Derın arap duygusu arap toplumsal söylemınde duygu analızının incelenmesı

Son yıllarda, çok modlu duygu analizi; metin, ses ve görsel gibi çeşitli kaynaklardan veri toplayarak insan duygularını anlama ve tanıma konusunda güçlü bir araç hâline gelmiştir. Geleneksel yöntemlerin yalnızca tek bir girdi türüne dayanmasının aksine, bu sistemler dil, ses tonu ve yüz ifadelerini aynı anda değerlendirerek insan ifadesinin tamamını anlamayı amaçlar. Bu bütüncül yaklaşım, duygu tanıma doğruluğunu önemli ölçüde artırmakta ve bireysel duyguların daha derinlemesine ve doğru bir şekilde tahmin edilmesini sağlamaktadır. İngilizce için çok modlu modellerin ve veri kümelerinin geliştirilmesinde önemli ilerlemeler kaydedilmiş olmasına rağmen, Arapça duygu analizi hâlâ geride kalmaktadır. Arapçanın karmaşık sözdizimi, çok sayıda lehçesi ve kendine özgü gramer yapısı, duygu tanımayı özellikle zorlaştırmaktadır. Ayrıca, Arapça için kapsamlı, büyük ve ayrıntılı bir çok modlu veri kümesinin eksikliği bu alandaki ilerlemeyi sınırlamaktadır. Bu çalışma, Arapçanın dilsel özelliklerine etkili şekilde uyum sağlayabilen ve duygu analizinin doğruluğunu artırmayı hedefleyen derin öğrenme modellerinin inşasını amaçlamaktadır. Bu tez, metin, ses ve görsel medyanın gelişmiş derin öğrenme çerçeveleri ile entegrasyonu yoluyla çok modlu duygu ve his analizi yöntemlerinin etkinliğini incelemektedir. Araştırma, özellikle CMU-MOSI, MELD ve Arapça Çok Modlu Veri Kümeleri üzerinde, duygu analizinin doğruluğunu artırmayı amaçlamaktadır.Çalışmada, Multimodal Transformer (MULT) gibi gelişmiş modeller; erken ve geç füzyon süreçleriyle birlikte kullanılarak farklı girdi türlerinden duygu analizi bilgilerini hassas bir şekilde yakalama ve yorumlama imkânı sunulmuştur. Sonuç olarak, bu tez CMU-MOSI, MELD ve Arapça Çok Modlu Veri Kümeleri üzerinde gerçekleştirilen özel değişikliklerle duygu ve his tanımlama doğruluğunu artırmaya yönelik kapsamlı bir analiz sunmaktadır. Özellikle CMU-MOSI veri kümesinde DeBERTa, Whisper ve ViT özellik çıkarıcılarıyla güçlendirilmiş MULT modeli kullanılarak doğruluk oranı %80.0'dan %84.89'a yükselmiş ve %4.89'luk bir artış sağlanmıştır. MELD veri kümesinde ise erken füzyon stratejisi doğruluk oranını %67.33'ten %69.89'a çıkararak %3.80'lik bir iyileşme sağlamıştır. Kaynakların sınırlılığı ve dil çeşitliliği nedeniyle başlangıçta zorluklar barındıran Arapça çok modlu veri kümesinde, transformer tabanlı füzyon yöntemlerinin benimsenmesi doğruluğu %63.46'dan %72.73'e yükseltmiş ve %9.27'lik bir gelişme sağlamıştır. Toplu olarak değerlendirildiğinde, bu iyileştirmeler yalnızca doğruluk oranlarını artırmakla kalmayıp aynı zamanda hata oranlarını ve yanlış sınıflandırmaları da azaltarak, çok modlu füzyon ve transformer mimarilerinin farklı dilsel ve kültürel bağlamlarda üstünlüğünü kanıtlamaktadır.