Acil çağrı merkezine gelen çağrıların doğal dil işleme yöntemleri ile sınıflandırılması: Bilecik 112 Acil Çağrı Merkezi örneği

Abstract

Acil çağrı merkezleri, modern toplumlarda bireylerin yaşam güvenliği ve toplumsal düzenin sürdürülebilirliği açısından hayati öneme sahip kritik altyapılar arasında yer almaktadır. Bu çalışma, acil durum çağrılarının işlenme süreçlerinde operasyonel verimliliği artırmak ve müdahale sürelerini optimize etmek amacıyla doğal dil işleme (NLP) tabanlı yenilikçi bir otomatik sınıflandırma sistemi önermektedir. Araştırma kapsamında, gerçek çağrı merkezi ortamından elde edilen ses kayıtları öncelikle metinsel veriye dönüştürülmüş, ardından kapsamlı bir veri ön işleme sürecinden geçirilmiştir. Bu süreçte, metin normalizasyonu, tokenizasyon, stop-word eliminasyonu ve özel isimlerin anonimleştirilmesi gibi temel NLP teknikleri uygulanmıştır. Makine öğrenmesi yaklaşımı olarak Naive Bayes, Destek Vektör Makineleri (SVM), Random Forest ve Logistic Regresyon algoritmaları ile birlikte derin öğrenme tabanlı LSTM, CNN, GRU ve BERT modelleri karşılaştırmalı olarak değerlendirilmiştir. Model performansları kesinlik, duyarlılık ve F1-skor standart doğruluk metrikleri ile ölçülmüştür. Deneysel sonuçlarda geliştirilen modellerde farklı doğruluk sonuçlarına ulaşılmıştır. Bu bulgular, acil durum yönetim sistemlerinde yapay zekâ tabanlı çözümlerin operasyonel verimliliği önemli ölçüde artırabileceğini ve insan kaynaklı hataları minimize edebileceğini ortaya koymaktadır. Çalışmanın, gelecekte acil çağrı merkezlerinin dijital dönüşüm çalışmalarına katkı sağlayacağı öngörülmektedir.

Emergency call centers are among the critical infrastructures that are vital for the safety of life and sustainability of social order in modern societies. This study proposes an innovative automatic classification system based on natural language processing (NLP) in order to increase operational efficiency and optimize response times in the processing of emergency calls. Within the scope of the research, voice recordings obtained from a real call center environment were first converted into textual data and then subjected to a comprehensive data preprocessing process. In this process, basic NLP techniques such as text normalization, tokenization, stop-word elimination and anonymization of proper nouns were applied. As a machine learning approach, Naive Bayes, Support Vector Machines (SVM), Random Forest and Logistic Regression algorithms as well as deep learning-based LSTM, GRU,CNN and BERT models were comparatively evaluated. Model performances were measured with precision, sensitivity, and F1-score standard accuracy metrics. Experimental results showed that different accuracy results were achieved in the developed models. These findings reveal that artificial intelligence-based solutions in emergency management systems can significantly increase operational efficiency and minimize human-related errors. It is anticipated that the study will contribute to the digital transformation efforts of emergency services in the future.