Geri Dön

Gemi adamlarının işe alım süreci için ölçme değerlendirme sisteminin geliştirilmesi

Developing a measurement and evaluation system for seafarers' recruitment process

PDF İndir

  1. Tez No: 937994
  2. Yazar: İPEK GÖLBOL PEKDAŞ
  3. Danışmanlar: PROF. DR. ÖZCAN ARSLAN
  4. Tez Türü: Doktora
  5. Konular: Denizcilik, Marine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Deniz Ulaştırma Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Deniz Ulaştırma İşletme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 132

Özet

Denizcilik sektörü, insan hatasına bağlı kazaların yüksek sıklıkta meydana gelmesi nedeniyle ciddi düzeyde operasyonel ve güvenlik riskleriyle karşı karşıyadır. Bu durum, gemi adamı işe alım süreçlerinin yalnızca idari bir prosedür olarak değil, aynı zamanda güvenlik odaklı bir risk yönetimi aracı olarak ele alınmasını zorunlu kılmaktadır. Mevcut uygulamalarda, psikolojik değerlendirme araçlarının yetersizliği ve dijital teknolojilerin sınırlı düzeyde entegrasyonu, adayların bütüncül bir şekilde değerlendirilmesini engellemekte; bu da nitelikli personelin doğru biçimde seçilmesini zorlaştırmakta ve işe alım süreçlerinin standartlaşmadan uzak, kişisel yargılara dayalı ve önyargılı kararların etkisinde yürütülmesine zemin hazırlamaktadır. Ayrıca, sektör içerisindeki çeşitliliğin azalması ve belirli demografik grupların sistematik olarak dışlanması gibi yapısal sorunlar da bu sürecin doğrudan bir sonucu olarak ortaya çıkmaktadır. İnsan hatalarının denizcilik kazalarındaki belirleyici rolü göz önüne alındığında, işe alım süreçlerinin yeniden yapılandırılması ve bu sürecin veri temelli, nesnel ve bilimsel ilkeler çerçevesinde kurgulanması kaçınılmaz hale gelmektedir. Bu bağlamda, bu çalışma denizcilik sektöründe gemi adamı seçim süreçlerine yönelik yeni bir ölçme ve değerlendirme sistemi geliştirmeyi amaçlamaktadır. Çalışma yalnızca pratik düzeyde bir ihtiyaçtan değil, aynı zamanda insan kaynakları yönetimi, karar destek sistemleri ve örgütsel psikoloji literatüründe tanımlanan değerlendirme eksikliklerinden hareketle şekillendirilmiştir. Hedeflenen model, yalnızca mesleki yeterlilikleri değil, aynı zamanda adayların psikolojik özelliklerini de dikkate alarak, insan hatalarını en aza indirmeye yönelik; nesnel, şeffaf ve manipülasyona kapalı bir yapı sunmaktadır. Bu amaç doğrultusunda, Minnesota Çok Yönlü Kişilik Envanteri (MMPI) ile makine öğrenimi algoritmaları bir araya getirilmiş ve sektörün mevcut işe alım stratejilerine yenilikçi, etik ve işlevsel bir alternatif sunulması hedeflenmiştir. Çalışmada, gemi adamlarının işe alım süreçlerini analiz etmek ve iyileştirme önerileri sunmak amacıyla karma bir araştırma yaklaşımı benimsenmiştir ve üç ana aşamada gerçekleştirilmiştir. İlk aşamada, literatür taraması yapılarak işe alım süreçlerine dair mevcut bilgi birikimi değerlendirilmiştir. İkinci aşamada, gemi adamlarına yönelik anket çalışmaları yürütülerek işe alım süreçlerindeki sorunlar ve geliştirme alanları tespit edilmiştir. Son aşamada ise, elde edilen veriler kullanılarak makine öğrenimi temelli bir model geliştirilmiş ve bu model ile işe alım süreçlerinin etkinliği değerlendirilmiştir. Bu çok aşamalı yöntem, hem mevcut sürecin eksikliklerini anlamayı hem de veri odaklı bir yaklaşım ile yenilikçi çözümler sunmayı amaçlamaktadır. Nicel ve nitel yöntemlerin bir arada kullanıldığı bu araştırma, sektörel gereksinimlere uygun bir analiz ve değerlendirme sağlamayı hedeflemiştir. Tarama Araştırmasında elde edilen bulgular, işe alım süreçlerinin operasyonel etkinlikten yoksun olduğunu ve süreçlerde şeffaflık ile bilgilendirme eksiklikleri bulunduğunu göstermiştir. Gemi adamlarının işe alım testlerine yönelik algıları genellikle olumsuz olup, çalışanlar gemideki ekip arkadaşlarının iş için yeterince donanımlı olmadığını ve psikolojik olarak bu ortama uygun olmadığını düşünüyor. Bu da işe alım süreçlerinin yalnızca bireylerin işe alınmasını değil, gemideki genel çalışma ortamını ve iş birliğini de olumsuz etkilediğini gösteriyor.Bu bağlamda, araştırma soruları büyük ölçüde cevaplanmış; işe alım süreçlerinin geliştirilmesi gerektiği sonucuna ulaşılmıştır. Son aşamada ise, denizcilik öğrencilerine ait verilerden yararlanarak, adayların uygunluklarını öngörmek amacıyla insan kaynakları analitiği yaklaşımında makine öğrenimi metodolojilerini kullanmaktadır. Bu yeni metodoloji, denizcilik sektöründeki geleneksel işe alım süreçlerine yenilikçi bir yaklaşım sunarak mevcut literatürde önemli bir eksikliği gidermeye yönelik bir potansiyele sahiptir. Önerilen yöntem, mevcut veri setlerini analiz ederek gelecekteki değerleri tahmin etmeyi hedefler. Çalışmada, 183 gönüllü adaydan başvuru formu ve MMPI-I Kişilik Envanteri kullanılarak toplananan veri, çeşitli makine öğrenimi algoritmalarıyla sınıflandırılmıştır. Veri seti, birkaç makine öğrenme algoritması kullanılarak sınıflandırılmış ve performans metrikleri karşılaştırılmıştır. En iyi performansa sahip beş sınıflandırma algoritması (Karar ağacı, PNN, rastgele orman, gradient boost ağaçları ve naive Bayes) değerlendirilmiş ve en iyi doğru sınıflandırma performansı GBT algoritması ile elde edilmiştir. Sonuçlar, en yüksek değerlerin Gradient Boosted Trees (%86) ve Random Forest (%80) için olduğunu ve GBT algoritmasının diğer metriklerde de daha yüksek değerlere sahip olduğunu göstermiştir. Elde edilen bulgular, makine öğrenmesi destekli veri analitiği yöntemlerinin işe alım süreçlerine başarıyla entegre edilebileceğini ve bu sayede daha isabetli aday seçimi ile önyargıların azaltılmasının mümkün olduğunu ortaya koymuştur. Özellikle nepotizm, öznellik ve psikolojik uygunluk değerlendirmelerinin ihmal edilmesi gibi mevcut yapısal sorunların giderilmesine katkı sunan bu yaklaşım, işe alım kararlarının daha nesnel, tutarlı ve bilimsel temellere dayalı biçimde gerçekleştirilmesine olanak sağlamaktadır. Ayrıca GBT algoritması gibi makine öğrenimi tekniklerinin yüksek doğruluk oranlarıyla işe alım süreçlerini daha etkili hale getirebileceği gözlemlenmiştir. Çalışmanın teorik, pratik ve sektörel düzeyde ki katkıları aşağıdaki gibidir : Teorik Katkı: Çalışma, literatüre denizcilik sektöründe makine öğrenimi yöntemlerinin psikolojk testlerle birlikte işe alım süreçlerine uygulanabilirliğini gösteren ilk çalışmalar arasında yer almaktadır. Pratik Katkı: Denizcilik sektöründeki şirketler, bu çalışmanın önerdiği veri odaklı işe alım yaklaşımı ile daha adil ve etkili bir personel seçme süreci yürütebilir. Sektörel Katkı: Çalışma, OCIMF gibi sektörel düzenlemelere uyumlu ve desteklenen bir işe alım modelinin geliştirilmesine olanak tanıyarak, denizcilik sektöründe daha sürdürülebilir ve etkin insan kaynakları yönetimine katkıda bulunmuştur. Sonuç olarak, geliştirilen modelin yalnızca insan kaynaklı hataların azaltılmasına değil, aynı zamanda işe alım süreçlerinin güvenilirliğinin ve kurumsal verimliliğinin artırılmasına önemli ölçüde katkı sağlaması beklenmektedir. Modelin sunduğu veri temelli yaklaşım, bireysel performans öngörülerinin ötesine geçerek, gemi operasyonlarının genel güvenlik seviyesine ve operasyonel etkinliğine doğrudan katkı sunabilecek stratejik bir araç niteliği taşımaktadır. Bu yönüyle çalışma, denizcilik sektöründe sürdürülebilir, objektif ve bütüncül insan kaynakları uygulamalarının geliştirilmesine yönelik ekonomik ve yapısal katma değer üretmeyi amaçlamaktadır.

Özet (Çeviri)

The maritime sector faces serious operational and safety risks due to the high frequency of accidents caused by human error. This situation necessitates that seafarer recruitment processes be considered not only as an administrative procedure but also as a security-focused risk management tool. In current practices, the inadequacy of psychological assessment tools and the limited integration of digital technologies prevent candidates from being evaluated holistically; this makes it difficult to select qualified personnel correctly and paves the way for recruitment processes to be carried out without standardization, based on personal judgments and under the influence of biased decisions. In addition, structural problems such as the decrease in diversity within the sector and the systematic exclusion of certain demographic groups also emerge as a direct result of this process. Considering the decisive role of human errors in maritime accidents, it becomes inevitable to restructure recruitment processes and to structure this process within the framework of data-based, objective and scientific principles. In this context, this study aims to develop a new measurement and evaluation system for seafarer selection processes in the maritime sector. The study was shaped not only by a practical need, but also by the evaluation deficiencies identified in the literature on human resources management, decision support systems and organizational psychology. The targeted model takes into account not only professional qualifications but also the psychological characteristics of the candidates, and offers an objective, transparent and manipulation-proof structure aimed at minimizing human errors. For this purpose, the Minnesota Multiphasic Personality Inventory (MMPI) and machine learning algorithms were combined, aiming to provide an innovative, ethical and functional alternative to the sector's current recruitment strategies. In this study, a mixed-methods approach was adopted to analyze the recruitment processes of seafarers and present suggestions for improvement. The research was carried out in three stages. In the first stage, the existing knowledge on recruitment processes was evaluated by conducting a literature review. In the second stage, surveys were conducted for seafarers to identify problems and areas for improvement in recruitment processes. In the last stage, a machine learning-based model was developed using the obtained data and the effectiveness of recruitment processes was evaluated with this model. This multi-stage method aims to both understand the deficiencies of the current process and to provide innovative solutions with a data-driven approach. Using quantitative and qualitative methods together, this research aims to provide an analysis and evaluation appropriate to sectoral needs. The findings of the Survey Research showed that the recruitment processes lack operational effectiveness and that there are lack of transparency and information in the processes. Seafarers' perceptions of the recruitment tests are generally negative, with employees feeling that their teammates on the ship are not sufficiently equipped for the job and are not psychologically suitable for this environment. This shows that the recruitment processes negatively affect not only the recruitment of individuals but also the general working environment and cooperation on the ship. In this context, the research questions have been answered to a large extent; it has been concluded that recruitment processes need to be improved. In the final stage, it uses machine learning methodologies in the human resources analytics approach to predict the suitability of candidates by using data from maritime students. This new methodology has the potential to address a significant gap in the existing literature by offering an innovative approach to traditional recruitment processes in the maritime sector. The proposed method aims to predict future values by analyzing existing data sets. In the study, data collected from 183 volunteer candidates using application forms and MMPI-I Personality Inventory were classified using various machine learning algorithms. The dataset was classified using several machine learning algorithms and their performance metrics were compared. Five best performing classification algorithms (Decision tree, PNN, Random Forest, Gradient Boosted Trees and Naive Bayes) were evaluated and the best correct classification performance was obtained by GBT algorithm. The results showed that the highest values were for Gradient Boosted Trees (86%) and Random Forest (80%) and GBT algorithm had higher values in other metrics as well The findings indicate the applicability of machine-supported data analytics methodologies in reducing biases in current recruitment practices and identifying more suitable candidates. In this study, it has been observed that machine learning techniques, such as the Gradient Boosted Trees (GBT) algorithm, can enhance recruitment processes with high accuracy rates. The theoretical, practical, and sectoral contributions of the study are as follows: • Theoretical Contribution: This study is among the first to demonstrate the applicability of machine learning methods, integrated with psychological testing, to recruitment processes in the maritime industry, thereby contributing to the academic literature. • Practical Contribution: Companies in the maritime industry can adopt the data-driven recruitment approach proposed in this study to implement a fairer and more effective personnel selection process. • Sectoral Contribution: The study facilitates the development of a recruitment model that aligns with and is supported by industry regulations such as those of OCIMF, thereby contributing to more sustainable and efficient human resource management in the maritime sector. As a result, it is expected that the developed model will contribute significantly not only to the reduction of human errors but also to the increase of the reliability and institutional efficiency of recruitment processes. The data-based approach offered by the model is a strategic tool that can directly contribute to the general safety level and operational efficiency of ship operations, going beyond individual performance predictions. In this respect, the study aims to produce economic and structural added value for the development of sustainable, objective and holistic human resources practices in the maritime sector.

Benzer Tezler

  1. Tez No

    927111

    Safe pilot ladder procedures

    Emniyetli pilot çarmıhları prosedürü

    ÇİĞDEM TANELİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Denizcilikİstanbul Teknik Üniversitesi

    Deniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TANZER SATIR

  2. Tez No

    323781

    Gemi adamlarının işe alımı, eğitimi ve performans değerlendirmelerinin .net teknolojisi ile geliştirilmesi

    Development of application with .net technology for ship crew recruitment, training and performance assessment

    AHMET BİLİCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Deniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERDAR KUM

    YRD. DOÇ. DR. ÖZCAN ARSLAN

  3. Tez No

    457520

    İnsan kaynakları yönetiminde işe alım yöntemleri : Denizcilik sektöründe gemi adamlarına yönelik bir çalışma

    The recruitment methods in human resources management: A study on seafarers in maritime sector

    CANSEV ERYAŞA

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    DenizcilikBahçeşehir Üniversitesi

    İnsan Kaynakları Yönetimi Ana Bilim Dalı

    DOÇ. DR. HATİCE NECLA KELEŞ

  4. Tez No

    673184

    Çok uluslu gemilerde kültürel farklılıklardan kaynaklanan çatışmalar

    Conflicts arising from cultural differences in multinationalships

    GANİ MUSTAFA İNEGÖL

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    DenizcilikKaradeniz Teknik Üniversitesi

    Deniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UMUT YILDIRIM

  5. Tez No

    5298

    Türkiye denizcilik sektöründe çalışma şartları (monografik bir etüd)

    Başlık çevirisi yok

    A.MURAT ASLANER

    Yüksek Lisans

    Türkçe

    Türkçe

    1988

    İşletmeİstanbul Üniversitesi

    Çalışma Ekonomisi ve Endüstri İlişkileri Ana Bilim Dalı

    PROF. DR. TURAN YAZGAN

Geri Dön