Hüseyin Umut Yüksel
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Hüseyin Umut Yüksel has a total of 3 co-authors. Here are the top co-authors by number of shared publications:
- Cenk Tufan
Akdeniz Universitesi
1 shared publication - Güray Tonguç
Department of Management Information Systems, Faculty of Applied Sciences, Akdeniz University, Antalya 07058, Türkiye
1 shared publication Hüseyin Umut
1 shared publication
Latest Publications
- Open Access
- 13 October 2026
- Published by Özgür Yayınları
- p. 1-28
Dijital Platformlarda Algoritmik Yönetim ve Bilgi Sistemleri Temelli Emek Kontrolü: Kavramsal Bir Çerçeve ve Teorik Bir Değerlendirme
Bu çalışma, dijital platformlarda algoritmik yönetimi Yönetim Bilişim Sistemleri (YBS) perspektifinden ele almakta ve bu sistemlerin emek süreci üzerindeki etkilerini kavramsal düzeyde incelemektedir. Gig ekonomisinin ve platform temelli çalışma ilişkilerinin yaygınlaşmasıyla birlikte, görev dağıtımı, performans değerlendirme ve çalışan davranışlarının yönlendirilmesi gibi geleneksel yönetim işlevleri giderek algoritmalar tarafından yürütülmektedir. Bu durum, algoritmaların yalnızca teknik araçlar değil, aynı zamanda örgütsel kontrolün ve güç ilişkilerinin önemli bileşenleri haline geldiğini göstermektedir. Çalışma, 2015-2025 yılları arasında YBS, dijital emek ve eleştirel yönetim literatüründe yayımlanan ampirik ve teorik araştırmaların anlatısal sentezine dayanmaktadır. Bulgular, dijital platformlarda algoritmik yönetimin dijital Taylorizm, algoritmik gözetim, performans değerlendirme sistemleri ve oyunlaştırma uygulamaları aracılığıyla çalışan davranışlarını şekillendirdiğini ortaya koymaktadır. Ayrıca platformların çalışanları “bağımsız yüklenici” olarak tanımlamasına rağmen, algoritmik denetim mekanizmalarının çalışanlar üzerinde yoğun bir kontrol oluşturduğu ve bunun dijital güvencesizlik ile sistemsel bağımlılık ilişkilerini güçlendirdiği görülmektedir. Çalışma, algoritmik yönetimi veri üretimi, kontrol mekanizmaları, çalışan deneyimi ve yönetişim sonuçları arasındaki ilişkiler üzerinden açıklayan bütünleşik bir kavramsal çerçeve önermektedir. Bu doğrultuda platform tasarımcıları, düzenleyici kurumlar ve çalışan temsilcileri için algoritmik şeffaflık, bağımsız denetim ve veri yönetişimine yönelik öneriler sunulmaktadır.
- 13 October 2026
- Published by Özgür Yayınları
- p. 1-28
Open AccessDijital Platformlarda Algoritmik Yönetim ve Bilgi Sistemleri Temelli Emek Kontrolü: Kavramsal Bir Çerçeve ve Teorik Bir Değerlendirme
Bu çalışma, dijital platformlarda algoritmik yönetimi Yönetim Bilişim Sistemleri (YBS) perspektifinden ele almakta ve bu sistemlerin emek süreci üzerindeki etkilerini kavramsal düzeyde incelemektedir. Gig ekonomisinin ve platform temelli çalışma ilişkilerinin yaygınlaşmasıyla birlikte, görev dağıtımı, performans değerlendirme ve çalışan davranışlarının yönlendirilmesi gibi geleneksel yönetim işlevleri giderek algoritmalar tarafından yürütülmektedir. Bu durum, algoritmaların yalnızca teknik araçlar değil, aynı zamanda örgütsel kontrolün ve güç ilişkilerinin önemli bileşenleri haline geldiğini göstermektedir. Çalışma, 2015-2025 yılları arasında YBS, dijital emek ve eleştirel yönetim literatüründe yayımlanan ampirik ve teorik araştırmaların anlatısal sentezine dayanmaktadır. Bulgular, dijital platformlarda algoritmik yönetimin dijital Taylorizm, algoritmik gözetim, performans değerlendirme sistemleri ve oyunlaştırma uygulamaları aracılığıyla çalışan davranışlarını şekillendirdiğini ortaya koymaktadır. Ayrıca platformların çalışanları “bağımsız yüklenici” olarak tanımlamasına rağmen, algoritmik denetim mekanizmalarının çalışanlar üzerinde yoğun bir kontrol oluşturduğu ve bunun dijital güvencesizlik ile sistemsel bağımlılık ilişkilerini güçlendirdiği görülmektedir. Çalışma, algoritmik yönetimi veri üretimi, kontrol mekanizmaları, çalışan deneyimi ve yönetişim sonuçları arasındaki ilişkiler üzerinden açıklayan bütünleşik bir kavramsal çerçeve önermektedir. Bu doğrultuda platform tasarımcıları, düzenleyici kurumlar ve çalışan temsilcileri için algoritmik şeffaflık, bağımsız denetim ve veri yönetişimine yönelik öneriler sunulmaktadır.
- 3 May 2025
- Published by El-Cezeri: Journal of Science and Engineering in El-Cezeri Fen ve Mühendislik Dergisi
- Vol. 12 (2) , 218-234
Detection Of Pufferfish Using Computer Vision And Deep Learning Methods
The opening of the Suez Canal and the construction of the Aswan Dam have significantly impacted the Mediterranean ecosystem. These changes increased species migration from the Red Sea to the Mediterranean, leading to the spread of new species, causing economic losses and threats to human health. Among these, the pufferfish is a toxic species with no natural predators and wide distribution.This study focuses on training an object detection model to identify pufferfish (Lagocephalus sceleratus) using computer vision and deep learning techniques. YOLO (You Only Look Once), a leading algorithm, was used. Training data were gathered from diving schools and instructors in the Mediterranean. Frames extracted from underwater videos were labeled to create a dataset of 2,473 images.The YOLOv8m version achieved the best result with a mAP of 96.90%. The model was better at detecting pufferfish from head and side angles. However, challenges in manual labeling, particularly with tails and fins, slightly affected the model’s focus.This study’s findings could help control pufferfish populations using underwater robots and automated systems, contributing to ecological balance. Derived from the first author's master's thesis at Akdeniz University, it offers a foundation for future sustainable solutions.
- 3 May 2025
- Published by El-Cezeri: Journal of Science and Engineering in El-Cezeri Fen ve Mühendislik Dergisi
- Vol. 12 (2) , 218-234
Detection Of Pufferfish Using Computer Vision And Deep Learning Methods
The opening of the Suez Canal and the construction of the Aswan Dam have significantly impacted the Mediterranean ecosystem. These changes increased species migration from the Red Sea to the Mediterranean, leading to the spread of new species, causing economic losses and threats to human health. Among these, the pufferfish is a toxic species with no natural predators and wide distribution.This study focuses on training an object detection model to identify pufferfish (Lagocephalus sceleratus) using computer vision and deep learning techniques. YOLO (You Only Look Once), a leading algorithm, was used. Training data were gathered from diving schools and instructors in the Mediterranean. Frames extracted from underwater videos were labeled to create a dataset of 2,473 images.The YOLOv8m version achieved the best result with a mAP of 96.90%. The model was better at detecting pufferfish from head and side angles. However, challenges in manual labeling, particularly with tails and fins, slightly affected the model’s focus.This study’s findings could help control pufferfish populations using underwater robots and automated systems, contributing to ecological balance. Derived from the first author's master's thesis at Akdeniz University, it offers a foundation for future sustainable solutions.