Yapay Zekâ Sosyal Medyadan Madde Kullanımını Okuyor

19.12.2025’te yayımlanan büyük ölçekli bir araştırma, 2019-2021 arasında sosyal medyada paylaşılan yüz milyonlarca gönderiden madde kullanımıyla ilgili dili ayıklayıp kişilik özellikleriyle eşleştirdi. Çarpıcı olan kısım şu: Online söylemde “risk profili” sandığımızdan farklı görünüyor. Uyumluluk (agreeableness) ve dışadönüklük, madde kullanımı söyleminin en güçlü belirleyicileri çıkarken; klasik “kendini ilaçla tedavi etme” yaklaşımıyla sık ilişkilendirilen nörotiklik bu dijital ortamda koruyucu bir faktör gibi davranıyor.

Bu sadece akademik bir merak değil. Sağlık sektöründe yapay zekâ ve dijital sağlık konuşurken, hastane içi veriler kadar dış dünyadaki dijital izlerin de erken uyarı üretme potansiyeli var. Benim net görüşüm: Sosyal medya verisi, tek başına “teşhis” koymaz; ama popülasyon düzeyinde risk sinyali verir ve doğru tasarlanırsa halk sağlığı müdahalelerini hızlandırır.

Bu yazıda, araştırmanın bulgularını “ne demek istiyor?”, “sağlık sistemine nasıl çevrilir?”, “etik ve operasyonel olarak nasıl yapılır?” sorularıyla ele alıp, dijital sağlıkta erken tespit ve hasta takibi perspektifine bağlayacağım.

Çalışma ne yaptı, neden sağlık sektörü için önemli?

Araştırmacılar, 2019-2021 döneminde büyük bir sosyal medya platformundan (kamuya açık arşiv akışı) gelen veriyi kullanarak 1,13 milyar gönderiyi işledi; bunların içinden yapay zekâ ile madde kullanımı (SU) ile ilişkili olanları ayıkladı ve yaklaşık 9 milyon SU gönderisine indi. Sonra şu üç katmanı aynı veri üzerinde birlikte modelledi:

1. Madde türü (alkol, tütün, kannabinoidler, opioidler vb.)
2. Duygu ve duygu tonu (neşe, korku, üzüntü, güven gibi)
3. Big Five kişilik özellikleri (açıklık, sorumluluk, dışadönüklük, uyumluluk, nörotiklik)

Bu yaklaşımın sağlık sektörü açısından değeri şu: Geleneksel yöntemler (anket, klinik görüşme) güçlüdür ama yavaştır ve çoğu zaman geriye dönük çalışır. Sosyal medya gibi “yakın gerçek zamanlı” veri akışları ise:

• Toplumdaki davranış ve söylem değişimini hızlı yakalar
• Bölge, yaş grubu, dönem gibi kırılımlarda trend verir
• Halk sağlığı iletişimini daha hedefli tasarlamaya yardımcı olur

Yani mesele “kim ne yaptı?” değil; “nerede, hangi söylem artıyor ve hangi sosyal dinamikle besleniyor?”

En önemli bulgu: Online söylemi sosyal bağlar taşıyor

Araştırmanın 2020 dönemine odaklanan lojistik regresyon sonuçları, online SU söyleminde üç kritik sonucu öne çıkarıyor:

• Uyumluluk (agreeableness): madde kullanımı söylemiyle güçlü pozitif ilişki (OR 4,04)
• Dışadönüklük (extraversion): güçlü pozitif ilişki (OR 3,22)
• Nörotiklik (neuroticism): güçlü negatif ilişki, yani koruyucu gibi (OR 0,29)

Bu sonuçların pratik yorumu şu: Sosyal medyada madde kullanımı konuşmak, birçok durumda “yalnız başına baş etme” dilinden ziyade sosyal bağ kurma, birlikte olma, normalleştirme gibi bir işleve sahip.

Online ortamda madde kullanımı söylemi, çoğu zaman “acıyla baş etme” değil, “sosyallik ve aidiyet” dilidir.

Bu, sağlık yöneticileri için kritik bir uyarı: Sadece “negatif duygu artışı → risk artışı” gibi tek çizgili modellerle ilerlemek, dijital dünyada yanlış alarmlara yol açabilir.

Nörotiklik neden “koruyucu” görünüyor?

Klasik literatürde nörotiklik, madde kullanımını artıran bir risk faktörü olarak anlatılır. Bu çalışmada ise dijital söylem açısından tersine dönmüş gibi. Bana göre bunun en makul açıklaması “davranış” ile “kamusal paylaşım”ın ayrışması:

• Nörotik eğilimleri yüksek kişiler, itibar kaygısı ve yargılanma korkusu nedeniyle kamusal alanda madde kullanımını daha az konuşuyor olabilir.
• Negatif duygularını sosyal medyada “madde” ekseninde değil, başka başlıklarda ifade ediyor olabilir.
• Ya da tam tersi: Maddeyle ilgili konuşmaların çoğu, zaten “parti/arkadaş” bağlamında dönüyor ve bu alan nörotik dilin baskın olduğu bir alan değil.

Sağlık sektörüne çevirirsek: Sosyal medya sinyali, kişinin kullanıp kullanmadığını değil, toplumsal normalleşmeyi ve sosyal tetikleyicileri daha iyi yakalıyor.

Duygular: Negatiflik her zaman risk sinyali değil

Araştırmada duygular ile kişilik arasındaki korelasyonlar genel olarak düşük (|r| 0,00–0,09 bandı). Yine de bazı desenler önemli:

• Uyumluluk, daha fazla neşe/pozitiflik ile ilişkili
• Sorumluluk (conscientiousness), daha fazla korku ve üzüntü ile ilişkili
• Nörotiklik, negatif duygu ifadesiyle negatif korelasyon gösteriyor

Bu bize şunu söylüyor: Dijital sağlık izleminde sadece “olumsuz duygu”ya bakıp risk üretmek kolay; ama çoğu zaman yanlış hedefi vurur. Özellikle madde kullanımı gibi sosyal normlarla iç içe konularda, risk sinyali bazen “eğlence dili”nin artışı olabilir.

Sağlık kurumları için pratik çıkarım

Dijital izlem panelleri (public health dashboard) tasarlarken şu üç metriği birlikte okumak daha doğru olur:

• Madde türü bazında söylem hacmi (alkol, tütün, kannabinoid)
• “Sosyal bağlam” göstergeleri (arkadaş, buluşma, kutlama, gece, mekan vb.)
• Duygu tonu (pozitif/negatif)

Tek bir metrikle alarm üretmek yerine, çok sinyalli yaklaşım hem daha stabil hem daha az damgalayıcıdır.

Madde türüne göre kişilik desenleri: Her mesaj aynı değil

Araştırma, madde türlerini ayırdığında daha “kullanılabilir” içgörüler veriyor. Örnek desenler:

• Dışadönüklük birçok madde türünde pozitif ilişki gösteriyor; özellikle sosyal bağlamı güçlü maddelerde (alkol, tütün/kannabinoid söylemi).
• Uyumluluk, alkolle pozitif; kannabinoid ve tütünle negatif ilişki gösterebiliyor. Bu, “uyumlu” dilin daha çok sosyal içki çevresinde dolaştığını düşündürüyor.
• Nörotiklik, alkol söylemiyle pozitif; kannabinoid ve bazı diğer maddelerle negatif ilişki gösterebiliyor.

Bu ayrım halk sağlığı iletişimi için altın değerinde. Çünkü “madde kullanımı” tek bir şey değil.

Örnek: Yeni yıl dönemi (Aralık sonu) için mesaj tasarımı

Bugün 21.12.2025. Türkiye’de de yıl sonu yaklaşırken sosyal etkinlikler artıyor; kurumsal yemekler, ev buluşmaları, kutlamalar… Eğer bir belediye veya kamu kurumu “risk azaltma” iletişimi yapacaksa, tek bir afiş yerine segmentlere göre mikro-mesajlar daha işe yarar:

• Sosyal içki bağlamına: “Güvenli dönüş planı, sürüşten kaçınma, su/yiyecek dengesi”
• Kaygı-alkol bağlamına: “Kaygı yönetimi, kısa egzersiz protokolleri, danışmanlık hatlarına yönlendirme”
• Gençler için: “Akran baskısı + hızlı karar” temasına karşı kısa, net, yargılamayan içerikler

Bu yaklaşımın “yapay zekâ” tarafı, hangi segmentte hangi söylemin yükseldiğini erken görüp iletişimi zamanlamaktır.

Dijital sağlıkta uygulama: Erken uyarı ve toplum düzeyi izlem nasıl kurulur?

Bu tür çalışmaların hastane/klinikteki AI projelerine bağlandığı yer tam olarak burası: erken tespit ve hasta takibi kavramını, sadece klinik ölçümlere değil, toplum sinyallerine de yaymak.

1) Halk sağlığı erken uyarı sistemi (Infodemiology paneli)

İyi tasarlanmış bir sistem şunları yapar:

• Haftalık/aylık SU söylem trendlerini izler (madde türüne göre)
• Bölgesel yoğunlukları (şehir/ilçe düzeyi) anonim ve toplulaştırılmış şekilde raporlar
• Sosyal bağlam göstergeleriyle (kutlama/etkinlik) ilişkilendirir
• Kamu iletişimi ve saha hizmetleri için “zamanlama” önerir

2) Tele-sağlık ve danışmanlık hizmetlerine trafik yönlendirme

Sosyal medyada “alkol + kaygı” söylemi yükseliyorsa, aynı dönemde:

• Online psikolojik danışmanlık kapasitesi artırılabilir
• Kısa tarama ölçekleriyle (ör. stres, uyku) tele-sağlık triage akışı güçlendirilebilir
• Aile hekimliği düzeyinde bilgilendirme yapılabilir

3) Hastane yönetimi ve kaynak planlama

Madde kullanımına bağlı acil başvuruların belirli dönemlerde arttığı biliniyor. Sosyal medya söylem trendleri, tek başına tahmin aracı değildir; ama diğer verilerle birleşince (resmî istatistik, meteoroloji, etkinlik takvimi) operasyonel planlama için ek bir katman sunar.

Etik çizgi: “İzlemek” ile “fişlemek” arasında kalın bir duvar var

Bu alanda en büyük risk, teknolojinin yanlış amaçla kullanılması. Araştırma da açıkça vurguluyor: kamuya açık veri olsa bile kişilik, yaş, cinsiyet ve madde kullanımı gibi hassas alanlar çıkarımsal olarak üretildiğinde etik gerilim yükselir.

Benim önerdiğim temel ilkeler şunlar:

• Birey takibi yok: Sadece toplulaştırılmış, anonim, bölgesel/tematik raporlama
• Şeffaflık: Hangi sinyallerin izlendiği ve ne amaçla kullanıldığı kamuya anlatılmalı
• Damgalamayan dil: “Riskli grup” yerine “destek ihtiyacı artan dönem/bağlam” yaklaşımı
• Model denetimi: Yanlış pozitif/yanlış negatif etkilerini düzenli ölçme

Dijital sağlık güvenle büyüyecekse, AI sistemleri “doğru tahmin” kadar “doğru yönetişim” de ister.

Sağlık sektörüne net mesaj: Sosyal itkiyi hedeflemeden risk azalmaz

Araştırmanın en öğretici sonucu bence şu: Online SU söylemi çoğu zaman sosyal norm üzerinden büyüyor. Bu nedenle yalnızca bireye dönük “irade” mesajları zayıf kalır.

Daha iyi yaklaşım:

• Sosyal ortamlarda risk azaltma (güvenli ulaşım, ölçülü tüketim, alternatif içecek seçenekleri)
• Sosyal medya platformlarında “yargılamayan” mikro müdahaleler (kısa bilgi kartları, yönlendirme)
• Gençlere dönük akran etkisini dikkate alan içerikler

Bu, “Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serisinin ana fikriyle birebir örtüşüyor: AI; erken uyarı, hedefli iletişim ve hizmet planlama için çalıştığında değer üretir.

Son söz: Sosyal medya verisi klinik bir test değildir. Ama toplumun nabzını tutar. 2026’ya girerken, bu nabzı doğru okumayı bilen kurumlar hem daha hızlı önlem alacak hem de sınırlı kaynakları daha akıllı yönetecek.

Sizce sağlık sistemleri, klinik verilerle dijital söylem sinyallerini aynı panelde birleştirmeye ne kadar hazır?