Metin madenciliği ve makine öğrenimi tekniklerinin uygulanmasıyla standart inşaat sözleşmesi belgelerinin metin analizi

Bu tez çalışmasında, standart Tasarla-İnşa Et (Design-Build) sözleşmelerinin çok boyutlu içerik yapısını anlamlandırmaya yönelik olarak doğal dil işleme (NLP), metin madenciliği (text mining) ve makine öğrenimi (ML) tekniklerine dayalı bütüncül bir sınıflandırma çerçevesi geliştirilmiştir. Tasarla - İnşa Et proje teslim yöntemi özelinde, 'FIDIC Conditions of Contract for Design, Build and Operate' ve 'JCT Design and Build Conract' standart İngilizce sözleşme metinleri üzerinde yürütülen çalışmada, sözleşme maddeleri hem tematik (yükümlülükler, yapılacaklar, isteğe bağlı ifadeler), hem de işlevsel (maliyet, süre, kalite) eksenlerde sınıflandırılmıştır. Çalışma üç aşamalı deneysel yapı üzerine inşa edilmiştir. İlk aşamada, sözleşme hükümleri "obligations", "to do", "optionals" ve "other general statements" gibi tematik sınıflara ayrılarak, klasik metin temsil yöntemleri (TF-IDF, BoW, Word2Vec: CBOW & Skip-Gram) ile birlikte "Destek Vektör Makineleri (SVM), Lojistik Regresyon (LR), Saf Bayes (NB), K-en yakın komşular (KNN), Karar Ağaçları (DT)" gibi temel Makine Öğrenimi (ML) algoritmaları ve "XGBoost, AdaBoost, Hard Voting, Soft Voting, Stacking" gibi Topluluk Öğrenmesi (EL) yöntemleri kullanılmıştır. CBOW temsili ile XGBoost %96,6 doğruluk (Acc), %96,2 F1 skoru sağlayarak en başarılı kombinasyon olmuş ve litaratürle yarışan sonuçlar sonuçlar sergilemiştir. İkinci aşamada, metinler bu kez "cost", "time" ve "quality" boyutlarında etiketlenmiş ve aynı teknik altyapıyla bu yönetimsel temaların sınıflandırılması hedeflenmiştir. Skip-Gram + XGBoost kombinasyonu %88,6 F1 skoruna ulaşsa da, maliyet ve süre ifadelerinin iç içeliği model performansında kısmi belirsizliklere yol açmıştır. Bu durum, daha güçlü bağlamsal analiz araçlarının gerekliliğini ortaya koymuştur. Bu noktadan hareketle, üçüncü aşamada, dört farklı dönüştürücü (Transformer) tabanlı dil modeli (BERT, alBERT, RoBERTa, DistilBERT) ile "GRU, LSTM ve RNN" gibi sıralı derin öğrenme (DL) mimarileri entegre edilmiştir. İki ayrı çok sınıflı sınıflandırma görevinde RoBERTa + LSTM %98,06 Acc ile üstünlük sağlamış, bağlamsal anlam ayrımı gerektiren görevlerde DL modellerin açık başarısı görülmüştür. Elde edilen bulgular, standart inşaat sözleşmelerinin otomatik, bağlamsal ve güvenilir biçimde analizine yönelik yapay zekâ temelli yaklaşımların yüksek başarı potansiyeline sahip olduğunu göstermektedir. Tez kapsamında geliştirilen model, çoklu belge yapılarında anlamlı sınıflandırmalar üretebilmekte; bu yönüyle sözleşme yönetimi, teklif analizi ve risk değerlendirme gibi karar destek süreçlerinde kullanılabilir nitelik taşımaktadır. Literatürde sınırlı yer bulan bağlamsal modellere dair kapsamlı karşılaştırmalar gerçekleştirilmiş, inşaat sektörüne özgü dijital dönüşüm hedeflerine katkı sunulmuştur. Bu sayede, proje yöneticileri ve hukukçular, sözleşme metinlerini analiz edebilir ve hızlı geri bildirimler alarak karar alma süreçlerini daha etkin biçimde yürütebilir.