The complex network analysis of the education network of employees

Teknoloji ve veri bilimindeki gelişmeler birçok alanı olumlu yönde etkilemektedir. Bu alanlardan biri de eğitimdir. Öğrenme analitiği, öğretme ve öğrenmede mükemmelliğe ulaşmanın yeni yollarını geliştirme potansiyeline sahiptir. Şirketler, çalışanlarının eğitimi için öğrenme analitiği tekniklerini kullanmaya çalışmakta ve çalışan performansını artırmayı hedeflemektedir. Bu çalışmada Softtech çalışanlarının eğitim veri setleri kullanılmıştır. Softtech, Türkiye'de bir yazılım şirketidir ve bu veri setleri farklı teknik, teknik olmayan, çevrimiçi ve çevrimdışı eğitim türlerini içerir. Tüm veri setleri birleştirilir ve çalışanlar eğitimler aracılığıyla birbirine bağlanarak bir çalışan ağı oluşturulur. Bu çalışmada bir eğitim öneri sistemi oluşturmak amacıyla karmaşık ağ analizi, dinamik ve statik ağ analizi, bağlantı tahmini ve makine öğrenmesi teknikleri uygulanır. Çalışma, başlangıçta dinamik ağlarda topluluk tespiti ile başladı. Uygulama aşamasında gelindiğinde, verilerde COVID-19 pandemisinin etkisinin neden olduğu değişiklikler nedeniyle dinamik ağlarda topluluk tespiti için uygun olmadığı sonucuna varıldı. Bu nedenle çalışmada bağlantı tahmin yöntemi ile ilerlemeye karar verildi. Ancak ağ, kapsamlı bir şekilde dinamik bir ağ olarak incelenir. Yöntem bölümünde çalışmada kullanılan tüm yöntemler detaylı bir şekilde anlatılmıştır. Öncelikle dinamik ve statik ağların nasıl oluşturulduğu hakkında bilgi verilmektedir. Ardından karmaşık bir ağın analizi için gerekli olan tüm mikro, makro, mezo ve zaman serilerinin analizine ilişkin bilgiler paylaşılmaktadır. Analizlerde kullanılan tüm parametrelerin açıklamaları verilmiştir. Ağların oluşturulması ve analizi hakkında bilgi verildikten sonra bağlantı tahmin yöntemleri ile ilgili literatür taraması paylaşılmıştır. Daha sonra bağlantı tahmini için kullanılacak makine öğrenmesi algoritmaları ve bu algoritmalara ait performans değerlendirme metrikleri hakkında bilgiler paylaşılmıştır. Son olarak, çalışanların eğitim ağı için makine öğrenimi tabanlı bağlantı tahmini konusunda bir şablon oluşturularak yöntem aşaması tamamlanır. Uygulama kısmına gelindiğinde ise öncelikle dinamik ağlar oluşturulmaktadır. Bu dinamik ağlar, yöntem bölümünde açıklanan yöntemlerle analiz edilir ve sonuçlar paylaşılır. Ocak 2017'den Aralık 2021'e kadar 5 yıllık bir döneme ait veriler mevcuttur. Bu veri kümeleri aylık olarak ayrıştırılarak dinamik ağlar oluşturulur. Sonunda toplam 59 aylık ağ dosyası elde edilir. Ağlar, her ağ dosyasından oluşturulur. Çalışanların eğitim ile birbirlerine nasıl bağlandıkları ve bu bağlantıların değişimi aylık olarak görselleştirilir. 2017 yılına ait görseller fikir vermesi amacıyla paylaşılır. Sırasıyla, her ağ için makro, mikro ve mezo analizler yapılır. Bu analiz sonuçlarına dayanarak, her bir ağın düğüm sayıları, bağlantı sayıları, ağ yapıları, merkeziyet ölçüleri ve topluluk yapıları görselleştirilir. Derecesi en yüksek düğüm, arasındalık merkeziliği en yüksek düğüm, aynı topluluğa ait düğümler gibi bilgilere bu görsellerden ulaşılabilir. Bu bilgilerin bir kısmı fikir vermesi amacıyla paylaşılır. Zaman serisi analizi bölümünde her bir parametre zaman içinde incelenir ve geleceğe yönelik öngörülerde bulunup bulunamayacağı kontrol edilir. COVID-19 pandemisinin etkisi burada açıkça görülür. Karantina döneminde tüm çalışanların evden çalışması, COVID-19 pandemisi sırasında eğitim alan çalışan sayısında (düğüm sayısı) ve eğitim sayısında (bağlantı sayısı) artışa neden olur. Düzenli bir dağılımın olmadığı için tahmin konusunda başarılı sonuçlar görülmez. Ayrıca, 2018 yılının Ağustos ayındaki düğüm (eğitim alan çalışanlar) sayısındaki ani düşüş, zorunlu toplu izin dönemine işaret etmektedir. Verileri analiz edip inceledikten sonra bağlantı tahmin süreci başlatılır. Ham veriler, yeni oluşturulan eğitim sözlüğü ve yeni oluşturulan statik ağ yapısı açıklandıktan sonra, bağlantı tahmin yöntemleri sırayla uygulanır. Toplam 15 farklı bağlantı tahmin yöntemi uygulanmaktadır. 2021 yılına kadar olan veriler eğitim verisi, 2021 yılı verisi ise test verisi olarak kullanılmaktadır. Bu işlemler hem eğitim hem de test verileri kullanılarak gerçekleştirilir. Çıktı dosyası, 15 yönteme karşılık gelen 15 öznitelik içerir. Çıktı dosyası ayrıca ağdaki düğümler arasında bir bağlantı olup olmadığını gösteren bir etiket özniteliği içerir. Bağlantı tahmini sonuçlarından bazıları fikir vermesi açısından paylaşılmıştır. En nihayetinde, her biri 21 sütun ve 222778 satır içeren, biri eğitim verileri ve diğeri test verileri için olmak üzere iki ayrı çıktı dosyası oluşturulur. Bir önceki adımda oluşturulan çıktı dosyaları, makine öğrenimi adımında girdi dosyaları olarak kullanılır. XGBoost, gradyan artırma, rastgele orman, lojistik regresyon, destek vektör makineleri ve çok katmanlı algılayıcılar gibi makine öğrenimi algoritmaları kullanılarak tahmin yapılmaya çalışılır. Doğruluk, kesinlik, hatırlama ve F1 puanı değerleri incelenerek modellerin doğruluğu karşılaştırılır. Bu değerlerin sonuçları tablolarda paylaşılır. Model için farklı tercihler yapılabilir ancak genel olarak tutarlılığı dolayısıyla destek vektör makinesi daha tercih edilebilir görünüyor. Tüm değerleri %98'den büyüktür. Makine öğrenmesi tabanlı bağlantı tahmin yönteminin çalışmamızda kullanılabileceği sonucu ortaya çıkmıştır. Verimize uygulanabilir olduğu ve sonuçların kullanılabilir olduğu görülmektedir. Nasıl geliştirilebilir konusu ele alınmıştır. Sonraki aşamada bağlantılara eğitim bilgileri de kaydedilebilir. Bağlantının gücü, alınan ortak eğitim sayısına göre değerlendirilebilir. Çalışmayı daha farklı yöntemlerle ilerletmek ve geliştirmek mümkündür.