Makine öğrenimi algoritması ergenlerde aile geliri ve mahalle dezavantajının birleşik nörogelişimsel izlerini ortaya koyuyor

Büyüyen Beyinler İçin Para ve Mahallelerin Neden Önemli Olduğu

Daha varlıklı ailelerden gelen ve daha güvenli mahallelerde yaşayan çocuklar okullarda neden daha başarılı oluyor ve davranış sorunları neden daha az görülüyor? Bu çalışma, bir çocuğun aile geliri ve mahalle koşullarının izlerinin gerçekten beyinde görülüp görülemeyeceğini sorguluyor. Binlerce ABD’li ergenin beyin taramalarını ve modern bilgisayar tekniklerini kullanan araştırmacı, beynin sosyoekonomik durumun şaşırtıcı derecede güçlü bir “izini” taşıdığını ve bu izlerin bilişsel beceriler ve davranışlarla bağlantılı olduğunu gösteriyor.

Binlerce Genç Bireyin Beyinlerine Bir Bakış

Çalışma, ABD genelinde 11.000’den fazla çocuğu izleyen Ergen Beyin Bilişsel Gelişim (ABCD) Çalışması’na dayanıyor. Bu gruptan 7.000’den fazla dokuz ve on yaşındaki çocuğun yüksek kaliteli beyin taramaları ve eksiksiz arka plan bilgileri vardı. Aileler toplam hane gelirlerini bildirdi ve araştırmacılar her çocuğun ev adresini iki mahalle göstergesiyle ilişkilendirdi: biri genel yoksunluğu yakalayan bir gösterge; diğeri ise iyi okullara, parklara ve sağlık hizmetine erişim gibi çocuklar için önemli fırsatlara odaklanan bir gösterge. Birlikte bu ölçümler, her çocuğun sosyal ve ekonomik dünyasının zengin bir resmini çiziyor.

Bilgisayarlara Beyindeki Sosyal İpuçlarını Okutmak

Çalışma, tek bir beyin ölçüsüne bakmak yerine, aynı anda binlerce birbirine bağlı beyin özelliğini işleyebilen elastik net adlı bir makine öğrenimi yöntemini kullanıyor. Modeller üç tür beyin verisiyle beslendi. Yapısal MRG farklı beyin bölgelerinin boyutunu ve kalınlığını ölçtü; difüzyon görüntüleme, bölgeleri birbirine bağlayan beyaz maddenin bütünlüğünü ve organizasyonunu izledi; dinlenme halindeki taramalar ise bir çocuk hareketsiz yatarken beyin ağlarının doğal olarak nasıl iletişim kurduğunu yakaladı. Bilgisayar modelleri örneklemin yüzde 80’i üzerinde eğitildi ve kalan yüzde 20 üzerinde test edildi; bu, sonuçların orijinal grubun ötesinde genellenebilmesini sağladı.

Beyin Sosyal Koşulları Ne Kadar İfşa Ediyor

Modeller, daha yüksek- ve daha düşük-gelirli ailelerden gelen çocukları ve daha avantajlı ile daha dezavantajlı mahallelerden gelen çocukları güvenilir şekilde ayırt edebildi. Yalnızca beyin verilerini kullanarak en iyi performans gösteren model, daha düşük ve daha yüksek gelirli çocukları yaklaşık dörtte üç oranında doğru ayırdı; bu, diğer ileri düzey beyin tahmin çalışmalarıyla benzer bir performans. Irk ve cinsiyet gibi bilgilerin eklenmesi doğruluğu yalnızca biraz artırdı; bu da beynin kendisinin bir çocuğun sosyoekonomik geçmişi hakkında güçlü ipuçları taşıdığını düşündürüyor. Araştırmacı gelir aralığının en uç karşılaştırmalarına—alt %10–20 ile üst %10–20 arasındaki çocuklar—odaklandığında doğruluk daha da yükseldi ve karşılaştırılan gelir grupları daha benzer oldukça düzenli şekilde düştü.

Beynın Hangi Bölgeleri Hikâyeyi Anlatıyor

En çarpıcı bulgulardan biri, beynin bağlantı ağlarının sosyal ve ekonomik koşullara özellikle duyarlı görünmesi. Sinir liflerinin ne kadar iyi organize ve yalıtıldığını yansıtan beyaz madde bütünlüğü ölçümleri, genellikle geleneksel beyin boyutu ölçümlerinden daha bilgilendiriciydi. Bu farklılıklar beyin genelinde yaygındı, ancak özellikle frontal lobları derin yapılarla ve başın yan tarafına yakın parietal ve temporal bölgelerle bağlayan bağlantılarda güçlüydü. Bu alanlar planlama ve dikkat gibi yürütücü becerileri, ayrıca dil ve sosyal anlayışı destekliyor. Buna karşılık mahalle dezavantajı, bir yarımküre genelindeki ortalamalar gibi çok daha küresel özelliklerle daha yakından bağlantılıydı; bu da yerin bazı yönlerinin beyin gelişimini daha yaygın bir şekilde etkilediğini düşündürüyor.

Beyin Farklılıklarından Günlük Düşünme ve Davranışa

Çalışma ayrıca gelir ve mahalle ile bağlantılı beyin desenlerinin günlük işleyişte de ortaya çıkıp çıkmadığını kontrol etti. İncelenen neredeyse tüm bilişsel testler ve davranış değerlendirmeleri üzerinde, daha düşük gelirli ailelerden veya daha dezavantajlı mahallelerden gelen çocuklar dil, bellek ve problem çözme görevlerinde daha düşük; dikkat güçlüğü ve dışa dönük davranış ölçümlerinde ise daha yüksek puan aldı. Farklar, en düşük ve en yüksek gelir grupları arasında özellikle büyük—çoğunlukla yaklaşık bir tam standart sapma—oldu. Bu, makine öğrenimi modelleri tarafından tanımlanan beyin imzalarının yalnızca görüntülerdeki soyut örüntüler olmadığını; çocukların nasıl düşündüğü, öğrendiği ve davrandığı konusunda anlamlı farklılıklarla ilişkili olduğunu gösteriyor.

Bu Çocuklar ve Toplum İçin Ne Anlama Geliyor

Özetle, bu araştırma daha az maddi kaynağa sahip olmak veya dezavantajlı bir mahallede büyümenin gelişen beyin üzerinde, özellikle beynin bağlantı ağları ve dil ile özdenetimi destekleyen bölgeler üzerinde belirgin bir iz bıraktığını gösteriyor. Bu beyin farklılıkları geç çocukluk döneminde bile tespit edilebiliyor ve okul başarısı ile davranış konusundaki iyi bilinen boşlukları açıklamaya yardımcı oluyor. Aynı zamanda önceki çalışmalar, yoksulluğu azaltma programları, zenginleştirilmiş erken eğitim ve bakım verme ile bilişsel becerilere odaklanan aile temelli eğitim gibi hedefe yönelik desteklerin düşük gelirli ortamlardaki çocukların beyin gelişimini ve sonuçlarını iyileştirebileceğini öne sürüyor. Güçlüklerin beynı etkileyebileceği birçok yol, müdahale için de birçok fırsat sunuyor; bu bulgular yalnızca eşitsizliğe dair bir uyarı değil, aynı zamanda değişim için bir yol haritası niteliğinde.

Atıf: Hercules, K. Machine learning algorithm reveals neurodevelopmental signatures of combined family income and neighborhood disadvantage in adolescents. Sci Rep 16, 11344 (2026). https://doi.org/10.1038/s41598-026-42346-w

Anahtar kelimeler: sosyoekonomik durum, ergen beyni, beyaz madde, makine öğrenimi, nörogelişim