Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models

Verda Gizem Oğul; Yavuz Selim Balcıoğlu

doi:10.26466/opusjsr.1948539

TR EN

Çevrimiçi öğrenme ortamlarında risk altındaki öğrencilerin erken belirlenmesi: Makine öğrenimi modelleri kullanan bir öğrenme analitiği yaklaşımı

Öz

Çevrim içi öğrenme ortamlarında üretilen zamansal izler, akademik riskin erken belirlenmesini destekleyebilir; ancak güvenilir bir erken tahmin iddiası, açık bir tahmin noktası ve sonuç sonrası bilgilerin sıkı biçimde dışlanmasını gerektirir. Bu çalışma, Açık Üniversite Öğrenme Analitiği Veri Setinde (OULAD) bir modül sunumunun 28. gününe kadar mevcut olan bilgilerin daha sonra başarısız olan veya kaydını sildiren öğrencileri belirleyip belirleyemediğini incelemektedir. Ham OULAD tabloları, VLE ve değerlendirme kayıtları tahmin noktasında kesildikten sonra öğrenci–modül–sunum düzeyinde yeniden oluşturulmuştur. 28. gün risk kümesi 24.832 farklı öğrenciye ait 27.522 kayıttan oluşmuş; bunların %44,1’i daha sonra başarısız olmuş veya kaydını sildirmiştir. Yedi sınıflandırıcı, öğrenci gruplu beş katlı doğrulama, rastgele hiperparametre optimizasyonu ve öğrenciler bakımından bağımsız bir test kümesiyle karşılaştırılmıştır. Gradyan Artırma modeli test kümesinde ROC-AUC=0,790 (%95 GA: 0,777–0,801), PR-AUC=0,770 (%95 GA: 0,753–0,786), doğruluk=0,724, kesinlik=0,728, duyarlılık=0,597 ve F1=0,656 sonuçlarını vermiştir. Performans 14. günden (ROC-AUC=0,747) 56. güne (0,835) yükselmiş ve erkenlik ile performans arasındaki ödünleşimi göstermiştir. SHAP analizi, vadesi gelmiş değerlendirmelerin tamamlanma oranı, değerlendirme performansı, önceki eğitim düzeyi ve VLE katılımını öne çıkarmıştır. Değerlendirme puanlarının dışlandığı model de anlamlı ayırt edicilik göstermiştir (ROC-AUC=0,762). Üç sınıflı duyarlılık analizi, başarısızlık ile kayıttan çekilmenin başarıya kıyasla daha güç ayrıldığını göstermektedir. Bulgular, 28. gün risk skorlarının destekleyici müdahaleleri önceliklendirmek amacıyla temkinli kullanımını desteklemekte; kalibrasyon, alt grup izleme, insan denetimi ve yerel doğrulama gereğini vurgulamaktadır.

Anahtar Kelimeler

Çevrim içi öğrenme, öğrenme analitikleri, erken uyarı sistemleri, makine öğrenmesi, OULAD, açıklanabilir yapay zekâ

Etik Beyan

Bu çalışma, etik kurul izni gerektirmeyen nitelikte olup, analizlerde açık erişimli, ikincil ve anonimleştirilmiş Open University Learning Analytics Dataset (OULAD) kullanılmıştır. Çalışmanın hazırlanma sürecinde bilimsel ve etik ilkelere uyulduğu ve yararlanılan tüm çalışmaların kaynakçada belirtildiği beyan olunur.

Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models

Öz

Online learning environments generate temporally ordered traces that can support early academic-risk screening, but credible claims require an explicit prediction point and strict control of post-outcome information. This study evaluates whether information available by day 28 of an Open University module presentation can identify students who subsequently fail or withdraw. Raw tables from the Open University Learning Analytics Dataset (OULAD) were reconstructed at student–module–presentation level after timestamped Virtual Learning Environment (VLE) and assessment records had been truncated at the prediction point. The day-28 risk set comprised 27,522 enrolments from 24,832 unique students; 44.1% subsequently failed or withdrew. Seven classifiers were compared using student-grouped five-fold validation, randomized hyperparameter optimization, and a student-disjoint held-out test set. Gradient Boosting achieved the highest grouped-validation ROC-AUC and yielded test ROC-AUC=0.790 (95% CI: 0.777–0.801), PR-AUC=0.770 (95% CI: 0.753–0.786), accuracy=0.724, precision=0.728, recall=0.597, and F1=0.656. Performance increased from day 14 (ROC-AUC=0.747) to day 56 (0.835), demonstrating an earliness–performance trade-off rather than uniformly high early accuracy. SHAP analysis identified completion of assessments due by the cutoff, assessment performance, prior education, and VLE engagement as influential predictors. A score-excluded specification retained meaningful discrimination (ROC-AUC=0.762). Three-class sensitivity analysis showed that failure and withdrawal were considerably harder to distinguish than success. The findings support cautious use of day-28 risk scores for prioritizing supportive outreach, while emphasizing calibration, subgroup monitoring, human oversight, and local validation.

Anahtar Kelimeler

Online learning, learning analytics, early warning systems, machine learning, OULAD, ex-plainable artificial intelligence

Etik Beyan

This study is of a nature that does not require ethics committee approval, as it uses the publicly available, secondary, and anonymized Open University Learning Analytics Dataset (OULAD). It is hereby declared that scientific and ethical principles were observed throughout the preparation of this study and that all works utilized have been indicated in the references.

Kaynakça

Adnan, M., Habib, A., Ashraf, J., Mussadiq, S., Raza, A. A., Abid, M., Bashir, M., & Khan, S. U. (2021). Predicting at-risk students at different percentages of course length for early intervention using machine learning models. IEEE Access, 9, 7519–7539. https://doi.org/10.1109/ACCESS.2021.3049446
Aldowah, H., Al-Samarraie, H., & Fauzy, W. M. (2019). Educational data mining and learning analytics for 21st century higher education: A review and synthesis. Telematics and Informatics, 37, 13–49. https://doi.org/10.1016/j.tele.2019.01.007
Al-Zawqari, A., Peumans, D., & Vandersteen, G. (2022). A flexible feature selection approach for predicting students’ academic performance in online courses. Computers and Education: Artificial Intelligence, 3, 100103. https://doi.org/10.1016/j.caeai.2022.100103
Arnold, K. E., & Pistilli, M. D. (2012). Course signals at Purdue: Using learning analytics to increase student success. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 267–270). ACM. https://doi.org/10.1145/2330601.2330666
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. In J. A. Larusson & B. White (Eds.), Learning analytics: From research to practice (pp. 61–75). Springer. https://doi.org/10.1007/978-1-4614-3305-7_4
Basilaia, G., & Kvavadze, D. (2020). Transition to online education in schools during a SARS-CoV-2 coronavirus (COVID-19) pandemic in Georgia. Pedagogical Research, 5(4), Article em0060. https://doi.org/10.29333/pr/7937 Bravo, L.E.C., Lopez, H. J. F., & Pimiento, N. N., Educational data integration and machine learning for academic performance prediction. Ingeniería Solidaria, 21 (2). https://doi.org/10.16925/2357-6014.2025.02.07
Chen, F., & Cui, Y. (2023). Utilizing student time series behavior in learning management systems for early prediction of course performance. Journal of Learning Analytics, 10(1), 1–18. https://doi.org/10.18608/jla.2023.7397
Dabbagh, N., & Fake, H. (2017). College students' perceptions of personal learning environments through the lens of digital tools, processes and spaces. Journal of New Approaches in Educational Research, 6(1), 28–36. https://doi.org/10.7821/naer.2017.1.215
Drachsler, H., & Greller, W. (2016). Privacy and analytics: It's a DELICATE issue. In Proceedings of the 6th International Conference on Learning Analytics and Knowledge (pp. 89–98). ACM. https://doi.org/10.1145/2883851.2883893
Essa, A., & Ayad, H. (2012). Student success system: Risk analytics and data visualization using ensembles of predictive models. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 158–161). ACM. https://doi.org/10.1145/2330601.2330641

European Commission. (2020). European skills agenda for sustainable competitiveness, social fairness and resilience. Publications Office of the European Union.
Ferguson, R. (2013). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5–6), 304–317. https://doi.org/10.1504/IJTEL.2012.051816
Gasevic, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education, 28, 68–84. https://doi.org/10.1016/j.iheduc.2015.10.002
Gasevic, D., Kovanovic, V., Joksimovic, S., & Siemens, G. (2014). Where is research on massive open online courses headed? A data analysis of the MOOC Research Initiative. International Review of Research in Open and Distributed Learning, 15(5), 134–176. https://doi.org/10.19173/irrodl.v15i5.1954
Herodotou, C., Maguire, C., Hlostra, M., & Mulholland, P., (2023). Predictive Learning Analytics and University Teachers: Usage and perceptions three years post implementation. Conference: LAK 2023: 13th International Learning Analytics and Knowledge Conference 68-78. 10.1145/3576050.3576061
Hlosta, M., Zdrahal, Z., & Zendulka, J. (2017). Ouroboros: Early identification of at-risk students without models based on legacy data. In Proceedings of the 7th International Learning Analytics and Knowledge Conference (pp. 6–15). ACM. https://doi.org/10.1145/3027385.3027449
Hodges, C., Moore, S., Lockee, B., Trust, T., & Bond, A. (2020). The difference between emergency remote teaching and online learning. EDUCAUSE Review. https://er.educause.edu/articles/2020/3/the-difference-between-emergency-remote-teaching-and-online-learning
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B., Santos, O. C., Rodrigo, M. T., Cukurova, M., Bittencourt, I. I., & Koedinger, K. R. (2022). Ethics of AI in education: Towards a community-wide agenda. International Journal of Artificial Intelligence in Education, 32(2), 504–526. https://doi.org/10.1007/s40593-021-00239-1
Huptych, M., Hlosta M., Zdrahal Z., Kocvara J., (2018) Investigating Influence of Demographic Factors on Study Recommenders Artificial Intelligence in Education https://doi.org/10.1007/978-3-319-93846-2_27
Hussain, M., Zhu, W., Zhang, W., & Abidi, S. M. R. (2018). Student engagement predictions in an e-learning system and their impact on student course assessment scores. Computational Intelligence and Neuroscience, 2018, Article 6347186. https://doi.org/10.1155/2018/6347186
Jha, N. I., Ghergulescu, I., & Moldovan, A.-N. (2019). OULAD MOOC dropout and result prediction using ensemble, deep learning and regression techniques. In Proceedings of the 11th International Conference on Computer Supported Education (pp. 154–164). https://doi.org/10.5220/0007767901540164
Jordan, K. (2014). Initial trends in enrolment and completion of massive open online courses. International Review of Research in Open and Distributed Learning, 15(1), 133–160. https://doi.org/10.19173/irrodl.v15i1.1651
Kotsiantis, S. B. (2012). Use of machine learning techniques for educational proposes: A decision support system for forecasting students' grades. Artificial Intelligence Review, 37(4), 331–344. https://doi.org/10.1007/s10462-011-9234-x
Kuzilek, J., Hlosta, M., & Zdrahal, Z. (2017). Open University Learning Analytics Dataset. Scientific Data, 4, Article 170171. https://doi.org/10.1038/sdata.2017.171
Law, N., & Liang, L. (2020). A Multilevel Framework and Method for Learning Analytics Integrated Learning Design. Journal of Learning Analytics, 7(3), 98-117. https://doi.org/10.18608/jla.2020.73.8
Lim, L. A., Dawson, S., Gasevic, D., Joksimovic, S., Fudge, A., Pardo, A., & Gentili, S. (2022). Students’ sense-making of personalised feedback based on learning analytics. Australasian Journal of Educational Technology, 38(4), 15–34. https://doi.org/10.14742/ajet.6370
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. 10.48550/arXiv.1705.07874
Macfadyen, L. P., & Dawson, S. (2010). Mining LMS data to develop an 'early warning system' for educators: A proof of concept. Computers & Education, 54(2), 588–599. https://doi.org/10.1016/j.compedu.2009.09.008
Mduma, N., Kalegele, K., & Machuve, D. (2019). A survey of machine learning approaches and techniques for student dropout prediction. Data Science Journal, 18(1), 14. https://doi.org/10.5334/dsj-2019-014
Merriam, S. B., & Bierema, L. L. (2014). Adult learning: Linking theory and practice. Jossey-Bass.
Onah, D. F. O., Sinclair, J., & Boyatt, R. (2014). Dropout rates of massive open online courses: Behavioural patterns. In Proceedings of the 6th International Conference on Education and New Learning Technologies (EDULEARN14) (pp. 5825–5834). IATED. 10.13140/RG.2.1.2402.0009
Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49–64.
Prenkaj, B., Velardi, P., Stilo, G., Distante, D., & Faralli, S. (2020). A survey of machine learning approaches for student dropout prediction in online courses. ACM Computing Surveys, 53(3), Article 62. https://doi.org/10.1145/3388792
Prinsloo, P., & Slade, S. (2017). An elephant in the learning analytics room: The obligation to act. In Proceedings of the 7th International Learning Analytics and Knowledge Conference (pp. 46–55). ACM. https://doi.org/10.1145/3027385.3027406
Rienties, B., & Toetenel, L. (2016). The impact of learning design on student behaviour, satisfaction and performance: A cross-institutional comparison across 151 modules. Computers in Human Behavior, 60, 333–341. https://doi.org/10.1016/j.chb.2016.02.074
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), Article e1355. https://doi.org/10.1002/widm.1355
Romero, C., Espejo, P. G., Zafra, A., Romero, J. R., & Ventura, S. (2013). Web usage mining for predicting final marks of students that use Moodle courses. Computer Applications in Engineering Education, 21(1), 135–146. https://doi.org/10.1002/cae.20456
Sclater, N., Peasgood, A., & Mullan, J. (2016). Learning analytics in higher education: A review of UK and international practice. JISC.https://www.academia.edu/41021774/Learning_Analytics_in_Higher_Education_A_review_of_UK_and_international_practice_Full_report
Selwyn, N. (2019). What is digital sociology? Polity Press.
Siemens, G., & Baker, R. S. (2012). Learning analytics and educational data mining: Towards communication and collaboration. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 252–254). ACM. https://doi.org/10.1145/2330601.2330661
Tsai, Y. S., Rates, D., Moreno-Marcos, P. M., Muñoz-Merino, P. J., Jivet, I., Scheffel, M., Drachsler, H., Delgado Kloos, C., & Gasevic, D. (2020). Learning analytics in European higher education — Trends and barriers. Computers & Education, 155, Article 103933. https://doi.org/10.1016/j.compedu.2020.103933
Ujkani, B., Minkovska, D., & Hinov, N. (2024). Course success prediction and early identification of at-risk students using explainable artificial intelligence. Electronics, 13(21), 4157. https://doi.org/10.3390/electronics13214157
UNESCO. (2016). Education 2030: Incheon Declaration and framework for action. UNESCO.
Viberg, O., Khalil, M., & Baars, M. (2020). Self-regulated learning and learning analytics in online learning environments: A review of empirical research. In Proceedings of the 14th International Conference on Learning Analytics and Knowledge (pp. 524–533). ACM. https://doi.org/10.1145/3375462.3375483
Wei, X., Saab, N., Admiraal, W., (2023). Do learners share the same perceived learning outcomes in MOOCs? Identifying the role of motivation, perceived learning support, learning engagement, and self-regulated learning strategies. The Internet and Higher Education, 53. https://doi.org/10.1016/j.iheduc.2022.100880
Williamson, B., Bayne, S., & Shay, S. (2020). The datafication of teaching in higher education: Critical issues and perspectives. Teaching in Higher Education, 25(4), 351–365. https://doi.org/10.1080/13562517.2020.1748811
Williamson, B., Eynon, R., & Potter, J. (2020). Pandemic politics, pedagogies and practices: Digital technologies and distance education during the coronavirus emergency. Learning, Media and Technology, 45(2), 107–114. https://doi.org/10.1080/17439884.2020.1761641
Xu, J., Moon, K. H., & van der Schaar, M. (2017). A machine learning approach for tracking and predicting student performance in degree programs. IEEE Journal of Selected Topics in Signal Processing, 11(5), 742–753. https://doi.org/10.1109/JSTSP.2017.2692560
Zawacki-Richter, O., & Naidu, S. (2016). Mapping research trends from 35 years of publications in Distance Education. Distance Education, 37(3), 245–269. https://doi.org/10.1080/01587919.2016.1185079
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education — Where are the educators? International Journal of Educational Technology in Higher Education, 16(1), Article 39. https://doi.org/10.1186/s41239-019-0171-0
Zhang, C., & Ahn, H. (2023). E-learning at-risk group prediction considering the semester and realistic factors. Education Sciences, 13(11), 1130. https://doi.org/10.3390/educsci13111130
Zimmerman, B. J. (2000). Self-efficacy: An essential motive to learn. Contemporary Educational Psychology, 25(1), 82–91. https://doi.org/10.1006/ceps.1999.1016

Ayrıntılar

Birincil Dil

İngilizce

Konular

Eğitim Sosyolojisi

Bölüm

Araştırma Makalesi

Yazarlar

Verda Gizem Oğul ^*
0000-0001-7983-390X
Türkiye

Yavuz Selim Balcıoğlu
0000-0001-7138-2972
Türkiye

Yayımlanma Tarihi

12 Ağustos 2026

Gönderilme Tarihi

11 Mayıs 2026

Kabul Tarihi

11 Ağustos 2026

Yayımlandığı Sayı

Yıl 2026 Cilt: 23 Sayı: 2026

DOI

https://doi.org/10.26466/opusjsr.1948539

IZ

https://izlik.org/JA65ZM62EU

APA

Oğul, V. G., & Balcıoğlu, Y. S. (2026). Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models. OPUS Journal of Society Research, 23(2026), 1-17. https://doi.org/10.26466/opusjsr.1948539

AMA

1.Oğul VG, Balcıoğlu YS. Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models. OPUS TAD. 2026;23(2026):1-17. doi:10.26466/opusjsr.1948539

Chicago

Oğul, Verda Gizem, ve Yavuz Selim Balcıoğlu. 2026. “Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models”. OPUS Journal of Society Research 23 (2026): 1-17. https://doi.org/10.26466/opusjsr.1948539.

EndNote

Oğul VG, Balcıoğlu YS (01 Ağustos 2026) Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models. OPUS Journal of Society Research 23 2026 1–17.

IEEE

[1]V. G. Oğul ve Y. S. Balcıoğlu, “Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models”, OPUS TAD, c. 23, sy 2026, ss. 1–17, Ağu. 2026, doi: 10.26466/opusjsr.1948539.

ISNAD

Oğul, Verda Gizem - Balcıoğlu, Yavuz Selim. “Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models”. OPUS Journal of Society Research 23/2026 (01 Ağustos 2026): 1-17. https://doi.org/10.26466/opusjsr.1948539.

JAMA

1.Oğul VG, Balcıoğlu YS. Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models. OPUS TAD. 2026;23:1–17.

MLA

Oğul, Verda Gizem, ve Yavuz Selim Balcıoğlu. “Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models”. OPUS Journal of Society Research, c. 23, sy 2026, Ağustos 2026, ss. 1-17, doi:10.26466/opusjsr.1948539.

Vancouver

1.Verda Gizem Oğul, Yavuz Selim Balcıoğlu. Early identification of at-risk students in online learning environments: A learning analytics approach using machine learning models. OPUS TAD. 01 Ağustos 2026;23(2026):1-17. doi:10.26466/opusjsr.1948539

Amaç ve Kapsam

OPUS Toplum Araştırmaları Dergisi (JSR)'nin temel misyonu, yüksek kaliteli ve etki değeri yüksek araştırmalar yayımlayarak küresel bilim camiasına katkıda bulunmaktır. Hakemli ve açık erişimli bir dergi olarak OPUS JSR; kuram, uygulama ve sosyal analiz arasındaki boşluğu dolduran multidisipliner bir platform sunar. Bütüncül bir bakış açısını benimseyen dergimiz, araştırmacıları geleneksel disipliner sınırların ötesine geçmeye teşvik ederek, toplumsal fenomenlerin daha derinlemesine anlaşılması amacıyla farklı yöntem ve kavramlar arasında anlamlı bağlar kurmayı hedefler.

Birinci elden araştırmalar için temel ön koşul, özgün ampirik verilerin sunulmasıdır. OPUS JSR, yalnızca daha önce yayımlanmamış veya başka bir yerde değerlendirme aşamasında olmayan özgün verileri içeren çalışmaları değerlendirmeye alır. Belirgin bir veri bileşeni içermeyen makaleler editoryal kapsamımız dışındadır; tüm başvuruların hakem değerlendirme sürecine alınabilmesi için doğrulanabilir kanıtların titiz bir analizini sunması şarttır. Bu yaklaşım, derginin spekülatif söylemler yerine kanıta dayalı akademik incelemeler için bir zemin oluşturmasını sağlar.

OPUS JSR; sosyal bilimler alanında çalışan profesyoneller, araştırmacılar ve her seviyedeki öğrencileri kapsayan geniş bir akademik kitleye hitap eder. Bilginin kesintisiz yayılmasını desteklemek amacıyla, herhangi bir başvuru süresi sınırlaması olmaksızın "sürekli yayın" (rolling basis) modeliyle makale kabul edilmektedir. Yayın süreçlerimizde Committee on Publication Ethics (COPE), Directory of Open Access Journals (DOAJ) tarafından belirlenen Uluslararası Etik Yayıncılık İlkelerine sıkı sıkıya bağlı kalarak, yayımlanan her çalışmanın en yüksek dürüstlük ve şeffaflık standartlarını karşılaması garanti altına alınır.

OPUS Toplum Araştırmaları Dergisi, bütüncül bir bakış açısı ile farklı teori, uygulama ve araştırma alanlarını interdisipliner bir anlayışla bir araya getirmeyi amaçlayan toplum odaklı hakemli bir dergidir. İnterdisipliner yaklaşımı ile sosyal bilim araştırmacılarına farklı bakış açılarını sunmaları ve diğer disiplinlerin kavram ve metotları ile bütüncül bir ilişki kurmaları için ihtiyaç duyulan zemini sunmaktadır. Bu bakış açısı uzun vadede sosyal bilim araştırmalarını yürütmek ve yaymak için yeni yaklaşımlar geliştirme ihtiyacı ve imkânını da bünyesinde barındırmaktadır. İdeal Kent Yayınlarının resmi bir yayını olan OPUS Toplum Araştırmaları Dergisi, yeni vizyonu ile interdisipliner araştırmaları destekleyerek farklı disiplinlerden araştırmacıların, kuramsal ve metodolojik farklılıkları arasında köprüler kurulmasını ve birbirlerini desteklemelerini amaçlamaktadır.

Yazım Kuralları

• Dergimize gönderilen yazılar için bir sayfa sınırlaması yoktur. Ancak, yazıların 4000-7000 arası kelime sayısında olması tercih edilmektedir. Gerekli kısaltma ve uzatmalar yazarla iletişim içinde yapılabilir.

• Dergimizde yayınlanması için gönderilen araştırma makalelerinde verilerin güncelliğine önem verilmektedir. Araştırma verilerinin toplanması üzerinden 5 yıl veya daha fazla süre geçmiş ise araştırmaların güncelliğini kaybettiği yönünde görüş bildirilmektedir.
• Makaleler İngilizce olmalı ve her biri en az 150 en fazla 200 kelimeyi aşmayacak şekilde Türkçe ve İngilizce yazılmış Öz ve Abstract’ı, OPUS makale şablonuna uygun biçimde içermelidir. Makalenin başlığı kısa olmalı ve 15 sözcüğü geçmemelidir. Ayrıca 3 – 5 arasında Anahtar Sözcükler ve Keywords verilmelidir.
• Araştırma makalelerinde problem giriş bölümü içinde açıkça belirtilmelidir. Giriş bölümünü sırasıyla yöntem, bulgular, tartışma ve sonuç bölümleri izlemelidir. Deneme-derleme türü makalelerdeki bölüm başlıkları ise içeriğe uygun olarak belirlenmelidir.
• Makalelerin OPUS makale şablonuna uygun olarak hazırlanmış olması ve ilk sayfa hariç makalenin herhangi bir alanına yazar isim ve adresleri yazılmaksızın sisteme yüklenmesi gerekmektedir. Makale şablonuna ulaşmak için tıklayınız.

• Yapılan çalışma bir kurum/kuruluş tarafından desteklenmiş ya da doktora/yüksek lisans tezinden hazırlanmış ise, bu durum makale ilk sayfanın altında dipnot olarak verilmelidir. Ayrıca teşekkür edilmesi gereken kişi, kurum veya kuruluşlar varsa, ilgili bilgiler makale dosyasında açık şekilde yer almalıdır.

• Birden fazla yazarlı çalışmalarda, makale gönderim aşamasında yazarlar tarafından katkı oranı beyanı ile çıkar çatışması beyanlarının mutlaka iletilmesi gerekmektedir.
• Makale üretim sürecinde yapay zekâ tabanlı araçlardan (örneğin ChatGPT, Grammarly vb.) yararlanılmışsa, bu durumdan hangi aşamalarda faydalanıldığı açıkça belirtilmelidir. Bu bilgi, makale gönderim aşamasında mutlaka belirtilmelidir. Yapay Zeka kullanımına ilişkin tüm sorumluluk yazarlara aittir.

NOT: Makale gönderim aşamasında Makale Bilgi Formu doldurularak sisteme yüklenmelidir. Forma ulaşmak için tıklayınız.

Etik Kurul İzni
Dergimiz, etik kurul izni gerektiren tüm bilim dallarındaki çalışmalarda, ilgili etik kurul kararı alınmış olmasını şart koşmaktadır. Bu kapsamda, etik kurul izniyle ilgili bilgiler (kurul adı, tarih ve karar numarası) makale metninde açıkça belirtilmelidir.
Ulakbim TR Dizin’in 2020 yılından itibaren uygulamaya koyduğu düzenlemeler doğrultusunda, etik kurul izni bulunmayan çalışmalar dergimizde değerlendirmeye alınmamaktadır.

Etik Kurul İzni Gerektiren Araştırmalar
Dergimizde, etik kurul izni gerektiren araştırmalar aşağıdaki çalışmaları kapsamaktadır:
• Anket, mülakat, odak grup çalışması, gözlem, deney ve görüşme teknikleri gibi yöntemlerle katılımcılardan veri toplanmasını içeren nitel veya nicel yaklaşımlarla yürütülen tüm araştırmalar,
• İnsan ve hayvanların (materyal veya veriler dahil) deneysel ya da diğer bilimsel amaçlarla kullanıldığı çalışmalar,
• İnsanlar üzerinde gerçekleştirilen klinik araştırmalar,
• Hayvanlar üzerinde yapılan bilimsel araştırmalar,
• Kişisel Verilerin Korunması Kanunu çerçevesinde retrospektif çalışmalar.
Bu tür çalışmaların değerlendirmeye alınabilmesi için ilgili etik kurul izinlerinin alınmış olması ve bu izinlerin makale metninde açıkça belirtilmesi gerekmektedir.

NOT: Makaleler APA 7 yayın biçimine uygun olarak hazırlanmalıdır.

Etik İlkeler ve Yayın Politikası

OPUS’da uygulanan makale kabul süreçleri ve yayın süreçleri, bilginin tarafsız ve saygın bir şekilde gelişimine ve dağıtımına temel teşkil etmektedir. Bu doğrultuda uygulanan süreçler, yazarların ve yazarları destekleyen kurumların çalışmalarının kalitesine doğrudan yansımaktadır. Hakemli çalışmalar bilimsel yöntemi somutlaştıran ve destekleyen çalışmalardır. Bu noktada sürecin bütün paydaşların (yazarlar, okurlar ve araştırmacılar, yayıncı, hakemler ve editörler) etik ilkelere yönelik standartlara uyması önem taşımaktadır. Dergimiz, Committee on Publication Ethics (COPE), Directory of Open Access Journals (DOAJ) tarafından yayınlanan Uluslararası Etik Yayıncılık İlkelerini benimsemektedir.

Bilimsel Araştırma ve Yayın Etiğine Aykırı Eylemler
a) İntihal: Başkalarının fikirlerini, metotlarını, verilerini, uygulamalarını, yazılarını, şekillerini veya eserlerini sahiplerine bilimsel kurallara uygun biçimde atıf yapmadan kısmen veya tamamen kendi eseriymiş gibi sunmak,
b) Sahtecilik: Araştırmaya dayanmayan veriler üretmek, sunulan veya yayınlanan eseri gerçek olmayan verilere dayandırarak düzenlemek veya değiştirmek, bunları rapor etmek veya yayımlamak, yapılmamış bir araştırmayı yapılmış gibi göstermek,
c) Çarpıtma: Araştırma kayıtları ve elde edilen verileri tahrif etmek, araştırmada kullanılmayan yöntem, cihaz ve materyalleri kullanılmış gibi göstermek, araştırma hipotezine uygun olmayan verileri değerlendirmeye almamak, ilgili teori veya varsayımlara uydurmak için veriler ve/veya sonuçlarla oynamak, destek alınan kişi ve kuruluşların çıkarları doğrultusunda araştırma sonuçlarını tahrif etmek veya şekillendirmek,
ç) Tekrar yayım: Bir araştırmanın aynı sonuçlarını içeren birden fazla eseri doçentlik sınavı değerlendirmelerinde ve akademik terfilerde ayrı eserler olarak sunmak,
d) Dilimleme: Bir araştırmanın sonuçlarını araştırmanın bütünlüğünü bozacak şekilde, uygun olmayan biçimde parçalara ayırarak ve birbirine atıf yapmadan çok sayıda yayın yaparak doçentlik sınavı değerlendirmelerinde ve akademik terfilerde ayrı eserler olarak sunmak,
e) Haksız yazarlık: Aktif katkısı olmayan kişileri yazarlar arasına dâhil etmek, aktif katkısı olan kişileri yazarlar arasına dâhil etmemek, yazar sıralamasını gerekçesiz ve uygun olmayan bir biçimde değiştirmek, aktif katkısı olanların isimlerini yayım sırasında veya sonraki baskılarda eserden çıkarmak, aktif katkısı olmadığı halde nüfuzunu kullanarak ismini yazarlar arasına dâhil ettirmek,

Diğer etik ihlal türleri şunlardır:
a) Destek alınarak yürütülen araştırmalar sonucu yapılan yayınlarda destek veren kişi, kurum veya kuruluşlar ile bunların katkılarını belirtmemek,
b) Henüz sunulmamış veya savunularak kabul edilmemiş tez veya çalışmaları, sahibinin izni olmadan kaynak olarak kullanmak,
c) İnsan ve hayvanlar üzerinde yapılan araştırmalarda etik kurallara uymamak, yayınlarında hasta haklarına saygı göstermemek,
ç) İnsanlarla ilgili biyomedikal araştırmalarda ve diğer klinik araştırmalarda ilgili mevzuat hükümlerine aykırı davranmak,
d) İncelemek üzere görevlendirildiği bir eserde yer alan bilgileri eser sahibinin açık izni olmaksızın yayımlanmadan önce başkalarıyla paylaşmak,
e) Bilimsel araştırma için sağlanan veya ayrılan kaynakları, mekânları, imkânları ve cihazları amaç dışı kullanmak,
f) Dayanaksız, yersiz ve kasıtlı olarak etik ihlal isnadında bulunmak,
g) Bilimsel bir çalışma kapsamında yapılan anket ve tutum araştırmalarında katılımcıların açık rızasını almadan ya da araştırma bir kurumda yapılacaksa ayrıca kurumun iznini almadan elde edilen verileri yayımlamak,
h) Araştırma ve deneylerde, hayvan sağlığına ve ekolojik dengeye zarar vermek,
ı) Araştırma ve deneylerde, çalışmalara başlamadan önce alınması gereken izinleri yetkili birimlerden yazılı olarak almamak.
i) Araştırma ve deneylerde mevzuatın veya Türkiye'nin taraf olduğu uluslararası sözleşmelerin ilgili araştırma ve deneylere dair hükümlerine aykırı çalışmalarda bulunmak.
j) Araştırmacılar ve yetkililerce, yapılan bilimsel araştırma ile ilgili olarak muhtemel zararlı uygulamalar konusunda ilgilileri bilgilendirme ve uyarma yükümlüğüne uymamak,
k) Bilimsel çalışmalarda, diğer kişi ve kurumlardan temin edilen veri ve bilgileri, izin verildiği ölçüde ve şekilde kullanmamak, bu bilgilerin gizliliğine riayet etmemek ve korunmasını sağlamamak,
l) Akademik atama ve yükseltmelerde bilimsel araştırma ve yayınlara ilişkin yanlış veya yanıltıcı beyanda bulunmak,

Araştırma Etiği İlkeleri
• Araştırmanın tüm aşamalarında bilimsel dürüstlük, şeffaflık ve akademik kalite esas alınmalı; veri uydurma, çarpıtma ve intihal gibi etik ihlallerinden kaçınılmalıdır. Araştırma süreçleri gerektiğinde denetlenebilir şekilde kayıt altına alınmalıdır.
• Katılımcılar araştırmanın amacı, yöntemi, olası riskleri ve katkıları hakkında açık ve anlaşılır biçimde bilgilendirilmeli; bilgilendirme süreci özgür iradeye dayalı olarak yürütülmelidir.
• Katılımcılara ait kişisel verilerin gizliliği korunmalı; anonimlik, mahremiyet ve veri güvenliği ilkelerine uygun hareket edilmelidir. Veriler yalnızca bilimsel amaçlarla kullanılmalı ve güvenli şekilde saklanmalıdır.
• Araştırmalara katılım gönüllülük esasına dayanmalı; katılımcılar herhangi bir gerekçe göstermeden istedikleri zaman araştırmadan ayrılabilmelidir.
• Katılımcıların fiziksel, psikolojik, sosyal ve ekonomik zarar görmemesi için gerekli önlemler alınmalı; hassas gruplarla yapılan çalışmalarda etik kurallara ve yasal düzenlemelere özel dikkat gösterilmelidir.
• Araştırmacılar bilimsel bağımsızlıklarını korumalı; çıkar çatışmaları, finansal destekler ve sponsorluklar açıkça beyan edilmelidir.
• Gerekli durumlarda etik kurul onayı ve kurum izinleri araştırma başlamadan önce alınmalı; araştırma süreci ulusal ve uluslararası etik standartlara uygun yürütülmelidir.

PAYDAŞLARIN SORUMLULUKLARI

Yazarların Etik Sorumlulukları
• Yazar(lar)ın gönderdikleri çalışmaların özgün olması, yazar(lar)ın başka çalışmalardan yararlanmaları veya başka çalışmaları kullanmaları durumunda eksiksiz ve doğru bir biçimde atıfta bulunmaları ve/veya alıntı yapmaları gerekmektedir.
• Yayınlanmak üzere gönderilen tüm çalışmaların varsa çıkar çatışması teşkil edebilecek durumları ve ilişkileri açıklanmalıdır.
• Yazar(lar)dan değerlendirme süreçleri çerçevesinde makalelerine ilişkin ham veri talep edilebilir, böyle bir durumda yazar(lar) beklenen veri ve bilgileri editörler kurulu ve bilim kuruluna sunmaya hazır olmalıdır.
• Yazar(lar) kullanılan verilerin kullanım haklarına, araştırma/analizlerle ilgili gerekli izinlere sahip olduklarını veya deney yapılan deneklere yönelik izin prosedürlerini gerçekleştirdiğini gösteren belgeye sahip olmalıdır.
• Yazar(lar)ın yayınlanmış, erken görünüm veya değerlendirme aşamasındaki çalışmasıyla ilgili bir yanlış ya da hatayı fark etmesi durumunda, dergi editörünü veya yayıncıyı bilgilendirme, düzeltme veya geri çekme işlemlerinde editörle işbirliği yapma yükümlülüğü bulunmaktadır.
• Yazarlar çalışmalarını aynı anda birden fazla derginin başvuru sürecinde bulunduramaz. Her bir başvuru önceki başvurunun tamamlanmasını takiben başlatılabilir. Başka bir dergide yayınlanmış çalışma OPUS-Uluslararası Toplum Araştırmaları Dergisi ‘ne gönderilemez.
• Değerlendirme süreci başlamış bir çalışmanın yazar sorumluluklarının değiştirilmesi (Yazar ekleme, yazar sırası değiştirme, yazar çıkartma gibi) teklif edilemez.

Editörlerin Etik Görev ve Sorumlulukları

Genel görev ve sorumluluklar
• Okuyucuların ve yazarların bilgi ihtiyaçlarını karşılamaya yönelik çaba sarfetme,
• Sürekli olarak derginin gelişimini sağlama,
• Dergide yayınlanan çalışmaların kalitesini geliştirmeye yönelik süreçleri yürütme,
• Düşünce özgürlüğünü destekleme,
• Akademik açıdan bütünlüğü sağlama,
• Fikri mülkiyet hakları ve etik standartlardan taviz vermeden iş süreçlerini devam ettirme,
• Düzeltme, açıklama gerektiren konularda yayın açısından açıklık ve şeffaflık gösterme.

Okuyucu ile ilişkiler
• Editörler; tüm okuyucu, araştırmacı ve uygulayıcıların ihtiyaç duydukları bilgi, beceri ve deneyim beklentilerini dikkate alarak karar vermelidir.
• Yayınlanan çalışmaların okuyucu, araştırmacı, uygulayıcı ve bilimsel alanlarına katkı sağlamasına ve özgün nitelikte olmasına dikkat etmelidir.
• Ayrıca editörler okuyucu, araştırmacı ve uygulayıcılardan gelen geri bildirimleri dikkate almak, açıklayıcı ve bilgilendirici geri bildirim vermekle yükümlüdür.

Yazarlar ile ilişkiler
• Editörler, çalışmaların önemi, özgün değeri, geçerliliği, anlatımın açıklığı ve derginin amaç ve hedeflerine dayanarak olumlu ya da olumsuz karar vermelidir.
• Yayın kapsamına uygun olan çalışmaların ciddi problemi olmadığı sürece ön değerlendirme aşamasına almalıdır.
• Editörler, çalışma ile ilgili ciddi bir sorun olmadıkça, olumlu yöndeki hakem önerilerini göz ardı etmemelidir.
• Yeni editörler, çalışmalara yönelik olarak önceki editör(ler) tarafından verilen kararları ciddi bir sorun olmadıkça değiştirmemelidir.
• Yazarlara açıklayıcı ve bilgilendirici şekilde bildirim ve dönüş sağlanmalıdır.

Hakemler ile ilişkiler
• Hakemleri çalışmanın konusuna uygun olarak belirlemelidir.
• Hakemlerin değerlendirme aşamasında ihtiyaç duyacakları bilgi ve rehberleri sağlamakla yükümlüdür.
• Yazarlar ve hakemler arasından çıkar çatışması olup olmadığını gözetmek durumundadır.
• Hakemleri tarafsız, bilimsel ve nesnel bir dille çalışmayı değerlendirmeleri için teşvik etmelidir.
• Hakemleri zamanında dönüş ve performans gibi ölçütlerle değerlendirmelidir.
• Hakemlerin performansını artırıcı uygulama ve politikalar belirlemelidir.
• Hakem havuzunun sürekli ve dinamik şekilde güncellenmesi konusunda gerekli adımları atmalıdır.
• Nezaketsiz ve bilimsel olmayan değerlendirmeleri engellemelidir.

Hakemlerin Etik Sorumlulukları
• Sadece uzmanlık alanı ile ilgili çalışma değerlendirmeyi kabul etmelidir.
• Tarafsızlık ve gizlilik içerisinde değerlendirme yapmalıdır.
• Değerlendirme sürecinde çıkar çatışması ile karşı karşıya olduğunu düşünürse, çalışmayı incelemeyi reddederek, dergi editörünü bilgilendirmelidir.
• Gizlilik ilkesi gereği inceledikleri çalışmaları değerlendirme sürecinden sonra imha etmelidir. İnceledikleri çalışmaların sadece nihai versiyonlarını ancak yayınlandıktan sonra kullanabilir.
• Değerlendirmeyi nesnel bir şekilde sadece çalışmanın içeriği ile ilgili olarak yapmalıdır. Milliyet, cinsiyet, dini inançlar, siyasal inançlar ve ticari kaygıların değerlendirmeye etki etmesine izin vermemelidir.
• Değerlendirmeyi yapıcı ve nazik bir dille yapmalıdır. Düşmanlık, iftira ve hakaret içeren aşağılayıcı kişisel yorumlar yapmamalıdır.
• Değerlendirmeyi kabul ettikleri çalışmayı zamanında ve yukarıdaki etik sorumluluklarda gerçekleştirmelidir.

YAYIN ETİĞİ İLKELERİ

ETİK KURUL İZNİ
Dergimiz, etik kurul izni gerektiren tüm bilim dallarındaki çalışmalarda, ilgili etik kurul kararı alınmış olmasını şart koşmaktadır. Bu kapsamda, etik kurul izniyle ilgili bilgiler (kurul adı, tarih ve karar numarası) makale metninde açıkça belirtilmelidir.
Ulakbim TR Dizin’in 2020 yılından itibaren uygulamaya koyduğu düzenlemeler doğrultusunda, etik kurul izni bulunmayan çalışmalar dergimizde değerlendirmeye alınmamaktadır.

İntihali Ortaya Çıkarma
Dergimiz gönderilen tüm makaleleri intihali engellemek için taramaktadır. İncelenmeye sunulan çalışmalarda intihal olup olmadığını Turnitin, İthenticate vb. yazılımlar kullanılarak kontrol edilir. Dergimize gönderilen veya yayımlanan bir makalede intihal tespit edilmesi durumunda dergimiz COPE ilkeleri doğrultusunda (Plagiarism in a submitted manuscript - Plagiarism in a published article) hareket eder.

Yapay Zeka Kullanımı
Dergimize gönderilen çalışmalarda, literatür taraması veya dil kontrolü gibi makalenin özgünlüğünü etkilemeyecek süreçlerde yapay zeka kullanımı kabul edilebilir. Ancak, yapay zeka kullanımı etik kurallar çerçevesinde gerçekleştirilmelidir ve uydurma veri, manipülasyon gibi etik dışı amaçlar için kesinlikle kullanılmamalıdır. Yapay zeka kullanımı içeren çalışmalar için, makale gönderim aşamasında dergimize bu durumla ilgili bilgi verilmesi zorunludur. Yapay zeka kullanımına ilişkin tüm sorumluluk, yazarların kendisine aittir.

Gizlilik Beyanı
Dergimize gönderilen tüm kişisel veriler korunmaktadır. Yazar, Hakem ve diğer gerçek kişilere ait veriler üçüncü kişi ve kurumlarla paylaşılmaz.

Dergi Sahibi ve Yayıncı ile İlişkiler
Editör ve yayıncı arasındaki ilişki editöryal bağımsızlık ilkesine dayanmaktadır. Editör ile yayıncı arasında yapılan yazılı sözleşme gereği, editörün alacağı tüm kararlar yayıncı ve dergi sahibinden bağımsızdır.

Düzeltme, Geri Çekme, Endişe İfadesi
Editörler, yayınlanan makalede, bulguları, yorumları ve sonuçları etkilemeyen küçük hatalar tespit edilirse düzeltme yayınlamayı düşünebilirler. Editörler, bulguları ve sonuçları geçersiz kılan büyük hatalar / ihlaller söz konusu olduğunda, makaleyi geri çekmeyi düşünmelidir. Düzeltme, geri çekme veya endişe ifadesi ile ilgili olarak COPE ilkelerini dikkate alınır.

Fikri Mülkiyet Haklarının Korunması
Dergimiz, yayınlanan tüm makalelerin fikri mülkiyet hakkını korumakla, olası ihlallerde derginin ve yazar(lar)ın haklarını savunmakla yükümlüdür.

Dergimize Yapılacak Şikayet ve İtirazlar
Dergimiz veya dergi kurullarımızda yer alan kurul üyelerinin sorumluluğunda olan içerik, prosedürler veya politikalarla ilgili şikayet ve itirazlarınızı editorialoffice@opusjournal.net adresine e-posta ile iletebilirsiniz. Dergimize iletilen şikayetler ve itirazlar dikkatle inceler COPE ilkeleri kapsamında değerlendirilir.

YAYIN POLİTİKALARI

A-Makale Değerlendirme Süreci
Dergimizde makale değerlendirme süreci; ön inceleme, hakem değerlendirmesi, revizyon ve yayın olmak üzere dört temel aşamadan oluşmaktadır.

1. Ön İnceleme
Gönderilen çalışmalar, öncelikle editör tarafından derginin yayın politikalarına, akademik yazım ilkelerine ve APA 7 Atıf Sistemi’ne uygunluk açısından değerlendirilir. Bu aşamada, Turnitin, İthenticate vb. yazılımlar kullanılarak intihal taraması yapılır.

2. Hakem Değerlendirme Süreci
Ön inceleme kriterlerini karşılayan çalışmalar için çift taraflı kör hakemlik süreci başlatılır. Makale, alanında uzman iki bağımsız hakeme gönderilir. Değerlendirme süreci boyunca hem yazar hem de hakem kimlikleri gizli tutulur; süreç, etik ilkelere ve gizlilik esaslarına uygun şekilde yürütülür.
Her iki hakemin olumlu raporu doğrultusunda çalışma yayıma kabul edilir. Hakemlerden birinin olumsuz görüş bildirmesi hâlinde, makale üçüncü bir hakeme yönlendirilerek nihai karar verilir.

3. Revizyon Süreci
Hakemler tarafından revizyon istenmesi durumunda yazarlar, önerilen düzeltmeleri çalışmada farklı renkte (örneğin kırmızı) işaretleyerek sunmalıdır. Yapılan değişiklikler öncelikle editör tarafından, ardından ilgili hakemler tarafından tekrar incelenir.
Hakem süreci tamamlanan çalışmalar, derginin dil editörleri tarafından da gözden geçirilir.
Dil ve yazım açısından gerekli görülen durumlarda yazarlardan ek düzeltme istenir. Yapılan dilsel revizyonlar, tekrar kontrol edilerek onaylanır.

4. Yayın Süreci
Tüm bilimsel, teknik ve dilsel süreçleri tamamlanan makaleler, dizgi ve mizanpaj işlemleri sonrasında yayına hazır hâle getirilir. Onaylanan çalışmalar, takip eden ilk sayıda yayımlanır.

B-Açık Erişim ve Telif Hakkı
Dergide yayımlanan makalelerin telif hakkı yazarlara, ticari kullanım hakkı ise dergimize aittir. Dergimizde yayımlanan tüm makaleler Creative Commons Attribution 4.0 International (CC BY 4.0) lisansı altında açık erişim olarak yayımlanmaktadır.

Lisans Kapsamı
Paylaş: eseri her ortam veya formatta kopyalayabilir ve yeniden dağıtabilirsiniz.
Lisans şartlarını yerine getirdiğiniz sürece, lisans sahibi bu özgürlükleri (belirtilen hakları) iptal edemez.
Aşağıdaki şartlar altında:
Atıf: uygun referans vermeli , lisansa bağlantı sağlamalı ve değişiklik yapıldıysa bilgi vermelisiniz. Bunları uygun bir şekilde yerine getirebilirsiniz fakat bu, lisans sahibinin sizi ve kullanım şeklinizi onayladığını göstermez.
GayriTicari: Bu materyali ticari amaçlarla kullanamazsınız.
Türetilemez: Eğer materyali karıştırdınızsa,aktardınızsa, ya da materyalin üzerine çalıştınızsa güncellenmiş materyali dağıtamazsınız.
Ek sınırlamalar yoktur: Lisansın izin verdiği hakları başkaları üzerinde kanunlarla ya da teknolojiyi kullanarak sınırlayamazsınız.

C-Arşiv Politikası
Dergimizde yayınlanan çalışmalar LOCKSS’ta dijital olarak arşivlenir. Dergimiz, ayrıca yazarların çalışmalarının versiyonlarını kendi web sayfalarında, kurumsal web sayfalarında ve diğer depolarda kendi kendilerine arşivlemelerine izin verir. Dergi açık erişimli bir dergi olduğu için herhangi bir ambargo süresi bulunmamaktadır. Dergimizde yayınlanan makalelere Arşiv sayfamızdan ücretsiz bir şekilde ulaşılabilir.

D-Özel Sayı Yayın Politikası
Yayın Kurulu tarafından alınacak karar ile yılda bir kez özel sayı yayınlayabilir. Özel sayıda yayınlanacak makaleler için yayın ve değerlendirme ilkeleri planlı sayılarda uygulandığı şekliyle uygulanır.

Ücret Politikası

Dizinler

Dergi Kurulları

Baş Editör

NB

Nevfel BOZ

İletişim Teknolojisi ve Dijital Medya Çalışmaları

Alan Editörleri

Emrah AKBAŞ

Sosyal Hizmetler, Sosyoloji, Göç Sosyolojisi

ZE

Zehra ERŞAHIN

Klinik Psikoloji

Mehmet Ali AKYURT

Sosyoloji, Bilgi ve Bilim Sosyolojisi, Bilim ve Teknoloji Sosyolojisi ve Sosyal Bilimler, Değişme, Azgelişmişlik ve Modernleşme Sosyolojisi, Edebiyat Sosyolojisi, Kent Sosyolojisi ve Toplum Çalışmaları, Sosyal Değişim, Sosyal Demografi, Sosyal Teori, Sosyolojide Niteliksel Yöntemler, Tarih Sosyolojisi

Bilge ŞENYÜZ

Bilgi Sistemleri Kullanıcı Deneyimi Tasarımı ve Geliştirme, Gazetecilik Çalışmaları, İnternet, İnternet Yayıncılığı, Sosyolojik Metodoloji ve Araştırma Yöntemleri

Emrah BILGIÇ

Veri Analizi, İş Analitiği, İş Bilgi Sistemleri, İş Bilgi Yönetimi , İşletme , Dijital Pazarlama, Tedarik Zinciri Yönetimi

SG

Shu-sha Angie GUAN

Psikolojik Antropoloji, Sosyal Gelişim, Çocuk ve Ergen Gelişimi

MÖ

Mehmet Maksud ÖNAL

Finans

Emin TOKSÖZ

Görsel İletişim Tasarımı, Canlandırma-Animasyon, Görsel Tasarım, Göstergebilim, Grafik Tasarımı, Gülmece / Karikatür, İllüstrasyon, Video Tasarımı, Web Tasarımı, Sanat ve Edebiyat, Güzel Sanatlar

ZÇ

Zafer ÇELIK

Eğitim Sosyolojisi, Göç Sosyolojisi, Göç, Etnisite ve Çok Kültürlülük Sosyolojisi, Kent Sosyolojisi ve Toplum Çalışmaları