SİBER AYLAKLIK TESPİTİNE YÖNELİK YENİ YAKLAŞIMLAR

Abstract

İnternet ve dijital teknolojilerin yaygınlaşması, iş yerleri ve eğitim kurumları gibi yapılandırılmış ortamlarda bireylerin görev süreleri içerisinde çevrimiçi faaliyetlere yönelmesine neden olmuştur. Bu durum, literatürde siber aylaklık olarak tanımlanmakta ve çalışanların veya öğrencilerin sorumlulukları dışındaki dijital etkinliklere zaman ayırmasını ifade etmektedir. Siber aylaklık, üretkenlik kaybı, zaman yönetimi sorunları ve kurumsal verimlilik üzerinde olumsuz etkilere yol açabilmekle birlikte, bazı çalışmalarda kısa süreli çevrimiçi molaların stres azaltıcı ve yaratıcılığı destekleyici etkileri olabileceği de belirtilmektedir. Bu nedenle siber aylaklık, yalnızca engellenmesi gereken bir davranış değil, bağlamsal olarak değerlendirilmesi gereken karmaşık bir olgu olarak ele alınmalıdır. Literatürde siber aylaklık tespitine yönelik çalışmalar incelendiğinde, çoğunlukla tek boyutlu yaklaşımların benimsendiği; yalnızca URL listeleri, uygulama süreleri veya kural tabanlı sınıflandırmalar üzerinden değerlendirmeler yapıldığı görülmektedir. Bu yaklaşımlar, kullanıcı davranışının zamansal bağlamını ve içerik semantiğini yeterince dikkate almadığından, özellikle sınır durumlarda ve yeni içerik türlerinde yetersiz kalmaktadır. Bu tez çalışmasında, siber aylaklık problemini çok katmanlı bir yapı içerisinde ele alan hibrit bir tespit sistemi önerilmektedir. Geliştirilen sistem; tarayıcı geçmişi izleme, zaman tabanlı desen tanımlama, içerik tabanlı analiz ve kural tabanlı değerlendirme bileşenlerini bir araya getirmekte; elde edilen çıktıları makine öğrenmesi ve büyük dil modeli (LLM) destekli bir karar mekanizması ile değerlendirmektedir. Sistem, gerçek kullanıcı verileri üzerinde test edilmiş ve geleneksel yaklaşımlara kıyasla daha esnek ve bağlamsal sonuçlar üretebildiği gözlemlenmiştir. Sonuç olarak, bu çalışma siber aylaklık tespitini yalnızca izleme ve engelleme odaklı bir problem olarak değil, davranışsal ve bağlamsal bir analiz problemi olarak ele almaktadır. Bu kapsamda, tarayıcı geçmişi izleme, zaman tabanlı desen tanımlama, içerik tabanlı web sayfası analizi ve kural tabanlı değerlendirme bileşenlerini bir araya getiren çok katmanlı bir hibrit tespit sistemi geliştirilmiştir. Geliştirilen sistemde, elde edilen öznitelikler makine öğrenmesi ve büyük dil modeli (LLM) destekli bir karar mekanizması aracılığıyla değerlendirilerek siber aylaklık davranışları sınıflandırılmaktadır. Bu yönüyle çalışma, yazılım mühendisliği perspektifinden uygulanabilir, genişletilebilir ve bağlamsal farkındalığı yüksek bir çözüm sunmaktadır.The widespread adoption of the internet and digital technologies has led individuals to engage in online activities during their working hours in structured environments such as workplaces and educational institutions. This is defined in the literature as cyberloafing and refers to employees or students dedicating time to digital activities outside of their responsibilities. While cyberloafing can lead to loss of productivity, time management problems, and negative impacts on organizational efficiency, some studies also suggest that short online breaks may have stress-reducing and creativity-boosting effects. Therefore, cyberloafing should be considered not only as a behavior to be prevented but also as a complex phenomenon requiring contextual evaluation. When examining studies on cyberloafing detection in the literature, it is seen that mostly one-dimensional approaches are adopted; evaluations are made only through URL lists, application durations, or rule-based classifications. Since these approaches do not adequately consider the temporal context and content semantics of user behavior, they are particularly insufficient in borderline cases and new content types. In this thesis, a hybrid detection system is proposed that addresses the problem of cyberloafing within a multi-layered structure. The developed system combines browser history monitoring, time-based pattern identification, content-based analysis, and rule-based evaluation components; it evaluates the obtained outputs with a decision mechanism supported by machine learning and a large language model (LLM). The system has been tested on real user data and it has been observed that it can produce more flexible and contextual results compared to traditional approaches. In conclusion, this study addresses cyberloafing detection not only as a monitoring and blocking-focused problem, but also as a behavioral and contextual analysis problem. In this context, a multi-layered hybrid detection system has been developed that combines browser history monitoring, time-based pattern identification, content-based web page analysis, and rule-based evaluation components. In the developed system, the obtained features are evaluated through a decision mechanism supported by machine learning and a large language model (LLM) to classify cyberloafing behaviors. In this respect, the study offers a solution that is applicable, extensible, and highly contextually aware from a software engineering perspective.