Otomatik Düşüncelere Makine Öğrenme Yöntemlerinin Uygulanması ile Aleksitimi Düzeyinin Tahmini
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".