Türkçe yoruma dayalı metin özetlemede transformer tabanlı veri arttırma destekli hibrit yaklaşım önerisi

Bu tez çalışması, Türkçe dilinde otomatik metin özetleme alanında transformer tabanlı modellerin ince ayar süreçlerini sistematik olarak incelemeyi ve farklı veri artırma stratejilerinin model performansı üzerindeki etkilerini değerlendirmeyi amaçlamaktadır. Düşük kaynaklı diller arasında yer alan Türkçe için, sınırlı veri miktarının özetleme modelleri üzerindeki etkisini azaltmak ve daha yüksek performanslı özetleme sistemleri geliştirmek hedeflenmiştir. Çalışmada, kodlayıcı-çözücü mimarisine sahip Multilingual Bidirectional and Auto-Regressive Transformer (MBART), Multilingual Text-to-Text Transfer Transformer (MT5) ve VBART modelleri seçilerek hem orijinal veri hem de farklı veri artırma teknikleriyle zenginleştirilmiş veri setleri üzerinde eğitim süreçleri gerçekleştirilmiştir. Bu kapsamda üç farklı veri senaryosu tasarlanmış; geri çeviri, eş anlamlı kelime değiştirme ve her iki yöntemin birleşimiyle oluşturulan hibrit veri artırımı stratejileri uygulanmıştır. Tez kapsamında, yalnızca farklı veri artırma yöntemlerinin nicel etkilerini ortaya koymak değil, aynı zamanda bu yöntemlerin model çıktılarının içerik kalitesi ve bağlamsal tutarlılığı üzerindeki etkilerini de nitel olarak değerlendirmek amaçlanmıştır. Bu çerçevede, Recall-Oriented Understudy for Gisting Evaluation (ROUGE) metrikleriyle yapılan ölçümler istatistiksel yöntemlerle desteklenmiş, model çıktıları ise içerik analizi yöntemiyle derinlemesine incelenmiştir. Bu çalışma ile Türkçe için daha etkili özetleme modellerinin geliştirilmesine katkı sunmak, aynı zamanda düşük kaynaklı dillerde doğal dil işleme alanında veri artırma stratejilerinin önemini vurgulamak hedeflenmiştir.