YAZILIM GEREKSİNİMLERİ VE ANALİZİ 2025-2026 BAHAR

Dersimizle ilgili tüm bildirimler bu sayfadan yapılacaktır.

Sevgili Gençler,

Yazılım dünyasında bir sistemin başarısı, kod satırlarından önce doğru analiz edilmiş gereksinimlerle başlar. YMH212 – Yazılım Gereksinimleri ve Analizi dersi, sadece bir belge hazırlama süreci değil; karmaşık problemleri çözümleme, kullanıcı ihtiyaçlarını öngörme ve yarının teknolojisini bugünden tasarlama sanatıdır.

Bu dönem çıtayı daha da yükseğe taşıyoruz! Artık sadece mevcut sistemleri analiz etmekle kalmayacak, Yapay Zeka araçlarını gereksinim mühendisliği süreçlerine dahil ederek akademik değer taşıyan, özgün ve yenilikçi projeler üreteceksiniz. Her bir projeniz, sadece final notunuzu değil, belki de ilk akademik makalenizi temsil edecek.

Analitik düşüncenizi teknolojiyle birleştirmeye ve yazılım yaşam döngüsünün bu en kritik evresinde fark yaratmaya hazırsanız, başlıyoruz!

Bu ders, sadece bir dönemlik uygulama geliştirme süreci değil, aynı zamanda yazılım mühendisliğinin araştırma yönünü deneyimleyerek akademik çıktıya dönüşebilecek projeler üretmeniz için bir fırsattır.

Üniversitemizin Araştırma Üniversitesi statüsünün devamı, bizlerin ortaya koyacağı nitelikli çalışmalar ve yayınlanabilir projelerle mümkündür. Bu nedenle bu dönem sizlerden klasik yazılım projelerinin ötesine geçerek bilimsel katkı sunabilecek, konferans bildirisine veya makaleye dönüşebilecek güncel, yapay zekâ destekli proje fikirleri ile gelmenizi bekliyorum.

Bu hedefime destek verecek her takım üyesinin gelecek kariyerleri için elimizden gelen mentörlüğü de ayrıca yapacağımızı ifade etmek istiyorum.

Bu ders kapsamında:

Gereksinim analizi, kullanıcı hikâyeleri, use-case tasarımı ve SRS/BRD dokümantasyonu gibi temel süreçleri derinlemesine uygulayacaksınız. Ancak projenizin akademik değeri ölçüsünde raporlama yükünüz de azalacaktır.
Ancak bu süreç, sadece bir raporlama etkinliği değil; yenilikçi, deneysel ve araştırmaya konu olabilecek bir yazılım fikrinin sistematik olarak inşa edilmesini hedeflediğiniz bir süreç olmalıdır.
Bu dönem özellikle NLP, yapay zekâ destekli otomasyon (aşağıda paylaşabileceğim bazı önerilerdeki gibi dersin bağlamı ile doğrudan alakalı olabilir), anomaly detection, güvenlik, veri analitiği, öneri sistemleri, derin öğrenme modelleri ve süreç optimizasyonu gibi alanlarda güncel araştırma problemlerine odaklanmanızı teşvik ediyorum.

ÖNEMLİ NOT: Daha önceki dönemlerde verilen 3 numaralı PDF’deki (AŞAĞIDA PAYLAŞILAN 3 NOLU DOKÜMAN) pek çok klasik proje artık bu ders için önerilmeyecektir. Çünkü bu dönem vizyonumuz, mevcut teknolojilerle yenilikçi yapay zekâ çözümlerini birleştiren, yayın potansiyeli yüksek projeler üretmektir.3 Nolu pdf içindeki derste bazı vurguladığım projelerin üzerine gidilebilir.

Bu Dönem Projelerinden Beklenen Temel Özellikler

Bilimsel değeri olan bir problem çözmesi
Yapay zekâ, makine öğrenmesi veya NLP içermesi
Gereksinim analizinin akademik bir çıktıya dönüşecek kadar kapsamlı yapılması
İster mini araştırma projesi, ister prototip geliştirme olsun, yayınlanabilirlik potansiyeli bulunması
Veri seti kullanımı, model karşılaştırması veya özgün bir yaklaşım barındırması

Bu Dönem İçin Önerilen Güncel Yapay Zekâ Destekli Proje Örnekleri (sadece öneri anahtar kelimeleri gibi düşünebilirsiniz. Daha somut projeler için araştırmalarınız sonucu elde edeceğiniz fikirlerinizi güzel promtlar şeklinde yazarsanız yapay zekadan daha somut destek/çıktı alabilirsiniz)

Yapay zekâ destekli gereksinim analizi otomasyon araçları
LLM tabanlı akıllı SRS doğrulama sistemi
Yazılım projeleri için risk tahmin modeli
Anomaly detection mantığındaki yaklaşımlar (bilgi güvenliği, sosyal proje yönetimi, trafik vb alanlar ayrıca kurgulanabilir)
Sosyal mühendislik vb tespiti için metin sınıflandırma modelleri
Yapay zekâ destekli kod gözden geçirme araçları
Kullanıcı hikâyelerini otomatik oluşturan veya sınıflandıran AI destekli Agile tool
Derin öğrenme ile akıllı belge/metin/doküman/haber/kitap/makale/bildiri/web sitesi içeriği/gizlilik sözleşmesi/proje dokümantasyonu analizi/özeti/yorumlayıcısı vb.
ChatGPT benzeri büyük dil modeli vb yardımcılarla yarı-otomatik gereksinim üretim sistemi
Yapay Zeka Tabanlı Gereksinim Çelişkisi Tespit Sistemi (Requirement Conflict Detection) [Birçok stakeholder’dan gelen yüzlerce gereksinim bildirimi çelişebilir. Bunun tespitine yönelik bir çalışma kurgulayabilirsiniz.] Akademik Çıktı: “Gereksinim Analizinde LLM Kullanımı: Çelişki Tespit Performansı Üzerine Bir Uygulama” şeklinde bir makaleye dönüştürebiliriz.
User Story’lerden Otomatik Use-Case ve Diyagram Dönüşümü. Akademik Çıktı: “Çevik Yazılım Süreçlerinde Otomatik Modelleme: User Story’den UML’e Üretken YZ Yaklaşımı.” vb bir isimle makaleye dönüştürebiliriz.
Gereksinim Belgeleri İçin “Kalite Skoru” Tahminleme (IEEE 830 vb standartlara uygunluk ölçümleri sonucu skorlama) Akademik Çıktı: “Gereksinim Mühendisliğinde Otomatik Kalite Değerlendirmesi: Derin Öğrenme Temelli Bir Yaklaşım.” şeklinde makaleye dönüştürebiliriz.
Duygu Analizi ile Kullanıcı Geri Bildirimlerinden Gereksinim Çıkarımı. Kullanıcı yorumlarını analiz ederek şikayetleri “Hata Bildirimi”, istekleri ise “Yeni Gereksinim” olarak sınıflandıran ve önceliklendiren bir sistem. Burada uygulama marketleri baz alınarak çeşitli kategorilendirmelerle ya da uygulama bazında bile çalışmalar yapılabilir. Akademik Çıktı: “Kullanıcı Geri Bildirimlerinden Gereksinim Çıkarımı: Mobil Uygulamalar İçin Bir Veri Madenciliği Modeli.” şeklinde makaleye dönüştürebiliriz.
Sevgili gençler, bu önerilerin neredeyse tamamı ilk dönem kalite güvencesi dersindeki yaklaşımlarımıza çok benzer olduğu için makaleye dönüşebilme ihtimalleri oldukça yüksek görünüyor.
Sadece buradakilere bağlı kalmadan kendi araştırmalarınızı da yaparak kendiniz de fikir alışverişi ve beyin fırtınası yaparak olası farklı öneriler belirleyiniz.

1

2

3

İŞ ANALİSTLİĞİ

ödev 2projeler ve konseptler

stratejik bakış

(Bu sayfa sürekli güncellenecektir.) Web sayfam üzerindeki paylaşımlar bu tek sayfa ve aynı zamanda debsis üzerinden de yapılacaktır.)

Yazılım Gereksinimleri ve Analizi Dersine Hoş Geldiniz

Yazılım sistemleri, günümüzde yalnızca kod satırlarından ibaret değildir; karmaşık iş süreçlerinin, kullanıcı ihtiyaçlarının ve teknolojik imkânların kesişim noktasında yer alan yaşayan yapılardır. Bir yazılım projesinin başarısı, kodlama kalitesinden önce, neyin inşa edilmesi gerektiğinin ne kadar doğru anlaşıldığına bağlıdır. Bu nedenle gereksinim mühendisliği, yalnızca bir başlangıç aşaması değil, projenin tüm yaşam döngüsünü belirleyen stratejik bir temeldir. Yazılım Gereksinimleri ve Analizi dersi, sizleri karmaşık problemleri çözümleyen, paydaş ihtiyaçlarını sistematik modelleyen ve sürdürülebilir yazılım mimarilerine zemin hazırlayan yöntemlerle tanıştırmayı amaçlamaktadır.

Dersin Amacı ve Felsefesi

Bu dersin temel amacı, öğrencilerin yalnızca teorik analiz yöntemlerini öğrenmesi değil, aynı zamanda problemi keşfetme ve modelleme aşamalarında endüstriyel standartlarda beceriler kazanmasıdır. Derste hedeflendiği üzere; derinlemesine literatür taraması yapılması, somut analiz modellerinin çıkarılması, bir çözüm prototipinin geliştirilmesi ve tüm bu mühendislik sürecinin akademik bir bildiri ya da makaleye dönüştürülmesi beklenmektedir.

Ders kapsamında:

Gereksinim mühendisliğinin felsefi, etik ve mühendislik boyutlarını kavrayacak,
Karmaşık sistemleri stratejik, sistematik ve çevik bir bakış açısıyla analiz etmeyi öğrenecek,
Modern modelleme araçlarını (UML, User Stories, Case Tools) deneyimleyerek gereksinimleri somutlaştıracak,
Doğal Dil İşleme (NLP) veya Yapay Zekâ destekli analiz yaklaşımlarını değerlendirecek,
Kendi geliştireceğiniz analiz yöntemlerini veya araçlarını tanıtma ve akademik makaleye dönüştürme imkânı bulacaksınız.

Yani bu ders, “sadece belge hazırlamak” değil, aynı zamanda analiz teknolojileri geliştirmek ve akademik çıktı üretmek üzerine inşa edilmiştir.

Ders Konu Başlıkları

Gereksinim Konseptleri – İhtiyaç nedir, problem alanı nasıl tanımlanır?
Gereksinim Mühendisliği Süreçleri – Çıkarma (Elicitation), Analiz, Şartname ve Doğrulama.
Paydaş Yönetimi ve Analizi – Paydaşların belirlenmesi, çatışan gereksinimlerin yönetimi.
Çevik (Agile) Analiz – Kullanıcı hikayeleri, backlog yönetimi ve iteratif gereksinim belirleme.
Fonksiyonel ve Fonksiyonel Olmayan Gereksinimler – Performans, güvenlik ve ölçeklenebilirlik gibi kalite niteliklerinin analizi.
Sistem Modelleme – UML diyagramları, akış modelleri ve veri sözlükleri.
Gereksinim İzlenebilirliği (Traceability) – Gereksinimlerin tasarım ve test aşamalarıyla olan bağının kurulması.
Prototipleme Teknikleri – Gereksinimlerin doğrulanması için düşük ve yüksek sadakatli prototipler.
Gereksinim Yönetim Araçları – Jira, Azure DevOps veya kurumsal analiz araçlarının incelenmesi ve kıyaslanması.
Doğrulama ve Geçerleme (V&V) – Gereksinimlerin tutarlılık, tamlık ve doğruluk denetimleri.

Uygulamalı Yaklaşım ve Beklentiler

Bu dersin en dikkat çekici yanı, öğrenci merkezli, proje tabanlı ilerlemesidir. Her öğrenci veya ekipten beklenenler:

Var olan araçlarının incelenmesi ve karşılaştırmalı raporların hazırlanması,
Web, mobil veya güvenlik testleri için yeni bir yazılım aracının prototip olarak geliştirilmesi,
Geliştirilen araçların akademik bir makaleye dönüştürülmesi (IEEE Xplore kapsamındaki konferans/dergiler veya SCI/ESCI dizinli dergiler hedeflenecektir),
Takım çalışması, belgelendirme ve akademik yazım kurallarına uyumun sağlanması.

Yapay Zekâ ve Doğal Dil İşleme (NLP) Odaklı Başlıklar

Bu alan şu an akademik dergilerde en çok kabul gören (trend) konulardır.

“Doğal Dil İşleme Teknikleri ile Gereksinim Metinlerindeki Belirsizliklerin Otomatik Tespiti”
- Kapsam: Metin tabanlı yazılmış gereksinimlerin NLP araçları ile analiz edilip hataların bulunması.
“Büyük Dil Modellerinin (LLM) Kullanıcı Hikayeleri (User Stories) Oluşturma Performansının Karşılaştırmalı Analizi”
- Kapsam: ChatGPT, Claude gibi modellerin yazılım gereksinimi üretmedeki başarısının ölçülmesi.
“Yazılım Gereksinimlerinin Otomatik Olarak UML Diyagramlarına Dönüştürülmesinde Yapay Zekâ Yaklaşımları”

Çevik (Agile) ve Hibrit Yöntemler

Uygulamalı saha çalışmaları ve anket tabanlı araştırmalar için uygundur.

“Çevik Yazılım Geliştirme Süreçlerinde Gereksinim Değişim Yönetimi: Ölçeklenebilir Bir Model Önerisi”
“Uzaktan Çalışan Takımlarda Gereksinim Belirleme Süreçlerinde Yaşanan Zorluklar ve Çözüm Yaklaşımları”
“Kullanıcı Hikayesi Önceliklendirmede Çok Kriterli Karar Verme Yöntemlerinin (AHP/TOPSIS) Kullanımı”

Sektörel ve Kritik Sistem Analizleri

Daha teknik ve standart odaklı (ISO/IEEE) çalışmalar için uygundur.

“Savunma Sanayii Projelerinde Gereksinim İzlenebilirliği (Traceability) İçin Blockchain Tabanlı Bir Güvenlik Mimarisi Önerisi”
“Sağlık Bilişim Sistemlerinde Fonksiyonel Olmayan Gereksinimlerin (NFR) Analizi: Bir Vaka Çalışması”
“Oyun Geliştirme Süreçlerinde Kullanıcı Deneyimi (UX) Gereksinimlerinin Belirlenmesi İçin Yeni Bir Metodoloji”

Araç ve Performans Odaklı Başlıklar

Kıyaslama (Benchmarking) çalışmaları için idealdir.

“Açık Kaynak ve Ticari Gereksinim Yönetim Araçlarının Fonksiyonel Kapsam Açısından Karşılaştırılması”
“Düşük Kodlu (Low-Code) Geliştirme Platformlarında Gereksinim Analizi ve Tasarım Tutarlılığının İncelenmesi”

Makale Yazımına Yönelik Küçük Bir İpucu

Formül:

[Yöntem/Teknoloji] + [Problem/Süreç] + [Uygulama Alanı/Vaka Çalışması]

Örn: “Karar Destek Sistemleri ile (Yöntem) Gereksinim Önceliklendirme (Süreç): E-ticaret Sektörü Örneği (Vaka).”

Böylece ders sonunda sadece teorik bilgiye değil, aynı zamanda somut bir yazılım ürününe ve akademik yayına dönüşebilecek çalışmalara sahip olacaksınız.

DERSİN İŞLENİŞ MODELİ

Metinsel Algoritma / İş Akışı

Ekip Yapısının Belirlenmesi: Herkes her alanda çalışmalı! Her olguya hakim olmalı
- Öğrenciler küçük ekipler oluşturur (4-7 kişi).
- Ekip içindeki roller (özellikle hız için) (araştırmacı, geliştirici, testçi, raporlayıcı) belirlenir.
Anahtar Kelimeler ve Çalışma Alanı Seçimi
- Ekip, yazılım kalite güvencesi ve testi kapsamında bir odak alanı seçer (ör. web test otomasyonu, mobil test araçları, güvenlik açık tarayıcıları).
- Çalışma alanını tanımlayan anahtar kelimeler belirlenir. Buna göre ingilizce ve Türkçe aramalara geçilir
Literatür Taraması: Bu kısım için yardımcı video vb. materyal verilecek.
- IEEE Xplore, ACM, Springer, ScienceDirect gibi veri tabanlarında arama yapılır.
- İlgili makaleler toplanır, okunur, özetlenir.
- Google Scholar derste bahsedildiği gibi özellikle tercih edilebilir.
- Özellikle son 1-3 yıldaki çalışmalara bakmak daha (trend) yol gösterici olabilir.
Literatürün Değerlendirilmesi
- Ekip makaleleri analiz eder, güçlü ve zayıf yönleri çıkarır.
- Mevcut yazılımların ve araçların karşılaştırma tablosu hazırlanır.
Özgün Proje Konusu ve Makale Başlığı Belirleme: Bu konuda video vb materyaller verilecek.
- Literatürdeki boşluklara bakılarak özgün bir proje konusu seçilir.
- Uygun ve anlamlı bir makale başlığı önerilir.

Tartışma/sonuç/değerlendirme

6.Proje Geliştirme

- Seçilen konuya yönelik özgün yazılım / araç geliştirilir.
- Proje dokümantasyonu (tasarım, kod, test sonuçları) hazırlanır.

7.Makale Yazımı: Bu konuda da video vb materyaller verilecek.

- IEEE makale formatı veya hedeflenen derginin şablonu kullanılır.
- İçindekiler: Başlık Özet, Giriş, Literatür, Metodoloji, Sonuçlar, Tartışma, Kaynaklar.
- Bir önceki maddedeki bölümlere göre ana iskelet oluşturulur.
- Makalenin benzersiz, kendi ifadelerimizle olmasına dikkat edilmelidir.

8.Makalenin Sunumu ve Yayınlanması

- Sempozyumda sunum yapılır veya dergiye gönderilir.
- Hakem geri bildirimleri değerlendirilir, düzeltmeler yapılır.

9.Ders İçi Süreç Yönetimi

- 1–3/5. haftalar: Öğretim üyesi tarafından teorik sunumlar yapılır. Sunuma gelinmeden önce ilgili haftanın önceden paylaşılan dokümanları okunmalıdır. Bu dokümanlardan kısa sınav yapılacaktır.
- Sonraki haftalar: Öğrenci proje sunumları.
  - Mevcut sistem/araç sunumları.
  - Özgün proje sunumları.
  - Dokümantasyon paylaşımı.

DERSİ TEKRAR ALANLAR İÇİN İŞLENİŞ MODELİ:

Dersi tekrar alan arkadaşlarımız (ALTTAN/FF) ders için belirtilen işleniş modelindeki proje ekiplerinde yer alabilirler.

Bu arkadaşlarımız dersi tekrar alanlarla bir takım oluşturabileceği gibi dersi zorunlu olarak ilk kez alanlarla da bir takımda yer alabilir.

Dersi tekrar alanlar için proje takımına katılmak zorunlu olmayıp katılıp görevlerini yerine getirenler bonus/kanaat ile ödüllendirilir.

Dersi tekrar alan arkadaşlarımız (ALTTAN/FF) derse katılmak zorunda değildir. Bu arkadaşlarımız debsis üzerinden yapılan paylaşımları takip edip sadece sınavlara gelebilirler.

LİTERATÜR TARAMA:

Araştırma Sorunu veya Konuyu Netleştirme

Literatür taramasına başlamadan önce “Ben neyi araştırıyorum?” sorusuna cevap vermek lazım. Bu soruya verilecek cevap derste veya ders sonrasında ekibinizle beraber belirlediğiniz “konsept” ifadeleri ya da buna dair anahtar kelimelerdir.
Örn: “Yazılım test otomasyonu için yapay zekâ tabanlı yöntemler”, “Agile projelerde gereksinim yönetimi”, “web açıklık tarayıcıları”, “mobil uygulama testi”, “yük testi”, “sızma testi”, “saldırı tespiti”, “açıklık tarayıcı”, “test otomasyonu”, “yazılım testi“, “test araçları”, “birim testi”, “stres testi”, “entegrasyon testi”, “statik kod analizi”, “kod analizi”, “kod yorumlama” gibi onlarca anahtar kelime türetilebilir. Bu anahtar kelimeleri ingilizce ve Türkçe olarak dizinlerde taratabilirsiniz.
“Yazılım gereksinimleri ve analizi disiplini kapsamında; ‘çevik gereksinim mühendisliği’, ‘kullanıcı hikayeleri (user stories)’, ‘işlevsel olmayan gereksinimlerin (NFR) analizi’, ‘gereksinim izlenebilirliği’ ve ‘UML tabanlı modelleme’ gibi stratejik anahtar kelimeler türetilebilir. Literatür taraması sürecinde bu kavramların, akademik dizinlerde hem Türkçe hem de İngilizce (örneğin; requirements elicitation, traceability matrix)

Sektörel ve Proje Odaklı Gereksinim Alanları

Her sektörün “kritiklik” seviyesi farklıdır. Bu alanlara yönelik taramalar, spesifik standartlara (ISO, IEEE gibi) ulaşmanızı sağlar.

Savunma ve Havacılık: “Kritik sistemler (safety-critical systems)”, “Gömülü yazılım gereksinimleri”, “DO-178C standartları”, “Askeri standartlar (MIL-STD)”.
Sağlık ve Tıp: “Tıbbi cihaz yazılım gereksinimleri”, “HIPAA uyumluluğu”, “Sağlık bilişim sistemlerinde veri gizliliği”.
E-Ticaret ve Finans: “Ödeme sistemleri gereksinim analizi”, “Fintech güvenlik gereksinimleri”, “Ölçeklenebilirlik analizi”.
Oyun Geliştirme: “Oyun mekaniği gereksinimleri”, “Kullanıcı etkileşim analizi”, “Performans bütçeleme”.

Teknoloji Odaklı Gelişmiş Kombinasyonlar

Modern sistemlerde gereksinimlerin nasıl evrildiğini görmek için şu hibrit terimleri kullanabilirsiniz:

Yapay Zekâ ve Veri Bilimi: “AI tabanlı sistemlerde gereksinim mühendisliği”, “Veri kalitesi gereksinimleri”, “Makine öğrenmesi modellerinde açıklanabilirlik (Explainability)”.
Bulut Bilişim: “SaaS (Software as a Service) gereksinim analizi”, “Bulut tabanlı mimarilerde SLA (Hizmet Seviyesi Anlaşması) yönetimi”.
Nesnelerin İnterneti (IoT): “IoT sistemlerinde cihazlar arası etkileşim gereksinimleri”, “Sensör ağlarında enerji verimliliği analizi”.

Kullanıcı Deneyimi (UX) ve Psikolojik Boyut

Gereksinimlerin sadece teknik değil, insan odaklı kısmını taratmak için:

İnsan-Bilgisayar Etkileşimi: “Kullanılabilirlik gereksinimleri (Usability requirements)”, “Kullanıcı merkezli tasarım (UCD)”, “Erişilebilirlik (Accessibility) analizi”.
Bilişsel Süreçler: “Paydaş çatışma yönetimi”, “Bilişsel görev analizi (Cognitive task analysis)”.

Akademik Arama İçin “Kombinasyon” Formülleri

Arama motorlarında (Google Scholar, DergiPark) en iyi sonuçları şu matematiksel mantıkla alabilirsiniz:

[Yöntem] + [Alan]: “Çevik (Agile) yöntemler” + “Savunma sanayii gereksinim yönetimi”
[Sorun] + [Süreç]: “Gereksinim belirsizliği (Ambiguity)” + “Doğal Dil İşleme (NLP)”
[Araç] + [Kriter]: “Jira/Azure DevOps” + “Gereksinim izlenebilirliği (Traceability)”

Konu çok genişse önce alt başlıklara ayırmak faydalı. Ya da yukarıdaki anahtar kelimeleri alıp bu kelimeleri yazılımı, toolları, araçları gibi uygun kombinasyonlarda kullanmak da mümkündür.

Kaynaklara Ulaşma

Yazılım mühendisliği için en çok kullanılan akademik kaynaklar:

IEEE Xplore – Yazılım mühendisliği kalite ve test, ağ, güvenlik, yapay zekâ makaleleri.
ACM Digital Library – Yazılım geliştirme süreçleri, metodolojiler, HCI, veri tabanları.
SpringerLink & ScienceDirect – Uygulamalı bilgisayar bilimleri, yazılım araçları.
Google Scholar – Genel tarama, makale bulma, atıf zincirlerini takip etme.
arXiv – Henüz dergilere girmemiş güncel araştırmalar (özellikle AI & SE).
Elsevier
Wiley
Mdpi
dergipark

🔎 Yazılım mühendisliği pratiğinde, yalnızca akademik makaleler değil, standartlar (IEEE 830, ISO 25010), sektörel raporlar (Gartner, McKinsey), whitepaper’lar ve GitHub projeleri de değerlidir.

https://www.sciencedirect.com / Science Direct
https://ieeexplore.ieee.org/Xplore/home.jsp IEEE XPLORE
https://scholar.google.com.tr / Google Akademik
https://towardsdatascience.com /
https://paperswithcode.com /
https://github.com /
https://www.kaggle.com / (uygun veri setleri bulunup sınıflama vb yapılabilir)
https://archive.ics.uci.edu(uygun veri setleri bulunup sınıflama vb yapılabilir)
https://www.unb.ca/cic/datasets/index.html (uygun veri setleri bulunup sınıflama vb yapılabilir)

Gereksinim Analizi

YAPAY ZEKÂ KULLANIMINA DAİR ETİK REHBER

(12191624)EK-1

(YUKARIDAKİ ŞEKLİN TÜRKÇE AÇIKLAMASIDIR)

Makale/Bildiri Yazma Algoritması (Adım adım)

Başlangıç: Başlık, Anahtar Kelimeler, Hedef Yayın

Başlığı belirle — kısa, açıklayıcı, anahtar terimi içersin. (10–12 kelimeyi geçmemeye çalış.)

Özet (Abstract) — en son yazılması önerilir ama görünür bölüm. Çalışmalarımız bittikten sonra güncelleyeceğiz.

İçerik (kısa ve etkili):
1. Problem tanımı (1 cümle) — neden önemli?
2. Yönteme kısa bir gönderme (hangi yöntem, veri türü?)
3. Ana bulgular (en güçlü 1–2 sonuç, sayısal veriler varsa verin)
4. Temel sonuç/katkı/geliştirme (1 cümle)
Uzunluk: 150–250 sözcük (yayın isteğine göre).
Tens / stil: Genelde geniş zaman + geçmiş zamanda “We propose… / We found…” veya “This study proposes… It shows…”. Türkçe metinleri edilgen yapıda, geniş zaman veya görülen geçmiş zaman: …maktadır, …mektedir, + …mıştır.
İpucu: Özet yalnızca makalede bulunan bilgilerle sınırlı olmalı (yeni veri eklemeyin).

Giriş (Introduction) — huninin geniş kısmı

Amaç: okuyucuya alanı tanıt, boşluğu göster, çalışmanın yerini ilan et.

Çalışmanın 2. Bölümünde…….3.

Bölüm 1 — Establishing a territory (alanı belirleme)

İlk paragrafta konunun geniş çerçevesini ver (niçin önemli, genel bağlam).

Özellikle bir istatiki bilgi/bulgu, bir tanım, önemli bir çıkarsama [1].

“fghgfhgfhgfhfg gf hgfh” [x]

Kısa literatür referanslarıyla “bu alanda kimler ne yapmış” örnekleri.
Cümle örneği: “In the past decade much research has focused on…” → Türkçe: “Son on yılda … üzerine yoğun çalışmalar yapılmıştır.”

Bölüm 1— Establishing a niche (boşluğu ortaya koyma)

Açık şekilde “ne bilinmiyor?” veya “mevcut yaklaşımlar neden yetersiz?” sorusunu koy.
Boşluğu destekleyen 2–3 kaynak göster (eleştiri/karşı argüman).
Cümle örneği: “It remains unclear why…” → “Bunun nedeninin halen belirsiz olduğu görülmektedir.”

Bölüm 2.3 — Occupying the niche (çalışmayı konumlandırma)

Bu çalışmanın amacı/araştırma sorusu(ları) net olarak: “Bu çalışmanın amacı … idi.”
Kısa olarak hangi yöntem(ler) kullanılacağı, hangi veri setleriyle çalışılacağı ve beklenen katkı (novelty).
Son paragrafta makalenin yapısını (bölümlerin sırası) kısaca belirt: “Bu makale şöyle yapılandırılmıştır…”

Yazım ipuçları:

Girişte gereksiz teknik ayrıntıya girme; sadece yüksek seviyede yönlendir.
Net soru/amaç cümlesi bulunsun (The purpose of this study was to… → “Bu çalışmanın amacı …’dır.”).

Giriş bölümünün sonunda mutlaka;

Çalışmanın artıları/katkıları/avantajlı yanları
Çalışmanın kalan kısımlarının neler içerdiği. (Makale Organizasyonu)

Literatür Taraması (Literature Review)

Amaç: konuyu derinleştirmek, benzer yaklaşımları özetlemek, boşluğu daha sağlam göstermek.
Yapı: [3]
1. Tematik alt başlıklarla gruplandır (ör. “Görüntü işleme yaklaşımları”, “Veri füzyonu yöntemleri”, “Saha ölçümleri ve sensörler”).
2. Literatür taraması kısmında 15-20 önemli çalışmayı tartış: yöntem, avantaj/eksiklik, performans.
3. Tablo: karşılaştırmalı çalışmalar (yazar, yıl, yöntem, veri, performans) ekle — okuyucu hızlıca görsün.

Tablo 1. Mevcut yaklaşımlarla yapılan çalışmanın karşılaştırılması

Çalışmanın adı	a	b
[1]
[2]
[This Study]

İpucu: Literatür eleştirisel olmalı; sadece listeleme değil “niçin sizin yaklaşımınız farklı/iyi” vurgusu yapılmalı.

Yöntem (Methodology)

Amaç: çalışmanın nasıl yürütüldüğünü net, tekrarlanabilir şekilde anlatmak.

“Graphical Abstract” yapısal x çeşit diyagram. Çalışmanın mimari diyagramı. Çalışmanın çalışma diyagram.

4.1 Çalışma Tasarımı / Mimari

Genel sistem mimarisini veya deney tasarımını soyut bir şema ile göster.
Her bileşenin kısa tanımı (ör. veri toplama, ön-işleme, model mimarisi, değerlendirme modülü).

4.2 Veri (Data)

Veri kaynakları (hangi coğrafi bölge, saha çalışması mı, açık veri mi, kaç örnek?), veri toplama yöntemi (sensörler, görsel, anket).
Veri büyüklüğü, etiketleme prosedürü, veri kalitesi kontrolleri.
Gerekirse veri ön işleme adımları (normalizasyon, augmentasyon, eksik veri imputation).

4.3 Model / Metod

Kullanılan algoritmalar (ör. CNN: MobileNet v2; T/F: transfer learning; XGBoost; istatistiksel testler).
Parametreler, eğitim-rutinleri, çapraz-doğrulama, hiperparametre seçimi.
Deney senaryoları (baseline karşılaştırmaları, ablation study).

4.4 Değerlendirme Metodları

Başarı metrikleri (accuracy, precision, recall, F1, AUC, RMSE, ROC vb.).
İstatistiksel testler (t-test, ANOVA) ve güven aralıkları.
Deney tekrarı sayısı ve rastgelelik tohumları (random seeds).

Yazım ipuçları:

Yöntemi o kadar detaylı yaz ki bir başkası aynı prosedürü tekrarlayabilsin.
Model mimarilerini mümkünse görsel/şema halinde ver.

Bulgular (Results)

Amaç: deneylerden elde edilen nesnel çıktıları sunmak.
İçerik:
1. Özet tablo(lar) (performans metrikleri karşılaştırması).
2. Önemli grafikler (ROC, loss/accuracy epoch grafiği, hata dağılımları).
3. Örnek çıktılar (ör. modelin doğru ve yanlış sınıflandırdığı örnek görselleri).
Sunum: Tablo ve şekil alt yazıları (caption) açıklayıcı olsun; şekil/tablolar metin içinde referansla tartışılsın.
İpucu: Sayısal sonuçları yalnızca verip bırakmayın; kısaca ne anlama geldiklerini belirtin.

Tartışma (Discussion) : 6 ve 7 yi birleştirin

Amaç: bulguları yorumlamak, literatürle ilişkilendirmek, açıklamalar sunmak.
Yapı:
1. Introduction of discussion: Bulguların kısa özeti ve ana iddia: “The findings of this study clearly show that…” → “Bu çalışmanın bulguları açıkça göstermektedir ki…”
2. Evaluation / Explanations: Bulgular neden böyle? Hangi mekanizmalar işledi? Literatürde benzer bulgular var mı, farklılık neden?
3. Alternatif açıklamalar ve sınırlılıklar: One explanation for… → başka açıklamalar, modelin sınırlılıkları, veri kısıtları, dezavantajları.
4. Uygulama ve politika çıkarımları: Eğer uygulamaya dönükse (çiftçi/kurum önerileri).
İpucu: Tartışma, sonuçları abartmamalı; etkiyi gerçekçi çerçevede sunun.

Sonuç (Conclusion)

İçerik (kısa):
1. Çalışmanın ana katkısı (1–2 cümle).
2. Ana bulguların pratik/teorik anlamı.
3. Öneriler / ileri çalışmalar (future work).
İpucu: Tekrarlı bilgiden kaçının; öz, vurucu ve yönlendirici olun.

Teşekkür (Acknowledgements): Bu kısım olmayacak.

Finansman kaynakları (projeler, hibe numaraları), saha destekçileri, veri sağlayıcılar, önemli katkıda bulunanlar (danışmanlar) yazılır.
Etik onay/İzin gerekiyorsa kısa not (ör. “This study was approved by …”).

Kaynakça (References)

Yayın stiline uygun eksiksiz ve doğru biçimde. DOI mümkünse ekleyin [1, 2].
Literatür taramasındaki ana kaynakları, yöntem referanslarını ve araç/kitapları mutlaka ekleyin. APA. Cite this study, scholar : alıntı yap.
İpucu: Referans yönetimi için Zotero / Mendeley / EndNote kullan; PDF’lerle eşleştir.

Ekler (Appendices) / Veri ve Kod Erişimi

Uzun tablolar, anket formları, ek grafikler veya tam hiperparametre listesi burada verilir.
Eğer mümkünse veri seti ve kodun bulunduğu repository linki (GitHub) ekle (reproducibility).
Not: Açık veri / kod etik ve lisans koşullarına bağlı olmalı.

Yazma Sırası (Pratik Algoritma)

Başlık & kısa amaç yaz.
Giriş taslağı oluştur (alan, boşluk, amaç).
Literatür taraması — tabloyu oluştur.
Yöntem bölümünü eksiksiz yaz (veri ve model).
Deneyleri yap / sonuçları topla.
Results bölümünü yaz (tablolar, figürler).
Discussion yaz — sonuçları literatürle bağla.
Conclusion yaz.
Abstract son olarak yaz.
Teşekkür ve referansları düzenle.
Appendix ve repo linklerini ekle.
Son kontrol & dil / format -> gönderime hazırla.

Yazım Stilleri ve Teknik İpuçları

Tens: Yöntem ve sonuçlar için genelde geçmiş zaman (we used, we observed), genel gerçekler için geniş zaman. Türkçede “Bu çalışmada … yapıldı / elde edildi.”
Aktif vs Pasif: Akademide aktif cümleler (We propose, We found) daha etkilidir; aşırı pasiflikten kaçının.
Tablo/Şekil referansları: Metinde “Şekil 1’de … gösterilmiştir.” şeklinde referans verin.
Kısaltmalar: İlk kullanımda parantez içinde açılım (Yapay Sinir Ağları(YSA))).
Etik ve izinler: İnsan/ hayvan/veri gizliliği varsa etik onay numarasını yazın.
Dilim ve okunurluk: Her paragrafta bir ana fikir olsun; başlıklar kısa ve açıklayıcı.

Ön Gönderim Kontrol Listesi (Checklist)

Hedef yayının formatına uygun şablon kullanıldı mı?
Başlık, abstract ve anahtar kelimeler var mı?
Girişte net bir araştırma sorusu/amaç var mı?
Literatürde boşluk ve katkı açıklandı mı?
Yöntem yeterince detaylı mı (reproducible)?
Sonuçlar doğru metriklerle sunuldu mu? (istatistik var mı?)
Tüm figürler/tablolar caption ve numaralandırılmış mı?
Kaynaklar stil (IEEE/APA) ile uyumlu mu? DOI var mı?
Etik onayı/finansman belirtildi mi?
Ek dosyalar (veri/kod) linklendi mi?
Dilbilgisi ve yazım kontrolü yapıldı mı?

Son Öneriler (Hızlı Püf Noktaları)

Abstract ve conclusion birbirini tutmalı; çelişki olmasın.
Tablolar kısa ve öz; uzun açıklamalar metinde verilsin.
Bulguları abartmayın; istatistiksel anlamlılık yoksa iddiaları sınırlayın.
Yazdıklarınızı 24 saat sonra tekrar okuyun — hatalar kolay fark edilir.
Bir uzmana okutun (danışman, meslektaş) teknik/akademik geribildirim için.

BAZI ÖNERİLER VE YARDIMCI KAYNAKLAR:

LİTERATÜR TARAMASI VE ATIFYAPMA:

LİTERATÜR NASIL TARANIR:

İYİ BİR ARAŞTIRMA NASIL YAPILIR:

İYİ MAKALE YAZIMI:

İYİ BİR PROJE, MAKALE, TEZ KONUSU NASIL BULUNUR?

YAPAY ZEKA İLE…

Toplam Okuyan : 99

YAZILIM GEREKSİNİMLERİ VE ANALİZİ 2025-2026 BAHAR