Üniversite Öğrencilerinde Akademik Stres Sınıflandırması İçin Açıklanabilir Makine Öğrenmesi Çerçevesi: Çoklu Veri Kümeli Karşılaştırmalı Çalışma

Üniversite öğrencilerinin zihinsel sağlığı ve akademik stres düzeyleri, modern yükseköğretim ekosisteminde hem akademik başarıyı hem de genel iyi oluşu doğrudan etkileyen kritik bir inceleme alanıdır. Sınav kaygısı, akran rekabeti, uyku düzensizlikleri ve geleceğe yönelik belirsizlikler, öğrencilerin çalışma belleğini ve dikkat kontrolünü zayıflatarak eğitim süreçlerinde aksamalara yol açmaktadır. Literatürde makine öğrenmesi tabanlı yaklaşımların yaygınlaşmasına karşın, mevcut ampirik araştırmaların çoğunlukla tek bir veri kümesiyle sınırlı kalması, sınıflar arası dağılım eşitsizliklerini sistematik biçimde yönetememesi ve kara kutu modellerin karar mekanizmalarını şeffaf hale getirememesi ciddi bir metodolojik kısıt oluşturmaktadır. Bu çalışma, söz konusu eksiklikleri gidermek amacıyla çok boyutlu ve açıklanabilir bir makine öğrenmesi mimarisini ampirik olarak test etmeyi amaçlamaktadır.

Araştırmada iki tamamlayıcı veri kümesi analiz edilmiştir: İlki 18-22 yaş arası 777 üniversite öğrencisinin eustress, distress ve stres yokluğu sınıflarını içeren aşırı dengesiz bir veri kümesi (yüzde 91,4 eustress), ikincisi ise 20 psikolojik, fizyolojik, çevresel ve akademik öznitelikten oluşan ve üç farklı stres şiddeti düzeyine (düşük, orta, yüksek) dengeli biçimde ayrılan 1.100 kayıtlık veri kümesidir. Beş denetimli öğrenme algoritması (Lojistik Regresyon, Rastgele Orman, Gradyan Artırma, RBF çekirdekli Destek Vektör Makineleri ve Çok Katmanlı Algılayıcı), 10 kez tekrarlanan tabakalı 5 katlı çapraz doğrulama yöntemiyle sınanmıştır. Dengesiz veri kümesinde SMOTE tekniği yalnızca eğitim bölüntülerine uygulanmış ve bileşen katkıları ablasyon çalışmasıyla ayrıştırılmıştır. Modellerin performans farkları parametrik olmayan Friedman testi ve post-hoc Nemenyi analiziyle doğrulanmış, model kararları ise TreeSHAP ile açıklanmıştır.

Elde edilen deneysel bulgular, Rastgele Orman algoritmasının 0,8909 doğruluk, 0,8907 F1 skoru, 0,8373 Matthews korelasyon katsayısı ve 0,2057 ile en düşük logaritmik kayıp değerini elde ederek genel performansta en üstün sınıflandırıcı olduğunu göstermiştir. Doğrusal karar sınırına sahip Lojistik Regresyon ise 0,9853 AUC-ROC değeriyle ayırt edicilik kapasitesinde öne çıkmıştır. Friedman testi algoritmalar arasında istatistiksel olarak anlamlı farklılıklar ortaya koymuş (ki-kare = 68,97, p < 0,001), Nemenyi analizi ise Rastgele Orman ile Lojistik Regresyon'un üstün bir küme oluşturduğunu belirlemiştir. Ablasyon analizi, SMOTE tekniği kaldırıldığında genel doğruluk sabit kalmasına rağmen 'Stres Yok' sınıfı duyarlılığının dramatik bir çöküşle 0,1250 seviyesine gerilediğini ve azınlık sınıflarının tahmininde dengesizlik düzeltiminin zorunlu olduğunu somut olarak kanıtlamıştır.

TreeSHAP tabanlı açıklanabilirlik incelemeleri, genel stres şiddetini belirleyen en kritik özniteliklerin öznel kan basıncı algısı, uyku kalitesi, öğretmen-öğrenci ilişkisi ve akademik başarı olduğunu göstermiştir. Yüksek stres sınıfı özelinde ise düşük benlik saygısı, bozulmuş uyku kalitesi, akran zorbalığı ve yoğun kaygı düzeyi en güçlü itici güçler olarak öne çıkmıştır. Bu sonuçlar, üniversitelerin psikolojik danışmanlık ve rehberlik merkezlerinin reaktif taramalar yerine çok değişkenli erken uyarı sistemlerini kurumsal karar alma süreçlerine dahil etmesi gerektiğini göstermektedir. Literatür taraması açısından çalışma, eğitim verisi madenciliğinde yalnızca ham doğruluk oranlarına güvenmenin yanıltıcı olacağını, istatistiksel anlamlılık testleri, sınıf dengesizliği ablasyonu ve yerel açıklanabilirlik protokollerinin bir arada sunulmasının yöntemsel bir gereklilik olduğunu ortaya koymaktadır.

Çalışma, Rastgele Orman algoritmasinin genel doğruluk ve log kaybi acisindan diğer modellere gore istatistiksel olarak daha dengeli ve guvenilir bir performans sundugunu göstermistir. Yazarlar, bu ustunlugun topluluk öğrenme yöntemlerinin anket verilerindeki karmasik ilişkileri yakalama yeteneginden kaynaklandigini açıklamaktadir. Bu bulgu, literatürdeki eğitim veri madenciligi çalışmalariyla uyumlu olup, universite bazli erken uyari sistemleri için karar destek mekanizmasi olarak önerilmektedir.

SHAP analizinin sonuçları, kan basinci algisi ve uyku kalitesinin tum stres seviyelerinde en kritik belirleyiciler oldugunu ortaya koyarak stresin biyopsikososyal karakterini desteklemistir. Yazar, özellikle 'Yüksek Stres' grubunda düşük ozguvenin belirleyici rolu üzerine odaklanarak, bilissel değerlendirme süreçlerinin stresin siddetini artiran temel mekanizma oldugunu savunmaktadir. Bu durum, müdahale programlarinin yalnizca akademik yukle degil, öğrencinin oz saygi ve fiziksel sağlık göstergeleriyle de ilgilenmesi gerektigine isaret etmektedir.

Sınıf dengesizliginin SMOTE ile giderilmesinin, eustress gibi cogunluk siniflarin baskin oldugu durumlarda azinlik siniflarin (distress gibi) tespit edilme basarisini artirdigi saptanmistir. Yazarlar, geleneksel modellerin dengesiz verilerde yüksek doğruluk verse bile klinik acidan kritik vakalari kacirabilecegi riskini vurgulayarak, bu on isleme adiminin onemini kanıtlamaktadir. Bu yaklaşim, benzer mental sağlık veri setlerinde modelin hassasiyetini ve gercek dunya uygulabilirligini guclendiren bir unsur olarak değerlendirilmektedir.

Friedman ve Nemenyi testleri aracıligiyla yapilan istatistiksel doğrulama, modeller arasindaki farklarin tesadufi olmadigini kesinlestirerek çalışmanın metodolojik titizligini ortaya koymustur. Yazarlar, salt metrik bazli karşılaştırmalar yerine bu tur istatistiksel onemlilik testlerinin kullanılmasini makine öğrenmesi literatürunde bir standart olarak önermektedir. Sonuç olarak, bu metodoloji öğrencilerin stres durumlarini takip etmek ve kisisellestirilmis rehberlik sağlamak için seffaf ve guvenilir bir yol haritasi sunmaktadir.

Bu çalışmanın sonuçları, açıklanabilir yapay zeka yöntemlerinin akademik stres tahmini üzerindeki seffaflik sağlayici rolunu vurgulayan Tariq ve arkadaslarinin bulgulariyla tam bir uyum içerisindedir (Omarbekova et al., 2026).

Yazarin eustress ve distress arasindaki ayrimi vurgulayan yaklaşimi, stresin bilissel değerlendirme çerçevelerindeki farklı adaptasyon bicimlerini inceleyen Fullerton ve arkadaslarinin kuramsal modeliyle paralellik göstermektedir (Omarbekova et al., 2026).

Bu çalışma, üniversite öğrencilerinin mental sağlığına yönelik makine öğrenmesi literatüründe salt tahmin odaklı modellerden, kurumsal düzeyde yorumlanabilir ve metodolojik olarak doğrulanmış çerçevelere geçişi temsil etmektedir. Mevcut literatürde sıkça karşılaşılan kara kutu modelleme sorununa, SHAP tabanlı açıklanabilirlik katmanıyla yanıt vererek, eğitim yöneticileri için şeffaf bir karar destek mekanizması sunar. Akademik stresi hem tür (eustress/distress) hem de şiddet bazlı olarak ele alması, çalışmayı teorik ayrışmaların pratik uygulamalara dönüştürüldüğü bütüncül bir konuma yerleştirmektedir. Ayrıca, model performanslarını sadece metriklerle değil, parametrik olmayan istatistiksel testlerle değerlendirmesi, eğitim veri madenciliği alanında metodolojik bir standart oluşturma işlevi görmektedir.

Yazar, önceki çalışmaların çoğunlukla tekil veri setlerine odaklandığını ve veri setlerindeki doğal sınıf dengesizliği sorununu metodolojik titizlikle ele almadığını belirterek mevcut literatürle arasına mesafe koymaktadır. AlShorman ve ark. (2022) gibi fizyolojik sinyal tabanlı çalışmaların laboratuvar ortamındaki yüksek başarısına karşın, bu çalışmada gerçek dünya üniversite ortamlarındaki ölçeklenebilirlik ve ekolojik geçerlilik vurgulanmaktadır. Literatürde eksikliği hissedilen çoklu veri seti doğrulaması ve ablasyon analizi adımları, bu araştırmayı önceki modellerin ötesine taşıyan temel farklardır. Tariq ve ark. (2025) tarafından savunulan açıklanabilirlik ihtiyacı, bu çalışmada Friedman ve Nemenyi testleri gibi istatistiksel katmanlarla birleştirilerek literatürdeki kanıt düzeyi yükseltilmektedir.

Makale, akademik stresin sadece sınav yükü veya ders yoğunluğu gibi klasik faktörlerle değil; kan basıncı algısı, uyku kalitesi ve akran zorbalığı gibi geniş bir spektrumda şekillendiğini kanıtlayarak literatüre önemli bir sentez kazandırmaktadır. Özellikle 'Yüksek Stres' kategorisinde öz saygı faktörünün belirleyici rolünü ön plana çıkarması, mental sağlık taramalarında bilişsel değerlendirme süreçlerinin önemine dair kuramsal tartışmaları desteklemektedir. Araştırmanın sunduğu ablasyon analizi sonuçları, dengesiz veri setlerinde 'toplam doğruluk' metriğinin ne kadar yanıltıcı olabileceğini göstererek, gelecek tarama çalışmalarında kullanılacak performans göstergeleri için kritik bir uyarı niteliği taşımaktadır. Bu yönüyle çalışma, hem teknik hem de pedagojik bir referans kaynağı olarak literatürdeki yerini sağlamlaştırmaktadır.