Çok Sınıflı Ayırıcı Değerlendirmede Bayes Bilgi Kazancı ile Adaptif Soru Seçimi
Keywords:
Bayes çıkarım, bilgi kazancı, adaptif soru seçimi, ayırıcı değerlendirme, sentetik simülasyonAbstract
Çok sınıflı ayırıcı değerlendirme problemlerinde doğru karar verebilmek için yeterli bilginin
mümkün olduğunca az soru ile toplanması önemlidir. Sabit soru sırası kullanıldığında bazı sorular her örnek
için aynı düzeyde bilgi sağlamayabilir. Bu durum gereksiz sorular sorulmasına ve değerlendirme süresinin
uzamasına yol açabilir. Bu çalışmada Bayes olasılık güncellemesi ile bilgi kazancı (Information Gain)
tabanlı adaptif soru seçimi birlikte incelenmiştir. Yöntemde her cevap sonrasında Bayes olasılık
güncellemesi uygulanmış, güncellenen sonsal olasılık dağılımı üzerinden bilgi kazancı hesaplanarak bir
sonraki soru adaptif olarak seçilmiştir. Adaptif yöntem, tahmin doğruluğunu korurken ortalama 1,25 daha
az soru kullanmıştır (0,840’a karşı 0,820); son entropi değerleri de birbirine yakındır. Profil bazında iki
yöntem büyük ölçüde benzer sonuçlar üretmiştir. Sonuçlar, Bayes çıkarım ile bilgi kazancı tabanlı adaptif
soru seçiminin birlikte kullanılmasının çok sınıflı ayırıcı değerlendirme problemlerinde uygulanabilir bir
yöntem çerçevesi sunduğunu göstermektedir.
Downloads
References
[1] C. E. Shannon, “A mathematical theory of communication,” Bell Syst. Tech. J., vol. 27, no. 4, pp. 623–656, 1948, doi: 10.1002/j.1538-7305.1948.tb00917.x.
[2] D. V. Lindley, “On a measure of the information provided by an experiment,” Ann. Math. Statist., vol. 27, no. 4, pp. 986–1005, 1956, doi: 10.1214/aoms/1177728069.
[3] P. J. F. Lucas, L. C. van der Gaag, and A. Abu-Hanna, “Bayesian networks in biomedicine and health-care,” Artif. Intell. Med., vol. 30, no. 3, pp. 201–214, 2004, doi: 10.1016/j.artmed.2003.11.001.
[4] A. Onisko and M. J. Druzdzel, “Impact of precision of Bayesian network parameters on accuracy of medical diagnostic systems,” Artif. Intell. Med., vol. 57, no. 3, pp. 197–206, 2013, doi: 10.1016/j.artmed.2013.01.004.
[5] R. D. Gibbons et al., “Using computerized adaptive testing to reduce the burden of mental health assessment,” Psychiatr. Serv., vol. 59, no. 4, pp. 361–368, 2008, doi: 10.1176/ps.2008.59.4.361.
[6] R. D. Gibbons, D. J. Weiss, E. Frank, and D. Kupfer, “Computerized adaptive diagnosis and testing of mental health disorders,” Annu. Rev. Clin. Psychol., vol. 12, pp. 83–104, 2016, doi: 10.1146/annurev-clinpsy-021815-093634.
[7] E. Kyrimi, S. McLachlan, K. Dube, M. R. Neves, A. Fahmi, and N. Fenton, “A comprehensive scoping review of Bayesian networks in healthcare: Past, present and future,” Artif. Intell. Med., vol. 117, Art. no. 102108, 2021, doi: 10.1016/j.artmed.2021.102108.
[8] D. Colledani, C. Barbaranelli, and P. Anselmi, “Fast, smart, and adaptive: using machine learning to optimize mental health assessment and monitor change over time,” Sci. Rep., vol. 15, Art. no. 6492, 2025, doi: 10.1038/s41598-025-91086-w.
[9] D. Freeman et al., “Computerised adaptive testing across the paranoia continuum,” BMJ Ment. Health, vol. 28, no. 1, Art. no. e302099, 2025, doi: 10.1136/bmjment-2025-302099.
[10] S. B. Renard, R. J. C. Huntjens, P. H. Lysaker, A. Moskowitz, A. Aleman, and G. H. M. Pijnenborg, “Unique and overlapping symptoms in schizophrenia spectrum and dissociative disorders in relation to models of psychopathology: A systematic review,” Schizophr. Bull., vol. 43, no. 1, pp. 108–121, 2017, doi: 10.1093/schbul/sbw063.
