İlgi alanları

Sürdürülebilir Kalkınma Amaçları

• 1

• MakaleYalnız künye2026Scopus SJRQ2/r/gumushane/12224
  Digital cultivation of violence: a mixed-methods analysis of content and sentiment in YouTube comments on popular Turkish TV series

  Olgun, Oğuzhan; Demirel, Çağatay; Demirel, Uğur

  This study examines the contemporary manifestations of George Gerbner’s Cultivation Theory within the Turkish media landscape by analyzing the relationship between televised representations of violence and digital audience reception. Adopting a mixed-methods research design, the study first conducts a structured qualitative content analysis of 15 selected episodes from three popular Turkish TV series (Camdaki Kız, Sadakatsiz, and Son Yaz) to categorize and quantify various forms of violence. Subsequently, a large-scale computational emotion analysis is performed on 74,478 YouTube comments associated with these episodes using two transformer-based Turkish language models (KUBI and TREMO). The content analysis findings reveal a high prevalence of emotional and psychological violence (61.3%) across all series, followed by physical violence (29.9%), suggesting that mediated harm is increasingly represented through relational and verbal conflict. The computational analysis suggests that these narrative patterns are associated with a high-arousal and largely negative emotional environment in audience discourse, especially around anger and sadness. Notably, while traditional cultivation research emphasizes fear as a primary outcome (Mean World Syndrome), this study finds that digital reception is characterized more by outward-facing anger and moral disgust than by internalized apprehension. The results are consistent with the interpretation that the “seeds” of television cultivation continue to circulate within networked media ecologies, where televised conflict is publicly interpreted and emotionally negotiated through collective digital interaction. By bridging the gap between screen reality and platformed discourse, the research provides a comprehensive framework for understanding the long-term affective impact of Turkish television narratives in the digital age.

  • 
  İncele
• MakaleAçık Erişim2025/r/gumushane/16716
  Investigation of Fluctuations in Cryptocurrency Transactions with Sentiment Analysis

  Demírel, Ugur; Çam, Handan

  This study investigates public sentiment about popular cryptocurrencies listed on crypto exchanges in Turkey, using comments shared on social media platforms and online forums. The research seeks to enhance the existing body of knowledge by overcoming the shortcomings of sentiment analysis studies focused on Turkish texts. Data collected from social media and online forums were examined with sentiment analysis techniques. A total of 607,592 comments were analyzed, of which 89,986 were classified as negative, 72,655 as positive, and 444,951 as neutral. For binary classification, 89,986 negative and 72,655 positive examples were selected and machine-learning models were trained and tested on 162,641 examples. The study's methodology includes an in-depth examination of sentiment analysis results obtained using machine learning classifiers. The findings show how various cryptocurrencies are perceived on different social media platforms. For instance, BTC (Bitcoin) is generally perceived negatively on Investing.com and Telegram, while ETH (Ethereum) generally displays more negative views. These results help investors understand their perceptions and market expectations towards cryptocurrencies. This study deepens the role of social media sentiment analysis in cryptocurrency markets, contributing to the development of new methods and approaches for future research.

  AtıfWoS1·OpenAlex3

  İncele
• Kitap BölümüYalnız künye2025/r/gumushane/11763
  Sentiment analysis of twitter data for US airlines' finance

  Cam, Handan; Demirel, Ugur

  The airline industry significantly promotes cultural, social, and financial globalization by facilitating connections between nations and individuals. Airline finance encompasses the intricate aspects of managing the economic, operational, and strategic elements of airline corporations on a global scale. In this industry, it is necessary to address various factors, including revenue management, risk management, cost control, and market competition. The interaction of these factors in the global aviation sector influences the financial situation of airlines, requiring strategic planning, flexibility, and a complete understanding of market dynamics. Sentiment analysis in aviation finance uses text and data mining techniques to examine emotional elements derived from social networks, consumer feedback, and news. This facilitates understanding consumer preferences, new trends, investment opportunities, risks, and marketing strategies. Sentiment analysis also helps manage brand reputation by monitoring sentiments expressed by passengers and the general public, allowing proactive measures to maintain a positive reputation. Airline companies rely on conventional customer feedback forms, which can be extremely laborious and timeconsuming. Twitter data is valuable for collecting consumer feedback tweets and conducting sentiment analysis. In this paper, we work on a dataset comprising tweets from the top major US airlines and perform a sentiment analysis in airline finance that can be used more efficiently and effectively in decision-making processes. This would allow airlines to adopt a more knowledgeable, targeted, and competitive strategy by understanding and assessing emotional context.

  İncele
• Doktora TeziAçık Erişim2024/r/gumushane/21572
  Duygu analizi ile kripto para işlemlerindeki dalgalanmaların incelenmesi

  Uğur Demirel

  Bu çalışma, Türkiye'de faaliyet gösteren kripto borsalarında listelenen popüler kripto paraların, sosyal medya platformları ve çevrimiçi forumlarda paylaşılan yorumlar yoluyla kamuoyunun duygu durumunu araştırmayı hedeflemektedir. Kripto para piyasalarının yüksek volatilitesi ve belirsizliği, yatırımcıların piyasa hareketlerini öngörmelerini zorlaştırarak büyük riskler doğurmaktadır. Bu bağlamda, doğru tahminler yapabilmek ve riskleri minimize etmek için duygu analizinin rolü kritik önem taşımaktadır. Çalışma, Türkçe metinler üzerinde yapılan duygu analizi çalışmalarının sınırlılıklarını ele alarak bu alandaki literatüre katkıda bulunmayı amaçlamaktadır. Sosyal medya platformları ve çevrimiçi forumlardan toplanan veriler kullanılarak, kripto para birimlerine yönelik yapılan yorumlar duygu analizi teknikleriyle incelenmiştir. Toplamda 607,592 yorum analiz edilmiş olup, bu yorumların 89,986'sı negatif, 72,655'i pozitif ve 444,951'i nötr olarak sınıflandırılmıştır. İkili sınıflandırma (binary classification) için ise 89,986 negatif ve 72,655 pozitif örnek seçilerek toplam 162,641 örnek üzerinde makine öğrenimi modelleri eğitilmiş ve test edilmiştir. Çalışmanın metodolojisi, makine öğrenimi sınıflandırıcıları kullanılarak elde edilen duygu analizi sonuçlarının derinlemesine incelenmesini içermektedir. Naive Bayes, Lojistik Regresyon, Karar Ağaçları, K-En Yakın Komşu, Gradyan Artırma ve Çok Katmanlı Algılayıcı gibi farklı sınıflandırıcılar kullanılarak elde edilen sonuçlar karşılaştırılmış ve her bir modelin duygu tahmini performansı değerlendirilmiştir. Elde edilen bulgular, çeşitli kripto para birimlerinin farklı sosyal medya platformlarında nasıl algılandığını göstermektedir. Örneğin, BTC (Bitcoin) genellikle Investing.com ve Telegram'da daha olumsuz algılanırken, ETH (Ethereum) genellikle daha negatif görüşler sergilemektedir. Bu tür sonuçlar, yatırımcıların farklı kripto para birimlerine yönelik algılarını ve piyasa beklentilerini anlamalarına yardımcı olmaktadır. Sonuç olarak, bu çalışma, sosyal medya duygu analizinin kripto para piyasalarındaki rolünü derinleştirerek, gelecekteki araştırmalar için yeni yöntemler ve yaklaşımların geliştirilmesine katkı sağlamaktadır.

  İncele
• MakaleAçık Erişim2024Scopus SJRQ1/r/gumushane/14534
  Sentiment analysis of financial Twitter posts on Twitter with the machine learning classifiers

  Cam, Handan; Cam, Alper Veli; Demirel, Ugur; Ahmed, Sana

  This paper presents a sentiment analysis combining the lexicon-based and machine learning (ML)-based approaches in Turkish to investigate the public mood for the prediction of stock market behavior in BIST30, Borsa Istanbul. Our main motivation behind this study is to apply sentiment analysis to financial-related tweets in Turkish. We import 17189 tweets posted as "#Borsaistanbul, #Bist, #Bist30, #Bist100″ on Twitter between November 7, 2022, and November 15, 2022, via a MAXQDA 2020, a qualitative data analysis program. For the lexicon-based side, we use a multilingual sentiment offered by the Orange program to label the polarities of the 17189 samples as positive, negative, and neutral labels. Neutral labels are discarded for the machine learning experiments. For the machine learning side, we select 9076 data as positive and negative to implement the classification problem with six different supervised machine learning classifiers conducted in Python 3.6 with the sklearn library. In experiments, 80 % of the selected data is used for the training phase and the rest is used for the testing and validation phase. Results of the experiments show that the Support Vector Machine and Multilayer Perceptron classifier perform better than other classifiers with 0.89 and 0.88 accuracy and AUC values of 0.8729 and 0.8647 respectively. Other classifiers obtain approximately a 78,5 % accuracy rate. It is possible to increase sentiment analysis accuracy with parameter optimization on a larger, cleaner, and more balanced dataset by changing the pre-processing steps. This work can be expanded in the future to develop better sentiment analysis using deep learning approaches.

  AtıfScopus51·WoS19·OpenAlex54

  İncele
• MakaleAçık Erişim2021Scopus SJRQ2/r/gumushane/12878
  Predicting stock prices using machine learning methods and deep learning algorithms: The sample of the istanbul stock exchange

  Demirel, Ugur; Cam, Handan; Unlu, Ramazan

  Stock market prediction in financial and commodity markets is a major challenge for speculators, investors, and companies but also profitable with an accurate prediction. Thus, obtaining accurate prediction results becomes extremely important especially while the stock market is essentially volatile, nonlinear, complicated, adaptive, nonparametric and unpredictable in nature. This study aims to forecast the opening and closing stock prices of 42 firms listed in Istanbul Stock Exchange National 100 Index (ISE-100) using well-known machine learning methods, Multilayer Perceptrons (MLP) and Support Vector Machines (SVM) models and deep learning algorithm, Long Short Term Memory (LSTM) by comparing their forecasting performances. The analysis includes 9 years of data from 01.01.2010 to 01.01.2019. For each firm 2249 data for the opening and 2249 for the closing stock prices were established as daily data sets. Forecasting performance of these methods was evaluated by applying different criteria for each model: root mean squared error (RMSE), mean squared error (MSE) and R-squared (R2). The results of this study show that MLP and LSTM models become advantageous in estimating the opening and closing stock prices comparing to SVM model.

  AtıfScopus25·WoS9·OpenAlex37·TR Dizin5

  İncele
• Yüksek Lisans TeziAçık Erişim2019/r/gumushane/20883
  Hisse senedi fiyatlarının makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları ile tahmini

  Uğur Demirel

  Türkiye gibi gelişmekte olan ekonomiler açısından menkul kıymetler piyasasının fiyat tahminlerinin yapılması oldukça önemlidir, ancak piyasalarda her türlü spekülatif hareketin yaşanması bu borsalarda iniş ve çıkışların çok yüksek olmasına neden olmaktadır. Bu durum yatırımcıların hisse senedi fiyat hareketlerini tahmin edebilmelerini güçleştirmekte ve dolayısıyla yatırımlarını doğru değerlendiremedikleri için kayıplar yaşamalarına sebep olmaktadır. Bu nedenle yatırımcılar gelecekteki hisse senedi fiyatlarını doğru tahmin edebilmek için çeşitli yöntem ve metotlar kullanma ihtiyacı hissetmektedirler. Son zamanlarda bu tahminlerin elde edilmesinde makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları diğer alanlarda olduğu gibi finans alanında da sıkça kullanılmaya başlanmıştır. Bu çalışmada, veri seti olarak Borsa İstanbul Ulusal-100 Endeksi (BIST 100)'de işlem gören firmaların hisse senetlerinin günlük 2. seans açılış ve kapanış fiyatlarına ilişkin Ocak 2010 ile Ocak 2019 tarihleri arasındaki veriler kullanılmıştır. Çalışmada makine öğrenmesi ve derin öğrenme ışığında bu hisse senetlerinin açılış ve kapanış fiyatlarının tahmin edilmesi amaçlanmaktadır. Bu kapsamda tahminleme modeli oluşturabilmek adına Çok Katmanlı Algılayıcılar (ÇKA) ve Destek Vektör Makineleri (DVM) gibi klasik makine öğrenimi yöntemleri ve Uzun Kısa Dönemli Hafıza (UKVH) yöntemi gibi derin öğrenme algoritmaları kullanılmaktadır. Çalışmanın sonucunda ÇKA ve UKVH ağlarının DVM'lerine göre daha tutarlı tahminler yaptığı tespit edilmiştir. Bu sonuç analizlerde gruplar arasında fark olup olmadığını gösteren çift kuyruklu t-testi analizi ile de desteklenmiştir.

  İncele