=Paper=
{{Paper
|id=Vol-1980/UYMS17_paper_84
|storemode=property
|title=Saglik Bilimleri Turkce Derlemi(Turkish Corpus on Health Sciences)
|pdfUrl=https://ceur-ws.org/Vol-1980/UYMS17_paper_84.pdf
|volume=Vol-1980
|authors=Memduh Cagri Demir,Mehmet Kamil Sulubulut,Atilla Aral
|dblpUrl=https://dblp.org/rec/conf/uyms/DemirSA17
}}
==Saglik Bilimleri Turkce Derlemi(Turkish Corpus on Health Sciences)==
https://ceur-ws.org/Vol-1980/UYMS17_paper_84.pdf
Sağlık Bilimleri Türkçe Derlemi
Memduh Çağrı Demir1 , Mehmet Kamil Sulubulut1
ve Atilla Aral2
1
Yonca Teknoloji, Ankara, Türkiye
{cagri.demir,kamil.sulubulut}@yt.com.tr
http://www.yt.com.tr
2
Ankara Üniversitesi Tıp Fakültesi, Ankara, Türkiye
aral@medicine.ankara.edu.tr
Özet. Günümüzde veri madenciliği ve yapay öğrenme alanlarındaki ge-
lişmeler nedeniyle verinin önemi her geçen gün artmakta ve geliştirilen
yazılımlar farklı kaynaklardan alınan verilere dayalı olmaktadır. Dilbilim
alanında yapılan çalışmalar sayesinde, yazılımlar doğal dilden oluşan ver-
ileri de işleyebilmektedir. Doğal dil işlemek için kullanılan yöntemlerden
birisi derlem bazlı (İng. corpus based ) doğal dil işleme yöntemleridir.
Bu çalışmada, özellikle sağlık bilimleri alanında yapılacak çalışmalarda
kullanılmak üzere oluşturulan bir Türkçe derlem anlatılmıştır. Derlem
kelime kökü (İng. lemma), sözcük türü etiketleri (İng. part-of-speech
tags) ve kelimelerin morfolojik analizi bilgilerini içermektedir. Derlem
oluşturulurken çevrimiçi olarak ulaşılabilen ve sağlık bilimleri alanında
yayımlanan açık erişimli akademik dergiler kullanılmıştır. Oluşturulan
sağlık bilimleri derleminin kapsamı ulusal sağlık bilimleri veri tabanı ile
karşılaştırılarak ölçülmüştür. Derlem akademik çalışmalarda kullanılmak
üzere bu bildirinin kaynak gösterilmesi şartıyla tüm araştırmacıların kul-
lanımına açıktır.
Anahtar Kelimeler: Türkçe derlem; sağlık bilimleri Türkçe derlemi;
Türkçe dil işleme
Turkish Corpus on Health Sciences
Abstract. Recently as a result of developments in data mining and
machine learning fields, data becomes more important day by day and
developed softwares rely on data collected from different sources. With
the help of studies conducted in linguistics, softwares are now capable
of processing natural language. Corpus based methods are one of the
methods of natural language processing. In this work, a Turkish corpus
aimed to be used in medical researches is introduced. The created Turkish
corpus consists of lemmas, part of speech tags and morphological analysis
of each word. Corpus contains only publicly available academic journals
published in health sciences. Coverage of corpus is measured against the
304
national health sciences database. Corpus is available for all researchers
provided that this report is cited.
Keywords: Turkish corpus; health sciences Turkish corpus; Turkish
language processing
1 Giriş
Derlem, dil bilimlerinde belirli bir amaç için yapılandırılmış kelimelerden oluşan
genellikle elektronik olarak saklanan bir kelimeler bütünüdür. Genel amaçlı ve
özel amaçlı olmak üzere iki kategoriye ayrılan derlemler özellikle dilbilim çalış-
malarında aktif olarak kullanılmaktadırlar. Türkçe için oluşturulmuş derlem-
leri incelediğimiz zaman var olan çevrimiçi Türkçe derlemlerin çoğunlukla genel
amaçlı olduğunu görüyoruz. [1]
Doğal dil işleme çalışmalarının her alanda olduğu gibi sağlık bilimleri alanın-
da da gelişmesi sonucunda, sağlık bilimleri alanında güncel bir Türkçe derlem
oluşturma gerekliliği ortaya çıkmıştır. Bu çalışmada sağlık bilimleri alanında
yapılacak Türkçe doğal dil işleme çalışmalarında kullanılmak üzere oluşturulan
bir derlem anlatılmaktadır. Oluşturulan derlemin gelecekte yapılacak Türkçe
doğal dil işleme çalışmaları için bir temel oluşturacağı ve yapılacak çalışmaları
kolaylaştıracağı düşünülmektedir.
Sağlık bilimleri Türkçe derlemi oluşturulurken doğal dil işleme aracı olarak
Zemberek-NLP kütüphanesinden faydalanılmıştır. Zemberek-NLP kütüphanesi,
JAVA diliyle yazılmış, açık kaynak kodlu bir Türkçe doğal dil işleme kütüphane-
sidir. 2005 yılında 4. Linux ve Özgür Yazılım şenliğinde yılın en iyi özgür yazılımı
ödülünü almıştır. Proje başlangıcında bir Türkçe imla denetim kütüphanesi
olarak geliştirilmesine karşın günümüzde imla denetimine ek olarak morfolojik
analiz (İng. morphological analysis), belirsizlik giderme (İng. disambiguation),
dizgeciklere ayırma (İng. tokenization), cümle sınırları tespiti (İng. sentence
boundary detection) ve dil tanıma (İng. language detection) işlemlerini yapa-
bilmektedir. Zemberek projesi aktif olarak geliştirilmeye devam edilmektedir. [2]
Zemberek doğal dil işleme kütüphanesine ek olarak, derlem içindeki kelime-
lerin morfolojik analiz işlemi için açık kaynak kodlu TRmorph kütüphanesinden
ve dil tespiti için Google tarafından geliştirilen açık kaynak kodlu Compact Lan-
guage Detector kütüphanesinden yararlanılmıştır. TRmorph kütüphanesi C dili
ile yazılmış, 2007 yılından beri geliştirilmeye devam edilen bir kütüphanedir.
[3] Dil tespiti için tercih edilen Compact Language Detector kütüphanesi ise 83
farklı dili olasılık tabanlı yöntemlerle tespit edebilmektedir. [4]
2 Derlemin Hazırlanması
Bu çalışmada anlatılan Sağlık Bilimleri Türkçe Derlemi, tamamı internet üz-
erinden erişilebilir olan akademik dergi web sitelerinden alınan makalelerden
oluşmaktadır. Derlem, sağlık bilimleri alanında yayımlanan 94 farklı derginin
305
arşivlerinden oluşturulmuştur. Dergilerin arşivleri hazırlanan bir betik ile çözüm-
lenmiş ve dergilerin sitesindeki makalelerin tam metin dosyaları indirilmiştir. İn-
dirilen tam metin dosyalarının içindeki metinler çıkartılmış, çıkarılan metinlerin
dili tespit edildikten sonra yalnızca Türkçe olan makaleler kullanılmıştır. Çı-
kartılan metinler açık kaynak kodlu bir yazılım olan Zemberek kütüphanesinin
cümle analiz motoru kullanılarak cümlelere ayrılmıştır. Elde edilen cümleler
sözcük türü işaretleme (İng. part-of-speech tagging) işlemiyle işaretlenmiş ve ke-
limelerin kelime kökleri bulunmuştur. Sözcük türü işaretleme işlemine ek olarak
kelimelerin morfolojik yapıları TRmorph kütüphanesiyle tespit edilmiş ve der-
leme eklenmiştir.
Şekil. 1. Derlemin hazırlanma aşamaları.
Derlemin hazırlanması aşamasında yapılan tüm işlemler Şekil 1’de özetlen-
miştir.
2.1 Makale Dosyalarının İndirilmesi
Sağlık Bilimleri Türkçe Derlemi, sağlık bilimleri alanında DergiPark’ta açık er-
işimli olarak Türkçe yayımlanan dergiler arasından seçilen 94 derginin internet
sitelerinde bulunan arşivlerinden alınan 12.930 makale kullanılarak oluşturul-
muştur. Derlem hazırlanırken kullanılan dergilerin listesi Ek A’da verilmiştir.
Dergilerin arşiv sayfaları dergilere özel hazırlanan betikler kullanılarak çözüm-
lenmiş, dergilerin arşivlerinde bulunan tüm makalelerin tam metin dosyaları in-
dirilmiştir. İndirilen tam metin dosyalarının dosya formatları kontrol edilmiş,
306
sadece PDF formatında olan tam metin dosyaları kullanılarak derlem hazırlan-
mıştır.
2.2 Makale Dosyalarının İşlenmesi
Sağlık bilimleri alanında yayımlanan dergilerin arşivlerinde bulunan makaleleri-
nin PDF formatındaki tam metin dosyaları indirildikten sonra bu dosyalar önce-
likle Poppler araçları kullanılarak, işlenebilir XML formatına dönüştürülmüştür.
Oluşturulan XML metin dosyalarının içindeki bilgiler hazırlanan betikler ile
çıkartılmıştır. XML formatındaki tam metin dosyasının orta sayfalarından alınan
örnekler kullanılarak makalenin dil tespiti yapılmış, Türkçe olmayan dosyalar
ayıklanmıştır.
Türkçe olduğu tespit edilen tam metin dosyalarından oluşturulan XML dos-
yaları, PHP diliyle hazırlanmış betikler yardımıyla işlenmiş ve makale sayfaların-
daki sayfa üst yazıları ile sayfa alt yazıları bu yazıların diğer sayfalarda da tekrar
etmesi göz önüne alınarak silinmiştir. Bu işleme ek olarak, makale içinde bulu-
nan ancak kurallı cümle yapısında olmadığı için doğal dil işleme aşamalarında
hatalı sonuçlar oluşturacak ve makale dili Türkçe olmasına rağmen farklı dillerde
ögeler barındırabilecek bölümler (örn. kaynakça bölümü ve tüm dillerdeki özet ve
anahtar kelime bölümleri) de silinmiştir. İşlemler sonucunda makalelerin içindeki
tüm ek yazıların silinmesi sadece makale metninin derleme eklenmesi amaçlan-
mıştır.
2.3 Derlemin Oluşturulması
Önceki bölümde anlatılan şekilde ayıklanan metinler, açık kaynak kodlu bir
yazılım olan Zemberek doğal dil işleme kütüphanesi kullanılarak cümlelerine
ayrılmıştır (İng. sentence boundary detection). Elde edilen cümleler içindeki ke-
limelere Zemberek-NLP kütüphanesi kullanılarak sözcük türü işaretleme işlemi
ve kelime kökü belirleme işlemleri yapılmıştır. Zemberek kütüphanesinden alı-
nan çıktıların doğruluğunun yükseltilmesi amacıyla, kütüphaneye dahil olan sö-
zlüklere ek olarak İngilizce-Türkçe tıp terimleri sözlüğü çalışma sırasında Zem-
berek’e eklenmiştir. Sözcüklerin morfolojik analizi için açık kaynak kodlu olan
TRmorph kütüphanesi kullanılmıştır. Alınan sonuçlar birleştirilmiş ve Sağlık
Bilimleri Türkçe Derlemi oluşturulmuştur.
Derlem içinde cümleleri oluşturan kelimelerin ham hali, kelimelerin kökü,
cümle içindeki görevi ve morfolojik detayları yer almaktadır. Kelime kökleri,
kelimelerin cümle içindeki görevi ve kelimelerin morfolojik detayları seçilirken
cümle içinde belirsizlik analizi yapılmış, seçilen değerler belirsizlikler çözüm-
lendikten sonra derleme alınmıştır. Derlem içinden örnek bir kısım Tablo 1’de
gösterilmiştir.
Sağlık Bilimleri Türkçe Derlemi’nde bu kapsamda 23.271.623 öge bulunmak-
tadır. Çalışma kapsamında oluşturulan Türkçe derlem akademik çalışmalarda
kullanılmak üzere bu bildirinin kaynak gösterilmesi kaydıyla erişime açıktır. Der-
lemi kullanmak için yapılması gereken işlemler sonraki bölümde açıklanmıştır.
307
Kelime Kök Görev Morfoloji
pansitopeni pansitopeni Noun
genellikle genellikle Adverb genel<0>
yoğun yoğun Adjective yoğun
kemik kemik Noun kemik
iliği ilik Noun i<0>
fibrozisi fibrozis Noun
ile ile Conjunction i<0>
ilişki<0>
ilişkilidir ilişki Verb
<0><3s>
Tablo. 1. Sağlık Bilimleri Derlemi içinden bir bölüm.
3 Derlem Kapsamı Testi
Derlem bazlı yapılan dilbilim çalışmalarında kullanılan derlemler aracılığıyla
dilin kullanımı ile ilgili olarak çıkarımlar yapılabilse de, yapılacak çıkarımların
doğru olması için kullanılan derlemlerin dil dağarcığını kapsama oranı yüksek ol-
malıdır. [5] Bu nedenle, oluşturulan derlemin kapsamının yüksek olması amaçlan-
mıştır.
Bu çalışmada oluşturulan derlemin kapsamının tespiti için Türkiye sağlık
bilimleri ulusal veri tabanından rastgele alınmış 198 makale ile kapsam testi
yapılmıştır. Ulusal sağlık bilimleri veri tabanından alınan makalelere derlemi
oluştururken yapılan ön işlemler (İng. preprocess) uygulanmış, elde edilen ke-
limeler hem oluşturulan derlem içinde hem de Türkçe Vikisözlük içinde aran-
mıştır. Kapsam testi sonucunda, bu çalışmada anlatılan sağlık bilimleri derlem-
inin ulusal sağlık bilimleri veri tabanından alınan 198 makale içindeki 310.871
kelimenin %88’ini kapsadığı tespit edilmiştir. İnternetten erişilebilen, 328.409 ke-
lime içeren güncel bir Türkçe sözlük olan Vikisözlük’ün ise aynı test verisinin
ancak %58’ini kapsadığı görülmüştür.
Gerçekleştirilen karşılaştırmalı kapsam testi sonucunda çalışmanın çıktısı olan
derlemin sağlık bilimleri alanında, genel maksatlı güncel bir Türkçe sözlüğe
kıyasla %52 oranında daha geniş kapsama sahip olduğu gözlenmiştir.
4 Derlemin Kullanılması
Derlemi kullanmak isteyen araştırmacıların isimlerini, unvanlarını, kurumlarını
ve yapılacak çalışmanın amacını acikveri@yt.com.tr e-posta adresine bildirmeleri
gerekmektedir. Oluşturulan derlemin anasayfası http://acikveri.yt.com.tr/
saglik/derlem olarak belirlenmiştir.
5 Sonuçlar
Bu çalışma kapsamında, sağlık bilimleri alanında yapılan akademik çalışmalar-
dan oluşan 23.271.623 tekrarlı öge içeren bir derlem oluşturulmuştur. Oluştu-
308
rulan derlemde yer alan ögeler kelime köklerine veya sözcük türü etiketine göre
tekilleştirilmemiş, tüm ögeler alınan kaynakta geçtiği haliyle derleme eklenmiştir.
Derlem kelime kökü (İng. lemma), sözcük türü etiketleri (İng. part-of-speech
tags) ve kelimelerin morfolojik analizini içermektedir. Oluşturulan derlem özel-
likle sağlık bilimleri alanında yapılacak çalışmalar olmak üzere tüm akademik
çalışmalarda bu bildiri kaynak gösterilerek kullanılabilir.
Notlar: Bu çalışma Yonca Teknoloji’nin TÜBİTAK 1507 KOBİ ArGe
başlangıç destek programı altında desteklenen 7160877 numaralı projesi
kapsamında gerçekleştirilmiştir.
Kaynaklar
1. Karaoğlu, S.: Türkçe Çevirimiçi Derlemler Üzerine. KMÜ Sosyal ve Ekonomik
Araştırmalar Dergisi. 16, 181–188 (2014)
2. Zemberek-NLP Projesi Github Sayfası, https://github.com/ahmetaa/
zemberek-nlp
3. Çöltekin Ç.: A Freely Available Morphological Analyzer for Turkish In Proceedings
of the 7th International Conference on Language Resources and Evaluation (2010)
4. Compact Language Detector 2 Github Sayfası, https://github.com/CLD2Owners/
cld2
5. Biber, D.: Representativeness in Corpus Design. Literary and Linguistic Computing.
8(4), 243–257 (1993)
Ek A Derlemde Kullanılan Dergiler
Dergi Adı Makale Sayısı
Atatürk Üniversitesi Diş Hekimliği Fakültesi Dergisi 709
Acta Odontologica Turcica 696
Dicle Tıp Dergisi 683
Ege Tıp Dergisi 539
Turgut Özal Tıp Merkezi Dergisi 520
Türk Pediatri Arşivi 507
Journal Of Anatolia Nursing And Health Sciences 490
Fırat Tıp Dergisi 444
Süleyman Demirel Üniversitesi Tıp Fakültesi Dergisi 372
Kocatepe Tıp Dergisi 361
Journal Of Experimental And Clinical Medicine 307
Çukurova Üniversitesi Tıp Fakültesi Dergisi 305
Cumhuriyet Medical Journal 300
Akademik Gastroenteroloji Dergisi 296
Cerrahpaşa Tıp Dergisi 277
Ondokuz Mayıs Üniversitesi Diş Hekimliği Fakültesi Dergisi 268
309
Ankara Üniversitesi Tıp Fakültesi Mecmuası 268
Florence Nightingale Hemşirelik Dergisi 258
Journal Of Istanbul University Faculty Of Dentistry 254
Journal Of Contemporary Medicine 224
Konuralp Tıp Dergisi 218
Tıp Eğitimi Dünyası 209
Mustafa Kemal Üniversitesi Tıp Dergisi 205
İstanbul Tıp Fakültesi Dergisi 203
Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi 190
Zeynep Kamil Tıp Bülteni 189
Balkan Medical Journal 185
Cumhuriyet Dental Journal 178
Sakarya Tıp Dergisi 173
Süleyman Demirel Üniversitesi Sağlık Bilimleri Dergisi 163
Marmara Medical Journal 144
Hacettepe Üniversitesi Hemşirelik Fakültesi Dergisi 141
Kırıkkale Üniversitesi Tıp Fakültesi Dergisi 132
Dokuz Eylül Üniversitesi Tıp Fakültesi Dergisi 131
Ankara Medical Journal 124
Acta Oncologica Turcica 119
Yoğun Bakım Hemşireliği Dergisi 119
Osmangazi Tıp Dergisi 117
Türk Onkoloji Dergisi 109
Gaziantep Medical Journal 108
Göğüs-Kalp-Damar Anestezi Ve Yoğun Bakım Derneği Dergisi 105
Clinical And Experimental Health Sciences 102
International Journal Of Basic And Clinical Medicine 93
Marmara Pharmaceutical Journal 92
Türk Fizyoterapi Ve Rehabilitasyon Dergisi 89
Sağlık Bilimleri Ve Meslekleri Dergisi 84
Koşuyolu Kalp Dergisi 73
Bozok Tıp Dergisi 70
İstanbul Bilim Üniversitesi Florence Nightingale Tıp Dergisi 69
Medicine Science 67
Selcuk Dental Journal 59
Ordu Üniversitesi Tıp Dergisi 55
Celal Bayar Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi 53
Atatürk Üniversitesi Tıp Dergisi 48
Erciyes Üniversitesi Sağlık Bilimleri Fakültesi Dergisi 44
Uluslararası Klinik Araştırmalar Dergisi 44
Mersin Üniversitesi Sağlık Bilimleri Dergisi 44
Cumhuriyet Hemşirelik Dergisi 44
310
Mehmet Akif Ersoy Üniversitesi Sağlık Bilimleri Enstitüsü Der- 41
gisi
Turkish Journal Of Clinics And Laboratory 38
Anadolu Kliniği Tıp Bilimleri Dergisi 32
Medical Sciences 31
Deneysel Tıp Araştırma Enstitüsü Dergisi 30
Düzce Üniversitesi Tıp Fakültesi Dergisi 25
İstanbul Bilim Üniversitesi Florence Nightingale Transplanta- 22
syon Dergisi
Journal Of Medical Updates 21
İzmir Katip Çelebi Üniversitesi Sağlık Bilimleri Fakültesi Dergisi 20
Online Türk Sağlık Bilimleri Dergisi 20
Adıyaman Üniversitesi Sağlık Bilimleri Dergisi 18
Ortadoğu Tıp Dergisi 18
Turkish Journal Of Family Medicine And Primary Care 17
Nefroloji Hemşireliği Dergisi 15
Aile Hekimliği Ve Palyatif Bakım 13
Samsun Sağlık Bilimleri Dergisi 13
Sürekli Tıp Eğitimi Dergisi 9
Pediatric Practice And Research 9
Prusias Tıp Dergisi 8
Acta Medica Alanya 7
Archives Of Clinical And Experimental Medicine 6
Kahramanmaraş Sütçü İmam Üniversitesi Tıp Fakültesi Dergisi 6
European Journal Of Health Sciences 6
Balıkesir Medical Journal 5
Namık Kemal Tıp Dergisi 5
Güncel Dermatoloji Dergisi 4
Gazi Sağlık Bilimleri Dergisi 4
Tıp Araştırmaları Arşivi 3
Turkish Journal Of Medical Sciences 3
Medical Genetics 3
Journal Of Anatolian Medical Research 2
Ankara Eğitim Ve Araştırma Hastanesi Tıp Dergisi 2
Ege Üniversitesi Hemşirelik Fakültesi Dergisi 1
Erciyes Üniversitesi Sağlık Bilimleri Dergisi 1
İbni Sina Tıp Bilimleri Dergisi 1
Gazi Üniversitesi Diş Hekimliği Fakültesi Dergisi 1
Toplam 12930
Tablo. A.1. Sağlık Bilimleri Derlemi oluşturulurken kullanılan dergilerin listesi.
311