BB-PAXDATA

---

Diplomatik transkriplerin yapısal çıkarımı, çok katmanlı anotasyonu ve kantitatif çerçeveleme analizi için geliştirilmiş açık kaynaklı NLP motoru.

[!WARNING] Bu döküman v1.1.0'e özeldir. Sistem geliştikçe API'ler, formüller ve mimariler önemli ölçüde değişebilir. Güncel bilgi için her zaman etiketli sürümün dökümantasyonuna başvurun.

---

📋 İçindekiler

#	Bölüm
1	Hızlı Başlangıç Kılavuzu
2	Sistem Genel Bakış
3	Mimari
4	Analitik Pipeline
5	Domain Servisleri — Teknik Detaylar
6	Analiz Çıktıları ve Metrik Hesaplamaları
7	Kalite Güvencesi ve HITL
8	Altyapı
9	Gözlemlenebilirlik
10	CLI Referansı
11	Bilimsel Metodoloji
12	Akademik Kaynaklar

---

1. Hızlı Başlangıç Kılavuzu

Note

Bu bölüm, BB-PAXDATA'yı sıfırdan kuracak ve çalıştıracak geliştiriciler/araştırmacılar için adım adım bir kılavuzdur. Analizleri başlatmak için önce ortamın hazırlanması gerekir.

1.1 Gereksinimler

Gereksinim	Versiyon	Zorunlu?
Python	$\geq$ 3.12	✅
Poetry	$\geq$ 1.8	✅
Docker + Docker Compose	Herhangi	İzleme için (Opsiyonel)
Ollama	Herhangi	Yerel LLM için (Opsiyonel)

1.2 Kurulum

# 1. Repoyu klonla
git clone https://github.com/BBgitaccount/BB-PAXDATA.git
cd BB-PAXDATA

# 2. Environment dosyasını oluştur
cp .env.example .env
# .env dosyasını düzenle — AI API anahtarlarını ekle

.env Dosyası Yapılandırması (Örnek):

# AI Backend Anahtarları (en az biri gerekli)
OLLAMA_BASE_URL=http://localhost:11434   # Yerel LLM için (ücretsiz)
ANTHROPIC_API_KEY=your_claude_key       # Claude için
GEMINI_API_KEY=your_gemini_key          # Google Gemini için
GROQ_API_KEY=your_groq_key              # Hızlı çıkarım için
DEEPSEEK_API_KEY=your_deepseek_key      # DeepSeek (V3/R1) için

# Veritabanı ve Önbellek
DATABASE_URL=sqlite:///./data/paxdata.db
CACHE_BACKEND=diskcache
CACHE_DIR=./data/cache

# 3. Bağımlılıkları kur ve sanal ortama geç
poetry install

# NOT: Poetry 2.0+ kullanıyorsanız varsayılan olarak `poetry shell` komutu yüklü gelmez.
# Eklentiyi kurmak için: poetry self add poetry-plugin-shell
# Sonrasında 'poetry shell' ile sanal ortama geçebilir veya tüm komutları 'poetry run' önekiyle çalıştırabilirsiniz.
poetry shell

# 4. Veritabanı tablolarını oluştur
poetry run alembic upgrade head

1.3 İlk Analizi Çalıştırma

CLI üzerinden analiz pipeline'ını kolayca tetikleyebilirsiniz:

# Ham transkriptlerin olduğu dizini veritabanına al
poetry run bbpaxdata build data/

# Yapay zekasız / mantıksal (logic) ve NLP testlerini çalıştır
poetry run bbpaxdata test run --type logic

# Tam analiz pipeline'ını çalıştır (Bilateral Sentiment, Söylem Ağı, Konu Matrisi)
poetry run bbpaxdata analyze full --panel-id "panel_01" --threshold 0.5 --centrality

# Veritabanı bütünlüğünü doğrula
poetry run bbpaxdata validate db --strict

---

2. Sistem Genel Bakış

BB-PAXDATA, diplomatik söylemleri (konferans tutanakları, zirve konuşmaları, BM oturumları vb.) çok boyutlu biçimde analiz eden bir NLP boru hattıdır. Sistem; duygu analizi, risk puanlama, çit (hedge) dili tespiti, çerçeveleme analizi ve anomali tespitini tek bir bütünleşik motorun altında toplar.

Aşağıdaki şema, sistemin 5 temel katmanındaki veri akışını ve sorumlulukları göstermektedir:

flowchart TB
    A([📄 Ham Transkript Girişi]) --> INGEST["📥 INGESTION LAYER\nMetin Normalleştirme & Konuşmacı Ayrıştırma\n(Idempotency: SHA-256)"]
    INGEST --> CORE["🧠 DOMAIN CORE\nNLP & Yapay Zeka Anotasyonu\n(Duygu, Risk, Hedge, Çerçeveleme)"]
    CORE --> INFRA["🏗️ INFRASTRUCTURE\nAI Backend'leri (Ollama/Claude)\n6-Seviyeli JSON Kurtarma (Recovery Engine)"]
    INFRA --> OBS["📊 OBSERVABILITY & HITL\nKalite Güvencesi, İnsan İncelemesi (HITL)\nPrometheus Metrikleri"]
    OBS --> INTERFACE["🖥️ INTERFACES\nTyper CLI & FastAPI REST\nRaporlama (JSON/HTML)"]
    
    style A fill:#475569,stroke:#94a3b8,color:#f8fafc
    style INGEST fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style CORE fill:#052e16,stroke:#34d399,color:#e2e8f0
    style INFRA fill:#2d1515,stroke:#f87171,color:#e2e8f0
    style OBS fill:#0f2746,stroke:#60a5fa,color:#e2e8f0
    style INTERFACE fill:#422006,stroke:#f97316,color:#e2e8f0

Loading

Katman Sorumlulukları

Katman	Sorumluluk	Çıktı
Ingestion	Transkript normalleştirme, konuşmacı ayrıştırma, idempotency	Segment[], Speaker[]
Domain Core	NLP anotasyonu (duygu, risk, hedge, çerçeve, anomali)	Analysis (cümle başına)
Infrastructure	Persistans, AI backend soyutlaması, önbellekleme, kurtarma	Alembic-versioned DB, önbellek
Observability	Metrikler, izleme, prompt versiyonlama	Prometheus + Grafana
Quality Assurance	Altın veri seti değerlendirmesi, belirsizlik puanlama, drift tespiti	QualityReport, UncertaintyScore
Interface	CLI (typer) + gelecek REST API (FastAPI)	Okunabilir raporlar & yapısal export

---

3. Mimari

3.1 Genel Mimari — Katmanlı Görünüm

graph TB
    subgraph INTERFACES["🖥️ INTERFACES"]
        CLI["CLI (Typer + Rich)"]
        API["Future: FastAPI REST"]
    end

    subgraph APPLICATION["⚙️ APPLICATION"]
        CMD_BUILD["BuildDatabaseCommand"]
        CMD_ANALYZE["RunAnalysisCommand"]
        CMD_FAIL["RunFailCheckCommand"]
        QUERIES["Query Objects"]
        PIPELINE["AnalysisPipeline"]
        CONSENSUS["ConsensusService"]
    end

    subgraph DOMAIN["🧠 DOMAIN CORE"]
        SENTIMENT["SentimentService\n(DIPLO + VADER)"]
        RISK["RiskService\n(SBI + DKI)"]
        HEDGING["HedgingService\n(Hyland 1995)"]
        FRAMING["FramingService\n(Entman 1993)"]
        ANOMALY["CrossAnomalyService\n(10 Kural)"]
        TOPIC["TopicService\n(TF-IDF + BERTopic)"]
        TEMPORAL["TemporalAnalyzer\n(CUSUM + JSD)"]
        NER["NERService\n(spaCy GPE/ORG)"]
    end

    subgraph INFRA["🏗️ INFRASTRUCTURE"]
        DB["SQLAlchemy 2.0 async\n+ Alembic"]
        AI["AI Clients\n(Ollama/Claude/Gemini/Groq)"]
        CACHE["Cache\n(DiskCache + Redis)"]
        RECOVERY["6-Level JSON\nRecovery Engine"]
        OBS["Observability\n(Prometheus)"]
        QUALITY["Quality\n(DeepEval + Golden DS)"]
    end

    subgraph CONFIG["⚙️ CONFIG"]
        SETTINGS["Pydantic Settings\n(.env)"]
        LOGGING["Structlog"]
    end

    INTERFACES --> APPLICATION
    APPLICATION --> DOMAIN
    APPLICATION --> INFRA
    DOMAIN --> INFRA
    INFRA --> CONFIG

    style INTERFACES fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style APPLICATION fill:#0f2746,stroke:#60a5fa,color:#e2e8f0
    style DOMAIN fill:#052e16,stroke:#34d399,color:#e2e8f0
    style INFRA fill:#2d1515,stroke:#f87171,color:#e2e8f0
    style CONFIG fill:#1c1917,stroke:#a3a3a3,color:#e2e8f0

Loading

3.2 Veri Akışı — Cümle Düzeyinde Pipeline

sequenceDiagram
    participant CLI as CLI
    participant CMD as BuildCommand
    participant INGEST as IngestService
    participant DB as Database
    participant PIPELINE as AnalysisPipeline
    participant AI as AI Client
    participant RECOVERY as RecoveryEngine
    participant CACHE as Cache

    CLI->>CMD: bbpaxdata build --transcript transcript.json
    CMD->>INGEST: parse_transcript()
    INGEST->>INGEST: SHA-256 idempotency check
    INGEST->>DB: upsert Speakers, Segments, Sentences

    CMD->>PIPELINE: run_analysis(segments)
    loop Her Cümle için
        PIPELINE->>CACHE: check(sha256(text))
        alt Cache hit
            CACHE-->>PIPELINE: cached_analysis
        else Cache miss
            PIPELINE->>AI: generate(prompt)
            AI-->>PIPELINE: raw_json_text
            PIPELINE->>RECOVERY: recover(raw_json_text)
            RECOVERY-->>PIPELINE: structured_dict
            PIPELINE->>CACHE: store(sha256(text), result)
        end
        PIPELINE->>DB: upsert Analysis
    end
    CMD-->>CLI: ✅ Analysis complete

Loading

3.3 Domain Model — Varlık İlişkisi

erDiagram
    TRANSCRIPT {
        string id PK
        string title
        string source
        datetime created_at
        string language
    }
    SPEAKER {
        string id PK
        string name
        string role
        string country
        float power_level
        string bloc_type
    }
    SEGMENT {
        string id PK
        string transcript_id FK
        string speaker_id FK
        int order_index
        string text
        float duration
    }
    SENTENCE {
        string id PK
        string segment_id FK
        string speaker_id FK
        int global_sent_order
        string text
        float sentiment_score
        float risk_score
        float hedging_score
        string diplomatic_tone
        string dominant_frame
        string dominant_topic
    }
    ANALYSIS {
        string id PK
        string sentence_id FK
        float ai_sentiment_score
        float ai_risk_score
        float sbi_score
        float dki_score
        float anomaly_score
        string risk_level
        json ai_raw_output
        bool has_ai_output
    }
    QUALITY_REPORT {
        string id PK
        string analysis_id FK
        float uncertainty_score
        float accuracy_vs_golden
        string review_status
    }

    TRANSCRIPT ||--o{ SPEAKER : "has"
    TRANSCRIPT ||--o{ SEGMENT : "contains"
    SPEAKER ||--o{ SEGMENT : "speaks"
    SEGMENT ||--o{ SENTENCE : "contains"
    SPEAKER ||--o{ SENTENCE : "spoken_by"
    SENTENCE ||--|| ANALYSIS : "analyzed_as"
    ANALYSIS ||--o| QUALITY_REPORT : "evaluated_by"

Loading

---

4. Analitik Pipeline

4.1 Ön İşleme (Pre-processing)

flowchart LR
    RAW["📄 Ham Metin"] --> ENCODE["🔧 Encoding\nNormalization\n(ftfy + unicodedata)"]
    ENCODE --> TOKENIZE["✂️ Tokenization\n(Kelime + Cümle)"]
    TOKENIZE --> LEMMA["📚 Lemmatization\n(spaCy tr/en)"]
    LEMMA --> POS["🏷️ POS Tagging\n(Dependency Parser)"]
    POS --> NER["🌍 NER\n(GPE, ORG, PERSON)"]
    NER --> STOP["🚫 Stopword\nFiltering\n(negasyon korunur)"]
    STOP --> FEAT["📊 Feature\nExtraction\n(TF-IDF, N-gram,\nEmbeddings)"]

    style RAW fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style FEAT fill:#052e16,stroke:#34d399,color:#e2e8f0

Loading

Adım	Yöntem	Amaç
Tokenization	Kelime + cümle düzeyi	Tüm downstream görevler için temel
Encoding Normalization	ftfy + unicodedata	Türkçe/Arapça/Kiril mojibake düzeltme
Lemmatization	spaCy (tr_core_news_trf, en_core_web_trf)	Morfolojik varyantları standartlaştırma
POS Tagging	spaCy dependency parser	Sözdizimsel özellik çıkarımı
NER	spaCy + özel GPE modeli	Jeopolitik varlık tespiti
Stopword Filtering	Alan-farkında (negasyon not, never korunur)	Retorik açıdan yüklü token'ları koruma

4.2 Özellik Çıkarımı

Özellik	Teknik	Granülarlik
TF-IDF	Scikit-learn / özel	Segment düzeyinde anahtar kelime sıralaması
N-gram	Bigram / trigram frekansı	Collocation & retorik örüntü tespiti
Embeddings	Bağlamsal (transformer tabanlı)	Semantik benzerlik & kümeleme

---

5. Domain Servisleri — Teknik Detaylar

Important

Bu bölümde sistemde kullanılan indekslerin bilimsel formülleri açıklanmaktadır. Github'ın LaTeX Markdown render sürecinde formüllerin bozulmaması için \text{...} bloklarındaki alt çizgiler özenle kodlanmıştır.

5.1 Duygu Analizi (SentimentService)

Sistem, diplomatik söylemler için özelleştirilmiş DIPLO leksikonu ile VADER'ı birleştirir.

Temel Formül

Saf DIPLO skoru şu şekilde hesaplanır:

$$\text{diplo}_{\text{compound}} = \text{VADER}_{\text{compound}} + \left(\sum_{p \in \text{matched}_{\text{phrases}}} v_p\right) \times 0.05$$

Burada $v_p \in [-0.9, +0.7]$ aralığında diplomatik değerlik puanlarıdır. Sonuç $[-1, 1]$ aralığına sıkıştırılır.

Negasyon-Farkında Skor

Sol-pencere negasyon tespiti (Jia & Liang, 2017):

$$\text{score}_{\text{neg-aware}} = \begin{cases} -v_p \times 0.8 & \text{eğer } \exists ; n \in \text{NEGATION}_{\text{WORDS}} ; \text{window}[i-4:i] \\ v_p & \text{aksi hâlde} \end{cases}$$

Burada $0.8$ attenuation (zayıflatma) faktörüdür.

flowchart TD
    TEXT["📝 Cümle Girişi"] --> TOKENIZE["Token'lara Ayır\n(contraction korumalı)"]
    TOKENIZE --> DIPLO_MATCH["DIPLO Leksikonu ile\nEşleştir (phrase-first)"]
    DIPLO_MATCH --> NEG_CHECK{"Sol-pencere\nNegasyon Var mı?\n[i-4 : i]"}
    NEG_CHECK -- "Evet" --> ATTENUATE["Polarite Ters Çevir\n-v × 0.8"]
    NEG_CHECK -- "Hayır" --> KEEP["v olarak koru"]
    ATTENUATE & KEEP --> SUM["Toplam Düzeltme\nΣ × 0.05"]
    SUM --> VADER["VADER compound\nekle"]
    VADER --> CLAMP["[-1, 1] aralığına\nsıkıştır"]
    CLAMP --> CLASSIFY["Kategori Sınıflandır\nCONFRONTATIONAL / CONCERNED\nNEUTRAL / CONSTRUCTIVE / COOPERATIVE"]

    style TEXT fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style CLASSIFY fill:#052e16,stroke:#34d399,color:#e2e8f0

Loading

Duygu Eşikleri:

Skor Aralığı	Kategori
$s \leq -0.40$	CONFRONTATIONAL
$-0.40 < s \leq -0.10$	CONCERNED
$-0.10 < s < 0.10$	NEUTRAL_CAUTIOUS
$0.10 \leq s < 0.35$	CONSTRUCTIVE
$s \geq 0.35$	COOPERATIVE

---

5.2 Risk Puanlama (RiskService)

Sistem iki adet bileşik indeks hesaplar: SBI (Söylemsel Baskı İndeksi) ve DKI (Diplomatik Konum İndeksi).

SBI — Söylemsel Baskı İndeksi

$$\text{SBI} = \frac{P_{\text{level}} \times W_{\text{demand}}}{2} + R_{\text{score}}$$

Burada:

• $P_{\text{level}} \in [0, 10]$: Konuşmacının güç düzeyi
• $W_{\text{demand}} \in [0, 1]$: Talebin ağırlığı (suggest=0.5, should=0.7, must/demand=0.9)
• $R_{\text{score}} \in [0, 10]$: Baz risk skoru

DKI — Diplomatik Konum İndeksi

$$\text{DKI} = \Big(d_{\text{norm}} \cdot 0.4 + (1 - r_{\text{norm}}) \cdot 0.3 + d_{\text{req}} \cdot 0.2 + (1 - m_{\text{norm}}) \cdot 0.1\Big) \times 2 - 1$$

Burada:

• $d_{\text{norm}}$: Normalize diplomatik skor $\in [0, 1]$
• $r_{\text{norm}}$: Normalize risk skoru $\in [0, 1]$
• $d_{\text{req}}$: Normalize talep yoğunluğu $\in [0, 1]$
• $m_{\text{norm}}$: Normalize manipülasyon skoru $\in [0, 1]$

Sonuç: $\text{DKI} \in [-1, 1]$ (−1 = tam düşmanca, +1 = tam işbirlikçi).

Bağlamsal Risk (NER Çarpanı)

$$R_{\text{ctx}} = \min!\left(10,; R_{\text{base}} \times \mu\right)$$

$$\mu = \begin{cases} 1.5 & \text{GPE veya ORG varlığı tespit edilirse} \ 1.2 & \text{yalnızca PERSON varlığı tespit edilirse} \ 1.0 & \text{varlık yok} \end{cases}$$

Risk Sinyal Ağırlıkları:

Kategori	Örnekler	Puan
CRITICAL	red line, ultimatum, unacceptable, military option	3
HIGH	escalate, retaliate, decisive actions, deep strikes	2
BASE	Diğer tüm sinyal kelimeleri	1

---

5.3 Çit (Hedge) Dili Analizi (HedgingService)

Hyland (1995, 2005) taksonomisine dayanan epistemic ve stil hedge kategorileri:

graph LR
    HEDGE["🛡️ Hedge Tespiti"] --> EH["Epistemic High\n(might, could, possibly)\nAğırlık: 0.8"]
    HEDGE --> EM["Epistemic Medium\n(typically, generally)\nAğırlık: 0.5"]
    HEDGE --> AH["Anti-Hedge\n(definitely, certainly)\nAğırlık: -0.3"]
    HEDGE --> APX["Approximator\n(roughly, about)\nAğırlık: 0.4"]
    HEDGE --> SH["Shield\n(I'm not sure, to my knowledge)\nAğırlık: 0.6"]
    HEDGE --> ATTR["Attribution\n(reportedly, allegedly)\nAğırlık: 0.3"]

    EH & EM & AH & APX & SH & ATTR --> SCORE["📊 Hedge Skoru\n[0, 1]"]
    SCORE --> INTERP["Yorum\n0.6+ = Yüksek Belirsizlik\n0.1-0.6 = Orta\n< 0.1 = Doğrudan Dil"]

    style HEDGE fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style INTERP fill:#052e16,stroke:#34d399,color:#e2e8f0

Loading

Hedge Yoğunluk Formülü

$$H_{\text{score}} = \frac{\sum_{c \in \text{categories}} w_c \cdot n_c}{\max(1, N_{\text{matches}})}$$

---

5.4 Çerçeveleme Analizi (FramingService)

Entman (1993) dört-fonksiyonlu çerçeveleme modelini uygular:

mindmap
  root((Çerçeveleme\nAnalizi))
    Problem Tanımı
      Konu-varlık ko-oluşumu
      NER GPE entegrasyonu
    Nedensel Yorum
      dependency path nsubj→ROOT→obl:agent
      Pasif yapı agent tespiti
    Ahlaki Değerlendirme
      Appraisal sistemi
      Değerlendirici sıfat-varlık eşleşmesi
    Tedavi Önerisi
      Modal fiil + politika fiili kümesi
      should, must + GPE bağlamı

Loading

Çerçeve Türleri (v1.1.0):

Frame Türü	Tanımı
CONFLICT_FRAME	Savaş/çatışma odaklı çerçeve
HUMANITARIAN_FRAME	İnsani kriz odaklı çerçeve
SOVEREIGNTY_FRAME	Egemenlik ve toprak bütünlüğü
SECURITY_FRAME	Güvenlik tehdidi çerçeve
LEGAL_FRAME	Uluslararası hukuk ve yaptırım
DETERRENCE_FRAME	Caydırıcılık stratejisi
PEACE_FRAME	Diyalog ve uzlaşı
THREAT_FRAME	Tehdit ve tehlike
MULTILATERAL_FRAME	Çok taraflı diplomatik eylem
NEGOTIATION_FRAME	Reform / müzakere süreci

---

5.5 Çapraz Anomali Tespiti (CrossAnomalyService)

Plugin mimarisi — her kural AnomalyRule protokolünü uygular.

flowchart TD
    ANALYSIS["📊 Analysis Nesnesi"] --> RULES["Kural Motoru\n(Plugin Mimarisi)"]

    RULES --> R1["SentimentRiskDivergenceRule\nTsytsarau (2017) formülü"]
    RULES --> R2["HighRiskThresholdRule\nRisk ≥ 0.8"]
    RULES --> R3["NegativeSentimentRule\nDuygu ≤ -0.7"]
    RULES --> R4["PowerAsymmetryRule\nAsimetri > 0.5 + δ < -0.3"]
    RULES --> R5["CheapTalkAnomalyRule\nTrager (2010) proxy"]

    R1 & R2 & R3 & R4 & R5 --> AGGREGATE["Toplam Anomali Skoru\nmin(Σ katkılar, 1.0)"]
    AGGREGATE --> RISK_LEVEL["Risk Seviyesi\nLOW / MEDIUM / HIGH / CRITICAL"]

    style ANALYSIS fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style RISK_LEVEL fill:#7f1d1d,stroke:#f87171,color:#e2e8f0

Loading

Tsytsarau Çelişki Formülü

$$C = \frac{n \cdot M_2 - M_1^2}{\left(\vartheta \cdot n^2 + M_1^2\right) \cdot W}$$

Burada:

• $M_1 = \frac{1}{n}\sum p_i$ (ortalama polarite)
• $M_2 = \frac{1}{n}\sum p_i^2$ (ikinci moment)
• $\vartheta = 0.1$ (regularizasyon)
• $W = n$ (ağırlıklandırma)

Negasyon düzeltmesinden sonra $C_{\text{adj}} > 0.1$ ise SENTIMENT_RISK_DIVERGENCE anomalisi tetiklenir.

Anomali Türleri (v1.1.0):

Anomali	Tetikleyici Koşul	Kategori
RISK_HEDGING_CONFLICT	Risk ≥ 7 AND Hedge ≥ 0.6	Deception Pattern
NEGATIVE_CONFRONTATIONAL_AMPLIFICATION	Duygu ≤ -0.5 AND Ton = confrontational	Agresif Söylem
VELVET_GLOVE_CONFRONTATION	Duygu ≥ 0.3 AND Ton = confrontational	Örtülü Baskı
HIGH_RISK_CONCILIATORY_MASK	Risk ≥ 7 AND Ton = cooperative	Deception Pattern
DIRECT_MANIPULATION_LOW_HEDGE	Manip ≥ 0.7 AND Hedge ≤ 0.2	Manipulation
DOMINANT_ACTOR_PRESSURE	Güç ≥ 8 AND SBI ≥ 7 AND Risk ≥ 6	Power Dynamics
VAGUE_DEMAND_PLAUSIBLE_DENIABILITY	Hedge ≥ 0.6 AND Risk ≥ 4	Strategic Ambiguity
CONFLICT_FRAME_POSITIVE_WRAP	Frame=conflict AND Duygu ≥ 0.3	Framing Strategy
INCONSISTENCY_PLUS_MANIPULATION	Manip ≥ 0.5 AND |AI−Formül| ≥ 0.5	Deception Pattern
NEGATIVE_APPRAISAL_PERSUASIVE_TONE	Appraisal=neg AND Duygu ≤ -0.5 AND Kibarlık ≥ 0.6	Persuasion Strategy

---

5.6 Konu Modellemesi (TopicService)

Yöntem	Kullanım Amacı
TF-IDF + Anahtar Kelime	Segment düzeyinde baz konu sıralaması
BERTopic	Tematik drift tespiti için semantik kümeleme

Konu Kategorileri (v1.1.0): Gazze_Filistin_İsrail · Ukrayna_Rusya · BM_Reformu · Ekonomi_Ticaret_Enerji · Güvenlik_Çatışma

---

5.7 Zamansal Drift Analizi (TemporalAnalyzer)

flowchart LR
    subgraph DRIFT_TYPES["Drift Türleri"]
        SENTIMENT_DRIFT["SENTIMENT\nCUSUM Algoritması"]
        TOPIC_DRIFT["TOPIC\nJensen-Shannon Div."]
        LEXICAL_DRIFT["LEXICAL\nMATTR Metriği"]
        TONE_DRIFT["TONE\nMarkov Geçiş Matrisi"]
        RISK_DRIFT["RISK\nSlop Değişim Tespiti"]
    end

    DATA["Zaman Serisi\nVerileri"] --> SENTIMENT_DRIFT
    DATA --> TOPIC_DRIFT
    DATA --> LEXICAL_DRIFT
    DATA --> TONE_DRIFT
    DATA --> RISK_DRIFT

    SENTIMENT_DRIFT & TOPIC_DRIFT & LEXICAL_DRIFT & TONE_DRIFT & RISK_DRIFT --> EVENTS["DriftEvent[]\n(severity: LOW/MEDIUM/HIGH/CRITICAL)"]

    style DATA fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style EVENTS fill:#052e16,stroke:#34d399,color:#e2e8f0

Loading

CUSUM Duygu Drift Tespiti

$$\text{CUSUM}^+_t = \max!\left(0,; \text{CUSUM}^+_{t-1} + z_t - k\right)$$ $$\text{CUSUM}^-_t = \min!\left(0,; \text{CUSUM}^-_{t-1} + z_t + k\right)$$

Jensen-Shannon Divergence (Konu Drift)

$$\text{JSD}(P | Q) = \frac{1}{2} D_{\text{KL}}(P | M) + \frac{1}{2} D_{\text{KL}}(Q | M)$$

Ek İstatistiksel Metrikler (v1.1.0)

Metrik	Formül / Yöntem	Açıklama
MTLD	Type-Token Ratio stabilizasyon noktası	Sözcük çeşitlilik zenginliği
GARCH(1,1)	$\sigma^2_t = \omega + \alpha\varepsilon^2_{t-1} + \beta\sigma^2_{t-1}$	Duygu oynaklık rejimi
Entity Half-Life	$f(t) = f_0 \cdot e^{-\lambda t}$	Varlık saliency bozunumu
Lexical Entropy	$H = -\sum p_i \log_2 p_i$	Shannon entropi (sözcük dağılımı)
Red Line Flexibility	Concession Count / Red Line Count	Kırmızı çizgi geri adım indeksi

---

6. Analiz Çıktıları ve Metrik Hesaplamaları

Sistemdeki verilerin ham halden global endekslere nasıl dönüştüğünü gösteren metrik hiyerarşisi:

flowchart LR
    subgraph INPUT["1. Girdi Katmanı"]
        T["Metin Segmenti"]
        S["Konuşmacı Gücü (Power Level)"]
    end

    subgraph BASE["2. Temel Çıkarımlar"]
        VADER["VADER & DIPLO Sentiment"]
        HEDGE["Hedge Skoru (Hyland)"]
        NER["GPE/ORG Varlık Tespiti"]
        FRAME["Çerçeve (Entman)"]
    end

    subgraph COMPOUND["3. Bileşik İndeksler (Cümle)"]
        SBI["SBI\nSöylemsel Baskı"]
        DKI["DKI\nDiplomatik Konum"]
        ANOMALY["Anomali Skoru\n(10 Kural)"]
    end

    subgraph AGGREGATE["4. Global Metrikler (Makro)"]
        GCI["Global Çatışma İndeksi\n(GCI)"]
        DRIFT["Zamansal Drift Skoru\n(CUSUM/JSD)"]
        CRED["Aktör Güvenilirlik Puanı"]
    end

    T --> VADER & HEDGE & NER & FRAME
    S --> SBI
    VADER & NER --> SBI
    VADER & SBI & HEDGE & FRAME --> DKI
    VADER & SBI & HEDGE --> ANOMALY
    
    DKI & ANOMALY --> GCI
    VADER & FRAME --> DRIFT
    ANOMALY --> CRED

    style INPUT fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style BASE fill:#0f2746,stroke:#60a5fa,color:#e2e8f0
    style COMPOUND fill:#052e16,stroke:#34d399,color:#e2e8f0
    style AGGREGATE fill:#422006,stroke:#f97316,color:#e2e8f0

Loading

Note

Temel çıkarımlardan hesaplanan bileşik indeksler (SBI, DKI, Anomali Skoru), nihai analiz raporlarında konuşmacının veya oturumun genel profilini (Global Metrikler) belirlemede ağırlıklı olarak kullanılır.

---

7. Kalite Güvencesi ve HITL

Modelin sürekli öğrenmesi ve kalibre edilmesi için sisteme entegre bir Human-in-the-Loop (HITL) döngüsü ve kalite güvence altyapısı bulunur.

Bileşen	Amaç
GoldenDataset	100 el-etiketli cümle (ground truth)
QualityEvaluator	DeepEval / özel puanlayıcı (altın kümeye karşı)
UncertaintyScorer	AI çıktısı başına entropi tabanlı güven puanlaması
HumanReview	Uzmanların AI analizlerini değerlendirdiği salt-okunur (immutable) referans modeli
CalibrationService	Uzman ve AI uyumunu (Cohen's Kappa, Macro-F1, SBI MAE) haftalık analiz eden servis
FewShotInjector	Uzman onaylı altın standart verileri LLM istemlerine (prompt) otomatik enjekte eden modül

7.1 Belirsizlik Puanlama (Uncertainty)

$$U = H(p) = -\sum_{c} p_c \log_2 p_c$$

Burada $p_c$ çıktının $c$ kategorisine ait olma olasılığıdır. Yüksek entropi ($U$) yüksek belirsizliği ifade eder ve bu durumda analiz otomatik olarak Human Review (İnsan İncelemesi) kuyruğuna düşer.

7.2 HITL (Human-in-the-Loop) İş Akışı

Aşağıdaki şema, yapay zeka analizinin alan uzmanları tarafından nasıl denetlendiğini, bu denetimlerin sistemi nasıl kalibre ettiğini ve AI'ın few-shot learning ile kendi kendini nasıl eğittiğini göstermektedir:

sequenceDiagram
    participant AI as AI Model
    participant SYSTEM as Anomaly & Uncertainty
    participant EXPERT as Alan Uzmanı
    participant CALIB as Calibration Service
    participant PROMPT as Few-Shot Injector

    AI->>SYSTEM: 1. İlk Analiz Çıktısı (Sentiment, Risk, Çerçeve)
    SYSTEM->>SYSTEM: 2. Entropi (U) Hesapla
    
    alt U > Threshold (Yüksek Belirsizlik)
        SYSTEM->>EXPERT: 3. Review Kuyruğuna Gönder
        EXPERT-->>SYSTEM: 4. Uzman Düzeltmesi (Immutable HumanReview)
    else U <= Threshold
        SYSTEM->>SYSTEM: Otomatik Onay
    end
    
    loop Haftalık
        SYSTEM->>CALIB: 5. Analiz Verilerini Besle
        CALIB->>CALIB: 6. Uyum Ölçümü (Kappa, F1, SBI MAE)
        
        alt Düşük Uyum (MAE > 10 veya F1 < 0.70)
            CALIB-->>PROMPT: 7. Alert: Prompt veya Ağırlık Güncelle
        else Yüksek Uyum
            CALIB->>PROMPT: 8. Golden Dataset'e Ekle
        end
    end
    
    PROMPT->>AI: 9. Yeni Analizlerde Few-Shot Olarak Enjekte Et

Loading

---

8. Altyapı

8.1 AI Backend Soyutlaması

class AIClient(ABC):
    async def generate(self, prompt: str, **kwargs) -> str: ...
    async def embed(self, text: str) -> list[float]: ...

# Desteklenen backend'ler (v1.1.0)
class OllamaClient(AIClient): ...       # Yerel LLM (Llama3, Mistral vb.)
class AnthropicClient(AIClient): ...    # Claude (Haiku / Sonnet / Opus)
class GeminiClient(AIClient): ...       # Google Gemini (Flash / Pro)
class GroqClient(AIClient): ...         # Groq (hızlı çıkarım)
class DeepSeekClient(AIClient): ...     # DeepSeek (V3 / R1)

flowchart TD
    REQUEST["AI İsteği"] --> PRIMARY["Birincil Backend\n(Yapılandırılmış)"]
    PRIMARY -->|Başarı| RESULT["✅ Sonuç"]
    PRIMARY -->|Hata / Timeout| SECONDARY["İkincil Backend\n(Fallback)"]
    SECONDARY -->|Başarı| RESULT
    SECONDARY -->|Hata| TERTIARY["Üçüncül Backend\n(Son çare)"]
    TERTIARY -->|Başarı| RESULT
    TERTIARY -->|Hata| RECOVERY["6-Seviyeli JSON\nKurtarma"]

    RECOVERY -->|L1 Direct| R1["✅ Direct JSON parse"]
    RECOVERY -->|L2 Stripped| R2["✅ Markdown bloğu sıyrılır"]
    RECOVERY -->|L3 FirstBlock| R3["✅ İlk JSON bloğu bulunur"]
    RECOVERY -->|L4 Partial| R4["✅ Kısmi KV çifti kurtarma"]
    RECOVERY -->|L5 KeyValue| R5["✅ Geniş regex eşleştirme"]
    RECOVERY -->|L6 SchemaDefault| R6["✅ Varsayılan şema uygulanır"]

    style REQUEST fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style RESULT fill:#052e16,stroke:#34d399,color:#e2e8f0
    style RECOVERY fill:#422006,stroke:#f97316,color:#e2e8f0

Loading

8.2 Önbellekleme Stratejisi

Backend	Sürücü	TTL Stratejisi
Disk	diskcache	24 saat (varsayılan)
Redis	redis-py	LRU + açık geçersiz kılma

Önbellek anahtarı: SHA-256(prompt_text + model_version) — prompt değişirse otomatik geçersiz.

8.3 Veritabanı

Bileşen	Teknoloji
ORM	SQLAlchemy 2.0 (async)
Migrasyonlar	Alembic
Varsayılan	SQLite (geliştirme ortamı için)

---

9. Gözlemlenebilirlik

graph LR
    subgraph APP["BB-PAXDATA"]
        METRICS["Prometheus\nMetrics Endpoint\n:8000/metrics"]
    end

    subgraph MONITORING["İzleme Yığını"]
        PROM["Prometheus\n:9090"]
        GRAFANA["Grafana\n:3000"]
    end

    subgraph OPTIONAL["Opsiyonel"]
        LANGSMITH["LangSmith\n(Prompt izleme)"]
    end

    APP --> PROM
    PROM --> GRAFANA
    APP --> LANGSMITH

    style APP fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style MONITORING fill:#052e16,stroke:#34d399,color:#e2e8f0
    style OPTIONAL fill:#1c1917,stroke:#a3a3a3,color:#e2e8f0

Loading

Metrik	Tip	Etiketler
ai_backend_latency_seconds	Histogram	backend, operation
cache_hit_rate	Gauge	backend (disk/redis)
batch_fallback_count	Counter	from_backend, to_backend
json_recovery_total	Counter	level, result

---

10. CLI Referansı

BB-PAXDATA CLI arayüzü, sistemin tüm işlevlerini yönetmenizi sağlar.

poetry run bbpaxdata [KOMUT] [SEÇENEKLER]

10.1 Veritabanı ve Göç Komutları

• Legacy Göçü (migrate): Eski monolitik SQLite veritabanından yeni modüler formata verileri taşır:

  poetry run bbpaxdata migrate run --legacy-db <eski_db_yolu> [--dry-run] [--batch-size <boyut>]

  Dosya: migrate.py

• Veritabanı Doğrulama (validate): Veritabanının bütünlüğünü, yabancı anahtarları ve şema doğruluğunu kontrol eder:

  poetry run bbpaxdata validate db [--strict] [--json] [--output <dosya_yolu>]

  Dosya: validate.py

• Veri Yükleme, İzleme ve Yapılandırma (build): Transkript dosyalarını okuyarak veritabanına yükler:

  poetry run bbpaxdata build <veri_dizini_yolu> [--force-rebuild] [--panel <panel_adı>] [--dry-run] [--logic-only] [--ai-limit <sayi>]

  • Seçenekler:

    • --force-rebuild / -f: Daha önce işlenmiş dosyaları zorla yeniden analiz eder.
    • --panel <panel_adı> / -p <panel_adı>: Yalnızca dosya adında belirtilen metin geçen paneli işler.
    • --dry-run / -d: Veritabanına yazmadan ve dosyaları diske kaydetmeden simülasyon yapar.
    • --logic-only / -L: AI-Free (Logic-only) modunu çalıştırır. LLM/AI çağrısı yapmadan, tamamen deterministik kural tabanlı NLP algoritmasıyla duygu ve risk skorlarını hesaplar (sıfır maliyet ve yüksek hız).
    • --ai-limit <sayi> / -n <sayi>: Cümle Bazlı AI Limiti uygular. İlk N cümle gerçek AI (LLM) ile analiz edilir, sınır aşıldığında sonraki tüm cümlelerin analizleri (ve frame, anomali vb. alt modülleri) otomatik olarak LogicOnly analistine düşer.

  • Klasör İzleme (watch): Belirtilen klasörü sürekli izler. Yeni veya güncellenen dosyalar eklendiğinde otomatik olarak dosyayı standardize eder ve veritabanına aktarır:

    poetry run bbpaxdata build watch <veri_dizini_yolu> [--interval <saniye>] [--logic-only] [--ai-limit <sayi>]

    • --interval <saniye> / -i <saniye>: Klasör tarama sıklığı (varsayılan: 5s).

  • Durum Kontrolü (status): Dosya durumunu ve işlenme geçmişini kontrol eder:

    poetry run bbpaxdata build status <dosya_yolu>

  • Temizlik (clean): Panelleri veya eski dosyaları temizlemek için:

    poetry run bbpaxdata build clean [--panel <panel_id>] [--older-than <gun_sayisi>] [--force]

  Dosya: build.py

10.2 Analiz Komutları (analyze)

Diplomatik söylem analizlerini çalıştırmak için kullanılan komutlar:

• Bilateral Sentiment Analizi:

  poetry run bbpaxdata analyze country-refs --panel-id <panel_id> [--verbose]

• Söylem Ağı Kurulumu:

  poetry run bbpaxdata analyze network --panel-id <panel_id> [--threshold <deger>] [--centrality]

• Tam Analiz Pipeline'ı: Tüm pipeline adımlarını (Bilateral Sentiment, Söylem Ağı, Konu Matrisi) sırayla çalıştırır:

  poetry run bbpaxdata analyze full --panel-id <panel_id> [--threshold <deger>] [--centrality]

  Dosya: analyze.py

10.3 Test ve Değerlendirme Komutları (test)

• Test Süitini Çalıştırma (run): Belirli kapsamdaki testleri pytest kullanarak çalıştırır:

  poetry run bbpaxdata test run --type [logic|ai|e2e|all] [--limit <sayi>] [--verbose]

  • --type logic: AI (LLM) katmanı olmadan, sadece yerel NLP ve kural tabanlı mantıksal testleri çalıştırır. (Önerilen yerel analiz testi)
  • --type ai: Sadece AI/LLM servislerini test eder.
  • --type e2e: Uçtan uca tüm sistemi test eder.
  • --type all: Tüm test süitini çalıştırır.

• Tek Cümle Analizi (eval-sentence): Tek bir cümleyi tüm pipeline üzerinden geçirip sonucunu terminalde görselleştirir:

  poetry run bbpaxdata test eval-sentence "<analiz_edilecek_cumle>" [--verbose] [--logic-only]

  • --logic-only / -L bayrağı ile AI çağrısı yapmadan yerel motor üzerinden çalıştırılabilir.

• Dataset Kalite Ölçümü (eval-dataset): Golden Dataset üzerinden DeepEval kalite değerlendirme pipeline'ını tetikler:

  poetry run bbpaxdata test eval-dataset [--limit <sayi>]

  Dosya: test.py

10.4 İnsan İncelemesi ve Kalibrasyon (review)

• Uzman İncelemesi Ekleme (submit): AI çıktısıyla uzman kararını karşılaştırıp kaydetmek için:

  poetry run bbpaxdata review submit --analysis-id <id> --reviewer-id <uzman_id> [--human-frame <frame>] [--human-risk <risk>] [--human-sbi <sbi>] [--human-sentiment <sentiment>] [--reason <neden>] [--duration <saniye>]

• Haftalık Kalibrasyon Raporu (calibrate): Prompt sürümleri için Cohen's Kappa, Macro-F1 ve MAE istatistiklerini hesaplar:

  poetry run bbpaxdata review calibrate --prompt-version <surum> [--days-back <gun>]

• Anlaşmazlıkları Listeleme (show-disagreements): Uzman ve AI arasındaki kararsızlık/anlaşmazlık durumlarını listeler:

  poetry run bbpaxdata review show-disagreements --prompt-version <surum> [--limit <sayi>]

  Dosya: review_commands.py

---

13. Konsol Öğreticisi (Console Tutorial)

Bu bölüm, BB-PAXDATA CLI'ını en verimli şekilde kullanabilmeniz için senaryolara dayalı adım adım komut kılavuzudur.

Senaryo A: Tamamen AI-Free (Yapay Zekasız) ve Sıfır Maliyetli Hızlı Analiz

LLM API anahtarınız yoksa veya bütçe harcamadan binlerce satırlık büyük transkript dosyalarını hızlıca yerel makinenizde analiz etmek istiyorsanız bu adımları izleyin.

1. Test Edin: Yerel kuralların ve veri tabanının sorunsuz çalıştığını doğrulamak için sadece logic testlerini çalıştırın:

   poetry run bbpaxdata test run --type logic

2. AI-Free Veri Yükleme (build): data/ dizinindeki transkriptleri LLM çağrısı yapmadan, tamamen deterministik sözlükler ve kural motoruyla işleyip veritabanına kaydedin:

   poetry run bbpaxdata build data/ --logic-only --force-rebuild

3. Tek Cümle Denemesi: Belirli bir diplomatik ifadenin kural tabanlı motora göre duygu ve risk çıktısını anında görün:

   poetry run bbpaxdata test eval-sentence "Savaş ve askeri saldırı durumunda geri adım atmayacağız." --logic-only

4. Analiz Raporu: İşlenen veriler üzerinden ülke referans duygu skorlarını hesaplayın:

   poetry run bbpaxdata analyze country-refs --panel-id "03_erdogan"

---

Senaryo B: Bütçe/Token Kontrollü AI Analizi (AI-Limit)

Tüm transkripti yapay zekaya gönderip yüksek faturalarla karşılaşmak yerine, her transkript dosyasının sadece ilk N cümlesini (örneğin ilk 50 cümle) yapay zekayla derinlemesine analiz edip, kalanını otomatik olarak logic-only modla tamamlayabilirsiniz.

1. Bütçe Sınırlı Build: Her transkriptin ilk 50 cümlesini yapay zekaya gönderin, 51. cümleden itibaren tüm AI alt servislerini (sentiment, frame, anomali vb.) logic-only moduna düşürün:

   poetry run bbpaxdata build data/ --ai-limit 50 --force-rebuild

   Not: İşlem tamamlandığında terminalde 📊 AI Kullanım Raporu başlığı altında kaç cümle için AI çağrısı yapıldığı ve limitin aşıp aşmadığı detaylıca gösterilir.

---

Senaryo C: Otomatik İzleme ve Canlı Standardizasyon (Folder Watcher)

Ham transkript dosyalarını bir klasöre kaydettiğiniz anda sistemin bunu yakalamasını, otomatik olarak temizleyip standardize etmesini (konuşmacı adlarına ülke kodları ekleme, metadata başlıkları yerleştirme) ve veritabanına aktarmasını istiyorsanız:

1. Watcher'ı Başlatın (Logic-Only modda):

   poetry run bbpaxdata build watch "data/Antalya Diplomatic Forum 2026" --logic-only --interval 5

2. Dosya Ekleyin: Bu klasöre ham, düzensiz bir transkript dosyası (03_Erdogan.txt) atın:

   Recep Tayyip Erdoğan: Bu yeni bir küresel diplomasi testidir.
   Sergei Lavrov: Katılıyorum.
   

3. Watcher Tarafından Yapılanlar:
   • Watcher 5 saniye içinde dosyayı algılar.
   • standardize_file_content() çalışarak konuşmacıları Recep Tayyip Erdoğan (TR) ve Sergei Lavrov (RU) olarak günceller.
   • Dosyanın en tepesine TITLE: Recep Tayyip Erdoğan Address, DATE: April 2026, THEME: ... gibi metadata bloklarını idempotent şekilde yazar.
   • Dosyayı diske kaydedip ardından veritabanına (bb-paxdata.db) kaydeder.

---

Senaryo D: Veritabanı Durum Kontrolü ve Temizleme

1. Dosya Durumu Sorgulama: Belirli bir dosyanın veritabanına işlenip işlenmediğini, son işlenme tarihini ve kullanılan parser sürümünü sorgulayın:

   poetry run bbpaxdata build status data/03_Erdoğan.txt

2. Kısmi Veri Temizleme: İşlemlerinizde bir hata yaptıysanız ve belirli bir panel verilerini veritabanından tamamen silip yeniden başlatmak istiyorsanız:

   poetry run bbpaxdata build clean --panel "03_erdogan" --force

---

11. Bilimsel Metodoloji

11.1 Yöntem Özeti

Modül	Yöntem	Akademik Temel
Sentiment	Negasyon-farkında DIPLO + VADER	Jia & Liang (2017); Socher et al. (2013)
Risk	SBI / DKI bileşik indeks	Baldwin (1985); Kıyılar (2020)
Hedging	Hyland (1995) taksonomisi + yoğunluk oranı	Hyland (1995, 2005)
Framing	Entman (1993) dört-fonksiyonlu model + salience	Entman (1993)
Anomaly	10 kurallı çapraz-anomali tensörü	Tsytsarau et al. (2017); Trager (2010)
Topic	TF-IDF + BERTopic dinamik modelleme	Grootendorst (2022)
Dependency	spaCy SVO çıkarımı + diplomatik alan budama	Manning et al. (2014)
Explainability	SHAP + LIME hibrit	Lundberg & Lee (2017); Ribeiro et al. (2016)
Temporal	CUSUM + JSD lexical drift + embedding centroid kayması	Page (1954); Lin (1991)
Quality	Tahmine dayalı entropi + ensemble anlaşmazlığı	Gal & Ghahramani (2016)

11.2 Veri Akışı — Bilimsel Katmanlar

flowchart TB
    subgraph L1["L1: Kural Tabanlı (Deterministik)"]
        DIPLO["DIPLO Leksikonu\n(Phrase-first)"]
        RISK_SIG["Risk Sinyalleri\n(Ağırlıklı)"]
        HEDGE_LEX["Hedge Leksikonu\n(Regex tabanlı)"]
    end

    subgraph L2["L2: İstatistiksel (Stokastik)"]
        CUSUM["CUSUM\n(Drift tespiti)"]
        JSD["Jensen-Shannon\n(Dağılım farkı)"]
        GARCH["GARCH(1,1)\n(Oynaklık)"]
    end

    subgraph L3["L3: Makine Öğrenimi (Olasılıksal)"]
        BERTOPIC["BERTopic\n(Semantik küme)"]
        VADER_ML["VADER\n(Duygu lexicon ML)"]
        EMBEDDING["Sentence Transformers\n(Semantik benzerlik)"]
    end

    subgraph L4["L4: Büyük Dil Modelleri (Üretken)"]
        AI_ANALYST["AI Analyst\n(Claude/Gemini/Groq/Ollama)"]
        PROMPT_REG["Prompt Registry\n(Versiyonlanmış)"]
    end

    L1 --> CONSENSUS["Uzlaşı Motoru\n(Consensus Service)"]
    L2 --> CONSENSUS
    L3 --> CONSENSUS
    L4 --> CONSENSUS

    CONSENSUS --> FINAL["Son Analiz Skoru\n(Ağırlıklı birleşim)"]

    style L1 fill:#1e1b4b,stroke:#a78bfa,color:#e2e8f0
    style L2 fill:#0f2746,stroke:#60a5fa,color:#e2e8f0
    style L3 fill:#052e16,stroke:#34d399,color:#e2e8f0
    style L4 fill:#2d1515,stroke:#f87171,color:#e2e8f0
    style FINAL fill:#422006,stroke:#f97316,color:#e2e8f0

Loading

---

12. Akademik Kaynaklar

Aşağıdaki kaynaklar v1.1.0'de doğrudan uygulanan veya referans alınan çalışmalardır.

Duygu Analizi

• Socher, R., Perelygin, A., Wu, J. et al. (2013). Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank. EMNLP 2013.
• Jia, L., & Liang, J. (2017). Negation and Speculation Scope Detection. Chinese National Conference on Computational Linguistics.
• Hutto, C.J., & Gilbert, E.E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. ICWSM.

Risk ve Diplomatik Güç

• Baldwin, D.A. (1985). Economic Statecraft. Princeton University Press.
• Fearon, J.D. (1995). Rationalist Explanations for War. International Organization, 49(3), 379–414.
• Trager, R.F. (2010). Diplomatic Calculus in Uncharted Territory. American Political Science Review, 104(2), 347–371.

Çit (Hedge) Dili

• Hyland, K. (1995). The Author in the Text: Hedging Scientific Writing. Hong Kong Papers in Linguistics and Language Teaching, 18, 33–42.
• Hyland, K. (2005). Metadiscourse: Exploring Interaction in Writing. Continuum.

Çerçeveleme Analizi

• Entman, R.M. (1993). Framing: Toward Clarification of a Fractured Paradigm. Journal of Communication, 43(4), 51–58.

Anomali Tespiti

• Tsytsarau, M., Palpanas, T., & Denecke, K. (2017). Identifying Sentiment-based Contradictions. Data Science and Engineering, 2, 81–97.

Zamansal Drift ve İstatistik

• Page, E.S. (1954). Continuous Inspection Schemes. Biometrika, 41(1/2), 100–115.
• Lin, J. (1991). Divergence Measures Based on the Shannon Entropy. IEEE Transactions on Information Theory, 37(1), 145–151.
• Covington, M.A., & McFall, J.D. (2010). Cutting the Gordian Knot: The Moving-Average Type–Token Ratio (MATTR). Journal of Quantitative Linguistics, 17(2), 94–100.
• Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307–327.

NLP Altyapı

• Volansky, V., Ordan, N., & Wintner, S. (2015). On the Features of Translationese. Literary and Linguistic Computing, 30(1), 98–118.
• Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv:2203.05794.
• Lundberg, S.M., & Lee, S.I. (2017). A Unified Approach to Interpreting Model Predictions. NeurIPS 2017.
• Ribeiro, M.T., Singh, S., & Guestrin, C. (2016). "Why Should I Trust You?": Explaining the Predictions of Any Classifier. KDD 2016.