KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2026 / Cilt: 26 Sayı: 3

İnsan-Bilgisayar Etkileşimi Kullanılarak İnsan Niyetinin Tespiti ve Yeniden Şekillendirilmesi

Detecting and Reshaping Human Intention via Human-Computer Interaction

Cevdet Şencan(MIDDLE EAST TECHNICAL UNIVERSITY)0000-0002-7562-9896
Aydan M. Erkmen(ORTA DOĞU TEKNİK ÜNİVERSİTESİ)0000-0002-5194-1121
Aygün Ertuğrul(HACETTEPE ÜNİVERSİTESİ)0000-0001-9885-9849
Sayfa
626–640
Yayın Tarihi
2026-06-03
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Geliştirilen en iyi model ile blöf niyeti oyun sırasında %68,6 doğruluk oranıyla tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, insan niyetinin tespit edilmesinin yanı sıra, İnsan-Bilgisayar Etkileşimi (İBE) yöntemi kullanılarak tespit edilen niyetin bilgisayar tarafından önceden belirlenen alternatif bir niyete yeniden şekillendirilmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Proaktif görsel uyaranlara dayanan bu yaklaşım, yüz ifadeleri üzerinden derin niyetin belirlenmesini ve psikobiyolojik etki oluşturan tasarlanmış görseller aracılığıyla niyetin yönlendirilmesini hedeflemektedir.
💡
Sonuç & Katkı:Geliştirilen en iyi model ile blöf niyeti oyun sırasında %68,6 doğruluk oranıyla tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Niyet yeniden şekillendirme · İnsan bilgisayar etkileşimi · Proaktif uyaran etkisi yaklaşımı

Özet

Bu çalışmada, insan niyetinin tespit edilmesinin yanı sıra, İnsan-Bilgisayar Etkileşimi (İBE) yöntemi kullanılarak tespit edilen niyetin bilgisayar tarafından önceden belirlenen alternatif bir niyete yeniden şekillendirilmesi amaçlanmıştır. Proaktif görsel uyaranlara dayanan bu yaklaşım, yüz ifadeleri üzerinden derin niyetin belirlenmesini ve psikobiyolojik etki oluşturan tasarlanmış görseller aracılığıyla niyetin yönlendirilmesini hedeflemektedir. Bu kapsamda, gerçek blöf kart oyunu oturumları kaydedilmiş, blöf hamleleri etiketlenmiş ve oluşturulan veri seti Evrişimli Sinir Ağı (CNN) tabanlı derin öğrenme modeli ile eğitilmiştir. Parametre analizleri sonucunda en iyi performansın 64 yığın boyutu ve 40 epokta %95 doğrulama başarısı ile elde edildiği belirlenmiştir. Geliştirilen en iyi model ile blöf niyeti oyun sırasında %68,6 doğruluk oranıyla tespit edilmiştir. Son aşamada, yüz yüze oynanan blöf kart oyunu, İBE yönteminin niyet yeniden şekillendirmede etkin biçimde uygulanabilmesi amacıyla bilgisayar arayüzü bulunan kontrollü bir deney ortamına dönüştürülmüştür. Tespit edilen mevcut niyet, tasarlanan görsel şekillerin bilgisayar arayüzü aracılığıyla oyuncu üzerinde oluşturduğu psikobiyolojik duygusal etki yoluyla yeniden şekillendirilmiştir. Deneysel bulgular, geliştirilen proaktif İBE sisteminin oyuncu niyetini %75 başarı oranıyla yeniden yönlendirebildiğini ve bu başarının rastlantısal olasılıktan anlamlı derecede yüksek olduğunu göstermektedir (iki yönlü binom testi). Elde edilen bulgular, proaktif görsel uyaran temelli İBE yaklaşımının, insan niyetinin hem gerçek zamanlı tespiti hem de kontrollü biçimde yeniden şekillendirilmesi açısından uygulanabilir ve etkili bir yöntem sunduğunu ortaya koymaktadır.

Abstract

In this study, beyond detecting human intention, the identified intention is reshaped into a computer-predefined alternative intention through a Human–Computer Interaction (HCI) framework. This proactive visual stimulus–based approach aims to determine deep intention from facial expressions and guide it using specially designed visual stimuli that induce psychobiological effects. Within this scope, real bluff card game sessions are recorded, bluff actions are labeled, and the resulting dataset is used to train a Convolutional Neural Network (CNN)–based deep learning model. Parameter analyses indicate that the best performance is achieved with a batch size of 64 and 40 epochs, reaching 95% validation accuracy. Using the best-performing model, bluff intention is detected during gameplay with an accuracy of 68.6%. In the final stage, the face-to-face bluff card game is transformed into a controlled experimental environment with a computer interface to enable effective application of the HCI-based intention reshaping process. The detected intention is reshaped through the psychobiological emotional influence generated by the designed visual stimuli delivered via the computer interface. Experimental results demonstrate that the proposed proactive HCI system redirects player intention with a 75% success rate, which is significantly higher than random chance (two-tailed binomial test). These findings indicate that the proactive visual stimulus–based HCI approach provides a feasible and effective method for both real-time detection and controlled reshaping of human intention.

🔖

Bu Makaleye Atıf Yap

Şencan, C., Erkmen, A. M., Ertuğrul, A. (2026). İnsan-Bilgisayar Etkileşimi Kullanılarak İnsan Niyetinin Tespiti ve Yeniden Şekillendirilmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 26 Sayı: 3, 626–640. https://doi.org/10.35414/akufemubid.1772097

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (43)

  1. Alaskar, H., Sbaï, Z., Khan, W., et al. (2023). Intelligent techniques for deception detection: A survey and critical study. Soft Computing, 27, 3581–3600. https://doi.org/10.1007/s00500-022-07603-w
  2. Anwar, S., Milanova, M., Bigazzi, A., Bocchi, L., & Guazzini, A., 2016. Real time intention recognition. In IECON 2016-42nd Annual Conference of the IEEE Industrial Elec-tronics Society, 1021-1024. https://doi.org/10.1109/IECON.2016.7794016.
  3. Byom, L.J., & Mutlu, B., 2013. Theory of mind: mechanisms, methods, and new directions. Front Hum Neurosci. 2013, 413. https://doi.org/10.3389/fnhum.2013.00413.
  4. Çağıltay, K., 2011. Human Computer Interaction and Usability Engineering: From Theory to Practice. METU Press, Ankara
  5. Dinges, L., Fiedler, M. A., Al-Hamadi, A., et al. (2024). Exploring facial cues: Automated deception detection using artificial intelligence. Neural Computing and Applications, 36, 14857–14883. https://doi.org/10.1007/s00521-024-09811-x
  6. Durdu, A., Erkmen, I., & Erkmen, A. M., 2016. Estimating and reshaping human intention via human–robot interaction. Turkish Journal of Electrical Engineering & Computer Sciences, 24, 88 – 104. https://doi.org/10.3906/elk-1306-85.
  7. Durdu, A., Erkmen, I., Erkmen, A. M., & Yilmaz, A., 2011. Morphing estimated human intention via human-robot interactions. In Proceedings of the World Congress on En-gineering and Computer Science (Vol. 1),WCECS, San Francisco,USA.
  8. Durdu, A., Erkmen, A. M., & Yılmaz, A. (2019). Reshaping human intention in human-robot interactions by robot moves: A comparative analysis of HMM and OOM methods. Interaction Studies, 20(3), 530–560. https://doi.org/10.1075/is.18068.dur
  9. Ekman, P. & Oster, H., 1979. Facial expressions of emotion. Annual Review of Psychology, 30, 527-554. https://doi.org/10.1146/annurev.ps.30.020179.002523.
  10. Er, N. B., & Erkmen, A. M., 2016. Önetkin Sosyal Bir Ortamda Derin Niyet Ortaya Çıkartmak İçin İnsan-Robot Etkileşimlerinin Kullanılması. Türkiye Robotbilim Konferansı ToRK 2016 Bildiriler Kitabı, 16-19. Erdoğan, K., Durdu, A., & Ceylan, R. (2020). Reshaping human intention on human-machine interaction by using holograms. Konya Journal of Engineering Sciences, 8, 1–8. https://doi.org/10.36306/konjes.822126
  11. Erol, S., & Çalışır, G., 2023. Kişilerarası iletişimde emoji kullanımı: whatsapp örneğinde bir inceleme, İletişim Fakültesi, 11(2), 1568-1599. https://doi.org/10.19145/e-gifder.1283938.
  12. Fernando, C., Banarse, D., Reynolds, M., Besse, F., Pfau, D., Jaderberg, M., Lanctot, M., & Wierstra, D., 2016. Convolution by evolution: Differentiable pattern producing networks. Proceedings of the Genetic and Evolutionary Computation Conference, Association for Com-puting Machinery, 109–116. https://doi.org/10.1145/2908812.2908890.
  13. Görür, O. C. & Erkmen, A. M., 2014. Elastic networks in reshaping human inten-tions by proactive social robot moves. The 23rd IEEE International Symposium on Robot and Human Interactive Communication, 1012-1017. https://doi.org/10.1109/ROMAN.2014.6926385.
  14. Green, C. S., & Bavelier, D., 2012. Learning, attentional control, and action video games. Curr. Biol., 22, R197–R206. https://doi.org/10.1016%2Fj.cub.2012.02.012.
  15. Habek, G. C., Taşdemir, S., Başçiftçi, F., & Yılmaz, A. (2024). Transfer derin öğrenme teknikleri ile görüntü sınıflandırmada aktivasyon fonksiyonlarının performans üzerindeki etkisi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 24(2), 294–307. https://doi.org/10.35414/akufemubid.1334098
  16. Han, D., Liu, Q., & Fan, W., 2018. A new image classification method using CNN transfer learning and web data augmentation. Expert Systems with Applications, 95, 43-56. https://doi.org/10.1016/j.eswa.2017.11.028.
  17. Harn, R. W. J., 2017. The visual language of emojis: a study on college students’ social support communication in online social networks. University of Kansas, Doktora Tezi. https://api.semanticscholar.org/CorpusID:148766162
  18. He, K., Zhang, X., Ren, S., & Sun, J., 2015. Deep residual learning for image recogni-tion. Proc. IEEE Conf. Comput. Vis. Pattern Recognit., 770–778. https://doi.org/10.1109/CVPR.2016.90.
  19. Koo, S., & Kwon, D.S., 2009. Recognizing human intentional actions from the rela-tive movements between human and robot. IEEE International Symposium on Robot and Human Interactive Communication, 939–944. https://doi.org/10.1109/ROMAN.2009.5326127.
  20. Li, S., Zhang, L. & Diao, X., 2020. Deep-learning-based human intention prediction using rgb images and optical flow. Journal of Intelligent & Robotic Systems, 97, 95–107. https://doi.org/10.1007/s10846-019-01049-3.
  21. Lin, R., 2022. Analysis on the Selection of the Appropriate Batch Size in CNN Neural Net-work. 2022 International Conference on Machine Learning and Knowledge Engineering (MLKE), 106-109. https://doi.org/10.1109/MLKE55170.2022.00026.
  22. Lorenz, R.C., Gleich, T., Gallinat, J. & Kühn, S., 2015. Video game training and the reward system. Front Hum Neurosci. 9, 40. https://doi.org/10.3389/fnhum.2015.00040.
  23. Luo, C., Li, X., Wang, L., He, J., Li, D., & Zhou, J., 2018. How does the data set affect CNN-based Image classification performance? 2018 5th International Conference on Systems and Informatics (ICSAI), 361-366. https://doi.org/10.1109/ICSAI.2018.8599448.
  24. Masters, D., & Luschi, C., 2018. Revisiting small batch training for deep neural net-works. ArXiv, https://doi.org/10.48550/arXiv.1804.07612.
  25. Mehrabian, A., & Wiener, M., 1967. Decoding of inconsistent communications. Journal of personality and social psychology, 6(1), 109–114. https://doi.org/10.1037/h0024532.
  26. Meltzoff, A. N., 1995. Understanding the intentions of others: reenactment of intended acts by 18-month-old children. Dev Psychol, 31, 1–16. https://doi.org/10.1037%2F0012-1649.31.5.838.
  27. Monaro, M., Maldera, S., Scarpazza, C., Sartori, G., & Navarin, N. (2022). Detecting deception through facial expressions in a dataset of videotaped interviews: A comparison between human judges and machine learning models. Computers in Human Behavior, 127, 107063. https://doi.org/10.1016/j.chb.2021.107063
  28. Nakauchi, Y., Noguchi, K., Somwong, P., Matsubara, T., & Namatame, A., 2003. Vivid room: human intention detection and activity support environment for ubiquitous auton-omy. Conference on Intelligent Robots and Systems, 773-778. https://doi.org/10.1109/IROS.2003.
  29. Navarro, E., 2022. What is theory of mind? A psychometric study of theory of mind and in-telligence. Cognitive Psychology, 136, 101495. https://doi.org/10.1016/j.cogpsych.2022.101495.
  30. Noguchi, K., Somwong, P., Matsubara, T., & Nakauchi, Y., 2003. Human intention de-tection and activity support system for ubiquitous autonomy. IEEE International Symposium on Computational Intelligence in Robotics and Automation, 906–911. https://doi.org/10.1109/CIRA.2003.1222300.
  31. Özdemir, A., 2005. Tasarımda renk seçimini etkileyen kriterler. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 14(2), 391-401. https://dergipark.org.tr/tr/download/article-file/50244.
  32. Sari, Y., Arifin, Y. F., Novitasari, & Faisal, M. R., 2023. The effect of batch size and epoch on performance of shufflenet-CNN architecture for vegetation density classification. In Proceedings of the 7th Int. Conference on Sustainable Information Engineering and Technology (SIET '22), 39–46. https://doi.org/10.1145/3568231.3568239.
  33. Sheng, M., Jiang, J., Su, B., Tang, Q., Yahya A.A., & Wang, G., 2016. Short-time activity recognition with wearable sensors using convolutional neural network. Proc. 15th ACM SIGGRAPH Conf. Virtual-Reality Continuum Appl. Ind., 413–416. http://dx.doi.org/10.1145/3013971.3014016.
  34. Singh, R., Miller, T., Newn, J., Sonenberg, L., Velloso, E., & Vetere, F., 2018. Com-bining planning with gaze for online human intention recognition. In Proc. of the 17th Interna-tional Conference on Autonomous Agents and Multiagent Systems (AAMAS 2018), 488-496. https://dl.acm.org/doi/proceedings/10.5555/3237383.
  35. Şencan, Cevdet, 2024. Intention mining: surfacing and reshaping deep intentions by proactive human computer interaction, Phd Thesis, Middle East Technical University.
  36. Şencan, C., Erkmen, A. M., & Ertuğrul, A. (2026). Intention mining and intention reshaping: surfacing deep intentions by proactive visuals to morph them into new intentions. Expert Systems with Applications, Volume 300. https://doi.org/10.1016/j.eswa.2025.130476
  37. Şencan, C., Erkmen, A.M., Ertuğrul, A. (2026). Morphing Detected Human Intention Via Human-Computer Interactions. 8th EAI International Conference on Robotic Sensor Networks. ROSENET 2024. EAI/Springer Innovations in Communication and Computing. Springer, Cham. https://doi.org/10.1007/978-3-031-92143-8_11
  38. Terada, K., Shamoto, T., Mei, H., & Ito, A. (2007). Reactive movements of non-humanoid robots cause intention attribution in humans. IEEE Conference on Intelligent Robots and Systems, 3715–3720. http://dx.doi.org/10.1109/IROS.2007.4399429.
  39. Webb, T.L., & Sheeran, P., 2006. Does changing behavioral intentions engender behavior change? A meta-analysis of the experimental evidence. Psychol Bull, 132, 249–268. https://doi.org/10.1037/0033-2909.132.2.249.
  40. Yıldırım, S., Chimeumanu, M. S., & Rana, Z. A. (2023). The influence of micro-expressions on deception detection. Multimedia Tools and Applications, 82, 29115–29133. https://doi.org/10.1007/s11042-023-14551-6
  41. SplitCam. (sürüm 10.5.80), https://splitcam.com/, (20.01.2022) Truba Dokümanı, https://docs.truba.gov.tr/TRUBA/TRUBAgenel.html., (01.01.2022)
  42. Transfer Öğrenme Algoritması, https://www.kaggle.com/code/ ak-shitmadan/emotion-classification-cnn-using-keras, (05.02.2022)
  43. Durdu, A., Erkmen, I., Erkmen, A. M., & Yilmaz, A., 2011. Morphing estimated human intention via human-robot interactions. In Proceedings of the World Congress on En-gineering and Computer Science (Vol. 1),WCECS, San Francisco,USA.