Dr Tansu KÜÇÜKÖNCÜ — FABRICATED article of the editor in his journal : Bekir Karlik, 2012, Turkiye Klinikleri Journal of Medical Sciences

Dr Tansu KÜÇÜKÖNCÜ —
FABRICATED article of the editor in his journal :
Bekir Karlik, 2012, Turkiye Klinikleri Journal of Medical Sciences

Dr Tansu KÜÇÜKÖNCÜ —
Editörün kendi dergisindeki UYDURMA makalesi :
Bekir Karlik, 2012, Turkiye Klinikleri Journal of Medical Sciences
(Türkiye Klinikleri Tıp Bilimleri Dergisi)

Report :
FABRICATED article of the editor in his journal :
Bekir Karlik, 2012, Turkiye Klinikleri Journal of Medical Sciences

Rapor :
Editörün kendi dergisindeki UYDURMA makalesi :
Bekir Karlik, 2012, Turkiye Klinikleri Journal of Medical Sciences
(Türkiye Klinikleri Tıp Bilimleri Dergisi)

Bekir Karlik
Bekir Karlik

UYDURMA makale :
—————————-
Bekir Karlık, Saul Sarlı Cemel
“Yapay Sinir Ağları ile Ağız Kokusundan Diyabet Tanısı ”
Tıp Bilimleri Dergisi , Yıl: 2012 Cilt: 32 Sayı: 2
(Turkiye Klinikleri J Med Sci 2012 ; 32(2) : 331-6)

<– o –>

Türkiye Klinikleri Tıp Bilimleri Dergisi : SCI’den ATILDI (2012) !

Türkiye Klinikleri Tıp Bilimleri Dergisi : TÜBİTAK ULAKBİM indeksinden ATILDI !

TÜBİTAK ULAKBİM indeksi : 2011’den beri Üniversitelerarası Kurul
doçentlik başvurularında SCI ile denk kabul ediliyor.
Bekir Karlık : Türkiye Klinikleri Tıp Bilimleri Dergisinin editörü

Hikmet Akgül : Türkiye Klinikleri Tıp Bilimleri Dergisinin sahibi (ilk sayıdan bugüne)

<– o –>

RAPOR

A. UYDURMA makale

Bekir Karlık’ın, ortak yazarı Şaul ŞARLI CEMEL (2008 yazında
Bekir Karlık’ın o vakit bulunduğu Haliç Üniversitesi’nde öğrenci )
için yazdığı adres doğru değil.

Techion İsrail Teknoloji Enstitüsü’nde
(Technion, Israel Institute of Technology , http://www.technion.ac.il )
Saul SARLI CEMEL, Şaul ŞARLI CEMEL,
Shaul SHARLI CEMEL veya Shaul CEMEL
isimli birisi yok.
Cemel soyadlı birisi de yok.

Ne akademisyen ne öğrenci ne de personel olarak.
Makalede
“çalışmanın 20’si hasta, 10’u sağlıklı 30 kişiye ait verilerle yapıldığı”
(sf. 332, “Gereç ve Yöntemler”, paragraf 1)
iddia edilse de
bu hastalara nerede nasıl ulaşıldığından,
bunların hasta olduğunun nereden nasıl bilindiğinden,
kaçının hangi tip hasta olduğundan
hiç bahsedilmemiş,
bunlara dair kiçbir kaynak gösterilmemiş.
Çünkü herhangi bir sağlık merkezi ile hiçbir resmi bağı olmayan,
mühendislik fakültesi personeli Bekir Karlık’ın elinde HİÇBİR VERİ YOK,
hiçbir çalışma yapmamış, ortada hiçbir hasta yok !

Makalede
“koku tanımak icin FIS firmasına ait SB-41 kodlu
bir elektronik burun kullanıldığı”
iddia edilse de
FIS Gas Sensor SB-41 (for refrigerant detection : HCFCs (R-22)),
bir elektronik burun değildir ; soğuculardaki gaz kaçaklarını algılamaya yönelik olarak
soğutucularda kullanılan bazı gazlara duyarlı bir algılayıcı – sensor devre elemanıdır.

FIS Gas Sensor SB-41’i kullanabilmek için bir elektronik devre hazırlanması gerekir.
Makaledeki yazıda boyle bir devreden hiç bahsedilmemiş,
çünkü elinde böyle bir devre yok.

Ağız kokusunun sensör ile temas edebilmesi için ağızlık gibi bir düzenek
hazırlanması gerekir ; böyle bir düzenekten de hiç bahsedilmemiş,
çünkü elinde böyle bir düzenek de yok.

Bekir Karlık’tan bu devreyi ve düzeneği göstermesini isteyin ve
alacağınız cevapları görün !

Makalede
“Elektronik burunda bulunan kimyasal (gaz denmeliydi !) sensor dizisi,
n tane sensörden oluşmuş bir gruptur. Bir sensor dizisi farklı algılama
özelliklerine sahip sensörlerden oluşmaktadır”
(sf. 333, paragraf 2)
dense de
çalışmada kaç tane FIS Gas Sensor SB-41’i kullandığından, ve
aynı şeye duyarlı birden fazla sensör’ün ne işe nasıl yarayacağından
hiç bahsedilmemiş,
çünkü 1 tane bile yok.

FIS Gas Sensor SB-41’in “Data sheet”i :

* http://www.gvzcomp.it/web/prodotti/sensori_fis/industriali/SB%2041.pdf
* http://www.fisinc.co.jp/en/common/pdf/ESB4100.pdf

Makalede “Şekil 1-2 ve 3 , bu “data sheet”ten alınmış, kaynak göstermeden.

Makalede
“Nefesteki aseton kokusundan diyabet teşhis edildiği”
(sf. 332, “Gereç ve Yöntemler”, paragraf 1)
iddia edilse de
FIS Gas Sensor SB-41’in “data sheet”inde duyarlı olduğu gazlar arasında aseton yok.
FIS Gas Sensor SB-41’in “data sheet”inde yer almayan asetonu nasıl olup da
algılayabildiğine dair hiçbir açıklama da yok.

UYDURMA sonuçlar : Tablo-1 (sf. 335).
Tabloda
MLP – a.k.n.s 60 – i.s. 526 – tanıma oranı : % 94.2
LVQ – a.k.n.s 30 – i.s. 100 – tanıma oranı : % 66.6
MLP – a.k.n.s 100 – i.s. 35 – tanıma oranı : % 99.9
olduğu iddia edilse de 3 tanıma oranının da UYDURMA olduğu kolayca gösterebilir :
“çalışmanın 20’si hasta , 10’u sağlıklı 30 kişiye ait verilerle yapıldığı,
verilerin yarısının eğitme, diğer yarısının da test icin kullanıldığı”
(sf.3, “Gerec ve Yontemler”, paragraf 1)
iddia edilmiş.
Yani test icin kullanılan veri sayısı sadece 15.
Tanıma oranları bu 15 veri için elde edilmiş.

Oysa ki 15 veri icin sadece şu tanıma oranları elde edilebilir :
14 / 15 –> % 93.33
13 / 15 –> % 86.67
12 / 15 –> % 80
11 / 15 –> % 73.33
10 / 15 –> % 66.67
9 / 15 –> % 60
15 veri ile , % 94.2 , % 66.6 ve % 99.9 tanıma oranı elde edebilmek İMKANSIZ !

Tablo-1 ‘de tanımları verilmemiş, ne oldukları belirsiz
“Doğrulama hatası” ve “Performans”
başlıkları altında baska UYDURMA sayılar da var.

Makalede
“10 saniyelik periyotlarla ölçümler yapılmış ve hasta başına 60 adet veri toplanmıştır”
(sf. 332, “Gereç ve Yöntemler”, paragraf 1)
dense de neden 60 veri toplandığı ve 10 saniyede 1 ölçüm yapıldığı belirtilmemiş.
Çünkü bunların makul bir açıklaması yok.

Ağız kokusundaki amonyak düzeyine göre normal ve 2 tip diyabet hastası kişiler
birbirinden ayırt edilebilecekse, bir kaç ölçüm doğrulamak için yapılabilir,
bunların da 10 saniyede 1 olmasına hiç gerek yok.
Ölçüm değerlerinin en yüksek, en düşük ya da ortalama değeri kullanılarak
yorum yapılır.

Bu problemde yapay sinir ağı kullanmak anlamsızdır.
1 kişiye ait 60 veriyle (üstelik 10 dakika içinde ölçüldüğü iddia edilen ve
muhtemelen birbirinin aynı olması gereken) hesaplama yapmak,
bunları bir yapay sinir ağında girdi olarak kullanmak anlamsızdır.

Bu anlamsız zorlama, yapay sinir ağı kullanmanın anlamsız olduğu bir problemde
yapay sinir ağı kullanıldığını iddia etmek için yapılmıştır.

Alternatif yöntemlerle problem çözümlerinin diğer yöntemlere göre
bir kazancı olması beklenir.
Makaledeki yöntem o problem için anlamsızdır üstelik.

Ağız kokusundaki amonyak düzeyine göre normal ve 2 tip diyabet hastası kişiler
birbirinden ayırt edilebilecekse , bu şöyle formülleştirilen bir problemdir :
amonyak değeri : a
1. tip hastalık eşiği : e1
1. tip hastalık eşiği : e2
olmak üzere
a < e1
–> sağlıklı
3
e1 < a < e2 –> tip-1
e2 < a
–> tip-2

Yani, klasik yöntemlerle çözümü son derece basit bir “2-eşikli eşik değer” problemidir.
Bekir Karlık, yapay sinir ağlarının nerede nasıl kullanılabileceğinden de habersiz.
Üstelik Bekir Karlık’ın ÇALINTI doktora tezinin konusu !

Makalede
i. (sf. 334, “Bulgular”, paragraf 3)
“Back-propagation (BP) algoritmasının ara katman sayısı daha fazla girildiginde,
örneğin 60 adet, daha iyi sonuçlar verdiği görülmülmüştür fakat projede
algoritmalar arasında karşılastırma yapılacağından, parametrelerin birbirine
sadık kalmalarına özen gösterilmiştir”
dense de
“60 adet ara katman kullandigini iddia etmek”,
iyi öğrenimli bir lisans öğrencisinin bile yapmayacağı bir ABUKLAMAdır.

ii. (sf. 335, paragraf 3, “SONUÇ”un üstü)
“Ağımız farklı ara katmanlarla denenmiş olup en iyi performansı
30 ara katmanlı ağ göstermiştir.
Sonuçlar daha fazla iterasyon ve daha fazla ara katman ile denendiğinde
pek tatmin edici olmamaktadır.”
dense de
yapay sinir ağlarında 3 tip katman bulunur :
Girdi, Gizli / Ara, ve Çıktı.
1’den fazla Gizli / Ara katman olabilmesi teorik olarak mümkün olmakla birlikte,
hesaplama zorlukları nedeniyle pratik değildir,
literatürdeki uygulamaların tamamına yakınında Gizli / Ara katman sayisi 1’dir,
2 Gizli / Ara katmanlı çözüme raslamak bile çok zordur.
Üstelik [ii] ile [i] çelişmektedir.
Makalede benzer çelişkiler çoktur.
Bunlar , Bekir Karlık’ın ÇALINTI doktora tezinin de konusu olan
yapay sinir ağlarına dair temel kavramlardan bile habersiz olduğunu
apaçık göstermektedir.

İlgisiz şeylerle, üstelik bunlar tekrarlanarak metin şişirilmiş.
Örnek :
I. nefesteki gaz sayısı (bkz. “Özet” ; sf. 332, paragraf 3 ; sf. 333 – paragraf 2) .
II. Anahtar kelimelerde geçen ilac ismi : Gliburid / Glyburide (tip-2 diyabet tedavisinde
kullanılan bir ilaç) .

Diğer yandan anahtar kelimelerde asıl olması gerekenler yok :
“diyabet tanısı – teşhisi / diagnosing diabetes” ,
“ağız – nefes kokusu / mouth – breath odor”

Türkce terminoloji hatalı, bu da göstermektedir ki
Bekir Karlık, makale konusundan habersiz.
Üstelik bu terminoloji hataları, Bekir Karlık’ın ÇALINTI doktora tezi konularında.
Örnek :
Anahtar kelimelerde geçen,
– “yapı tanıma”nın doğrusu “örüntü tanıma” (pattern recognition).
– “çok katmanlı idrak” dediği şeyin doğrusu “çok katmanli sinir ağı”
(multi layer perceptron).

Üzerlerindeki yazılar, sayılar okunmayan, ne olduğu ve kaynağı meçhul UYDURMA şekiller :
Şekil-5 – 6 ve 7.

Makalenin tek satırını bir editor, hakem okumamış.
Okuyan varsa, okuduğu konulardan habersizmiş. Ya da ….
Sonuçta iyi bir üniversitede lisans ödevi olarak bile geçer not alamayacak bu yazı,
makale olarak yayınlanmış.

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: