Bu çalışmada, göz izleme verilerine bağlı olarak zihinsel iş yükünü sınıflandırmada makine öğrenmesi algoritmalarının kullanması amaçlanmıştır. Dört katılımcının (iki kadın ve iki erkek), farklı düzeylerde zihinsel iş yükünün ölçülebilmesi için N-geri hafıza görevi ve NASA-Task Load Index (TLX) öznel değerlendirme ölçeği kullanılmıştır. Bağımsız değişkenler olarak 27 göz izleme parametresi seçilmiş ve çıktı değişkeni N-geri hafıza zorluk seviyesi sınıflandırılmıştır. Bu deneyler sonucunda, bu çalışmada ele alınan hemen hemen tüm göz izleme parametrelerinin hem ağırlıklı NASA-TLX toplam skoru hem de N-geri hafıza görevi zorluk seviyesi ile anlamlı olarak ilişkili olduğu ortaya çıkmıştır. Görev zorluğu arttıkça göz bebeği boyutu, seğirme sayısı, göz kırpma sayısı ve göz kırpma süresi artarken sabitleme süresi ile ilgili değişkenlerin ise azaldığı gözlenmiştir. İki sınıflı bir sınıflandırma problemi için elde edilen sonuçlar incelendiğinde, girdi olarak 27 göz izleme özelliği ve LightGBM algoritması ile % 84 doğruluğa ulaşılmıştır. Dört sınıflı bir sınıflandırma problemi kapsamında veri kümesinin karmaşıklığının artmasıyla ancak %65 doğruluğa ulaşılabilmiştir. Girdi değişkenlerinin çıktı değişkeninin belirlenmesine ne derece katkıda bulunduğunu belirlemek için gradyan artırma makineleri (GBM) algoritması kullanılarak bir duyarlılık analizi yapılmış ve sol göz bebeği çapı ortalamasının N-geri hafıza zorluk seviyesinin sınıflandırılmasında en etkili parametre olduğu görülmüştür. Çalışma sonuçları, göz izleme ölçümlerinin zihinsel iş yükünün sınıflandırılmasında önemli bir rol oynadığını göstermektedir.