3 results
Search Results
Now showing 1 - 3 of 3
Master Thesis Karar Verme ile Dijital Güven Arasındaki İlişkinin İncelenmesi(2024) Türksoy, Bengisu; Toker, SacipDijital çağın gelişimiyle birlikte, insanların online platformlarda duydukları güven, her zamankinden daha kritik bir role ev sahipliği yapmaktadır. Bu bağlamda, insan duygularının ve teknolojinin entegrasyonunun bir sonucu olarak ortaya çıkan 'digital trust' kavramı, günümüzde büyük bir öneme sahiptir ve bireylerin karar alma yetenekleri de kritik bir rol oynamaktadır. Bu çalışmanın temel amacı, karar alma ile dijital güven arasındaki ilişkinin etkisini incelemektir. Detaylı olarak, Sosyal Teknolojik Merdiven seviyelerine dayanarak, karar alma ile dijital güven arasında bir ilişkinin olup olmadığı araştırılmıştır. Ayrıca, endüstri sektörlerine dayanarak, karar alma ile dijital güven arasında bir ilişkinin olup olmadığı incelenmiştir. Son olarak, endüstri sektörlerinde cinsiyetle ilişkilendirilerek, karar alma ile dijital güven arasındaki ilişki incelenmiştir. Çalışmada incelenen veriler, dijital güven seviyelerini ölçmek için kullanılan e-Güven Anketi aracılığıyla 36 farklı ülkede 5329 katılımcıdan elde edilmiştir. Bu anket, dijital güven düzeyini değerlendirmek amacıyla on farklı bileşeni içermektedir ve katılımcılara üç seviye altında sorular yöneltilmiştir. Toplanan verileri incelemek ve karar alma ile dijital güven boyutları arasındaki ilişkiyi değerlendirmek için Spearman'ın korelasyon katsayısı kullanılmıştır. Araştırmanın sonuçlarına göre, bilinçaltı düşünme ve hızlı kararlar gibi karar alma bileşenleri ile dijital arasında güçlü bir ilişki olduğu ortaya çıkmıştır. Bunun yanı sıra, sezgisel karar alma ile dijital güven düzeyi arasında anlamlı bir ilişki olduğu ve bireylerin Sosyal Teknolojik Merdiven üzerindeki rollerinin, dijital güven seviyelerini etkilediği gözlemlenmiştir.Master Thesis Makine Öğrenmesinde, Farklı Veri Temizleme Tekniklerlerinin Sonuç Ölçevleri Üzerindeki Etkisinin İncelenmesi(2022) Abbas, Israa Mustafa; Toker, SacipE-ticaret platformları ve çevrimiçi uygulamalar nedeniyle verilerin katlanarak büyümesi, veri analizi ve işlenmesi için büyük bir zorluk yarattı. Artık internetteki e-ticaret sitelerinin müşterilerinin satın aldıkları ürünler hakkında yorum yazmalarını sağlamak sık kullanılan bir uygulamadır. Bu incelemeler, bu ürünler hakkında değerli bilgi kaynakları sağlar. Bir ürün incelemesi, tüm çevrimiçi ürün şirketlerinde kullanılan duygusal analiz için önemli bir veri kaynağı içerir. Bu büyük miktarda veri etkisi büyük bir zorluk yaratır. Ancak, bu veri kümelerinin farklı veri sorunları vardır. Çoğu durumda, genellikle veriler yayınlanmadan önce çeşitli veri madenciliği teknikleri kullanılır. Mekansal olarak, görünmeyen verileri tahmin etmek için geçmiş ve etiketlenmiş veriler üzerinde eğitilen denetimli makine öğrenimi modellerinde, modelin daha önce öğrenmediği veriler. Bu tezde ayrıca makine öğrenmesinde deney çalışması tasarımına odaklandık. [1]. Bir sebep-sonuç ilişkisi bulmak için düzenli olarak Ronald Fisher'ın teorilerini [2] uygularız. Bu deneysel çalışma tasarımını uygulamak için, doğal dil işleme (NLP) yaklaşımı olan duygusal analiz ile denetimli makine öğrenmesi sınıflandırma algoritmalarını seçtik. Kuruluşların bir ürün veya hizmet hakkındaki görüşleri tanımlaması ve kategorilere ayırması için ortak bir yol. Duyguları ve öznel bilgileri elde etmek için metin madenciliği yapmak için veri madenciliği, makine öğrenimi ve yapay zeka kullanmayı içerir [3]. Bu çalışma, beş deney grubunun (yinelenen veri, noktalama işaretleri, durdurma sözcükleri, limmatezr, TF-IDF transform) etkisini analiz etmek ve bunları bir kontrol grubuyla karşılaştırmak (veri temizleme işlemi yapılmamış) için Multinominal Naïve Bays, Random Forest ve Lojistik Regresyon ile kurulmuştur. Uygulamalı. Deney grubunun üç modelin verimliliğine ve sınıflandırma oranına etkisini belirlemek ve ilginç gözlemleri açıklamak. Simülasyonlar, yirmi dört farklı kategoriden Amazon Product Review veri kümesinden rastgele seçilen 353 proje üzerinde çalıştırıldı. Böylece, veri seti Amazon.com'dan McAuley ve Leskovec [4][5] tarafından toplanmıştır. Metrik veri seti toplandıktan sonra analiz için SPSS yazılımı kullanılmıştır. Bu araştırma sorusunu ve kullanılan ölçeğin tanımlayıcı istatistiklerini incelemek için tekrarlı ölçüm ANOVA yapılmıştır. Analizin sonucu, veri temizlemenin makine öğrenimi modellerinin performansı üzerinde farklı bir etkisinin olduğunu göstermektedir. Aynı durumlarda rasgele ormanda olumlu, çok taraflı naif koylarda ve lojistik regresyonda olumsuz etkilenir. Diğer durumlarda, hiçbir etkisi olmadı. Genel olarak, deneysel sonuçlar Random Forest sınıflandırıcısının, Multinominal Naive Bayes sınıflandırıcısına ve Logistic Regression sınıflandırıcısına göre veri temizlemeye daha duyarlı olduğunu ve iki algoritmanın da temiz olmayan veri setinde yüksek bir sınıflandırma puanı elde ettiğini göstermiştir. Ayrıca, deney sonuçları, veri sorunları davranışının makine öğrenimi modelinde farklılık gösterdiğini gösterdi. Tüm makine öğrenimi algoritmalarında veri kalitesi sorunlarını alakasız veriler olarak kabul edemeyiz.Master Thesis Öğrenci Katılımını, Motivasyonunu ve Performansı Artırmak için Oyun Tabanlı Öğrenme ve Oyunlaştırma Kullanarak Öğrenme Web Geliştirme(2022) Ojonuba, Suzan Ejura; Tirkeş, Güzin; Toker, SacipSon on yılda, yazılım geliştirmede, özellikle web geliştirme alanında muazzam bir büyüme oldu. Bu aynı zamanda üniversitelerin, öğrencilerin HTML, CSS, JAVASCRIPT ve sunucu tarafı programlama dilleri gibi dilleri öğrenerek web geliştirmenin temellerini anlamalarına yardımcı olmak için akademik oturumlarına birkaç dersi dahil etmelerine yol açmıştır. Akademik bir ortamda veya birçok eğitim web sitesinde web geliştirme öğretiminin büyümesi ve iyileştirilmesi, öğrencileri olumsuz etkileyen bazı zorlukları da beraberinde getirdi. Bu konuyu etkili bir şekilde öğrenmede en etkili pedagojiyi uygulamak önem kazanmıştır. Ayrıca, geleneksel öğrenme yöntemi de öğreneni sıkmakta ve dolayısıyla öğrenme sürecini etkilemektedir. Bu çalışmada, web geliştirme konusunun öğrenilmesinde oyun tabanlı öğrenme ve oyunlaştırmanın kullanımı, bu yöntemin web geliştirme konusunun öğrenilmesine uygulanmasının etkinliğini görmek için araştırılmıştır. Bu sistemin etkinliği, oyunlaştırılmamış web tabanlı bir sistemle karşılaştırılarak değerlendirilmiştir. Bu deneyi yapmak için Atılım Üniversitesi ve Doğu Akdeniz Üniversitesi'nden iki örneklem grubu kullanılmıştır. Bu çalışmada, öğrencilerin katılımı, motivasyonu ve performansı dahil olmak üzere web geliştirmeyi öğrenmede önerilen çözümün etkinliğini değerlendirmek için üç yapı ölçülmüştür. Sonuç, oyunlaştırılmış sistemi kullanan öğrencinin (88.63) ortalama puanla oyunlaştırılmayan sistemi kullanan öğrencilere göre (72.66) daha yüksek bir performans gösterdiğini göstermiştir. Öğrencilerin katılım ve motivasyon puanları açısından oyunlaştırılmamış sistemi kullanan öğrenciler ile oyunlaştırılmış sistemi kullanan öğrencilerin katılım ve motivasyonları arasında anlamlı bir farklılık olmadığı görülmüştür. Bu sonuçlara dayanarak, oyun temelli öğrenme ve oyunlaştırma uygulamalarının öğrencilerin konu hakkındaki bilgilerini geliştirmede olumlu bir etkisi olduğu sonucuna varılabilir.