A REVIEW OF STUDIES ON PREDICTION IN DOCTORAL DISSERTATIONS CONDUCTED IN TURKEY

Öz

Prediction-oriented studies constitute an important research area that supports decision-making processes across different disciplines. The aim of this study is to examine doctoral dissertations focusing on prediction in Türkiye between 2000 and 2024 through a holistic approach. The study considers the institutional characteristics of the dissertations together with the prediction methods used, performance evaluation metrics, application domains, software tools, and keywords. In the analysis process, descriptive statistics, trend analyses, and network analysis approaches were employed. Through these analyses, the temporal changes in prediction methods, application practices, and the relationships between methods and evaluation metrics were examined. The findings indicate that prediction methods used in doctoral dissertations have diversified over time, that different methods and evaluation metrics tend to be used together, and that application practices have varied across years. In this respect, the study provides a comprehensive and systematic overview of the methodological and application-oriented structure of doctoral dissertations on prediction in Türkiye.

Anahtar Kelimeler

• Prediction models
• machine learning
• deep learning
• bibliometric analysis

Etik Beyan

This study does not involve human or animal subjects, and no data collection methods such as surveys, experiments, interviews, or interventions were employed. The study is based on a document analysis of publicly available doctoral dissertations obtained from the Council of Higher Education (YÖK) National Thesis Center. Therefore, ethical approval is not required.

TÜRKİYE’DE YAPILAN DOKTORA TEZLERİNDE TAHMİN KONUSU ÇALIŞMALARI ÜZERİNDE BİR İNCELEME

Öz

Tahmin odaklı çalışmalar, farklı disiplinlerde karar verme süreçlerini destekleyen önemli bir araştırma alanıdır. Bu çalışmanın amacı, Türkiye’de 2000-2024 yılları arasında tahmin konusu üzerine hazırlanmış doktora tezlerini bütüncül bir yaklaşımla incelemektir. Çalışma, tezlerin kurumsal özellikleri ile kullanılan tahmin yöntemleri, performans değerlendirme ölçütleri, uygulama alanları, programlar ve anahtar kelimeleri birlikte ele almaktadır. Analiz sürecinde tezler betimsel istatistikler, eğilim (trend) analizleri ve ağ analizi yaklaşımları kullanılarak incelenmiştir. Bu analizler aracılığıyla tahmin yöntemlerinin zamana bağlı değişimleri, uygulama pratikleri ve yöntemler ile değerlendirme ölçütleri arasındaki ilişkiler ortaya konmuştur. Elde edilen bulgular, tahmin odaklı doktora tezlerinde yöntemlerin zaman içinde çeşitlendiğini, farklı yöntemlerin ve değerlendirme ölçütlerinin birlikte kullanılma eğilimi gösterdiğini ve uygulama pratiklerinin yıllara göre değiştiğini ortaya koymaktadır. Bu yönüyle çalışma, Türkiye’de tahmin alanında hazırlanan doktora tezlerinin yöntemsel ve uygulamaya dönük yapısına ilişkin kapsamlı ve sistematik bir görünüm sunmaktadır.

Anahtar Kelimeler

• Tahmin modelleri
• makine öğrenmesi
• derin öğrenme
• bibliyometrik analiz

Etik Beyan

Bu çalışmada insan veya hayvan denekleri kullanılmamış, anket, deney, görüşme veya müdahale içeren bir veri toplama yöntemi uygulanmamıştır. Çalışma, YÖK Ulusal Tez Merkezi’nde yer alan kamuya açık doktora tezleri üzerinden yürütülen doküman incelemesine dayanmaktadır. Bu nedenle etik kurul onayı gerekmemektedir.

Kaynakça

1. Abay, A., Sarıdağ, K., Güven, E., & Eren, T. (2024). Talep tahmini konulu lisansüstü tezlerin bibliyometrik analizi. Düzce Üniversitesi Sosyal Bilimler Dergisi, 14(2), 272-289. https://doi.org/10.55179/dusbed.1595592
2. Agostino, I.R.S., da Silva, W.V., & Pereira da Veiga, C., Souza, A.M. (2020). Forecasting models in the manufacturing processes and operations management: Systematic literature review. Journal of Forecasting, 39(7), 1043–1056. https://doi.org/10.1002/for.2674
3. Akay, E.Ç., Soydan, T.Y., & Gacar, B.K. (2020). Machine learning and economics: Bibliometric analysis. PressAcademia Procedia (PAP), 12, 104-109. http://doi.org/10.17261/Pressacademia.2020.1367
4. Armstrong, J. (2001). Principles of forecasting: s handbook for researchers and practitioners. (Vol. 30, 1-2), Bostan, MA: Klıwer Academic https://doi.org/10.1007/978-0-306-47630-3
5. Box, G., & Jenkins, G. (1976). Analysis: Forecasting and control. San Francisco, 10.
6. Domenteanu, A., Diaconu, P., & Delcea, C. (2025). Bibliometric insights into time series forecasting and ai research: growth, impact, and future directions. Applied Sciences, 15(11), 6221. https://doi.org/10.3390/app15116221
7. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.
8. Hyndman, R., Koehler, A., Ord, J., & Snyder, R. (2008). Forecasting with exponential smoothing: the state space approach. Berlin, Heidelberg: Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-71918-2

9. Karaca, Ş., & Akın, M. (2025). Turizmde makine öğrenmesi ile ilgili ulusal yazındaki çalışmaların bibliyometrik analizi. Turar Turizm ve Araştırma Dergisi, 14(1), 169-195. https://doi.org/10.7460/turar.1624127
10. Karataş, B., & Can, A. (2023). Finansal başarısızlık tahmini üzerine Türkiye’de yayımlanan lisansüstü tezlerin bibliyometrik analizi (1991–2021). Journal of Accounting and Taxation Studies, 16(1), 17–55. https://doi.org/10.29067/muvu.1139919
11. Kim, J., Kim, H., Kim, H., Lee, D., & Yoon, S. (2025). A comprehensive survey of deep learning for time series forecasting: architectural diversity and open challenges. Artificial Intelligence Review, 58(7), 216. https://doi.org/10.1007/s10462-025-11223-9
12. Knani, M., Echchakoui, S., & Ladhari, R. (2022). Artificial intelligence in tourism and hospitality: Bibliometric analysis and research agenda. International Journal of Hospitality Management, 107, 103317. https://doi.org/10.1016/j.ijhm.2022.103317
13. Lian, T., Yu, C., Wang, W., Yuan, Q., & Hou, Z. (2016). Doctoral dissertations on tourism in China: A co-word analysis. Knowledge Organization. https://doi.org/10.5771/0943-7444-2016-6-440
14. Liu, H., Liu, Y., & Pan, C. (2021). Hot topics and emerging trends in tourism forecasting research: A scientometric review. Tourism Economics. 25(3), 448-468. https://doi.org/10.1177/1354816618810564
15. Liu, J., Wu, N., Qiao, Y., & Li, Z. (2021). A scientometric review of research on traffic forecasting in transportation. IET Intelligent Transport Systems, 15(1), 1-16. https://doi.org/10.1049/itr2.12024
16. Liu, X., & Wang, W. (2024). Deep time series forecasting models: A comprehensive survey. Mathematics, 12(10), 1054. https://doi.org/10.3390/math12101504
17. Makridakis, S., & Hibon, M. (2000). The M3-Competition: Results, conclusions and implications. International journal of forecasting, 16(4), 451-476. https://doi.org/10.1016/S0169-2070(00)00057-1
18. Makridakis, S., Wheelwright, S., & Hyndman, R. (1998). Forecasting: methods and applications. John Wiley & Sons.
19. Palomero, L., García, V., & Sánchez, J. (2022). Fuzzy-based time series forecasting and modelling: A bibliometric analysis. Applied Sciences, 12(14), 6894. https://doi.org/10.3390/app12146894
20. Passas, I. (2024). Bibliometric analysis: the main steps. Encyclopedia, 4(2). https://doi.org/10.3390/encyclopedia4020065
21. Pulat, M., & Deveci Kocakoç, İ. (2021). Türkiye’de makine öğrenmesi ve karar ağaçları alanında yayınlanmış tezlerin bibliyometrik analizi. Yönetim ve Ekonomi Dergisi, 28(2), 287-308. Doi: 10.18657/yonveek.870190
22. Wu, X., Shi, J., & Xiong, H. (2024). Tourism forecasting research: a bibliometric visualization review (1999–2022). Tourism Review, 79(2), 465–486. https://doi.org/10.1108/TR-03-2023-0169
23. Zema, T., & Sulich, A. (2022). Models of electricity price forecasting: bibliometric research. Energies, 15(15), 5642. https://doi.org/10.3390/en15155642
24. Zhang, C., Wang, S., Sun, S., & Wei, Y. (2020). Knowledge mapping of tourism demand forecasting research. Tourism Management Perspectives, 35, 100715. https://doi.org/10.1016/j.tmp.2020.100715
25. Zhang, L., Ling, J., & Lin, M. (2022). Artificial intelligence in renewable energy: A comprehensive bibliometric analysis. Energy Reports, 8, 14072-14088. https://doi.org/10.1016/j.egyr.2022.10.347
26. Zhao, E., Sun, S., & Wang, S. (2022). New developments in wind energy forecasting with artificial intelligence and big data: A scientometric insight. Data Science and Management, 5(2), 84-95. https://doi.org/10.1016/j.dsm.2022.05.002