Yargıtay Kararlarının Suç Türlerine Göre Makine Öğrenmesi Yöntemleri İle Sınıflandırılması

Year 2021, Volume: 4 Issue: 3, 61 - 71, 30.12.2021

Berker Kılıç , Yüksel Öner

Abstract

Mahkeme kararlarının herkese açık olması nedeni ile avukatların içtihat ve emsal karar araştırabilmesi için, pek çok internet sitesi ve ticari uygulama bulunmaktadır. Bunların birçoğu, anahtar kelime girişi ve anahtar kelimeyi içeren kararların listelenmesine dayanmaktadır. Bu durumda avukatın araştırmada kullanacağı anahtar kelimeler kendisi için uygun kararlara ulaşmasını sağlamakta ancak içtihat ve emsal kararların çok fazla olması nedeni ile pratikte zaman kazandırıcı bir yöntem olmamaktadır.
Avukatlar arasında içtihat araştırmadaki bir diğer yöntem ise birbirlerine danışmak ve birbirlerinin kullandığı içtihat ve emsal kararları kendilerinin de kullanması şeklindedir. Bir kısım avukat ise özellikle güncel içtihat kararlarını takip etmekte ve ileride işine yarayabileceğini düşündüğü güncel kararları kendince kategorik olarak kayıt altında tutmaktadır.
Bu iki yöntem de birinin güncelliği ve duruma tam olarak uygunluğu garanti edememesi diğerinin ise yine oldukça zaman alıcı bir iş olması nedeni ile pratikte verimli yöntemler olmadıkları görülmektedir.
Avukatların içtihat ve emsal karar araştırabilmesi için, mahkeme kararlarının herkese açık olması nedeni ile pek çok internet sitesi ve ticari uygulama bulunmaktadır. Bunların bir çoğu, anahtar kelime girişi ve anahtar kelimeyi içeren kararların listelenmesine dayanmaktadır. İçtihat ve emsal kararlar üzerinde makine öğrenmesi yöntemlerinin kullanılarak bir içtihat/emsal karar arama motorunun alt yapısında kullanılabilir bir model geliştirilebileceği değerlendirilmiştir.
Makine öğrenmesi yöntemiyle yapılan metin sınıflandırma çalışmalarında, metinlerin, bilgisayarın anlayabileceği şekle yani sayısal bir hale dönüştürülmesi gerekmektedir. Çalışmada, Facebook tarafından geliştirilen FastText yöntemi kullanılmıştır. 2020 yılına ait Yargıtay Ceza Genel Kurulu tarafından karara bağlanan 531 adet karar metnine ulaşılmış ilgili oldukları suç türlerine göre sınıflandırılmış ve çapraz doğrulama için 3 eğitim ve test grubuna ayrılmıştır.
FastText danışanlı öğrenme yöntemi ile 3 veri seti üzerinde tekrar sayısı (epoch), öğrenme oranı (lr: learning rate) ve kelime büyüklüğü (wordNgrams) parametrelerinin farklı değerleri için tüm kombinasyonlar ayrıca FastText otomatik optimizasyon seçenekleri ile denemeler yapılmış ve ortalama olarak %44,7 kesinlik değerine ulaşılmıştır.
Bir emsal karar arama sisteminde doğru ve yanlış etiketlenmiş kararlardan oluşacağı için, öğrenme oranı doğru etiketlenmiş sonuçların da artacağı, yanlış etiketlenmiş kararların ise azalacağı anlamına gelecektir. Ancak her halükarda, yalnızca anahtar kelimeye bağlı olarak edilen sonuçlarla kıyaslandığında, ilgililik yani istenen suç türüne ait kayıtların toplam sonuçlar içerisindeki miktarı artacağı %44,7 oranı düşük bir oran olmasına rağmen uygulamada fayda sağlayabilecek bir değer olarak düşünülmektedir.

Keywords

Hukuk, Hukukta Teknoloji, Emsal Karar, Makine Öğrenimi, FastText

References

• [1] Ortadoğu Teknik Üniversitesi, “Kodex Bilişim’ den Yargıtay Davalarına Yapay Zekalı Destek”, https://odtuteknokent.com.tr/tr/haber/kodex-bilisimden-yargitay-davalarina-yapay-zekali-destek (12.05.2021).
• [2] Hukukwork, “HukukWork Özellikler”, https://www.hukukwork.com/ozellikler/, (12.05.2021).
• [3] İstanbul, Ankara ve İzmir Baroları, “Yapay Zeka Çağında Hukuk Çalıştay Raporu”. İstanbul, Ankara ve İzmir Baroları Çalıştay Raporu, 2019.
• [4] Adalethanım, “AdaletHanım Hakkımızda”, http://adalethanim.com/#hakkimizda, (12.05.2021).
• [5] Bilkent Üniversitesi, “Hukuk Metinlerinde Yapay Zekâ Uygulamaları için Doğal Dil İşleme ve Makine Öğrenmesi Teknikleri”, http://umram.bilkent.edu.tr/index.php/2021/03/01/42-hukuk-metinlerinde-yapay-zeka-uygulamalari-icin-dogal-dil-isleme-ve-makine-ogrenmesi-teknikleri/, (12.05.2021).
• [6] Kınık D, Güran A. “TF-IDF ve Doc2Vec Tabanlı Türkçe Metin Sınıflandırma Sisteminin Başarım Değerinin Ardışık Kelime Grubu Tespiti ile Arttırılması”, Avrupa Bilim ve Teknoloji Dergisi, (21), 323-332, 2021.
• [7] Onan A. “Evrişimli Sinir Ağı Mimarilerine Dayalı Türkçe Duygu Analizi”, Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 374-380, 2020.
• [8] Çelik Ö, Koç BC. “TF-IDF, Word2vec ve Fasttext Vektör Model Yöntemleri ile Türkçe Haber Metinlerinin Sınıflandırılması”, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(67), 121-127, 2020.
• [9] Ahmetoğlu H, Daş R. “Türkçe Otel Yorumlarıyla Eğitilen Kelime Vektörü Modellerinin Duygu Analizi İle İncelenmesi”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 24(2), 455-463, 2020.
• [10] Aksu MÇ, Karaman E. “FastText ve Kelime Çantası Kelime Temsil Yöntemlerinin Turistik Mekanlar İçin Yapılan Türkçe İncelemeler Kullanılarak Karşılaştırılması”, Avrupa Bilim ve Teknoloji Dergisi, (20), 311-320, 2020.
• [11] Turan T, Kemaloğlu N, Küçüksille EU. “Hukuk’ ta Yapay Zeka: Çalışmalar ve Gelecek Öngörüleri”, Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(2), 246-255, 2020.
• [12] Facebook, “Get Started”, https://fasttext.cc/docs/en/support.html, (12.05.2021).