Aperta Turkish Open Archive
Not a member yet
83692 research outputs found
Sort by
İngiliz Askeri İstihbarat Raporlarında Türk Silahlı Kuvvetleri (1949 – 1960)
No full text<p>Avrupa’da, 20. yüzyılda birbiri ardına gerçekleşen iki büyük savaşta, devletler siyasi ve askeri birçok alanda yeni gelişmeler yaşadı. Taraf devletler, II. Dünya savaşında Türkiye’yi kendi yanlarında savaşa katılmak için ikna etmeye çalıştıysa da başarılı olamadı. Türkiye, savaşa katılmamış olsa da hem müttefik hem de mihver devletlerle sürekli ilişki içerisindeydi. II. Dünya Savaşı sonunda beliren barış ortamında, Amerika Birleşik Devletleri’nin öncülüğünde bir araya gelen devletler Sovyet Rusya tehdidine karşı iş birliği içine girerek NATO’nun kurulmasını sağladı. Bu askeri ittifaka rağmen orduların istihbarat faaliyetleri de ara vermeden devam etti. Savaş sonrasında ortaya çıkan iki kutuplu yapıda Amerika Birleşik Devletleri’nin siyasi ve askeri üstünlüğü içinde Türkiye’nin de bulunduğu dünya devletleri tarafından kabul edilmeye başlandı. Bu aşamadan itibaren Amerika’nın Türkiye’de siyasi ve askeri alandaki etkileri İngilizlerin dikkatini çekmiş, İngiliz ordusu, Türk ordusu hakkında istihbarat çalışmalarını sürdürmüştür. Bu çalışmada, savaş sonrasında NATO’nun kuruluşundan 1960 Askeri Darbesine kadar geçen süreçte Türk Silahlı Kuvvetleri hakkında İngilizler tarafından yapılan istihbarat faaliyetlerini konu edinen “İngiliz Askeri İstihbarat Raporlarında Türk Silahlı Kuvvetleri (1949 – 1960)” başlıklı kitapta yer alan konular ele<br>alınarak tanıtım yapılacaktır.</p>
Structure–activity modeling and hybrid machine learning-based prediction of bioactivity in pyrazole derivatives for drug discovery applications
No full textTÜRKÇE AKADEMİK MAKALELERDE ATIF NİYETLERİNİN MAKİNE ÖĞRENMESİ İLE BELİRLENMESİ
No full text<p>Akademik araştırmalarda atıflar, bir çalışmanın etkisini ölçmek için kullanılan temel metriklerden biridir. Ancak, atıf sayıları gibi nicel ölçütler, bir atfın hangi amaçla (örn. bir yöntemi kullanmak, bir bulguyu desteklemek, arkaplan bilgisi vermek) yapıldığını, yani atfın "niyetini" açıklamakta yetersiz kalmaktadır . İngilizce literatürde atıf niyeti sınıflandırması (CIC) üzerine birçok çalışma bulunsa da , Türkçe için bu alanda belirgin bir araştırma boşluğu mevcuttur.</p>
<p>Bu tez çalışması, bu boşluğu doldurarak Türkçe akademik makalelerdeki atıf niyetlerinin modern makine öğrenmesi yöntemleriyle otomatik olarak sınıflandırılması problemini ele almaktadır. Çalışmanın ilk temel katkısı, Bilgisayar Bilimleri alanındaki Türkçe makalelerden derlenen, kamuya açık ilk büyük ölçekli Türkçe atıf niyeti veri setinin oluşturulmasıdır. Bu veri seti üzerinde iki ana metodolojik yaklaşım sistematik olarak incelenmiştir.</p>
<p>İlk yaklaşımda, GPT-4o ve Gemini gibi Büyük Dil Modellerinin (LLM) In-Context Learning (ICL) ile performansı değerlendirilmiştir. Manuel istem mühendisliğinin tutarsız sonuçlar ürettiği tespit edilmiş; bu sorunu aşmak için DSPy çerçevesi kullanılarak istem oluşturma süreci otomatikleştirilmiş ve tekil model doğruluğu %86.5 seviyesine çıkarılmıştır. En yüksek ve kararlı performansı elde etmek için, farklı LLM konfigürasyonlarının çıktıları yığınlama (stacking) tabanlı bir topluluk modeli ile birleştirilmiştir. Lojistik Regresyon meta-modeli kullanılarak bireysel modellerin zayıflıkları dengelenmiş ve %92.5'lik nihai doğruluk oranıyla çalışmanın en yüksek başarısına ulaşılmıştır.</p>
<p>İkinci ana yaklaşım olarak, sınıf dengesizliği ve bağlamsal belirsizlik sorunlarını izole etmek amacıyla sistematik bir deney matrisi tasarlanmış; BERTurk, Turkish ELECTRA, DeBERTaV3 ve ModernBERT gibi modern kodlayıcı mimarilerinin etkinliği test edilmiştir. Bu mimariler üzerinde gerçekleştirilen "Düz", "Hiyerarşik" ve "Zengin Bağlamlı" (Context-Aware) eğitim senaryoları, literatürdeki beklentilerin aksine çarpıcı bulgular ortaya koymuştur. Deneyler, "Düz" (Flat) sınıflandırmanın en kararlı ve yüksek temel başarımı sunduğunu; buna karşılık işlemsel yük getiren "Hiyerarşik" yapının performans katkısının marjinal kaldığını göstermiştir. Çalışmanın en kritik bulgusu ise, bölüm başlığı ve çevre cümlelerle zenginleştirilen bağlamın, modelin atıf niyetini öğrenmek yerine yapısal meta-verilere dayalı "yanıltıcı korelasyonlar" (spurious correlations) geliştirmesine neden olmasıdır. Bu durum, özellikle azınlık sınıflarındaki (Basis, Differ) ayırt ediciliğin düşmesine ve modelin genelleme yeteneğinin zayıflamasına yol açmıştır. Sonuçlar, Türkçe atıf analizi görevlerinde bağlamın "körlemesine" artırılması yerine, anlamsal yoğunluğu yüksek odaklı bir temsilin ve sınıf dengesizliğini gideren stratejilerin daha kritik olduğunu kanıtlamaktadır.</p>
<p>Tüm deneyler boyunca, "Background" sınıfının ezici baskınlığından kaynaklanan sınıf dengesizliğinin, hem optimizasyon süreçlerini hem de azınlık sınıflarının öğrenilmesini zorlaştıran temel sorun olduğu görülmüştür. Bu çalışma, Türkçe atıfların nitel analizi için güçlü ve otomatikleştirilmiş yöntemler sunarak literatürdeki önemli bir boşluğu doldurmaktadır.</p>
Differential gene expression analysis of parsley (Petroselinum crispum) in response to common post-harvest storage conditions
No full text<p>Datasets are related to <em>P. crispum</em> leaf differential transcriptome analysis.</p>
Teaching Mathematics using Technology in Türkiye and Slovenia
No full text<p>Türkiye and Slovenia have both invested considerably in the digitisation of education since the early 2000s. Yet, while technology is increasingly present in classrooms, its application often lags behind modern educational paradigms such as problem-solving and collaborative learning. Our project addresses this gap by combining quantitative and qualitative research methods to provide a holistic view of technology use in mathematics education and the professional knowledge required for its effective integration.</p>
<p>The project was conducted in two phases. First, a large-scale survey gathered data from mathematics teachers in both countries, offering insights into the availability and use of hardware and software, as well as the relations between the frequency of technology use and teachers' pedagogic orientation. In the second phase, classroom observations and teacher interviews provided a deeper understanding of how technologies are actually implemented in everyday teaching.<br>
<br>
The dataset belongs to the first phase of the project. We aso share the original questionnaire from Brestcher (2021) and the Turkish and Slovenian translations of the survey used in the study. </p>
Database Selection Shapes Protein Identification and Quantification in Proteomics
No full text<p><strong>Objective:</strong> This study evaluates the effect of protein database composition, size, and subcellular specificity on protein identification, peptide coverage, and quantitative accuracy in MS-based proteomic analyses.</p>
<p><strong>Methods:</strong> Whole proteome analyses were performed using HeLa cells. Label-free quantification (LFQ) analyses of secretome samples were conducted using the breast cell lines MCF-10A and MDA-MB-231 to assess database-related effects on quantification. Nuclear proteome analyses were carried out using raw MS data generated in previous studies. Reviewed, unreviewed, and subcellular proteome–specific databases were systematically analysed and compared to evaluate the effect of datasets on LC-MS/MS results.</p>
<p><strong>Results</strong>: Using unreviewed protein entries did not result in a meaningful increase in protein or peptide identifications. Results showed that using gene name provided more accurate results comparing with accession number. In addition, subcellular proteome–specific databases improved peptide-to-protein assignment consistency and reduced ambiguity. Even modest differences in peptide counts propagated into downstream quantitative analyses, affecting abundance ratios.</p>
<p><strong>Conclusion:</strong> Results indicate that database choice plays a crucial role in proteomic data clarity, consistency, and quantitative reliability, and that the use of curated, reviewed, and target-specific subcellular databases enhances analytical confidence, emphasizing the importance of careful database selection in MS-based proteomic studies.</p>
Refuge Tracking in Weakly Electric Fish Across 54 Sensory Landscapes
No full text<p>This dataset contains raw behavioral tracking data from two species of weakly electric fish (<em>Apteronotus albifrons</em> and <em>Eigenmannia virescens</em>) performing a closed-loop refuge tracking task. The data captures the longitudinal position of the fish and the moving refuge across 54 unique sensory conditions, designed to modulate the signal-to-noise ratio (salience) of the environment.<br><br></p>
<h2>Experimental Subjects</h2>
<ul>
<li>
<p><strong>Total Subjects:</strong> 10 Individuals.</p>
</li>
<li>
<p><strong>Species 1:</strong> <em>Apteronotus albifrons</em>.</p>
<ul>
<li>
<p>N = 5 individuals.</p>
</li>
<li>
<p>ID Labels: Ankara, Antalya, İstanbul, İzmir, Mersin</p>
</li>
</ul>
</li>
<li>
<p><strong>Species 2:</strong> <em>Eigenmannia virescens</em>.</p>
<ul>
<li>
<p>N = 5 individuals.</p>
</li>
<li>
<p>ID Labels: Amasra, Ardahan, Erzincan, Gaziantep, Samsun</p>
</li>
</ul>
</li>
</ul>
<p>Each file is a standard Comma-Separated Values (<code>.csv</code>) file representing a single experimental trial.</p>
<h3>File Columns</h3>
<p>The files do not contain headers. The column arrangement is as follows:</p>
<div>
<div>
<div>
<div>
<table>
<thead>
<tr>
<td><span>Column</span></td>
<td><span>Variable</span></td>
<td><span>Description</span></td>
<td><span>Units</span></td>
</tr>
</thead>
<tbody>
<tr>
<td><span><strong>1</strong></span></td>
<td><span><code>refuge_position</code></span></td>
<td><span>The longitudinal position of the moving shuttle/refuge (<span><span><span><span><span>r</span><span>(</span><span>t</span><span>)</span></span></span></span></span>).</span></td>
<td><span>pixels</span></td>
</tr>
<tr>
<td><span><strong>2</strong></span></td>
<td><span><code>fish_position</code></span></td>
<td><span>The longitudinal position of the fish (<span><span><span><span><span>y</span><span>(</span><span>t</span><span>)</span></span></span></span></span>).</span></td>
<td><span>pixels</span></td>
</tr>
</tbody>
</table>
</div>
<div><span><span>Export to Sheets</span></span></div>
</div>
</div>
</div>
<p><strong>Note on Time:</strong> Time stamps are not included in the columns to save space. Data was recorded at a fixed sampling rate. <strong>Sampling Rate:</strong> 25 Hz (frames per second).<br><br></p>
<h2>Experimental Conditions (The 54 Conditions)</h2>
<p>The dataset covers a full factorial design spanning 54 unique sensory landscapes (<span><span><span><span><span>3</span><span>×</span></span><span><span>3</span><span>×</span></span><span><span>3</span><span>×</span></span><span><span>2</span><span>=</span></span><span><span>54</span></span></span></span></span>).</p>
<h3>Variables:</h3>
<ol>
<li>
<p><strong>Illumination (3 Levels):</strong></p>
<ul>
<li>
<p><code>Light</code>: ~300–500 lux (High visual salience)</p>
</li>
<li>
<p><code>Dim</code>: ~20–50 lux</p>
</li>
<li>
<p><code>Dark</code>: 0 lux (IR illumination only; No visual salience)</p>
</li>
</ul>
</li>
<li>
<p><strong>Conductivity (3 Levels):</strong></p>
<ul>
<li>
<p><code>Low</code>: <50 <span><span><span><span><span>μ</span></span></span></span></span>S/cm (High electrosensory salience)</p>
</li>
<li>
<p><code>Medium</code>: ~300 <span><span><span><span><span>μ</span></span></span></span></span>S/cm</p>
</li>
<li>
<p><code>High</code>: ~700 <span><span><span><span><span>μ</span></span></span></span></span>S/cm (Low electrosensory salience/Jamming)</p>
</li>
</ul>
</li>
<li>
<p><strong>Refuge Length (3 Levels):</strong></p>
<ul>
<li>
<p>7 cm</p>
</li>
<li>
<p>14 cm</p>
</li>
<li>
<p>21 cm</p>
</li>
</ul>
</li>
<li>
<p><strong>Structure (2 Levels):</strong></p>
<ul>
<li>
<p><code>Windowed</code>: Refuge contains longitudinal slots (visual/electric edges).</p>
</li>
<li>
<p><code>Non-windowed</code>: Solid tube.</p>
</li>
</ul>
</li>
</ol>
Global Transcriptomic Insights into NLA-Dependent Boron Toxicity Responses in Arabidopsis thaliana (Supplementary File)
No full textProaktif Yaklaşım Tabanlı Kavşak Risk Değerlendirme Sisteminin Geliştirilmesi - İHA Video Bölüm 3
No full text<p>İnsansız Hava Aracı (İHA) ile kaydedilmiş ve farklı sürelerdeki trafik akış videolarını içermektedir. İHA’ya ait teknik ve operasyonel detaylara '.srt' uzantılı dosya üzerinden ulaşılabilir. Videolar, 123M640 numaralı TÜBİTAK 1005 programı kapsamında yürütülen 'Proaktif Yaklaşım Tabanlı Kavşak Risk Değerlendirme Sisteminin Geliştirilmesi' adlı proje çerçevesinde elde edilmiştir. Görüntülere ilişkin önemli bilgiler MetaTablo dosyasında yer almaktadır.</p>
Proaktif Yaklaşım Tabanlı Kavşak Risk Değerlendirme Sisteminin Geliştirilmesi - İHA Video Bölüm 1
No full text<p>İnsansız Hava Aracı (İHA) ile kaydedilmiş ve farklı sürelerdeki trafik akış videolarını içermektedir. İHA’ya ait teknik ve operasyonel detaylara '.srt' uzantılı dosya üzerinden ulaşılabilir. Videolar, 123M640 numaralı TÜBİTAK 1005 programı kapsamında yürütülen 'Proaktif Yaklaşım Tabanlı Kavşak Risk Değerlendirme Sisteminin Geliştirilmesi' adlı proje çerçevesinde elde edilmiştir. Görüntülere ilişkin önemli bilgiler MetaTablo dosyasında yer almaktadır.</p>