Geri Dön

Makine öğrenmesi yöntemleri kullanılarak ekran süresiyle kişinin duygu durumu değişimi analizi

Analyzing changes in emotional states through screen time using machine learning approaches

PDF İndir

  1. Tez No: 980153
  2. Yazar: ŞULE YAĞMUR KARA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İSA AVCI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, teknoloji kullanımının artmasıyla paralel olarak artış gösteren ekran başında kalma sürelerinin psikolojik sağlık ile arasındaki ilişki incelenmiştir. Teknoloji kullanımının artmasıyla birlikte, ekran süresindeki yükseliş; stres, ruh sağlığı ve genel duygusal denge üzerindeki etkilerine dair endişeleri de beraberinde getirmiştir. Bu araştırmadaki temel amaç fiziksel aktivite değerlendirmeleri ve teknoloji kullanımı gibi davranış göstergelerinin arasında ilişki kurarak bireyin stres düzeyi ve ruhsal sağlık durumu üzerindeki etkilerini analiz ederek, psikolojik risk gruplarının belirlenmesinde veriye dayalı bir değerlendirme yapılmasını sağlamaktır. Bu ilişkiyi araştırmak için iki farklı veri seti analiz edilmiştir. Araştırmada kullanılan veri setleri, kişilerin günlük teknoloji kullanımının ruh sağlığını nasıl etkilediğine dair bilgiler sunmaktadır. Teknolojiye maruz kalma süresi, sosyal medya ve oyun aktiviteleri, uyku süresi, yaş ve cinsiyet gibi bilgileri içermektedir. Bunların yanı sıra katılımcıların öz bildirim yoluyla ifade ettikleri stres seviyeleri ve zihinsel sağlık durumları da modelde kullanılmıştır. Özellik mühendisliği kullanılarak ham verilerden anlamlı ve yeni değişkenler de üretilmiştir. Çalışmada hedef değişkenler olarak katılımcıların stres seviyesi ve ruhsal sağlık durumu bilgileri birlikte değerlendirilmiştir. Hedef değişken“Düşük Risk”,“Orta Risk”ve“Yüksek Risk”olarak sınıflandırılmıştır. Verilerdeki dengesizliği gidermek amacıyla SMOTE (Synthetic Minority Over-sampling Technique) yöntemi uygulanmış model eğitimleri dengeli veri setleri üzerinden gerçekleştirilmiştir. Makine öğrenmesi yöntemlerinden olan sınıflandırma sürecinde çeşitli algoritmalar kullanılmıştır. Bunlar arasında başlıca Random Forest, XGBoost algoritmaları yer almaktadır. Modeller arasındaki başarılar doğruluk oranı (accuracy), F1 skoru, hassasiyet (precision) ve geri çağırma (recall) gibi metriklerle karşılaştırmalı olarak değerlendirilmiştir. Bu algoritmalar arasında en yüksek doğruluk oranına %83 ile XGBoost modeli ulaşmıştır. Elde edilen bulgular, dijital davranış verilerine dayalı olarak eğitilen makine öğrenmesi modellerinin, psikolojik riskleri tahmin etmede geleneksel yöntemlere kıyasla daha güçlü öngörü kabiliyeti sunduğunu göstermektedir. Bu durum, ruh sağlığının değerlendirilmesinde veri odaklı müdahale sistemlerinin potansiyelini ortaya koymaktadır. Ayrıca çalışma, dijital davranışlar ile zihinsel iyi oluş arasındaki bağlantıyı daha derinlemesine anlamaya katkı sağlamakta ve gelecekte yapılacak disiplinler arası araştırmalar için bir temel sunmaktadır.

Özet (Çeviri)

In this study, the relationship between the increasing duration of screen time parallel to the rise in technology use and psychological health is examined. With the widespread use of technology, the growth in screen time has raised concerns regarding its potential effects on stress, mental health, and overall emotional balance. The primary aim of this research is to establish associations between behavioral indicators such as physical activity assessments and technology use, and to analyze their impact on an individual's stress level and mental health status. In doing so, the study seeks to provide a data-driven evaluation framework for identifying psychological risk groups. To investigate this relationship, two distinct datasets were analyzed. These datasets provide insights into how individuals' daily technology use influences their mental health. They include information such as duration of technology exposure, social media and gaming activities, sleep duration, age, and gender. In addition, participants' self-reported stress levels and mental health conditions were incorporated into the model. Through feature engineering, meaningful and novel variables were derived from raw data. In the study, the target variables were defined as participants' stress levels and mental health conditions, which were jointly evaluated. The target variable was classified into three categories:“Low Risk,”“Moderate Risk,”and“High Risk.”To address class imbalance within the data, the Synthetic Minority Over-sampling Technique (SMOTE) was applied, and model training was performed on balanced datasets. Various algorithms were employed during the classification process, including Random Forest and XGBoost. The performance of these models was comparatively evaluated using metrics such as accuracy, F1-score, precision, and recall. Among the algorithms, the XGBoost model achieved the highest accuracy with 83%. The findings demonstrate that machine learning models trained on digital behavioral data provide stronger predictive power in identifying psychological risks compared to traditional approaches. This highlights the potential of data-driven intervention systems in the assessment of mental health. Furthermore, the study contributes to a deeper understanding of the connection between digital behaviors and mental well-being, offering a foundation for future interdisciplinary research.

Benzer Tezler

  1. Tez No

    441727

    Uyarlamalı zeki öğretim ssisteminde bulanık mantık yaklaşımı ile öğrenci modelleme

    Adaptive intelligent tutorial system with fuzzy logic aproach student model

    ÖZNUR ÖCAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Eğitim ve ÖğretimMarmara Üniversitesi

    Elektronik-Bilgisayar Ana Bilim Dalı

    YRD. DOÇ. DR. BUKET DOĞAN

  2. Tez No

    928164

    Bir soğutma setinin performansının görselleştirilmesi

    Visualization of the performance of a cooling set

    İLYAS SEVİNÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Makine MühendisliğiIsparta Uygulamalı Bilimler Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ARİF EMRE ÖZGÜR

  3. Tez No

    861337

    Yapay zekâ algoritmaları ile ameliyat sırasındaki mikroskop görüntüleri üzerinden derin öğrenme tekniği ile pediatrik posterior fossa (arka çukur) tümör tanımlama yapılması

    Pediatric posterior fossa tumor identification using artificial intelligence algorithms and deep learning techniques on intraoperative microscopic images

    AHMET KARAGÖZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    NöroşirürjiMarmara Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    DOÇ. DR. MUSTAFA SAKAR

  4. Tez No

    539297

    Emotion recognition process analysis by using eye tracker, sensor and application log data

    Göz izleme cihazı, sensör ve uygulama verileri ile insanlarda duygu tanıma analizi

    MAHİYE ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  5. Tez No

    496446

    Manipulation of visually recognized objects using deep learning

    Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi

    ERTUĞRUL BAYRAKTAR

    Doktora

    İngilizce

    İngilizce

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR BOYRAZ

Geri Dön