Dr. Öğr. Üyesi Hüseyin GÖKAL’ın Mobil Oyun Analizi MDPI Informatics’te Yayımlandı
Üniversitemiz Plato Meslek Yüksekokulu öğretim elemanlarından Dr. Öğr. Üyesi Hüseyin GÖKAL’ın; Dr. Öğr. Üyesi Kaan ARIK, Dr. Öğr. Üyesi Burak AĞGÜL ve Bilal İNAN ile birlikte hazırladığı “Temporal Churn Prediction in Mobile Game with Fuzzy Behavioral Augmentation and SHAP Explainability” başlıklı makale, MDPI Informatics dergisinde yayımlandı. Çalışma, 30 Eylül 2026 tarihinde derginin 13. cildinde 158 numaralı makale olarak açık erişime sunuldu.
Çalışmada, mobil oyunlarda oyuncuların gelecekteki oyun bırakma davranışlarının tahmin edilmesine yönelik zamansal makine öğrenmesi yaklaşımı ele alındı. Araştırmada, oyuncu davranışlarının bulanık mantık tabanlı özelliklerle zenginleştirilmesinin tahmin performansına etkisi incelenirken, modellerin karar süreçlerinin açıklanması için SHAP tabanlı açıklanabilir yapay zekâ yöntemleri kullanıldı.
Araştırma kapsamında ticari bir mobil kelime oyunundan elde edilen 2.602 kullanıcıya ait 46.132 oturum kimliği ve 50.014 oturum düzeyinde gözlem, yaklaşık 86 günlük bir dönem boyunca analiz edildi. Oyuncuların önceki 14 günlük davranış geçmişleri kullanılarak, takip eden 14 günlük dönemde herhangi bir aktivite göstermemeleri oyun bırakma göstergesi olarak tanımlandı.
Çalışmada Logistic Regression, Random Forest, XGBoost, LightGBM, CatBoost ve MLP olmak üzere altı farklı makine öğrenmesi modeli değerlendirildi. Modeller; 183 temel davranış özelliği, 199 bulanık özelliklerle zenginleştirilmiş özellik ve özellik seçimi uygulanmış alternatif veri temsilleri üzerinde karşılaştırıldı. Tüm veri dönüşümleri ve özellik seçimi işlemleri yalnızca geçmiş eğitim verileri kullanılarak gerçekleştirildi ve böylece zamansal veri sızıntısının önlenmesine dikkat edildi.
Araştırmanın sonuçları, bulanık özelliklerin bazı model ve test koşullarında performans artışı sağlayabildiğini, ancak bu etkinin tüm sınıflandırıcılar ve değerlendirme dönemleri için tutarlı olmadığını ortaya koydu. Bu nedenle çalışmada, bulanık özellik mühendisliğinin genel bir üstünlük sağladığını ileri sürmek yerine, yöntemin katkısı farklı model ve zaman dönemleri üzerinden karşılaştırmalı olarak değerlendirildi.
SHAP tabanlı açıklanabilirlik analizlerinde ise oyuncunun son aktivitesinden bu yana geçen süre, yakın dönem aktivitesi ve gece oynama oranı gibi zamansal davranış göstergelerinin model kararlarında öne çıktığı görüldü. Bulgular, bu değişkenlerin modelin tahmin mekanizmasını açıklamada önemli rol oynadığını gösterirken, çalışmada bu ilişkilerin nedensel sonuçlar olarak yorumlanmaması gerektiği de vurgulandı.
Çalışma; mobil oyun analitiği, oyuncu kaybı tahmini, makine öğrenmesi, bulanık özellik mühendisliği, açıklanabilir yapay zekâ ve zamansal veri analizi alanlarına katkı sunmaktadır.

Akademisyenimizi tebrik eder, başarılarının devamını dileriz..