Yazara Gore Listeleme

Distributed representations (DR) are used to capture semantic and syntactic patterns in language by analyzing the distributional relationships of words within textual data. The modeling methods that produce DR are based on the assumption (distributional hypothesis) that "words that occur in the same context tend to have similar meanings," which is inherent to the nature of language. These modeling methods, due to their unsupervised nature, can be trained without human judgment input, allowing researchers to train large datasets at relatively low costs. Although word-based models perform effectively for languages with limited vocabularies, such as English, they exhibit considerable inefficiency when applied to morphologically rich languages with unlimited vocabularies, such as Turkish. We observed that n-gram and statistical segmentation methods, which are commonly used in subword modeling to address the issues of out-of-vocabulary and rare-words, are highly sensitive to orthographic similarity. Consequently, these methods struggle to distinguish between unrelated concepts (e.g., shrink - shrine). Moreover, we noted that the impact of morphological segmentation methods on these types of problems has shown inconsistent results in the literature. This thesis aims to make conceptual assumptions and improvements concerning different types of semantic relationships (e.g., relatedness and similarity), to model the role of language morphology as an input in subword DR models, and to develop the dataset generation methodologies and evaluation methods to measure this effect. Within the scope of the study, different models and segmentation methods were empirically tested, the AnlamVer and OSimUnr datasets were produced, and the task of relatedness classification and associated evaluation methods were proposed to measure the noise introduced by segmentation to the model. Our experiments demonstrate that morphological segmentation produces significantly less noise compared to n-gram-based methods and can lead to substantial performance improvements depending on the nature of the task.

Bu araştırmada ebeveynleşme ile kırılgan narsisizm arasındaki ilişkide kendiliknesnesi ihtiyaçlarına yönelimin aracı etkisi ve savunma mekanizmalarının düzenleyici etkisinin incelenmesi amaçlanmıştır. Bu çalışmanın örneklemi, 18-65 yaş aralığındaki 308 gönüllü katılımcıdan (228 Kadın, 80 Erkek) oluşmaktadır. Araştırmanın amacı doğrultusunda katılımcılara Sosyodemografik Bilgi Formu, Ebeveynleştirilmiş Çocuk Ölçeği – Yetişkin Formu, Patolojik Narsisizm Envanteri, Kendiliknesnesi İhtiyaçları Envanteri, Savunma Biçimleri Testi sunulmuştur. Araştırma verilerini analiz etmek amacıyla Pearson Korelasyon, Bağımsız İki Örneklem T-test, ANOVA analizleri ve Process Makro Model 5 analizleri yapılmıştır. Araştırma sonuçlarına göre kırılgan narsisizm düzeyinin cinsiyete göre farklılaştığı, kadınların erkeklere göre daha yüksek düzeyde kırılgan narsisizme sahip olduğu bulunmuştur. Kırılgan narsisizm ile yaş arasında negatif yönde anlamlı bir ilişki saptanmış, yaş arttıkça kırılgan narsisizm düzeyinin azaldığı bulunmuştur. Ebeveynleşme düzeyinin cinsiyete göre farklılaştığı, kadınların erkeklere göre daha yüksek genel ve kardeş odaklı ebeveynleşme düzeylerine sahip oldukları bulunmuştur. Process Model 5 analizlerine göre hem genel ebeveynleşme hem de kardeş odaklı ebeveynleşme ile kırılgan narsisizm arasındaki ilişkide aynalanma - idealizasyon - ikizlik ihtiyacına yaklaşma ve idealizasyon - ikizlik ihtiyacından kaçınmanın anlamlı aracılık etki gösterdiği ancak aynalanma ihtiyacından kaçınmanın anlamlı aracılık etki göstermediği saptanmıştır; tüm modellerde savunma mekanizmalarının (matür, nevrotik, immatür) anlamlı düzenleyici etki etmediği görülmüştür. Son bölümde analizler sonucu elde edilen bilgiler literatür ışığında tartışılmıştır, çalışmanın kısıtlılıklarına değinilmiş ve gelecek çalışmalar için önerilere yer verilmiştir. Anahtar Kelimeler: Ebeveynleşme, Kırılgan Narsisizm, Kendiliknesnesi İhtiyaçları, Savunma Mekanizmaları

9 Kasım 1989-30 Ekim 1995 arasında kurulan hükümetler, programları ve program görüşmeleri TBMM Tutanakları'ndan anlatılmaktadadır.

This thesis applied NLP techniques to analyze and summarize bilingual student feedback collected via end-of-semester surveys. The dataset, which contained open-ended responses in both English and Turkish, required a model adept at preserving linguistic nuances across languages. The Llama 2-7b-hf model, which had been trained explicitly for text generation, was selected for its capability to produce coherent and contextually relevant summaries. Data preprocessing involved organizing metadata such as department, semester, course name, and section number, segregating comments by word count, and removing personal identifiers to ensure privacy. Shorter comments (fewer than ten words) were grouped and summarized using a pipeline from the Transformers library, while longer comments were fine-tuned with metadataspecific prompts for detailed summarization. To further enhance analysis, sentiment classification was performed using the “cardiffnlp/twitter-robertabase-sentiment” model, categorizing feedback into negative, neutral, and positive sentiments. Evaluation metrics included expert reviews, contextual relevance, and logical consistency with the dataset’s sentiment distribution. Compared to previous models, the Llama 2 model demonstrated superior performance in generating complete, coherent summaries while preserving the overall intent and tone of the comments. Ultimately, this research highlighted the effectiveness of LLMs in processing multilingual educational data and their potential to provide actionable insights for improving course content and student experiences.