TÜİK Mikro Verileri ile Çocuk İşgücü Tahmini: Makine Öğrenimi Modellerinin Performans Analizleri

Yıl 2025, Cilt: 37 Sayı: 1, 453 - 466, 27.03.2025

Kamil Abdullah Eşidir

https://doi.org/10.35234/fumbd.1607609

Öz

Çalışma, Türkiye İstatistik Kurumu (TÜİK) tarafından 2019 yılında gerçekleştirilen Çocuk İşgücü Araştırması mikro veri setini kullanarak, çocuk işçiliği konusunu makine öğrenimi modelleri ile analiz etmektedir. 5-17 yaş grubundaki çocukların çalışma durumu, eğitim faaliyetleri ve ailevi sorumlulukları gibi faktörler incelenerek çocuk işçiliğini etkileyen unsurlar belirlenmiştir. Yaş grubu, çocukların çalışma durumunu en fazla etkileyen bağımsız değişken olup, erkek çocukların çalışma oranı kızlara göre daha yüksektir. Eğitimine devam etmeyen çocukların çalışma olasılığı ise artış göstermektedir. Çocukların çalışma durumu; Random Forest, XGBoost, Gradient Boosting ve SVM makine öğrenimi modelleri kullanılarak tahmin edilmiştir. Modellerin performansları; doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1 Skoru metrikleri ile değerlendirilmiştir. Random Forest ve SVM modelleri, F1 Skoru açısından en yüksek performansı göstermiştir. Elde edilen bulgular, çocuk işçiliğini etkileyen faktörlerin makine öğrenmesi modelleri ile derinlemesine anlaşılmasına katkıda bulunmakta ve uygulanacak politikaların veri temelli şekillendirilmesinin önemini vurgulamaktadır.

Anahtar Kelimeler

Makine Öğrenimi, Çocuk İşgücü Araştırması, Yönetim Bilişim Sistemleri, Mikro Veri, XGBoost

Child Labor Forecasting with TurkStat Micro Data: Performance Analysis of Machine Learning Models

Öz

The study analyzes the issue of child labor with machine learning models using the micro dataset of the Child Labor Force Survey conducted by the Turkish Statistical Institute (TurkStat) in 2019. Factors affecting child labor are identified by examining factors such as the working status, educational activities and family responsibilities of children in the 5-17 age group. Age group is the independent variable that affects the working status of children the most, and boys are more likely to work than girls. Children who do not continue their education are more likely to work. The working status of children is estimated using Random Forest, XGBoost, Gradient Boosting and SVM machine learning models. The performance of the models was evaluated with accuracy, precision, recall and F1 Score metrics. Random Forest and SVM models showed the highest performance in terms of F1 Score. The findings contribute to an in-depth understanding of the factors affecting child labor with machine learning models and emphasize the importance of shaping policies based on data.

Anahtar Kelimeler

Machine Learning, Child Labor Survey, Management Information Systems, Microdata, XGBoost

Kaynakça

• T.C. Aile Çalışma ve Sosyal Hizmetler Bakanlığı. Çocuk İşçiliği ve Eğitim Öğretmen El Kitabı. Ankara: Genel Yayın No: 72, 2018. ISBN: 978-605-7888-00-6.
• Türkiye İstatistik Kurumu. Türkiye Çocuk İşgücü Mikro Veri Seti. Ankara, 2019.
• Eşidir KA, Gür YE. Yapay sinir ağları ile Türkiye plastik sektörü ithalat tahmini: 2023 yılı Nisan-Aralık ayları. Akad Hassasiyetler. 2023;10(23):91-114.
• Zhu X, Sawhney R, Upreti G. Determinates of employee voluntary turnover and forecasting in departments: A case study. Stud Eng Technol. 2016;3(1):64-73.
• Ji H. Robustness analysis on stock market prediction method. Highl Bus Econ Manag 2023;21:791-801.
• Bae CY, Im Y, Lee J, Park C, Kim M, Kwon HU, Kim J. Comparison of biological age prediction models using clinical biomarkers commonly measured in clinical practice settings: AI techniques vs. traditional statistical methods. Front Anal Sci. 2021;1.
• Pakarinen O, Karsikas M, Reito A, Lainiala O, Neuvonen P, Eskelinen A. Prediction model for an early revision for dislocation after primary total hip arthroplasty. PLOS ONE. 2022;17(9):e0274384.
• Speer AB. Empirical attrition modelling and discrimination: Balancing validity and group differences. Hum Resour Manag J. 2021;34(1):1-19.
• Wu Y. Job embeddedness review: Presentation, measurement and development. Adv Econ Manag Pol Sci 2023;47(1):169-174.
• Çöpoğlu M. Türkiye’de Çocuk İşçiliği. Iğd Üniv Sosyal Bilim Derg. 2018;(14):357-398.
• Gül T, Öztürk M. Çocuk İşçiliğinin Nedenleri Üzerine Kavramsal Bir Çalışma. Süleyman Demirel Üniv Sosyal Bilim Enst Derg. 2020;(37):130-148.
• Tosunoğlu E, Yılmaz R, Özeren E, Sağlam Z. Eğitimde Makine Öğrenmesi: Araştırmalardaki Güncel Eğilimler Üzerine İnceleme. Ahmet Keleşoğlu Eğ Fak Derg. 2021;3(2):178-199.
• Eriş Dereli B. Çocuk istihdamını etkileyen faktörler. İstanbul Tic Üniv Sosyal Bilim Derg. 2021;20(42):1505-1519.
• Kömüryakan F, Çağlayan E. Türkiye’de Çocuk İşçiliğinin Simetrik ve Asimetrik Modeller İle Analizi: Logit, Probit, Log-Log ve Clog-Log. Hacettepe Üniv İktis İdari Bilim Fak Derg. 2022;40(4):776-798.
• Yardımcıoğlu D. Çocuk İşçiliğini Önlemeye Yönelik Yeni Bir Adım: Avrupa Parlamentosu ve Konseyi’nin Kurumsal Sürdürülebilirlik Durum Tespitine Dair Direktif Önerisi. Dicle Üniv Hukuk Fak Derg. 2023;28(48):225-276.
• Özdemir NE, Akyiğit Albayrak E, Korkutan M. Türkiye’de çocuk işçiliği: sağlık ve sosyal yaşam koşulları bağlamında bir değerlendirme. Sosyal Bilim Akademi Derg. 2024;7(1):44-66.
• Suthaharan S. Big data classification: Problems and challenges in network intrusion prediction with machine learning. ACM SIGMETRICS Perform Eval Rev. 2014;41(4):70-73.
• El Naqa I, Murphy MJ. What is machine learning? In: Machine Learning in Radiation Oncology. Springer; 2015:3-11.
• Eşidir KA, Gür YE. Multilayer Perceptron (MLP) ile Türkiye İşlenmemiş Alüminyum Sektörü İthalat Tahmini: 2023 Yılı Nisan-Aralık Ayları Dönemi Üzerine Bir İnceleme. Erciyes Üniv İktis ve İdari Bilim Fak Derg. 2024;(68):57-64.
• Gür YE. Development and application of machine learning models in US consumer price index forecasting: Analysis of a hybrid approach. Data Sci Finance Econ. 2024;4(4):469-513.
• Zeiler MD, Fergus R. Visualizing and understanding convolutional networks. In: Computer Vision – ECCV 2014. Springer; 2014:818-833.
• Gür YE. Stock price forecasting using machine learning and deep learning algorithms: A case study for the aviation industry. Fırat Üniv Müh Bilim Derg. 2024; 36(1): 25-34.
• Chen T, Guestrin C. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 2016.
• Gür YE. Forecasting the euro exchange rate using deep learning algorithms and machine learning algorithms. İstanbul Tic Üniv Sosyal Bilim Derg. 2024; 23(49): 1435-1456.
• Wang L, Wang X, Chen A, Jin X, Che H. Prediction of Type 2 Diabetes Risk and its effect evaluation based on the XGBoost model. Healthcare. 2020; 8(3): 247.
• Liang W, Luo S, Zhao G, Wu H. Predicting hard rock pillar stability using GBDT, XGBoost, and LightGBM algorithms. Mathematics. 2020; 8(5): 765.
• Oguine OC, Oguine MB. Comparative analysis and forecasting on the death rate of COVID-19 patients in Nigeria using random forest and multinomial Bayesian epidemiological models. J Clin Case Stud Rev Rep. 2021; 1-7.
• Thi Mai H. Van, Hoang Trinh S, Ly H. B. Enhancing compressive strength prediction of roller compacted concrete using machine learning techniques. Meas J Int Meas Confed. 2023; 218(February): 113196.
• Ayhan S, Erdoğmuş Ş. Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. Eskişehir Osmangazi Üniv İktis ve İdari Bilim Derg. 2014; 9(1): 175-201.
• Cao T, She D, Zhang X, Yang Z. Understanding the influencing factors and mechanisms (land use changes and check dams) controlling changes in the soil organic carbon of typical loess watersheds in China. Land Degrad Dev. 2022; 33(16): 3150-3162.
• Wen J, Zhang Y, Yang G, He Z, Zhang W. Path loss prediction based on machine learning methods for aircraft cabin environments. IEEE Access. 2019; 7: 159251-159261.
• Zhang Z, Xin Q, Li W. Machine learning‐based modeling of vegetation leaf area index and gross primary productivity across North America and comparison with a process‐based model. J Adv Model Earth Syst. 2021; 13(10).
• Eşidir KA. Türkiye’nin kimyasal madde ithalatının gelecek tahmini: Makine öğrenmesi ve topluluk öğrenme yöntemleri performans analizi. Fırat Üniv Sosyal Bilim Derg. 2025; 35(1): 261-278.