Makine öğrenmesi ve doğal dil işleme alanındaki gelişmelerle birlikte her alanda olduğu gibi hukuk alanında da çalışmalar yapılmaya başlanmıştır. Makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanındaki yazılı metinlerin otomatik olarak analiz edilmesine ve sınıflandırılmasına yardımcı olmuştur. Bu sayede, avukatların ve yargıçların büyük miktarda yasal metni hızlı bir şekilde okuyup anlamaları mümkün hale gelmiş ayrıca, makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanında karar verme sürecinde de kullanılmaya başlanmıştır. Bu teknolojiler, hukuk davalarının sonuçlarını tahmin etmek ve olası sonuçları değerlendirmek için kullanılmış bunun yanı sıra, makine öğrenmesi ve doğal dil işleme teknolojileri, hukuk alanında daha önceki kararların analiz edilmesi ve bu kararlardan öğrenme yapılması için de kullanılmıştır. Bu sayede, benzer davalar için önceden verilmiş kararlar incelenerek yeni davalar için fikir yürütülebilir hale gelmiştir. Bu çalışmada da Uyuşmazlık Mahkemesinin olumsuz görev uyuşmazlığı davalarında vermiş olduğu kararlar adli ve idari olmak üzere iki sınıfa ayrılarak tahmin edilmeye çalışılmıştır. Doğal dil işleme yöntemleriyle veri ön işleme ve ardından TF-IDF öznitelik çıkarımı yapılan mahkeme kararları makine diline çevrilmiş ardından makine öğrenmesi algoritmalarından lojistik regresyon, destek vektör makineleri, karar ağaçları ve rassal orman algoritmalarıyla sınıflandırılmıştır. Kullanılan sınıflandırma tekniklerinin performans değerlendirmeleri yapılarak mahkeme kararları %87 oranında doğruluk değerleri ile tahmin edilmiştir. Çalışma sonuçlarının bilim dünyası ile birlikte hukuk aktörleri için de olumlu sonuçları olacağı görülmektedir.

There is growing interest in studies on text classification as a result of the exponential increase in the amount of data available. Many studies have been conducted in the field of text clustering, using different approaches. This study introduces Spectral Sentence Clustering (SSC) for text clustering problems, which is an unsupervised method based on graph-partitioning. The study explains how the proposed model proposed can be used in natural language applications to successfully cluster texts. A spectral graph theory method is used to partition the graph into non-intersecting sub-graphs, and an unsupervised and efficient solution is offered for the text clustering problem by providing a physical representation of the texts. Finally, tests have been conducted demonstrating that SSC can be successfully used for text categorization. A clustering success rate of 97.08% was achieved in tests conducted using the TTC-3600 dataset, which contains open-access unstructured Turkish texts, classified into categories. The SSC model proposed performed better compared to a popular k-means clustering algorithm.

Cümle seçerek özetleme çalışmaları kapsamında birçok farklı yaklaşım mevcuttur. Bu çalışmada tek dokümanlı çıkarıcı metin özetleme için yeni ve denetimsiz bir süreç önerilmektedir. Çalışma kapsamında metin dokümanları çizgelerle temsil edilmektedir. Yöntemimiz temel olarak metinleri temsil eden çizgeleri kullanmakta ve cümlelere yönelik bir ağırlıklandırma önermektedir. Önerilen sürecin farklı düğüm ağırlıklandırma yöntemlerini kullanarak önemli düğümleri ve dolayısı ile önemli cümleleri belirlenmesi önerilen özetleme sisteminin cümle puanlandırma aşamasını oluşturmaktadır. Son olarak bu çalışma kapsamında metin özetleme amaçlı önerilen yaklaşımın, açık erişimli metinler ve bu metinlere ait özetleri içeren Document Understanding Conference (DUC-2002) veri seti üzerindeki performansı ROUGE değerlendirme metrikleri kullanılarak hesaplanmıştır. Yapılan deneysel çalışmalar sonucunda önerilen özetleme sisteminin geleneksel çizge tabanlı yaklaşımlar ile rekabet edebilir ölçüde performans değerleri ortaya koyduğunu göstermektedir. Ayrıca sunulan bu basit ve etkili yöntemin dilbilimsel bir süreç izlememesi oldukça önemlidir.

Indoor scene recognition is a computer vision task that identifies various indoor environments, such as offices, libraries, kitchens, and restaurants. This research area is particularly significant for applications in robotics, security, and assistance for individuals with disabilities, as it enables the categorization of spaces and the provision of contextual information. Convolutional Neural Networks (CNNs) are commonly employed in this field. While CNNs perform well in outdoor scene recognition by focusing on global features such as mountains and skies, they often struggle with indoor scenes, where local features like furniture and objects are more critical. In this study, the “MIT 67 Indoor Scene” dataset is used to extract and combine features from both a CNN and a text-based model utilizing object recognition outputs, resulting in a two-channel hybrid model. The experimental results demonstrate that this hybrid approach, which integrates natural language processing and image processing techniques, improves the test accuracy of the image processing model by 8.3%, achieving a notable success rate. Furthermore, this study offers contributions to new application areas in remote sensing, particularly in indoor scene understanding and indoor mapping.