Research Article
BibTex RIS Cite

Year 2025, Volume: 8 Issue: 1, 38 - 46, 28.03.2025

Gökhan Yiğidefe , Serap Çakar Kaman , Beyza Eken

https://doi.org/10.35377/saucis...1627619

Abstract

Project Number

Project support was not received.

References

  • M. Kayakuş and F. Y. Açıkgöz, “Classification of news texts by categories using machine learning methods,” *Alphanumeric Journal*, vol. 10, no. 2, pp. 155–166, 2022, doi: 10.17093/alphanumeric.1149753.
  • A. H. Bozkurt and N. Yalçın, “Topluluk öğrenmesi algoritmaları kullanarak Amazon yemek yorumları üzerine duygu analizi,” *Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi*, vol. 11, no. 1, pp. 128–139, 2024, doi: 10.35193/bseufbd.1300732.
  • M. F. Tuna, M. Polatgil, and O. Kaynar, “Restoran müşterilerinin geri bildirimleri üzerinde hedef kategorinin tespiti ve hedef tabanlı duygu analizi,” *Süleyman Demirel Üniversitesi Vizyoner Dergisi*, vol. 14, no. 40, pp. 1205–1221, 2023, doi: 10.21076/vizyoner.1208355.
  • B. C. Öğe and F. Kayaalp, “Farklı sınıflandırma algoritmaları ve metin temsil yöntemlerinin duygu analizinde performans karşılaştırılması,” *Düzce Üniversitesi Bilim ve Teknoloji Dergisi*, vol. 9, no. 6, pp. 406–416, 2021, doi: 10.29130/dubited.1015320.
  • İ. A. Metin and B. Karasulu, “İnsanın günlük aktivitelerinin yeni bir veri kümesi: Derin öğrenme tekniklerini kullanarak sınıflandırma performansı için kıyaslama sonuçları,” *Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi*, vol. 36, no. 2, pp. 759–778, 2021, doi: 10.17341/gazimmfd.772849.
  • E. Aydemir, M. Işık, and T. Tuncer, “Türkçe haber metinlerinin çok terimli Naive Bayes algoritması kullanılarak sınıflandırılması,” *Fırat Üniversitesi Mühendislik Bilimleri Dergisi*, vol. 33, no. 2, pp. 519–526, 2021, doi: 10.35234/fumbd.871986.
  • M. M. Akgümüş and A. Boyacı, “Bankacılık sektörü için topluluk öğrenimini kullanan iki aşamalı bir müşteri şikayet yönetimi,” *TBV Bilgisayar Bilimleri ve Mühendisliği Dergisi*, vol. 16, no. 1, pp. 45–52, 2023, doi: 10.54525/tbbmd.1163852.
  • S. Ertem and E. Özbay, “Detection of COVID-19 anti-vaccination from Twitter data using deep learning and feature selection approaches,” *Firat University Journal of Experimental and Computational Engineering*, vol. 3, no. 2, pp. 116–133, 2024, doi: 10.62520/fujece.1443753.
  • M. Demirbilek and S. Ö. Demirbilek, “Google yorumları üzerinden makine öğrenme yöntemleri ve Amazon Comprehend ile duygu analizi: İç Anadolu'da bir üniversite örneği,” *Üniversite Araştırmaları Dergisi*, vol. 6, no. 4, pp. 452–461, 2023, doi: 10.32329/uad.1383794.
  • M. Çataltaş, B. Üstünel, and N. A. Baykan, “Sentiment classification on Turkish tweets about COVID-19 using LSTM network,” *Konya Mühendislik Bilimleri Dergisi*, vol. 11, no. 2, pp. 341–353, 2023, doi: 10.36306/konjes.1173939.
  • G. Alparslan and M. Dursun, “Konvolüsyonel sinir ağları tabanlı Türkçe metin sınıflandırma,” *Bilişim Teknolojileri Dergisi*, vol. 16, no. 1, pp. 21–31, 2023, doi: 10.17671/gazibtd.1165291.
  • M. Yılmaz and E. S. Günal, “Derin öğrenme temelli otomatik yardım masası sistemi,” *Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi*, vol. 30, no. 3, pp. 318–327, 2022, doi: 10.31796/ogummf.1038486.
  • J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of deep bidirectional transformers for language understanding,” *arXiv preprint*, 2019, Available: https://arxiv.org/abs/1810.04805.
  • C. Lea, R. Vidal, A. Reiter, and G. D. Hager, “Temporal convolutional networks: A unified approach to action segmentation,” *Lecture Notes in Computer Science*, Springer International Publishing, 2016, doi: 10.1007/978-3-319-49409-8_7.
  • B. Ghojogh and A. Ghodsi, “Recurrent neural networks and long short-term memory networks: Tutorial and survey,” *arXiv preprint*, 2023, Available: https://arxiv.org/abs/2304.11461.
  • İ. Budak and A. Organ, “Veri ve metin madenciliği ile hava yolu işletmelerinin COVID-19 öncesi ve sonrası sosyal medya yorum ve skorlarının değerlendirilmesi,” *Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi*, vol. 15, no. 4, pp. 998–1022, 2022, doi: 10.25287/ohuiibf.1149801.
  • İ. Sel and D. Hanbay, “Ön eğitimli dil modelleri kullanarak Türkçe tweetlerden cinsiyet tespiti,” *Fırat Üniversitesi Mühendislik Bilimleri Dergisi*, vol. 33, no. 2, pp. 675–684, 2021, doi: 10.35234/fumbd.929133.
  • C. Aci and A. Çırak, “Türkçe haber metinlerinin konvolüsyonel sinir ağları ve Word2Vec kullanılarak sınıflandırılması,” *Bilişim Teknolojileri Dergisi*, vol. 12, no. 3, pp. 219–228, 2019, doi: 10.17671/gazibtd.457917.
  • O. T. Bişkin, “Multi-step forecasting of COVID-19 cases in European countries using temporal convolutional networks,” *Mugla Journal of Science and Technology*, vol. 7, no. 1, pp. 117–126, 2021, doi: 10.22531/muglajsci.875414.
  • A. Kasapbaşı and H. Canbolat, “İşitme engelli bireylerin hareketlerini sınıflandırmaya yönelik yapay zeka modelinin geliştirilmesi,” *Black Sea Journal of Engineering and Science*, vol. 7, no. 5, pp. 826–835, 2024, doi: 10.34248/bsengineering.1477046.
  • B. Erol and T. İnkaya, “Satış tahmini için derin öğrenme yöntemlerinin karşılaştırılması,” *Uludağ Üniversitesi Mühendislik Fakültesi Dergisi*, vol. 29, no. 2, pp. 535–554, 2024, doi: 10.17482/uumfd.1382971.
  • M. F. Tuna and Y. Görmez, “Evrişimsel sinir ağları tabanlı derin öğrenme yöntemiyle müşteri şikayetlerinin sınıflandırılması,” *Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi*, vol. 8, no. 1, pp. 31–46, 2024, doi: 10.33399/biibfad.1362160.
  • Ö. Aydın and H. Kantarcı, “Türkçe anahtar sözcük çıkarımında LSTM ve BERT tabanlı modellerin karşılaştırılması,” *Bilgisayar Bilimleri ve Mühendisliği Dergisi*, vol. 17, no. 1, pp. 9–18, 2024, doi: 10.54525/bbmd.1454220.
  • S. Arslan and E. Fırat, “Stance detection on short Turkish text: A case study of Russia-Ukraine war,” *Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi*, vol. 24, no. 3, pp. 602–619, 2024, doi: 10.35414/akufemubid.1377465.
  • Y. E. Gür, “Comparative analysis of deep learning models for silver price prediction: CNN, LSTM, GRU and hybrid approach,” *Akdeniz İİBF Dergisi*, vol. 24, no. 1, pp. 1–13, 2024, doi: 10.25294/auiibfd.1404173.
  • S. Y. Kahraman, A. Durmuşoğlu, and T. Dereli, “Ön eğitimli BERT modeli ile patent sınıflandırılması,” *Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi*, vol. 39, no. 4, pp. 2484–2496, 2024, doi: 10.17341/gazimmfd.1292543.
  • E. Ülker and Ö. İnik, “Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri,” *Gaziosmanpaşa Bilimsel Araştırma Dergisi*, 2017, Available: https://dergipark.org.tr/tr/pub/gbad/issue/31228/330663.
  • Ö. Aydın and H. Kantarcı, “Türkçe anahtar sözcük çıkarımında LSTM ve BERT tabanlı modellerin karşılaştırılması,” *Bilgisayar Bilimleri ve Mühendisliği Dergisi*, vol. 17, no. 1, pp. 9–18, 2024, doi: 10.54525/bbmd.1454220.
  • İ. Sel and D. Hanbay, “Ön eğitimli dil modelleri kullanarak Türkçe tweetlerden cinsiyet tespiti,” *Fırat Üniversitesi Mühendislik Bilimleri Dergisi*, vol. 33, no. 2, pp. 675–684, 2021, doi: 10.35234/fumbd.929133.
  • B. Ghojogh and A. Ghodsi, “Recurrent neural networks and long short-term memory networks: Tutorial and survey,” *arXiv preprint*, 2023, Available: https://arxiv.org/abs/2304.11461.

Classification and Analysis of Employee Feedback with Deep Learning Algorithms

Year 2025, Volume: 8 Issue: 1, 38 - 46, 28.03.2025

Gökhan Yiğidefe , Serap Çakar Kaman , Beyza Eken

https://doi.org/10.35377/saucis...1627619

Abstract

This study aims to enhance organizational processes and support decision-making for managers by conducting an automated analysis of employee feedback through text classification. Employee satisfaction and motivation are critical factors that directly impact sustainability and efficiency goals. To overcome the challenges of manual feedback analysis, the study employs Temporal Convolutional Network (TCN), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Bidirectional Encoder Representations from Transformers (BERT) algorithms. The dataset comprises feedback collected from meeting notes, internal surveys, and manager-employee interviews, with data synthesis and preprocessing steps including text cleaning, tokenization, and modelling. The study's findings reveal that the CNN algorithm achieved the best performance, with an accuracy of 99.12%, a test loss of 0.0609, precision of 0.9912, recall of 0.9912, and an F1 score of 0.9911. This research demonstrates the valuable contribution of automated classification models in effectively and efficiently analysing employee feedback.

Keywords

Employee Feedback Classification TCN CNN LSTM BERT Deep Learning for Text Analysis

Ethical Statement

Ethics commitee approval has not been received. It will be obtained if necessary

Supporting Institution

There is no supporting institution.

Project Number

Project support was not received.

Thanks

We do not express any gratitude.

References

  • M. Kayakuş and F. Y. Açıkgöz, “Classification of news texts by categories using machine learning methods,” *Alphanumeric Journal*, vol. 10, no. 2, pp. 155–166, 2022, doi: 10.17093/alphanumeric.1149753.
  • A. H. Bozkurt and N. Yalçın, “Topluluk öğrenmesi algoritmaları kullanarak Amazon yemek yorumları üzerine duygu analizi,” *Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi*, vol. 11, no. 1, pp. 128–139, 2024, doi: 10.35193/bseufbd.1300732.
  • M. F. Tuna, M. Polatgil, and O. Kaynar, “Restoran müşterilerinin geri bildirimleri üzerinde hedef kategorinin tespiti ve hedef tabanlı duygu analizi,” *Süleyman Demirel Üniversitesi Vizyoner Dergisi*, vol. 14, no. 40, pp. 1205–1221, 2023, doi: 10.21076/vizyoner.1208355.
  • B. C. Öğe and F. Kayaalp, “Farklı sınıflandırma algoritmaları ve metin temsil yöntemlerinin duygu analizinde performans karşılaştırılması,” *Düzce Üniversitesi Bilim ve Teknoloji Dergisi*, vol. 9, no. 6, pp. 406–416, 2021, doi: 10.29130/dubited.1015320.
  • İ. A. Metin and B. Karasulu, “İnsanın günlük aktivitelerinin yeni bir veri kümesi: Derin öğrenme tekniklerini kullanarak sınıflandırma performansı için kıyaslama sonuçları,” *Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi*, vol. 36, no. 2, pp. 759–778, 2021, doi: 10.17341/gazimmfd.772849.
  • E. Aydemir, M. Işık, and T. Tuncer, “Türkçe haber metinlerinin çok terimli Naive Bayes algoritması kullanılarak sınıflandırılması,” *Fırat Üniversitesi Mühendislik Bilimleri Dergisi*, vol. 33, no. 2, pp. 519–526, 2021, doi: 10.35234/fumbd.871986.
  • M. M. Akgümüş and A. Boyacı, “Bankacılık sektörü için topluluk öğrenimini kullanan iki aşamalı bir müşteri şikayet yönetimi,” *TBV Bilgisayar Bilimleri ve Mühendisliği Dergisi*, vol. 16, no. 1, pp. 45–52, 2023, doi: 10.54525/tbbmd.1163852.
  • S. Ertem and E. Özbay, “Detection of COVID-19 anti-vaccination from Twitter data using deep learning and feature selection approaches,” *Firat University Journal of Experimental and Computational Engineering*, vol. 3, no. 2, pp. 116–133, 2024, doi: 10.62520/fujece.1443753.
  • M. Demirbilek and S. Ö. Demirbilek, “Google yorumları üzerinden makine öğrenme yöntemleri ve Amazon Comprehend ile duygu analizi: İç Anadolu'da bir üniversite örneği,” *Üniversite Araştırmaları Dergisi*, vol. 6, no. 4, pp. 452–461, 2023, doi: 10.32329/uad.1383794.
  • M. Çataltaş, B. Üstünel, and N. A. Baykan, “Sentiment classification on Turkish tweets about COVID-19 using LSTM network,” *Konya Mühendislik Bilimleri Dergisi*, vol. 11, no. 2, pp. 341–353, 2023, doi: 10.36306/konjes.1173939.
  • G. Alparslan and M. Dursun, “Konvolüsyonel sinir ağları tabanlı Türkçe metin sınıflandırma,” *Bilişim Teknolojileri Dergisi*, vol. 16, no. 1, pp. 21–31, 2023, doi: 10.17671/gazibtd.1165291.
  • M. Yılmaz and E. S. Günal, “Derin öğrenme temelli otomatik yardım masası sistemi,” *Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi*, vol. 30, no. 3, pp. 318–327, 2022, doi: 10.31796/ogummf.1038486.
  • J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of deep bidirectional transformers for language understanding,” *arXiv preprint*, 2019, Available: https://arxiv.org/abs/1810.04805.
  • C. Lea, R. Vidal, A. Reiter, and G. D. Hager, “Temporal convolutional networks: A unified approach to action segmentation,” *Lecture Notes in Computer Science*, Springer International Publishing, 2016, doi: 10.1007/978-3-319-49409-8_7.
  • B. Ghojogh and A. Ghodsi, “Recurrent neural networks and long short-term memory networks: Tutorial and survey,” *arXiv preprint*, 2023, Available: https://arxiv.org/abs/2304.11461.
  • İ. Budak and A. Organ, “Veri ve metin madenciliği ile hava yolu işletmelerinin COVID-19 öncesi ve sonrası sosyal medya yorum ve skorlarının değerlendirilmesi,” *Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi*, vol. 15, no. 4, pp. 998–1022, 2022, doi: 10.25287/ohuiibf.1149801.
  • İ. Sel and D. Hanbay, “Ön eğitimli dil modelleri kullanarak Türkçe tweetlerden cinsiyet tespiti,” *Fırat Üniversitesi Mühendislik Bilimleri Dergisi*, vol. 33, no. 2, pp. 675–684, 2021, doi: 10.35234/fumbd.929133.
  • C. Aci and A. Çırak, “Türkçe haber metinlerinin konvolüsyonel sinir ağları ve Word2Vec kullanılarak sınıflandırılması,” *Bilişim Teknolojileri Dergisi*, vol. 12, no. 3, pp. 219–228, 2019, doi: 10.17671/gazibtd.457917.
  • O. T. Bişkin, “Multi-step forecasting of COVID-19 cases in European countries using temporal convolutional networks,” *Mugla Journal of Science and Technology*, vol. 7, no. 1, pp. 117–126, 2021, doi: 10.22531/muglajsci.875414.
  • A. Kasapbaşı and H. Canbolat, “İşitme engelli bireylerin hareketlerini sınıflandırmaya yönelik yapay zeka modelinin geliştirilmesi,” *Black Sea Journal of Engineering and Science*, vol. 7, no. 5, pp. 826–835, 2024, doi: 10.34248/bsengineering.1477046.
  • B. Erol and T. İnkaya, “Satış tahmini için derin öğrenme yöntemlerinin karşılaştırılması,” *Uludağ Üniversitesi Mühendislik Fakültesi Dergisi*, vol. 29, no. 2, pp. 535–554, 2024, doi: 10.17482/uumfd.1382971.
  • M. F. Tuna and Y. Görmez, “Evrişimsel sinir ağları tabanlı derin öğrenme yöntemiyle müşteri şikayetlerinin sınıflandırılması,” *Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi*, vol. 8, no. 1, pp. 31–46, 2024, doi: 10.33399/biibfad.1362160.
  • Ö. Aydın and H. Kantarcı, “Türkçe anahtar sözcük çıkarımında LSTM ve BERT tabanlı modellerin karşılaştırılması,” *Bilgisayar Bilimleri ve Mühendisliği Dergisi*, vol. 17, no. 1, pp. 9–18, 2024, doi: 10.54525/bbmd.1454220.
  • S. Arslan and E. Fırat, “Stance detection on short Turkish text: A case study of Russia-Ukraine war,” *Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi*, vol. 24, no. 3, pp. 602–619, 2024, doi: 10.35414/akufemubid.1377465.
  • Y. E. Gür, “Comparative analysis of deep learning models for silver price prediction: CNN, LSTM, GRU and hybrid approach,” *Akdeniz İİBF Dergisi*, vol. 24, no. 1, pp. 1–13, 2024, doi: 10.25294/auiibfd.1404173.
  • S. Y. Kahraman, A. Durmuşoğlu, and T. Dereli, “Ön eğitimli BERT modeli ile patent sınıflandırılması,” *Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi*, vol. 39, no. 4, pp. 2484–2496, 2024, doi: 10.17341/gazimmfd.1292543.
  • E. Ülker and Ö. İnik, “Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri,” *Gaziosmanpaşa Bilimsel Araştırma Dergisi*, 2017, Available: https://dergipark.org.tr/tr/pub/gbad/issue/31228/330663.
  • Ö. Aydın and H. Kantarcı, “Türkçe anahtar sözcük çıkarımında LSTM ve BERT tabanlı modellerin karşılaştırılması,” *Bilgisayar Bilimleri ve Mühendisliği Dergisi*, vol. 17, no. 1, pp. 9–18, 2024, doi: 10.54525/bbmd.1454220.
  • İ. Sel and D. Hanbay, “Ön eğitimli dil modelleri kullanarak Türkçe tweetlerden cinsiyet tespiti,” *Fırat Üniversitesi Mühendislik Bilimleri Dergisi*, vol. 33, no. 2, pp. 675–684, 2021, doi: 10.35234/fumbd.929133.
  • B. Ghojogh and A. Ghodsi, “Recurrent neural networks and long short-term memory networks: Tutorial and survey,” *arXiv preprint*, 2023, Available: https://arxiv.org/abs/2304.11461.
There are 30 citations in total.

Details

Primary Language English
Subjects Empirical Software Engineering
Journal Section Research Article
Authors

Gökhan Yiğidefe 0009-0000-1450-2923

Serap Çakar Kaman 0000-0002-3682-0831

Beyza Eken 0000-0002-6824-2765

Project Number Project support was not received.
Early Pub Date March 27, 2025
Publication Date March 28, 2025
Submission Date January 27, 2025
Acceptance Date February 27, 2025
Published in Issue Year 2025Volume: 8 Issue: 1

Cite

APA Yiğidefe, G., Çakar Kaman, S., & Eken, B. (2025). Classification and Analysis of Employee Feedback with Deep Learning Algorithms. Sakarya University Journal of Computer and Information Sciences, 8(1), 38-46. https://doi.org/10.35377/saucis...1627619
AMA Yiğidefe G, Çakar Kaman S, Eken B. Classification and Analysis of Employee Feedback with Deep Learning Algorithms. SAUCIS. March 2025;8(1):38-46. doi:10.35377/saucis.1627619
Chicago Yiğidefe, Gökhan, Serap Çakar Kaman, and Beyza Eken. “Classification and Analysis of Employee Feedback With Deep Learning Algorithms”. Sakarya University Journal of Computer and Information Sciences 8, no. 1 (March 2025): 38-46. https://doi.org/10.35377/saucis. 1627619.
EndNote Yiğidefe G, Çakar Kaman S, Eken B (March 1, 2025) Classification and Analysis of Employee Feedback with Deep Learning Algorithms. Sakarya University Journal of Computer and Information Sciences 8 1 38–46.
IEEE G. Yiğidefe, S. Çakar Kaman, and B. Eken, “Classification and Analysis of Employee Feedback with Deep Learning Algorithms”, SAUCIS, vol. 8, no. 1, pp. 38–46, 2025, doi: 10.35377/saucis...1627619.
ISNAD Yiğidefe, Gökhan et al. “Classification and Analysis of Employee Feedback With Deep Learning Algorithms”. Sakarya University Journal of Computer and Information Sciences 8/1 (March 2025), 38-46. https://doi.org/10.35377/saucis. 1627619.
JAMA Yiğidefe G, Çakar Kaman S, Eken B. Classification and Analysis of Employee Feedback with Deep Learning Algorithms. SAUCIS. 2025;8:38–46.
MLA Yiğidefe, Gökhan et al. “Classification and Analysis of Employee Feedback With Deep Learning Algorithms”. Sakarya University Journal of Computer and Information Sciences, vol. 8, no. 1, 2025, pp. 38-46, doi:10.35377/saucis. 1627619.
Vancouver Yiğidefe G, Çakar Kaman S, Eken B. Classification and Analysis of Employee Feedback with Deep Learning Algorithms. SAUCIS. 2025;8(1):38-46.
 Download Cover Image


INDEXING & ABSTRACTING & ARCHIVING


 31045 31044  31046 31047 

31043 28939 28938


29070    The papers in this journal are licensed under a Creative Commons Attribution-NonCommercial 4.0 International License