YÖNETİM BİLİŞİM SİSTEMLERİ ALANINDAKİ DİJİTAL ETKİLEŞİMLERİN SOSYAL AĞ ANALİZİ VE METİN MADENCİLİĞİ YÖNTEMLERİYLE DEĞERLENDİRİLMESİ

Öz

Dijital dönüşümle birlikte akademik bilgi paylaşımı ve disiplinlerarası etkileşim süreçleri, geleneksel mecralardan sosyal medya platformlarına kaymıştır. Bu çalışma, Türkiye’deki Yönetim Bilişim Sistemleri (YBS) ekosisteminin dijital yapılanmasını, etkileşim örüntülerini ve bilgi yayılım dinamiklerini YouTube platformu özelinde incelemeyi amaçlamaktadır. Araştırma kapsamında elde edilen veri seti, Sosyal Ağ Analizi (SNA), topluluk tespiti, projeksiyon analizi ve metin madenciliği yöntemleri kullanılarak bütünleşik bir yaklaşımla değerlendirilmiştir. Bulgular, YBS etkileşim ağının düşük yoğunluklu ancak büyük ölçüde bütünleşik bir yapı sergilediğini, bağlantıların belirli aktörler etrafında yoğunlaştığını ve ağın ağır kuyruklu, heterojen bir derece dağılımına sahip olduğunu göstermektedir. Merkezilik analizleri, ağda görünürlük, erişilebilirlik ve aracılık rollerinin aynı aktörlerde toplanmadığını; bazı aktörlerin etkileşim odağı, bazılarının ise kümeler arası bağlayıcı konumda yer aldığını ortaya koymaktadır. Topluluk tespiti ve projeksiyon analizi bulguları, YBS dijital ekosisteminin homojen bir yapı göstermediğini; farklı ilgi ve bilgi yönelimleri etrafında kümelenen modüler bir yapı sergilediğini göstermektedir. Zaman serisi ve K-çekirdek analizleri, ağın zaman içinde genişleyen ancak dönemsel yoğunlaşmalar da içeren bir etkileşim düzenine sahip olduğunu ve daha sıkı bağlı bir çekirdek alt yapının bulunduğunu ortaya koymaktadır. Kural tabanlı duygu analizi ise yorum metinlerinde genel olarak sınırlı düzeyde pozitif bir sözcüksel eğilime işaret etmektedir. Sonuç olarak çalışma, YBS alanındaki dijital etkileşimlerin yalnızca içerik düzeyinde değil, yapısal konumlar, topluluk örüntüleri ve zamansal değişimlerle birlikte değerlendirilmesi gerektiğini; bu yaklaşımın öğrenci bilgi ihtiyaçlarının, içerik stratejilerinin ve bölüm iletişim süreçlerinin anlaşılmasına tamamlayıcı katkı sağlayabileceğini göstermektedir.

Anahtar Kelimeler

• Sosyal Ağ Analizi
• Yönetim Bilişim Sistemleri
• Sosyal Medya Analizi
• Metin Madenciliği

EVALUATION OF DIGITAL INTERACTIONS IN THE FIELD OF MANAGEMENT INFORMATION SYSTEMS USING SOCIAL NETWORK ANALYSIS AND TEXT MINING METHODS

Öz

With digital transformation, academic knowledge sharing and interdisciplinary interaction have increasingly shifted from traditional channels to social media platforms. This study aims to examine the digital structuring, interaction patterns, and information diffusion dynamics of the Management Information Systems (MIS) ecosystem in Turkey through a YouTube-based analysis. The dataset was analyzed through an integrated framework combining Social Network Analysis (SNA), community detection, projection analysis, and text mining. The findings show that the MIS interaction network is low-density yet largely connected, with ties concentrated around a limited number of actors and a heavy-tailed, heterogeneous degree structure. Centrality results indicate that visibility, accessibility, and brokerage roles are not concentrated in the same actors; while some actors emerge as interaction hubs, others occupy bridging positions across clusters. Community detection and projection analysis further reveal that the MIS digital ecosystem is not homogeneous, but rather displays a modular structure shaped by different interest and information orientations. Time-series and k-core analyses show that the network expands over time while also displaying periodic interaction peaks and a more tightly connected core substructure. Rule-based sentiment analysis suggests a mildly positive lexical tendency in the comment texts. Overall, the study demonstrates that digital interactions in the MIS field should be evaluated not only in terms of content, but also together with structural positions, community patterns, and temporal dynamics; this perspective may provide complementary insights into student information needs, content strategies, and departmental communication practices.

Anahtar Kelimeler

• Social Network Analysis
• Management Information Systems
• Social Media Analysis
• Text Mining

Kaynakça

1. Akıncı, H., ve Kahraman, Ü. G. (2024). Endüstri 4.0: Yönetim Bilişim Sistemleri Bakış Açısıyla Değerlendirme. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 8(1), 76-99. https://doi.org/10.31200/makuubd.1442339
2. Barabási, A. L., ve Albert, R. (1999). Emergence of scaling in random networks. Science, 286(5439), 509-512. https://barabasi.com/media/Emergence-Barabasi-1999_gN74Tws.pdf
3. Blondel, V. D., Guillaume, J. L., Lambiotte, R., ve Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 2008(10), P10008. https://doi.org/10.1088/1742-5468/2008/10/P10008
4. Borgatti, S. P. (2005). Centrality and network flow. Social Networks, 27(1), 55-71. https://doi.org/10.1016/j.socnet.2004.11.008
5. Borgatti, S. P., ve Everett, M. G. (2000). Models of core/periphery structures. Social Networks, 21(4), 375-395. https://doi.org/10.1016/S0378-8733(99)00019-2
6. Burt, R. S. (1992). Structural holes: The social structure of competition. Harvard University Press. https://homepage.ntu.edu.tw/~khsu/network/reading/burt.pdf
7. Chalkias, I., Tzafilkou, K., Karapiperis, D., ve Tjortjis, C. (2023). Learning Analytics on YouTube Educational Videos: Exploring Sentiment Analysis Methods and Topic Clustering. Electronics, 12(18), 3949. https://doi.org/10.3390/electronics12183949
8. Çelik, K., ve Taş, A. (2023). Yönetim Bilişim Sistemleri Bölümü Öğrencilerinin ve Mezunlarının Girişimcilik Niyetini Etkileyen Faktörlerin Araştırılması. Bartın Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(28), 168-184. https://doi.org/10.47129/bartiniibf.1364922

9. Dulkadir, B. (2025). Yönetim Bilişim Sistemleri Mezunlarının İstihdamında Sektörel Beklentiler ve Bologna Bilgi Sistemi Uyumunun Analizi. MANAS Sosyal Araştırmalar Dergisi, 14(4), 1474-1486. https://doi.org/10.33206/mjss.1712591
10. Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215-239. https://www.cin.ufpe.br/~rbcp/taia/Freeman1979-centrality.pdf
11. Granovetter, M. S. (1973). The Strength of Weak Ties. American Journal of Sociology, 78(6), 1360–1380. http://www.jstor.org/stable/2776392
12. Holme, P., ve Saramäki, J. (2012). Temporal networks. Physics Reports, 519(3), 97-125. https://doi.org/10.1016/j.physrep.2012.03.001
13. Kitsak, M., Gallos, L. K., Havlin, S., Liljeros, F., Muchnik, L., Stanley, H. E., ve Makse, H. A. (2010). Identification of influential spreaders in complex networks. Nature Physics, 6(11), 888-893. https://doi.org/10.1038/nphys1746
14. Landherr, A., Friedl, B., ve Heidemann, J. (2010). A critical review of centrality measures in social networks. Business & Information Systems Engineering, 2(6), 371-385. https://doi.org/10.1007/s12599-010-0127-3
15. McPherson, M., Smith-Lovin, L., ve Cook, J. M. (2001). Birds of a feather: Homophily in social networks. Annual Review of Sociology, 27, 415-444. https://doi.org/10.1146/annurev.soc.27.1.415
16. Newman, M. E. J. (2003). The structure and function of complex networks. SIAM Review, 45(2), 167-256. https://arxiv.org/pdf/cond-mat/0303516
17. Sezgin, M., ve Altay, I. (2021). Üniversite Tercihinde Sosyal Medyanın Aracı Rolü. Uluslararası Sosyal Bilimler ve Eğitim Dergisi, 3(4), 87-104. https://izlik.org/JA82FA98LE
18. Star, S. L., ve Griesemer, J. R. (1989). Institutional ecology, 'translations' and boundary objects: Amateurs and professionals in Berkeley's Museum of Vertebrate Zoology, 1907-39. https://lchc.ucsd.edu/mca/Mail/xmcamail.2012_09.dir/pdfuaCxVBhVe5.pdf
19. Uğur, N. G., Okursoy, A., ve Turan, A. H. (2016). Türkiye’de Yönetim Bilişim Sistemleri Eğitimi ve Yetkinlik Alanı Değerlendirmesi. İşletme Bilimi Dergisi, 4(1), 111-122. https://doi.org/10.22139/ibd.88757
20. Wasserman, S., ve Faust, K. (1994). Social network analysis: Methods and applications. Cambridge University Press. https://doi.org/10.1017/CBO9780511815478
21. Clauset, A., Shalizi, C. R., & Newman, M. E. J. (2009). Power-law distributions in empirical data. SIAM Review, 51(4),661-703. https://doi.org/10.48550/arXiv.0706.1062
22. Quintero-Rodríguez, I., & Colás-Bravo, M. P. (2024). YouTube and informal learning: An analysis of the relationship between the platform and the educational experience. Comunicar, 79. https://doi.org/10.58262/V33279.3
23. Shoufan, A., & Mohamed, F. (2022). YouTube and education: A scoping review. IEEE Access, 10, 125576–125599. https://doi.org/10.1109/ACCESS.2022.3225419
24. Tomaszewicz, A., & Chrąchol-Barczyk, U. (2024). The influence of social media on the choice of a university. European Research Studies Journal, 27(2), 67–77. https://doi.org/10.35808/ersj/3797
25. Yüksel, A. O., & Somyürek, S. (2025). Investigation of higher education level social network analysis studies in educational sciences. International Journal of Assessment Tools in Education, 12(3), 701–726. https://doi.org/10.21449/ijate.1586688