Kural Tabanlı Etiketleme ile Youtube Başlıklarında Clickbait Tespiti ve Sınıflandırma Analizi
- 1 September 2026
- journal article
- Published by Igdir University in Journal of the Institute of Science and Technology
- Vol. 16 (3) , 889-903
Abstract
Bu çalışmada, YouTube platformundaki video başlıklarından oluşan etiketsiz bir veri kümesinde clickbait (tıklanma tuzağı) içeriklerinin otomatik olarak sınıflandırılması amaçlanmıştır. Etiketleme süreci, literatürde tanımlanan clickbait göstergelerine dayalı olarak geliştirilen kural tabanlı bir puanlama sistemi ile gerçekleştirilmiştir. Her başlık için yapısal ve dilsel özellikler (rakam kullanımı, büyük harf oranı, noktalama yoğunluğu, duygusal kalıplar vb.) dikkate alınarak clickbait skoru hesaplanmış ve belirlenen eşik değeri üzerinden sınıflandırma yapılmıştır. Önerilen etiketleme yaklaşımının güvenilirliği, insan doğrulayıcılar ile gerçekleştirilen uyum analizi (Cohen’s Kappa) ile desteklenmiştir. Elde edilen etiketli veri üzerinde Lojistik Regresyon, Destek Vektör Makineleri, K-En Yakın Komşu, Rastgele Orman, Gradient Boosting ve XGBoost makine öğrenmesi algoritmaları uygulanmıştır. Modeller, doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC metrikleriyle değerlendirilmiş; GridSearchCV yöntemiyle hiperparametre optimizasyonu gerçekleştirilmiştir. Sonuçlar, ensemble tabanlı algoritmaların (özellikle XGBoost ve Random Forest) en yüksek performansı gösterdiğini ortaya koymuştur. Betimleyici istatistikler ve t-testi bulguları, clickbait başlıkların daha kısa, daha fazla noktalama işareti içeren ve büyük harfli ifadelerle vurgulanan yapılara sahip olduğunu göstermiştir. Bu yönüyle çalışma, etiketsiz metin verilerinde insan etiketlemesi gerektirmeden uygulanabilir, açıklanabilir ve ölçeklenebilir bir yaklaşım sunmaktadır.Keywords
This publication has 19 references indexed in Scilit:
- Topic Modeling-Driven Feature Engineering to Enhance Clickbait Detection in Social Networks2024
- Improving the segmentation of digital images by using a modified Otsu’s between-class varianceMultimedia Tools and Applications, 2023
- Clickbait Detection for YouTube Videos2022
- Identification of Clickbait in Video Sharing Platforms2021
- Baitradar: A Multi-Model Clickbait Detection Algorithm Using Deep Learning2021
- A unified approach for detection of Clickbait videos on YouTube using cognitive evidencesApplied Intelligence, 2021
- A deep learning framework for clickbait detection on social area network using natural language cuesJournal of Computational Social Science, 2020
- Towards reliable online clickbait video detection: A content-agnostic approachKnowledge-Based Systems, 2019
- Stop Clickbait: Detecting and preventing clickbaits in online news media2016
- Clickbait Detection2016