Yükseköğretimde Şikâyet Yönetiminin Dijitalleşmesi: Yapay Zekâ Destekli Sınıflandırma Sistemlerinin Performans Analizi
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".