In today’s world, where the volume and variety of data are increasing at an extraordinary rate, extracting meaningful insights from data is of critical importance; however, the complexity of standard database query languages makes it difficult for users without technical expertise to access information. This study proposes an innovative Retrieval-Augmented Generation (RAG) architecture that analyzes natural language queries, identifies related database schemas, and automatically converts them to SQL. Unlike fixed schema selection (fixed-k) methods, a unique hierarchical clustering mechanism is introduced to dynamically determine the number of relevant schemas, minimizing noise. Furthermore, the architecture incorporates an iterative repair mechanism, data enrichment with sample rows, and a hybrid query strategy (Turkish + English) to overcome cross-lingual barriers. Performance evaluations on 15 databases demonstrate that the proposed method improved the schema retrieval F1 score from 0.79 to 0.88. In the SQL generation phase, the execution accuracy (EX) of the GPT-4o model increased from 0.70 to 0.78 with the proposed optimizations, representing an approximate 11% improvement relative to the baseline configuration without requiring fine-tuning.

This study investigates the parameters influencing the compatibility between cement and polycarboxylate ether (PCE) admixtures in cements produced with various types and dosages of grinding aids (GAs). A total of 29 cement types (including a control) were prepared using seven different GAs at four dosage levels, and 87 paste mixtures were produced with three PCE dosages. Rheological behavior was evaluated via the Herschel–Bulkley model, focusing on dynamic yield stress (DYS) and viscosity. The data were modeled using CNN, Random Forest (RF), and Neural Classification and Regression Tree (NCART), and each model was enhanced with synthetic data generated by Large Language Models (LLMs), resulting in CNN-LLM, RF-LLM, and NCART-LLM variants. All six variants were evaluated using R-squared, Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Logcosh. This study is among the first to use LLMs for synthetic data augmentation. It augmented the experimental dataset synthetically and analyzed the effects on the study results. Among the baseline methods, NCART achieved the best performance for both viscosity (MAE = 1.04, RMSE = 1.33, R² = 0.84, Logcosh = 0.57) and DYS (MAE = 8.73, RMSE = 11.50, R² = 0.77, Logcosh = 8.09). Among baseline models, NCART performed best, while LLM augmentation significantly improved all models’ predictive accuracy. It was also observed that cements produced with GA exhibited higher DYS and viscosity than the control, likely due to finer particle size distribution. Overall, the study highlights the potential of LLM-based synthetic augmentation in modeling cement admixture compatibility.

Doğal dilden veri tabanı sorgusu yapmak, insanların teknik bilgi olmadan verilerle kolayca çalışabilmesini sağlar ve bilgiye ulaşma şeklini önemli ölçüde değiştirir. Bu bağlamda, büyük dil modellerinin (LLM) doğal dil girdilerinden SQL sorguları üretme konusundaki yetkinlikleri giderek daha fazla ilgi çekmektedir. Bu çalışmada, LLM’lerin bu görevdeki başarımı, geleneksel RAG (Retrieval-Augmented Generation) yaklaşımı ile RAFT (Retrieval-Augmented Fine-Tuning) yöntemi kullanılarak karşılaştırmalı olarak analiz edilmiştir. GPT-4o, Gemini-1.5-flash-001 ve Qwen2.5-14B-Instruct modelleri RAFT yöntemiyle ince ayar işlemine tabi tutulmuş; ardından her bir model, 1 ila 4 şemalı veritabanları üzerinde toplam 1.006 SQL sorgusu ile test edilmiştir. Model performansları, Exact Match (EX) skorları ile birlikte Tablo Benzerliği ve SQL Benzerliği ölçütleri üzerinden değerlendirilmiştir. Sonuçlar, RAFT yaklaşımı ile eğitilen GPT-4o modelinin %80 EX skoru, %92 tablo benzerliği ve %89 SQL benzerliği ile en yüksek başarıyı sağladığını; Gemini-1.5 modelinin ise %81 EX skoru ve %90+ yapısal benzerlik ile benzer düzeyde bir performans sergilediğini göstermektedir. Qwen2.5-14B modelinin EX skoru ise %63’te kalmıştır. Ayrıca, tüm modellerin RAFT ile eğitilmiş sürümleri, RAG temelli versiyonlarına kıyasla daha yüksek EX skoru elde etmiştir. Bu sonuçlar, RAFT yönteminin yalnızca bağlamsal doğruluğu değil, aynı zamanda yapısal tutarlılığı da güçlendiren etkili bir strateji olduğunu ortaya koymaktadır.

Atasözleri ve deyimler, yüzyıllar boyunca toplumların deneyimlerini, gözlemlerini ve kültürel değerlerini yansıtan sözlü kültür ürünleridir. Özellikle Türkçede yaygın olan bu kalıplaşmış ifadeler hem dilbilimsel analiz hem de yapay zekâ tabanlı uygulamalar açısından önemli bir değere sahiptir. Bu çalışmada, Türkçe atasözleri ve deyimlerden oluşan kapsamlı bir veri seti oluşturulmuş ve ikili sınıflandırma yoluyla kategorize edilmiştir. Kümeleme süreci yalnızca atasözlerine odaklanmış olup, atasözlerinin anlamları yeniden ifade edilerek, örnek cümleler üretilerek ve tematik etiketler atanarak anlamsal olarak zenginleştirilmiştir. Anlam üretimi görevi için DeepSeek R1 ve mT5 modelleri ince ayarlanmıştır. Bunlar arasında mT5 modeli, tutarlı ve bağlamsal olarak doğru anlamlar üretmede DeepSeek R1’den üstün performans göstermiştir. Ayrıca, atasözleri ve deyimlerin sınıflandırılması için BERT ve DistilBERT gibi transformatör tabanlı modeller kullanılarak %99 gibi yüksek bir doğruluk oranı elde edilmiş olup, en iyi performansı bu iki model sergilemiştir. Atasözlerinin zenginleştirilmiş anlamları daha sonra dört farklı gömme (embedding) modeli kullanılarak vektör temsillerine dönüştürülmüştür: OpenAI (text-embedding-3-large), CohereEmbedding (embed-multilingual-v3.0), SentenceTransformer (paraphrase-multilingual-mpnet-base-v2) ve BERTurk (bert-base-turkish-cased). Kümeleme işlemi, her bir gömme modelinin çıktısı için ayrı ayrı gerçekleştirilmiştir. Yüksek boyutluluk sorununu gidermek için PCA ile boyut indirgeme uygulanmış ve altı farklı kümeleme algoritması sistematik olarak karşılaştırılmıştır. Kümeleme kalitesi Silhouette skoru, Davies-Bouldin indeksi, Calinski-Harabasz indeksi ile PCA ve UMAP görselleştirmeleriyle değerlendirilmiştir. Anlamsal tutarlılığı değerlendirmek amacıyla her kümeden rastgele seçilen 15 atasözünü 1–5 ölçeğinde puanlayan 539 katılımcıyla kullanıcı temelli bir değerlendirme yapılmıştır. Tüm modeller arasında OpenAI’ın “text-embedding-3-large” modeli 3,90 ortalama puanla en yüksek skoru elde etmiş ve sonuç olarak üç kümeli yapı nihai model olarak benimsenmiştir.