“sosyal medya analizi” için sonuçlar
17 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Sosyal Medyada Tartışmalı Konuların Analizi İçin Yeni Yapay Zeka Benchmarkı
Araştırmacılar, sosyal medyada ideolojik ayrılıklar üzerinden yapılan tartışmaları analiz etmek için ControBench adlı yeni bir benchmark geliştirdi. Reddit'ten toplanan verilerle oluşturulan bu sistem, politik kutuplaşma ve dezenformasyon araştırmalarında önemli bir boşluğu dolduruyor. Trump, kürtaj ve din gibi tartışmalı konularda 7.370 kullanıcı, 1.783 gönderi ve 26.525 etkileşim verisi içeren benchmark, hem metin analizini hem de sosyal etkileşim yapısını bir araya getiriyor. Mevcut veri setleri ya sadece metni ya da sadece etkileşim yapısını dikkate alırken, ControBench her iki unsuru da birleştirerek tartışmaların bağlamsal analizine olanak sağlıyor. Bu gelişme, çevrimiçi platformlarda içerik moderasyonu ve polarizasyon dinamiklerini anlamak için kritik önem taşıyor.
Yapay Zeka Artık Sosyal Medyada Görüşleri Daha İyi Anlayabiliyor
Araştırmacılar, sosyal medyada paylaşılan metin ve görsellerdeki tutumları analiz eden yeni bir yapay zeka sistemi geliştirdi. MM-StanceDet adlı bu sistem, çoklu ajan mimarisi kullanarak insanların belirli konulardaki görüşlerini tespit etmede mevcut yöntemlerden çok daha başarılı sonuçlar veriyor. Sistem özellikle metin ve görsel içerik arasında çelişki olduğu durumlarda bile doğru analiz yapabiliyor. Bu gelişme, sosyal medyada kamuoyu analizi ve yanlış bilgi tespiti açısından önemli bir adım olarak görülüyor.
Yapay Zeka Artık İnsanların 20 Farklı Duygusunu %89 Doğrulukla Tanıyabiliyor
Araştırmacılar, yapay zekanın insan duygularını ne kadar iyi anlayabildiğini test eden kapsamlı bir çalışma gerçekleştirdi. 79.595 İngilizce cümle içeren veri seti üzerinde yapılan deneylerde, geleneksel makine öğrenmesi yöntemleri ile derin öğrenme tekniklerinin performansı karşılaştırıldı. Sonuçlar, BiLSTM adlı derin öğrenme modelinin %89 doğrulukla 20 farklı duyguyu ayırt edebildiğini gösterdi. Bu başarı, geleneksel destek vektör makinesi yönteminin %88,11'lik performansını geride bıraktı. Çalışma, yapay zekanın insan duygularını anlama konusunda geldiği seviyeyi ortaya koyarken, bu teknolojinin sosyal medya analizi, müşteri hizmetleri ve psikolojik araştırmalar gibi alanlarda kullanım potansiyelini gösteriyor.
Yapay Zeka Artık 7 Dilde Duygusal Analiz Yapabiliyor
Araştırmacılar, yapay zekanın metinlerdeki duygusal tonları analiz etme becerisini 7 farklı dilde test etti. Aspect-Based Sentiment Analysis (ABSA) adı verilen bu teknik, metinlerdeki belirli konulara yönelik ince duygusal nüansları yakalayabiliyor. Çalışma, İngilizce, Almanca, Fransızca, Hollandaca, Rusça, İspanyolca ve Çekçe dillerinde gerçekleştirildi. Sonuçlar, büyük dil modellerinin karmaşık görevlerde en başarılı olduğunu, ancak daha küçük modellerin de basit senaryolarda rekabetçi performans sergilediğini gösterdi. Bu gelişme, çok dilli sosyal medya analizi ve müşteri geri bildirimi değerlendirmesi gibi alanlarda önemli uygulamalara sahip olabilir.
Yapay zeka çevre kampanyalarını sosyal medyada güçlendiriyor
Bremen Constructor Üniversitesi araştırmacıları, çevresel kampanyaları sosyal medyada daha etkili hale getirmek için yapay zeka destekli yeni bir strateji geliştirdi. Dr. Noushin Mohammadian ve Prof. Dr. Omid Fatahi Valilai'nin önerdiği model, sosyal medya analizi, davranış değerlendirmesi ve AI destekli içerik üretimini birleştiriyor. Sistem özellikle "Sıfır Kirlilik" girişimlerine odaklanarak, yapay zekayı hem içerik üretmek hem de vatandaş geri bildirimlerine gerçek zamanlı yanıt vermek için kullanıyor. Bu yaklaşım, çevre kampanyalarının daha uyarlanabilir, duyarlı ve ölçeklenebilir olmasını sağlayarak toplumsal katılımı artırmayı hedefliyor. Araştırma, dijital çağda çevre bilincini artırmak için teknoloji ve sosyal medya gücünün nasıl kullanılabileceğine dair önemli ipuçları sunuyor.
Yapay zeka sentetik veri ile sosyal medya analizi yapıyor
Fransız araştırmacılar, sosyal medya verilerini analiz etmek için yenilikçi bir yapay zeka sistemi geliştirdi. Sistem, gerçek kullanıcı verilerine ihtiyaç duymadan sentetik tweetler üreterek müşteri memnuniyetsizliğini tespit edebiliyor. 1,7 milyon sentetik tweet ile eğitilen model, toplu taşıma şikayetlerini %77-79 doğrulukla belirliyor. Bu yaklaşım hem veri gizliliği sorununu çözüyor hem de pahalı etiketleme maliyetlerini ortadan kaldırıyor. Özellikle çok dilli ortamlarda büyük avantaj sağlayan sistem, ticari yapay zeka modellerinin performansını yakalayarak sosyal medya analizinde yeni bir dönemin kapısını aralıyor.
Yapay zeka artık ironiden anlıyor: Yeni model sarkastik mesajları tespit edebiliyor
Araştırmacılar, metinlerdeki sarkastiK ifadeleri tespit edebilen yeni bir yapay zeka modeli geliştirdi. Model, transformer tabanlı dil modelleri ile prototip-tabanlı ağları birleştirerek, ironik ve alaycı dil kullanımını başarıyla tanıyor. Geleneksel duygu analizi sistemleri, doğrudan duygusal ifadeleri kolayca anlayabilirken, kelimelerin gerçek anlamı ile kasteden anlam arasındaki çelişki nedeniyle sarkastik metinlerde zorlanıyor. Yeni yaklaşım, duygu gömme tekniklerini kullanarak bu sorunu çözmeye odaklanıyor. Üç farklı açık kaynak veri setinde test edilen model, mevcut en iyi yöntemleri geride bırakıyor. Ayrıca model, benzer örnekler üzerinden açıklamalar üreterek kararlarını şeffaf hale getiriyor. Bu gelişme, sosyal medya analizi, müşteri geri bildirimlerinin değerlendirilmesi ve dijital iletişimde duygu tanıma gibi alanlarda önemli iyileştirmeler sağlayabilir.
EmoVerse: Görsel Duyguları Anlayan Yapay Zeka İçin Dev Veri Seti
Araştırmacılar, yapay zekanın görsel içeriklerdeki duyguları daha iyi anlaması için EmoVerse adlı kapsamlı bir veri seti geliştirdi. 219 bin görüntü içeren bu açık kaynak veri seti, görsellerdeki duygusal öğeleri detaylı şekilde analiz edebiliyor. Geleneksel yöntemlerden farklı olarak, her görseli arka plan-özellik-özne üçlüleri halinde parçalara ayırarak, hangi görsel unsurun hangi duyguyu tetiklediğini açıklayabiliyor. Bu yaklaşım, yapay zekanın duygusal analiz yeteneklerini önemli ölçüde geliştirerek, sosyal medya analizi, içerik moderasyonu ve insan-bilgisayar etkileşimi gibi alanlarda yeni imkanlar sunuyor.
Yapay zeka ağları artık topluluk sayısını tam kontrol edebilecek
Stanford araştırmacıları, graf sinir ağlarının en büyük problemlerinden birini çözdü. Bu AI sistemleri sosyal ağlardaki arkadaş gruplarından protein etkileşimlerine kadar pek çok alanda topluluk tespiti yapıyor, ancak şimdiye kadar kaç grup bulacaklarını tam olarak kontrol edemiyorlardı. Yeni geliştirilen yöntem, araştırmacıların hem kesin grup sayısı belirleyebilmesine hem de 'en az 3, en fazla 7 grup' gibi esnek aralıklar tanımlayabilmesine olanak sağlıyor. Bu breakthrough, sosyal medya analizinden biyomedikal araştırmalara kadar geniş bir yelpazede daha güvenilir sonuçlar elde edilmesini mümkün kılacak. Özellikle büyük veri setlerinde manuel kontrol imkansız olduğu için, bu gelişme yapay zekanın gerçek dünya problemlerinde daha etkili kullanılabilmesinin önünü açıyor.
Yapay Zeka Duygu Analizi: Ses ve Görüntünün Metinle Daha İyi İşbirliği
Araştırmacılar, insanların duygularını metin, ses ve görüntüyü birlikte analiz ederek daha doğru anlayan yeni bir yapay zeka sistemi geliştirdi. Mevcut sistemlerde metin modalitesi diğerlerini gölgede bırakırken, yeni EBMC çerçevesi tüm veri türlerinin etkili kullanımını sağlıyor. Sistem, zayıf modaliteleri güçlendiren semantik ayrıştırma ve modaliteler arası dengeleme mekanizması kullanıyor. Bu yaklaşım, gürültülü veriler veya eksik modalitelerle karşılaştığında bile daha dayanıklı sonuçlar üretiyor. Duygu analizi teknologisinin gelişimi, sosyal medya analizi, müşteri hizmetleri ve insan-bilgisayar etkileşimi alanlarında önemli uygulamalara sahip.
Zaman İçindeki Davranış Değişimlerini Takip Eden Yeni AI Modeli: LiFT
Araştırmacılar, büyük dil modellerinin zamana dayalı metinleri analiz etme yeteneklerini artıran LiFT adlı yeni bir eğitim yöntemi geliştirdi. İnsan davranışları ve görüşlerindeki değişimleri zaman içinde takip etme konusunda zorlanan mevcut AI sistemlerine çözüm getiren bu yaklaşım, tarihsel bağlamı entegre etme ve nadir değişim olaylarını tespit etme konularında önemli iyileştirmeler sağlıyor. Longitudinal modelleme olarak adlandırılan bu alan, sosyal medya analizi, hasta takibi ve politik görüş değişimleri gibi birçok alanda kritik öneme sahip. LiFT'in getirdiği curriculum öğrenme yaklaşımı, modellerin geçmiş bağlamı daha etkili kullanmasını sağlarken, farklı boyutlardaki dil modellerinde tutarlı performans artışları gösteriyor.
2024 ABD seçimlerinde sosyal medya toksisitesi haritalandırıldı
Araştırmacılar, 2024 ABD başkanlık seçimleri çevresinde X (Twitter) üzerindeki siyasi tartışmaları analiz ederek, hangi konularda ve ideolojilerde daha fazla zararlı içerik üretildiğini ortaya çıkardı. Çalışma, yapay zeka destekli büyük ölçekli analiz yöntemleriyle beş haftalık dönemde milyonlarca gönderiyi inceledi. Bulgular, kimlik odaklı konuların en yüksek toksisite seviyelerine sahip olduğunu gösterirken, duygusal ton ve ahlaki çerçevelemenin zararlı içerik üretimindeki rolünü de aydınlattı. Bu araştırma, dijital demokraside çevrimiçi söylemin nasıl şekillendiğini anlamak için önemli veriler sunuyor.
İnsan-Yapay Zeka Aşkı: Reddit'te 8 Yıllık Tartışma Analizi
Araştırmacılar, Reddit üzerinde 2017-2025 yılları arasında paylaşılan 3.383 adet insan-yapay zeka romantik ilişki gönderisini analiz etti. Çalışma, bu tartışmaların nasıl evrildiğini ortaya koyuyor. İlk yıllarda kullanıcılar daha çok kişisel deneyimler ve duygusal bağlar üzerine odaklanırken, zamanla konuşmalar platform yönetimi, teknik sorunlar ve gerçek yaşam üzerindeki etkiler gibi konulara kaydı. Bu değişim, yapay zeka arkadaşlık sistemlerinin tasarımı ve yönetimi için önemli çıkarımlar sunuyor. Araştırma, insan-yapay zeka romantizminin nasıl özel deneyimlerden teknik düzenlemelere doğru çerçevelendiğini gösteriyor.
Yeni yapay zeka modeli karmaşık ağ ilişkilerini daha iyi anlıyor
Araştırmacılar, mevcut graf sinir ağlarının sınırlarını aşan yeni bir yapay zeka modeli geliştirdi. ModernSASST adlı bu sistem, geleneksel yöntemlerin sadece ikili ilişkileri yakalayabilmesine karşın, gerçek dünyadaki karmaşık ağ yapılarındaki çok boyutlu ilişkileri de analiz edebiliyor. Simplisyal kompleks adı verilen matematiksel yapıları kullanan model, hem uzaysal hem de zamansal verileri daha etkili şekilde işleyebiliyor. Bu gelişme, ulaşım ağlarından sosyal medya analizine, hava durumu tahminlerinden şehir planlamasına kadar birçok alanda daha hassas ve hızlı sonuçlar elde edilmesini sağlayabilir.
Yapay Zeka Artık Grupların Duygusal Halini Videolardan Anlayabiliyor
Araştırmacılar, yapay zekanın grup duygularını videolardan tanıyabilmesi için GAViD adında kapsamlı bir veri seti geliştirdi. 5091 video klibinden oluşan bu veri seti, görüntü, ses ve bağlamsal bilgileri birleştirerek grup dinamiklerindeki duygusal durumları analiz ediyor. Sosyal etkileşimlerdeki karmaşık duygu yapılarını anlama konusunda önemli bir adım olan çalışma, insan-insan etkileşimlerini modellemede yeni olanaklar sunuyor. Bu gelişme, sosyal medya analizi, psikoloji araştırmaları ve insan-bilgisayar etkileşimi gibi alanlarda uygulanabilir.
Yapay Zeka Sosyal Ağ Simülasyonlarında Yeni Dönem: IntervenSim
Araştırmacılar, sosyal medya olaylarının gerçek hayattaki karmaşık dinamiklerini daha iyi modelleyen yeni bir simülasyon sistemi geliştirdi. IntervenSim adlı bu sistem, büyük dil modellerini kullanarak sosyal ağlarda yaşanan olayların nasıl evrimleştiğini, müdahalelerin etkilerini ve toplumsal tepkilerin nasıl değiştiğini takip ediyor. Geleneksel yöntemlerden farklı olarak, bu sistem olayları sabit bir şekilde ele almak yerine, kaynak tarafından yapılan müdahaleler ve toplumsal etkileşimlerin sürekli olarak olay seyrini nasıl değiştirdiğini modelliyor. Bu yaklaşım, viral içeriklerin ikincil patlamalar yaşaması ve kolektif tutum değişiklikleri gibi gerçek sosyal ağ fenomenlerini daha doğru bir şekilde simüle etmeyi mümkün kılıyor.
Büyük Veri Dizilerinde Ortak Kalıpları Bulan Yeni Algoritma Geliştirildi
Araştırmacılar, binlerce karakter içeren uzun veri dizilerinde ortak kalıpları tespit edebilen yenilikçi bir algoritma geliştirdi. MLCS (Çoklu En Uzun Ortak Alt Dizi) madenciliği olarak bilinen bu teknik, genetik, metin analizi ve veri madenciliği alanlarında kritik öneme sahip. Mevcut yöntemler 1000'den fazla karakterlik dizilerle başa çıkamıyordu, bu da büyük veri analizi için ciddi bir engel oluşturuyordu. Yeni KP-MLCS algoritması, 'anahtar nokta' yaklaşımını kullanarak 10 bin karaktere kadar olan büyük dizilerde bile ortak kalıpları başarıyla tespit edebiliyor. Sistem aynı zamanda bulunan kalıpları görsel olarak gösterebilen ve gerçek zamanlı analiz yapabilen çevrimiçi bir araç olarak sunuluyor. Bu gelişme, genomik verilerden sosyal medya analizine kadar pek çok alanda büyük veri işleme kapasitesini önemli ölçüde artıracak.