Tiktok Bağımlılığına Etki Eden Bazı Değişkenlerin Makine Öğrenmesi Yöntemleri ile Karşılaştırmalı Olarak İncelenmesi

Abstract

Bu araştırmada, TikTok bağımlılık düzeyi ile yalnızlık ve bazı demografik ve kişisel değişkenler arasındaki ilişkinin makine öğrenmesi yöntemleri ile karşılaştırmalı olarak incelenmesi amaçlanmıştır. Çalışma Türkiye genelinde 18 yaş ve üzeri 592 üniversite öğrencisinden elde edilen verilerle yürütülmüştür. Kesitsel ve ilişkisel tarama ile tasarlanan araştırmada, Demografik ve Kişisel Bilgi Formu, TikTok Bağımlılık Ölçeği (TBÖ) ve UCLA Yalnızlık Ölçeği Kısa Formu (ULS-8) kullanılmıştır. Elde edilen veriler, Two-Step Cluster Analysis ile TikTok bağımlılık düzeyini yüksek/düşük olmak üzere iki düzeyli kategorik bir yapıya dönüştürülmüştür. Kümelenme sonrasında, CatBoostClassifier, MLPClassifier, HistGradientBoostClassifier ve LightGBM gibi makine öğrenmesi algoritmaları ile karşılaştırmalı analizler gerçekleştirilmiştir. Araştırma sonuçlarına göre, TikTok bağımlılığını en iyi tahmin eden model CatBoostClassifier yöntemi olmuştur. Bulgular TikTok bağımlılığını en fazla etkileyen değişkenin ''Günlük TikTok kullanım süresi'' olduğunu göstermektedir. Bu değişkeni sırasıyla ''Yalnızlık düzeyi'', ''TikTok kullanım amacı'' ve ''Aktivite düzeyi'' takip etmiştir. PDP ve SHAP görselleştirme analizleri de TikTok kullanım süresi ve yalnızlık değişkenlerinin TikTok bağımlılığının anlamlı yordayıcıları olduğunu ortaya koymuştur

This study aimed to examine the relationship between TikTok addiction levels and loneliness, as well as certain demographic and personal variables, using machine learning methods. The study was conducted using data obtained from 592 university students aged 18 and over across Turkey. Designed as a cross-sectional and correlational survey, the study utilised the Demographic and Personal Information Form, the TikTok Addiction Scale (TAS), and the UCLA Loneliness Scale Short Form (ULS-8). The obtained data were converted into a two-level categorical structure, high/low TikTok addiction level, using Two-Step Cluster Analysis. Following clustering, comparative analyses were performed using machine learning algorithms such as CatBoostClassifier, MLPClassifier, HistGradientBoostClassifier, and LightGBM. According to the research results, the CatBoostClassifier method was the model that best predicted TikTok addiction. Findings indicate that the variable most affecting TikTok addiction is 'daily TikTok usage time'. This variable was followed by 'level of loneliness,' 'purpose of TikTok usage,' and 'activity level.' PDP and SHAP visualisation analyses also revealed that TikTok usage time and loneliness variables are significant predictors of TikTok addiction.