---
type: "Akademik Makale Analizi"
title: "Üniversite Öğrencilerinde Akademik Stres Sınıflandırması İçin Açıklanabilir Makine Öğrenmesi Çerçevesi: Çoklu Veri Kümeli Karşılaştırmalı Çalışma"
description: "Yükseköğretim kurumlarında öğrenim gören öğrencilerin karşılaştığı akademik stres; bilişsel işlevleri, psikolojik iyi oluşu ve uzun vadeli eğitim performansını olumsuz etkileyen önemli bir halk sağlığı meselesi haline gelmiştir. Geleneksel anket tabanlı ve geriye dönük değerlendirme araçlarının süre"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/universite-ogrencilerinde-akademik-stres-siniflandirmasi-icin-aciklanabilir-makine-ogrenmesi-cercevesi-coklu-veri-kumeli-karsilastirmali-calisma"
doi: "10.3389/fcomp.2026.1886274"
authors: ["Assel Omarbekova", "Aizhan Nazyrova", "Gulmira Bekmanova", "Zhanar Lamasheva", "Albina Gibadullina", "Assem Abdikarim"]
citation: "Omarbekova, A., Nazyrova, A., Bekmanova, G., Lamasheva, Z., Gibadullina, A., Abdikarim, A. (2026). An explainable machine learning framework for academic stress classification among university students: a comparative multi-dataset study with ablation analysis and statistical significance testing. . https://doi.org/10.3389/fcomp.2026.1886274"
publicationType: "quantitative-empirical"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 10
tags: ["akademik stres", "sınıf dengesizliği", "açıklanabilir yapay zeka", "makine öğrenmesi", "Rastgele Orman", "SHAP", "stres sınıflandırması", "öğrenci ruh sağlığı"]
timestamp: "2026-10-21T00:49:31.454Z"
---

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

Özgün başlık: An explainable machine learning framework for academic stress classification among university students: a comparative multi-dataset study with ablation analysis and statistical significance testing
DOI: https://doi.org/10.3389/fcomp.2026.1886274
Künye (APA 7): Omarbekova, A., Nazyrova, A., Bekmanova, G., Lamasheva, Z., Gibadullina, A., Abdikarim, A. (2026). An explainable machine learning framework for academic stress classification among university students: a comparative multi-dataset study with ablation analysis and statistical significance testing. . https://doi.org/10.3389/fcomp.2026.1886274

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

## Kısa cevap

**Universite öğrencilerinde akademik stresi ve siddetini belirleyen en kritik faktorler makine öğrenmesi modelleriyle nasıl tespit edilebilir?**

Bu çalışmada, 1.100 öğrencilik bir veri seti üzerinde yürütülen analizler, kan basıncı algısı, uyku kalitesi ve öğretmen-öğrenci ilişkisinin stres şiddetini belirleyen en temel değişkenler olduğunu göstermiştir.

- Rastgele Orman modeli, akademik stresin sınıflandırılmasında istatistiksel olarak en üstün ve dengeli performansı sergilemiştir.
- Kan basinci algisi ve uyku kalitesi, tum stres seviyelerinde en etkili fizyolojik ve algisal göstergeler olarak saptanmistir.
- Veri setindeki %91,4'luk sinif dengesizligi, SMOTE teknigiye giderilerek azinlik siniflarin geri cagirma orani buyuk ölçude iyilestirilmistir.

# Alan bağlamı

Yükseköğretim kurumlarında öğrenim gören öğrencilerin karşılaştığı akademik stres; bilişsel işlevleri, psikolojik iyi oluşu ve uzun vadeli eğitim performansını olumsuz etkileyen önemli bir halk sağlığı meselesi haline gelmiştir. Geleneksel anket tabanlı ve geriye dönük değerlendirme araçlarının sürekli izleme için yetersiz kalması, makine öğrenmesi algoritmalarının bu alanda yaygın biçimde kullanılmasına yol açmıştır. Bununla birlikte literatürdeki mevcut modellerin büyük ölçüde tek bir veri kümesine dayanması, veri kümelerindeki belirgin sınıf dengesizliği sorununu göz ardı etmesi, algoritmalar arası performans farklarını istatistiksel anlamlılık testleriyle doğrulamaması ve karmaşık kara kutu modellerinin kurumsal düzeyde uygulanmasını kısıtlayan açıklanabilirlik eksikliği, araştırmacıların ve eğitim yöneticilerinin en önemli tartışma odaklarını oluşturmaktadır.

# Akademik özet

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.

# Araştırmanın amacı

Bu çalışmanın temel amacı; üniversite öğrencilerindeki akademik stresi hem stres türü hem de stres şiddeti boyutlarıyla sınıflandırmak amacıyla, sınıf dengesizliği giderme tekniklerini, ablasyon analizini, tekrarlı çapraz doğrulamayı, parametrik olmayan istatistiksel önemlilik testlerini ve SHAP tabanlı açıklanabilir yapay zeka yöntemlerini bütünleştiren çok yönlü, doğrulanmış ve karşılaştırmalı bir makine öğrenmesi çerçevesi geliştirmektir.

# Yöntem ve tasarım

Bu çalışma, universite öğrencilerinde akademik stresi siniflandirmak için açıklanabilir yapay zeka (XAI), yapılandirilmis ablasyon analizi ve parametrik olmayan istatistiksel onemlilik testlerini birlestiren cok yonlu bir makine öğrenmesi çerçevesi sunmaktadir. Araştırma, hem stres turunu (yararli stres, zararli stres) hem de stres siddetini (düşük, orta, yüksek) belirlemek üzere iki farklı veri kumesi üzerinde karşılaştırmali bir analiz yuruterek model kararliligini ve tahminlerin sağlamligini doğrulamistir.

# Bulgular ve önermeler

1. Beş farklı algoritma arasında yapılan karşılaştırmada, Rastgele Orman (Random Forest) modeli 0.8909 ile en yüksek genel doğruluk oranına ve 0.2057 ile en düşük log kaybına ulaşarak en iyi performansı sergilemiştir.
2. Lojistik Regresyon modeli, doğrusal karar sınırlarına sahip olmasına rağmen 0.9853 ile en yüksek AUC-ROC değerini üretmiş, bu da özellik uzayında stres sınıflarının önemli ölçüde doğrusal ayrılabilir olduğunu göstermiştir.
3. Friedman testi sonuçunda elde edilen istatistiksel değerler (chi2 = 68.97, p < 0.001), modeller arasındaki performans farklarının rastlantısal olmadığını ve anlamlı bir hiyerarşi oluşturduğunu kanıtlamıştır.
4. SHAP analizi sonuçları, kan basıncı algısı, uyku kalitesi ve öğretmen-öğrenci ilişkisinin tüm stres seviyeleri için en belirleyici küresel faktörler olduğunu ortaya koymuştur.
5. Ablasyon çalışması, SMOTE tekniğinin uygulanmadığı durumlarda azınlık sınıfların geri çağırma oranlarının ciddi şekilde düştüğünü ve toplam doğruluğun yanıltıcı bir metrik haline geldiğini göstermiştir.

# Yazarın tartışması

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.

# Yazarın sonucu

Geliştirilen cok boyutlu çerçeve, universite öğrencilerindeki akademik stresin erken tespiti ve müdahale sistemleri için güçlü, reproducible ve istatistiksel olarak doğrulanmis bir temel sunmaktadir. Özellikle topluluk öğrenme yöntemlerinin XAI ile birlestirilmesi, eğitim kurumlarinin stres kaynaklarini yalnizca tahmin etmesini degil, ayni zamanda ozguven, uyku kalitesi ve zorbalik gibi spesifik müdahale alanlarini doğru bir sekilde hedeflemesini sağlayarak öğrenci refahini artiracak somut adimlar atilmasina olanak tanir.

# Literatürdeki işlevi

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.

Önceki çalışmalarla ilişkisi: 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.

Literatür taramasına katkısı: 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.

# Tez ve makale araştırmalarında kullanım

- **Üniversite öğrencilerinde yüksek stresin en önemli yordayıcıları arasında öz saygı, uyku kalitesi ve akran zorbalığı bulunmaktadır.** — Akademik stresin çok boyutlu yapısını ve sadece akademik yükle açıklanamayacağını savunmak için SHAP analizi bulgularından yararlanılabilir.
- **Sınıf dengesizliği olan mental sağlık veri setlerinde SMOTE kullanımı, azinlik siniflarin tespit başarısını artırmak için zorunludur.** — Veri ön işleme aşamasında neden sentetik örnekleme yapıldığını gerekçelendirmek ve ablasyon çalışması sonuçlarını kanıt göstermek için kullanılabilir.
- **Makine öğrenmesi modelleri arasındaki performans farklarını değerlendirirken salt metrik kıyaslaması yerine istatistiksel anlamlılık testleri kullanılmalıdır.** — Friedman ve Nemenyi testlerinin model seçimindeki belirleyici rolünü ve metodolojik titizliği vurgulamak için referans verilebilir.

# Türetilebilir araştırma soruları

- **Öğrencilerin stres algısını etkileyen temel faktörler (özgüven, uyku, zorbalık) farklı sosyokültürel arka plana sahip üniversite örneklemlerinde değişkenlik göstermekte midir?**
  - Desen: İki farklı ülkeden üniversite öğrencilerini kapsayan çok merkezli bir çalışma tasarlanmalıdır. Veriler standardize edilmiş stres ölçekleriyle toplanmalı, her iki grup için ayrı Random Forest modelleri eğitilerek SHAP değerleri üzerinden özellik önem sıralamaları istatistiksel olarak kıyaslanmalıdır.
  - Gerekçe: Makalenin SHAP analizi ile belirlediği kilit faktörlerin evrenselliğini test etmek amacıyla, yazarın belirttiği 'geografik sınırlılık' tartışmasından türetilmiştir.
- **Dönem başı ve final haftası verileriyle eğitilen modellerin yordama gücü ve belirleyici özellikleri zaman içinde anlamlı bir değişim sergilemekte midir?**
  - Desen: Aynı öğrenci grubu üzerinden dönem başı, vize ve final haftalarında tekrarlı veri toplanan boylamsal bir desen uygulanmalıdır. Her dönem için eğitilen modellerin katsayıları ve SHAP değerleri, zaman serisi analiziyle metodolojideki Friedman testi yaklaşımı kullanılarak karşılaştırılmalıdır.
  - Gerekçe: Yazarın çalışmasında belirttiği 'kesitsel tasarımın zamansal dinamikleri modelleyememesi' sınırlılığını gidermeye yönelik bir öneridir.
- **Subjektif anket verilerine dayalı modeller, akıllı saatlerden gelen objektif uyku ve kalp hızı verileriyle desteklendiğinde stres sınıflandırma doğruluğu istatistiksel olarak artmakta mıdır?**
  - Desen: Karma yöntemli bir araştırma kurgulanmalıdır. Öğrencilerden anket verileri toplanırken eş zamanlı olarak akıllı saat verileri (kalp hızı değişkenliği, uyku süresi) kaydedilmelidir. Makaledeki beşli algoritma yapısı, hem sadece anket hem de hibrit veri setleri üzerinde çalıştırılarak sonuçlar Nemenyi testiyle doğrulanmalıdır.
  - Gerekçe: Yazarın 'nesnel fizyolojik ölçümlerin eksikliği' olarak tanımladığı boşluğu doldurmak ve kan basıncı algısının gerçek verilerle korelasyonunu test etmek için geliştirilmiştir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | KEYWORDS | 2 | — | academic stress, class imbalance, explainable artificial intelligence, machine learning, Random Forest, SHAP, stress classification, student mental health |
| ev-o-2 | 1 Introduction | 2 | — | This study addresses these limitations by proposing a comparative machine learning framework for the classification of academic stress among university students. |
| ev-s-1 | Abstract | 1 | — | Random Forest achieved the highest overall classification accuracy (0.8909) and the lowest log loss (0.2057) |
| ev-s-2 | Abstract | 1 | — | The Friedman test demonstrated sta - tistically significant differences among classifiers ( χ 2 = 68.97, * p * < 0.001), with post-hoc analysis identifying Random Forest and Logist |
| ev-s-3 | Abstract | 1 | — | Random Forest achieved the highest overall classification accuracy (0.8909) and the lowest log loss (0.2057), whereas Logistic Regression produced the highest discriminative perfor |
| ev-s-4 | Abstract | 1 | — | SHAP analysis identified blood pressure, sleep quality, teacher–student relationship, and academic performance as the most influential predictors |
| ev-s-5 | Abstract | 1 | — | ablation study confirmed that SMOTE substantially improved minority-class prediction performance |
| ev-s-6 | 4.5 Statistical significance testing | 15 | — | Random Forest and Logistic Regression form a statistically superior group |
| ev-l-1 | Abstract | 1 | — | The Friedman test demonstrated sta - tistically significant differences among classifiers ( χ 2 = 68.97, * p * < 0.001), with post-hoc analysis identifying Random Forest and Logist |
| ev-l-2 | Abstract | 1 | — | SHAP analysis identified blood pressure, sleep quality, teacher-student relationship, and academic performance as the most influential predictors of overall stress severity, while  |

# İlgili kavramlar

- [Kentsel Elektrikli Otobüslere Kablosuz Şarj Sistemlerinin Entegrasyonu: Adana Şehri İçin Teknik ve Ekonomik Fizibilite Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kentsel-elektrikli-otobuslere-kablosuz-sarj-sistemlerinin-entegrasyonu-adana-sehri-icin-teknik-ve-ekonomik-fizibilite-analizi.md)
- [Kentsel toplu taşımada sera gazı emisyonlarının azaltılması için alternatif araç uygulamalarının incelenmesi: Adana ili örneği](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kentsel-toplu-tasimada-sera-gazi-emisyonlarinin-azaltilmasi-icin-alternatif-arac-uygulamalarinin-incelenmesi-adana-ili-ornegi.md)
- [Diyabetin Tahmini, Teşhisi ve Yönetiminde Makine Öğrenmesi ve Derin Öğrenme Modellerinin Güncel Uygulamaları: Kapsamlı Bir Derleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/diyabetin-tahmini-teshisi-ve-yonetiminde-makine-ogrenmesi-ve-derin-ogrenme-modellerinin-guncel-uygulamalari-kapsamli-bir-derleme.md)
- [Dünyadaki ve Türkiye'deki E-Dilekçe Portalları ile CİMER'in Yönetişim İlkeleri ve Yapay Zeka/Büyük Veri Perspektifi Bağlamında Değerlendirilmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dunyadaki-ve-turkiyedeki-e-dilekce-portallari-ile-cimerin-yonetisim-ilkeleri-ve-yapay-zekabuyuk-veri-perspektifi-baglaminda-degerlendirilmesi.md)
- [Kuantum Hesaplama: Temeller, Algoritmalar ve Gelişmekte Olan Uygulamalar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-temeller-algoritmalar-ve-gelismekte-olan-uygulamalar.md)
- [Doğal Dil Üretim Modellerinde Insan-Bilgisayar Etkileşimi ve Görselleştirme: Uygulamalar, Zorluklar ve Fırsatlar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dogal-dil-uretim-modellerinde-insan-bilgisayar-etkilesimi-ve-gorsellestirme-uygulamalar-zorluklar-ve-firsatlar.md)
- [Kuantum Hesaplama Sistemleri İçin Uygulama Odaklı Performans Karşılaştırma Testleri ve Hacimsel Analiz Yöntemi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-sistemleri-icin-uygulama-odakli-performans-karsilastirma-testleri-ve-hacimsel-analiz-yontemi.md)
- [Perceval: Ayrık Değişkenli Fotonik Kuantum Hesaplama İçin Bir Yazılım Platformu](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/perceval-ayrik-degiskenli-fotonik-kuantum-hesaplama-icin-bir-yazilim-platformu.md)

# Şeffaflık

- Analiz tarihi: 2026-10-21T00:49:31.454Z
- Kanıt sayısı: 10
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/universite-ogrencilerinde-akademik-stres-siniflandirmasi-icin-aciklanabilir-makine-ogrenmesi-cercevesi-coklu-veri-kumeli-karsilastirmali-calisma