Ana İçeriğe Atla
Eski Görünüm

Dr. Öğr. Üyesi Ahmet AKKAYA’dan Göz Hareketlerinin Yapay Zekâ ile Analizine Yönelik Uluslararası Yayın

 

Bilgisayar Teknolojileri alanında yürütülen çalışma, göz hareketlerinin derin öğrenme yöntemleriyle sınıflandırılmasında farklı yapay zekâ modellerinin performansını karşılaştırıyor.

Bandırma Onyedi Eylül Üniversitesi Bilgisayar Teknolojileri Bölümünden Ahmet Akkaya’nın imzasını taşıyan “Person-independent and cross-dataset evaluation of convolutional and recurrent architectures for eye movement classification” başlıklı bilimsel çalışma, uluslararası hakemli dergi Scientific Reports’ta yayımlandı.

Araştırmada, göz izleme (eye-tracking) kayıtlarından elde edilen verilerin yapay zekâ yardımıyla sınıflandırılması ele alındı. Gözün sabit bir noktaya odaklanması, hızlı hareketleri ve hareketli bir nesneyi takip etmesi gibi farklı göz hareketlerinin doğru biçimde belirlenmesi; görsel dikkat, okuma davranışları ve göz izleme verilerine dayalı sistemlerin analizinde önem taşıyor.

Çalışma kapsamında, evrişimsel sinir ağı (CNN), uzun kısa süreli bellek ağı (LSTM) ve CNN-LSTM hibrit modeli karşılaştırıldı. Modeller, 54 katılımcının verilerini içeren GazeCom veri setinde, her katılımcının sırayla eğitim dışında tutulduğu bir değerlendirme yöntemiyle test edildi. Böylece modellerin yalnızca daha önce gördükleri kişilerin değil, yeni kişilerin göz hareketleri üzerinde de ne ölçüde başarılı olduğu incelendi.

Araştırmanın öne çıkan bulguları

Sonuçlar, zamansal ilişkileri öğrenebilen LSTM tabanlı modellerin yalnızca evrişimsel katmanlardan oluşan CNN modeline kıyasla daha başarılı olduğunu gösterdi. Türetilmiş hareket özellikleri kullanıldığında LSTM modeli yaklaşık 0,82 makro-F1 puanına ulaşırken CNN modeli yaklaşık 0,71 puanında kaldı.

Araştırmada ayrıca, LSTM modeline eklenen evrişimsel katmanların ölçülebilir bir performans avantajı sağlamadığı görüldü. Bu bulgu, göz hareketlerinin sınıflandırılmasında daha karmaşık bir model kullanmanın her zaman daha iyi sonuç vermediğine işaret ediyor.

Çalışmada, farklı bir veri seti üzerinde yapılan çapraz veri seti değerlendirmesiyle modellerin genellenebilirliği de incelendi. Sonuçlar, veri seti ve kayıt koşulları değiştiğinde performans düşse de modeller arasındaki genel başarı sıralamasının korunduğunu ortaya koydu. Bununla birlikte, hareketli bir nesnenin gözle takip edilmesini ifade eden smooth pursuit sınıfı, tüm modeller için başlıca hata kaynaklarından biri olarak belirlendi.

Araştırma, göz izleme verilerinin analizinde model seçimi, farklı bireylere genellenebilirlik ve hesaplama karmaşıklığı arasındaki ilişkinin önemini ortaya koyuyor.

Makale bilgileri

  • Yazar: Ahmet Akkaya

  • Dergi: Scientific Reports

  • Yayın yılı: 2026

  • DOI: 10.1038/s41598-026-69589-x

Makalenin tam metnine ulaşmak için:
https://www.nature.com/articles/s41598-026-69589-x

Fotoğraflar


Gösterim: 68
Güncelleme Tarihi: 28 Ekim 2026