SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2025 / Cilt: 40 Sayı: 4

Otonom araçlara yönelik duygusal tutumların analizi: Dil modelleri ile karşılaştırmalı bir yaklaşım

Ayşe Öcal(YILDIZ TECHNICAL UNIVERSITY)0000-0002-1925-4305
Pages
2515–2526
Publication Date
2025-12-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu sonuçlar, otonom araçların toplumsal kabul sürecinde duygusal tepkilerin yol gösterici olabileceğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Otonom araç teknolojileri, dünya genelinde hızla gelişmekte olup, beraberinde çeşitli toplumsal ve bireysel görüş ayrılıklarını da gündeme getirmektedir.
📊
Key Findings & Data:Kullanıcıların teknolojiye dair duygusal tutumlarının doğru biçimde analiz edilmesi, şirketler ve politika yapıcılar için stratejik değere sahip öngörüler sunabilir.
💡
Conclusion & Impact:Bu sonuçlar, otonom araçların toplumsal kabul sürecinde duygusal tepkilerin yol gösterici olabileceğini göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Otonom araçlar · doğal dil işleme · duygu analizi

Özet

Otonom araç teknolojileri, dünya genelinde hızla gelişmekte olup, beraberinde çeşitli toplumsal ve bireysel görüş ayrılıklarını da gündeme getirmektedir. Sosyal medya platformlarının yaygınlaşmasıyla birlikte, bu teknolojiye yönelik kullanıcı yorumlarının sayısı da büyük ölçüde artmıştır. Söz konusu metin tabanlı verilerin analiz edilmesi, doğal dil işleme alanındaki gelişmeler sayesinde daha anlamlı ve sistematik bir biçimde gerçekleştirilebilmektedir. Kullanıcıların teknolojiye dair duygusal tutumlarının doğru biçimde analiz edilmesi, şirketler ve politika yapıcılar için stratejik değere sahip öngörüler sunabilir. Bu çalışma, otonom araç teknolojisine ilişkin kullanıcı duygu durumlarını tespit etmeyi amaçlamaktadır. Bu doğrultuda Quora, YouTube ve Reddit platformlarından toplanan toplam 48.897 İngilizce yorum analiz edilmiştir. Çalışma üç temel aşamadan oluşmaktadır: Birinci aşamada, altı temel duygu kategorisini sınıflandırmak amacıyla, dair-ai/emotion veri kümesi kullanılarak önceden eğitilmiş dil modelleri (BERT, RoBERTa, DeBERTaV3 ve XLM-RoBERTa) ince ayar işlemine tabii tutulmuştur. İkinci aşamada, sosyal medya platformlarından toplanan etiketsiz kullanıcı yorumlarından oluşan kapsamlı bir metin veri kümesi oluşturulmuştur. Üçüncü aşamada ise, eğitim performansı karşılaştırmaları sonucunda en yüksek doğruluk oranını gösteren RoBERTa modeli ile bu yorumlar duygu kategorilerine ayrılmıştır. Yorumlarda en yaygın olarak görülen duygunun mutluluk olduğu, ancak öfke ve korku gibi olumsuz duyguların da dikkat çekici düzeyde olduğu görülmüştür. Bu sonuçlar, otonom araçların toplumsal kabul sürecinde duygusal tepkilerin yol gösterici olabileceğini göstermektedir.

🔖

Cite This Article

Öcal, A. (2025). Otonom araçlara yönelik duygusal tutumların analizi: Dil modelleri ile karşılaştırmalı bir yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 40 Sayı: 4, 2515–2526. https://doi.org/10.17341/gazimmfd.1652024

📄 Full Text PDF Viewer

↗New Tab

References (36)

  1. Hong J.W., Cruz I., Williams D., AI, you can drive my car: How we evaluate human drivers vs. self-driving cars, Comput. Hum. Behav., 125, 106944, 2021.
  2. Chougule A., Chamola V., Sam A., Yu F.R., Sikdar B., A comprehensive review on limitations of autonomous driving and its impact on accidents and collisions, IEEE Open J. Veh. Technol., 5, 142–161, 2024.
  3. Bilici F., Türkoğlu İ.K., Autonomous vehicle technology and technology acceptance: The role of technological readiness on consumers’ attitudes towards driverless cars and intention to use in the future, Fırat Univ. J. Eng. Sci., 36 (1), 383–407, 2024.
  4. Özçevik Y., Solmaz Ö., Baysal E., Ökten M., A real-time simulation environment architecture for autonomous vehicle design, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (3), 1867–1878, 2023.
  5. Noor-A-Rahim Md., et al., 6G for vehicle-to-everything (V2X) communications: Enabling technologies, challenges, and opportunities, Proc. IEEE, 110 (6), 712–734, 2022.
  6. Ocal A., Crowston K., Framing and feelings on social media: the futures of work and intelligent machines, Inf. Technol. People, 37 (7), 2462–2488, 2024.
  7. Ocal A., Perceptions of AI ethics on social media, IEEE Int. Symp. Ethics Eng. Sci. Technol. (ETHICS), 2023.
  8. Ocal A., Perceptions of the future of artificial intelligence on social media: A topic modeling and sentiment analysis approach, IEEE Access, 12, 182386–182409, 2024.
  9. Huang Z., Wu Y., Tempini N., Tang H., Ethical decision-making for the inside of autonomous buses moral dilemmas, IEEE Trans. Artif. Intell., 5 (10), 5153–5166, 2024.
  10. Lohaus L., et al., Automated or human: Which driver wins the race for the passengers’ trust? Examining passenger trust in human-driven and automated vehicles following a dangerous situation, Comput. Hum. Behav., 161, 108387, 2024.
  11. Rejali S., Aghabayk K., Esmaeli S., Shiwakoti N., Comparison of technology acceptance model, theory of planned behavior, and unified theory of acceptance and use of technology to assess a priori acceptance of fully automated vehicles, Transp. Res. Part A Policy Pract., 168, 103565, 2023.
  12. Yuen K.F., Cai L., Qi G., Wang X., Factors influencing autonomous vehicle adoption: An application of the technology acceptance model and innovation diffusion theory, Technol. Anal. Strateg. Manag., 33 (5), 505–519, 2021.
  13. Fraedrich E., Cyganski R., Wolf I., Lenz B., User perspectives on autonomous driving – a use-case-driven study in Germany, Arbeitsberichte des Geographischen Institutes der Humboldt-Universität zu Berlin, 187, 2016.
  14. Silvestri F., De Fabiis F., Coppola P., Consumers’ expectations and attitudes towards owning, sharing, and riding autonomous vehicles, Case Stud. Transp. Policy, 15, 101112, 2024.
  15. Öcal A., Turanlı N., Evaluation of teaching practice performance of students of secondary mathematics education by fuzzy logic, in Chaos, Complexity and Leadership 2017, Erçetin Ş.Ş., Potas N. (Eds.), Springer Proc. Complexity, Springer Int. Publ., Cham, 153–162, 2019.
  16. Ocal A., Framing, emotions, salience: The future of AI as seen by Redditors, Ph.D. Dissertation, Syracuse University, New York, USA, 2023.
  17. Öcal A., Xiao L., Park J., Reasoning in social media: insights from Reddit “Change My View” submissions, Online Inf. Rev., 45 (7), 1208–1226, 2021.
  18. Jiang Z., Zheng M., Public perceptions and attitudes towards driverless technologies in the United States: A text mining of Twitter data, in Urban Informatics and Future Cities, Geertman S.C.M., Pettit C., Goodspeed R., Staffans A. (Eds.), Urban Book Ser., Springer Int. Publ., Cham, 109–126, 2021.
  19. Giordano V., Spada I., Chiarello F., Fantoni G., The impact of ChatGPT on human skills: A quantitative study on Twitter data, Technol. Forecast. Soc. Change, 203, 123389, 2024.
  20. Gupta A.S., Sharma S., Analysis of public perception of autonomous vehicles based on unlabelled data from Twitter, in ICT Infrastructure and Computing, Tuba M., Akashe S., Joshi A. (Eds.), Lect. Notes Netw. Syst., 520, Springer Nature Singapore, Singapore, 59–67, 2023.
  21. Kohl C., Knigge M., Baader G., Böhm M., Krcmar H., Anticipating acceptance of emerging technologies using Twitter: the case of self-driving cars, J. Bus. Econ., 88 (5), 617–642, 2018.
  22. Devlin J., Chang M.-W., Lee K., Toutanova K., BERT: Pre-training of deep bidirectional transformers for language understanding, arXiv preprint, arXiv:1810.04805, 2019.
  23. Ganbarli S., Diri B., Sentiment relation detection between main characters in Turkish stories, 32nd Signal Process. Commun. Appl. Conf. (SIU), 1–4, 2024.
  24. Liu Y., et al., RoBERTa: A robustly optimized BERT pretraining approach, arXiv preprint, arXiv:1907.11692, 2019. 25. Khudoyberdieva L., Diri B., Fine-grained named entity recognition for Turkish, 32nd Signal Process. Commun. Appl. Conf. (SIU), 1–4, 2024.
  25. He P., Gao J., Chen W., DeBERTaV3: Improving DeBERTa using ELECTRA-style pre-training with gradient-disentangled embedding sharing, arXiv preprint, arXiv:2111.09543, 2023.
  26. Conneau A., et al., Unsupervised cross-lingual representation learning at scale, arXiv preprint, arXiv:1911.02116, 2020.
  27. Grace K., Salvatier J., Dafoe A., Zhang B., Evans O., When will AI exceed human performance? Evidence from AI experts, J. Artif. Intell. Res., 62, 729–754, 2018.
  28. Rao Q., Frtunikj J., Deep learning for self-driving cars: chances and challenges, Proc. 1st Int. Workshop Softw. Eng. AI Auton. Syst. (SEFAIS), ACM Press, Gothenburg, Sweden, 35–38, 2018.
  29. Schäffner V., Between real world and thought experiment: Framing moral decision-making in self-driving car dilemmas, Humanist. Manag. J., 6 (2), 249–272, 2021.
  30. Dalgali A., Crowston K., Sharing open deep learning models, Hawaii Int. Conf. Syst. Sci., 2019.
  31. Dalgali A., Crowston K., Algorithmic journalism and its impacts on work, Comput. + Journalism Symp., 2020.
  32. Dalgali A., Crowston K., Factors influencing approval of Wikipedia bots, Hawaii Int. Conf. Syst. Sci., 10, 2020.
  33. Love H.A., et al., The future of work in the age of automation: Proceedings of a workshop on Norbert Wiener’s 21st century legacy, IEEE Trans. Technol. Soc., 1–23, 2024.
  34. Öcal A., Belirtisiz mantıktan yararlanılarak ortaöğretim matematik öğretmenliği öğrencilerinin öğretmenlik uygulaması başarılarının değerlendirilmesi, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Ankara, 2015.
  35. Adoma A.F., Henry N.-M., Chen W., Comparative analyses of BERT, RoBERTa, DistilBERT, and XLNet for text-based emotion recognition, 17th Int. Comput. Conf. Wavelet Active Media Technol. Inf. Process. (ICCWAMTIP), 117–121, 2020.
  36. Banimelhem O., Amayreh W., The performance of ChatGPT in emotion classification, 14th Int. Conf. Inf. Commun. Syst. (ICICS), Irbid, Jordan, 1–4, 2023.