Çalışmanın amacı, üniversite öğrencilerinin yapay zekâ kullanım algısıyla ilişkili bireysel faktörleri incelemektir. Akademik motivasyonun içsel ve dışsal boyutları ile öz-yeterliğin yapay zekâ kullanım algısıyla olan ilişkileri ampirik olarak analiz edilmektedir. Araştırma, geleceğin iş gücünü oluşturması beklenen üniversite öğrencileri örneklemi üzerinde yürütülmüş ve veriler çevrimiçi anket yöntemiyle 584 katılımcıdan elde edilmiştir. Veriler SPSS ve AMOS yazılımları kullanılarak analiz edilmiştir. Analiz sürecinde tanımlayıcı istatistikler, güvenirlik analizleri, regresyon analizleri ile doğrulayıcı faktör analizi ve ikinci düzey doğrulayıcı faktör analizi uygulanmıştır. Ölçeklerin yapı geçerliliği açımlayıcı ve doğrulayıcı faktör analizleriyle, güvenirliği ise Cronbach alfa katsayılarıyla değerlendirilmiştir. Verilerin normal dağılıma uygunluğu, çarpıklık ve basıklık değerleri üzerinden incelenmiştir. Elde edilen bulgular, içsel motivasyon, dışsal motivasyon ve öz-yeterliğin yapay zekâ kullanım algısıyla pozitif ve istatistiksel olarak anlamlı ilişkiler gösterdiğini ortaya koymaktadır. Regresyon analizleri, bu değişkenlerin birlikte ele alındığında yapay zekâ kullanım algısındaki varyansın anlamlı bir bölümünü açıkladığını göstermektedir. Çalışma, yapay zekâ kullanım algısını bireysel psikolojik kaynaklar üzerinden ele alarak teknoloji kabul literatüründe mikro düzeydeki açıklamalara özgün bir teorik ve yönetsel katkı sunmaktadır.
This study aims to examine the individual factors associated with university students’ perceptions of artificial intelligence (AI) use. The relationships between intrinsic and extrinsic dimensions of academic motivation, self-efficacy, and AI usage perception are analyzed empirically. The study was conducted on a sample of university students, who are expected to constitute the future workforce, and the data were collected from 584 participants through an online survey. The data were analyzed using SPSS and AMOS software. The analysis process included descriptive statistics, reliability analyses, regression analyses, confirmatory factor analysis (CFA), and second-order confirmatory factor analysis. The construct validity of the scales was assessed through exploratory and confirmatory factor analyses, while reliability was evaluated using Cronbach’s alpha coefficients. The normality of the data was examined based on skewness and kurtosis values. The findings indicate that intrinsic motivation, extrinsic motivation, and self-efficacy are positively and significantly associated with AI usage perception. Regression results further reveal that these variables jointly explain a substantial proportion of the variance in AI usage perception. By addressing AI usage perception through individual psychological resources, this study provides an original theoretical and managerial contribution to the technology acceptance literature by offering a micro-level perspective.