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 Tamamlama Gereksinimleri
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.
ℹ️ Uygulamalı Görevler ve Vize: Haftalık laboratuvar çalışmalarını ve vize projesini (açık veriden haber üretimi) teslim etmelisiniz. Bu çalışmalar final notunuzun %50’sini oluşturur.
ℹ️ 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.
Sınavlar ve Projeler
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
Dersin Formatı
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.
Ders Çıktıları
- 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.
Ders Politikası
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.
Yararlı Araçlar ve Bağlantılar
Google Dataset Search (Veri Arama)
İş Akışı: Veriyi Bul, Kazı, Temizle, Analiz Et
Bu ders boyunca sıfır kod mantığıyla bir Veri Gazetecisi gibi çalışacaksınız. Önce açık verilerle tanışacak, ardından kendi verilerinizi kodsuz araçlarla kazıyacak (scrape), Google Sheets ve Yapay Zeka ile temizleyip analiz edecek, son aşamada ise otomasyon araçları ile veri akışları (pipeline) kurarak nihai haber görselleştirmelerinizi yapacaksınız.
Haftalık Ders Programı
| Hafta | Konu | Uygulama / Pratik | Görev ve Açıklama |
|---|---|---|---|
| 1 | Veri Gazeteciliğine Giriş ve Veri Okuryazarlığı | — | Dijital veriler nasıl birikir? TÜİK, Veri Kaynağı vb. yerlerde arama ve CSV/Excel dosyalarını tanıma. |
| 2 | Tablo Düzenleme (Google Sheets ile Temizlik) | Pratik 1 | İndirilen kirli verileri Google Sheets’e aktarma, sütun ayıklama, boşluk temizleme ve sıralama yapma. |
| 3 | Tek Tıkla Veri Kazıma (Statik Sayfalar) | Pratik 2 | Instant Data Scraper eklentisiyle Vikipedi tablolarını veya eticaret listelerini tek tıkla CSV olarak bilgisayara çekme. |
| 4 | Dinamik Web Sitelerini Kazıma | Pratik 3 | Görev: Web Scraper kullanarak çok sayfalı (pagination) bir haber sitesinin arşivini veya forum başlıklarını kural belirleyerek kazıma. |
| 5 | Yığın Veriden Haber Çıkarmak (Yapay Zeka Kullanımı) | Pratik 4 | Kazınan CSV verisini ChatGPT/Claude’a yükleyerek, doğru promptlarla en çarpıcı 3 trendi bulup haber sporu yazma. |
| 6 | Vize Projesi Teslimi | Vize Teslimi | Belirlenen okuda hazır veri kullanarak, veri temizleme ve AI ile analiz edip kısa rapor metni teslim etme. |
| 7 | Otomasyon Mantığı ve n8n’e Giriş | Pratik 5 | Tetikleyici (Trigger) ve Eylem (Action) mantığıyla tanışma; n8n arayüzünde ilk basit otomasyon senaryosunu (workflow) oluşturma. |
| 8 | Haber ve Söylem Takibi (RSS Otomasyonu) | Pratik 6 | n8n üzerinden farklı haber kaynaklarının RSS akışlarını çekip, anahtar kelime filtresiyle Google Sheets’e otomatik veritabanı yazdırma. |
| 9 | Etkileşimli Veri Görselleştirme – 1 | Pratik 7 | Flourish Studio kullanarak veri setlerine en uygun statik grafikleri (Pasta, Çizgi vb.) tasarlama ve yanıltıcı grafik tuzaklarından kaçınma. |
| 10 | Etkileşimli Veri Görselleştirme – 2 | Pratik 8 | Flourish ile dinamik grafikler (Bar Chart Race, Isı Haritaları) oluşturma ve elde edilen embed (gömme) kodlarını habere entegre etme. |
| 11 | Final Projesi Atölyesi (Sınıf İçi Çalıştay) | Pratik 9 | Sınıf içi danışmanlık. Yeni konu işlenmez; öğrenciler final projeleri için verilerini kazır ve görselleştirir, hata ayıklama yapılır. |
| 12 | Final Proje Teslimi | Proje Teslimi |
Detaylı Notlandırma
Uygulamalar
%35
Veri işlemeleri kapsamında ödev olarak derste verilen projeleri kapsamaktadır. Toplamda 5 adet proje 7‘şer puandan hesaplanarak notlandırılacaktır.
Uygulamalar:
- Soyağacı Hazırlama
- Mevcut Verilerin Hazır Hale Getirilmesi
- Proje Konusu Belirleme
- Python Kullanımı ve Veri Temizleme
- Python – Sosyal Medya Taraması
Değerlendirme Kriterleri:
- Verilerin girişi
- Verilerin ayıklanması
- Görselleştirme
- İçerik üretme
Vize Projesi
%15
Belirlenen konular üzerinden hazırlanan proje dosyasına uygun verilerin işlenmesi ve bu bilgilerle içerik üretilmesi.
Değerlendirme Kriterleri:
- Proje dosyası
- Veri dosyası
- İçerik dosyası
Final Projesi
%50
Final projesi 2 adet projeden oluşmaktadır. Projeler ders kapsamında işlenmiş olan konular çerçevesinde 1‘i hazır verinin kullanılması 1‘de verilerin toplanması ve düzenlenmesiyle yapılacaktır. Bu 2 projeden verilere dayanarak içerik üretilecektir.
Değerlendirme Kriterleri:
- Verilerin toplanması
- Verilerin temizlenmesi
- Verilerin görselleştirilmesi
- Çıkan verilerden içerik üretimi