Explaining Social Media Addiction Dynamics with SHAP Analysis: Key Influences and Preventive Strategies

Öz

This study employs SHAP (Shapley Additive Explanations) analysis to determine key factors influencing social media addiction. Data from 500 participants were analyzed, focusing on daily social media usage, screen time, and usage motivations. The findings indicate that entertainment-driven social media use significantly increases addiction risk, whereas usage for work or educational purposes has a lower impact. The study highlights the importance of preventive strategies such as digital detox programs and awareness campaigns to reduce addiction risks.A key innovation of this research is the application of SHAP analysis in the social sciences. Unlike traditional statistical models, SHAP provides a transparent and individualized explanation of how different factors contribute to addiction. By making machine learning models more interpretable, SHAP analysis enhances the understanding of complex psychosocial issues like digital addiction. Additionally, it facilitates the development of personalized intervention strategies, allowing for more effective addiction prevention measures. This study demonstrates that integrating explainable artificial intelligence (XAI) into social science research can provide deeper insights and innovative solutions for addressing social media addiction

Anahtar Kelimeler

• Social Media Addiction
• SHAP Analysis
• Interaction Dynamics
• Social Media Usage

Shap Analizi ile Sosyal Medya Bağımlılığı Dinamiklerinin Açıklanması: Temel Etkenler ve Önleyici Stratejiler

Öz

Bu araştırmada, sosyal medya bağımlılığını etkileyen temel faktörleri belirlemek amacıyla SHAP (Shapley Additive Explanations) analizi kullanılmıştır. Çalışma, 500 katılımcıdan elde edilen veriler doğrultusunda, günlük sosyal medya kullanım süresi, ekran süresi ve kullanım motivasyonları gibi değişkenleri detaylı şekilde incelemiştir. Elde edilen bulgular, özellikle eğlence amaçlı kullanımın sosyal medya bağımlılığı riskini önemli ölçüde artırdığını göstermektedir. Buna karşın, iş veya eğitim odaklı kullanımın bağımlılık üzerindeki etkisi daha sınırlıdır. Çalışma, sosyal medya bağımlılığıyla mücadelede dijital detoks programları, farkındalık kampanyaları ve sağlıklı dijital alışkanlıkların teşvik edilmesi gibi önleyici stratejiler önermektedir.Bu araştırmanın özgün ve yenilikçi yönlerinden biri, SHAP analizinin sosyal bilimlerde uygulanarak bireysel ve toplumsal düzeyde açıklanabilir sonuçlar sunmasıdır. SHAP analizi, makine öğrenmesi modellerinin “kara kutu” doğasını aşarak, hangi faktörlerin bağımlılık gelişiminde ne ölçüde etkili olduğunu şeffaf bir şekilde ortaya koymaktadır. Bu yöntem, sosyal bilimlerde açıklanabilir yapay zekâ yaklaşımlarına öncülük etmekte ve sosyal medya bağımlılığı gibi karmaşık psikososyal sorunların birey bazında daha derinlemesine anlaşılmasını sağlamaktadır. Ayrıca, kişiye özel müdahale stratejilerinin geliştirilmesine imkân tanıyan SHAP tabanlı modeller, sosyal medya bağımlılığını önleme ve yönetme sürecinde etkili ve yenilikçi çözümler sunmaktadır.

Anahtar Kelimeler

• Sosyal Medya Bağımlılığı
• SHAP Analizi
• Etkileşim Dinamikleri
• Sosyal Medya Kullanımı

Kaynakça

1. Andreassen, C. S. & Pallesen, S. (2014). Social network site addiction – An overview. Current Pharmaceutical Design, 20 (25), 4053-4061. https://doi.org/10.2174/13816128113199990616.
2. Balcı, Ş. ve Ayhan, B. (2007). Üniversite Öğrencilerinin İnternet Kullanım ve Doyumları Üzerine Bir Saha Araştırması. Selçuk İletişim, 5 (1), 174-197.
3. Chen, L., You, K. & Lv, G. P. (2024). The Influence of Demographic Structure on Residential Buildings' Carbon Emissions in China. Journal of Building Engineering, 87, 108951. https://doi.org/10.1016/ j.jobe.2024.108951.
4. Chen, T. Q. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD) (pp. 785-794). ACM. https://doi.org/10.1145/2939672.2939785.
5. Debzani, D. & Smith, R. M. (2021). Application of Random Forest and SHAP Tree Explainer in Exploring Spatial (in)Justice to Aid Urban Planning. ISPRS International Journal of Geo-Information, 10 (9), 629. https://doi.org/10.3390/ijgi10090629.
6. Debzani, M., & Smith, J. (2021). The impact of entertainment-oriented social media use on digital addiction. Journal of Media Studies, 12(4), 145-160.
7. Fırat, N., ve Barut, Y. (2018). Sosyal Medya Bağımlılığı Ölçeği (SMBÖ)’nin geliştirilmesi: Geçerlik ve güvenirlik çalışması. Journal of Human Sciences, 15(4), 2458-9489. https://doi.org/10.14687/jhs.v15i4.5181
8. Kuss, D. J. & Griffiths, M. D. (2017). Social Networking Sites and Addiction: Ten Lessons Learned. International Journal of Environmental Research and Public Health, 14 (3), 311. https://doi.org/10.3390/ ijerph14030311.

9. Liu, Y., Liu, Z., Luo, X., & Zhao, H. (2022). Diagnosis of Parkinson's disease based on SHAP value feature selection. Biocybernetics and Biomedical Engineering, 42(3), 856-869.
10. Lundberg, S. M. & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4765-4774. https://doi.org/10.48550/arXiv.1705.07874.
11. Molnar, C. (2022). Interpretable machine learning: A guide for making black box models explainable. Journal of Machine Learning Research, 23(1), 101-125.
12. Yan, J., Hall, S. F., Sage, M., Du, Y., & Joseph, K. (2024). A computational social science approach to understanding predictors of Chafee service receipt. Children and Youth Services Review. https://doi.org/10.1016/j.childyouth.2024.107417
13. Yang, X., Zhang, Y., & Wang, J. (2023). The evolving role of SHAP in social science research: A systematic review. Social Science Data Analysis Journal, 45(1), 23-35.