SavedAdd your journal

Journals / Bilişim Teknolojileri Dergisi / 2026 / Cilt: 19 Sayı: 1

Career Guidance Based on Vocational Personality Profiles and Personality Traits of High School Students Using Data Mining Techniques: Machine Learning

Veri Madenciliği Teknikleri Kullanılarak Lise Öğrencilerinin Mesleki Kişilik Profilleri ve Kişilik Özelliklerine Dayalı Kariyer Yönlendirme: Makine Öğrenmesi

Murat Urfalıoğlu(BOLU ABANT İZZET BAYSAL ÜNİVERSİTESİ, GEREDE UYGULAMALI BİLİMLER FAKÜLTESİ)0000-0002-2893-8135
Nuray Aşantuğrul(AMASYA ÜNİVERSİTESİ)0000-0002-6685-8734
Pages
11–24
Publication Date
2026-01-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

These results support the development of AI-based student guidance systems and data-driven career counseling applications.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The aim of this study is to develop a machine learning–based classification model to guide high school students toward appropriate faculties based on their vocational personality profiles, Big Five personality traits, and demographic characteristics.
📊
Key Findings & Data:The model was trained using data obtained from university students with a grade point average of 2.5 or higher.
💡
Conclusion & Impact:These results support the development of AI-based student guidance systems and data-driven career counseling applications.
🔬Design:Modeling & Simulation
📍Scope:2024–2025 Verileri
⚙️Variables:makine öğrenmesi · fakülte tahmini · kariyer yönlendirme

Abstract

The aim of this study is to develop a machine learning–based classification model to guide high school students toward appropriate faculties based on their vocational personality profiles, Big Five personality traits, and demographic characteristics. The model was trained using data obtained from university students with a grade point average of 2.5 or higher. Since these students have already selected a bachelor’s program and achieved a certain level of academic success, they were considered a suitable group for predicting potential vocational orientations at the high school level. The study sample consisted of 877 university students (502 female, 375 male) enrolled in different faculties during the 2024–2025 academic year and selected through convenience sampling. Data were collected using a Personal Information Form, the Big Five Personality Scale, and the Vocational Personality Types Inventory, resulting in 51 attributes. Using WEKA 3.9.5, Random Forest, SMO (SVM), Naive Bayes, J48, and IBk (k-NN) algorithms were applied and compared. The findings showed that Random Forest achieved the best performance, with an accuracy of 87.6% and an F1 score of 0.867. Feature importance analysis indicated that family characteristics, academic background, and vocational personality types were the most influential factors. These results support the development of AI-based student guidance systems and data-driven career counseling applications.

Özet

Bu çalışmanın amacı, lise öğrencilerini mesleki kişilik profilleri, beş faktör kişilik özellikleri ve demografik özelliklerine göre uygun fakültelere yönlendirecek makine öğrenmesi tabanlı bir sınıflandırma modeli geliştirmektir. Modelde genel not ortalaması 2.5 ve üzeri olan üniversite öğrencilerinden elde edilen veriler kullanılmıştır. Üniversite öğrencileri, lisans programlarını seçmiş ve bu alanda belirli bir başarı düzeyine ulaşmış olmaları nedeniyle, lise öğrencilerinin potansiyel mesleki yönelimlerini tahmin edebilecek bir grup olarak değerlendirilmiştir. Böylece geliştirilen modelin, lise düzeyinde uygulanabilecek öngörüsel bir yönlendirme aracı olarak kullanılabilmesi amaçlanmıştır. Araştırmanın çalışma grubunu 2024-2025 eğitim-öğretim yılında farklı fakültelerde öğrenim görmekte olan ve uygun örnekleme yöntemiyle belirlenen 877 üniversite öğrencisi (502’si kadın, 375’i erkek) oluşturmaktadır. Araştırmada veriler Kişisel Bilgi Formu, Beş Faktör Kişilik Ölçeği ve Mesleki Kişilik Tipleri Envanteri ile toplanmıştır. Elde edilen veri setinde toplam 51 öznitelik bulunmaktadır. WEKA 3.9.5 yazılımı kullanılarak Random Forest, SMO (SVM), Naive Bayes, J48 ve IBk (k-NN) algoritmaları uygulanmış ve performans ölçütleri karşılaştırılmıştır. Bulgular, Random Forest algoritması %87.6 doğruluk ve 0.867 F1 skor değeri ile en başarılı model olduğunu göstermiştir. Ayrıca öznitelik önem analizi sonuçları, fakülte yerleşiminde aile özellikleri, akademik geçmiş ve mesleki kişilik tiplerinin belirleyici değişkenler olduğunu ortaya koymuştur. Araştırma sonuçları, yapay zekâ destekli öğrenci yönlendirme sistemlerinin geliştirilmesine ve veri temelli kariyer danışmanlığı uygulamalarına katkı sağlamaktadır.

🔖

Cite This Article

Urfalıoğlu, M., Aşantuğrul, N. (2026). Career Guidance Based on Vocational Personality Profiles and Personality Traits of High School Students Using Data Mining Techniques: Machine Learning. Bilişim Teknolojileri Dergisi, Cilt: 19 Sayı: 1, 11–24. https://doi.org/10.17671/gazibtd.1719617

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (65)

  1. E. Yanıkkerem, S. Altınparmak, G. Karadeniz, “Gençlerin meslek seçimini etkileyen faktörler ve benlik saygıları”, Nursing Forum Dergisi, 7(2), 61–62, 2004.
  2. R. L. Atkinson, R. C. Atkinson, E. E. Smith, D. J. Bem, S. Hoeksema, Psikolojiye Giriş, Arkadaş Yayınları, İstanbul, 1999.
  3. E. Köroğlu, S. Bayraktar, Kişilik Bozuklukları, HYB Basım Yayın, Ankara, 2011.
  4. J. M. Burger, Kişilik: Psikoloji Biliminin İnsan Doğasına Dair Söyledikleri, İ. D. Ergüvan Sarıoğlu (Çev.), Kaknüs Yayınları, İstanbul, 2006.
  5. R. R. McCrae, P. T. Costa, “Four ways five factors are basic”, Personality and Individual Differences, 13(6), 653–665, 1992.
  6. L. R. Goldberg, “An alternative “description of personality”: The Big Five factor structure”, Journal of Personality and Social Psychology, 59, 1216–1229, 1990.
  7. V. Cosmas, “Personality traits and career preferences among secondary school students in Tanzania: A match within ıntrovert- extrovert and agreeable-less-agreeable traits”, Proceedings of the 1st International Conference of Education, 2023.
  8. Ö. Söner, O. Yılmaz, “How do personality traits influence adolescents’ career anxiety and selfefficacy in making career decisions?” Journal of Teacher Education and Lifelong Learning, 4(2), 110-123, 2022.
  9. Ö, Üfelek, E. Yavuz, “Kişilik tipleri ile kariyer algısı ve seçimi arasındaki ilişkinin incelenmesi”. Journal of Recreation and Tourism Research, 8(3), 289–313, 2021.
  10. S. Yüksel, E. Polat, S. Sağ, “Öğrencilerde kişilik tipleri ve kariyer kararı: spor bilimleri ve diğer bölüm öğrencilerinin özellikleri üzerine bir inceleme.” Uluslararası Bozok Spor Bilimleri Dergisi, 5(3), 286-298, 2024.
  11. F. Bacanlı, “Özellik-Faktör Uyumlu Kuramlar”, In B. Yeşilyaprak (Ed.), Mesleki Rehberlik ve Kariyer Danışmanlığı: Kuramdan Uygulamaya, Pegem Akademi, Ankara, 2014.
  12. J. Rayman, L. Atanasoff, “Holland’s theory and career intervention: The power of the hexagon”, Journal of Vocational Behavior, 55(1), 114–126, 1999.
  13. D. M. Dozier, B. L. Sha, H. Shen, “Why women earn less than men: The cost of gender discrimination in U.S. public relations”, Public Relations Journal, 7(1), 1–21, 2013.
  14. J. L. Holland, “Exploring careers with a typology: What we have learned and some new directions”, American Psychologist, 51(4), 397–406, 1996.
  15. R. S. Sharf, Applying Career Development Theory to Counseling, 6. cilt, Brooks/Cole, Belmont, CA, 2013.
  16. S. G. Niles, J. Harris Bowlsbey, 21. Yüzyılda Kariyer Gelişimi Müdahaleleri, F. K. Owen (Çev.), Nobel Akademik, Ankara, 2013.
  17. M. M. Nauta, “Holland’s Theory of Vocational Choice and Adjustment”, In S. D. Brown & R. W. Lent (Eds.), Career Development and Counseling: Putting Theory and Research to Work, 2. cilt, John Wiley & Sons, Hoboken, NJ, 55–82, 2013. B. Yeşilyaprak, 21. Yüzyılda Eğitimde Rehberlik Hizmetleri, Nobel Akademik, Ankara, 2013.
  18. H. Al Sahaf, Y. Bi, Q. Chen, A. Lensen, Y. Mei, Y. Sun, B. Tran, B. Xue, M. Zhang, “A survey on evolutionary machine learning”, Journal of the Royal Society of New Zealand, 49, 205–228, 2019.
  19. M. Jordan, T. Mitchell, “Machine learning: Trends, perspectives, and prospects”, Science, 349, 255–260, 2015.
  20. D. Lary, A. Alavi, A. Gandomi, A. Walker, “Machine learning in geosciences and remote sensing”, Geoscience Frontiers, 7, 3–10, 2016.
  21. Q. C. Song, H. J. Shin, C. Tang, A. Hanna, T. Behrend, “Investigating machine learning’s capacity to enhance the prediction of career choices” Personnel Psychology, 77(2), 295–319, 2022.
  22. P. Bahalkar, P. Peddi, S. Jain, “AI-driven career guidance system: A predictive model for student subject recommendations based on academic performance and aspirations”, Frontiers in Health Informatics, 13(3), 2676-7104, 2024.
  23. P. Shahane, P. Rinke, T. Datar, S. Badjate, “Student’s career ınterest prediction using machine learning” International Research Journal of Engineering and Technology (IRJET), 9(11), 533-539, 2022.
  24. G. Akçapınar, E. Coşgun, “Öğrencilerin STEM eğitimi tercihlerinin veri madenciliği yaklaşımı ile tahmin edilmesi”, Eğitim Teknolojisi Kuram ve Uygulama, 9(1), 73–88, 2019.
  25. E. Özeren, T. Çiloğlu, R. Yılmaz, A. Özeren, “Öğrencilerin akademik kariyer hedefi seçiminde etkili olan faktörlerin veri madenciliği yöntemi ile belirlenmesi: Bartın başarı takip araştırması sonuçları üzerine bir inceleme”, Bilgi ve İletişim Teknolojileri Dergisi, 2(2), 182–210, 2020.
  26. E. Altunbaş, C. Altıntaş “Bilgisayar bölümü öğrencileri için makine öğrenme algoritmaları ile kariyer önerisi ve açıklanabilir yapay zeka ile değerlendirilmesi”, Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi, 9(1), 133 –149, 2025.
  27. D. Hand, H. Mannila, P. Smyth, “Principles of data mining”, Drug Safety, 30, 621–622, 2001.
  28. N. Chawla, “Verilerde bilgiyi keşfetmek: Veri madenciliğine giriş”, Biyoenformatikte Brifingler, 6, 411–412, 2005.
  29. H. Akpınar, “Veritabanlarında bilgi keşfi ve veri madenciliği”, İ.Ü. İşletme Fakültesi Dergisi, 29(1), 1–22, 2000.
  30. Ş. Büyüköztürk, E. K. Çakmak, Ö. E. Akgün, Ş. Karadeniz, F. Demirel, Bilimsel Araştırma Yöntemleri, 17. baskı, Pegem Akademi Yayıncılık, Ankara, 2014.
  31. T. M. Mitchell, Machine Learning, McGraw Hill, New York, 1997.
  32. M. B. Horzum, T. Ayas, M. A. Padır, “Beş Faktör Kişilik Ölçeğinin Türk Kültürüne Uyarlanması”, Sakarya University Journal of Education, 7(2), 398–408, 2017.
  33. A. Atlı, G. Keldal, “Mesleki kişilik tipleri envanterinin geliştirilmesi”, Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 18(1), 73–93, 2017.
  34. B. Rammstedt, O. P. John, “Measuring personality in one minute or less: A 10 item short version of the Big Five Inventory in English and German”, Journal of Research in Personality, 41, 203–212, 2007.
  35. H. W. Marsh, K. T. Hau, C. Artelt, J. Baumert, J. L. Peschar, “OECD’s brief self report measure of educational psychology’s most useful affective constructs: Cross cultural, psychometric comparisons across 25 countries”, International Journal of Testing, 6(4), 311–360, 2006.
  36. K. Schermelleh Engel, H. Moosbrugger, H. Müller, “Evaluating the fit of structural equation models: Tests of significance and descriptive goodness of fit measures”, Methods of Psychological Research Online, 8(2), 23–74, 2003.
  37. I. H. Witten, E. Frank, M. A. Hall, Data mining: Practical machine learning tools and techniques, 3rd ed., Morgan Kaufmann Publishers, Burlington, MA, 2011.
  38. J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, San Mateo, CA, 1993.
  39. L. Breiman, “Random forests”, Machine Learning, 45(1), 5–32, 2001.
  40. G. I. Webb, “Naïve Bayes”, In C. Sammut & G. I. Webb (Eds.), Encyclopedia of Machine Learning and Data Mining, Springer, 2017.
  41. I. H. Witten, E. Frank, M. A. Hall, C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4. cilt, Morgan Kaufmann Publishers, Cambridge, MA, 2016.
  42. J. C. Platt, Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines, Technical Report MSR-TR-98-14, Microsoft Research, 1998.
  43. M. Heydarian, T. Doyle, R. Samavi, “MLCM: Multi label confusion matrix”, IEEE Access, 10, 19083–19095, 2022.
  44. Internet: T.C. Millî Eğitim Bakanlığı, Okul Türleri, https://ogm.meb.gov.tr/meb_iys_dosyalar/2021_12/09162636_Okul_Turleri.pdf, 01.06.2025.
  45. J. R. Landis, G. G. Koch, “The measurement of observer agreement for categorical data”, Biometrics, 33(1), 159–174, 1977.
  46. L. Breiman, Manual on Setting Up, Using, and Understanding Random Forests V3.1, Statistics Department, University of California, Berkeley, CA, 2002.
  47. G. Louppe, L. Wehenkel, A. Sutera, P. Geurts, “Understanding variable importances in forests of randomized trees”, In Advances in Neural Information Processing Systems, Vol. 26, pp. 431–439, 2013.
  48. C. Beaulac, J. S. Rosenthal, “Predicting university students’ academic success and major using random forests”, arXiv preprint arXiv:1802.03418v3, 15 January 2019.
  49. C. U. Betrand, O. B. Aliche, C. G. Onukwugha, C. I. Ofoegbu, D. A. Kelechi, I. C. Ugbor, N. M. Oragba, “Career guidance system using decision tree, random forest, and naïve Bayes algorithm”, International Journal of Science, Technology and Society, 13(2), 35–42, 2025.
  50. S. Çınaroğlu, K. Avcı, “Dünya Sağlık Örgütü’ne üye ülkelerin doğumda beklenen yaşam süresi bakımından veri madenciliği yöntemleri kullanılarak sınıflandırılması”, Istanbul University Econometrics and Statistics e Journal, (20), 88–103, 2014.
  51. N. Karakurt, H. Özkan, “Öğrencilerin akademik başarısını etkileyen demografik değişkenlerin eğitsel veri madenciliği ile incelenmesi”, Elektronik Eğitim Bilimleri Dergisi, 13(25), 16–33, 2024.
  52. B. Y. Korkmaz, U. Özcan, “Bir havayolu işletmesinde kabin ekiplerinin performans değerlendirmesine ilişkin bir veri madenciliği uygulaması”, Karadeniz Fen Bilimleri Dergisi, 8(2), 154–170, 2018.
  53. B. Frénay, M. Verleysen, “Classification in the presence of label noise: A survey”, IEEE Transactions on Neural Networks and Learning Systems, 25(5), 845–869, 2014.
  54. A. Lyutov, Y. Uygun, M. T. Hütt, “Machine learning misclassification of academic publications reveals non trivial interdependencies of scientific disciplines”, Scientometrics, 126, 1173–1186, 2021.
  55. B. E. Çapan, F. Korkut Owen, “Çocukların kendilik değerini geliştirmede kendilik değeri geliştirme programı ve sosyal ve duygusal eğitim programının etkililiği”, Elektronik Sosyal Bilimler Dergisi, 16(62), 756–769, 2017.
  56. A. Soysal, K. Arıcıoğulları, “Meslek seçiminde yeterlilik ve meslek seçimini etkileyen faktörler: Sağlık yönetimi öğrencileri üzerinde bir araştırma”, Kahramanmaraş Sütçü İmam Üniversitesi Sosyal Bilimler Dergisi, 18(3), 2138–2153, 2021.
  57. F. Vurucu, Meslek Lisesi Öğrencilerinin Meslek Seçimi Yeterliliği ve Meslek Seçimini Etkileyen Faktörler, Yüksek Lisans Tezi, Yeditepe Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul, 2010.
  58. İ. A. Yılmaz, B. Dursun, K. Pektaş, A. Altay, “Üniversite öğrencilerinin kariyer seçimlerinin demografik özellikler açısından incelenmesi: Pınarhisar MYO örneği”, Electronic Journal of Vocational Colleges, 2(2), 9–21, 2012.
  59. Y. Z. Ayık, A. Özdemir, U. Yavuz, “Lise türü ve mezuniyet başarısının kazanılan fakülte ile ilişkisinin veri madenciliği tekniği ile analizi”, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2), 441–454, 2007.
  60. J. R. Rico-Juan, C. Cachero, H. Macià, “Study regarding the influence of a student’s personality and an LMS usage profile on learning performance using machine learning techniques”, Applied Intelligence, 54, 6175–6197, 2024.
  61. B. Erdem, M. F. Kayran, “Balıkesir Üniversitesi Turizm İşletmeciliği ve Otelcilik Yüksekokulu öğrencilerinin meslek seçimini etkileyen faktörler üzerine bir araştırma”, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 14(1), 81–106, 2013.
  62. Ö. Köroğlu, “Meslek seçimi ile kişilik özellikleri arasında ilişkinin belirlenmesi: Turizm rehberliği öğrencileri üzerine bir araştırma”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(2), 137–157, 2014.
  63. N. Usslepp, N. Hübner, G. Stoll, M. Spengler, U. Trautwein, B. Nagengast, “RIASEC interests and the Big Five personality traits matter for life success-But do they already matter for educational track choices?” Journal of Personality, 88(5), 1007-1024, 2020.
  64. G. Stoll, S. Rieger, o. Lüdtke, B. Nagengast, U. Trautwein, B. W. Roberts, “Vocational interests assessed at the end of high school predict life outcomes assessed 10 years later over and above IQ and Big Five personality trait”, Journal of Personality and Social Psychology, 113(1),167-184, 2017.
  65. P. M. Podsakoff, S. B. MacKenzie, J.-Y. Lee, N. P. Podsakoff, “Common method biases in behavioral research: a critical review of the literature and recommended remedies”, Journal of Applied Psychology, 88 (5): 879-903, 2003.