Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi

Bu çalışma, kurumsal sürdürülebilirlik ve verimlilikte kritik rol oynayan personel memnuniyeti ve motivasyonunun, yapay zeka destekli analiz yöntemleriyle sistematik biçimde değerlendirilmesini amaçlamaktadır. Geri bildirimlerin manuel olarak analiz edilmesinin zorlukları, özellikle büyük veri kümeleri karşısında zaman ve kaynak açısından verimsiz hale gelmekte, bu da kurumların stratejik karar alma mekanizmalarını sekteye uğratmaktadır. Bu noktadan hareketle, çalışmada NLP ve derin öğrenme mimarileri kullanılarak personel geri bildirimlerinin sınıflandırılması hedeflenmiştir. Derin öğrenme tabanlı modeller olan Zamansal Evrişimsel Ağlar (TCN), Evrişimsel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM) ve çift yönlü bağlam anlayışı sunan BERT mimarileri kullanılmış; bu modellerin metin sınıflandırma performansları karşılaştırmalı olarak analiz edilmiştir. Veri kümesi, Türkiye'de özel bir şirkette yürütülen toplantılar, anketler ve birebir görüşmeler sonucunda toplanan 386 özgün Türkçe geri bildirim cümlesi ve bunlara dayanarak oluşturulan 6.614 sentetik örnekten oluşan dengeli ve etiketlenmiş 7.000 cümlelik bir veri setinden oluşmaktadır. Veriler 14 farklı kategoriye ayrılarak etiketlenmiş, ardından veri temizleme, tokenizasyon, sayısallaştırma, padding ve encoding gibi ön işleme adımları gerçekleştirilmiştir. Model eğitim süreci 5 katlı çapraz doğrulama yöntemiyle yapılandırılmış ve doğruluk, kayıp, kesinlik, geri çağırma ve F1 puanı gibi performans metrikleri üzerinden değerlendirme yapılmıştır. Analiz sonuçlarına göre, CNN modeli %96,40 doğruluk ve %96,41 F1 puanı ile en yüksek sınıflandırma performansını sergilemiştir. BERT modeli, %94,91 doğruluk oranı ile ikinci sırada yer almış ve bağlamsal anlayış gücü sayesinde güçlü sonuçlar üretmiştir. Ancak BERT'in eğitim süresi (245,56 sn) ve işlem maliyeti diğer modellere göre daha yüksektir. TCN modeli %94,36 doğruluk oranı ile tatmin edici bir performans göstermiş ve en kısa eğitim süresi (43,51 sn) ile dikkat çekmiştir. LSTM ise %93,70 doğruluk ile göreli olarak daha düşük performans sergilemiştir. Bu bulgular, CNN'in personel geri bildirimlerini sınıflandırmada en etkili model olduğunu ortaya koymakta; BERT'in ise bağlamsal derinliği ile sınıflandırma kalitesini artırabileceğini göstermektedir. Çalışma, yalnızca model karşılaştırması sunmakla kalmayıp, aynı zamanda Türkçe kurumsal veri seti üzerinde metin sınıflandırma uygulamalarının önemini ortaya koymaktadır. Elde edilen bulgular, insan kaynakları yönetimi, organizasyonel gelişim ve iç iletişim gibi alanlarda veri temelli yaklaşımların etkinliğini desteklemektedir. Ayrıca, veri ön işleme adımlarının metin sınıflandırmadaki etkisi ayrıntılı biçimde değerlendirilmiş, her modelin mimarisi ve avantajları derinlemesine ele alınmıştır. Gelecek çalışmalar için öneriler arasında; CNN ve BERT mimarilerinin hibrit kullanımı ile daha yüksek doğruluk oranlarına ulaşılması, model sıkıştırma teknikleriyle eğitim süresinin azaltılması, farklı sektörlerden veri kullanımıyla modellerin genellenebilirliğinin test edilmesi ve duygu analizi ile konu modelleme gibi ileri NLP görevlerinin entegre edilmesi yer almaktadır. Bu bağlamda çalışma, kurumsal ölçekte personel verilerinin anlamlandırılmasında etkili ve sürdürülebilir bir yöntem sunmaktadır.