Öğretmenlerde Etkili Psikososyal Risk Düzeylerinin Belirlenmesi için Parçacık Sürü Optimizasyonu Tabanlı Öznitelik Seçme

Kutsal bir görevi icra eden öğretmenler birçok psikososyal riskle karşı karşıya kalmaktadır. Bu riskler ki, genellikle öğretmenlerin etkililiğini, stresini ve iş doyumunu etkiler, genellikle okul yönetimi, öğrenciler ve çevresel faktörlerden kaynaklanabilir. Bu çalışmada, sağlık ve risk önleme yardım programlarının oluşturulması için bir araç olarak psikososyal risk tahminini iyileştirmek için akıllı bir yöntem önerilmektedir. Daha önceki çalışmalarda bu tahmin işlevini yerine getirmek için elde edilen verilere makine öğrenmesi yaklaşımları uygulanmış ve bazı başarılı sonuçlar alınmıştır. Bu çalışmada ise öznitelik seçimi yaklaşımı ile daha etkili bir tahminin gerçekleştirilmesi gösterilmiştir. Bu bağlamda parçacık sürü optimizasyonu (PSO) ve k-en yakın komşu (K-eYK) sınıflandırıcısı kullanılmıştır. PSO’da özniteliklerin seçimi sağlanırken, başarım olarak K-eYK başarımları kullanılmıştır. Deneysel çalışmalarda, 5443 öğretmenin psikososyal risk düzeylerinin ölçülmesine yönelik testlerden oluşan bir veri seti kullanılmıştır. Bu veri setinde ayrıca 123 adet öznitelik bulunmaktadır. Öğretmenlerin karşı karşıya kaldıkları riskler ise dört kategoriye ayrılmıştır. Verilen %70 eğitim için ve %30’u da test için ayrılmıştır. Yapılan deneysel çalışmalarda % 99.9 civarında bir sınıflandırma başarımı elde edilmiştir. Bu başarım öznitelik seçimi yapılmadığı takdirde % 97’ler civarındadır.

Anahtar Kelimeler:

Psikososyal riskler, öznitelik seçme, parçacık sürü optimizasyonu, k-en yakın komşu sınıflandırıcısı.

PDF

___

[1] Kinman G. 2001. Pressure Points: A review of research on stressors and strains in UK academics. Educational Psychology 21:473–492 DOI 10.1080/01443410120090849.
[2] Collie RJ, Shapka JD, Perry NE. 2012. School climate and social–emotional learning: predicting teacher stress, job satisfaction, and teaching efficacy. Journal of Educational Psychology 104:1189–1204 DOI 10.1037/a0029356.
[3] Souto, I., Pereira, A., Brito, E., Sancho, L., & Barros, S., “Occupational Health Risk Among Teachers in Higher Education”, In International Conference on Healthcare Ergonomics and Patient Safety, 311-322. Springer, Cham, (2019).
[4] Jemeļjanenko, A., & Geske, A., “Management of Psychosocial Risks in The Educational Sector Of Latvia”, In Proceedings of the International Scientific Conference. Volume VI (Vol. 215, p. 223), (2019).
[5] Heredia, S. A., Morales, M. F., Infante, R., Sanchez, D., Paez, C., & Gabini, S., “Psychosocial risk factors in university teachers”, Revista Espacios, 39(49), (2018).
[6] Mosquera, R., Parra-Osorio, L., & Castrillón, O. D., “Prediction of Psychosocial Risks in Colombian Teachers Public Schools Using Machine Learning Techniques”, Revista de la Universidad Nacional de Colombia, 7(29), 267-281, (2018).
[7] Ekici S., Turhan M., “Pychosocial Risk Level Identification for Teachers Using Machine Learning Algorithms”, 3. International Battalgazi Science Conference, 21-23 Sept. pp. 406-410, (2019).
[8] Viloria, A., López, J. R., Llinás, N. O., Mercado, C. V., Coronado, L. E. L., Sepulveda, A. M. N., & Lezama, O. B. P. “Prediction of Psychosocial Risks in Teachers Using Data Mining”, In Advances in Cybernetics, Cognition, and Machine Learning for Communication Technologies (pp. 501-508). Springer, Singapore, (2020).
[9] Şengür, D. "EEG, EMG and ECG based Determination of Psychosocial Risk Levels in Teachers based on Wavelet Extreme Learning Machine Autoencoders". Politeknik Dergisi (2021 ): 1-1 https://dergipark.org.tr/tr/pub/politeknik/issue/33364/886593
[10] Navarro, Rodolfo Mosquera, et al. "Improving classification based on physical surface tension-neural net for the prediction of psychosocial-risk level in public school teachers." PeerJ Computer Science 7 (2021): e511.
[11] Kennedy J., Eberhart R., Particle Swarm Optimization, In Proceedings of IEEE International Conference on Neural Networks, 4, 1942-1948, 1995.
[12] Şengür, D., & Turhan, M. (2018). Prediction of the action identification levels of teachers based on organizational commitment and job satisfaction by using k-nearest neighbors method. Turkish Journal of Science and Technology, 13(2), 61-68.