Otomatik Düşüncelere Makine Öğrenme Yöntemlerinin Uygulanması ile Aleksitimi Düzeyinin Tahmini
Notice bibliographique
Résumé
Bu araştırmada bilişsel davranışçı terapi kavramlarından otomatik düşüncelerin aleksitimi ile ilişkisi incelenmiştir. Bu amaçla otomatik düşünceler ölçeğini oluşturan en etkili öznitelikleri tespit etmek için FisherScore analizi uygulanmıştır. Ayrıca veri kümesinin Yapay Sinir Ağı (YSA) ve Destek Vektör Makinesi (DVM) makine öğrenmesi yöntemlerine giriş olarak verilmesiyle aleksitimi düzeyi tahmin edilmiş ve bu sayede önceliğin hangi otomatik düşüncelere vermesi gerektiği konusunda bir yol haritası sunulması amaçlanmıştır. Araştırma Türkiye’nin 10 farklı ilinden 386 (%54) erkek 328 (%46) kadın olmak üzere 714 katılımcı ile gerçekleştirilmiştir. Katılımcılara kişisel bilgiler formu, Otomatik Düşünceler Ölçeği ve Toronto Aleksitimi ölçeği uygulanmıştır. Otomatik düşünceler ölçeğinden elde edilen veri kümesine Fisher Score yöntemi ile öznitelik seçim işlemi uygulanarak 5 adet öznitelik içeren veri kümesi elde edilmiştir. Bu veri kümesine DVM yönteminin uygulanması sonucunda 4.01 RMSE hatası ile aleksitimi seviyesi tahmin edilmiştir. Sonuçlar otomatik düşünceler ölçeğindeki özniteliklerin aleksitimi düzeyi ile ilişkili olduğunu göstermektedir.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,011 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».