@article{article_538809, title={Tıp Veri Kümesi için Gizli Dirichlet Ayrımı}, journal={Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi}, volume={22}, pages={67–80}, year={2020}, DOI={10.21205/deufmd.2020226408}, author={Ekinci, Ekin and Omurca, Sevinç İlhan and Kırık, Elif and Taşçı, Şeymanur}, keywords={Konu modelleme,Gizli Dirichlet Ayrımı (GDA),Tıp literatürü,PubMed}, abstract={<table class="TableNormal" border="0" cellspacing="0" cellpadding="0"> <tbody> <tr> <td width="514" valign="top" style="width:385.2pt;padding:0cm 0cm 0cm 0cm;"> <p class="Gvde" style="margin-top:1pt;margin-right:0cm;margin-bottom:1pt;margin-left:0cm;text-align:justify;line-height:normal;"> <span style="font-size:9pt;font-family:Cambria, serif;">Bilimsel çalışmalarda ilgili alandaki literatürün incelenmesi oldukça önemli bir aşamadır. Literatür insan tarafından tarandığında, geniş kapsamlı bir inceleme yapılması mümkün olamamakta, ya da böyle bir arama çok uzun zaman almaktadır. Öte yandan literatürün otomatik olarak taranması derinlemesine bir anlamsal analizi mümkün kılmamaktadır. Bu çalışma kapsamında Türkiye’deki araştırmacılar tarafından yayınlanmış tıp makalelerinin otomatik ve anlamsal analizini gerçekleştiren bir konu modelleme yöntemi olan Gizli Dirichlet Ayrımı (GDA) uygulanmıştır. Deneysel çalışma, yıllara göre bir tıp veritabanı olan PubMed’den elde edilen son 11 (on bir) yıldaki yayınla tıp literatüründeki makaleler üzerinde gerçeklenmiştir. Deneysel sonuçlar incelendiğinde, son 11 (on bir) yılda trend olan çalışma başlıklarının başarılı bir şekilde keşfedildiği gözlenmiştir. </span> </p> <p> </p> </td> </tr> </tbody> </table>}, number={64}, publisher={Dokuz Eylül Üniversitesi} }