Çalışanların Çevrimiçi Değerlendirmelerinin İş Tatmini Faktörlerini Belirlemeye ve Analiz Etmeye Yönelik Olarak Makine Öğrenmesine Dayalı Analizi

Abstract

Yapay zeka teknolojilerinden biri olan makine öğrenmesi teknikleri günümüzde yaygın olarak kullanılmaktadır. Makine öğrenmesi teknikleri ile hızlı ve güvenilir şekilde tahminlemeler yapılabilmektedir. Makine öğrenmesine ait birçok algoritma mevcut olup, problemin kaynağına ve veri sayısına göre hangi algoritmanın kullanılacağına karar verilmektedir. Farklı algoritmalar, kullanılan veriye göre özgüllük ve duyarlılık değerleri üretmektedir. Kullanılan veriye göre bu değerler göz önünde bulundurularak farklı algoritmalar arasından en iyi uyum sağlayan algoritma tercih edilerek sonuç iyileştirilir ve zaman maliyeti azaltılır. Metin madenciliği son yıllarda hızla gelişen bir alan haline geldi ve bu alandaki uygulamalar yapay zekâ alanındaki uygulamaların büyük bir bölümünü oluşturmaktadır. İnsan kaynakları departmanlarının işletme yöneticileri çeşitli konularda kararlar almaktadırlar. Metinsel veriler de dahil olmak üzere daha fazla veri oluşturulup biriktikçe işletme yöneticileri şirketleri ile ilgili karar verirken metin madenciliğini kullanarak bu tür verilerden uygulanabilir bilgi elde edebilirler. Bu çalışma iş tatmini faktörlerini belirlemeye ve analiz etmeye yönelik olarak çalışanların çevrimiçi değerlendirmelerinin makine öğrenmesine dayalı analizini elde etmek amacıyla gerçekleştirilen çalışmalar hakkında bilgi vermektedir. Çalışanların şirketleri hakkında yaptıkları yorumlardan 1 ve 2 puan olanlar negatif, 3,4 ve 5 puanlar pozitif olarak değerlendirilmiş olup toplamda 18 firmadaki 2321 pozitif yorum ve 702 negatif yorum ele alınarak makine öğrenmesine dayalı analizleri gerçekleştirilmiştir. Metin belgesindeki özniteliklerin belirlenmesinde terim varlığı, terim sıklığı gibi temel temsil yöntemleri ve 1-gram, 2-gram, 3-gram modelleri dikkate alınarak incelenen veri seti için farklı temsil yöntemlerinin doğru sınıflandırma başarımları, F-ölçütü, duyarlılık, hassasiyet ölçütleri 5 temel sınıflandırıcı aracılığıyla karşılaştırmalı olarak değerlendirilmiştir.

Keywords

• Makine öğrenmesi
• Metin madenciliği
• Sınıflandırıcı topluluğu

Machine Learning Based Analysis of Employees' Online Assessments to Identify and Analyze Job Satisfaction Factors

Abstract

Machine learning techniques, one of the artificial intelligence technologies, are widely used today. With machine learning techniques, predictions can be made quickly and reliably. There are many algorithms of machine learning, and it is decided which algorithm to use according to the source of the problem and the number of data. Different algorithms produce specificity and sensitivity values according to the data used. Considering these values according to the data used, the best fit algorithm among the different algorithms is preferred, improving the result and reducing the time cost. Text mining has become a rapidly developing field in recent years and applications in this field constitute a large part of applications in the field of artificial intelligence. Business managers of human resources departments make decisions on various issues. As more data, including textual data, is createdand accumulated, business managers can derive actionable insights from such data by using text mining when making decisions about their companies. This study provides information about the studies carried out to obtain machine learning-based analysis of online evaluations of employees to determine and analyze job satisfaction factors. Among the comments made by the employees about their companies, 1 and 2 points were evaluated as negative, 3,4 and 5 points were evaluated as positive, and a total of 2321 positive comments and 702 negative comments from 18 companies were analyzed, based on machine learning. Accurate classification performances of different representation methods, F-criterion, sensitivity, precision criteria for the analyzed data set, taking into account the basic representation methods such as term presence, term frequency, and 1-gram, 2-gram, 3-gram models in determining the features in the text document. 5 basic classifiers evaluated comparatively.

Keywords

• Machine learning
• Text mining
• Classifier ensemble

References

1. Kantar, Hüseyin (2014), İşletmede Motivasyon, Kum Saati Yayınları, İstanbul.
2. Bollen, Johan, Huina Mao, and Xiaojun Zeng. "Twitter mood predicts the stock market." Journal of Computational Science 2.1 (2011): 1-8.
3. Prabowo, Rudy, and Mike Thelwall. "Sentiment analysis: A combine dapproach." Journal of Informetrics (2009): 143-157.
4. Ozkaya, U., Melgani, F., Bejiga, M. B., Seyfi, L., Donelli, M., GPR B scan image analysis with deep learning methods. Measurement, 165, 107770.
5. Salton, Gerard, and Christopher Buckley. "Term-weighting approaches in automatic text retrieval." Information processing and management 24.5 (1988): 513-523.
6. Al-Talib, G. A. and Hassan, H. S., 2013, A study on analysis of SMS classification using TF-IDF Weighting, International Journal of Computer Networks and Communications Security,1(5), 189-194pp.
7. Ganesh, S. (2013), “Text mining in analyzing the presentation of educational trainers”, International Journal of Computer Applications, Vol. 66 No. 7, pp. 38-44.
8. Abdous, M. And He, W. (2011), “Using text mining to uncover students’ technology-related problems in live video streaming”, British Journal of EducationalTechnology, Vol. 42 No. 1, pp. 40-49.

9. Jain, S., (2018), “Human Resource Management and Artificial Intelligence”, International Journal of Management and Social Sciences Research (IJMSSR), Volume 7, No. 3, pp.56-59.
10. Yawalkar, V. V., (2019), “Study of Artificial Intelligence and its role in Human Resource Management”, International Journal of Research and Analytical Reviews (IJRAR), pp.20-24).