Bu proje, esas olarak, adalete erişimin önündeki engellerin kaldırılması, hukuki güvenlik ve belirliliğin geliştirilmesi ve hukuk uygulayıcılarının karşılaştığı pratik problemlerin çözülmesinin, yapay zekâ teknolojilerinin kullanılması suretiyle oluşturulacak yardımcı araçların hukuk alanında istihdam edilmesi suretiyle mümkün olabileceği tezinden hareket etmektedir. Bu projenin genel amacı, kanun yapıcının sosyal devlet anlayışı gereği halkın güvenliği, refahı, yaşam standardının yükseltilmesi ve huzuru için yapacağı kamu inşaat işlerinde yaşanan anlaşmazlıkların resmi yargıya intikal etmeden ya da birinci derece mahkemelere ulaştığında kısa sürede kalıcı çözüm üretebilmesini sağlamaktır. Bu projenin hedefi, Yargıtay 6. Hukuk Dairesi’nin vermiş olduğu geçmiş yıllara ait kararların belirli değişkenlere göre incelenmesi ve verilerin toplanması sağlanarak makine öğrenmesi yöntemleri ile bir model geliştirilmesidir. Geliştirilecek bu model sayesinde inşaat anlaşmazlıklarının tarafları yargılama süreci tamamlanmadan kazanan/kaybeden taraf bilgisine ulaşarak olası sonuçlardan haberdar olacaktır. Bu şekilde gerek işveren/idare, gerekse yüklenici/müteahhit paydaşlarının maddi ve manevi kayıplarının önüne geçilmesi hedeflenmektedir. Bu projenin spesifik amacı ise, Yargıtay’ın ve Adalet Bakanlığı’nın iş yükünün azaltılmasına ve imajının güçlendirilmesine katkıda bulunmaktır.
  Yapım işleri kapsamında yaşanan ihtilaflarda büyük maddi kayıpların önlenmesi ve kamu kurumlarının zarara uğratılmaması, ayrıca yapım işlerinin öngörülen kalite düzeyinde ve öngörülen sürede tamamlanarak kamu hizmetinin sekteye uğramaması da projenin amaçları arasında sayılabilirler. Mevcut proje önerisi; inşaat projelerinde yaşanan anlaşmazlıkların anatomisinin çıkartılarak ve makine öğrenmesi modelleri kullanılarak, tespit edilen tüm anlaşmazlıkların erken tespiti ve çözümüne yönelik bir çabadır. Bu kapsamda, projenin temel amacı, inşaat sektöründeki paydaşların, Yerel Mahkeme ve Yargıtay'a başvuru sürecinden önce ve sonra, oluşturulacak “İnşaat Anlaşmazlıkları Karar Tahmin Motoru” (İNAKTAM) sayesinde her sürecin olası sonuçlarının önceden öngörülmesi sağlamaktır.
  Bu amaçlar çerçevesinde, yüksek tahmin kapasitesine sahip yapay zekâ temelli bir algoritma kurmak ve bunu çevrimiçi ücretsiz bir platformda herkesin kullanımına sunmak hedeflenmektedir. Her ne kadar mahkeme kararlarının tahmin edilmesine yönelik çalışmalar literatürde mevcut ise de bu proje gerek kullandığı yöntem gerekse ortaya koyduğu ürün ve bu ürün vesilesiyle elde edilebilecek faydaları yönünden diğer çalışmalardan ayrılmakta ve özgün yönünü ortaya koymaktadır.

ULUSAL KAZANIMLAR, TOPLUMSAL VE KAMUSAL FAYDA POTANSİYELİ

  Medeniyetlerin barınma, depolama ve üretme faaliyetleri için mekânlar inşa etmesi, insanoğlunun tarihte varoluşundan beri süregelen bir eylemdir. Mekân inşa etme çabası sosyolojik, antropolojik, edebi ve hukuksal değişimleri beraberinde getirmiştir. Mekânların inşası; toplumda aidiyet ve mülkiyet kavramlarının meydana gelmesine, bununla birlikte taraflar arasında anlaşmazlıkların ve çatışmaların oluşmasına neden olmuştur. İnsanlar arasındaki çıkar çatışmaları ve olası sonuçları ile beşerî bilimlerden hukuk bilimi meydana gelmiştir. İnşaat faaliyetlerinde taraflar arasında meydana gelen anlaşmazlık ve çatışmaların sonuçları büyük maddi ve manevi kayıplar doğurmaktadır. Bu kayıpların giderilebilmesi için yapılan araştırmaların temelinde tekrarlanabilir ve doğrulanabilir yöntemler ve deneyler yoluyla genel yasaları türetme güdüsü yatmaktadır. Fakat bu güdü, inşaat ve hukuk bilimlerinin kesişim noktası olan inşaat ihtilaflarının anlaşılmasında ve önlenmesinde yetersiz kalmaktadır. Bundan dolayı inşaat anlaşmazlıklarının anlaşılması için hukuk bilimi ile veri toplanması ve nitel araştırma yöntemleri kullanılarak analiz yoluyla durum tespiti çalışmaları yapılacaktır. Yapılacak çalışma ile politika geliştirme süreçlerine bilimsel temel sağlanması amaçlanmaktadır. Elde edilecek bulgular ile makine öğrenmesi yöntemleri kullanılarak, anlaşmazlıkların önceden tespitini mümkün kılan modeller geliştirilmesi planlanmaktadır. Elde edilen bulgular ışığında inşaat mühendisliği, mimarlık, işletme ve hukuk bilimlerine yenilikçi katkılar yapacak yöntemler, yaklaşımlar ve yorumların geliştirilmesi planlanmaktadır.
  Ülkemizdeki kamu inşaat projelerinin gerçekleştirilmesi kapsamında; 4734 sayılı Kamu İhale Kanunu (2003), 4735 sayılı Kamu İhale Sözleşmeleri Kanunu (2003), Yapım İşleri Genel Şartnamesi (2003) ve Yapım İşleri İhaleleri Uygulama Yönetmeliği (2009), kanun yapıcı tarafından kullanılan başlıca yasal düzenlemelerdir. Planlanan proje çalışmasının; bahsi geçen yasal düzenlemelerin geliştirilmesi, eksikliklerinin giderilmesi ve revize edilmesi bağlamında destek teşkil edebileceği düşünülmektedir.
  11. Kalkınma Planı (2019-2023) kapsamında da özel ihtisas komisyonu, inşaat sektörüne has sorunları ele almıştır. Tespit edilen sorunların temelinde ‘hukuksal altyapı eksikliği’ yer almaktadır. Bu eksikliğin giderilmesi için inşaat sektörüne özel bir kanun hazırlama önerisi bulunmaktadır. 4734 sayılı Kamu İhale Kanunu yerine, inşaat sektörünün sorunlarını ve tarafların yaşadığı ihtilafları hızlı, doğru ve güvenilir olarak çözebilecek bir kanun hedeflenmektedir. Fakat 2023 yılı sonunu hedefleyen plana göre an itibarıyla bir kanun hazırlığı yapılmamıştır. İnşaat proje yönetimi, doğası gereği çok sayıda paydaşın organize ve koordine edildiği zorlu süreçlere sahiptir. Maalesef ülkemizde inşaat sektörü ve ilgili akademik bölümler arasında verimli ve sonuca yönelik iş birlikleri sağlanamamaktadır. Bu durumun temel sebebinin; yapılan bilimsel çalışmaların uygulamaya yönelik olmaması, olsa dahi gelenekçi ve mevcut alışkanlıklarından vazgeçmeyen bakış açısına sahip inşaat sektörü uygulayıcıları tarafından tercih edilmemesi olduğu düşünülmektedir. Mevcut proje önerisinin, bu açıdan bakıldığında uygulamaya yönelik etki düzeyinin de yüksek olacağı düşünülmektedir.
  İnşaat sektörü, Ülkemiz ekonomisinin lokomotif sektörü olarak bilinmektedir. 200’den fazla meslek grubuna ev sahipliği yapan inşaat sektöründe yaşanan anlaşmazlıklar, özellikle maddi ve süresel olarak büyük önem arz etmektedir. Ülkemizde kamu inşaat projeleri, maddi ve manevi kayıpların yansıra kamu hizmetinin aksatılması gibi telafisi olmayan kayıpları da barındırmaktadır. Belirtilen hedeflerin gerçekleştirilmesi ile 4734 ve 4735 sayılı kanunların ıslahı ve uygulanmasına yönelik bilimsel temelli kamu politikalarının geliştirilmesi hedeflenmektedir. Teknolojik ilerlemelerin sosyal etkilerinin ortaya konulması amacıyla, son yıllarda bilimsel çalışmalarda sıklıkla ve ilgiyle kullanılan makine öğrenmesi yöntemlerinin bu kapsamdaki uygulanabilirlikleri de incelenmiş olacaktır.
  İnşaat anlaşmazlıkların çözümünde resmi yargılama süreci; davanın açılması, karşılıklı dilekçelerin verilmesi, ön inceleme, tahkikat, tahkikatın sona ermesi/sözlü yargılama ve hüküm olarak altı temel aşamadan oluşmaktadır. Bu aşamalar, dava görülme süresinin 2019 yılı itibarıyla Asliye Hukuk Mahkemelerinde ortalama 425 gün, Asliye Ticaret Mahkemelerinde ortalama 547 gün olmasına neden olmaktadır. Mahkemelerin iş yüklerinin fazla olması, hak sahipleri için giderek artan maliyetler, büyük yatırım tutarları gerektiren inşaat işlerinde gerek devlet kurumlarını gerekse yüklenici firmaları büyük kayıplara uğratmaktadır. Bu nedenle, pratik çözümler sunabilecek yaklaşımlar gerekmektedir. Bu kapsamda, inşaat mühendisliği, yapay zekâ ve hukuk alanında uzman kişilerin bir araya gelmesiyle hazırlanacak olan işbu projenin başarıyla sonuçlandırılması hâlinde, Yargıtay ve Adalet Bakanlığı’mızın iş yükünün azaltılmasına ve bu suretle yargıya olan güvenin artırılmasına katkıda bulunulacaktır. Proje önerisinden elde edilecek çıktılar ile uygulamaya yönelik pratik karar mekanizması çözümleri geliştirilecek olup, tarafların yargı yoluna gitmeleri durumunda muhtemel sonuçları öngörmeleri ile mahkemelerin yoğun iş yüklerini de azaltacaktır. Sektörde yaşanan ihtilafların sonuçlarının önceden tahmin edilebileceği bir sistemin geliştirilmesi, ihtilaf sürecindeki tarafların maddi ve manevi kayıplarını en aza indirecektir. Buradan alınacak başarılı sonuç ile Yargıtay, Adalet Bakanlığı’nın ve diğer yargı organlarının yapısına ve işleyişine ilişkin gelecekte oluşturulacak kamu politikalarının yapay zekâ temelli dijitalleşmeye yönelmesi hedeflenmekte ve bu yolla toplumsal ve kamusal faydanın elde edilmesi beklenmektedir.

YENİLİKÇİ YÖNÜ

Anlaşmazlık, tarafların proje hedefi perspektiflerinde meydana gelen farklılıklar ve görüş ayrılıkları olarak ifade edilmektedir (Fenn vd.,1997). Bu farklılıklar hak iddialarını doğurmaktadır. Tarafların hak iddialarında sabit fikirli oluşu ve iş birliğine yanaşmamaları, anlaşmazlığın resmiyet kazanmasıyla sonuçlanmaktadır. Kamu ve özel inşaat sektöründe zaman, maliyet ve kalite kıstaslarında artan talepkârlık ve bunun yanında projelerdeki karmaşıklık ve artan rekabet koşulları, anlaşmazlıkların yaşanmasını kaçınılmaz hale getirmektedir. Özellikle artan rekabet ve azalan kar marjları zorlayıcı şartlar oluşturmaktadır. Meydana gelmesi kaçınılmaz olan anlaşmazlıkların çözümünde resmi yargı yolu sıklıkla kullanılmaktadır. Uzun süren yargılama süreçleri, gizlilik ilkesinin olmayışı, kademeli temyiz sürecinin oluşu gibi problemler, tarafların hak taleplerine ulaşmada zorluk yaşamalarına neden olmaktadır. Avrupa kıtasındaki uluslararası inşaat firmalarının yöneticileri ile yapılan bir anket çalışmasında, resmi yargılamanın inşaat sektöründe yaşanan anlaşmazlıkların çözümünde en yaygın erken çözüm olarak üçüncü sırada yer aldığı görülmektedir (Arcadis,2020). Resmi yargılama, bünyesinde tarafların olumsuzluk olarak gördüğü birçok özellik barındırsa da uluslararası inşaat sektörü paydaşları tarafından son yıllarda yeniden revaçta olan bir çözüm yolu olarak görülmektedir. Alternatif çözüm yollarının sistematik olarak hayata geçirilememesi ve kendi içlerinde barındırdığı sorunlar, alışagelmiş çözüm yolu olan resmi yargılamaya olan ilgiyi arttırmaktadır. Yargılama sonuçlarının erken aşamalarda tahmin edilerek tarafların haksız ya da kazanma şansı olmadığı hususlarda çözüm odaklı davranmalarının sağlanabileceği düşünülmektedir. Ayrıca para, zaman ve itibar kaybının önüne geçilmesi hedeflenmektedir. Yargılama sonuçlarının erken tahmini konusunda yapılan önceki çalışmalar, kronolojik olarak aşağıda özetlenmiştir.
  Arditi vd. (1998), inşaat anlaşmazlıkları yargılama sonucunu tahmin etmek için Yapay Sinir Ağları (YSA) kullanmışlardır. Sinir ağlarının, genellikle çok sayıda karmaşık ve birbirine bağlı unsurdan etkilenen inşaat anlaşmazlıklarının sonucunun tahmin edilmesine yardımcı olma potansiyeline sahip olduğu ifade edilmiştir. 102 vakalık veri seti, 1982-1992 yılları arasında Illinois, ABD temyiz mahkemelerinde açılan davalardan toplanmıştır. Bu davalar, inşaat alanı dışında meydana gelen trafik kazaları ve cinayetler hariç, belirtilen süre boyunca Illinois temyiz mahkemelerinde açılan tüm inşaatla ilgili davaları kapsamaktadır. Verilerin elde edilmesinde WESTLAW çevrimiçi hukuk veri tabanı kullanılmıştır. Dava dosyalarında 45 girdi ve 8 çıktı öğesi kullanılarak model inşa edilmiştir. YSA, Brainmaker adlı yazılım kullanılarak eğitilmiştir. Toplanan bilgiler, Excel elektronik tablo uygulaması kullanılarak bir veri dosyası halinde düzenlenmiştir. Veriler ile eğitilen YSA %67’lik bir tahmin oranı başarısı elde etmiştir. Bu oranın tahminlemede yeterli olmadığı ifade edilebilir.
  Arditi ve Tokdemir (1998), Illinois temyiz mahkemelerindeki inşaat davalarının sonucunu tahmin etmek için durum tabanlı çıkarsama (DTÇ) yaklaşımı kullanmışlardır. İnşaat anlaşmazlıklarının sonucunu tahmin etmek için DTÇ geliştirme yöntemi kullanılarak bir model oluşturulmuştur. İlk olarak 102 adet Illinois temyiz mahkemesi davası kullanılarak bir dava veri tabanı elde edilmiş ve her dava 43 girdi özelliği (anlaşmazlığın türü, niteliği ve proje bedeli gibi) ve 1 çıktı özelliği (temyiz mahkemesinin kararı) ile karakterize edilmiştir. Test amaçlı olarak, 12 adet Illinois temyiz mahkemesi davası kullanılmıştır. Modelin tahmin oranını değerlendirmek ve farklı benzerlik değerlendirme yaklaşımlarını denemek için iki grup girdi özelliği kullanılmıştır. Bu çalışmada oluşturulan DTÇ sistemi le %83 tahmin başarısı elde edilmiştir.
  Arditi ve Tokdemir (2005), bir sonraki çalışmalarında güçlendirilmiş karar ağacı öğrenmesi (KAÖ) yöntemini kullanarak inşaat davalarının yargılama sonuçlarının tahminlemesi üzerine çalışmışlardır. KAÖ iyileştirme işlemi, genel olarak herhangi bir öğrenme algoritmasının etkinliğini artırmaya yönelik bir yaklaşımdır. Araştırma, daha önceki çalışmalarda YSA ve DTÇ için kullanılan Illinois temyiz mahkemesi davalarının yanı sıra, 1990 ile 2000 yılları arasında açılan ek 18 davayı da kapsamaktadır. KAÖ ile en iyi tahmin sonucu %90 olarak elde edilmiştir. KAÖ modeli, ihtilafsız bir inşaat sektörünün oluşturulmasına yardımcı olmak için uygun bir araç olarak ifade edilmiştir.
  Chau (2006), yaşanan anlaşmazlıklarda ve tarafların mahkemeye gitmeleri durumunda, anlaşmazlığın nasıl çözüleceğini önceden bilmek isteyeceklerini ifade etmiştir. Çalışmada, 1991 ile 2000 yılları arasında Hong Kong'da yaşanan bina anlaşmazlıklarının sonucu tahmin edilerek, metodolojinin uygulanabilir ve başarılı olduğu kanıtlanmıştır. Sonuçlar, parçacık sürü optimizasyonu (PSO) tabanlı ağın, %80'e kadar başarılı bir tahmin oranı sağlayabildiğini ortaya koymaktadır. Chau (2005), bir diğer çalışmasında ise dava özelliklerine ve önceki mahkeme kararlarına dayanarak, inşaat iddialarının sonucunu tahmin etmek için bir durum tabanlı çıkarsama (DTÇ) tekniği kullanmıştır. Benzer şekilde, 1991 ile 2000 yılları arasında Hong Kong'da yaşanan inşaat anlaşmazlıklarının sonucunu benzer başarı oranı ile tahmin ederek, metodolojinin uygulanabilir ve başarılı olduğunu kanıtlamıştır. Bu çalışmaların yanısıra, birçok yöntem bir arada kullanılarak tahmin doğruluk oranlarının artırılması amaçlanmıştır.
  Che ve Hsu (2007), YSA ve DTÇ yaklaşımlarını birleştiren hibrit bir YSA-DTÇ modeli kullanmışlardır. Çalışma, ABD'nin 48 eyaletindeki yüksek mahkemeler ve temyiz mahkemeleri tarafından toplanan mahkeme kayıtlarına dayanmaktadır. Hibrit YSA-DTÇ modeli yalnızca dava olasılığını tahmin etmek için YSA tekniğini kullanmamış, aynı zamanda erken uyarılar oluşturmak ve önceki davalar hakkında bilgiler sunmak için DTÇ tekniğini de kullanmıştır. YSA ve DTÇ yöntemlerinin birlikte kullanılması ile %84,61'lik bir doğruluk oranı elde edilmiştir.
  Pulket ve Arditi (2009a), inşaat anlaşmazlıklarının sonucunu tahmin etmek için karınca kolonisi optimizasyonu (KKO) kullanmışlardır. 1987 ile 2005 yılları arasındaki 151 Illinois temyiz mahkemesi kararı veri seti olarak kullanılmıştır. KKO ile tahmin doğruluk oranı; daha önceki YSA çalışmasının %67'sinden, DTÇ çalışmasının %83'ünden ve KAÖ çalışmasının %90'ından daha yüksek, %92 olarak elde edilmiştir. KKO yaklaşımının oluşturduğu kural setlerinin anlaşılabilirliğinin diğer yöntemlere göre daha kolay olmasına da dikkat çekilmiştir.
  Pulket ve Arditi (2009b), bir başka çalışmalarında inşaat davalarının sonucunu tahmin etmek için evrensel tahmin modeli (ETM) geliştirmişlerdir. Araştırma, bir önceki çalışmada olduğu gibi 1987 ile 2005 yılları arasındaki 151 adet Illinois temyiz mahkemesi davasına dayanmaktadır. Veri konsolidasyonu, öznitelik seçimi, hibrit kategorizasyon ve performans değerlendirmelerinin tümü ETM’nin bir parçasıdır. Weka ortamında, eksiksiz bilgi analizi prosedürünü otomatikleştirmek için bir kod oluşturulmuştur. Elde edilen sonuçlara bağlı olarak ETM’nin uyarlanabilir ve genişletilebilir olduğu ifade edilmiştir.
  Pulket ve Arditi (2010), önceki çalışmalarından elde edilen sonuçlardan daha iyi performans göstermesi umuduyla ve inşaat davalarının sonucunu tahmin etmek amacıyla, entegre yapay zekâ tahmin modeli (EYZTM) geliştirmişlerdir. Modelin eğitme ve test verileri, 1992 ve 2000 yılları arasında açılan 132 adet Illinois temyiz mahkemesi davası kullanılarak oluşturulmuştur. Analiz sonucunda %91,15 başarı oranı elde edilmiştir. Veri konsolidasyonu, öznitelik seçimi, hibrit sınıflandırıcıları ile tahmin ve değerlendirme, EYZTM’yi oluşturan dört süreç şeklinde tanımlanmıştır. EYZTM’nin etkinliği önceki çalışmalardaki YSA, DTÇ ve KAÖ ile karşılaştırılmıştır. İnşaat davalarının sonuçlarının adil bir doğruluk ve güvenilirlikle öngörülebilmesi halinde, inşaat sürecine dâhil olan tüm tarafların önemli ölçüde para ve zaman tasarrufu sağlayabileceği sonucuna ulaşılmıştır.
  Konu ile ilgili yapılan yapay zekâ temelli çalışmalar, mahkeme muhakemesini modellemek ve inşaat davası sonuçlarını tahmin etmek amacıyla farklı metodolojiler oluşturarak, oluşturulan modellerin başarı oranlarını yükseltmeyi hedeflemişlerdir. Ancak Mahfouz vd. (2012), bu metodolojilerin bazılarının başarılı olmasına rağmen, dava sonuçlarını düzenleyen hukuki fikirlerin derinlemesine değerlendirilmediğini savunmuşlardır. İnşaat endüstrisi için daha geçerli bir yasal yargı tekniği sağlamak ve değişen saha koşulları anlaşmazlıkları için otomatikleştirilmiş bir dava sonucu tahmin yaklaşımı oluşturmak amacıyla makine öğrenimi (MÖ) modelleri kullanmışlardır. Önerilen yaklaşımı (karar ağaçları, artırılmış karar ağaçları ve projektif uyarlamalı rezonans) oluşturmak için; destek vektör makineleri (DVM), naive bayes, kural indüksiyonu ve sinir ağı sınıflandırıcıları olmak üzere dört farklı makine öğrenimi yaklaşımının performansını incelemişlerdir. Modeller, 1912 ile 2007 yılları arasında toplanan 400 değişen saha koşullarına ait dava dosyaları kullanılarak geliştirilmiş ve değerlendirilmiştir. Modelin tahminleri, inşaat sektöründeki değişen saha koşulları kararlarını etkileyen önemli yasal parametrelere dayanmaktadır. Oluşturulan dokuz makine öğrenimi modeli arasında, üçüncü derece DVM modelinden %98'lik bir tahmin hassasiyeti ile en iyi tahmin sonucu elde edilmiştir.
  Chou vd. (2013), Tayvan Kamu İnşaat Komisyonu (TPCC) veri tabanındaki 569 adet kamu-özel işbirliği (KÖİ) dosyasındaki anlaşmazlıkları tahmin etmek amacıyla tekil ve hibrit sınıflandırma teknikleri kullanmışlardır. Tekil yöntemler olarak; çok katmanlı algılayıcı (ÇKA) sinir ağı, karar ağacı öğrenmesi (KAÖ), destek vektör makineleri (DVM), naive bayes ve K-en yakın komşu (KNN) kullanılmıştır. Hibrit yöntemlerden tekil yöntemlere göre daha başarılı sonuç alındığı ifade edilmiştir. ÇKA+ÇKA ve KAÖ+KAÖ modellerinin en yüksek performansları gösterdiği ve bu modellerden sırasıyla %97,08 ve %95,77 oranlarında tahmin doğruluğu sağladığı belirtilmiştir.
  Bir başka benzer çalışmada, Zheng vd. (2021), makine öğrenmesi modellerini kullanarak Çin Halk Cumhuriyeti’ndeki kamu-özel işbirliği (KÖİ) anlaşmazlıklarının temel nedenlerini incelemeyi, anlaşmazlıkların sonuçlarını ortaya koymayı ve akabinde dava sonuçlarını tahmin etmeyi amaçlamışlardır. Çalışma, 2013 ve 2018 yılları arasında China Judgments Online (Çin Halk Cumhuriyeti Çevrimiçi Kararları)'dan alınan 171 KÖİ davasına dayanmaktadır. Bu dava dosyaları incelenerek 17 yasal kriter belirlenmiştir. 171 vakadan alınan veriler kullanılarak, dokuz farklı makine öğrenmesi modeli geliştirilmiş ve doğrulanmıştır. Diğer makine öğrenimi modelleriyle karşılaştırıldığında, gradyan artırıcı karar ağacı (GAKA), K-en yakın komşu (KNN) ve çok katmanlı algılayıcı (ÇKA) sinir ağı içeren topluluk modelinden en iyi tahminleme sonucu elde edilmiştir. Buna göre; topluluk modeli (GAKA + KNN + ÇKA), %96,42'lik yüksek bir doğruluğa sahip olarak, belirlenen 17 yasal kriterin KÖİ anlaşmazlıklarında dava sonuçlarını açıklamak ve tahmin etmek için kabul edilebilir olduğunu göstermiştir.
  Sarı vd. (2021), Türkiye’de 2015-2018 yılları arasında sonuçlanan kamu inşaat anlaşmazlıklarını Yargıtay kararları çerçevesinde incelemişlerdir. Çalışmanın amacı, yargıya intikal eden kamu inşaat anlaşmazlıklarının nedenlerini ve sonuçlarını irdeleyerek anlaşmazlıkların sınıflandırılmasını sağlamaktır. Yargıtay kararları, içerik analizi uygulanarak literatür destekli anlaşmazlık sınıflarına ayrılmışlardır. Nitel olan kamu inşaat anlaşmazlık verilerinin nicelleştirilmesine katkı sağlayan bu çalışmada, her bir anlaşmazlık sınıfında ilişkisel analiz ve frekans analizi yapılarak; anlaşmazlıkların nedenleri, sonuçları ve çözüm yollarına dair süreçler irdelenmiştir].
  Yukarıda bahsedilen çalışmaların içeriğinden de anlaşılabileceği üzere, tespit edebildiğimiz kadarıyla bu çalışmaların henüz pratik hayata yansıyan bir uygulaması olmamıştır. Bizim projemiz ise, bugüne kadar yapılan çalışmaların aksine, yapılacak araştırmaların sonunda bir ürün çıkartmayı hedeflemekte ve bu özelliği ile diğer çalışmalardan ayrılarak yenilikçi yönünü ortaya koymaktadır.
  Ayrıca bahsi geçen çalışmalarda kullanılan veri setleri bulundukları ülkelerde anlaşmazlık evrenini temsil etmeyen örneklem sayılarına sahip olmakla birlikte çok kısıtlıdırlar. Çalışmalarda kullanılan veri seti sayısı 102 ile 569 adet vaka sayısı aralığındadır. Anlaşmazlık evrenini temsil etmeyen örneklem sayıları ile yapılan çalışmaların pratik karşılığı bulunmamaktadır. Kısıtlı veri seti ile gerçekleştirilen makine öğrenmesi çalışmalarında verilerin ezberlenmesi durumu ortaya çıkmaktadır. Bu projede daha geniş kapsamlı sayıda kararlar kullanılacaktır. Projemiz kapsamında ilk ve son aşamada anlaşmazlık evreninden %95 güven aralığına göre ±%5,00 / ±%2,85 hata payları ile örneklem oluşturulması hedeflenmektedir. Yargıtay 6. Hukuk Dairesi’nin 2011-2021 yılları arasında hukuk veri tabanlarında mevcut olan dava dosya sayısı 15.667 olarak belirlenmiştir. Proje kapsamında, ilk aşamada %95 güven aralığı ve ±%5,00 hata payına göre hedeflenen örneklem sayısı 375’tir. Sonraki aşamada ise %95 güven aralığı ve ±%2,85 hata payına göre 1.099 örneklem sayısı hedeflenmiştir. Yapılan çalışmalar neticesinde 933 adet dosya sayısına ulaşılmıştır. Böylece evreni temsil eden bir örneklem oluşturulmuştur. Projemiz bu özelliği ile diğer çalışmalardan ayrılarak yenilikçi yönünü ortaya koymaktadır.
  Yine bugüne kadar yapılan çalışmalar akademik sahada kalmış ve sadece ilgili alanda çalışan uzmanlara hitap ederken, önermiş olduğumuz projenin başarıyla sonuçlanması hâlinde ortaya çıkacak ürün, Türkiye’de bir inşaat anlaşmazlığı yaşayan ve resmi yargıya başvurmuş ya da başvurmayı düşünen herkese hitap etmekte ve genel bir fayda sağlama potansiyeli taşımaktadır. Bu kapsamda, ilk defa bir mahkeme kararının tahmin edilmesine yönelik yapay zekâ temelli, zaman ve mekândan bağımsız olarak kullanılabilir, ücretsiz bir internet sitesinin tasarlanması ve hizmete sunulması hedeflenmektedir. Projenin bugüne kadar yapılan çalışmalardan en önemli farklılığını ve yenilikçi yönünü de bu ürün oluşturmaktadır.

YÖNTEM
Proje kapsamında, öncelikle mevcut literatür taraması ulusal/uluslararası düzeyde genişletilecek ve inşaat sektöründe meydana gelen anlaşmazlıkları merkeze alan geçmiş çalışmalarda uygulanan yöntemler incelenmiştir. Özellikle anlaşmazlıkların tahminlenmesi konusunda kullanılan makine öğrenmesi yöntemleri ve bu yöntemlerin avantajları/dezavantajları detaylı olarak ele alınmıştır. Üçüncü bölümde sunulan önceki çalışmalardan da anlaşılacağı üzere, son yıllarda inşaat anlaşmazlıkları konusundaki bilimsel çalışmalar artış trendindedir. Ayrıca bu çalışmalarda yapay zekâ tekniklerinin yüksek başarı oranları ile uygulandığı gözlenmektedir. Konu ile ilgili yapılan çalışmalarda kullanılmış olan yapay zekâ teknikleri; yapay sinir ağları (özellikle çok katmanlı algılayıcı), durum tabanlı çıkarsama, karar ağacı öğrenmesi, parçacık sürü optimizasyonu, karınca kolonisi optimizasyonu, makine öğrenmesi, gradyan artırıcı karar ağacı, k-en yakın komşu ve destek vektör makineleri şeklinde sıralanabilir. Arditi vd. (1998) tarafından gerçekleştirilen çalışmanın konu ile ilgili öncül çalışma olduğu düşünülmekle birlikte, Mahfouz vd. (2012) ile Zheng vd. (2021) tarafından gerçekleştirilen çalışmaların da son yıllarda yapılan en önemli çalışmalar oldukları değerlendirilmektedir. Proje kapsamında, makine öğrenmesi (machine learning) temelli trend yöntemlerin kullanılarak nitel verilerden nicele geçiş ve modelin kurulmasıyla yarı otonom kontrol mekanizmasının elde edilmesinin, çalışmanın yenilikçi yönünün ortaya koyabileceği düşünülmektedir.


  Şekil 1. Proje aşamaları
 
Veri Toplama ve Veri Önişleme
  Literatürde, inşaat davalarının tahminlenmesi adına anket verileri ve çeşitli ülkelerin sınırlı yargı kararları kullanılarak evren temsiliyeti tam manasıyla sağlanamamıştır. Bu proje önerisi kapsamında, Türkiye’de 2011 ile 2021 yılları arasında yaşanan inşaat anlaşmazlıklarının dava dosyalarının çevrim içi hukuk veri tabanlarından toplanması planlanmaktadır. Alternatif olarak, eğer hedeflenen dosya sayısına erişilemezse, gerekli izinler alınarak Ankara’da bulunan Yargıtay Başkanlığı’nın arşivlerinde bulunan dava dosyaları üzerinde fiziki araştırma yapılması planlanmaktadır. Anlaşmazlık evreninden %95 güven aralığına göre ± %5 hata payı ile örneklem oluşturulması hedeflenmiştir. Böylece evreni temsil eden bir örneklem oluşturulmuş olacaktır. Yargıtay 6. Hukuk Dairesi’nin 2011-2021 yılları arasında hukuk veri tabanlarında mevcut olan dava dosya sayısı 15.667 olarak belirlenmiştir. Proje kapsamında, ilk aşamada %95 güven aralığı ve %5,00 hata payına göre hedeflenen örneklem sayısı 375’tir. Sonraki aşamada ise %95 güven aralığı ve %2,85 hata payına göre 1.099 örneklem sayısı hedeflenmiştir. Çalışma kapsamında, uluslararası hukuku takip eden ve son karar merci olan Yargıtay 6. Hukuk Dairesi kararları kullanılmıştır. Yargıtay Birinci Başkanlık Kurulu kararıyla 15. Hukuk Dairesinin numarası 01 Temmuz 2021 tarihinde 6. Hukuk Dairesi olarak değiştirilmiştir. Proje önerisi kapsamında, ilgili Devlet Kurumu ile iyi niyet anlaşması yapılmıştır. Böylece yerel mahkemelerin ya da temyiz mahkemelerinin verdiği hatalı kararlar ile çalışmanın güvenilirliğinin sarsılmaması hedeflenmiştir. Bu çalışma, tarafların uzun ve yorucu yargılama sürecine başlamadan meydana gelen anlaşmazlıkların olası sonuçlarını tahmin etmeyi amaçlamaktadır. Bu nedenle, Türk inşaat sektörü firmalarının önemli temsilcilerinden olan Türkiye İnşaat Sanayicileri İşveren Sendikası (INTES) ile iş birliği anlaşması yapılmıştır. Böylece gerek işveren gerekse yüklenici taraflarının anlaşmazlık sürecinde yaşayabilecekleri maddi ve manevi kayıpların önüne geçilmesi, en azından minimize edilmesi hedeflenmiştir.
  Araştırma konusu belirlendikten sonra, amaca uygun olarak veri toplama işlemi gerçekleştirilir. Fakat veri toplanırken makine öğrenimine uygun olup olmadığı başlangıçta düşünülmez. Bu verilerin incelenmesi ve makine öğrenimine uygun olarak tanımlanmaya ve normalleştirmeye ihtiyacı vardır. Tanımlanan ve normalleştirilen veriler daha sonra dönüştürülmektedir. Verilerin önişlemden geçirilmesi, öğrenilen modellerin başarısını doğrudan etkileyeceğinden dolayı en zorlu ve zaman alan süreçtir (Webb, 2010). Makine öğrenmesinde kullanılacak verilerin önişlemlerden geçmesi gerekmektedir. Bunun sebebi, toplanan verilerin eksik ve tutarsız olabilmesidir. İşlenmemiş verilerdeki eksikliklerin, gürültünün ve tutarsızlıkların kaldırılması için verilerin normalize edilmesi ve gerekli olmayan özelliklerin çıkartılması söz konusudur. Bu kapsamda; veri temizleme, veri dönüştürme ve veriyi eğitme/test kümelerine ayırma şeklinde üç temel aşama söz konusudur. Veri öncelikle temizlenecek, dönüştürülecek, son olarak eğitme ve test verisi olarak ayrılmıştır. Belirtilen önişlemlerin uygulanması, makine öğrenmesi algoritmalarının daha sağlıklı çalışmasını sağlamaktadır.
 
Özniteliklerin Tespiti ve Dönüşümü
 Özniteliklerin belirlenmesi aşamasında ilk olarak literatür taraması yapılmıştır. Bu tarama ile önceki çalışmalarda kullanılan öznitelikler incelenmiştir. Kullanılan özniteliklerin içeriği, sayısı ve veri tipi toplanmıştır. Bu incelemeler sonucunda 14 öznitelik belirlenmiştir. Daha sonra, toplanan dava dosyaları "content analysis method" (CAM) ile incelenerek, sahip oldukları öznitelikler incelenmiştir. Holsti (1969) içerik analizinin; dağınık verilerin kapsamına göre değerlendirme süreci olduğunu ifade etmiştir. Smith (1975) ise; verileri toplayan, standart bir forma koyan ve diğer formlarla karşılaştıran veya dönüştüren bir araç olarak tanımlamıştır. İçerik analizinin amacı, metin içerisindeki temaların belirgin hale getirilmesi ve kavramlar arasındaki ilişkilerin açıkça ortaya konmasıdır. Dava dosyalarının incelenmesi ve özniteliklerin belirlenmesi aşamasında 8 uzman ile görüşme gerçekleştirilmiştir. Çalışma sonucunda, dava dosyalarında tespit edilen öznitelikler ile literatür destekli özniteliklerin büyük çoğunluğunun örtüştüğü görülmüştür. Literatür destekli 14 özniteliğe ilaveten görüşmelerden 10 öznitelik daha belirlenmiştir. Böylece, 4’ü nicel ve 20’si nitel olmak üzere toplamda 24 öznitelik belirlenmiştir. Belirlenen öznitelikler, her özniteliğe uygun olan veri tipi seçilerek nicel verilere dönüştürülmüştür. Geniş literatür taraması, alan çalışmaları, Yargıtay 6. Hukuk Dairesi kararlarının incelenmesi (Sari et al., 2021) ve uzman görüşmelerinden elde edilen 24 öznitelik, aşağıda sunulmuştur.
 • A1 Proje İli (Ayhan, Dikmen, & Birgonul, 2021; Chou, Tsai, & Lu, 2013) (Türkiye’deki coğrafi bölgeler)
 • A2 Proje Tipi (Arditi, Oksay, & Tokdemir, 1998; Arditi & Tokdemir, 1999; Arditi & Pulket, 2005; 2010, Pulket & Arditi, 2009a, 2009b, Chau, 2005, 2006; Chen & Hsu, 2007) (1- Kamu Yatırımı, 2- Özel Sektör Yatırımı)
 • A3 Sözleşme Tipi (Arditi, Oksay, & Tokdemir, 1998; Arditi & Tokdemir, 1999; Arditi & Pulket, 2005; 2010, Pulket & Arditi, 2009a, 2009b, Ayhan et al., 2021; Chau, 2005, 2006; Chen & Hsu, 2007) (1- Anahtar Teslim Götürü Bedel Sözleşme, 2- Teklif Birim Fiyat Usulü Sözleşme, 3- Yap-İşlet-Devret)
 • A4 Proje Türü (Ayhan et al., 2021; Chen & Hsu, 2007; Mahfouz & Kandil, 2012, Chou et al., 2013) (1- Konut, 2- Ticari, 3- Endüstrüyel, 4- Eğitim ve Spor Tesisleri, 5- Sağlık Tesisleri, 6- Bakım, Onarım ve Restorasyon, 7- Kamu Yapıları, 8- Kısmi İnşaat İşleri, 9- Mekanik ve Elektrik İşleri, 10- Yol ve Altyapı İşleri)
 • A5 Proje Bedeli (Arditi, Oksay, & Pulket, 1998; Arditi & Pulket, 2005; Arditi & Tokdemir, 1999; Ayhan et al., 2021; Chau, 2005, 2006; Chen & Hsu, 2007; Chou et al., 2013) (1- PB < 100,000 TL, 2- 100,000 TL ≤ PB < 500,000 TL, 3- 500,000 TL ≤ PB < 1,000,000 TL, 4- 1,000,000 TL ≤ PB < 5,000,000 TL, 5- PB ≥ 5,000,000 TL)
 • A6 Proje Süresi (Ayhan et al., 2021; Chen & Hsu, 2007; Chou et al., 2013) (1- PS < 365 Days, 2- 365 Days ≤ PS < 1095 Days, 3- 1095 Days ≤ PS < 1825 Days, 4- PS ≥ 1825 Days)
 • A7 Davacı Türü (Arditi, Oksay, & Tokdemir, 1998; Arditi & Tokdemir, 1999; Arditi & Pulket, 2005; 2010, Pulket & Arditi, 2009a, 2009b; Chau, 2005, 2006; Chen & Hsu, 2007) (1- Özel Sektör, 2- Kamu)
 • A8 Davalı Türü (Arditi, Oksay, & Tokdemir, 1998; Arditi & Tokdemir, 1999; Arditi & Pulket, 2005; 2010, Pulket & Arditi, 2009a, 2009b; Chau, 2005, 2006; Chen & Hsu, 2007) (1- Özel Sektör, 2- Kamu)
 • A9 Karşı Dava Varlığı (Arditi et al., 1998; Arditi & Tokdemir, 1999) (1- Evet, 2- Hayır)
 • A10 Birleşen Dava Varlığı (1- Evet, 2- Hayır)
 • A11 Davacı Türü (Birleşen Dava) (1- İlk derece mahkemede davacı, 2- İlk derece mahkemede davalı, 3- Her iki taraf)
 • A12 Üçüncü Taraf Varlığı (Arditi et al., 1998; Arditi & Tokdemir, 1999) (1- Evet, 2- Hayır)
 • A13 Üçüncü Taraf Türü (Arditi et al., 1998; Arditi & Tokdemir, 1999) (1- Özel Sektör, 2- Kamu)
 • A14 İhtilaf Türü (Sarı et al., 2021; Zheng, 2021) (1- İş Bedeli ile İlgili İhtilaflar 2-İş Artışı-Eksilişi ile İlgili İhtilaflar 3-Proje Süresi ile İlgili İhtilaflar 4-Ayıplı ve Kusurlu İş 5-Sözleşmenin Feshi ve İdari Uygulamalar 6-Abartılı Metraj, Hayali ve Afaki İmalat)
 • A15 İhtilaf Bedeli (1- İB <100,000 TL, 2- 100,000 TL ≤ İB < 500,000 TL, 3- 500,000 TL ≤ İB < 1,000,000 TL, 4- 1,000,000 TL ≤ İB < 5,000,000 TL, 5- İB ≥ 5,000,000 TL)
 • A16 İhtilafın Meydana Gelme Aşaması (1- Geçici Kabul Öncesi 2- Kesin Kabul Öncesi 3- Kesin Kabul Sonrası)
 • A17 İhtilaf Karmaşıklığı (1- Tekil 2- Çoğul)
 • A18 Alt İhtilaf Türü (Sarı et al., 2021; Zheng, 2021) (1- İş Bedeli ile İlgili İhtilaflar 2-İş Artışı-Eksilişi ile İlgili İhtilaflar 3-Proje Süresi ile İlgili İhtilaflar 4-Ayıplı ve Kusurlu İş 5-Sözleşmenin Feshi ve İdari Uygulamalar 6-Abartılı Metraj, Hayali ve Afaki İmalat)
 • A19 Alt İhtilaf Bedeli (1- AİB <100,000 TL, 2- 100,000 TL ≤ AİB < 500,000 TL, 3- 500,000 TL ≤ AİB < 1,000,000 TL, 4- 1,000,000 TL ≤ AİB < 5,000,000 TL, 5- AİB ≥ 5,000,000 TL)
 • A20 Karşı Oy Varlığı (1- Evet, 2- Hayır)
 • A21 Kararlarda Yer Alan İlgili Kanun Maddeleri (İlgili kanun maddeleri)
 • A22 İlk Derece Mahkeme Karar Türü (1- Kabul, 2- Kısmi kabul, 3- Ret)
 • A23 İlk Derece Mahkeme Karar Leh Durumu (1- Davalı lehine, 2- Davacı lehine)
 • A24 Yargıtay Karar Leh Durumu (Arditi, Oksay, & Tokdemir, 1998; Arditi & Tokdemir, 1999; Arditi & Pulket, 2005; 2010, Pulket & Arditi, 2009a, 2009b) (1- Davalı lehine, 2- Davacı lehine)