Şahin Korkmaz

Şahin Korkmaz

Auto-generated profile, based on publicly available information

Şahin Korkmaz

Gazi Üniversitesi

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
5 July 2023 in Journal of Polytechnic
Verified
Journal Article
Closed access
PDF file
SKSahin Korkmaz
Sahin Korkmaz
MAMustafa Alkan
Mustafa Alkan
Deepfake videolar özellikle son yıllarda çok fazla dikkat çeken alanlardan birisidir. Sosyal ağların artan popülaritesi neticesinde mobil cihazların gelişmiş kameraları ile oluşturulan video ve görüntülerin düzenlenmesi ve paylaşılması geçmiş döneme göre daha erişilebilir bir düzeye ulaşmıştır. Deepfake tekniği ile oluşturulan ve sosyal ağlarda dağıtımı yapılan birçok sahte görüntü ve video sadece kişilerin özel hayatını değil, aynı zamanda toplum düzenini de tehdit etmektedir. İnsan yüzü, insanlar arası etkileşimde ve biyometrik tabanlı doğrulama sistemlerinde halihazırda önemli bir role sahiptir. Bu nedenle, yüz karelerinde küçük çaplı manipülasyonlar dahi, güvenlik uygulamalarına ve sayısal verilere olan güveni sarsabilecektir. Bu çalışmada, deepfake video tespiti modelinin oluşturulmasında bir sınıflandırma probleminin çözümü yaklaşımı benimsenmiştir. Öznitelik çıkarıcı olarak önceden eğitilmiş EfficientNet model ailesi kullanılmış ve tahminin çıktısını elde etmek için bunun üzerinde bir sınıflandırıcı eğitilmiştir. Modelin eğitilmesinde yine derin öğrenme tabanlı yöntemlerle üretilen ve en büyük deepfake veri setlerinden olan DFDC veri seti kullanılmıştır. Derin öğrenme algoritma ve kütüphanelerinden yararlanılmış ve belirlenen videonun gerçek mi yoksa sahte mi olduğuna karar veren yeni bir model ortaya koyulmuştur.

4 November 2026 in Electronics
Verified
Journal Article
Open access
PDF file
SKSahin Korkmaz
Sahin Korkmaz
MAMustafa Alkan
Mustafa Alkan
AKAynur Koçak
Aynur Koçak
Detectors of text generated by large language models can achieve high scores by exploiting shared source documents, data sources, or generator-specific artifacts rather than genuine linguistic signals. This is a serious concern for textual deepfakes written to mislead readers or impersonate human authors. We present a methodological audit of a Turkish human-versus-synthetic text classifier. The archived BERTurk model reproduced its near-perfect row-random test result (F1 = 0.9990), but 86.38% of test samples shared a root document with the training data. We then built a corrected 215,074-sample cohort from a single generator (Qwen2.5-7B-Instruct) and four development sources, using a group-disjoint split and three seeds. Within this cohort, BERTurk achieved F1 = 0.9958 ± 0.0001 (XLM-R: 0.9923 ± 0.0006), whereas cross-source testing lowered F1 to 0.8990. In a separate, prospectively frozen extension, nine new BERTurk models evaluated on held-out generator families reached a mean macro-F1 of 0.9379. However, on 500 independent Turkish Wikipedia texts, the same nine models showed a mean false-positive rate of 0.7384 and a balanced macro-F1 of 0.5500, failing all external-validity criteria. High in-cohort scores therefore do not indicate general performance beyond the evaluated generators and sources. The main contribution is a traceable evaluation protocol that separates historical, corrected, and failed-validity results.