Kitlesel çevrimiçi ders platformlarında kurslara yapılan yorumların metin madenciliği kullanılarak duygu analizi
| dc.contributor.advisor | Adem, Kemal | |
| dc.contributor.author | Daşgın, Ramazan | |
| dc.date.accessioned | 2023-05-11T05:51:30Z | |
| dc.date.available | 2023-05-11T05:51:30Z | |
| dc.date.issued | 2023 | |
| dc.date.submitted | 2023-01-19 | |
| dc.department | Sosyal Bilimler Enstitüsü | |
| dc.description.abstract | Çağımızda kolay ulaşılabilen, az maliyetli, zaman mekan kısıtı olmayan aktiviteler daha çok ilgi görmektedir. Son zamanlarda insanların sahip olduğu olanaklar ve teknolojinin gelişimi de düşünüldüğünde insanların ilgisinde yaşanan bu değişiklik eğitime de yansımıştır. İnsanlar artık istedikleri zaman, istedikleri yerden, kendi seçebilecekleri içeriklere ulaşmak istemektedir. Bu istekler sonunda Kitlesel Açık Çevrimiçi Ders (KAÇD) platformları ortaya çıkmaya başlamıştır. Bu platformlar üzerinde ücretli veya ücretsiz birçok konuda kurslar yer almaktadır. Birçok kişi bu kurslara kayıt olmadan önce, kurslara yapılan yorumlara ve kursa verilen puana göre değerlendirme yapılarak kayıt olmaktadır. Ancak tüm yorumları okuyarak bir kurs hakkında karar vermek kolay olmamaktadır. Bu çalışmada kullanıcıların yorumları okumasına gerek kalmadan kursları olumlu olumsuz olarak değerlendirmesi amacıyla KAÇD platformlarından birisi olan Udemy sitesinde bulunan kurslara yapılan yorumlar kullanılmıştır. Bu yorumlar üzerinden klasik makine öğrenmesi ve derin öğrenme yöntemleri kullanarak kurslar hakkında olumlu olumsuz değerlendirmeleri yapılmıştır. Klasik makine öğrenmelerinden BayesNet, J48 ve OneR algoritmaları ile en başarılı sonuç %91.576 doğruluk ile BayesNet algoritmasından elde edilmiştir. Veri setine Random, GloVe ve Word2Vec kelime gömmeleri uygulandıktan sonra, derin öğrenme modellerinden GRU ve CNN-LSTM hibrit mimarileri uygulanmış ve en başarılı sonuç GloVe kelime gömmesi kullanıldıktan sonra %95.67 doğruluk oranıyla GRU mimarisinden elde edilmiştir. | |
| dc.description.abstract | In our age, things that are easily accessible, less costly, and have no time and space restrictions attract more attention. Considering the possibilities that people have recently and the development of technology, this change in people's interest has also been reflected in education. People now want to access content that they can choose from wherever they want, whenever they want. As a result of these requests, Massive Open Online Course (MOOC) platforms began to emerge. There are many paid or free courses on these platforms. Before enrolling in these courses, many people register based on the comments made and the score given to the course. However, it is not easy to decide about a course by reading all the reviews. In this study, comments made on courses on Udemy, one of the MOOC platforms, were used in order to evaluate the courses positively and negatively without the need for users to read the comments. On these comments, positive and negative evaluations were made about the courses using classical machine learning and deep learning. With BayesNet, J48 and OneR algorithms from classical machine learning, the most successful result was obtained from BayesNet algorithm with an accuracy of 91.576%. After applying Random, GloVe and Word2Vec word embeddings to the dataset, hybrid architectures of GRU and CNN-LSTM from deep learning models were applied and the most successful result was obtained from GRU architecture with an accuracy of 95.67% after using GloVe word embedding. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/10776 | |
| dc.language.iso | tr | |
| dc.publisher | Aksaray Üniversitesi Sosyal Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | KAÇD | |
| dc.subject | Udemy | |
| dc.subject | Metin Madenciliği | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | Duygu Analizi | |
| dc.subject | Word2Vec | |
| dc.subject | Glove | |
| dc.subject | MOOC | |
| dc.subject | Text Mining | |
| dc.subject | Deep Learning | |
| dc.subject | Machine Learning | |
| dc.subject | Sentiment Analysis | |
| dc.title | Kitlesel çevrimiçi ders platformlarında kurslara yapılan yorumların metin madenciliği kullanılarak duygu analizi | |
| dc.title.alternative | Sentiment analysis of comments on courses on massive online course platforms using text mining | |
| dc.type | Master Thesis |
