Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, olumsuz duyguların ağırlıklı olarak teknik altyapı yetersizlikleri, erişim sorunları ve sosyal etkileşim eksikliği ile ilişkili olduğunu göstermektedir.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, pandemi ve deprem gibi büyük ölçekli kriz dönemlerinde zorunlu olarak uygulanan uzaktan eğitime ilişkin toplumsal algıyı, sosyal medya platformu X üzerinden paylaşılan gönderiler aracılığıyla incelemektedir. Python tabanlı bir veri işleme hattı oluşturulmuş ve uzaktan eğitime yönelik duygu durumlarının belirlenmesi amacıyla GRU (Gated Recurrent Unit) tabanlı bir derin öğrenme modeli kullanılarak ikili duygu sınıflandırması gerçekleştirilmiştir. Analizler, 2020–2023 yılları arasında farklı kriz dönemlerini temsil eden zaman dilimlerini kapsayacak şekilde yürütülmüş ve kriz türlerine bağlı duygu değişimleri karşılaştırmalı olarak değerlendirilmiştir. Önerilen yaklaşım, kriz dönemlerine özgü dilsel örüntüleri dikkate alan ön işleme adımlarıyla farklı dönemlere ait veri kümeleri üzerinde tutarlı sınıflandırma performansı sunmaktadır. Bulgular, olumsuz duyguların ağırlıklı olarak teknik altyapı yetersizlikleri, erişim sorunları ve sosyal etkileşim eksikliği ile ilişkili olduğunu göstermektedir. Zamansal analizler, pandemi sürecindeki zorunlu evde kalma uygulamalarıyla olumsuz duygu yoğunluğu arasında belirgin bir ilişki olduğunu ortaya koymuştur. Sonuçlar, Birleştirilmiş Teknoloji Kabul ve Kullanım Teorisi (UTAUT) çerçevesinde değerlendirilmiş ve bu yaklaşımın kriz koşullarında teknoloji kullanımını açıklamada işlevsel olduğu görülmüştür. Çalışma, sosyal medya verileri ve derin öğrenme tabanlı duygu analizinin birlikte kullanımının, kriz dönemlerine ilişkin toplumsal algıların büyük ölçekli ve zamansal olarak izlenmesine olanak tanıyan genellenebilir bir çerçeve sunduğunu ortaya koymaktadır.
Abstract
This study investigates public perceptions of compulsory distance education during large-scale crises such as the COVID-19 pandemic and a major earthquake by analyzing posts shared on the social media platform X. A Python-based data processing pipeline was developed, and a GRU (Gated Recurrent Unit)–based deep learning model was employed to perform binary sentiment classification of distance-education-related content. The analysis covers multiple time periods between 2020 and 2023, representing distinct crisis contexts, enabling a comparative evaluation of sentiment dynamics across crisis types. The proposed approach incorporates preprocessing steps tailored to crisis-specific linguistic patterns and demonstrates consistent classification performance across temporally heterogeneous datasets. The results indicate that negative sentiments are predominantly associated with technical infrastructure limitations, access problems, and reduced social interaction. Temporal analyses further reveal a marked increase in negative sentiment intensity during prolonged lockdown periods. The findings are interpreted within the Unified Theory of Acceptance and Use of Technology (UTAUT) framework, demonstrating that the model applies not only to voluntary technology adoption but also to abrupt and mandatory transitions under crisis conditions. Overall, the study shows that combining social media data with deep learning-based sentiment analysis provides a scalable and generalizable framework for monitoring public perceptions of distance education during crises.