Girişi CARS Modeliyle Yazmak

[Hamle 1a – önem] Ergenlik döneminde yeterli ve kaliteli uyku, bilişsel işlevler, duygu düzenleme ve akademik başarı için kritik öneme sahiptir (Arıcı, 2019). Ne var ki birçok ülkede olduğu gibi Türkiye’de de lise öğrencilerinin önemli bir bölümünün önerilen uyku süresinin altında uyuduğu bildirilmektedir (Yurt ve Gök, 2021).

[Hamle 1b – önceki araştırmalar] Uyku sorunlarıyla ilişkili etkenler arasında sosyal medya kullanımı son yıllarda öne çıkmıştır. Yetişkin ve üniversite öğrencisi örneklemlerinde yapılan çalışmalar, özellikle yatmadan önceki sosyal medya kullanımının daha geç uykuya dalma ve daha düşük uyku kalitesiyle ilişkili olduğunu göstermektedir (Kaya, 2020; Tunç ve Er, 2023). Bu ilişkiyi açıklamak için ekran ışığının fizyolojik etkileri, uyarılmışlık düzeyinin artması ve uykudan çalınan zaman gibi mekanizmalar önerilmiştir.

[Hamle 2 – boşluk] Bununla birlikte, bu mekanizmaların hangisinin ergenlerde belirleyici olduğu açık değildir. Özellikle, dışsal bir engel olmamasına karşın planlanan saatte yatağa gitmeme biçiminde tanımlanan yatma saatini erteleme davranışı, yetişkinlerde uyku kaybının güçlü bir yordayıcısı olarak gösterilmiş, ancak lise öğrencilerinde sosyal medya ile uyku arasındaki ilişkideki rolü sınanmamıştır. Ayrıca mevcut çalışmaların çoğu kullanım süresini tek maddeyle ölçmüş, bu da bulguların karşılaştırılmasını güçleştirmiştir.

[Hamle 3 – boşluğu doldurma] Bu çalışmanın amacı, lise öğrencilerinde sosyal medya kullanım süresi ile uyku kalitesi arasındaki ilişkide yatma saatini ertelemenin aracı rolünü geçerliği gösterilmiş ölçme araçlarıyla incelemektir. Bulguların, ergen uyku sağlığına yönelik okul temelli müdahalelerin hedeflerini belirlemeye katkı sağlaması beklenmektedir.

[Move 1] Lithium-ion batteries are central to electric vehicles, and accurate estimation of their state of health (SOH) is essential for safety and cost (Arslan & Park, 2022). Data-driven methods, particularly recurrent neural networks, have achieved high accuracy under laboratory cycling conditions (Demir et al., 2023).
[Move 2] However, these models are typically trained on constant-temperature data, and their performance under the variable ambient temperatures typical of continental climates remains largely unexplored.
[Move 3] This study proposes a temperature-aware LSTM model for SOH estimation and evaluates it on a field dataset collected from 40 vehicles operating between −15 °C and 42 °C. Results show that the proposed model reduces estimation error by approximately one third compared with a baseline LSTM.