Enformatik Enstitüsü

Bu tez, yapay zeka tarafından üretilen ön uç kod kalitesinin karşılaştırmalı ampirik bir değerlendirmesini sunmaktadır. Üç çağdaş yapay zeka kodlama aracı—Cursor, Gemini CLI ve Windsurf—çeşitli karmaşıklıkta React ve TypeScript uygulamalarını içeren kontrollü deneyler yoluyla değerlendirilmiştir. Çalışma, Lighthouse, SonarQube ve ESLint dahil olmak üzere endüstri standardı ölçütler kullanılarak hem tek komutlu hem de artımlı geliştirme yaklaşımlarını değerlendirmektedir. Bulgular, yapay zeka araçlarının işlevsel olarak doğru uygulamalar üretebildiğini, ancak kod kalitesi sonuçlarının araç seçimine, geliştirme metodolojisine ve uygulama karmaşıklığına bağlı olarak önemli ölçüde değiştiğini göstermektedir. Sonuçlar, modern ön uç geliştirmede yapay zeka araçları ve iş akışlarının seçimi için kanıta dayalı bir rehber sağlamaktadır.

Tarih: 20.01.2026 / 13:00 Yer: A-212

Bu tez, Otomatik Müfredat Öğrenimi (ACL) için Büyük Dil Modellerini (LLM) kullanan standartlaştırılmış bir çerçeve olan Uyarlamalı Akıl Yürütme Müfredatı'nı (ARC) tanıtmaktadır. Neural MMO 2 gibi karmaşık Açık Uçlu Öğrenme (OEL) ortamlarında genellemeyi geliştirmek için tasarlanan ARC, ortamın ezberlenmesinden ziyade verimli beceri edinimini kolaylaştırır. Deneyler; ARC'nin ortalama getiri ve örneklem verimliliği açısından uzman müfredatlarından ve mevcut ACL yöntemlerinden önemli ölçüde daha iyi performans gösterdiğini kanıtlamaktadır. Açık kaynaklı adaptörler ve yardımcı araçlar sunan ARC; LLM'lerin çok etmenli Pekiştirmeli Öğrenme (RL) süreçlerine entegrasyonu için tekrarlanabilir ve erişilebilir bir standart oluşturarak, açık uçlu araştırmalarda daha geniş kapsamlı inovasyonları teşvik etmektedir.

Tarih: 14.01.2026 / 13:00 Yer: A-212

Bu çalışma, akademik hakem yönergeleri ile akran değerlendirme metinleri arasındaki uyumu incelemek adına bir yapı sunmaktadır. OpenReview üzerindeki ICLR 2024 verileri üzerinden bir veri seti oluşturulmuştur. Hakem sorularının eldesi, konu modellemesi ve konu ataması yapabilmek için Büyük Dil Modeli (LLM) iş akışlarından yararlanılmıştır. Elde edilen çıktılar, yönergeler ile yapılan uygulamaların farkını ölçebilmek amacıyla ICLR 2024 hakem yönergesi ile karşılaştırılmıştır. Ayrıca elde edilen konular, en saygın on yapay zeka konferansının yönergeleriyle de eşleştirilmiştir. Önerilen yapı, konferans organizatörleri için değerlendirme normlarını belirlemede veri odaklı bir yaklaşım sunmakta ve yazarlar ile hakemlere ise örtük değerlendirme normlarına dair veri odaklı bir yol haritası sağlamaktadır.

Tarih: 14.01.2026 / 14:30 Yer: A-212

Bu araştırma, dijital ekonomide süregelen bir paradoksu ele almaktadır: Veri giderek artan bir şekilde stratejik bir varlık olarak kabul edilirken, bu veriden değer yaratmak üzere kurgulanan Veri Bilimi (VB) projeleri yüksek başarısızlık oranlarıyla karşı karşıya kalmaktadır. Yönetim teorisinde belirtildiği üzere, ölçüm iyileştirmenin ön koşuludur; başarıyı nesnel olarak değerlendirme yeteneği olmadan, organizasyonlar riskleri etkili bir şekilde tespit edemez veya girişimlerini optimize edemezler. Ancak mevcut literatür; veri bilimi projelerinin kendine özgü özelliklerini dikkate alan ve farklı proje türleri ile bağlamlara uygulanabilen, formalize edilmiş ve operasyonel hale getirilebilir bir başarı değerlendirme modeli sunma konusunda yetersiz kalmaktadır. Bu boşluğu doldurmak amacıyla, bu tez çalışması ile Veri Bilimi Projeleri Başarı Değerlendirme Modeli (DS PRO-S) geliştirilmiştir. Tasarım Bilimi Araştırması yaklaşımını benimseyen bu çalışma; proje başarısını açık, ölçülebilir ve karşılaştırılabilir kılmak amacıyla bir meta-model, bir somutlaştırma araç seti ve bir metodoloji işlevi gören bütüncül bir çözüm sunmaktadır. Bu mimari, ölçüm ve değerlendirme süreçlerinin ISO/IEC 15939 standardı ile uyumlu hale getirildiği titiz bir matematiksel formülasyonla desteklenmektedir. Değerlendirmeleri hem proje hem de faz seviyelerinde kurgulayan ve başarıyı (hedeflere ulaşma) Sağlıktan (başarıyı sağlayan koşulların oluşturulması) ayrıştıran DS PRO-S, modüler ve asenkron bir değerlendirme yeteneği ile uygulamaya yönelik esneklik sunmaktadır. DS PRO-S'un uygulanabilirliği ve yararlılığı, gerçekleştirilen uzman mülakatları ve çoklu vaka çalışmaları ile doğrulanmıştır.

Tarih: 21.01.2026 / 13:30 Yer: A-212

Splice bölgelerini etkileyen genetik varyantların doğru şekilde tanımlanması, hastalık mekanizmalarının anlaşılması ve klinik varyant yorumlamasının iyileştirilmesi açısından kritik öneme sahiptir. Derin öğrenme tabanlı splice tahmin araçları kanonik splice-bölge varyantlarında yüksek performans gösterse de, bu araçların ekzonik bölgeleri etkileyen splice varyantları tespit etme yetenekleri sınırlı kalmaktadır. Bu sınırlılık, öncelikle deneysel olarak doğrulanmış ekzonik varyantların azlığı ve model mimarilerinin düzenleyici ekzonik bölgeler yerine kanonik splice motiflerine odaklanacak şekilde tasarlanmış olmasından kaynaklanmaktadır. Sonuç olarak bu çalışma, mevcut splice tahmin araçlarının kapsamlı bir değerlendirmesini sunmakta, ekzonik varyant tespiti için hedefe yönelik yeniden eğitimin faydasını ortaya koymakta ve daha doğru ve klinik açıdan anlamlı splice-etkileyici varyant tahmin modellerinin geliştirilmesi için bir temel oluşturmaktadır.

Tarih: 15.01.2026 / 11:00 Yer: A-212