Engin Demir

Büyük dil modelleri (LLM), yazılım mühendisliği süreçlerinde yalnızca kod üretimiyle sınırlı kalmayıp algoritma geliştirme, sistem tasarımı ve test gibi birçok aşamada etkin biçimde kullanılmaktadır. Bu çalışma, ChatGPT, Gemini, Claude ve GitHub Copilot tarafından üretilen Python kodlarının yazılım mühendisliği ölçütleri çerçevesinde çok boyutlu olarak değerlendirilmesini amaçlamaktadır. Araştırma kapsamında, kolay, orta ve zor düzeylerde yapılandırılmış algoritmik görevler tüm modellere aynı istemlerle sunulmuş; elde edilen kod çıktıları metinsel, yapısal, anlamsal ve işlevsel açılardan analiz edilmiştir. Değerlendirme sürecinde Levenshtein mesafesi, n-gram Jaccard benzerliği, özetleme tabanlı parmak izi analizi, soyut söz dizim ağacı benzerliği ve gömme tabanlı kosinüs benzerliği gibi metrikler kullanılmış; ayrıca kod karmaşıklığı ve sürdürülebilirliği, siklomatik karmaşıklık ve bakım yapılabilirlik indeksi üzerinden incelenmiştir. Model çıktıları, GitHub ve LeetCode platformlarından elde edilen insan geliştirici çözümleriyle karşılaştırılarak özgünlük, kalite ve yazılım mühendisliği standartlarına uyum açısından değerlendirilmiştir. Elde edilen bulgular, LLM’lerin aynı problemlere yönelik benzer yapısal eğilimler gösterebildiğini, ancak görev zorluk düzeyine bağlı olarak kalite ve özgünlük performanslarının anlamlı biçimde farklılaştığını ortaya koymaktadır. Bu çalışma, büyük dil modellerinin yazılım mühendisliği süreçlerindeki potansiyel katkılarını ve sınırlılıklarını nicel analizlerle ortaya koyarak literatüre deneysel bir bakış sunmaktadır.

Detection of location and trajectory anomalies of moving objects such as people and vehicles are crucial to identify abnormal behaviour during their daily activities. In this study, it is aimed to determine these anomalies using the tracking device under development. For that purpose, performance of different state-of-the-art online data mining and machine learning algorithms are compared using GPS traces including short-term (two weeks) data.

Web search engines typically index and retrieve at the page level. In this study, we investigate a dynamic pruning strategy that allows the query processor to first determine the most promising websites and then proceed with the similarity computations for those pages only within these sites

We propose a unique cluster-based retrieval (CBR) strategy using a new cluster-skipping inverted file for improving query processing efficiency. The new inverted file incorporates cluster membership and centroid information along with the usual document information into a single structure. In our incremental-CBR strategy, during query evaluation, both best(-matching) clusters and the best(-matching) documents of such clusters are computed together with a single posting-list access per query term. As we switch from term to term, the best clusters are recomputed and can dynamically change. During query-document matching, only relevant portions of the posting lists corresponding to the best clusters are considered and the rest are skipped. The proposed approach is essentially tailored for environments where inverted files are compressed, and provides substantial efficiency improvement while yielding comparable, or sometimes better, effectiveness figures. Our experiments with various collections show that the incremental-CBR strategy using a compressed cluster-skipping inverted file significantly improves CPU time efficiency, regardless of query length. The new compressed inverted file imposes an acceptable storage overhead in comparison to a typical inverted file. We also show that our approach scales well with the collection size.