Welcome to IKU Institutional Repository
OpenAccess@IKU is Istanbul Kultur University's Institutional Repository , established in June 2014 to digitally store and provide open access to academic and artistic outputs in line with international standards and intellectual property rights. The system includes various outputs such as articles, presentations, theses, books, book chapters, reports, encyclopedias, and works of art produced by the university's faculty members and students.
Recent Submissions
Item type:Publication, Access status: Open Access , Dijitalleşmenin Muhasebe Çalışanları Üzerine Etkileri(İstanbul Kültür Üniversitesi, 2025) ÖZÖĞÜT, ALTUĞ; Mahmut PaksoyMuhasebe mesleği, tarih boyunca ekonomik faaliyetlerin kaydedilmesi, raporlanması ve analiz edilmesi gibi temel işlevleriyle öne çıkmış, geleneksel yapısıyla uzun yıllar boyunca süregelmiştir. Ancak teknolojide yaşanan hızlı gelişmeler, bu mesleği köklü bir dönüşüm süreciyle karşı karşıya bırakmıştır. Dijitalleşme, muhasebe süreçlerinin otomasyonunu, veri güvenliğini, hızı ve şeffaflığı öne çıkarırken, muhasebe meslek çalışanlarının yetkinliklerini yeniden tanımlamalarını zorunlu kılmaktadır. Bu kapsamda dijital teknolojiler, muhasebe işlevlerini sadece kayıt tutma ötesine geçirerek stratejik karar alma süreçlerini destekleyen yenilikçi uygulamaları da beraberinde getirmiştir. Bu tez çalışması, muhasebe mesleğinde dijitalleşmenin etkilerini inceleyerek, dijital dönüşümün meslek çalışanları üzerindeki yansımalarını çeşitli boyutlarda ele almaktadır. Çalışma, dijitalleşmenin muhasebe meslek çalışanları üzerindeki etkilerini incelemek üzerine odaklanmaktadır. Dijital dönüşümün muhasebe süreçlerine olan etkileri, teknolojik yeniliklerin mesleki uygulamalara entegrasyonu çerçevesinde ele alınmış ve bu etkilerin meslek çalışanlarının algı düzeyleri ile ilişkisi incelenmiştir. Araştırma, dijitalleşmenin muhasebe mesleği üzerindeki dönüşümcül etkilerini kavramsal bir çerçeve içinde açıklamaya ve bu dönüşümün çağdaş muhasebe uygulamalarına olan yansımalarını analiz etmeye yöneliktir. Bu kapsamda dijital teknolojilerin muhasebe mesleğine kazandırdığı yenilikler ve bu teknolojilerin meslek çalışanları tarafından benimsenme süreçlerinin ortaya konulması amaçlamakta olup muhasebe meslek çalışanlarının mesleki dijitalleşme sürecindeki mesleki tatmin ve iş stresi üzerindeki etkilerinin incelenmesine odaklanılmıştır. Bu tez çalışması, dijitalleşmenin muhasebe mesleği üzerindeki etkilerine dair literatüre özgün bir katkı sağlamayı hedeflemektedir. Bu hedef doğrultusunda elde edilecek bulgular, meslek çalışanlarının dijital dönüşümü benimseme oranlarını ve bu dönüşümün mesleki uygulamalara olan etkilerini ortaya koyarak hem teorik hem de pratik çıkarımlar sunacaktır.Item type:Item, Access status: Open Access , Uluslararası Ticarette 100 Yılın Mirası ve Sürdürülebilir Gelecek Vizyonu, Cumhuriyetimizin 100. Yılına İthafen(İstanbul Kültür Üniversitesi, 2025) Kolektif; ed., Çiğdem Kaya Yaşa; ed., Nebile Korucu Gümüşoğlu; ed., Namıka Elif KüçükItem type:Publication, Access status: Open Access , HIV Enfeksiyonu Tanı Verilerinin Üç yıllık Çok Merkezli Analizi(Ankara Mikrobiyoloji Derneği, 2025) KARALTI, İSKENDERTürkiye’de kullanılan üç basamaklı insan immün yetmezlik virüsü [human immunodeficiency virus (HIV)] testi algoritması, Centers for Disease Control and Prevention güncel HIV testi algoritmasına uygun olarak 2019 yılında güncellenmiş ve yürürlüğe girmiştir. Bu çalışmada, HIV/edinilmiş bağışıklık yetmezliği sendromu tanısında ülkemizdeki mevcut durumun ortaya konması amacıyla çok merkezli ve multidisipliner bir yaklaşımla HIV test verileri hakkında çok merkezli veri elde edilebilmesi ve HIV tanısında yeni algoritma uygulamaları ve sahada yaşanılan problemlerin tespit edilebilmesi amaçlanmıştır. Bu amaçla 12 HIV test merkezine 57 soruluk bir anketle kullandıkları HIV test algoritmaları, uygulamada karşılaştıkları sorunlar ve çözüm önerileri sorulmuştur. 2018-2020 yılları arasındaki toplam üç yıllık dördüncü kuşak HIV enzim bağlantılı immünosorbent testi [enzyme linked immunsorbent assay (ELISA)] test sayıları, tekrarlayan reaktif test sayıları, HIV doğrulama test sonuçlarının dağılımı ve HIV nükleik asit amplifikasyon test (NAT) sayıları ile mevcut algoritmanın performansı ve merkezlerin güncel HIV durumu değerlendirilmiştir. 2018-2020 yılları arasında toplam çalışılan anti-HIV ELISA test sayıları yıllara göre sırasıyla 788261, 871299, 835498, tekrarlayan reaktivite oranları 0.48, 0.51 ve 0.70 iken; doğrulanmış HIV test oranları ise 0.24, 0.25 ve 0.21 olarak bulunmuştur. Bu dönemde Western Blot (WB) doğrulama testi kullanım oranları sırasıyla %25.77, %12.29 ve %9.86 olup kullanımının giderek azaldığı görülmektedir. Mevcut algoritmada önerilen HIV-1/2 antikor ayırt edici hızlı doğrulama testlerinin (AAEHDT) kullanım oranları sırasıyla %25.72, %38.76 ve %45.78 olarak bulunmuş olup WB’nin yerini aldığı görülmektedir. Yıllara göre çalışılan HIV-1 RNA oranları da sırasıyla %48.77, %97.98 ve %46.31 olarak bulunmuştur. Çalışmada yeni algoritmada yer alan HIV-1/2 antikor ayırt edici hızlı doğrulama testinin kullanımının giderek arttığı ve HIV tanısında daha etkin kullanıldığı, HIV-1 NAT kullanımının ise azaldığı görülmektedir. Koronavirüs hastalığı 2019 [coronavirus diseases-2019 (COVID-19)] pandemisinin gölgesinde NAT olanaklarının COVID-19 polimeraz zincir reaksiyonu çalışmalarına kaydırılmasıyla ilişkilendirilen bu durum, ülkemizdeki HIV salgınındaki olası değişimler açısından daha detaylı izlem gerektirmektedir.Item type:Publication, Access status: Open Access , A Comparative Analysis of CNN Architectures, Fusion Strategies, and Explainable AI for Fine-Grained Macrofungi Classification(MDPI, 2025) Sevindik, Mustafa; KORKMAZ, ARAS FAHRETTİN; Ekinci, Fatih; Kumru, Eda; Altındal, Ömer Burak; Aydin, Alperen; Güzel, Mehmet Serdar; Akata, IlgazThis study was motivated by the persistent difficulty of accurately identifying morphologically similar macrofungi species, which remains a significant challenge in fungal taxonomy and biodiversity monitoring. This study presents a deep learning framework for the automated classification of seven morphologically similar coprinoid macrofungi species. A curated dataset of 1692 high-resolution images was used to evaluate ten state-of-the-art convolutional neural networks (CNNs) and three novel fusion models. The Dual Path Network (DPN) achieved the highest performance as a single model with 89.35% accuracy, a 0.8764 Matthews Correlation Coefficient (MCC), and a 0.9886 Area Under the Curve (AUC). The feature-level fusion of Xception and DPN yielded competitive results, reaching 88.89% accuracy and 0.8803 MCC, demonstrating the synergistic potential of combining architectures. In contrast, lighter models like LCNet and MixNet showed lower performance, achieving only 72.05% accuracy. Explainable AI (XAI) techniques, including Grad-CAM and Integrated Gradients, confirmed that high-performing models focused accurately on discriminative morphological structures such as caps and gills. The results underscore the efficacy of deep learning, particularly deeper architectures and strategic fusion models, in overcoming the challenges of fine-grained visual classification in mycology. This work provides a robust, interpretable computational tool for automated fungal identification, with significant implications for biodiversity research and taxonomic studies.Item type:Publication, Access status: Open Access , Combination Ensemble and Explainable Deep Learning Framework for High-Accuracy Classification of Wild Edible Macrofungi(MDPI, 2025) KORKMAZ, ARAS FAHRETTİN; Ekinci, Fatih; Kumru, Eda; Altas, Sehmus; Gunes, Seyit Kaan; Yalcin, Ahmet Tunahan; Guzel, Mehmet Serdar; Akata, IlgazAccurate identification of wild edible macrofungi is essential for biodiversity conservation, food safety, and ecological sustainability, yet remains challenging due to the morphological similarity between edible and toxic species. In this study, a curated dataset of 24 wild edible macrofungi species was analyzed using six state-of-the-art convolutional neural networks (CNNs) and four ensemble configurations, benchmarked across eight evaluation metrics. Among individual models, EfficientNetB0 achieved the highest performance (95.55% accuracy), whereas MobileNetV3-L underperformed (90.55%). Pairwise ensembles yielded inconsistent improvements, highlighting the importance of architectural complementarity. Notably, the proposed Combination Model, integrating EfficientNetB0, ResNet50, and RegNetY through a hierarchical voting strategy, achieved the best results with 97.36% accuracy, 0.9996 AUC, and 0.9725 MCC, surpassing all other models. To enhance interpretability, explainable AI (XAI) methods Grad-CAM, Eigen-CAM, and LIME were employed, consistently revealing biologically meaningful regions and transforming the framework into a transparent decision-support tool. These findings establish a robust and scalable paradigm for fine-grained fungal classification, demonstrating that carefully engineered ensemble learning combined with XAI not only advances mycological research but also paves the way for broader applications in plant recognition, spore analysis, and large-scale vegetation monitoring from satellite imagery.