Enformatik Enstitüsü

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