemli bir konu olarak ele alınmaktadır. Çalışma belleği kapasitesini geliştirmek için kullanılan çalışma belleği egzersizlerinin bu bilişsel olarak zorlayıcı konularda kişinin performansına pozitif etki sağladığını gösteren pek çok çalışma mevcuttur. Çalışma belleği egzersizleri ile kazanılan yeteneğin, bu egzersizden tamamen farklı ama yine bilişsel olarak zorlayıcı ve çalışma belleğinin aktif olarak kullanıldığı yeteneklere transfer edilebildiği gözlemlenmiştir. Pek çok konuda ve alanda araştırılan çalışma belleği kapasitesinin etkilerinin, yazılım mühendisliği alanında çok kullanılan karmaşık modellerin anlaşılırlığına etkisi daha önce hiç çalışılmamış, literatürde bulunmayan bir konu olduğu saptanmıştır. Model güdümlü yazılımın popülerlik kazandığı son dönemde, bu karmaşık modellerin anlaşılırlığı konusu da önem arz etmeye başlamıştır. Karmaşık modellerin anlaşılırlığı da yüksek bilişsel beceri gerektiren bir konudur. Daha sonra uygulamaya geçirilecek ve kodlanacak bir sistemin mimarisini ve işlevini anlamak, sistemin nasıl çalıştığını, verilerin nasıl tutulduğunu, sistemle kimlerin nasıl etkileşim içerisinde olduğunu ve buna dair diğer konuları görsel olarak ifade eden modelleri tam ve doğru olarak anlamak önem arz etmektedir. Bunun yanı sıra tüm iştirakçilerin ve özellikle acemi model tasarımcılarının karmaşık modelleri anlaması, yazılım sürecinin başarılı bir şekilde işlemesi için çok önemlidir. Karmaşık modellerin anlaşılırlığının çeşitli etkenlere bağlı olduğu tartışılmaktadır. Literatürde bu etkenler; modele özgü ve kişiye özgü faktörler olmak üzere iki grup altında toplanmıştır. Bu tezde, kişiye özgü faktörlerden olan çalışma belleği kapasitesinin iş süreci yönetim modellerine ve veri modellerine olan etkisi araştırılmaktadır. Acemi model tasarımcılarının çalışma belleği kapasitesi ile karmaşık model anlaşılırlığı arasındaki ilişkiyi araştırmak için ve buna ek olarak uygun bir çalışma belleği egzersizinin karmaşık model anlaşılırlığına etki edip etmeyeceğini araştırmak için farklı bilgisayar bilimi lisans öğrencileri ile iki deney yapılmıştır. İlk yapılan deneydeki model anlaşılırlığı ve çalışma belleği kapasitesi verilerine ek olarak, bulguları pekiştirmek ve daha iyi yorumlayabilmek için, göz takibi metodu kullanılarak acemi model tasarımcılarının iş süreci modeli anlaşılırlık testi sırasındaki göz hareketleri kaydedilmiş ve çalışma belleği kapasitesi ile model anlaşılırlığı hakkında çeşitli metrikler hesaplanmıştır. İlk deney sonuçlarının detaylı analizi sonucunda elde edilen bulgular gösteriyor ki karmaşık iş süreci modellerinin anlaşılırlığı kişinin çalışma belleği kapasitesi ile ilişkilidir. Göz verileri incelenerek hesaplanan metriklerin analizi sonucunda elde edilen bulgular, çalışma belleği kapasitesi yüksek olan model tasarımcılarının model anlaşılırlık testinde problemleri daha etkili şekilde çözdüklerine işaret etmektedir. Benzer şekilde, çalışma belleği kapasitesi yüksek olan model tasarımcılarının sorulara doğru yanıt vermek için daha motive ve ısrarcı olduğu ortaya çıkmıştır. Genel olarak bakıldığında yüksek çalışma belleği kapasitesi olan model tasarımcılarının model anlaşılırlık test skorlarının ve performanslarının çalışma belleği kapasitesi düşük olanlara kıyasla daha yüksek olduğu gözlemlenmiştir. Çalışma belleği kapasitesini arttırmak için tasarlanmış 'ikili n-geri (İng. dual nback)' egzersizinin sonucunda gelişen performansın karmaşık model anlaşılırlığına aktarılıp aktarılamadığını tespit etmek amacıyla ikinci deney yapılmıştır. Bu deneyde aktif kontrol grubu, literatürde bir plasebo egzersiz olarak varsayılan 'görsel arama (İng. visual search)' egzersizini uygularken, deney grubu ise ikili n-geri çalışma belleği egzersizini 7 hafta boyunca uygulamıştır. 7 hafta, 20 oturum süren egzersizlerden hem önce hem de sonra deney katılımcılarının çalışma belleği kapasitesi ve model anlaşılırlık testindeki performansları ölçülmüştür. Deneyde elde edilen verilerin analizi sonucunda elde edilen bulgular göstermiştir ki, ikili n-geri egzersizini 7 hafta boyunca uygulamış model tasarımcılarının karmaşık veri modeli anlaşılırlığı testinin ortalama skorları, görsel arama testi uygulamış olanlara göre daha yüksektir. Grup içi karşılaştırma sonucunda ise, ikili n-geri egzersizini uygulamış olan deney grubunun model anlaşılırlık testi skorları, deneyden önce yapılan teste kıyasla yükselmiş, kontrol grubunda ise egzersiz sonucunda hiçbir artış gözlemlenmemiştir. Her ne kadar karmaşık model anlaşılırlığı skorları üzerinde çalışma belleği kapasitesinin etkisi görülse de çalışma belleği kapasitesi testinin model anlaşılırlık yeteneğine transfer edilebileceğine ve bu yeteneği istatistiksel olarak anlamlı bir şekilde arttıracağına dair kesin bir kanıt bulunamamıştır. Bu orijinal tez çalışması, çalışma belleği kapasitesinin karmaşık model anlaşılırlığına olan etkisi ile ilgili ilk bulguları sunması açısından literatüre katkı sağlamaktadır.Article Citation Count: 0An Experimental Study Towards Investigating the Effect of Working Memory Capacity on Complex Diagram Understandability(Assoc information Communication Technology Education & Science, 2020) Sözen, Nergiz; Say, Bilge; Kılıç, Özkan; Computer Engineering; Software EngineeringThis study investigates whether working memory (WM) capacity affects the understandability of complex diagrams and if so, whether WM training has a positive effect on their comprehensibility. Two experiments were conducted with computer science students. In the first experiment, we collected eye-tracking data while participants performed comprehension tasks on an activity diagram. In the second experiment, the participants completed WM training, before and after their comprehension scores were measured. The results showed that working memory capacity can positively affect the understandability of complex diagrams, but it provided no conclusive evidence for the effectiveness of working memory training.Conference Object Citation Count: 2Solving Travelling Salesman Problem: a Hybrid Optimization Algorithm(Institute of Electrical and Electronics Engineers Inc., 2019) Sozen,N.; Sözen, Nergiz; Computer EngineeringThere are numerous selection, crossover, and mutation methods suggested in the literature when it comes to genetic algorithms. However, behavior of each different method changes when used in combination with other methods. In this paper, a brief and clear explanation of many popular selection, crossover and mutation techniques has been presented and the combination of various optimization methods using Genetic Algorithm has been implemented to generate a hybrid algorithm as a solution to the well-known NP-hard Travelling Salesman Problem (TSP). In this study, 10 different hybrid algorithms are implemented and experimented. Each of these algorithms are formed combining two different selection methods, 3 different crossover methods and 2 different mutation methods. Each of the ten different algorithms have been implemented and their performance have been tested with two different datasets to understand which algorithm outperforms the others. Performance of the combination of various methods have been presented and the findings illustrated that combination of specific crossover, selection and mutation methods outperform in terms of the ultimate optimal result. The results have been compared with the algorithms in the literature that combines Roulette Wheel Selection (RWS), and Stochastic Universal Selection (SUS); each implemented in combination with Partially Mapped Crossover, Cycle Crossover, and Ordered Crossover. Each combination has been tried on various population sizes, mutation and crossover rates. It is found that combining specific selection, mutation and crossover methods can outperform the methods suggested in the literature in equal circumstances-when the same population size, generation size, mutation and crossover rates are used. © 2019 IEEE.
