Geri Dön

Bilişsel duygu durumlarının iş performansına etkisinin makine öğrenmesi ile araştırılması

Investigation of the effect of cognitive emotional states on task performance using machine learning

PDF İndir

  1. Tez No: 1012562
  2. Yazar: DERYA DALFİDAN
  3. Danışmanlar: PROF. DR. TÜLİN GÜNDÜZ
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Bilişsel duygu düzenleme, Bilişsel ergonomi, Birleştirilmiş stroop, EEG, Mental iş yükü, Yapay zeka ve makine öğrenmesi dersi, İş performansı, Cognitive emotion regulation, Cognitive ergonomics, Combined stroop, Mental workload, Artificial intelligence and machine learning course, Job performance
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Bursa Uludağ Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İnsanın karar alma, dikkat, motivasyon ve sosyal etkileşim gibi birçok temel sürecini doğrudan etkileyen en belirleyici olgulardan biri duygulardır. Duygular bilişsel, davranışsal ve fizyolojik göstergeler üzerinden ölçülebilse de duygu durumu çıkarımı çoğunlukla yüz ifadesi, mimik, konuşma tonu gibi dışa vurumlara dayanır. Ancak bu tür göstergeler beklentiler veya bilinçli manipülasyonlar nedeniyle her zaman gerçek duygu durumunu yansıtmayabilir. Buna karşılık beyin temelli ölçümler, duygusal süreçlere doğrudan erişim sağlayarak bu sınırlılıkları azaltma açısından önemli bir alternatif sunar. Bu çalışma, 39 gönüllü katılımcı üzerinde yürütülmüş olup, pozitif(mutlu) ve negatif(mutsuz) duygu indüksiyonu sonrası stroop temelli oluşturulan görev uygulanmış ve duygu durumu ile fizyolojik tepkiler Elektroensefalografi (EEG) aracılığıyla değerlendirilmiştir. Subjektif değerlendirmeler için NASA Görev Yükü İndeksi (NASA-TLX), Hamilton Depresyon Değerlendirme Ölçeği (HAM-D) ve duygu skalası ile veri toplanmıştır. Duygusal durum göstergeleri olan valence ve arousal değerleri, EEG bant güçlerinden hesaplanmış; buna ek olarak katılımcı üzerinde oluşan mental yük düzeyi analiz edilmiştir. Çalışmada kişinin bilişsel duygu durumlarının sınıflandırılması ve bu veriler ile iş performansı tahmini amaçlanmıştır. Bu amaç doğrultusunda, yapay sinir ağı (ANN), destek vektör makineleri (SVM) ve rassal orman (RO) modelleri kullanılmıştır. Duygu sınıflandırmasında doğruluk değerleri sırası ile %99,94, %99,93, %100 olarak bulunmuştur. İş performansında ise modeller pozitif duyguda 0,1031, 0,0760, 0,0721, negatif duyguda ise 0,1165, 0,0902, 0,0659 ortalama mutlak hata (MAE) ile tahmin gerçekleştirmiştir. Elde edilen bulgular, F7 ve F8 EEG kanallarının valence ve arousal tahmininde özellikle bilgilendirici olduğunu göstermektedir. Pozitif duygu durumu sonrası gerçekleştirilen görevlerde iş performansı değerleri artmıştır. Duygusal durum bilgilerinin makine öğrenmesi modellerine entegre edilmesiyle iş performansı düzeylerinin yüksek doğrulukla tahmin edilebildiği gösterilmiştir. Bu yönüyle çalışma, duygu-performans ilişkisini yalnızca betimlemekle kalmayıp, ölçülebilir, tahmin edilebilir ve modellenebilir bir çerçevede ele alan bütüncül bir yaklaşım sunmaktadır.

Özet (Çeviri)

One of the most influential phenomena affecting fundamental human processes such as decision-making, attention, motivation, and social interaction is emotion. Although emotions can be assessed through cognitive, behavioral, and physiological indicators, emotion recognition is often based on external expressions such as facial gestures or vocal tone, which may be consciously or unconsciously manipulated and thus fail to reflect the true emotional state. In contrast, brain-based measurements provide more direct access to emotional processes and represent a robust alternative for addressing these limitations. This study was conducted with 39 volunteers, in which a Stroop-based task was administered following positive (happy) and negative (sad) emotion induction, and emotional states and physiological responses were assessed using electroencephalography (EEG). Subjective data were collected using the NASA Task Load Index (NASA-TLX), the Hamilton Depression Rating Scale (HAM-D), and an emotion rating scale. Emotional state indicators, namely valence and arousal, were computed from EEG band power features; in addition, the level of mental workload experienced by the participants was analyzed. The study aimed to classify individuals' cognitive emotional states and to predict task performance based on these data. In this context, artificial neural networks (ANN), support vector machines (SVM), and random forest (RF) models were used. Emotion classification accuracies were 99.94%, 99.93%, and 100%, respectively. For task performance prediction, the models achieved mean absolute error (MAE) values of 0.1031, 0.0760, and 0.0721 under positive emotional conditions, and 0.1165, 0.0902, and 0.0659 under negative emotional conditions. The obtained findings indicate that the F7 and F8 EEG channels are particularly informative in the estimation of valence and arousal Performance increased in tasks performed after positive emotion induction. It has been demonstrated that integrating emotional state information into machine learning models enables the prediction of task performance levels with high accuracy. In this respect, the study goes beyond simply describing the emotion-performance relationship and presents a holistic approach that addresses it within a measurable, predictable, and model-driven framework.

Benzer Tezler

  1. Tez No

    1016066

    Eeg sinyalleri kullanılarak makine öğrenmesi tabanlı duygu tespiti yöntemi

    Machine learning based emotion detection method using eeg signals

    SUAT TAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Adli Bilişim Mühendisliği Ana Bilim Dalı

    PROF. ŞENGÜL DOĞAN

  2. Tez No

    886720

    Design of an emotion recognition system using machine learning for maritime operations: Development of a cognitive interface with psychophysiological data analysis

    Denizcilik operasyonları için makine öğrenmesiyle duygu tanıma sistemi tasarımı: Psikofizyolojik veri analiziyle bir bilişsel arayüzün geliştirilmesi

    ABBAS ALIPANAH KORDLAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Psikolojiİstanbul Teknik Üniversitesi

    Denizcilik Çalışmaları Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. LEYLA TAVACIOĞLU

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  3. Tez No

    849108

    DA4HI: A deep learning framework for facial emotion recognition in affective systems for children with hearing impairments.

    DA4HI: İşitme engelli çocuklar için duyuşsal sistemlerde yüzdeki duyguların tanınması maksadıyla geliştirilen derin öğrenme modeli.

    CEMAL GÜRPINAR

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

    PROF. DR. NAFİZ ARICA

  4. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  5. Tez No

    985215

    Majör depresyonun sivil havacılık pilotlarının performansı üzerindeki etkisi

    The effects of major depression on the performance of civil aviation pilots

    TAHSİN ATAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Psikolojiİstanbul Nişantaşı Üniversitesi

    Psikoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSAK PARDO

Geri Dön