Gizem KAVALCI, Gözde Sayın KARAKAŞ
Psikiyatride Güncel Yaklaşımlar - 2026;18(3):949-966
Makine öğrenmesi, büyük veri setlerinden anlamlı örüntüler çıkarmak ve tahmine dayalı modelleme yapmak için kullanılan güçlü bir araçtır. Son yıllarda, makine öğrenmesi yöntemleri aile bilimleri, ruh sağlığı ve eğitim araştırmalarında giderek daha fazla uygulanmaktadır. Bu sistematik gözden geçirme, makine öğrenmesi yöntemlerinin aile dinamikleri, bireylerin ruh sağlığı, eğitim başarısı ve davranışsal sonuçları üzerindeki etkilerini anlamada nasıl kullanıldığını değerlendirmeyi amaçlamaktadır. Çalışmada, Web of Science, PubMed, Scopus, Science Direct, Ulakbim ve TRDizin veri tabanlarında kapsamlı bir literatür taraması yapılmış ve PICOS kriterlerine uygun 11 çalışma analiz edilmiştir. İncelenen çalışmalar, makine öğrenmesi algoritmalarının aile içi şiddet, depresyon, akademik başarı ve çocukların psikososyal gelişimi gibi konularda güçlü öngörüler sunduğunu ortaya koymaktadır. Özellikle Rasgele Orman (RF), Destek Vektör Makineleri (SVM), derin öğrenme ve doğal dil işleme (NLP) yöntemlerinin yüksek doğruluk oranlarıyla tahmin yapabildiği görülmektedir. Ancak, model şeffaflığı, etik kaygılar ve aile bağlamında uygulanabilirlik gibi konular, makine öğrenmesi modellerinin sınırlılıkları arasında yer almaktadır. Bu nedenle, gelecekteki araştırmalarda, makine öğrenmesi yaklaşımlarının daha açıklanabilir hale getirilmesi, kuramsal modellerle entegre edilmesi ve aile bilimleri alanında daha fazla ampirik araştırma ile desteklenmesi önerilmektedir. Böylece, makine öğrenmesi teknikleri aile içi dinamikleri daha iyi anlamak ve bireylerin ruh sağlığını desteklemek için daha etkin bir şekilde kullanılabilir.
