Filtreler

2017 - 201922020 - 20251
Filtreleri Sıfırla

Ayarlar

Yazar: Ekin, Emine × Scopus Q: N/A ×

Arama Sonuçları

Listeleniyor 1 - 3 / 3
  • Küçük Resim
    Yayın
    Sadece kaynak kod kullanarak otomatik yorum oluşturma
    (IEEE, 2017-06-27) Yıldız, Eren; Ekin, Emine
    Bu çalışmada, kaynak kodlara metot seviyesinde yorum ekleme işinin otomatikleştirilmesi anlatılmaktadır. Kodların, Java programlama dilinin sözdizim kurallarına uygun olması yeterli olup, çalışabilir durumda olması beklenmemektedir. Yorum üretmek için kaynak kod biçimsel açıdan incelenir. Bu aşamada ilgili metodun sadece imzasına ve geri döndürdüğü veri tipine ihtiyaç duyulur. Açık kaynak kodlu Java projeleri üzerinde yapılan çalışmayla farklı metot türleri için farklı şablonlar geliştirilmiştir. Yazılımcının geliştirdiği kodun incelenmesi sonucu derlenen bilgi ile bu şablonlardan en uygun olanı seçilir ve metinler oluşturulur. Bu metinler metodun amacını açıklar. Oluşturulan metinler yorum olarak kaynak koda eklenmektedir.
  • Küçük Resim
    Yayın
    Creating important statement type comments in autocomment: Automatic comment generation framework
    (IEEE, 2018-12-06) Yıldız, Eren; Ekin, Emine
    This study explains important statement comments generated by Autocomment, which is an automatic comment generation framework described in [1]. To create the comments, the source code is not expected to be runnable, but to conliffm to the syntax rules of the Java programming language. Two types of comments are created: summary comments and important statement comments. How the important statements are extracted in a given Java source, how they are classified, how comments are generated for each type of important statement have been explained in this work.
  • Küçük Resim
    Yayın
    Comparing pre-trained and fine-tuned transformer-based models for sentiment analysis in Turkish comments in student surveys
    (Institute of Electrical and Electronics Engineers Inc., 2025-08-15) Pourjalil, Kajal; Ekin, Emine; Recal, Füsun
    Student surveys are essential for evaluating teaching quality and course content, but analyzing open-ended responses is challenging due to their unstructured and multilingual nature. This study applies sentiment analysis to Turkish educational survey responses using three transformer-based models: SAVASY, DBMDZ BERT Base Turkish Cased, and XLM-RoBERTa Base. A labeled dataset of real-world student comments was used, with sentiment labels assigned using the Gemini AI tool to facilitate model fine-tuning. Evaluation metrics included accuracy, F1-score, precision, recall, and confidence scores. Results show that fine-tuning improves sentiment classification, effectively identifying positive, negative, and neutral sentiments. This highlights the value of transformer models in analyzing Turkish student feedback.