AI Summary & Key Takeaways
AI InsightConclusions: Accordingly, it is possible to say that the methods of machine learning through somatization and emotional self-awareness concepts can be used to estimate the victimization of violence of individuals at a certain rate of accuracy.
📌 3 Key Takeaways
Abstract
Objective: This study aims to predict the violent victimization of individuals using the classifiation of algorithms of supervised learning, one of the methods of machine learning through somatization and emotional self-awareness concepts. Materials and Methods: This study consisted of 552 participants, 149 (27%) male and 403 (73%) women. Personal Information Form, Somatization Scale and An Emotional Self Awareness Scale-10 (A-DÖFÖ-10) were used as data collection tools in this study. K-Nearest Neighbor, Support Vector Machines, Naive Bayes and Logistics Regression, one of the classifiation algorithms frequently used in machine learning, were applied. Results: The performance comparison of the relevant classers was made according to the model performance criteria. Given accuracy and f1-score values, the best classifiation performance was derived from Logistics Regression with 0.74 accuracy and 0.82 f1-score value. Conclusions: Accordingly, it is possible to say that the methods of machine learning through somatization and emotional self-awareness concepts can be used to estimate the victimization of violence of individuals at a certain rate of accuracy.
Özet
Amaç: Bu çalışma somatizasyon ve duygusal öz farkındalık kavramları üzerinden makine öğrenmesi yöntemlerinden biri olan gözetimli öğrenmenin sınıflndırma algoritmaları ile bireylerin şiddet mağduriyetlerinin tahmin edilmesi amacını taşımaktadır. Gereç ve Yöntem: Çalışma 149 (%27) erkek ve 403 (%73) kadın olmak üzere toplam 552 katılımcıdan oluşmaktadır. Araştırmada veri toplama araçları olarak Kişisel Bilgi Formu, Somatizasyon Ölçeği ve A Duygusal Öz Farkındalık Ölçeği-10 (A-DÖFÖ-10) kullanılmıştır. Makine öğrenmesinde sıkça kullanılan sınıflndırma algoritmalarından K-En Yakın Komşu, Destek Vektör Makineleri, Naive Bayes ve Lojistik Regresyon kullanılmış; ilgili sınıflyıcıların performans karşılaştırması model başarım ölçütlerine göre yapılmıştır. Bulgular: Doğruluk ve f1-skoru değerleri göz önüne alındığında en iyi sınıflma performansı 0.74 doğruluk ve 0.82 f1-skoru değeri ile Lojistik Regresyondan elde edilmiştir. Sonuç: Bu doğrultuda somatizasyon ve duygusal öz farkındalık kavramları üzerinden makine öğrenmesi yöntemleri ile bireylerin şiddet mağduriyetlerinin belirli bir doğruluk oranında tahmin edilebildiğini söylemek mümkündür.