AI Summary & Key Takeaways
AI InsightThe findings indicate that the feature selection process positively affected model performance; however, the most stable and highest performance was achieved by the MLP model with an accuracy rate of 92.5%.
📌 3 Key Takeaways
Abstract
In recent years, with the widespread adoption of digitalization, gaming addiction has emerged as a problem that increasingly affects individuals’ social relationships and academic lives. This study aims to predict gaming addiction risk levels using machine learning algorithms and to identify the variables influencing model performance. Within the scope of the research, Decision Trees, K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Extreme Gradient Boosting (XGBoost), and Multi-Layer Perceptron (MLP) models were comparatively analyzed. To address class imbalance in the dataset, the SMOTE method was applied, and a two-stage feature selection process was conducted to reduce model complexity and enhance discriminative power. In the first stage, feature importance scores were determined using the Random Forest (RF) algorithm, followed by the selection of the most suitable feature subset through Recursive Feature Elimination with Cross-Validation (RFECV). The findings indicate that the feature selection process positively affected model performance; however, the most stable and highest performance was achieved by the MLP model with an accuracy rate of 92.5%. It was observed that the early stopping strategy applied in the MLP architecture helped improve generalization performance by reducing the risk of overfitting. Overall, the findings indicate that machine learning methods can classify gaming addiction risk levels within the scope of the dataset used; however, external validation with different datasets and further expert-based evaluations are required before the model can be considered for clinical decision-support or early warning purposes.
Özet
Son yıllarda dijitalleşmenin yaygınlaşmasıyla birlikte oyun bağımlılığı, bireylerin sosyal ilişkileri ve akademik yaşamı üzerinde giderek daha belirgin etkiler gösteren bir sorun haline gelmiştir. Bu çalışmada, makine öğrenmesi algoritmalarını kullanarak oyun bağımlılığı risk düzeylerinin tahmin edilmesi ve model performansını etkileyen değişkenlerin belirlenmesi amaçlanmıştır. Araştırma kapsamında Karar Ağaçları, K-En Yakın Komşu (KNN), Destek Vektör Makineleri (SVM), Aşırı Gradyan Artırma (XGBoost) ve Çok Katmanlı Yapay Sinir Ağları (MLP) modelleri karşılaştırmalı olarak analiz edilmiştir. Veri setindeki sınıfsal dengesizliği gidermek amacıyla SMOTE yöntemi uygulanmış, model karmaşıklığını azaltmak ve ayırt ediciliği artırmak için ise iki aşamalı bir özellik seçimi süreci gerçekleştirilmiştir. İlk aşamada Rastgele Orman (RF) algoritması ile değişkenlerin önem skorları belirlenmiş, ikinci aşamada ise Çapraz Doğrulama Destekli Yinelemeli Özellik Eleme (RFECV) yöntemi ile en uygun özellik alt kümesi seçilmiştir. Elde edilen bulgular, özellik seçimi sürecinin model performansını olumlu yönde etkilediğini göstermiştir, ancak en kararlı ve yüksek başarının %92,5 doğruluk oranı ile MLP mimarisi tarafından sergilendiğini ortaya koymuştur. MLP mimarisi özelinde devreye alınan erken durdurma (early stopping) stratejisinin aşırı öğrenme (overfitting) riskini azaltarak modelin genelleme performansına katkı sağladığı değerlendirilmektedir. Elde edilen bulgular, kullanılan veri seti kapsamında oyun bağımlılığı risk düzeylerinin makine öğrenmesi yöntemleriyle sınıflandırılabileceğini göstermektedir; ancak modelin klinik karar destek veya erken uyarı amacıyla kullanılabilmesi için farklı veri setleriyle dış doğrulama yapılmasına ve uzman değerlendirmesiyle desteklenen ek çalışmalara ihtiyaç duyulmaktadır.