Machine learning-based detection of fake Turkish earthquake news
Makine öğrenimi tabanlı sahte Türkçe deprem haberleri tespiti
- Tez No: 1010984
- Danışmanlar: PROF. DR. SELMA AYŞE ÖZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Sahte haber tespiti, makine öğrenmesi, derin öğrenme, BERTurk, deprem haberleri, Fake news detection, machine learning, deep learning, BERTurk, earthquake news
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde dijital iletişim kanallarının yaygınlaşmasıyla birlikte bilgiye erişim hızlanmış; ancak doğru bilginin yanlış veya yanıltıcı içeriklerden ayırt edilmesi giderek zorlaşmıştır. İnternet ve sosyal medya üzerinden yayılan sahte haberler, özellikle deprem ve benzeri olağanüstü durumlarda kriz yönetimini olumsuz etkileyerek bireylerin hatalı kararlar almasına ve kaynakların yanlış kullanılmasına neden olabilmektedir. Bu bağlamda, sahte haberlerin otomatik yöntemlerle tespit edilmesi güvenilir bilgi akışının sağlanması açısından önemli bir araştırma problemi olarak öne çıkmaktadır. Bu tez çalışmasında, sahte haber tespiti problemi ele alınmış ve özellikle deprem temalı haberler üzerine odaklanan özgün bir veri seti oluşturulmuştur. Veri seti, ulusal haber kaynakları ve çeşitli web siteleri taranarak elde edilmiştir. Elde edilen veri seti üzerinde öncelikle klasik makine öğrenmesi yöntemleri kullanılarak bir referans performans oluşturulmuş; farklı metin temsilleri ve sınıflandırma algoritmaları değerlendirilmiştir. Ardından, GRU, LSTM ve CNN gibi derin öğrenme tabanlı mimariler veri seti üzerinde test edilmiştir. Son aşamada ise Türkçe için önceden eğitilmiş bir dil modeli olan BERTurk kullanılarak hibrit model yapıları oluşturulmuş ve modeller karşılaştırmalı olarak incelenmiştir. Model eğitim süreçlerinde genelleme yeteneğini artırmak amacıyla erken durdurma stratejisi uygulanmıştır. Deneysel sonuçlar, klasik makine öğrenmesi yöntemlerinin güçlü bir referans performans sunduğunu, ancak derin öğrenme ve özellikle transformer tabanlı yaklaşımların sahte haber tespiti probleminde daha yüksek başarı elde ettiğini göstermektedir. BERTurk tabanlı modellerin tüm yöntemler arasında en yüksek performansı sağladığı, hibrit mimarilerde ise özellikle CNN ile birleştirilen yapıların daha dengeli ve başarılı sonuçlar ürettiği gözlemlenmiştir. Elde edilen bulgular, afet ve kriz durumlarında güvenilir bilgi akışını destekleyecek otomatik sahte haber tespit sistemlerinin geliştirilmesine katkı sunmaktadır.
Özet (Çeviri)
With the widespread adoption of digital communication channels, access to information has become faster; however, distinguishing accurate information from false or misleading content has become increasingly challenging. Fake news disseminated through the internet and social media platforms can negatively affect crisis management processes, particularly during extraordinary situations such as earthquakes, leading to incorrect decision-making and inefficient use of resources. In this context, the automatic detection of fake news has emerged as a significant research problem for ensuring reliable information flow. In this thesis, the problem of fake news detection is addressed, and an original dataset focusing on earthquake-related news is constructed. The dataset was collected by scraping national news sources and various web platforms. Initially, a baseline performance was established using classical machine learning methods by evaluating different text representations and classification algorithms. Subsequently, deep learning-based architectures such as GRU, LSTM, and CNN were tested on the dataset. In the final stage, hybrid model structures were developed using BERTurk, a pre-trained language model for Turkish, and the models were comparatively analyzed. Early stopping was applied during model training to improve generalization performance. Experimental results indicate that classical machine learning approaches provide a strong baseline; however, deep learning and especially transformer-based methods achieve higher performance in the fake news detection task. Among all evaluated approaches, BERTurk-based models demonstrate the highest overall performance, while hybrid architectures—particularly those combined with CNN—produce more balanced and robust results. These findings contribute to the development of automatic fake news detection systems that can support reliable information dissemination during disaster and crisis situations.
Benzer Tezler
- Fake detection and analysis in tweets with machine learning algorithms
Makine öğrenimi algoritmaları ile tweetlerde sahtelik tespit ve analizi
ŞEHRİNAZ KOCA
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İLYAS ÇİÇEKLİ
- Kam yapma aparatı
Cam milling attachment
ORHAN UZUN
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEVZİ ERCAN
- Örnekle-tut ve analogtan dijitale çevirme devrelerinin analiz ve sentezi
Başlık çevirisi yok
ERTUĞRUL İPEK
Yüksek Lisans
Türkçe
1985
Elektrik ve Elektronik MühendisliğiUludağ ÜniversitesiElektronik Ana Bilim Dalı
PROF. DR. ERGÜR TÜTÜNCÜOĞLU
- Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması
Başlık çevirisi yok
MÜRŞİDE KESEROĞLU
Yüksek Lisans
Türkçe
1985
İşletmeEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA NAZMİ ERCAN
- Adana ili Ceyhan ilçesi Tatlıkuyu köyünün mekanizasyon varlığı ve işletme maliyetlerinin saptanması üzerinde bir araştırma
Başlık çevirisi yok
MEHMET KABASAKAL
Yüksek Lisans
Türkçe
1987
ZiraatÇukurova ÜniversitesiTarımsal Mekanizasyon Ana Bilim Dalı
PROF. DR. KURTULUŞ TUNCER