İşe Alım Kararında Makine Öğrenmesi ve Çok Kriterli Karar Verme Yöntemlerinin Karşılaştırmalı Performans Analizi

İşe alım kararları, örgütlerin rekabet avantajını elde etmesinde stratejik bir rol oynamakta ve çok sayıda kriterin eş zamanlı değerlendirilmesini gerektirmektedir. Bu çalışma, makine öğrenmesi ve çok kriterli karar verme yöntemlerini işe alım kararı probleminde karşılaştırmalı olarak incelemektedir. 1500 aday ve 11 kriter içeren bir veri seti kullanılarak iki aşamalı bir metodoloji uygulanmıştır. İlk aşamada kriter ağırlıkları, makine öğrenmesi yöntemlerinden rassal orman ve XGBoost yöntemleri ve objektif çok kriterli karar verme yöntemlerinden Entropi ve CRITIC yöntemleri kullanılarak hesaplanmıştır. İkinci aşamada ise bu ağırlıklar, dört klasik makine öğrenmesi sınıflandırıcısı (lojistik regresyon, k-en yakın komşu, destek vektör makineleri ve rassal orman) ile iki çok kriterli karar verme tabanlı sınıflandırma yönteminde (UTADIS ve TOPSIS-Sort) kullanılmıştır. Bulgular, makine öğrenmesi modellerinin çok kriterli karar verme yöntemlerine belirgin bir üstünlük sağladığını göstermiştir. En yüksek performansı yaklaşık %87 F1 skoru ile rassal orman elde ederken, UTADIS %36 ve TOPSIS-Sort %47 düzeyinde kalmıştır. TOPSIS-Sort %97 duyarlılık ile dikkat çekmiş, ancak %31 kesinlik ile çok sayıda yanlış pozitif tahmin üretmiştir. Kriter ağırlıklandırmada makine öğrenmesi yöntemleri işe alım stratejisine %43 gibi baskın bir ağırlık atarken, çok kriterli karar verme yöntemleri demografik değişkenlere daha yüksek ağırlık vermiştir. Sonuçlar, sınıflandırma performansının öncelikli olduğu durumlarda makine öğrenmesi modellerinin, şeffaflık ve açıklanabilirliğin ön planda olduğu durumlarda ise çok kriterli karar verme yöntemlerinin tercih edilmesi gerektiğini ortaya koymaktadır.

Recruitment decisions play a strategic role in helping organizations gain a competitive advantage and require the simultaneous evaluation of multiple criteria. This study comparatively examines machine learning and multi-criteria decision-making methods for recruitment decisions. A two-stage methodology was applied using a dataset comprising 1500 candidates and 11 criteria. In the first stage, criterion weights were calculated using two machine learning methods, random forest and XGBoost, and two objective multi-criteria decision-making methods, Entropy and CRITIC. In the second stage, these weights were used with four conventional machine learning classifiers (logistic regression, k-nearest neighbors, support vector machines, and random forest) and two multi-criteria decision-making-based classification methods (UTADIS and TOPSIS-Sort). The findings showed that machine learning models significantly outperformed multi-criteria decision-making methods in terms of classification methods. Random forest achieved the highest performance, with F1-score of approximately 87%, whereas UTADIS remained at 36% and TOPSIS-Sort at 47%. TOPSIS-Sort achieved a notably high sensitivity of 97%; however, its precision was only 31%, indicating a substantial number of false-positive predictions. Regarding criterion weighting, machine learning methods assigned a dominant weight of 43% to recruitment strategy, whereas multi-criteria decision-making methods assigned greater weight to demographic variables. The results suggest that machine learning models may be preferable when classification performance is the primary objective, whereas multi-criteria decision-making methods may be more suitable when transparency and explainability are paramount.