Sosyal Medya Veri Madenciliği

İletişim öğrencilerinin modern dijital gazetecilik gereksinimlerine uyum sağlaması amacıyla; bu ders, kod yazmadan (no-code araçlarla) internetteki büyük verileri elde etme, temizleme, analiz etme ve anlamlandırma süreçlerini kapsamaktadır. Yapay zeka asistanları ve otomasyon araçları kullanılarak verilerin nasıl haberleştirileceği uygulamalı örneklerle gösterilecektir.

Ders kapsamında açık veri kaynakları (TÜİK vb.), tarayıcı eklentileriyle veri kazıma (scraping), Google Sheets ile veri temizleme, LLM’ler (ChatGPT/Claude) ile analiz ve n8n ile veri otomasyonu konuları ele alınacaktır. Öğrenciler veriyi elde etmekten onu görsel bir habere dönüştürmeye kadar olan tüm süreçleri yönetecektir.

Bu dersi başarıyla tamamlamak için aşağıdaki koşulları yerine getirmeniz gerekmektedir:

• Katılım herkes için zorunludur. Uygulamalı atölye yapısı nedeniyle katılım oranı en az %70 olmalıdır. Devam sınırını aşanlar, dersten kalırlar.
• Uygulamalı Görevler ve Vize: Haftalık laboratuvar çalışmalarını ve vize projesini (açık veriden haber üretimi) teslim etmelisiniz. Bu çalışmalar final notunuzun %50’sini oluşturur.
• Final Veri Dosyası: Kendi belirlediğiniz bir konuda kazınmış, temizlenmiş, otomatize edilmiş ve görselleştirilmiş bir “Veri Haberi/Raporu” hazırlamalısınız. Bu dosya final notunuzun %50’sini oluşturacaktır.

Ders kapsamında ezbere dayalı sınavlar yerine, sınıf içi atölye çıktıları ve projelere odaklanılacaktır.

• Uygulamalar ve Ara Ödevler %20
• Vize (Uygulamalı Sınıf İçi Sınav) %30
• Final Projesi %50

Sosyal Medya Veri Madenciliği dersi, 1 Saat Kavramsal Teori + 2 Saat Uygulamalı Atölye blok formatında işlenecektir. Teoride öğrenilen kazıma, otomasyon veya analiz araçları; ders saatleri içerisinde laboratuvar ortamında anında test edilecek ve yaşanabilecek teknik sorunlar eğitmen gözetiminde sınıfta çözülecektir.

• Veri Okuryazarlığı: Açık veri formatlarını (CSV, Excel, JSON) anlama ve yığın halindeki karmaşık verileri yapılandırılmış bilgiye dönüştürebilme.
• Kodsuz Veri Toplama: Tarayıcı eklentileri (Instant Data Scraper, Web Scraper vb.) kullanarak statik ve dinamik web sitelerinden yasal sınırları içinde veri kazıyabilme.
• Yapay Zeka Asistanlığı: Geleneksel metin madenciliği yerine Büyük Dil Modellerini (LLM) veri temizleme ve duygu analizi süreçlerinde doğru promptlarla (komutlarla) kullanabilme.
• Veri Hikayeciliği ve Otomasyon: Elde edilen verileri otomasyon araçlarıyla (n8n) sürekli güncel tutabilme ve Flourish gibi araçlarla gazetecilik standartlarında görselleştirebilme.

Devam ve Atölye Disiplini: Yoğun bilgisayar laboratuvarı temelli yapı nedeniyle derse katılım zorunludur.

Üretken Yapay Zeka (AI) Politikası:
Öğrenciler; veri setlerindeki hataları ayıklamak, boşlukları temizlemek veya ham verilerden analitik trendler bulmak için yapay zeka araçlarını (ChatGPT, Claude, Gemini vb.) özgürce kullanabilirler. Ancak verilerin doğrulanması, analiz sonuçlarının iletişimsel bağlama oturtulması ve haber raporunun nihai dili öğrenciye ait olmalıdır. Yapay zeka tarafından doğrudan yazdırılmış, kaynağı doğrulanmamış (“halüsinasyon” içeren) veriler intihal sayılarak akademik disiplin sürecine tabi tutulacaktır.

Veri Gizliliği, Kazıma Etiği ve Yasal Sorumluluklar:
Derste öğretilecek kazıma (scraping) ve API kullanım teknikleri yalnızca akademik araştırma ve gazetecilik pratikleri içindir.

• Kişisel verilerin (KVKK/GDPR kapsamında) rıza dışı toplanması, hedeflenmesi veya yayınlanması kesinlikle yasaktır.
• Uygulamalarda hedef alınan web sitelerine zarar verecek DDoS benzeri aşırı veri taleplerinden (rate limit ihlalleri) kaçınılması zorunludur.
• Bu etik ve yasal kuralları ihlal eden çalışmalar değerlendirmeye alınmayacaktır.

Google Dataset Search (Veri Arama)

TÜİK Veri Portalı

n8n Otomasyon Aracı

Flourish Veri Görselleştirme

Haftalık Ders Programı

• 1. Hafta:Veri Gazeteciliğine Giriş ve Veri Okuryazarlığı
  Teori & Uygulama: Dijital veriler nasıl birikir? TÜİK, Veri Kaynağı vb. yerlerde arama ve CSV/Excel dosyalarını tanıma.
• 2. Hafta:Tablo Düzenleme (Google Sheets ile Temizlik)
  Pratik 1Görev: İndirilen kirli verileri Google Sheets’e aktarma, sütun ayıklama, boşluk temizleme ve sıralama yapma.
• 3. Hafta:Tek Tıkla Veri Kazıma (Statik Sayfalar)
  Pratik 2Görev: Instant Data Scraper eklentisiyle Vikipedi tablolarını veya eticaret listelerini tek tıkla CSV olarak bilgisayara çekme.
• 4. Hafta:Dinamik Web Sitelerini Kazıma
  Pratik 3Görev: Web Scraper kullanarak çok sayfalı (pagination) bir haber sitesinin arşivini veya forum başlıklarını kural belirleyerek kazıma.
• 5. Hafta:Yığın Veriden Haber Çıkarmak (Yapay Zeka Kullanımı)
  Pratik 4Görev: Kazınan CSV verisini ChatGPT/Claude’a yükleyerek, doğru promptlarla en çarpıcı 3 trendi bulup haber sporu yazma.
• 6. Hafta:Vize Projesi Teslimi
  Vize TeslimiBelirlenen okuda hazır veri kullanarak, veri temizleme ve AI ile analiz edip kısa rapor metni teslim etme.
• 7. Hafta:Otomasyon Mantığı ve n8n’e Giriş
  Pratik 5Görev: Tetikleyici (Trigger) ve Eylem (Action) mantığıyla tanışma; n8n arayüzünde ilk basit otomasyon senaryosunu (workflow) oluşturma.
• 8. Hafta:Haber ve Söylem Takibi (RSS Otomasyonu)
  Pratik 6Görev: n8n üzerinden farklı haber kaynaklarının RSS akışlarını çekip, anahtar kelime filtresiyle Google Sheets’e otomatik veritabanı yazdırma.
• 9. Hafta:Etkileşimli Veri Görselleştirme – 1
  Pratik 7Görev: Flourish Studio kullanarak veri setlerine en uygun statik grafikleri (Pasta, Çizgi vb.) tasarlama ve yanıltıcı grafik tuzaklarından kaçınma.
• 10. Hafta:Etkileşimli Veri Görselleştirme – 2
  Pratik 8Görev: Flourish ile dinamik grafikler (Bar Chart Race, Isı Haritaları) oluşturma ve elde edilen embed (gömme) kodlarını habere entegre etme.
• 11. Hafta:Final Projesi Atölyesi (Sınıf İçi Çalıştay)
  Pratik 9Görev: Sınıf içi danışmanlık. Yeni konu işlenmez; öğrenciler final projeleri için verilerini kazır ve görselleştirir, hata ayıklama yapılır.
• 12. Hafta:Final Proje Teslimi
  Proje Teslimi–