Theses supervised by Prof. Dr. Hayri Sever
11 theses · Başkent University, Hacettepe University, Çankaya University
Coğrafi bilgi sistemlerinde geometri sınıf kütüphanesi
Coğrafi Bilgi Sistemleri (CBS) dünyada ve ülkemizde sürekli gelişen bir ilgialanı halindedir. Coğrafi Bilgi Sistemlerinde verilerin yapısı diğer sistemlerden bazıfarklılıklar göstermektedir. CBS'ler de veriler konumsaldır (konumsal geometriler) vegeleneksel yöntemlerle işlem yapmak zordur. Birçok araştırmacı geometrik yapılar vearalarındaki ilişkileri tanımlamak için çalışmalar yapmıştır. Bu çalışmalar nihayetgünümüzde ihtiyaçları karşılayabilecek bir standarda kavuşmuştur. Geometrikyapıları ve aralarındaki ilişkileri, geçmiş çalışmalar temelinde standarda kavuşturmaküzere Open Geospatial Consortium (OGC) kurulmuştur. Bu tez kapsamında konumsalverilerin işlenebilmesi için bu verileri tanımlayacak ve aralarındaki işlemleriyürütebilecek konumsal bir sınıf kütüphanesi tam ve doğru olarak gerçekleştirilmiştir.Söz konusu geometrik sınıf kütüphanesi boyutsal olarak genişletilmiş dokuzkesişim modeli temel alınarak ?Microsoft .net? platformunda geliştirilmiştir. İlgiliplatform web servisleri oluşturmada oldukça esnek bir yapı sunmaktadır. Sonuç sınıfkütüphanesinin sınanması yine OGC tarafından standartlaştırılan ?iyi tanımlanmışmetin? tabanlı XML formatında sınama verileri ile gerçekleştirilmiştir.Anahtar Kelimeler: Konumsal Veri, Geometrik Sınıf Kütüphanesi, Coğrafi BilgiSistemi.
Hipokrat-I: Bayes ağı tabanlı tıbbi teşhis destek sistemi
Klinik karar destek sistemleri; klinik kararlarda destek sağlayan bilgisayarprogramlarıdır. Bu sistemler hekimlere, hastalara ait özel klinik bilgileri dikkate alarak kararverebilmeleri için yardım eder. Klinik karar destek sistemleri; sağlık bakım hizmetlerininkalitesini geliştirme, erken teşhis, hataları önleme, uygun tedavi ve maliyetlerin azaltılmasıgibi konularda büyük faydalar sağlayabilir. Tıp alanının oldukça geniş olmasından dolayı butür sistemler sadece belirli bir alt dalda teşhis desteği verebilmektedir.Bu tür sistemlerin oluşturulmasına 1970'lerde başlanmış ve 80'lerdeki Yapay Zekaakımı ile en uç noktasına ulaşılmıştır. Daha sonra pek de üzerinde durulmayan bu konu sonyıllarda yaşanan teknolojik gelişmelerle (özellikle işlemci güçleri ve saklama alanlarınınartması) tekrar gündeme gelmiştir. Tıp alanında teşhis desteği veren sistemler geliştirilirkenYapay Sinir Ağları, Bulanık Mantık, Kural Tabanlı Yaklaşım ve Bayes Ağları gibi yöntemlertercih edilmiştir.Tez kapsamında yukarıda bahsi geçen teknikler incelenmiş ve Bayes Ağ yapısı ile birteşhis destek sistemi oluşturulmuştur. Bu sistem tiroit hastalıkları üzerinde geliştirilmiş olupfarklı tiroit çeşitlerini teşhis edebilmektedir. Sistemin oluşturulabilmesi için elektronik veelektronik olmayan hasta kayıtlarından yararlanılmıştır. Ayrıca ilgili hastalığın teşhisinegidilirken uygulanacak testler, hangi konsültasyonların yapılacağı ve ilgi bulguların tanıyayaklaşık hangi oranda katkıda bulunduğu alan uzmanlarının yardımı alınarak belirlenmiştir.Bu çalışmanın ileriki zamanlarda geliştirilecek olan melez teşhis sisteminin birbacağını oluşturması planlanmaktadır. Bu melez sistem, kural tabanlı yaklaşım ile Bayesağlarını birleştirecek bir yapıdır. Her iki alt modülün kendisine ait çıkarsama mekanizmasıolacak ve elde edilen sonuçlar verilecek ağırlıklara göre doğrusal olarak birleştirilerek ilgiliteşhisler kullanıcıya sıralanacaktır.Anahtar Kelimeler: Karar verme, Karar destek sistemleri, Klinik karar destek sistemleri,Yapay Zeka, Kural Tabanlı Sistemler, Bayes Ağları
Kavram-tabanlı duygu analizi sistemleri için büyük ölçekli arapça duygu derlemi ve sözlüğü oluşturulması
Within computer-based technologies, the usage of collected data and its size are continuously on a rise. This continuously growing big data processing and computational requirements introduce new challenges, especially for Natural Language Processing NLP applications. One of these challenges is maintaining massive information-rich linguistic resources which are fit with the requirements of the Big Data handling, processing, and analysis for NLP applications, such as large-scale text corpus. In this work, a large-scale sentiment corpus for Arabic language called GLASC is presented and built using online news articles and metadata shared by the big data resource GDELT. The GLASC corpus consists of a total number of 620,082 news article which are organized in categories (Positive, Negative and Neutral) and, each news article has a sentiment rating score value between -1 and 1. Several types of experiments were also carried out on the generated corpus, using a variety of machine learning algorithms to generate a document-level Arabic sentiment analysis system. For training the sentiment analysis models different datasets were generated from GLASC corpus using different feature extraction and feature weighting methods. A comparative study is performed, involving testing a wide range of classifiers and regression methods that commonly used for sentiment analysis task and in addition several types of ensemble learning methods were investigated to verify its effect on improving the classification performance of sentiment analysis by using different comprehensive empirical experiments. In this work, a concept-based sentiment analysis system for Arabic at sentence-level using machine learning approaches and a concept-based sentiment lexicon is also presented. An approach for generating an Arabic concept-based sentiment lexicon is proposed and done by translating the recently released English SenticNet_v4 into Arabic and resulted in producing Ar-SenticNet which contains a total of 48k of Arabic concepts. For extracting the concept from the Arabic sentence, a rule-based concept extraction algorithm called semantic parser is proposed and performed, which is generates the candidate concept list for an Arabic sentence. Different types of feature extraction and representation techniques were also presented and used for building the concept-based Sentence-level Arabic sentiment analysis system. For building the decision model of the concept-based Sentence-level Arabic sentiment analysis system a comprehensive and comparative experiments were carried out using variety of classification methods and classifier fusion models, together with different combinations of the proposed features sets. The obtained experiment results show that, for the proposed machine learning based Document-level Arabic sentiment analysis system, the best performance is achieved by the SVM-HMM classifier fusion model with a value of F-score of 92.35% and by the SVR regression model with RMSE of 0.183. On the other hand, for the proposed concept-based sentence-level Arabic sentiment analysis system, the best performance is achieved by the SVM-LR classifier fusion model with a value of F-score of 93.92% and by the SVM regression model with RMSE of 0.078.
Esnek resim damgalama: Blok tabanlı damgalama analizi, vektör damgası kullanımı ve doğrulama damgalamasının geliştirilmesi
Dijital bir çağda yaşamakla beraber verilerin korunması, başkası tarafından sahiplenilmesinin engellenmesi, dosyanın orijinali ile aynı olduğunun, bize gönderilen dosyanın iletim ortamında değiştirilmediğinin teyidi daha önem kazanmıştır. Dijital ortamdaki resimlerin ve videoların telif haklarının korunması, değişikliğe uğrayıp uğramadığının kontrol edilebilmesi amacıyla dijital damgalama tekniği geliştirilmiştir. Sahiplik ispatı veya orijinalliğin teyidi amacıyla yapılan damgalama işlemlerinde resim bir bütün olarak ele alınıp başka bir uzaya çevrilmekte, yeni uzayda damgalanmakta, uzay dönüşümünün ters işlemi ile tekrar piksel uzayına dönülüp damgalı resim elde edilmektedir. Bu tez kapsamında yapılan bir çalışmada, resmi bütün olarak diğer uzaya alma ile bloklara ayırdıktan sonra diğer uzaya alma arasında ne gibi farklar olduğu, blok büyüklüğünün dayanıklı damgalamaya etkisi araştırılmış ve ortaya konmuştur. Buna göre, blok tabanlı çalışmaların dayanıklı damgalamada daha başarılı sonuçlar verdiği ancak işlemci kaynağını daha fazla kullandığı ve damga ekleme ve çıkarma işleminin daha uzun sürdüğü tespit edilmiştir. Mevcut çalışmalar incelendiğinde damgalama işlemlerinde damga olarak resmin özet değeri, sözde rastgele sayı dizisi, siyah beyaz resim logosu v.b. kullanıldığı görülmektedir. Damgalama işleminde vektör resmi formatındaki firma logosunun damga olarak uygulanması bilindiği kadarı ile bu çalışmadan önce denenmemiştir. Vektör resmi, siyah beyaz resimden farklı olarak, piksel değerlerinden oluşan bir matris değil, nokta, çizgi, bezir eğrisi, poligon gibi geometrik şekillerin pozisyon ve özelliklerinin girildiği dosya biçimidir. Vektör resimlerinin özelliği, resmin büyüme ve küçültülmesinde kalite kaybına uğramamasıdır. Bu tez çalışması kapsamında yapılan çalışmada, ana resme damga olarak vektör resmi dayanıklı damgalama yaklaşımı ile DWT uzayında damgalanmış, kesme ve döndürme saldırıları hariç kayıplı sıkıştırma, histogram eşitleme, 3x3 alçak geçirgen filtreleme gibi birçok saldırıya karşı dayanıklı olarak damgalama yapılabildiği gösterilmiştir. Resmin orijinalliğini ispatlamak için yapılan damgalama işlemlerine doğrulama amaçlı damgalama denir. Resme yapılan her türlü değişikliğe karşı hassas olan, yapılan değişikliği masum veya kötü niyetli olarak ayırmayıp doğrulama işleminin neticesini olumsuz olarak neticelendiren damgalama işlemlerine kırılgan damgalama işlemleri denir. Bu tezde DWT uzayında damgalama yapan kırılgan bir doğrulama yöntemi geliştirilmiştir. Söz konusu yöntem, resimde değişikliğe uğramış bölümleri başarılı bir şekilde ortaya çıkarması, uygulama kolaylığı getirmesi ile öne çıkmaktadır. İdeal doğrulama damgalama algoritması masum resim işleme operasyonlarına karşı dayanıklı, kötü niyetli resim hilelerine karşı kırılgan olmalıdır. Resmin kayıplı sıkıştırmaya uğraması, büyüklüğünün değiştirilmesi, keskinleştirme veya alçak geçirgen filtreye maruz kalması, histogram eşitleme v.b. işlemler masum işlemlere örnek verilebilir. Resimdeki bir kişinin resimden çıkarılması, kişinin yüzünün değişmesi, aracın plakasının değiştirilmesi, araya girme saldırı yöntemi ile gönderilen asıl resmin yerine başka resim gönderilmesi v.b. işlemler kötü niyetli işlemlere örnek verilebilir. Yarı kırılgan damgalama yöntemleri masum resim işlemlerine uğramış resimleri doğrulayacak, kötü niyetli olan işlemleri ortaya çıkaracak olan ideal yarı kırılgan yönteme yaklaştığı ölçüde başarılı sayılır. Tez çalışması kapsamında DWT ve DCT uzayını kullanan, doğrulama ve telif hakkı damgalama amaçlarının ikisini de gerçekleştiren yarı kırılgan bir damgalama yöntemi geliştirilmiştir. Geliştirilen yarı kırılgan yöntem, kötü niyetli değişiklikleri başarılı şekilde tespit etmekle beraber, kayıplı %75 kalitede jpeg sıkıştırmasına maruz kalmış resmi başarılı olarak doğrulamakta, diğer mevcut yarı-kırılgan yöntemlerden üstün olarak, histogram eşitleme, şiddet ayarlama, gamma düzeltmesi işlemlerine maruz kalmış resimleri de doğrulayabilmektedir. Geliştirilen yöntem, kolaj saldırılarına karşı da dayanıklıdır.
Economic forecasting database using GDELT project data
In this thesis, GDELT Global Knowledge Graph (GKG) data is used to analyse the sentiment values of our economic dictionary and for individual countries in a specific timeframe. The tone values of the individual online articles were used as basis for sentiment values for individual economic terms, which are then used on the original file resources to find their total sentiment values, negative sentiment values, positive sentiment values, and polarity of the files. Polarity of the files are calculated using the amount of matching terms divided by total terms in files. First 5 sample results of all these fields are calculated for individual files and location tags in the files initially by using the terms individually, and then by clustering the terms in groups.
Specific keyword extraction from unstructured curriculum vitae using deep learning methods
In today's world conditions, technology is developing day by day and the number of data on the internet is increasing considerably. With the increase in the diversity in the informatics sector, which plays an active role with these developments, new positions and new working areas are emerging. Having many data sources on the internet does not indicate that they are meaningful. Due to the rate of increase in data, it becomes increasingly difficult to distinguish between necessary and unnecessary information. The important thing is to be able to extract meaningful data from meaningless data. Data that provide semantic integrity and work is very valuable in every field today. In order to make people's job easier and to seize various opportunities in the computer age, very intensive studies are carried out in this field. When people make job applications in various fields, they send their personal resume information that introduces them to companies. In this way, the company learns the necessary information for the person to be recruited. Companies with many resumes in their hands and pools want to extract keywords with various methods to classify the people to be recruited and to use the data they have in the most efficient way for them, as in other sectors. With the help of keywords, the relevant category required for a text or a resume can be learned, and the shortest summary information about the subject can be obtained. In this way, classification can be made as desired and a semantic integrity can be provided. Keyword definition is not made for each file in each dataset. It can take a lot of time manually to extract keywords correctly, the rate of mistakes is high and manual intervention is very difficult. Therefore, there are many different approaches and studies for keyword extraction. Statistical methods, linguistic methods, machine learning algorithms, deep learning methods and recently increasing artificial neural network methods have been used in keyword extractions. In the early studies, keyword suggestions were made for the most common words on the resume. In recent studies on artificial neural networks, it is aimed to deepen the learning for keyword extraction, to increase the accuracy rate more and to perform faster processing. In this thesis, approaches have been made on keyword extraction on resumes of the informatics sector. The data pool created from the resumes and the data in the data pool were used together with their explanations in order to create semantic integrity. Deeper learning is aimed with artificial neural networks, and it is used in keyword words studied on the target sector in order to give more accurate results. Thanks to keyword extraction; It is aimed to achieve semantic integrity and classify individuals more accurately than their background. It is aimed to achieve more successful classification with keyword extraction for large data sets.
Parmak izi biyometrik kimliklendirme için derin öğrenme modeli
This thesis concerns the development, training, and testing of a deep learning model that recognizes fingerprints. We will use convolutional neural networks (CNNs) to carry out identification and verification activities. The study uses two different fingerprint sets containing various types of fingerprints, including contact-based and contactless images. These sets include the FVC2006 (DB1, DB2, DB3, and DB4) and the Hong Kong Polytechnic University Fingerprint Images Database. The study involves improving fingerprint images, extracting features from those images, and training a CNN classifier that can effectively handle the two different modalities. First, the FVC2006 DB1 Electric-Field dataset is investigated to study contact-based fingerprint recognition. The second stage considers the PolyU 2D-to-contact dataset, which consists of contact-based and contactless fingerprint images. Discriminative features with the potential for accurate fingerprint matching and classification are extracted using effective methods such as Gabor filters, orientation analysis, and texture descriptors. The single-point detection that was also studied includes core and delta detection, which is important for reliable fingerprint classification and matching. Some of the metrics used to measure the performance of the proposed system are classification accuracy, equal error rate (EER), and receiver operating characteristic (ROC) curves. The system attained classification accuracies of 92.76% on the v FVC2006 (DB1) dataset and 93.75% on the PolyU dataset. The EER values for the FVC2006 and PolyU datasets were 14.26% and 2.99%, respectively, demonstrating the efficiency of the CNN method for fingerprint recognition. This work contributes to the growing field of fingerprint biometrics by providing information about issues and processes in cross-modality fingerprint recognition. The results demonstrate the advantages of CNNs in enhancing the performance of fingerprint classification systems, particularly with regard to different acquisition methods and datasets.
Deep arab sentiment exploring the analysis of sentiment in arab social discourse
Recently, multimodal sentiment analysis has become a powerful tool for understanding and recognizing human emotions by collecting data from various sources such as text, audio, and images. Unlike traditional methods that rely on a single input type, these systems seek to understand the entirety of a human expression by simultaneously evaluating language, tone of voice, and facial cues. This integrated approach significantly improves emotion recognition accuracy and facilitates deeper and more accurate estimation of individual emotions. Despite significant progress in developing multimodal models and datasets for English, sentiment analysis in Arabic still lags behind. The complexity of Arabic, its complex syntax, numerous dialects, and distinct grammar make sentiment recognition particularly challenging. Furthermore, there is a lack of a comprehensive, large, and well-detailed multimodal dataset for Arabic. This project aims to construct efficient deep learning models that effectively accommodate the linguistic characteristics of Arabic and enhance the accuracy of sentiment analysis. This thesis examines the effectiveness of multimodal sentiment and emotion analysis using the integration of text, audio, and visual media with advanced deep learning frameworks, the research seeks to enhance the effectiveness of sentiment analysis across multiple datasets, specifically the CMU-MOSI, MELD, and Arabic Multimodal Dataset. The study uses sophisticated models, such as the Multimodal Transformer (MULT), in combination with early and late fusion processes to precisely capture and interpret sentiment analysis information from various different inputs, Finally, this thesis presents a comprehensive study aimed at enhancing the accuracy of sentiment and emotion identification, with specific changes applied to the CMU-MOSI, MELD, and Arabic Multimodal Datasets, resulting in substantial advancements in model performance. Utilizing the modified MULT model with DeBERTa, Whisper, and ViT feature extractors on the CMU-MOSI dataset yielded a performance enhancement, elevating accuracy from 80.0% to 84.89%, or a 4.89% gain, For the MELD dataset, the early fusion strategy was particularly effective, increasing the emotion classification accuracy from 67.33 % to 69.89%, an increase of 3.80%, Arabic multimodal dataset, which initially posed challenges due to limited resources and linguistic diversity, adopting transformer-based fusion methods improved accuracy from 63.46% to 72.73% with the MULT model, reflecting a 9.27% improvement. Collectively, these improvements not only improved accuracy but also reduced error rates and misclassifications, confirming the superiority of multimodal fusion and transformer architectures in diverse linguistic and cultural contexts.
Derin öğrenme tabanlı şiddet detektörü
Hareket tanıma, bilgisayarlı görü alanı içerisinde hem RGB alanında hem de derinlik haritaları üzerinde oldukça fazla çalışılmış bir konu olsa da videolardaki şiddet içeren hareketlerin tespiti nispeten daha az çalışılmış güncel bir alandır. Günümüzde insanların yaşadığı hemen her alanda kamera sistemi bulunmasına karşın bu görüntülerin analizi konusunda hâlen çok fazla çalışma bulunmamaktadır. Artan kamera sayısı ile beraber biriken veri miktarı sonucunda akıllı aktivite tespit sitemlerine oldukça gereksinim duyulmaktadır. Bu proje ile kamera sistemlerinde video etiketleme sistemleri kapsamında kullanılabilecek bir şiddet tanıma yaklaşımı geliştirmek hedeflenmektedir. Gelişen teknolojiyle beraber yaygınlaşan ve bant genişliği artan internet sayesinde büyük miktardaki video verisine kolayca erişilebilmektedir. Videolarda şiddet içeren sahnelerin etiketlenmesi, güvenlik ve içerik tabanlı video arama sistemi bakımından önem arz etmektedir. Güvenlik kameraları şiddet eylemlerini tespit etmek için uygun değildir. Büyük ölçekli kamera sistemlerinde insan operatörünün bütün kameraları izlemesi neredeyse imkânsızdır. Bu nedenle videolarda şiddet tespiti önem kazanmaktadır. Bu projeyle, mevcut yöntemlerden daha verimli sonuçlar üreten yeni bir derin öğrenme tabanlı şiddet detektörü geliştirilmesi hedeflenmiştir. Bu çalışmada, video görüntüleri üzerinden Transfer Öğrenme ve Long Short Term Memory (LSTM) ağı yaklaşımlı bir yöntem kullanılmıştır. MobileNetV2 ardışık video karelerinden uzamsal özellikleri çıkartmak için yararlanılmıştır. Ayrıca, BILSTM yerel uzamsal özellikleri koruyup video kareleri arasındaki ilişkiler zamansal olarak analiz edilmiştir. Bu çalışmada en iyi sonucu hockey fight veri seti kullanılarak %99,37 değeri elde edilmiştir. Bu değer, yapılan birçok çalışmadan daha yüksek başarı oranına sahiptir.
Makine öğrenme ve pekiştirmeli öğrenme algoritmaları ile denizaltı savunma harbinin modellenmesi
Denizaltılar savaş sahnesine çıktıkları ilk andan itibaren savaşın gidişatını doğrudan etkileyebilen platformlar olmuştur. Bu platformlar dost unsur olarak kullanıldığında büyük bir kuvvet çarpanı olabilecekleri gibi tehdit unsur olduklarında ise büyük bir risk olacaklardır. Bu nedenle harekât sahasında bu denli büyük etkiye sahip platformlara karşı etkin bir savunma yapısına sahip olunması oldukça önemlidir. Bu çalışmada tehdit denizaltılara karşı etkin bir savunma yapısına sahip olunabilmesi için gerekli platformlar (savaş gemisi, uçak ve helikopter) ile bu platformlardan atılacak silah sayıları hesaplanmaya çalışılmıştır. Bu kapsamda ilk olarak çalışmada kullanılacak veriler tanımlanmış ve anılan veriler ön işleme tabi tutulmuştur. Bu doğrultuda DSH'ı etkileyen parametrelerin neler olduğu belirlenmiş ve bu parametreler için uygun dağılımlara sahip verilerden 220 satırlık kaynak veri seti oluşturulmuştur. Daha sonra bu veri setindeki veri sayılarını artırmak için 8 farklı sentetik veri üretme tekniğinden faydalanarak (her bir teknik ile veri setindeki satır sayısı 10000 yapılmıştır.) yeni veri setleri oluşturulmuştur. Müteakiben hangi teknik ile veri artırımı yapılacağının belirlenmesi için oluşturulan veri setlerine bir dizi test uygulanarak en iyi sonucu veren sentetik veri üretme tekniği belirlenmiştir. Yapılan inceleme neticesinde en uygun veri artırım yönteminin MDO yöntemi olduğu belirlenmiştir. Ardından MDO yöntemiyle oluşturulmuş 10000 adet veri ile 7 farklı makine öğrenme modeli kullanılarak her bir tehdit denizaltı imhası için gerekli silah sayıları belirlenmiştir. Çalışmanın sonraki bölümünde; ilk olarak tehdit denizaltı tespit olasılıkları hesaplanmıştır. Ardından tespit olasılıkları, atılması gereken silah sayıları ve platform/silah maliyetleri kullanılarak ve Pekiştirmeli Öğrenme algoritmasından faydalanılarak tüm tehdit denizaltıların imhası için çeşitli harekât tarzlarından alınan sonuçlar hesaplanmıştır. Bu hesaplamalara göre optimal harekât tarzı belirlenmiştir. Çalışmanın son kısmında ise elde edilecek kazanımlara değinilmiştir.
Combining covid-19 case prediction and analysis of seasonal data impacts using deep learning methods
The new coronavirus (Covid-19) epidemic, which has affected the whole world, has infected millions of people and caused the death of hundreds of thousands, even millions of people. This epidemic has greatly affected the economics and social life of many countries. The measures taken could not prevent this and the society was caught unprepared. Estimating the rate of increase in the number of cases, is of great importance especially in the planning of administrative processes related to health infrastructure. Mathematical models and deep learning methods are used for these predictions. It is also being developed in various artificial intelligence-based approaches. In this study, in order to predict the changes in the number of COVID-19 cases in Italy, a forward forecast is made with a long short-term memory (LSTM) based neural network approach. In the study, the number of daily cases, deaths and recovered patients in Italy between Feb 24 and Nov 1, 2020 were used. In addition to, the effects of seasonal changes on the epidemic are analyzed using the meteorological data of this period. In addition to this, considering the 14-day incubation period in the COVID19 outbreak, the effect of historical values of meteorological parameters on cases is demonstrated by experimental studies. The results show that the Long short-term memory (LSTM) method can provide a significant advantage in case prediction to take preventive steps, and at the same time, seasonal data are added to the LSTM network, increasing the success rates in case prediction. Keywords: Deep learning, Artificial Neural Networks, Long Short-Term Memory (LSTMs), Pandemic, COVID-19