Research Article
BibTex RIS Cite

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

Year 2022, Volume: 15 Issue: 2, 171 - 177, 15.12.2022

Ertürk Erdağı Volkan Tunalı

https://doi.org/10.54525/tbbmd.1151193

Abstract

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.

Keywords

Milli Eğitim Bakanlığı Öğretmen Sınıflandırma Yapay Öğrenme

References

  • Azar, A. “Türkiye’deki Öğretmen Eğitimi Üzerine Bir Söylem: Nitelik mi, Nicelik mi?”, Yükseköğretim ve Bilim Dergisi, sy 1, Art. sy 1, Nis. 2011.
  • 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.
  • 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.
  • Sayar A. ve Turdaliev N., “Makine Öğrenmesi ile Adaptif Otel Öneri Sistemi”, 12th Turkish National Software Engineering Symposium, Istanbul, Turkiye, s. 13.
  • 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.
  • Bal M., ve ark., “İnsan Kaynakları Yönetiminde Etkin Bir İşe Alım Süreci İçin Yapay Zeka Yöntemlerinin Kullanımı”, 3rd International Congress Ofeurasian Social Sciences, 2019.
  • 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.
  • Büyüköztürk Ş., “Faktör Analizi: Temel Kavramlar ve Ölçek Geliştirmede Kullanımı”, Kuram ve Uygulamada Eğitim Yönetimi, c. 32, sy 32, Art. sy 32, Mar. 2002.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.

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

Year 2022, Volume: 15 Issue: 2, 171 - 177, 15.12.2022

Ertürk Erdağı Volkan Tunalı

https://doi.org/10.54525/tbbmd.1151193

Abstract

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.

Keywords

Ministry of National Education Teacher Classification Artificial Learning

References

  • Azar, A. “Türkiye’deki Öğretmen Eğitimi Üzerine Bir Söylem: Nitelik mi, Nicelik mi?”, Yükseköğretim ve Bilim Dergisi, sy 1, Art. sy 1, Nis. 2011.
  • 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.
  • 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.
  • Sayar A. ve Turdaliev N., “Makine Öğrenmesi ile Adaptif Otel Öneri Sistemi”, 12th Turkish National Software Engineering Symposium, Istanbul, Turkiye, s. 13.
  • 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.
  • Bal M., ve ark., “İnsan Kaynakları Yönetiminde Etkin Bir İşe Alım Süreci İçin Yapay Zeka Yöntemlerinin Kullanımı”, 3rd International Congress Ofeurasian Social Sciences, 2019.
  • 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.
  • Büyüköztürk Ş., “Faktör Analizi: Temel Kavramlar ve Ölçek Geliştirmede Kullanımı”, Kuram ve Uygulamada Eğitim Yönetimi, c. 32, sy 32, Art. sy 32, Mar. 2002.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
There are 14 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler(Araştırma)
Authors

Ertürk Erdağı 0000-0001-8619-8879

Volkan Tunalı 0000-0002-2735-7996

Early Pub Date December 3, 2022
Publication Date December 15, 2022
Published in Issue Year 2022 Volume: 15 Issue: 2

Cite

APA Erdağı, E., & Tunalı, V. (2022). Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 15(2), 171-177. https://doi.org/10.54525/tbbmd.1151193
AMA Erdağı E, Tunalı V. Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi. TBV-BBMD. December 2022;15(2):171-177. doi:10.54525/tbbmd.1151193
Chicago Erdağı, Ertürk, and Volkan Tunalı. “Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi 15, no. 2 (December 2022): 171-77. https://doi.org/10.54525/tbbmd.1151193.
EndNote Erdağı E, Tunalı V (December 1, 2022) Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 15 2 171–177.
IEEE E. Erdağı and V. Tunalı, “Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi”, TBV-BBMD, vol. 15, no. 2, pp. 171–177, 2022, doi: 10.54525/tbbmd.1151193.
ISNAD Erdağı, Ertürk - Tunalı, Volkan. “Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 15/2 (December 2022), 171-177. https://doi.org/10.54525/tbbmd.1151193.
JAMA Erdağı E, Tunalı V. Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi. TBV-BBMD. 2022;15:171–177.
MLA Erdağı, Ertürk and Volkan Tunalı. “Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, vol. 15, no. 2, 2022, pp. 171-7, doi:10.54525/tbbmd.1151193.
Vancouver Erdağı E, Tunalı V. Yapay Öğrenme Teknikleriyle Milli Eğitim Bakanlığı’nda Yarı Zamanlı Öğretmenlerin Görevlendirilmesi. TBV-BBMD. 2022;15(2):171-7.
 Download Cover Image

Article Acceptance

Use user registration/login to upload articles online.

The acceptance process of the articles sent to the journal consists of the following stages:

1. Each submitted article is sent to at least two referees at the first stage.

2. Referee appointments are made by the journal editors. There are approximately 200 referees in the referee pool of the journal and these referees are classified according to their areas of interest. Each referee is sent an article on the subject he is interested in. The selection of the arbitrator is done in a way that does not cause any conflict of interest.

3. In the articles sent to the referees, the names of the authors are closed.

4. Referees are explained how to evaluate an article and are asked to fill in the evaluation form shown below.

5. The articles in which two referees give positive opinion are subjected to similarity review by the editors. The similarity in the articles is expected to be less than 25%.

6. A paper that has passed all stages is reviewed by the editor in terms of language and presentation, and necessary corrections and improvements are made. If necessary, the authors are notified of the situation.

0

.   This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.