Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi

Öz

Bu çalışmada okullarda görev alacak yarı zamanlı öğretmenlere yönelik verinin çeşitli sınıflandırma algoritmaları kullanılarak, yapılan atamaların başarı ölçümünü gözlemlemek ve yapılan işlemin yapay zeka destekli sınıflandırma algoritmaları ile yürütülmesi durumuna yönelik analizi gerçekleştirilmiştir. Çalışmada web tabanlı bir uygulama üzerinden yapılan başvurular ile elde edilen verilerin, gereksinimler doğrultusunda yapılan atama ölçütlerine yönelik başarımı ölçülmüştür. Bunun için 3053 adayın başvurduğu sistemden gereksinim doğrultusundaki 894 adayın atanmasına yönelik öznitelikler üzerinde çalışılmıştır. Altı farklı sınıflandırıcı üzerinde yapılan çalışmada 0,71 Doğruluk ve 0,77 F-ölçüsü ile en iyi sonucu Rassal Orman Sınıflandırıcısı vermiştir. Yapılan bu çalışma ile atama ölçünlerinin ağırlıklarına göre bu çalışmanın uygun sınıflandırıcılar ile yürütülmesi ve bu alanda kullanılabileceği gösterilmiştir.

Anahtar Kelimeler

• Milli Eğitim Bakanlığı
• Öğretmen
• Sınıflandırma
• Yapay Öğrenme

Assignment of Part-Time Teachers in the Ministry of National Education with Artificial Learning Techniques

Öz

In this study, the data for part-time teachers who will work in schools were analyzed using various classification algorithms to observe the success measurement of the assignments and automate the process with artificial intelligence-supported classification algorithms. In the study, the performance of the data obtained through the applications made through a web-based application, for the assignment criteria made in line with the needs, was measured. For this, the attributes for the appointment of 894 candidates in line with the needs from the system applied by 3053 candidates were studied. In the study conducted on six different classifiers, the Random Forest Classifier gave the best result with an accuracy value of 0.71 and an f-score of 0.77. With this study, it has been shown that this study can be automated with appropriate classifiers and used in this field according to the weights of the assignment criteria.

Anahtar Kelimeler

• Ministry of National Education
• Teacher
• Classification
• Artificial Learning

Kaynakça

1. Azar, A. “Türkiye’deki Öğretmen Eğitimi Üzerine Bir Söylem: Nitelik mi, Nicelik mi?”, Yükseköğretim ve Bilim Dergisi, sy 1, Art. sy 1, Nis. 2011.
2. Chubak J. ve ark., “Tradeoffs between accuracy measures for electronic health care data algorithms”, Journal of Clinical Epidemiology, c. 65, sy 3, ss. 343-349.e2, Mar. 2012, doi: 10.1016/j.jclinepi.2011.09.002.
3. Özgöbek Ö. ve ark. “A Survey on Challenges and Methods in News Recommendation”, Proceedings of the 10th International Conference on Web Information Systems and Technologies, Barcelona, Spain, 2014, ss. 278-285. doi: 10.5220/0004844202780285.
4. Sayar A. ve Turdaliev N., “Makine Öğrenmesi ile Adaptif Otel Öneri Sistemi”, 12th Turkish National Software Engineering Symposium, Istanbul, Turkiye, s. 13.
5. Dündar A. ve Kakişim A., “Kıyafet Öneri Sistemi için Giyim Metaverilerine dayalı Temsil Öğrenimi”, European Journal of Science and Technology, Ara. 2021, doi: 10.31590/ejosat.1008736.
6. Bal M., ve ark., “İnsan Kaynakları Yönetiminde Etkin Bir İşe Alım Süreci İçin Yapay Zeka Yöntemlerinin Kullanımı”, 3rd International Congress Ofeurasian Social Sciences, 2019.
7. Gültekin B. ve ark., “İşe Alım Süreci Aday Ön Tesbitinde Bulanık Mantık Tabanlı SQL Sorgulama Yönteminin İncelenmesi”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, c. 3, sy 1, ss. 198-209, 2015.
8. Büyüköztürk Ş., “Faktör Analizi: Temel Kavramlar ve Ölçek Geliştirmede Kullanımı”, Kuram ve Uygulamada Eğitim Yönetimi, c. 32, sy 32, Art. sy 32, Mar. 2002.

9. Rodríguez P. ve ark., “Beyond One-Hot Encoding: Lower Dimensional Target Embedding”, Image and Vision Computing, c. 75, ss. 21-31, Tem. 2018, doi: 10.1016/j.imavis.2018.04.004.
10. Swinburne R., “Bayes’ Theorem”, Revue Philosophique de la France Et de l’Etranger, c. 194, sy 2, ss. 250-251, 2004, doi: 10.1093/mind/113.451.591.
11. Shi T. ve Horvath S., “Unsupervised Learning With Random Forest Predictors”, Journal of Computational and Graphical Statistics, c. 15, sy 1, ss. 118-138, Mar. 2006, doi: 10.1198/106186006X94072.
12. T. S. Wiens ve diğ., “Three way k-fold cross-validation of resource selection functions”, Ecological Modelling, c. 212, sy 3-4, ss. 244-255, Nis. 2008, doi: 10.1016/j.ecolmodel.2007.10.005.
13. T.T. Wong ve N.Y. Yang, “Dependency analysis of accuracy estimates in k-fold cross validation”, IEEE Transactions on Knowledge and Data Engineering, c. 29, sy 11, ss. 2417-2427, 2017.
14. S. Arlot ve A. Celisse, “A survey of cross-validation procedures for model selection”, Statistics Surveys, c. 4, sy none, ss. 40-79, Oca. 2010, doi: 10.1214/09-SS054.