Furkan Göz

Background/Objectives: Patients with multimorbidity often receive conflicting dietary guideline recommendations, and large language models (LLMs) increasingly draft dietary advice. In this study, we evaluated nine LLMs, including two Turkish-adapted models, on 76 synthetic patient vignettes in Turkish and English. Methods: The vignettes combined type 2 diabetes, chronic kidney disease, hypertension, obesity, gout and celiac disease as single conditions, conflicting pairs, concordant pairs and triples. An LLM judge panel graded the responses against key-feature checklists approved by a dietitian, whose blinded ratings of a subset agreed with the panel on 90% of items. Results: The proprietary models covered 81% to 92% of the weighted checklist and fully resolved 57% to 89% of the guideline conflicts. Their coverage did not differ significantly between Turkish and English in any of these models, whereas across all models Turkish responses covered 2 percentage points less, mainly in conflicting-pair vignettes and in the open-weight models. The GPT and Claude models had the fewest safety-critical flags, 5% to 8% in both languages, and the proprietary models’ Turkish advice was rated 4.9 to 5.0 out of 5 for cultural appropriateness. Conclusions: Expert review of LLM drafts can therefore focus on conflict resolution, and the checklist procedure provides a reusable audit.

Image-based recognition can help growers diagnose plant diseases early. Classifiers trained on laboratory leaf images, however, lose accuracy on field photographs. Frozen foundation models provide features for field photographs, but fusing several of them increases the feature dimension. In this study, we concatenated the features of ten frozen backbones from five pretraining families into a 9472-dimensional vector. We reduced this vector to the size of one backbone by feature selection or projection and classified it with a linear probe. The main results on three field datasets are means over 30 repetitions. On the official PlantWild test split, early fusion reached 81.4% accuracy and late fusion 81.7%, against 76.7% for the best single backbone. To our knowledge, these are the highest accuracies reported on this split. L1-penalized feature selection to 1536 dimensions reached 80.6%, compared with 80.2% for the previous best method at 2816 dimensions. On PlantWild, L1 selection took its largest shares from the backbones that contributed most, whereas relevance filters concentrated on two backbones that contributed less. Removing the two backbones that L1 selection used least lowered the macro-averaged F1 score by at most 0.002 on any dataset and left eight backbones at inference.

Large Language Models have shown considerable potential for academic document understanding, but their use in information extraction remains limited by hallucination and incomplete evidence grounding. This study presents an end-to-end Retrieval-Augmented Generation framework using a domain-adapted Llama 3.1 8B Instruct model. Generation reliability is evaluated through faithfulness, answer relevancy, context precision, and context recall, while retrieval relevance is measured using a rank-based percentile score that supports comparison across cosine, dot-product, and Euclidean similarity functions. Context recall is computed through a reference-free and answer-dependent procedure and is therefore interpreted as the extent to which the information expressed in an answer is accounted for by the supplied context. Experiments were conducted on 100 research articles using three tasks: research objective extraction, methodological information extraction, and experimental result interpretation. A separate QLoRA adapter was trained for each task, and the base and adapted models were evaluated under identical retrieval and generation conditions across three embedding models and three similarity functions. Under the highest-scoring configuration for each task, the composite score increased from 0.809 to 0.821, from 0.807 to 0.818, and from 0.795 to 0.814, respectively. The adapted model achieved a composite score in 26 of 27 task–retrieval configurations, although only the experimental-result task remained statistically significant after false discovery rate correction. Error analysis showed fewer fabricated statements and less task drift than the base model.

Arka Plan—Hukuk alanında yapay zekânın, hem mevcut kurumlara entegre edilen destekleyici sistemler hem de tamamen yapay zekâ merkezli yeni nesil hukuk teknolojisi girişimleri şeklinde geliştiği görülmektedir. Ancak Türkiye özelinde hukuk teknolojileri alanındaki çalışmaların dünya literatürüne kıyasla oldukça sınırlı olduğu görülmektedir. Bu sınırlılık, Türkçenin eklemeli yapısının NLP uygulamaları için karmaşık dilbilimsel zorluklar oluşturmasıyla ilişkilendirilmektedir. Suç türü sınıflandırması hem hukuki araştırma süreçlerini hızlandırmak hem de benzer davaların tespitini kolaylaştırmak açısından kritik bir rol oynamaktadır.Amaç—Bu çalışmanın amacı, açık kaynaklı Türkçe ceza davası karar metinlerini kullanarak klasik makine öğrenmesi ve derin öğrenme tabanlı modellerin Türkçe hukuk terminolojisi üzerindeki performanslarını karşılaştırmalı olarak analiz etmek ve otomatik metin sınıflandırması için en uygun modeli belirlemektir. Ayrıca analizler sonucunda en yüksek başarımı gösteren model kullanılarak gerçek zamanlı bir sınıflandırma sistemi geliştirip ve sistemin uygulanabilirliği test edilmektir.Yöntem— Web kazıma kullanılarak Ceza Dairesi karar metinlerinden oluşan ve yedi farklı suç türünü içeren bir veri seti oluşturulmuştur. Veri seti oluşturulurken ilk olarak web sitesinden çekilen metinler incelenmiş ve yalnızca suç türü bilgisi içerenler filtrelenmiştir. Ardından, suç türleri belirlenerek bunlara göre metinler etiketlenmiştir. Anlamsal olarak benzer olan bazı sınıflar birleştirilmiştir. Son aşamada etiketli veri seti temizlenmiş, metinlerin içerisinde yer alan etiket bilgileri çıkarılmış ve çok kısa olan metinler veri setinden kaldırılmıştır. Oluşturulan nihai veri seti, yedi farklı yapay öğrenme modeli kullanılarak eğitilmiştir. Bu modeller; TF-IDF + Naive Bayes, TF-IDF + Logistic Regression, TF-IDF + SVM, FastText + SVM, FastText + BiLSTM, BERT, RoBERTa ve DistilBERT’tir. Model performansları doğruluk ve F1-skor ölçütleri kullanılarak karşılaştırılmıştır. Elde edilen sonuçlara göre en yüksek doğruluğu sağlayan FastText + SVM modeli ile üretken yapay zeka tabanlı GPT-4o-mini modeli, eğitim veri kümesinde yer almayan veriler üzerinde gerçek zamanlı olarak test edilmiştir.Bulgular—Geleneksel makine öğrenmesi yöntemlerinden TF-IDF + SVM, %95.71 F1 skoru ile en yüksek performansı elde etmiştir. SVM'in, TF-IDF gibi terim sıklığına dayalı özellik çıkarma yöntemi karar metinlerinde sıkça yer alan ve ayırt edici gücü yüksek anahtar kelimelerin etkili biçimde temsil etmesi sayesinde derin öğrenme modellerini geride bırakmıştır. Gerçek zamanlı test aşamasında eğitilmiş TF-IDF + SVM modeli ile az örnekli öğrenme yaklaşımı kullanılan GPT-4o-mini modeli eğitim veri kümesinde yer almayan veriler üzerinde karşılaştırılmıştır. İki yaklaşım da %85.71 doğruluk ile eşdeğer performans sergilemiştir. Ancak TFIDF + SVM milisaniyeler içinde yanıt üretirken, LLM tabanlı sistemlerin yanıt süresinin daha uzun olması ve API maliyetleri, gerçek zamanlı, büyük ölçekli uygulamalar açısından önemli bir farklılık olarak öne çıkmıştır.Sonuç—Yapay öğrenme modelleri kullanılarak yapılan sınıflandırmalarda TF-IDF + SVM yönteminin, Türk dava karar metinlerindeki suç türlerini sınıflandırmada etkili olduğu gözlemlenmiştir. Bu yöntem, yapay zeka destekli hukuk sistemlerinde karar destek mekanizmalarına entegre edilebilir. Gelecekteki çalışmalar, Türk hukuk dava metinlerini kullanarak daha büyük veri setleri üzerinde ve daha geniş suç türlerini kapsayan sınıflandırma yaklaşımlarını araştırabilir.

Büyük dil modellerinin seyrek ve bölgesel söz varlığı karşısındaki yanlış üretimleri, yaygın bilgi sorularına ya da uydurma varlıklara dayanan değerlendirmelerde yeterince görünür olmayabilir. Bu çalışma Türkçe sözcük anlamı sorularındaki yanlış tanım ve çekimserlik davranışını 20 yaygın, 70 nadir, 70 ağız ve 40 üretilmiş sahte sözcükten oluşan dört katmanlı bir test kümesiyle incelemektedir. Dokuz model, sözcük anlamını soran nötr istem ve modelin “bilmiyorum” demesine açıkça izin veren istem koşullarında değerlendirilmiştir. Elde edilen 3.600 yanıt yedi kategorili bir kodlama şemasıyla büyük dil modeli tabanlı bir yargıç (BDM-yargıç) tarafından kodlanmış, kodlar 500 yanıtlık kör insan alt kümesinde doğrulanmıştır. Ana sonuç değişkeni, sözlük tanımıyla uyuşmayan bir anlamın ileri sürülmesi olarak tanımlanan yanlış tanımdır. Bu değişken için insan ile yargıç arasındaki Cohen's kappa 0,80'dir. Yargıç kodlarına göre yanlış tanım oranı yaygın sözcüklerde %1,4, nadir sözcüklerde %20,7, ağız sözcüklerinde %38,8 ve sahte sözcüklerde %26,1'dir. Ağız sözcüklerindeki oran sahte sözcüklerdekinden 12,7 yüzde puan yüksektir. Nadir sözcükler ile sahte sözcükler arasındaki fark anlamlı değildir. Gerçek sözcüklerdeki yanlış tanımların yaklaşık yarısı başka bir gerçek sözcüğün anlamıdır. Yanlış tanım oranı nötr istemde %40,2 iken çekimserliğe izin veren istemde %12,2'dir. Yanlış tanımların yargıç kodlarına göre %87,0'ında, insan kodlu alt kümede %90,3'ünde belirsizlik ifadesi yer almamıştır. Gerçek sözcüklere verilen çekimser yanıtların dörtte biri sözcüğün var olmadığını ileri sürmektedir. Sonuçlar, Türkçe söz varlığı değerlendirmelerinin gerçek seyrek ve bölgesel sözcükleri sahte sözcüklerle birlikte içermesi ve istem koşulunun ayrı bir değişken olarak raporlanması gerektiğini göstermektedir.

Keywords are salient words that best describe the content and the topic of a text document. As text documents are not usually annotated by their authors, automatic keyword extraction has become a challenging research topic. In this study, we investigate the performance of graph-centrality measures as initial node weights in graph-based keyword extraction on Tukish bank documents. To this aim, we focus on degree, eigenvector, betweenness, and closeness centralities and investigate their performance on keyword extraction on a 553 bank document dataset in Turkish. The experimental results show eigenvector centrality achieved the best results.

Son yıllarda, farklı konular için sunulan dijital bilgi kaynaklarının sayısı aşırı miktarda artmaktadır. Bu dijital bilgi kaynaklarına erişim desteği sunan sistemlerin birçoğu tarama, arama ve bilgi geri kazanımı araçlarına odaklanmıştır. Sayısal kütüphaneler, elektronik kitaplıklar ve Web sayfaları, bilgi erişimini iyileştirmek, belge koleksiyonlarını farklı anahtar kriterlere göre hiyerarşik olarak oluşturmak ve düzenlemek için yeni birçok açılım sunmaktadır. Farklı arama araçları, bilgi erişim teknikleri kullanılarak erişilebilen belgeleri düzenlemek, endekslemek ve özetlemek için yazılım tabanlı hizmetleri kullanarak daha kapsamlı bir doküman kapsamı sunulabilmektedir. Dijital kütüphanelerdeki arama mekanizmalarına uygulanan teknolojiler, doküman koleksiyonlarını yönetmek, anlamlı veri çıkarmak ve doküman ilişkilerinin belirlenmesi için farklı yöntem ve teknolojilerin kullanımını zorunlu kılmıştır. Özellikle belgeler arasındaki ilişki ne biçimleri ne de türleri ile açıkça tanımlanamamaktadır. Bu çalışma, sayısal kütüphaneler için belgelerin içeriğinden üst-veri çıkarımı, varlık isimlerinin elde edilmesi, anahtar kelimelerin elde erilmesi ve doküman benzerliklerinin oluşturulması için kullanılan yöntem ve teknikler için kapsamlı bir çalışma sunmaktadır.

Landslide susceptibility assessment is the problem of determining the likelihood of a landslide occurrence in a particular area with respect to the geographical and morphological properties of the area. This paper presents a hybrid method, namely SkySlide, that incorporates clustering, skyline operator, classification and majority voting principle for region-scale landslide susceptibility assessment. Clustering and skyline operator are utilized to model landslides while classification and majority voting principle are utilized to assess landslide susceptibility. The contribution of the study is 2-fold. First, the proposed method requires properties of landslide-occurring data only to model landslides. Second, the proposed method is evaluated on imbalanced data and experimental results include performance metrics of imbalanced data. Experiments conducted on two real-life datasets show that clustering greatly improves performance of SkySlide. Experiments further demonstrate that SkySlide achieves higher class balance accuracy, Matthews correlation coefficient, geometric mean and bookmaker informedness scores compared with the most commonly used methods for landslide susceptibility assessment such as support vector machines, logistic regression and decision trees.