İnternet kullanımının artmasıyla daha çok erişilebilir hale gelen sosyal ağlar insanların çeşitli konular hakkındaki duygu ve görüşlerini paylaştığı mecralar haline gelmiştir. Dijital ortamda var olan verinin yüzde 90’ı geçen 2 yılda oluşturulmuştur. Fakat bu veriler üzerinde geleneksel yollarla analizler yapmak günler hatta aylar sürebilmektedir. Bu sebeple makine öğrenmesi yöntemleriyle sosyal ağlar üzerinden duygu analizleri yapılması tercih edilmektedir. Bu çalışmada Twitter üzerindeki tweetlerin İslamofobik olup olmadığı duygu analizi ile öğrenilmeye çalışılmıştır. Çalışmada Lineer ridge regresyonu ve Naive Bayes Sınıflandırıcı ile eğitilen modeller üzerinden precision, Recall, F1 ölçütlerinde hesaplamalarda bulunulmuştur. Sonuç olarak pozitif Tweetler için Ridge modelinde Naive Bayes sınıflandırıcıya göre daha iyi sonuçlar alınmış ve Ridge Regresyonunda %96,3 , Naive Bayes Sınıflandırıcıda %95.3 oranında doğru sonuca ulaşılmıştır.

Orhan K, et al. Imaging Sci Dent. 2021 Aug;51:e51. https://doi.org/10.5624/isd.20210144

The rapid proliferation of large language models has created significant opportunities for personalized education, yet existing systems rarely account for user competency as a determinant of interaction quality. This study introduces Persona in The Loop (PITL), a dual-mode adaptive framework that recommends AI personas for blockchain and smart contract education applications. PITL employs 100 AI personas organized across two domains, ten sub-specialties, and five Dreyfus competency levels, recommending personas via either similarity-based mode grounded in Cognitive Load Theory or complementary mode grounded in the Zone of Proximal Development, with an adaptive switching mechanism driven by NASA-TLX cognitive load feedback. A mixed-methods study with 150 participants using a 2 × 5 factorial design showed that the complementary mode produced higher learning gains, while the similarity-based mode yielded lower cognitive load and higher code quality. The adaptive mechanism outperformed both fixed-mode conditions on learning gain and code quality. The Mode × Dreyfus interaction was significant for cognitive load and task duration but not for learning gains, suggesting mode effects on learning outcomes are consistent across competency levels. Qualitative interviews with 20 participants corroborated quantitative findings. PITL offers a theoretically grounded and empirically validated approach to competency-based AI persona recommendation in educational contexts.

The rapid proliferation of large language models has created significant opportunities for personalized education, yet existing systems rarely account for user competency as a determinant of interaction quality. This study introduces Persona in The Loop (PITL), a dual-mode adaptive framework that recommends AI personas for blockchain and smart contract education applications. PITL employs 100 AI personas organized across two domains, ten sub-specialties, and five Dreyfus competency levels, recommending personas via either similarity-based mode grounded in Cognitive Load Theory or complementary mode grounded in the Zone of Proximal Development, with an adaptive switching mechanism driven by NASA-TLX cognitive load feedback. A mixed-method study with 150 participants using a 2 × 5 factorial design showed that the complementary mode produced higher learning gains, while the similarity-based mode yielded lower cognitive load and higher code quality. The adaptive mechanism outperformed both fixed-mode conditions on learning gain and code quality. The Mode × Dreyfus interaction was significant for cognitive load and task duration but not for learning gains, suggesting mode effects on learning outcomes are consistent across competency levels. Qualitative interviews with 20 participants corroborated quantitative findings. PITL offers a theoretically grounded and empirically validated approach to competency-based AI persona recommendation in educational contexts.

Blockchain teknolojisinin temelini oluşturan akıllı kontratlar, dijital anlaşmaların otomasyonunda birdevrim vaat etmektedir. Ancak bu potansiyel, ciddi güvenlik açıkları, yüksek geliştirme maliyetleri veperformans verimsizlikleri gibi önemli zorluklarla gölgelenmektedir. Bu sistematik literatür taraması,yapay zeka (AI) ve makine öğrenmesi (ML) teknolojilerinin, akıllı kontrat yaşam döngüsünün heraşamasında bu zorlukları ele almak için nasıl giderek daha merkezi bir rol oynadığını derinlemesineincelemektedir. 50’den fazla hakemli akademik makale, konferans bildirisi ve endüstri raporu analizedilerek, AI’nın akıllı kontrat geliştirme süreçlerindeki uygulamaları dört ana tematik eksendeincelenmiştir: (1) Güvenlik Açığı Tespiti ve Analizi, (2) Kod Üretimi ve Otomasyon, (3) PerformansOptimizasyonu ve Gaz Maliyeti Azaltma, ve (4) Ekosistem Entegrasyonu ve Sektörel Uygulamalar.Bulgularımız, özellikle Transformer tabanlı modeller (örneğin, CodeBERT) ve Büyük Dil Modelleri(LLM’ler) gibi ileri AI tekniklerinin, statik analiz araçlarının sınırlamalarını aşarak güvenlik açığıtespitinde %99’a varan doğruluk oranları sunduğunu ortaya koymaktadır. Ayrıca, LLM’lerin doğal dildenotomatik olarak güvenli ve verimli Solidity kodu üretme yeteneği, geliştirme paradigmalarını temeldendeğiştirme potansiyeli taşımaktadır. Bu çalışma, mevcut metodolojileri, kullanılan veri setlerini ve eldeedilen performans metriklerini karşılaştırmalı tablolarla sunmakta, alandaki temel evrimsel eğilimleri(2018’den günümüze) analiz etmekte, önemli araştırma boşluklarını (örneğin, açıklanabilirlik, repository-level anlayış) belirlemekte ve gelecekteki araştırma yönelimleri için somut öneriler sunmaktadır. Bukapsamlı analiz hem akademik araştırmacılar hem de endüstri profesyonelleri için mevcut durumu vegelecekteki potansiyeli aydınlatan temel bir kaynak olmayı amaçlamaktadır.

Bu sistematik literatür taraması, 2020-2025 yılları arasında yapay zeka destekli eğitim teknolojilerinde bilişsel yük optimizasyonu alanındaki mevcut bilgi birikimini kapsamlı bir şekilde sentezlemektedir. PRISMA protokolüne uygun olarak yürütülen bu çalışma, 48 hakemli akademik makaleyi analiz ederek, bilişsel yük ölçüm yöntemlerinin evrimi, farklı yapay zeka modalitelerinin bilişsel yük üzerindeki etkileri, kanıta dayalı optimizasyon stratejileri ve özel uygulama alanları ile teorik gelişmeler olmak üzere dört ana temayı ortaya koymaktadır. Bulgular, NASA-TLX gibi geleneksel öznel ölçümlerin yerini giderek EEG, göz izleme ve multimodal sensör verilerine dayalı nesnel yöntemlerin aldığını göstermektedir. Akıllı Öğretim Sistemleri ve adaptif platformlar, bilişsel yükü proaktif olarak yönetmede başarılı olurken, ChatGPT gibi üretken yapay zeka araçları bilişsel boşaltma ve eleştirel düşünme becerilerinin körelmesi gibi paradoksal etkiler yaratmaktadır. Uzmanlık düzeyine göre kişiselleştirme, gerçek zamanlı adaptif geri bildirim ve multimodal ölçüm, kanıta dayalı tasarım prensipleri olarak öne çıkmaktadır. Bu kapsamda, yapay zekâ sistemlerinin bilişsel yükü gerçek zamanlı olarak izlemesi ve uyarlanabilir görev zorluk düzeyi sunması, öğrenen deneyimini daha verimli hale getirmektedir. Bununla birlikte, farklı öğrenen profilleri ve disiplinlerde bu yaklaşımların etkinliğini karşılaştıran daha geniş örneklemeli çalışmalara ihtiyaç duyulduğu görülmektedir. Bu çalışma, yapay zekanın eğitimde bilişsel yük yönetimi için devrim niteliğinde bir potansiyel sunduğunu, ancak bu potansiyelin dikkatli bir pedagojik yaklaşım ve etik çerçevelerle desteklenmesi gerektiğini vurgulamaktadır.