Dengesiz Nefret Söylemi Veri Kümelerinde GAN Tabanlı Sentetik Veri Üretiminin Azınlık Sınıfı Tespit Performansına Etkisi ve GAN Hiperparametrelerinin Meta-Sezgisel Optimizasyon ile Değerlendirilmesi

Demirag B., Sönmez Y., kahraman h. t.

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, cilt.14, sa.2, ss.760-773, 2026 (TRDizin)

Özet

Sosyal medyada nefret söyleminin hızla yayılması, otomatik tespit sistemlerini zorunlu hale getirmektedir; ancak gerçek dünya veri kümelerindeki şiddetli sınıf dengesizliği, derin öğrenme modellerinin etkinliğini sınırlandırmaktadır. Bu çalışma, azınlık sınıfının yalnızca %5.77’sini oluşturduğu Davidson nefret söylemi veri kümesindeki dengesizlik problemini çözmek amacıyla, LSTM tabanlı üretici ve 1D-CNN tabanlı ayırt ediciyi WGAN-GP mimarisi altında birleştiren uçtan uca bir çerçeve önermektedir. Standart GAN’ların eğitim kararsızlığını ve ızgara aramasının hesaplama maliyetini azaltmak için temel GAN hiperparametreleri LSHADE meta- sezgisel algoritması ile optimize edilmiştir. Deneylerde önerilen GAN+LSHADE yaklaşımı, aynı sentetik örnek bütçesi altında TF-IDF+ROS, TF-IDF+SMOTE ve TF-IDF+ADASYN yöntemleriyle karşılaştırılmıştır. Bulgular, GAN+LSHADE modelinin temel modele kıyasla test Macro-F1 skorunu 0.6411’den 0.6571’e, azınlık sınıfı F1 skorunu ise 0.1882’den 0.2439’a yükselttiğini göstermektedir. Bununla birlikte, TF-IDF tabanlı geleneksel yeniden örnekleme yöntemleri daha yüksek Macro-F1 ve azınlık F1 değerleri üretmiştir. Bu sonuç, önerilen yöntemin sınıf dengesizliği altında anlamlı iyileştirme sağladığını gösterirken, geleneksel vektör-uzayı yöntemlerinin güçlü karşılaştırma tabanları olarak raporlanması gerektiğini de ortaya koymaktadır. Sentetik kalite analizi ise üretilen verilerin düşük kopya oranı, yüksek iki-terimli çeşitlilik ve sınırlı gerçek örnek benzerliği ile ezberlemeye dayalı olmadığını desteklemektedir.
The rapid spread of hate speech on social media makes automatic detection systems indispensable; however, severe class imbalance in real-world datasets substantially limits the effectiveness of deep learning models. This study proposes an end-to-end framework that integrates a Long Short-Term Memory (LSTM) generator and a one-dimensional Convolutional Neural Network (1D-CNN) discriminator within a WGAN-GP architecture to address the imbalance problem in the Davidson hate speech dataset, where the minority class represents only 5.77% of all samples. To mitigate the training instability of standard GANs and the high computational cost of conventional grid search, the LSHADE metaheuristic is employed to autonomously optimize the main GAN hyperparameters. In response to the review comments, the revised manuscript adds a clearer justification for choosing LSHADE, clarifies how gradient flow is handled for discrete text generation, reports a matched-budget comparison against TF- IDF+ROS, TF-IDF+SMOTE, and TF-IDF+ADASYN, and includes automatic quality indicators for the generated synthetic text. The results show that GAN+LSHADE improves the test Macro- F1 score from 0.6411 to 0.6571 and the minority-class F1 score from 0.1882 to 0.2439 compared with the original-data baseline. Nevertheless, TF-IDFbased ROS, SMOTE, and ADASYN achieve higher Macro-F1 and minority-class F1 values under the same added-sample budget. This revised interpretation positions the proposed model as an effective generative augmentation strategy that improves minority detection over the baseline, while acknowledging that feature- space resampling remains a strong competitor for this dataset. Synthetic quality metrics further indicate low duplication, high bigram diversity, and limited nearest-neighbor similarity to real minority samples, suggesting that the generator does not merely memorize training instances.