Enhancing human resource decision making with image-based OSMI data analysis: leveraging PIX2PIX for accurate workplace mental health insights
İş yeri mental sağlık incelemeleri için PIX2PIX kullanarak, görüntü tabanlı OSMI veri analiziyle insan kaynakları karar süreçlerini geliştirme
- Tez No: 803820
- Danışmanlar: PROF. DR. NİZAMETTİN BAYYURT
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
- Sayfa Sayısı: 147
Özet
Zihinsel sag ̆lık sorunları günümüz toplumunda giderek daha yaygın ve ciddi bir hal almıs ̧ olup, bireylerin yas ̧amlarının tüm yönlerini olumsuz etkilemektedir. Yapay zeka (AI) ve onun alt alanları olan Makine Ög ̆renimi (ML) ve Derin Ög ̆renme (DL), birçok alanda yaygın olarak kullanılmaktadır. Bu deg ̆erli araçlar, çes ̧itli s ̧irketlerde çalıs ̧anların ve is ̧yerlerinin zihinsel sag ̆lık bozukluklarını tespit etmek için yaygın bir s ̧ekilde kullanılmaktadır. Birçok çalıs ̧ma, zihinsel bozukluklara katkıda bulunan faktörleri belirlemek için makine ög ̆renimi modellerinden yararlanmıs ̧tır. Ancak bu çalıs ̧ma, Tech Survey popülasyonu arasında zihinsel sag ̆lık bozukluklarının tahmin edilen görüntülerini olus ̧turarak yeni bir yaklas ̧ım benimsemektedir. Bu aras ̧tırma, teknoloji endüstrisindeki zihinsel sag ̆lık bozuklukları hakkında deg ̆erli içgörüler sag ̆lamaktadır ve insan kaynakları departmanları ile s ̧irket liderleri tarafından çalıs ̧anları desteklemek ve verimlilig ̆i artırmak için kullanılabilir. Sonuç olarak, bu çalıs ̧ma is ̧çiler ve is ̧verenler arasında kars ̧ılıklı fayda sag ̆layan bir ilis ̧ki yaratmayı amaçlamaktadır. Pix2Pix GAN modeli, Open Sourcing Mental Illness (OSMI) uygulamasında yeni bir teknik olarak kullanılmaktadır. Bu çalıs ̧mada kullanılan veri seti, 2017, 2018, 2020 ve 2021 yılları arasında Google Forms aracılıg ̆ıyla toplanan 1484 yanıttan olus ̧maktadır. Veri kalitesi hakkındaki mevcut bilgiler kapsamlı deg ̆ildir, ancak veri kümesi detaylı bir belgelendirme ile birlikte sunulmaktadır. Katılımcıların çalıs ̧tıg ̆ı teknoloji s ̧irketlerinin belirli türleri hakkında bilgi sag ̆lanmıs ̧ olsaydı faydalı olurdu.Bu yaklas ̧ım, zihinsel sag ̆lık sorunları yas ̧ayan çalıs ̧anlar için veri is ̧leme ve deg ̆erlendirme yoluyla kararlar almak için daha fazla deg ̆erli içgörü sag ̆lar. Veri ön is ̧leme ve ölçeklendirme, Veritabanında Bilgi Kes ̧fi (KDD) sürecinde zorlu bir adımdır çünkü ham veriyi analiz etmek zordur. Bu çalıs ̧mada veri, her pikselin bir özellig ̆i temsil ettig ̆i görüntülere dönüs ̧türülmeden önce ön is ̧lemden geçirilmis ̧ ve ölçeklendirilmis ̧tir. Büyük veri kümeleriyle çalıs ̧ırken, özel karakterlerin, eksik deg ̆erlerin ve bos ̧lukların varlıg ̆ı önerilen modele etki edebilir. Bu karakterlerin, hazırlık sürecinde temel bilgileri korumak ve manipüle etmemek için dikkatlice is ̧lenmesi gerekmektedir. Veri kaynag ̆ının tutarlılıg ̆ına rag ̆men, tüm yıllar boyunca veri tutarlılıg ̆ı konusunda bazı sorunlar yas ̧andı. Bu veri seti, teknoloji endüstrisinde çalıs ̧an ve Amerika Birles ̧ik Devletleri'nde yas ̧ayan erkek bireylerden olus ̧maktadır. Bu durum, erkeklerin teknoloji endüstrisinde kadınlara kıyasla daha büyük bir oranda pozisyon sahibi oldug ̆u gerçeg ̆iyle uyumludur ve zihinsel sag ̆lık bozukluklarının bu endüstride is ̧ performansı ve verimlilik üzerinde olumsuz bir etkisi oldug ̆u genel olarak kabul edilmektedir. Tez, verilerdeki soruların özelliklerini anlamanın önemini vurgulamaktadır. Bunun için içerig ̆in yakından incelenmesi ve çes ̧itli özelliklerin analiz edilmesi gerekmektedir. Anket, genel, is ̧yeriyle ilgili ve kis ̧isel gibi farklı tipte sorular içermektedir. Veri seti sınırlı veri kalite bilgisine sahip olmasına rag ̆men, iyi belgelenmis ̧tir. Katılımcıların çalıs ̧tıg ̆ı teknoloji s ̧irketlerinin türleri hakkında bilgi sag ̆lanması farklı sektörler arasında zihinsel sag ̆lık konusundaki tutumları kars ̧ılas ̧tırmak açısından faydalı olabilirdi. Mental Sag ̆lık Teknolojisi Anketi, tezde daha ileri kategorilere ayrılan ve tartıs ̧ılan faydalı psikometrik deg ̆is ̧kenler sunmaktadır. Bu çalıs ̧mada önemli bir yenilik, yapılandırılmıs ̧ verilerin yapılandırılmamıs ̧ verilere dönüs ̧türülmesidir. Bu, belirli bir formatta düzenlenmis ̧ verilerin, tablo verisi olarak bilinen bir formattan önceden tanımlanmamıs ̧ bir görüntü formatına dönüs ̧türülmesini içerir. Bu dönüs ̧ümün temel amacı, veriye eris ̧ilebilirlig ̆i artırmak, analizi gelis ̧tirmek ve karar verme süreçlerinde daha kullanıs ̧lı hale getirmektir. Bunun için sorular, genel olarak çalıs ̧anlara yöneltilen genel özellik soruları ve insan kaynakları açısından çalıs ̧anlar hakkında içgörü elde etmek için deg ̆erli olan sorular olmak üzere ikiye ayrılmıs ̧tır. Bu sorular, çalıs ̧anların mülakatlar sırasında zihinsel bozukluklar hakkında konus ̧up konus ̧madıklarını da içeren, hatta çalıs ̧anların bile farkında olmadıg ̆ı kendilik bildirilen yanıtları içermektedir. Model daha sonra girdi özellik görüntüsünü çıktı etiket görüntüsüne es ̧lemek üzere eg ̆itilmis ̧ ve girdi özellik görüntüsüne kars ̧ılık gelen yeni bir görüntü üretmektedir. Sonuç olarak, bu durumda girdi özellik görüntüsü, zihinsel sag ̆lık bozukluklarıyla ilgili sorulara verilen bireyin cevaplarını temsil etmektedir, oysa çıktı etiket görüntüsü, daha önce yapılan çalıs ̧malara dayanarak zihinsel bozuklukların tes ̧hisinde daha ilgili olan etiketleri temsil etmektedir. Teknoloji anketleri bag ̆lamında soruların etiket veya özellik olarak seçilme süreci, bireylerinbozukluklarınıtanımaveruhsag ̆lıg ̆ınıanlamakonusundakritikbirroloynar. Bu sorular, bireylerin durumlarını kendilerinin bildirmesi, is ̧verenlerle konus ̧malarında rahatlık, tedavi arayıs ̧ı ve bozuklug ̆un yas ̧amlarına olan etkisi gibi çes ̧itli faktörleri dikkate alır. Ayrıca, seçilen sorular, teknoloji endüstrisinde çalıs ̧anlar arasında ruh sag ̆lıg ̆ının nasıl algılandıg ̆ı konusunda içgörüler sag ̆lar, bu da bu bag ̆lamda tutumlar, normlar ve zorluklar hakkında daha iyi bir anlayıs ̧ sag ̆lar. Odak noktası, belirli bozukluklar yerine bireylerin genel refahını göz önünde bulunduran bütüncül bir deg ̆erlendirmedir. Soruların kendini bildirme nitelig ̆i, bireylerin kendilerini nasıl tanımladıklarını ve açıklama konusundaki tercihlerini ortaya koydug ̆u için önemlidir. Bu bilgi, insan kaynakları profesyonellerinin is ̧e alma sürecinde bilinçli kararlar vermelerine ve çalıs ̧an performansını ve refahını optimize etmek için özelles ̧tirilmis ̧ destek sag ̆lamalarına yardımcı olur. Pix2Pix, görüntüden görüntüye çeviri görevleri için tasarlanmıs ̧ bir derin ög ̆renme modelidir. 2016 yılında California Üniversitesi, Berkeley'deki aras ̧tırmacılar tarafından önerilmis ̧tir. Model, jeneratif modellerin gücünü ve kars ̧ıtlıklı eg ̆itimi bir araya getiren bir kos ̧ullu jeneratif düs ̧manlıklı ag ̆ (cGAN) mimarisinden yararlanır. Pix2Pix'in temel amacı, giris ̧ görüntüleri ile kars ̧ılık gelen çıkıs ̧ görüntüleri arasında bir es ̧leme ög ̆renmektir. Bu, her giris ̧ görüntüsünün istenen çıkıs ̧ görüntüsüyle es ̧les ̧tirildig ̆i çiftli eg ̆itim verilerini gerektiren bir denetimli ög ̆renme yaklas ̧ımıdır. Bu özellik, görüntü renklendirme, stil transferi, anlamsal bölütleme gibi görevler için uygundur. Pix2Pix, çes ̧itli görüntü çeviri görevlerinde dikkate deg ̆er sonuçlar elde etmis ̧tir. Eskizleri gerçekçi görüntülere dönüs ̧türme, siyah beyaz görüntüleri renkli hale getirme, gündüz görüntülerini gece sahnelerine dönüs ̧türme gibi görevlere bas ̧arıyla uygulanmıs ̧tır. Ayrıca, birçok farklı varyasyon ve genis ̧letmeyi tes ̧vik ederek, görüntü sentezi ve manipülasyonunda ilerlemelere yol açmıs ̧tır. Pix2Pix GAN modeli daha sonra 1458 görüntüden olus ̧an bir veri kümesinde, Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hata (RMSE), Pik Sinyal-Gürültü Oranı (PSNR), Yapısal Benzerlik ̇Indeksi Ölçümü (SSIM), Sinyal-Yeniden Olus ̧turma Hata Oranı (SRE), Spektral Açı Haritalayıcı (SAM) ve Evrensel Görüntü Kalite ̇Indeksi (UIQ) gibi nicel ölçütler ve nitel bir inceleme ile deg ̆erlendirildi. Sonuçlar, modelin yüksek kaliteli görüntüler üretme konusunda etkili oldug ̆unu gösterdi. GAN eg ̆itimi için en iyi modeli belirlemek ve as ̧ırı uydurmaya engel olmak için veri kümesi üçe ayrıldı: eg ̆itim, test ve dog ̆rulama setleri. Tüm setler için en uygun dönem, görüntülerin görsel olarak incelenmesi, çes ̧itli nicel ölçütlerin ve görselles ̧tirme yöntemlerinin kars ̧ılas ̧tırılmasıyla belirlendi ve en iyi dönemin 30. dönem oldug ̆u tespit edildi. Bu çalıs ̧manın sonuçları, pix2pix GAN modelinin yüksek kaliteli Zihinsel Sag ̆lık Görüntüleri (MHI) olus ̧turmak için faydalı bir araç oldug ̆unu ve bu görüntülerin deg ̆erli bilgileri tespit etmede yenilikçi kullanımlara sahip olabileceg ̆ini göstermektedir. Uzun anketler yerine görüntülerin kullanılmasıyla, ̇IK is ̧verenleri istenen bilgilere hızla ulas ̧abilir. Ayrıca, bulgular, mülakatlarda potansiyel is ̧verenlere zihinsel sag ̆lık sorunlarını açıklayan bireyler, is ̧ performansını etkileyen zihinsel sag ̆lık kos ̧ulları ve aile geçmis ̧i olan bireyler arasında önemli bir ilis ̧ki oldug ̆unu ortaya koymaktadır. Bu sonuçlar, zihinsel sag ̆lık sorunlarının is ̧ verimlilig ̆ini veya performansını etkileyebileceg ̆ine inanan potansiyel çalıs ̧anlara yardımcı olmak için ̇IK departmanlarına önerilen vizyoner hedefleri destekleyebilir. pix2pix GAN'ın öngörü yeteneg ̆i, insan kaynakları profesyonelleri için deg ̆er tas ̧ımaktadır çünkü mevcut verilere dayanarak çalıs ̧anlarda mental sag ̆lık durumlarını belirlemede veya tahmin etmede potansiyel olarak yardımcı olabilir. Bu araç, insan kaynakları profesyonelleri için karar verme sürecini kolaylas ̧tırabilir ve erken müdahale veya hedefe yönelik destek sag ̆layarak çalıs ̧anların mental sag ̆lıg ̆ını gelis ̧tirmeye olanak tanır.
Özet (Çeviri)
Mental health issues have become increasingly prevalent and severe in today's society, negatively impacting all aspects of individuals' lives. Artificial intelligence (AI) and its subfields, such as Machine Learning (ML) and Deep Learning (DL), have widespread applications in many domains. These invaluable tools have been widely utilized in various companies to identify mental health disorders and their effects on their employees and workplaces. Many studies have used machine learning models to identify factors that contribute to mental disorders. This study, however, takes a new approach by generating predicted images of mental health disorders among the Tech Survey population. This research provides valuable insights into mental health disorders in the technology industry, which can be used by human resource departments and company leaders to support employees and enhance productivity. Ultimately, this can create a mutually beneficial relationship between workers and employers. The Pix2Pix GAN model is used as a novel technique for the Open Sourcing Mental Illness (OSMI) application. The dataset used in this study comprises over 1484 responses collected via Google Forms during 2017, 2018, 2020, and 2021. This approach acquires further valuable insights on how to make decisions for employees who experience mental health disorders by processing and evaluating data. Preprocessing and scaling the data is a crucial step in Knowledge Discovery in Databases (KDD) as it is challenging to analyze raw data. In this study, the data was preprocessed and scaled before being transformed into images where each pixel represents an attribute. This dataset mainly consists of male individuals residing in the United States who are employed in the technology industry. This is in line with the reality that men hold a greater proportion of positions in the tech industry than women, and It is widely believed that mental health disorders have a negative impact on work performance and productivity in this industry. The thesis highlighted the importance of understanding the characteristics of the questions answered in the data. To achieve this, a close examination of the content was conducted, analyzing various attributes. The survey included different types of questions, such as general, workplace-related, and personal. While the dataset had limited data quality information, it was well-documented. It would have been beneficial to have information on the types of tech companies where participants worked to compare attitudes toward mental health across different sectors. The Mental Health Tech Survey provided useful psychometric variables, which were further categorized and discussed in the thesis.In this study, a significant innovation is the transformation of structured data into unstructured data. This involves changing data that is organized in a specific format,a tabular data, into a format that is not pre-defined, an images. The main aim of this conversion is to enhance data accessibility, improve analysis, and make it more useful for decision-making. To achieve this, the questions were divided into general feature questions asked of employees overall, and questions that are particularly valuable for human resources to gain insights about their employees, such as whether they talk about mental disorders during interviews. These questions contained more self-reported answers that even employees may not be aware of as indicating mental illness. The model was then trained to map the input feature picture to the output label picture, generating a new image that corresponds to the input feature picture. As a result,in this case, the input feature picture represents an individual's answers to questions related to mental health disorders, while the output label picture represents the labels that are more relevant in diagnosing mental disorders based on previous studies.The process of selecting questions as labels or features in the context of tech surveys plays a crucial role in recognizing individuals with disorders and understanding mental health. These questions consider various factors that aid in identifying individuals with disorders, such as self-reporting their condition, comfort in discussing it with employers, seeking treatment, and the impact of the disorder on their lives. Additionally, the selected questions provide insights into how mental health is perceived among employees in the tech industry, allowing for a better understanding of attitudes, norms, and challenges in this context. The focus is on a holistic evaluation that considers the overall well-being of individuals, rather than specific disorders. The self-reported nature of the questions is essential as it reveals how individuals identify themselves and their preferences regarding disclosure. This information helps human resource professionals make informed decisions during the hiring process and provide tailored support to optimize employee performance and well-being. The pix2pix GAN model was then evaluated on a dataset of 1458 images using both quantitative metrics, such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Peak Signal-to-noise Ratio (PSNR), Structural Similarity Index Measure (SSIM), Signal-to-reconstruction Error Ratio (SRE), Spectral Angle Mapper (SAM), and Universal Image Quality Index (UIQ), and qualitative inspection. The results showed that the model was capable of generating high-quality images efficiently. In order to determine the best model for GAN training and prevent overfitting, the dataset was split into three sets: train, test, and validation. The optimal epoch for all sets was determined by visually inspecting the images, comparing various quantitative metrics and visualization methods, and the best epoch was found to be epoch 30. The results of this study indicate that the pix2pix GAN model is a beneficial tool for creating high-quality Mental Health Images (MHI), which may have innovative uses in identifying valuable information. By using images instead of lengthy questionnaires, HR employers can quickly obtain the desired information. Furthermore, the findings reveal a significant correlation between individuals who disclose their mental health issues to potential employers during interviews, mental health conditions that impair their job performance, and individuals with a family history of mental illness. These results could support suggested visionary aims for HR departments to help potential employees who believe that their mental health issues may affect their productivity or performance at work. The predictive capability of the pix2pix GAN holds value for human resource professionals as it can potentially aid in identifying or predicting mental health conditions in employees based on available data. This tool can facilitate the decision-making process for HR professionals and enable early intervention or targeted support to enhance employees' mental well-being.
Benzer Tezler
- Tanzimat döneminden 1940 senesine dek edebi eserlerin görsel ifadeye dönüşümünün yapay zekâ ile yorumu
Interpretation of the visual transformation of literary works from the tanzimat period to 1940 through artificial intelligence
BİLLUR ALİEFENDİOĞLU
Yüksek Lisans
Türkçe
2024
Güzel Sanatlarİstanbul Arel ÜniversitesiGrafik Tasarım Ana Bilim Dalı
DOÇ. DR. BEGÜM AYLİN ÖNDER
- Turkey forest fire decision support system (TFFDSS)
Türkiye orman yangını karar destek sistemi (TFFDSS)
ABDULLAH SUKKAR
Yüksek Lisans
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÖZGÜR DOĞRU
- Değişim yönetiminin incelenmesi ve kuramsal bir modelin geliştirilmesi
The study of management of change and the development of an institutional model
ADNAN ERKMENOL
- Cam sektöründe talep tahmin yöntemlerinin uygulanması ve değerlendirilmesi
Application and assessment of the demand forecasting methods in the glass sector
NESLİHAN DEMİRCİ
Yüksek Lisans
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MURAT BASKAK