İş tatmini faktörlerini belirlemeye ve analiz etmeye yönelik olarak çalışanların çevrimiçi değerlendirmeleri kullanılarak metin madenciliği ve yapay zeka tabanlı bir yöntem geliştirilmesi
Developing a text mining and artificial intelligence based method for identifying and analyzing job satisfaction factors using employees' online evaluations
- Tez No: 972748
- Danışmanlar: DOÇ. DR. ALİ ÖZDEMİR
- Tez Türü: Doktora
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Derin öğrenme, Makine öğrenmesi, Matematika, Metin madenciliği, Topluluk öğrenme, Yapay zeka, Deep learning, Machine learning, Mathematica, Text mining, Ensemble learning, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Cebir ve Sayılar Teorisi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması iş tatmini faktörlerini belirlemeye ve analiz etmeye yönelik olarak çalışanların çevrimiçi değerlendirmelerinin makine öğrenmeye dayalı analizini elde etmek amacıyla gerçekleştirilen çalışmalar hakkında bilgi vermektedir. Çalışanların şirketleri hakkındaki yorumlar tr.indeed.com'da yayınlanan toplam 59 farklı şirketten elde edilen toplam 3370 adet çevrimiçi değerlendirme elde edilerek makine öğrenme yöntemlerine dayalı analizleri gerçekleştirilmiştir. Ayrıca makine öğrenme tekniklerinin sınıflandırmada yüksek performans elde edebileceği ve büyük veri setleri ile etkin ve ölçeklenebilir bir şekilde çalışabileceğini göstermek amacıyla www.kaggle.com kaynağından daha büyük bir veri seti elde edilmiştir. Google, Amazon, Netflix, Facebook, Apple ve Microsoft şirketlerinde çalışan kişilerin şirketleri hakkında yaptıkları çevrimiçi değerlendirmelerden oluşan toplam 67529 yorum analiz edilmiştir. Metin belgesindeki özniteliklerin belirlenmesinde terim varlığı, terim sıklığı ve terim frekansı-ters belge frekansı temel temsil yöntemleri ile birlikte 1-gram, 2-gram, 3-gram modelleri dikkate alınarak üç farklı ağırlıklandırma şeması kullanılmıştır. Makine öğrenme tabanlı analizler için beş farklı denetimli öğrenme algoritması kullanılmıştır: NB, DVM, LR, KNN ve RF. Ayrıca belirtilen makine öğrenme yöntemlerinin yanı sıra DWEOL, CBWE, BMAE ve BGWEDU topluluk öğrenme yöntemleri kullanılarak derin öğrenme tabanlı modeller olan CNN, RNN, LSTM ve GRU modelleri ile karşılaştırmalı analizleri yapılmıştır. Bu analizler yapılırken kullanılan kelime yerleştirme tabanlı modeller; word2vec (skip-gram modeli), word2vec (CBOW) modeli, fastText (skip-gram) modeli, fastText (CBOW) modeli ve GloVe modelleridir. Farklı modeller kullanılarak analizleri yapılan veri setleri için farklı temsil yöntemlerinin doğruluk, kesinlik, geri çağırma ve F-ölçütü ölçütleri kullanılarak karşılaştırmalı olarak değerlendirilmiştir.
Özet (Çeviri)
This thesis study provides information about the work conducted to obtain machine learning-based analysis of employees' online reviews aimed at identifying and analyzing job satisfaction factors. A total of 3370 online reviews from 59 different companies published on tr.indeed.com were obtained, and analyses based on machine learning methods were performed. Furthermore, a larger dataset was obtained from www.kaggle.com to demonstrate that machine learning techniques can achieve high performance in classification and work effectively and scalably with large datasets. A total of 67529 comments consisting of online reviews made by employees of Google, Amazon, Netflix, Facebook, Apple, and Microsoft about their companies were analyzed. Three different weighting schemes were used to determine the features in the text document, taking into account term presence, term frequency, and term frequency-inverse document frequency as basic representation methods, along with 1-gram, 2-gram, and 3-gram models. Five different supervised learning algorithms were used for machine learning-based analyses: NB, SVM, LR, KNN, and RF. In addition to the specified machine learning methods, community learning methods such as DWEOL, CBWE, BMAE, and BGWEDU were used and compared with deep learning-based models such as CNN, RNN, LSTM, and GRU models. The word embedding-based models used in these analyses are word2vec (skip-gram model), word2vec (CBOW) model, fastText (skip-gram) model, fastText (CBOW) model and GloVe models. Different representation methods for data sets analyzed using different models were comparatively evaluated using accuracy, precision, recall and F-measure criteria.
Benzer Tezler
- Nitelikli sağlık insan kaynağını yurt dışında çalışmaya iten faktörlerin belirlenmesine yönelik bir alan araştırması
A field study to determine the factors that push qualified health human resources to work abroad
OYA ADIYAMAN
Yüksek Lisans
Türkçe
2025
Sağlık Kurumları YönetimiSakarya ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
PROF. DR. MAHMUT AKBOLAT
- Cep telefonu tasarımına etki eden pazarlama faktörleri
Marketing factors that affect the design of mobile phones
MEHMET DÖNMEZ
Yüksek Lisans
Türkçe
2005
Endüstri Ürünleri Tasarımıİstanbul Teknik ÜniversitesiEndüstri Ürünleri Tasarımı Ana Bilim Dalı
DOÇ.DR. SEÇİL ŞATIR
- Association rule mining for identifying factors in dynamic positioning incidents and accidents
Dinamik konumlandırma kazalarına ait faktörlerin birliktelik kural madenciliği ile tanımlanması
TUĞFAN ŞAHİN
Doktora
İngilizce
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. PELİN BOLAT
- Exploring the interplay between physical environment characteristics and place attachment: A case of Selimiye neighbourhood in İstanbul
Fiziksel çevre özellikleri ile yere bağlılık arasındaki karşılıklı ilişkinin keşfi: Selimiye mahallesi örneği
SARE UYAR
Yüksek Lisans
İngilizce
2024
Mimarlıkİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. AYŞE SEMA KUBAT
- Approches alternatives de la logique floue pour l'application du deploiement
Kalite fonksiyonu yayılımı uygulamalarında alternatif bulanık mantık yaklaşımları
PINAR KAYMAZ
Yüksek Lisans
Fransızca
2003
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. E. ERTUĞRUL KARSAK