AI (YZ) Teknikleri Kullanılarak Küresel Yazılım Geliştirmede Kültürlerarası Sorunların Öngörülebilir Analizi

Abstract

Bu tezin amacı, GSD ortamında kültürel farklılıklardan kaynaklanan sorunları azaltmak için kullanılabilecek tahmini modellemenin nasıl kullanılabileceğini belirlemektir. Küresel kullanım için yazılım geliştirilirken, giderek daha fazla ekip farklı kültürel geçmişlere sahip üyelerden oluşmaktadır. Bu tür farklılıklar iletişim problemlerine neden olmakta, işe yönelik çelişkili yaklaşımlar sergilemekte ve daha zayıf projelere yol açan kafa karışıklığı yaratmaktadır. Bu çalışma, yukarıda bahsedildiği gibi önemli sorunların proje çıktılarını tehlikeye atmaması için kültürlerarası etkilerin erken tespitinde yararlı olan risk faktörlerine ulaşmaktadır. Doğrusal Regresyon, Ridge Regresyonu, Lasso Regresyonu, SVR ve XGboost algoritmaları kullanılarak testler yapılmıştır. Her modelin karşılaştırılması için Ortalama Karesel Hata (MSE), Kök Ortalama Karesel Hata (RMSE), Ortalama Mutlak Hata (MAE) ve R-kare içeren bir dizi kriter incelenmiştir. Kullanılan algoritmalar arasında Doğrusal Regresyon ile modelin yüksek doğrulukla tahmin edilebileceğini gösteren en yüksek R-kare değeri elde edilmiştir. Diğer modeller için Ridge Regresyon ve XGBoost tarafından orta düzeyde doğruluk ortaya konmuş, ancak bunların ayarlanması sonuçları çok az iyileştirmiştir. Ayrıca, yapılan analizler sonucunda Linear Regresyonun en doğru model olduğunu gösterilebilmektedir. Bu çalışma, yazılım geliştirme ekiplerinde ele alınan kültürlerarası endişeleri destekleyebilecek insan merkezli yaklaşımlara, mevcut AI-tabanlı yöntemlerin entegrasyonu için önemli çıkarımlar sunmaktadır. Çıkar çatışmaları öngörüldüğünde, ekip çalışması verimliliğini ve dolayısıyla bir projenin başarısını en üst düzeye çıkarmak için daha iyi anlayış ve iş birliği çözümlerinin kullanılması gerektiği görülmüştür. Anahtar kelimeler: Kültürlerarası Zorluklar, Küresel Yazılım Geliştirme, Tahminleme Analizi, Makine Öğrenmesi, AI-Odaklı Çözümler.The objective of this thesis is to identify predictive modelling that can be employed to mitigate problems due to cultural differences in GSD environment. When developing software for global usage, more and more teams consist of members that have different cultural backgrounds. Such differences cause communication barriers, have conflicting approaches to work, and generate confusion that results in weaker projects. The objective of this study is to arrive at risk factors useful in early detection of cross-cultural impacts so that important problems do not compromise project results. The current algorithms tested were Linear Regression, Ridge Regression, Lasso Regression, SVR, and XGboost. A set of criteria was adopted for the comparison of each model which includes Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) and R-squared. Among all, Linear Regression returned the highest value of R-squared = 0.90 which shows that the model can predict with high accuracy. As for other models, medium accuracy was revealed by both Ridge Regression and XGBoost but adjusting them boosted the results only slightly. The analysis further shows that Linear Regression is the most accurate model in this task. The work offers important implications for the integration of existing AI-based methods into human-centered approaches that can support cross cultural concerns addressed in software development teams. When conflicts of interest are foreseen, approaches for improved understanding and cooperation should be employed to increase the efficiency of the team's work and the success of a project. Keywords: Cross-Cultural Challenges, Global Software Development, Predictive Analysis, Machine Learning, AI-Driven Solutions.