Bu tez, Büyük Dil Modeli (LLM) desteğinin yazılım uzmanlarının insani yönleri üzerindeki etkisini inceleyen ampirik bir araştırma sunmaktadır. 30 uygulayıcıyla yürütülen kontrollü bir özne-içi deney yoluyla, gereksinim belirtimi görevi üzerinden LLM desteği olan ve olmayan koşullar karşılaştırılmaktadır. Çalışma; algılanan görev karmaşıklığı, motivasyon, başarı duygusu ve yaratıcı öz-yeterlilik boyutlarını doğrulanmış ölçekler ve mülakatlarla analiz etmektedir. Araştırma, yapay zekâ araçlarının teknik verimliliği kadar bilişsel ve psikolojik süreçleri nasıl şekillendirdiğine dair yapılandırılmış kanıtlar sağlamaktadır.

Tarih: 03.04.2026 / 14:30 Yer: A-212

Bu tez, makine öğrenmesi/derin öğrenme uygulamaları kullanılarak talep tahmin doğruluğunu artırmayı amaçlamaktadır. Talep tahmini için SARIMA, LSTM, CNN ve Prophet modelleri uygulanmıştır. Modeller ileriye doğru zincirleme çapraz doğrulama yöntemi kullanılarak eğitilmiş ve doğrulanmıştır. Mevsimsel, dengesiz sınıf dağılımına sahip ve aralıklı bir veri seti üzerinde, zaman serisi tahmini uygulanmaktadır. Daha fazla iyileştirme için seçilmiş dışsal göstergelerin ve toplulaştırma-ayrıştırma yaklaşımlarının etkileri incelenmiştir.

Tarih: 20.01.2026 / 14:30 Yer: A-212

Bu tez, yapay zekâ destekli BIM analitiği ve dijital ikiz geliştirmeye yönelik bütünleşik bir çerçeve sunmaktadır. Revit tabanlı BIM verileri, geometrik ve yapılandırılmış mekânsal bilgiler ayrıştırılarak Unity tabanlı bir dijital ikiz ortamına aktarılmıştır. A* algoritması kullanılarak, fiziksel tahliye kısıtlarını dikkate alan gerçek zamanlı iç mekân yol bulma sağlanmıştır. Büyük dil modeli (LLM), hesaplanan rotaları doğal dilde navigasyon talimatlarına dönüştüren etkileşim katmanı olarak görev yapmaktadır. Sistem, kullanıcı testleriyle değerlendirilen, ölçeklenebilir ve insan merkezli bir BIM tabanlı dijital ikiz yaklaşımı ortaya koymaktadır.

Tarih: 14.01.2026 / 14:15 Yer: II-06

Meşru alan adlarını DGA ile üretilen alan adlarından ayırt etmek, hâlâ süregelen bir zorluktur. Siber tehdit aktörleri, alan adı üretim algoritmalarını (DGA) kullanarak kara listeleme veya statik imza tabanlı güvenlik çözümleri gibi geleneksel tespit mekanizmalarının atlatmaya çalışmaktadır. DGA’lar tarafından üretilmiş bütün alan adlarının kara listeye alınması mümkün olmadığından, DGA’ların otomatik olarak tespit edilmesi kritik bir gereklilik haline gelmiştir. Bu tez, söz konusu sınırlamaları aşmak maksadıyla özellik çıkarımı için CNN tabanlı n-gram öğrenme ve LSTM ağlarını ve nihai sınıflandırma için Lojistik Regresyon yöntemini entegre eden hibrit bir çerçeve sunmaktadır. Model girdisi, doğruluğu artırmak için Üst Düzey Alan Adı (TLD) bilgileriyle zenginleştirilmiştir.

Tarih: 16.01.2026 / 11:00 Yer: Cisco Lab

Bu tez, Statik Uygulama Güvenliği Testi (SAST) araçlarının sistematik bir değerlendirmesini sunmaktadır. İlgili çalışmalar çoğunlukla sentetik kod tabanları ve güvenlik açığı başına değerlendirme yöntemleri kullanmaktadır. Bu çalışmada, hem sentetik karşılaştırma ölçütleri hem de gerçek dünyada kasıtlı olarak güvenlik açığı bulunan uygulamalar, sorun başına değerlendirme ile birlikte araçlar üzerinde test edilmiştir. Yapılan deneyler çeşitli değerleri ölçmekte ve bu sonuçları arkasındaki nedenlerle açıklamaktadır. Nicel sonuçlara ek olarak, sonuçları ve gözlemlenen performans farklılıklarını daha ayrıntılı olarak açıklamak için araçların niteliksel özellikleri ve iç mekanizmaları incelenmiştir. Sonuçlar, değerlendirme modelleri ile araçların etkinliği arasındaki farkı göstermektedir. Genel olarak tez,  SAST araçları araştırması ve seçimi için pratik bilgiler sunmaktadır.

Tarih: 15.01.2026 / 10:00 Yer: Cisco Lab

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 tez, eklemeli imalatla üretilen parçaların yüzey pürüzlülüğünü (Ra) baskı öncesinde tahmin etmeye yönelik veri odaklı bir çerçeve önermektedir. Yüzey pürüzlülüğünü en çok etkileyen baskı parametreleri belirlenmiş ve yeni, kapsamlı bir veri seti oluşturmak için bir deney tasarımı geliştirilmiştir; bu veri seti literatüre kazandırılmış ve gelecekteki çalışmaları destekleyecek bir kaynak niteliği taşımaktadır. Makine öğrenmesi ve derin öğrenme modelleri uygulanmış; doğrusal olmayan etkileri yakalamak üzere birincil model olarak çok katmanlı algılayıcı (MLP) kullanılmıştır. Koşullu Üretken Çekişmeli Ağ (CGAN) ile veri artırımı incelenmiş ve genelleme üzerindeki etkisi nicel olarak ölçülmüştür. Son olarak, 3B model yükleme, etkileşimli yönelim ve parametre ayarı ile gerçek zamanlı Ra görselleştirmesi için web tabanlı bir grafik kullanıcı arayüzü (GUI) geliştirilmiştir.

Tarih: 06.01.2026 / 13:00 Yer: A-212

Bu tez, öznel tercihlerden hassas mekanik parametreleri tahmin etmek için döngüde insan bulunan bir Bayesçi çerçeve geliştirerek haptik alanındaki "ayarlama problemine" çözüm sunmaktadır. Yaklaşım, farklı seçeneklerin ikili karşılaştırmalarından öğrenme yapan Gauss Süreçlerini kullanarak örtük fayda fonksiyonlarını modellemekte ve bir Aktif Öğrenme çerçevesi ile bu karşılaştırma çiftlerini akıllıca seçmektedir. Sertlik K, sönümleme B ve mesafe D parametreleri üzerinde yürütülen deneysel sonuçlar, modelin referans parametrelere başarıyla yakınsadığını göstermektedir. Ayrıca çalışma, koaktif geri bildirimin yakınsamayı nasıl hızlandırdığını ve algoritmanın yerel optimumlardan kurtulmasına nasıl yardımcı olduğunu doğrulamaktadır.

Tarih: 22.01.2026 / 09:00 Yer: A-212