Yükseköğretimde Şikâyet Yönetiminin Dijitalleşmesi: Yapay Zekâ Destekli Sınıflandırma Sistemlerinin Performans Analizi
Notice bibliographique
Résumé
Yükseköğretimde artan öğrenci şikayetlerinin hacmi, geleneksel manuel sınıflandırma yöntemlerinin yetersiz kalmasına yol açmaktadır. Bu durum, doğruluk ve hız gereksinimlerini karşılamak amacıyla yapay zekâ tabanlı otomatik sınıflandırma sistemlerinin kullanımını zorunlu kılmıştır. Ancak, üniversite ortamında bu sistemlerin performansına ilişkin ampirik veriler sınırlıdır. Bu çalışma, bir yükseköğretim kurumunda veri çoğaltma ile 781 kayda genişletilen öğrenci şikayetini manuel yöntem ve dört farklı yapay zekâ modeli (Naive Bayes, SVM, Random Forest, BERT) ile karşılaştırmalı olarak analiz etmektedir. LinearSVC (SVM) modelinin %87 doğrulukla en yüksek performansı gösterdiği ve bu üstünlüğün istatistiksel olarak anlamlı olduğu tespit edilmiştir. Modeller arası tutarlılık, manuel etiketleme ile mükemmel uyum gösteren Cohen's Kappa (κ=0.84) değeri ile kanıtlanmıştır. Çalışmanın özgün katkısı, LinearSVC hata çıktılarının Kök Neden Analizi (RCA) aracı olarak kullanılmasıdır. Bu analiz, en belirgin sınıflandırma karışıklığının (Öğrenci İşleri Sorunları ve Tez/Danışmanlık Sorunları) kurumsal süreçler arası belirsizlikten kaynaklandığını tespit ederek, üniversite yönetimine yönelik somut süreç iyileştirme önerileri sunmaktadır. Sonuçlar, yapay zekâ tabanlı otomatik sınıflandırma sistemlerinin, şikayet yönetiminin dijitalleşmesinde öğrenci memnuniyeti, kurumsal verimlilik ve proaktif süreç analizi açısından önemli katkılar sağladığını göstermektedir.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».