Türkçe Metinlerde Duygu Tespiti: NLP ve Makine Öğrenmesi Yaklaşımı
Abstract views: 25
/ 
PDF downloads: 26
Keywords:
Duygu Analizi, Doğal Dil İşleme, Türkçe, Makine Öğrenmesi, TREMO, Metin MadenciliğiAbstract
Bu çalışma, Türkçe metinlerde insan duygularının otomatik olarak tespitine yönelik doğal dil
işleme (NLP) ve makine öğrenmesi tekniklerinin uygulanmasını ve değerlendirilmesini amaçlamaktadır.
Duygu tespiti; sosyal medya analizi, müşteri geri bildirimi, ruh sağlığı takibi ve insan-bilgisayar
etkileşimi gibi birçok alanda kritik bir rol oynamaktadır. Bu kapsamda, çalışmada Logistic Regression,
Naive Bayes ve Support Vector Machine (SVM) algoritmaları kullanılarak kapsamlı bir karşılaştırmalı
analiz gerçekleştirilmiştir. Modelin eğitimi ve test süreçleri, Kaggle platformundan temin edilen TREMO
veri kümesi üzerinde yürütülmüş; TF-IDF tabanlı özellik çıkarımı ile birlikte hiperparametre
optimizasyonu uygulanmıştır. Elde edilen sonuçlar, özellikle Logistic Regression algoritmasının %79,7
doğruluk oranı ile en yüksek performansı sergilediğini ortaya koymuştur. Bu bulgular, klasik makine
öğrenmesi yöntemlerinin Türkçe duygu analizinde etkili çözümler sunabileceğini ve modellerin hangi
kelimeleri belirleyici olarak değerlendirdiğini göstermesi açısından önem arz etmektedir.
Downloads
References
Ratican, J. & Hutson, J. (2024). Advancing Sentiment Analysis Through Emotionally-Agnostic Text Mining in Large Language Models (LLMS). Journal of Biosensors and Bioelectronics Research, 2(3), 1-8.
Truong, V. (2024). Textual emotion detection – A systematic literature review. Research Square, DOI: https://doi.org/10.21203/rs.3.rs-4673385/v1.
Chutia, T., & Baruah, N. (2024). Text-based Emotion Detection A Review. International Journal of Digital Technologies, 3(1), 15-25.
Truong, V. (2024). Current challenges in detecting complex emotions from texts. Research Square, DOI: https://doi.org/10.21203/rs.3.rs-4776002/v1.
Guo, J. (2022). Deep learning approach to text analysis for human emotion detection from big data. Journal of Intelligent Systems, 31, 113-126.
Machová, K., Szabóova, M., Paralič, J., & Mičko, J. (2023). Detection of emotion by text analysis using machine learning. Frontiers in Psychology, 14, 1190326.
Li, Y., Chan, J., Peko, G., & Sundaram, D. (2024). An explanation framework and method for AI-based text emotion analysis and visualisation. Decision Support Systems, 178, 114121.
De León Languré, A. & Zareei, M. (2024). Improving Text Emotion Detection Through Comprehensive Dataset Quality Analysis. IEEE Access, 12, 166512-166530.
Acheampong, F. A., Wenyu, C., & Nunoo-Mensah, H. (2020). Text-based emotion detection: Advances, challenges, and opportunities. Engineering Reports, 2(7), e12189.
Al Maruf, A., Jiyad, Z. M., Mridha, M. F., Khanam, F., Haque, M. M., & Aung, Z. (2024). Challenges and Opportunities of Text-Based Emotion Detection: A Survey. IEEE Access, 12, 18416-18440.
Manapragada, H. (2024). Emotion Analysis using Multimodal Approach. Master's Thesis, California State University, Northridge.
