VETERİNERLİK ALANINDA YAPAY ZEKÂ ÇALIŞMALARININ BİBLİYOMETRİK ANALİZİ Yapay zekânın günümüzde veteriner hekimlik alanında kullanılması bu alandaki araştırmacılar için ilgi çekici bir yenilik olmuştur. Yapay zekânın veteriner bilimlerinde uygulama alanı bulmasıyla birlikte bu konuda yapılan çalışmalar literatürde önemli bir konuma gelmiştir. Bu çalışmanın amacı, bibliyometrik analiz ile veteriner hekimlikte yapay zekâ alanındaki literatürün genel haritasını çıkarmak ve kullanım alanlarını belirlemektir. Veteriner hekimlikte yapay zekâ üzerine mevcut literatürü keşfetmek için Web of Science veri tabanı kullanılmıştır. Araştırma verileri 397 adet makaleden oluşmuştur. Verilerin analizi için R istatistik programında mevcut olan “bibliometrix” kütüphanesi ile VOSviewer programı kullanılmıştır. Dergiler, yayın ve atıf sayısı, yazar, kurum ve ülke gibi araştırma ögeleri bibliyometrik göstergeler ile incelenmiştir. Veteriner hekimlikteki yapay zekâ çalışmaları 2019 yılından itibaren hızlı bir artış göstermiştir. Çalışma sonucunda alanda önde gelen ülkeler Amerika Birleşik Devletleri, Çin ve Türkiye olmuştur. Animals ve Preventive Veterinary Medicine dergileri alanın öncü dergileri olarak belirlenmiştir. Çalışmada ortaya konulan bulgular makine öğrenmesinin veteriner hekimlikte güncel çalışma alanı olduğunu göstermektedir. Derin öğrenme (deep learning), aktif öğrenme (active learning) ve bilgisayar destekli tanı (computer-aided diagnosis) konularının yakın gelecekte daha fazla kullanım alanı bulacağı tahmin edilmektedir. Bu çalışma bütün veterinerlik alanlarında gerçekleştirilen yapay zekâ çalışmalarının ilk bibliyometrik analizi özelliği taşıdığından ilgili araştırmacılara öncü rol oynayacaktır. Ayrıca veteriner hekimlik alanında yapılacak yapay zekâ çalışmaları için alanın genel haritası hakkında bilgi vermesi açısından araştırmacılar için yol gösterici niteliktedir. Anahtar Sözcükler: Bibliyometrik analiz; Makine öğrenmesi; Sınıflandırma problemi; Veterinerlik bilimleri; Yapay zeka 1. GİRİŞ Bibliyometri, belirli bir alandaki literatürü tanımak, değerlendirmek ve bilimsel etkileşimi ortaya çıkarabilmek için istatistiksel metotları kullanan bir analiz türüdür; bu analiz ile belirli bir çalışma alanındaki popüler konular belirlenebilmekte ve yakın gelecekte ortaya çıkması muhtemel konular tahmin edilebilmektedir (Yu ve ark 2020). h, g ve m indeksi, atıf sayısı ve yayın sayısı gibi bibliyometrik göstergeler kullanılarak araştırma ögeleri (kurum, yazar, dergi, anahtar kelime vb.) arasındaki etkileşim değerlendirilmektedir (Wang ve ark 2020). Ayrıca alanda yeni olan konuların literatür içerisindeki konumu ve nasıl bir gelişim gösterdiği de bibliyometrik analiz ile belirlenebilmektedir (Kurutkan ve Orhan 2018). Günümüz teknoloji ve bilgisayar sistemleri ile yeni bir araştırma alanı olarak yakın geçmişte ortaya çıkan Yapay Zekâ (AI: Artificial Intelligence) alanındaki çalışmaların farklı bilim dalları içerisindeki konumunu belirlemek için bibliyometrik analiz kullanımı literatüre önemli bir katkı sağlamaktadır. AI, gelişen teknoloji ile hayatın her alanında olduğu gibi veteriner hekimlikte de uygulama alanı bulmakta, bu alan AI çalışmaları için büyük bir potansiyel olarak görülmektedir. AI bu alanda teşhis, hayvan bakımı, araştırma ve eğitim faaliyetleri dahil olmak üzere geniş bir uygulama yelpazesine sahiptir (Banzato ve ark 2021). Veteriner hekimlik özelinde AI konusu yeni olduğundan çalışmaların hangi yönde gelişme gösterdiği, alanın entelektüel ve sosyal yapısı ile araştırmacılar arasındaki ilişkilere yönelik çalışmalar değer atfetmektedir. Bundan dolayı bu alandaki gelişimi takip etmek ve geleceğe yönelik popüler olması beklenen konuları tespit için literatüre geniş bakış açısı kazandıracak bir çalışmanın mevcut olmadığı tespit edilmiştir. 1.1. Yapay Zekâ AI terimi tarihte ilk olarak 1956 yılında John McCarthy tarafından kullanılmıştır. AI, bilgisayar programları aracılığıyla insan zekasının çalışma metodunu kavramayı amaçlayan disiplin olarak tanımlanmaktadır (Brooks 1991). Bu alanda, teorik çalışmalar olsa da bilgisayar ve yazılım teknolojilerinin ilerleme gösterdiği 2000’li yıllara kadar uygulama imkanı olmamıştır (Kaul ve ark 2020). Bu zamandan sonra hızla gelişen bilgisayar sistemleri ve teknoloji ile birçok alanda kullanım alanı bulmaya başlamıştır. Gelişen teknoloji ile yakın gelecekte birçok mesleğin artık AI desteğiyle yapılabileceği öngörülmektedir. Algoritmalar, karmaşık sorunları analiz ederek, genelden birimlere ayrıştırıp çözmeye çalışan yapılardır. Bu sayede probleme özgü algoritma geliştirilebilmektedir (Şekil 1.1).

şekil 1.1 girecek

Şekil 1.1. Algoritma geliştirme süreçleri (Sayım 2022). 1.1.1. Yapay Zekânın Tarihi AI çalışmalarının tarihi Cezeri’nin (1136 – 1206) robot çizimlerine kadar uzansa da modern anlamdaki çalışmalar İkinci Dünya Savaşı sonrasında gerçekleşmiştir (Coşkun ve Gülleroğlu 2021). AI ve eleştirel düşüncelerini bilgisayar aracılığıyla simüle etme çalışmaları ilk olarak 1950 yılında Alan Turing tarafından tanımlanmıştır (Holmes ve ark 2004). Turing, Computers and Intelligence (Bilgisayar ve Zeka) adlı kitabında bilgisayarlar ile insan zekasının kıyasını yapmak için “Turing testi” olarak bilinen bir test geliştirmiştir (Greenhill ve Edmunds 2020). Allen Newell ve Herbert Simon 1954 yılında bilgisayarları genel zeka için programlamaya başlayan ilk kişiler olmuşlardır (McCarthy 2007). 1956 yılına gelindiğinde John McCarthy AI terimini “akıllı makineler yapma bilimi ve mühendisliği” olarak tanımlamıştır (Malik ve ark 2019). AI, başlarda “eğer, o zaman kuralları” dizisi olarak bilinirken, ilerleyen yıllarda insan beynine benzer şekilde algoritmaları içerecek gelişmeler göstermiştir (Kutlusoy 2019, Kaul ve ark 2020). 1.1.2. Yapay Zekânın Kullanım Alanları AI, veri madenciliği algoritmalarının bilimsel çalışmalara ve günlük hayata uyarlanması sonucu ortaya çıkmıştır. AI’nın kökeni büyük veriye dayanmaktadır. Son 50 yılda verinin dijital ortamda depolanma düzeyinde inanılmaz artış gerçekleşmiştir. Böylelikle biriken verilerin işlenerek bilgiye dönüştürülme süreci AI’nın önünü açmıştır. AI, veri madenciliğinin bir alt dalıdır. Küçük farklılıklarla birbirlerinden ayrılmasına rağmen günümüzde ML, DL ve AI gibi kavramlar birlikte sıklıkla kullanıldığından iç içe geçmiştir (Altunkaynak 2019). Makine Öğrenmesi Arthur Samuel ML’yi, bilgisayarlara açıkça programlanmadan öğrenme yeteneği kazandıran çalışma alanı olarak tanımlamaktadır. ML, makinelere verileri nasıl daha verimli kullanacaklarını öğretmek için kullanılır. Bazen eldeki verileri yorumlayacak kadar yeterli bilgi mevcut değildir. Bu durumda, ML kullanmak uygun bir seçenek olarak öne çıkmaktadır. (Bkassiny ve ark 2012, Mahesh 2020). ML’nin bazı avantaj ve dezavantajları bulunmaktadır (Hiran ve ark 2021). Avantajları: • Eğilimleri ve örüntüleri kolayca tanımlar. • İnsan müdahalesine gerek yoktur. • Her türlü verinin verimli bir şekilde işlenmesini sağlar. • Sürekli̇ gelişmeye açıktır. Dezavantajları: • Yüksek hata olasılığı. • Veri̇ toplama. • Zaman ve kaynaklar. • Algoritma seçimi. ML, farklı algoritmalar kullanarak problemi çözmeye çalışır. Kullanılan algoritmalar problemin türüne, değişken sayısına ve uygun modele göre değişiklik gösterebilmektedir. ML amaçlarına ve öğretilme şekline göre Denetimli öğrenme, Denetimsiz öğrenme, Yarı-denetimli öğrenme olarak 3 alt kategoriye ayrılmaktadır (Marsland 2011). Denetimli Makine Öğrenmesi Algoritmaları Denetimli ML algoritmalarının regresyon ve sınıflandırma olarak iki türü vardır. Regresyon, eğitim veri kümesinden elde edilen ve algoritmaya verilen en son veri için sürekli değerli sonuçların tahmin edildiği yöntemdir. Bu yöntemde sayısal bir değer tahmin edilmeye çalışılır. Sınıflandırmadaysa amaç bireylerin o sınıflara düşme olasılıklarının tahmin edilmesidir. Örneğin; Şekil 1.2’de kanser hastaları için özet bir veri seti kullanıldığında, kanser olan ve olmayan bireyleri denetimli ML algoritmalarının nasıl ayırdığına dair çalışma prensibi gösterilmektedir (Uddin ve ark 2019).

şekil 1.2 girecek

Şekil 1.2. Denetimli ML algoritmalarının kanser hastaları ve sağlıklı bireyleri kategorize etmek için nasıl çalıştığına dair bir örnek. Bir sınıflandırma modeli, eğitim veri setinden bazı geçerli eşleme fonksiyonları çıkarır ve test veri setinde eşleme fonksiyonu yardımıyla sınıf etiketini tahmin eder. Araştırılan özelliğin verilen problem kümesinde bulunan ve doğru bir tahmin modeli oluşturma niteliğine sahip bir parametre olması gerekmektedir (Basak ve Kothari 2004). Sınıflandırma modeli aşağıdaki adımlarla oluşturulabilir (Mandal ve Bhattacharya 2020): 1. Verinin toplanması ve ön işlemlerden geçirilmesi. 2. Sınıflandırıcı modelin belirlenmesi. 3. Çapraz doğrulama kullanarak veri kümesinin bölünmesi ve sınıflandırıcı modelin eğitim verileriyle eğitilmesi. 4. Sınıflandırıcı model ile yeni bir gözlem verisi için etiket tahmini yapılması. 5. Test verisi üzerinde sınıflandırıcı modelin hata oranının değerlendirilmesi. Denetimli ML algoritmalarının iş akış şeması Şekil 1.3’te verilmiştir (Mahesh 2020).

şekil 1.3 girecek

Şekil 1.3. Denetimli sınıflandırma modelinin çalışma akış şeması (Mandal ve Bhattacharya 2020). Denetimsiz Makine Öğrenmesi Algoritmaları Denetimsiz öğrenme, herhangi bir dış denetim olmaksızın (denetimli öğrenmede olduğu gibi) verilerin doğal yapısını ortaya çıkarmaya yardımcı olan önemli bir öğrenme algoritmaları sınıfıdır. Tipik bir denetimsiz öğrenme probleminin amacı, öncelikle kümeleme olarak adlandırılan bir grup örnekteki benzerliği keşfetmek, yoğunluk tahmini olarak bilinen veri dağılımını belirlemek veya alt uzay öğrenme kategorisine giren bir boyutsal azaltma yapmaktır (Tyagi ve ark 2022). Denetimsiz öğrenme teknikleri etiketsiz veri kümeleri arasındaki benzerlikleri belirler ve örnek verileri arasındaki benzerliklere göre farklı kümelerde gruplandırır. Denetimli öğrenmenin aksine, denetimsiz öğrenmenin girdileri ve denetleyicileri ile ilişkili bir çıktısı yoktur. Denetimsiz öğrenmede performans, denetimli öğrenmeye kıyasla genellikle öznel ve alana özgüdür. Denetimsiz öğrenme teknikleri genel 2. GEREÇ VE YÖNTEM 2.1. Gereç Bu çalışmada veteriner hekimliği alanında AI ile ilgili güncel literatürü keşfetmek için Clarivate Analytics’in veri tabanı WoS (Philadelphia, PA, United States) kullanılmıştır. WoS ve Elsevier’in Scopus’u en büyük veri tabanlarıdır. Her iki veri tabanı da yayın etiğine uygun çalışmaları kapsamaktadır (Merigó ve Yang 2017). Bu veri tabanlarında veteriner hekimlik alanında AI çalışmaları için yapılan literatür taramasında Scopus ve WoS’ta filtreleme ile sırasıyla 212 ve 467 yayın elde edilmiştir (Şekil 2.1).

şekil 2.1 girecek

Şekil 2.1. Bu çalışma için yayın seçim süreci. Şekil 3.7’de AI alanında ülkelere ait işbirliği ağı verilmiştir. Ağdaki düğümlerin büyüklüğü ülkelerin yayın sıklığını göstermektedir. Ağdaki 48 ülke 12 kümeli bir yapı oluşturmaktadır. Aynı kümedeki ülkeler birlikte daha fazla yayın yapma eğilimindedir. Ağ incelendiğinde en fazla işbirliğinin ABD ve Çin’in bulunduğu kümelerde olduğu görülmektedir. Ayrıca bu 2 kümedeki en etkin ülkeler yine ABD ve Çin olduğu tespit edilmiştir. Bağlantı sayısı ve toplam bağlantı gücü dikkate alındığında ABD, Çin, Birleşik Krallık ve Kanada işbirliği ağının etkin ülkeleri olarak karşımıza çıkmaktadır.

şekil 3.7 girecek

Şekil 3.7. Ülkeler arası işbirliği haritası. sorumlu yazarların ülkelerine ait işbirliği grafiği verilmiştir. En fazla uluslararası işbirliğine sahip ülke ABD olurken, MCP oranı toplam yayının %37,5’ini oluşturmaktadır. Avustralya ise yayın sayısına göre onuncu sırada yer alırken, MCP oranına göre ilk sırada yer almaktadır.