BibTex RIS Cite

-

Year 2014, Volume: 10 Issue: 4, 885 - 917, 04.09.2014

Abstract

Literature has a rich research repertoire investigating determinants of individual technology acceptance and use. Despite its acknowledged importance for successful technology integration, research on teachers’ technology acceptance is rather limited. This study aims to report procedures undertaken through development of “technology acceptance measure for teachers”. Researchers began by investigating technology acceptance theories and factor structures of scales based on these theories. Confirmatory statistical procedures conducted with three different samples (n1=436, n2=440, n3=2122) resulted in a 37item scale structured around 11 factors: Perceived usefulness, perceived ease of use, attitude towards use, subjective norms, self-efficacy, facilitating conditions, technological complexity, anxiety, perceived enjoyment, compatibility, behavioural intention. The fit of measurement model was tested using SPSS AMOS 21. Data passed both univariate and multivariate normality tests. Measurement model was tested using absolute, parsimony and comparative fit indexes. Furthermore, validity of the model was tested using two-staged convergent and discriminant validity procedures. The factor structure of measurement model was investigated through confirmatory factor analysis in which alternative models were investigated and measurement invariance for subgroups was tested. Consequently, Teacher Technology Acceptance Measure (T-TAM) scale’s statistical model was thoroughly investigated through parsimonious statistical procedures. The model’s explanation power is expected to change with respect to sample characteristics. Researchers suggest further administrations with different sample characteristics to foster estimation power and validity of the measurement model.

References

  • χ 2 951,953 Anlamlı Değil Klem (2000), Kline (2005), McDonald and Ho (2002) p < 0.05
  • χ 2 / df 1,658 < 3 Gefen, Karahanna, and Straub (2003)
  • SRMR 0.0408 < 0.05 Klem (2000), McDonald and Ho (2002)
  • RMSEA 0.039 < 0.05 (mükemmel uyum) McDonald and Ho (2002) (0.034, 0.043) < 0.08 (düşük uyum)
  • CFI 0.965 =>0.90 Klem (2000), McDonald and Ho (2002), TLI 0.959 =>0.90 Klem (2000), McDonald and Ho (2002) Koeske (1994), DFA’da geçerlik kavramını sonuçların geçerliği ve ölçümlerin geçerliği olmak üzere iki bölüme ayırmıştır. Sonuçların geçerliği, araştırmanın bulgularına yönelik yapılan yorumlarla ilgilenirken ölçümlerin geçerliği ise kurulan model sonucunda elde edilen ölçeğin sahip olduğu bir takım özelliklerinin geçerliliği üzerine yoğunlaşır (Harrington, 2009). DFA’da araştırmacı için sunulan bir avantaj da modelin geçerliğini farklı faktör yapılarındaki modeller ile karşılaştırılmaya imkân sağlamasıdır. 11 faktörden oluşan Ö-TKÖ beş farklı model için test edilmiş ve ilgili sonuçlar Tablo 4’de sunulmuştur. Boş model her bir maddenin kendi başına bir faktör oluşturduğu ve bunların ilişkisiz olduklarını varsayan modeldir. Tek Faktörlü Model bütün maddelerin tek bir faktör altında toplandığını varsayan modeldir. İlişkisiz Model araştırmacılarca tanımlanan modelde faktörlerin ilişkisiz olduğunu varsayan modeldir. Kuramsanan Model ise tam olarak araştırmacılarca tanımlanan modeldir. Son olarak, İkinci Düzey DFA Modeli ise araştırmacılarca tanımlanan modeldeki faktörlerin tekil bir faktör tarafından yordandığını varsayan modeldir. Sonuçlar uyumu en yüksek olan modelin araştırmacılarca kuramsanan model olduğunu göstermektedir. Böylece ölçek; AK (4 madde), AKK (3 madde), AE (4 madde), K 3 madde), DN (4 madde), U (3 madde), TK (3 madde), ÖN (3 madde), KD (3 madde), KYT (4 madde) ve Ö (3 madde) faktörlerinden oluşmuştur. Tablo Alternatif Modeller İçin DFA
  • Model χ 2 Df χ 2 /df TLI CFI RMSEA SRMR Boş Model 114120 666 224 ----.192 --Tek Faktörlü Model 50881 629 092 .563 .587 .127 .111
  • İlşkisiz Model 34686 629 422 .727 .723 .100 .318
  • Kuramsanan Model 9953 574 658 .965 .959 .039 .040
  • İkinci Düzey DFA Modeli 15887 618 842 .909 .915 .058 .080
  • Yakınsak Geçerliği Bir ölçeğin maddelerine verilen cevaplara ilişkin yakınsak geçerliliği elde etmek amacıyla Fornell ve Larcker (1981) üç aşamadan oluşan bir yöntem önermişlerdir. Bu aşamalar;  Ölçekte yer alan her bir yapıya ilişkin maddelerin güvenirliği,  Her bir yapıya ilişkin birleşik güvenirliği (composite reliability) ve  Ortalama açıklanan varyans (average variance extracted – AVE)’dir. İlk olarak bir maddenin güvenirliği onun yer aldığı faktördeki faktör yük değeri ile belirlenir. Bir maddenin faktör yük değeri 0.50 den büyük ise o madde için güvenilir olduğu söylenebilir (Hair vd., 2006)’ya göre). Bu çalışmada tüm gruplara ait faktör yük değerleri 0.67 ile 0.93 arasında değişmektedir. Böylece her bir yapıya ilişkin madde düzeyinde yakınsaklık geçerliğinin sağlandığı tespit edilmiştir. İkinci olarak, her bir yapının birleşik güvenirliğine bakılmıştır. Daha önce tamamlanan bazı araştırmalarda birleşik güvenirliğin Cronbach’ın alfa katsayısından elde edilmesine rağmen Hair ve diğerleri (2006), her bir yapıya ilişkin güvenirliğin hesaplanmasında birleşik güvenirliğin kullanılmasını tavsiye etmiştirler. Nunnally ve Berstein (1994) birleşik güvenirlilik değeri katsayısının CR alfa değerinin 0.70 ve üstünde olduğunda birleşik güvenirliğinin sağlandığını işaret etmişlerdir. Bu araştırmada her bir yapıya ilişkin hesaplanan birleşik güvenirliği değerleri 0.802 ile 0.912 arasında değişmektedir. Yakınsak geçerliliğine ilişkin son gösterge olarak açıklanan ortalama varyans hesaplanmıştır. Açıklanan ortalama varyans, her bir yapıya ilişkin değerler için ayrı ayrı hesaplanmıştır. Bu değerin 0.50 ye eşit ve yüksek olması beklenir (Fornell ve Larcker, 1981). Aksi takdirde faktörün %50 den fazlasının açıklanamadığı ve yüksek oranda ölçüm hatası içerdiğini gösterir (Segars, 1997). Araştırmada bütün gruplara ilişkin açıklanan ortalama varyans değerleri 0.576 ile 0.724 arasında değişmektedir. Ek olarak ölçme aracının faktör yapılarının yakınsaklık geçerliğinin sağladığı Tablo 5’de gösterilmiştir.
  • Tablo Ölçüm Modeli Sonuçları Faktör Adı Madde Faktör yükü (>50) a Açıklanan Ortalama Varyans AVE(>50) a Birleşme Güvenirliği (CR)(>0.70) a AK 0.696 0.901 AK3 0.90 AK1 0.85 AK2 0.76 AK4 0.82 AKK 0.707 0.878 AKK2 0.89 AKK4 0.80 AKK1 0.83 AE 0.724 0.912 AE3 0.79 AE5 0.91 AE4 0.93 AE2 0.76 K 0.618 0.828 K3 0.87 K1 0.77 K4 0.71 DN 0.685 0.897 DN3 0.79 DN4 0.85 DN2 0.85 DN1 0.81 U 0.619 0.828 U2 0.76 U4 0.71 U3 0.88 TK 0.629 0.835 TK2 0.71 TK3 0.88 TK4 0.78 ÖN 0.589 0.811 ÖN4 0.72 ÖN1 0.79 ÖN2 0.79 KD 0.626 0.832 KD2 0.70 KD3 0.90 KD4 0.76 KYT 0.685 0.896 KYT5 0.87 KYT4 0.87 KYT2 0.71 KYT3 0.85 Ayırma Geçerliği Ayırma geçerliği, bir DFA modelinde yer alan faktörlerin ne derecede ayrıştığını ya da aralarındaki farklılaşmayı belirler. Farrell (2010) bu durumu A, B, C, D gibi dört faktörden oluşan bir ölçme aracının her hangi bir faktörünün diğerlerinden ne kadar ayrıştığının ölçüsü olarak tanımlamıştır. Başka bir ifadeyle, bir yapıyı ölçen alt boyutların bu yapının birer parçası olabilmesi için kendi aralarında belirli düzeyde korelasyonlarının olması diğer taraftan her bir boyutun tek başına var olabilmesi için de birbirlerine benzememesi yani ayrışması gerekmektedir. Ayırma geçerliği, bir yapıya ait ortalama açıklanan varyansın karekökü ile o yapının diğer yapılarla olan korelasyon katsayısının karşılaştırılması ile değerlendirilir. Her bir yapıya ait korelasyon ve açıklanan ortak varyans değerleri Tablo 6’da gösterilmiştir. Tabloda yer alan köşegen üzerinde yer alan ve parantez içerisinde belirtilen değerler her bir yapıya ait açıklanan varyansın karekök değerleridir. Köşegen dışındaki satır ve sütunlarda yer alan değerler ise faktörler arasındaki korelasyonlardır. Ayırma geçerliliğinden bahsedebilmemiz için köşegenler üzerinde yer alan değerlerin kendi satır ve sütun değerlerinden büyük olması gerekmektedir (Fornell ve Larcker, 1981). Sonuç olarak ayırma geçerliğin sağlandığı görülmektedir. Tablo Ölçüm Modeli İçin Ayırma Geçerliği AK AKK AE K DN U TK ÖN KD KYT ÖY AK (0,83) AKK 0,54 * (0,84) AE 0,57 * 0,55 * (0,85)
  • K -0,30 * -0,55 * -0,33 * (0,78) DN 0,73 * 0,57 * 0,72 * -0,30 * (0,82) U 0,58 * 0,39 * 0,63 * -0,12 * 0,65 * (0,78) TK -0,28 * -0,47 * -0,31 * 0,65 * -0,26 * -0,18 * (0,79) ÖN 0,32 * 0,26 * 0,45 * -0,02 0,45 * 0,55 * -0,107 (0,76) KD 0,25 * 0,27 * 0,27 * -0,15 0,22 * 0,21 * -0,109 0,18 * (0,79) KYT 0,77 * 0,54 * 0,66 * -0,30 * 0,88 * 0,68 * -0,26 * 0,39 * 0,21 * (0,82) ÖY 0,48 * 0,65 * 0,70 * -0,49 * 0,57 * 0,46 * -0,38 * 0,43 * 0,32 * 0,58 * (0,75) * p < 0,001 Akbaba-Altun, S. (2004). Information technology classrooms and elementary school principals’ roles: Turkish experience. Education and Information Technologies 9(3), 225–270.
  • Agarwal, R. ve Prasad, J. (1999). Are individual differences germane to the acceptance of new information technologies? Decision Sciences, 30(2), 3613
  • Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.
  • Bandura, A. (1986). Social Foundations of Thought and Action: A Social Cognitive Theory, NJ: Prentice Hall, Englewood Cliffs.
  • Baylor, A. ve Ritchie, D. (2002). What factors facilitate teacher skill, teacher morale, and perceived student learning in technology-using classrooms? Journal of Computers & Education, 39(4), 395–414.
  • Becker, H. J. (2001). How are teachers using computers in instruction? Paper presented at the Annual Meeting of the American Educational Researchers Association, Seattle, WA
  • Blunch, N.J. (2011). Introduction to Structural Equation Modelling using SPSS and AMOS, Sage Publications, London.
  • Brown, T. (2006). Confirmatory factor analysis for applied research. Guildford Press, New York.
  • Byrne, B. M. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming(Second Edition). Taylor and Francis Group, New York.
  • Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1, 245-276.
  • Chen, F., Looi, C. ve Chen, W. (2009). Integrating technology in the classroom: A visual conceptualization of teachers’ knowledge, goals and beliefs. Journal of Computer Assisted Learning, 25(5), 470-488.
  • Chen, L., Gillenson, M.L. ve Sherrell, D.L. (2002). Enticing online consumers: An extended technology acceptance perspective. Information & Management, 39(8), 705-719.
  • Cheung, G. W. ve Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 2332
  • Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
  • Davis, F. D. (1986). A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Result, (Doctoral dissertation). Sloan School of Management: Massachusetts Institute of Technology
  • Davis, F. D., Bagozzi, R. P. ve Warshaw, P. R. (1989). User Acceptance of Computer Technology: a Comparison of Two Theoretical Models. Management Science, 35(8), 982-1003.
  • Davis, F., Bagozzi, R. ve Warshaw, P. (1992). Extrinsic and Intrinsic Motivation to use Computers in the Workplace. Journal of Applied Social Psychology, 22(14), 1111-1132.
  • Demiraslan, Y. ve Usluel, Y. K. (2005). Bilgi ve iletişim teknolojilerinin öğrenmeöğretme sürecine entegrasyonunda öğretmenlerin durumu, The Turkish Online Journal of Educational Technology - TOJET, 4(3), 109-113.
  • Ertmer, P. A. ve Hruskocy, C. (1999). Impacts of a university-elementary school partnership designed to support technology integration. Educational Technology Research and Development, 47(1), 81-96.
  • Farrell AM (2010) Insufficient Discriminant Validity: A Comment on Bove, Beatty, Pervan and Shiu (2009). Journal of Business Research, 63(3), 324-327.
  • Field, A. (2009). Discovering Statistics Using SPSS: Introducing Statistical Method (3rd ed.). Thousand Oaks, CA: Sage Publications.
  • Fishbein, M. ve Ajzen, I. (1975). Belief, Attitude, Intention and Behavior: An Introduction to Theory and Research. Reading, MA: Addison-Wesley.
  • Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 48, 39–50.
  • Fullan. M.(2007). The New Meaning of Educational Change. Fourth Edition. Teachers’ College Press, New York.
  • Gülbahar, Y. (2008). Improving the technology integration skills of prospective teachers through practice: A case study. Turkish Online Journal of Educational Technology, 7(4), 1-11.
  • Hair, J. F., Jr., Black, W. C., Babin, B. J. ve Anderson, R. E. (2005). Multivariate data analysis (6th ed.). NY: Prentice Hall.
  • Harrington, D. (2009). Confirmatory factor analysis. NY: Oxford University Press, New York.
  • Hu, P. J., Clark, T. H. K. ve Ma, W.W. (2003). Examining technology acceptence by school teachers: a logtudial study. Information & Manegement, 41(2), 227-2
  • Jolliffe, I. T. (2002). Principal component analysis. 2nd Edn., Springer-Verlag: New York.
  • Kadijevich, D. (2006). Achieving educational technology standards: The relationship between student teacher's interest and institutional support offered. Journal of Computer Assisted Learning, 22(6), 437-443
  • Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20, 141-151.
  • King, W. R. ve He, J. (2006). A meta-analysis of the technology acceptance model. Information & Management, 43(6), 740-755.
  • Kline, P. (1999). The handbook of psychological testing (2nd ed). Routledge, London.
  • Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). Guilford Press, New York.
  • Knight, C. M., Knight, B. A. ve Teghe, D. (2006). Releasing the pedagogical power of information and communication technology for learners: A case study, International Journal of Education and Development using Information and Communication Technology, 2(2), 27-34.
  • Koeske, G. F. (1994). Some recommendations for improving measurement validation in social work research. Journal of Social Service Research, 18, 43Lee, S. Y. ve Song, X. Y. (2004). Evaluation of the Bayesian and maximum likelihood approaches in analyzing structural equation models with small sample sizes. Multivariate Behavioral Research, 39, 653-686.
  • Legris, P., Ingham, J. ve Collerette, P. (2003). Why do people use information technology? A critical review of the technology acceptance model. Information & Management, 40(3), 191-204.
  • Lim, C. P., ve Khine, M. S. (2006). Managing teachers’ barriers to ICT integration in Singapore schools. Journal of Technology and Teacher Education, 14(1), 97–125.
  • Lim, C. P. ve Chai, C. S. (2008). Rethinking Classroom-Oriented Instructional Development Models to Mediate Instructional Planning in Technology Enhanced Learning Environments. Teaching and Teacher Education, 24(8), 2002-2013.
  • Lowther, D. L., Inan, F. A., Strahl, J. D. ve Ross, S. M. (2008). Does technology integration “work” when key barriers are removed? Educational Media International, 45(3), 195-206.
  • Mathieson, K. (1991). Predicting user intentions: Comparing the Technology Acceptance Model with the Theory of Planned Behavior. Information Systems Research, 2(3), 173-191.
  • Meyers, G. (1999). Powerpoints: technology, lectures, and changing genres. In Analysing Professional Genres, Edited by: Trosborg, A. 177–191. Amsterdam, The Netherlands: John Benjamins Publishing.
  • Mayya, S. (2007). Integratıng New Technology to Commerce Currıculum: How to Overcome Teachers’ Resıstance? The Turkish Online Journal of Educational Technology, 6(1).
  • McGorry, S. Y., (2000). Measurement in a cross-cultural environment: survey translation issues. Qualitative Market Research: An International Journal, 3(2), 74-81.
  • Ngai, E. W. T., Poon, J. K. L. ve Chan, Y. H. C. (2007). Empirical examination of the adoption of WebCT using TAM. Computers and Education, 48(2), 250– 2
  • Nunnally, J. C. ve Bernstein, I. H. (1994). Psychometric theory. McGraw-Hill, Inc. New York.
  • Orlando, J. (2009). Understanding changes in teachers' ICT practices: a longitudinal perspective. Technology, Pedagogy and Education, 18(1), 33 – 44.
  • Pajares, M. F. (1992). Teachers’ beliefs and educational research: cleaning up a messy construct. Review of Educational Research, 62(3), 307-333.
  • Raykov, T. ve Marcoulides, G. A. (2008). An introduction to applied multivariate analysis. NY: Routledge.
  • Robinson, J. P., Shaver, P. R. ve Wrightsman, L. S. (1991). Measures of personality and social psychological attitudes. CA: Academic Press, San Diego.
  • Rogers, E. M. (1995). Diffusion of innovations (4th ed.). Free Press, New York.
  • Russell, M., Bebell, I. D., O’Dwyer, L. M. ve O’Connor, K. M. (2003). Examining teacher technology use: Implications for pre-service and in-service teacher preparation. Journal of Teacher Education, 54(4), 297-310.
  • Schepers, J. ve Wetzels, M. (2007). A meta-analysis of the technology acceptance model: investigating subjective norm and moderation effect. Information and Management, 44(1) 90-103
  • Schmitt, N. ve Kuljanin, G. (2008). Measurement invariance: Review of practice and implications. Human resource management review, 18, 210-222
  • Segars, A.H. (1997). Assessing the unidimensionality of measurement: a paradigm and illustration within the context of information systems research. Omega International Journal of Management Science, 25(1), 107–121.
  • Sivo, S. ve Pan, C. (2005). Undergraduate engineering and psychology students’ use of a course management system: A factorial invariance study of user characteristics and attitudes. Journal of Technology Studies, 31(2), 94–103.
  • Šumak, B., Hericko, M. ve Pušnik, M. (2011). A meta-analysis of e-learning technology acceptance: The role of user types and e-learning technology types. Computers in Human Behavior, 27(6), 2067-2077
  • Tabachnick, B. G. ve Fidell, L. S. (2001). Using multivariate statistics (4th ed.). Needham Heights, MA: Allyn & Bacon.
  • Taylor, S. ve Todd, P. A. (1995). Understanding information technology usage: a test of competing models. Information Systems Research, 6(4), 144-176.
  • Teo, T. (2009a). Evaluating the intention to use technology among student teachers: A structural equation modeling approach. International Journal of Technology in Teaching and Learning, 5(2), 106-118.
  • Teo, T. (2009b). Modelling technology acceptance in education: A study of preservice teachers. Computers & Education, 52(2), 302-312.
  • Teo, T. (2010). Examining the influence of subjective norm and facilitating conditions on the intention to use technology among pre-service teachers: a structural equation modeling of an extended technology acceptance model. The Asia-Pacific Education Researcher, 11(2), 253-262.
  • Teo, T. (2011). Factors influencing teachers’ intention to use technology: Model development and test. Computers & Education, 57(4), 2432-2440.
  • Teo, T. ve Noyes, J. (2011). An assessment of the influence of perceived enjoyment and attitude on the intention to use technology among pre-service teachers: A structural equation modeling approach. Computers & Education, 57(2), 1645-1653.
  • Teo, T. ve van Schaik, P. (2009). Understanding Technology Acceptance in PreService Teachers: A Structural-Equation Modeling Approach. The AsiaPasific Education Researcher, 18(1), 47-66.
  • Teo, T., Lee, C. B. ve Chai, C.S. (2008).Understanding pre-service teachers' computer attitudes: applying and extending the technology acceptance model. Journal of Computer Assisted Learning, 24(2), 128-142.
  • Thong, J. Y., Hong, W. ve Tam, K.-Y. (2002). Understanding user acceptance of digital libraries: what are the roles of interface characteristics, organizational context, and individual differences? International journal of humancomputer studies, 57(3), 215-242.
  • Tsai, P.-S., Tsai, C.-C. ve Hwang, G.-H. (2010). Elementary school students’ attitudes and self-efficacy of using PDAs in a ubiquitous learning context. Australasian Journal of Educational Technology, 26(3), 297-308.
  • Tucker, A., Deek, F., Jones, J., McCowan, D., Stephenson, C. ve Verno, A. (2003). A model curriculum for K-12 computer science: Final report of the ACM K12 task force curriculum committee. Association for Computing Machinery. New York: Computer Science Teachers Association.
  • Umay, A. (2004). Primary mathematics teachers’ and prospective teachers’ perspectives towards ICT use. Hacettepe Üniversitesi Eğitim Bilimleri Dergisi, 26, 176-181.
  • Vallerand, R. J. (1997). Toward a hierarchical model of intrinsic and extrinsic motivation. In M. P. Zanna (Ed.), Advances in experimental social psychology (Vol. 29, pp. 271–360). San Diego, CA: Academic Press. van Braak, J. (2001). Factors influencing the use of computer mediated communication by teachers in secondary schools. Computers and Education, 36(1), 41-57.
  • Venkatesh, V. ve Bala, H. (2008). Technology Acceptance Model 3 and a Research Agenda on Interventions. Journal of Information Technology, 39, 273-315.
  • Venkatesh, V. ve Davis, F.D. (2000). A theoretical Extension of the Technology Acceptance model: Four Longitudinal Field Studies. Management Science, 46(2), 186-208.
  • Venkatesh, V., Morris, M., Davis, G. ve Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425-4
  • Venkatesh, V., Thong, J.Y.L. ve Xin, X. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1),157-178.
  • Yi, M.Y., Jackson, J. D., Park, J. S. ve Probst, J. C. (2006). Understanding information technology acceptance by individual professionals: Toward an integrative view. Information & Management, 43(3), 350-363.
  • Yuen, H. K. ve Ma, W. K. (2002). Gender differences in teacher computer acceptance. Journal of Technology and Teacher Education, 10(3), 365- 382. Yoo, B. ve Donthu, N. (2001). Developing and validating a multidimensional consumer-based brand equity scale. Journal of business research, 52(1), 1-14. Yurdugül, H. (2005). Ölçek Geliştirme Çalışmalarında Kapsam Geçerliği için Kapsam Geçerlik İndekslerinin Kullanılması. XIV. Ulusal Eğitim Bilimleri Kongresi Pamukkale Üniversitesi, Denizli.
  • Zeithaml, VA, Parasuraman, A., Malhotra, A. (2000). A conceptual framework for understanding e-service quality: implications for future research and managerial practice, MSI Working Paper, Report no. 00-115, Marketing Science Institute, Cambridge, MA.
  • Zhao, Y. ve Cziko, G. A. (2001). Teacher adoption of technology: A perceptual control theory perspective. Journal of technology and Teacher Education, 9(1), 5-30.

Technology acceptance measure for teachers: T-TAM / Öğretmenler için teknoloji kabul ölçeği: Ö-TKÖ

Year 2014, Volume: 10 Issue: 4, 885 - 917, 04.09.2014

Abstract

Bireylerin teknoloji kabul ve kullanımlarını etkileyen değişkenlerin belirlenmesi üzerine pek çok araştırma tamamlanmıştır. Ancak, başarılı bir teknoloji uyumunda vazgeçilemez ve kritik öneme sahip olan öğretmenler üzerinde alanyazı sınırlıdır. Bu çalışmanın amacı öğretmenlerin bilgi ve iletişim teknolojilerine yönelik kabul ve kullanım niyetlerini ortaya çıkaran bir ölçek geliştirmektir. Bu amaçla, çalışmada teknoloji kabul ve kullanım davranışlarını inceleyen teoriler ve bu teorileri esas alarak yapılmış olan araştırmalarda yaygın olarak kullanılan faktörleri tespit etmiştir. Üç farklı örneklem üzerinde (n1=436, n2=440 ve n3=2122) yapılan ölçüm modeli doğrulaması sonucunda 37 maddeden oluşan 11 faktör: algılanan kullanışlılık, algılanan kullanım kolaylığı, kullanıma yönelik tutum, öznel norm, öz yeterlik, kolaylaştırıcı durumlar, teknolojik karmaşa, kaygı, algılanan eğlence, uygunluk ve davranışsal niyet olarak isimlendirilmiştir. Ölçüm modelinin uygunluğu SPSS AMOS 21 programı kullanılarak test edilmiştir. Tek ve çok değişkenli normallik varsayımlarının sağlandığı araştırmada ayrıca model uygunluğu için farklı tam, hassas ve kıyaslamalı uyum indeksleri kullanmışlardır. Ek olarak modelin geçerliği ise üç aşamadan oluşan yakınsak ve ayırma geçerliği aşamalarından geçirilmiştir. Ölçüm modelinin faktör yapısını belirlemek için kullanılan doğrulayıcı faktör analizi alternatif modellerle test edilmiş ve alt gruplar açısından ölçüm değişmezliği testlerine tabi tutulmuştur. Sonuç olarak, sıkı ve hassas istatistiksel testlerden geçirilen Ö-TKM ölçeği öğretmenler üzerinde geçerliği sağlanmış modeli açıklama gücü ise örnekleme göre değişebileceği tahmin edilmektedir. Ölçme modelinin tahmin gücünü arttırmak ve geçerliğini sağlamak amacıyla farklı örneklemlerde uygulanması önerilmektedir.

References

  • χ 2 951,953 Anlamlı Değil Klem (2000), Kline (2005), McDonald and Ho (2002) p < 0.05
  • χ 2 / df 1,658 < 3 Gefen, Karahanna, and Straub (2003)
  • SRMR 0.0408 < 0.05 Klem (2000), McDonald and Ho (2002)
  • RMSEA 0.039 < 0.05 (mükemmel uyum) McDonald and Ho (2002) (0.034, 0.043) < 0.08 (düşük uyum)
  • CFI 0.965 =>0.90 Klem (2000), McDonald and Ho (2002), TLI 0.959 =>0.90 Klem (2000), McDonald and Ho (2002) Koeske (1994), DFA’da geçerlik kavramını sonuçların geçerliği ve ölçümlerin geçerliği olmak üzere iki bölüme ayırmıştır. Sonuçların geçerliği, araştırmanın bulgularına yönelik yapılan yorumlarla ilgilenirken ölçümlerin geçerliği ise kurulan model sonucunda elde edilen ölçeğin sahip olduğu bir takım özelliklerinin geçerliliği üzerine yoğunlaşır (Harrington, 2009). DFA’da araştırmacı için sunulan bir avantaj da modelin geçerliğini farklı faktör yapılarındaki modeller ile karşılaştırılmaya imkân sağlamasıdır. 11 faktörden oluşan Ö-TKÖ beş farklı model için test edilmiş ve ilgili sonuçlar Tablo 4’de sunulmuştur. Boş model her bir maddenin kendi başına bir faktör oluşturduğu ve bunların ilişkisiz olduklarını varsayan modeldir. Tek Faktörlü Model bütün maddelerin tek bir faktör altında toplandığını varsayan modeldir. İlişkisiz Model araştırmacılarca tanımlanan modelde faktörlerin ilişkisiz olduğunu varsayan modeldir. Kuramsanan Model ise tam olarak araştırmacılarca tanımlanan modeldir. Son olarak, İkinci Düzey DFA Modeli ise araştırmacılarca tanımlanan modeldeki faktörlerin tekil bir faktör tarafından yordandığını varsayan modeldir. Sonuçlar uyumu en yüksek olan modelin araştırmacılarca kuramsanan model olduğunu göstermektedir. Böylece ölçek; AK (4 madde), AKK (3 madde), AE (4 madde), K 3 madde), DN (4 madde), U (3 madde), TK (3 madde), ÖN (3 madde), KD (3 madde), KYT (4 madde) ve Ö (3 madde) faktörlerinden oluşmuştur. Tablo Alternatif Modeller İçin DFA
  • Model χ 2 Df χ 2 /df TLI CFI RMSEA SRMR Boş Model 114120 666 224 ----.192 --Tek Faktörlü Model 50881 629 092 .563 .587 .127 .111
  • İlşkisiz Model 34686 629 422 .727 .723 .100 .318
  • Kuramsanan Model 9953 574 658 .965 .959 .039 .040
  • İkinci Düzey DFA Modeli 15887 618 842 .909 .915 .058 .080
  • Yakınsak Geçerliği Bir ölçeğin maddelerine verilen cevaplara ilişkin yakınsak geçerliliği elde etmek amacıyla Fornell ve Larcker (1981) üç aşamadan oluşan bir yöntem önermişlerdir. Bu aşamalar;  Ölçekte yer alan her bir yapıya ilişkin maddelerin güvenirliği,  Her bir yapıya ilişkin birleşik güvenirliği (composite reliability) ve  Ortalama açıklanan varyans (average variance extracted – AVE)’dir. İlk olarak bir maddenin güvenirliği onun yer aldığı faktördeki faktör yük değeri ile belirlenir. Bir maddenin faktör yük değeri 0.50 den büyük ise o madde için güvenilir olduğu söylenebilir (Hair vd., 2006)’ya göre). Bu çalışmada tüm gruplara ait faktör yük değerleri 0.67 ile 0.93 arasında değişmektedir. Böylece her bir yapıya ilişkin madde düzeyinde yakınsaklık geçerliğinin sağlandığı tespit edilmiştir. İkinci olarak, her bir yapının birleşik güvenirliğine bakılmıştır. Daha önce tamamlanan bazı araştırmalarda birleşik güvenirliğin Cronbach’ın alfa katsayısından elde edilmesine rağmen Hair ve diğerleri (2006), her bir yapıya ilişkin güvenirliğin hesaplanmasında birleşik güvenirliğin kullanılmasını tavsiye etmiştirler. Nunnally ve Berstein (1994) birleşik güvenirlilik değeri katsayısının CR alfa değerinin 0.70 ve üstünde olduğunda birleşik güvenirliğinin sağlandığını işaret etmişlerdir. Bu araştırmada her bir yapıya ilişkin hesaplanan birleşik güvenirliği değerleri 0.802 ile 0.912 arasında değişmektedir. Yakınsak geçerliliğine ilişkin son gösterge olarak açıklanan ortalama varyans hesaplanmıştır. Açıklanan ortalama varyans, her bir yapıya ilişkin değerler için ayrı ayrı hesaplanmıştır. Bu değerin 0.50 ye eşit ve yüksek olması beklenir (Fornell ve Larcker, 1981). Aksi takdirde faktörün %50 den fazlasının açıklanamadığı ve yüksek oranda ölçüm hatası içerdiğini gösterir (Segars, 1997). Araştırmada bütün gruplara ilişkin açıklanan ortalama varyans değerleri 0.576 ile 0.724 arasında değişmektedir. Ek olarak ölçme aracının faktör yapılarının yakınsaklık geçerliğinin sağladığı Tablo 5’de gösterilmiştir.
  • Tablo Ölçüm Modeli Sonuçları Faktör Adı Madde Faktör yükü (>50) a Açıklanan Ortalama Varyans AVE(>50) a Birleşme Güvenirliği (CR)(>0.70) a AK 0.696 0.901 AK3 0.90 AK1 0.85 AK2 0.76 AK4 0.82 AKK 0.707 0.878 AKK2 0.89 AKK4 0.80 AKK1 0.83 AE 0.724 0.912 AE3 0.79 AE5 0.91 AE4 0.93 AE2 0.76 K 0.618 0.828 K3 0.87 K1 0.77 K4 0.71 DN 0.685 0.897 DN3 0.79 DN4 0.85 DN2 0.85 DN1 0.81 U 0.619 0.828 U2 0.76 U4 0.71 U3 0.88 TK 0.629 0.835 TK2 0.71 TK3 0.88 TK4 0.78 ÖN 0.589 0.811 ÖN4 0.72 ÖN1 0.79 ÖN2 0.79 KD 0.626 0.832 KD2 0.70 KD3 0.90 KD4 0.76 KYT 0.685 0.896 KYT5 0.87 KYT4 0.87 KYT2 0.71 KYT3 0.85 Ayırma Geçerliği Ayırma geçerliği, bir DFA modelinde yer alan faktörlerin ne derecede ayrıştığını ya da aralarındaki farklılaşmayı belirler. Farrell (2010) bu durumu A, B, C, D gibi dört faktörden oluşan bir ölçme aracının her hangi bir faktörünün diğerlerinden ne kadar ayrıştığının ölçüsü olarak tanımlamıştır. Başka bir ifadeyle, bir yapıyı ölçen alt boyutların bu yapının birer parçası olabilmesi için kendi aralarında belirli düzeyde korelasyonlarının olması diğer taraftan her bir boyutun tek başına var olabilmesi için de birbirlerine benzememesi yani ayrışması gerekmektedir. Ayırma geçerliği, bir yapıya ait ortalama açıklanan varyansın karekökü ile o yapının diğer yapılarla olan korelasyon katsayısının karşılaştırılması ile değerlendirilir. Her bir yapıya ait korelasyon ve açıklanan ortak varyans değerleri Tablo 6’da gösterilmiştir. Tabloda yer alan köşegen üzerinde yer alan ve parantez içerisinde belirtilen değerler her bir yapıya ait açıklanan varyansın karekök değerleridir. Köşegen dışındaki satır ve sütunlarda yer alan değerler ise faktörler arasındaki korelasyonlardır. Ayırma geçerliliğinden bahsedebilmemiz için köşegenler üzerinde yer alan değerlerin kendi satır ve sütun değerlerinden büyük olması gerekmektedir (Fornell ve Larcker, 1981). Sonuç olarak ayırma geçerliğin sağlandığı görülmektedir. Tablo Ölçüm Modeli İçin Ayırma Geçerliği AK AKK AE K DN U TK ÖN KD KYT ÖY AK (0,83) AKK 0,54 * (0,84) AE 0,57 * 0,55 * (0,85)
  • K -0,30 * -0,55 * -0,33 * (0,78) DN 0,73 * 0,57 * 0,72 * -0,30 * (0,82) U 0,58 * 0,39 * 0,63 * -0,12 * 0,65 * (0,78) TK -0,28 * -0,47 * -0,31 * 0,65 * -0,26 * -0,18 * (0,79) ÖN 0,32 * 0,26 * 0,45 * -0,02 0,45 * 0,55 * -0,107 (0,76) KD 0,25 * 0,27 * 0,27 * -0,15 0,22 * 0,21 * -0,109 0,18 * (0,79) KYT 0,77 * 0,54 * 0,66 * -0,30 * 0,88 * 0,68 * -0,26 * 0,39 * 0,21 * (0,82) ÖY 0,48 * 0,65 * 0,70 * -0,49 * 0,57 * 0,46 * -0,38 * 0,43 * 0,32 * 0,58 * (0,75) * p < 0,001 Akbaba-Altun, S. (2004). Information technology classrooms and elementary school principals’ roles: Turkish experience. Education and Information Technologies 9(3), 225–270.
  • Agarwal, R. ve Prasad, J. (1999). Are individual differences germane to the acceptance of new information technologies? Decision Sciences, 30(2), 3613
  • Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.
  • Bandura, A. (1986). Social Foundations of Thought and Action: A Social Cognitive Theory, NJ: Prentice Hall, Englewood Cliffs.
  • Baylor, A. ve Ritchie, D. (2002). What factors facilitate teacher skill, teacher morale, and perceived student learning in technology-using classrooms? Journal of Computers & Education, 39(4), 395–414.
  • Becker, H. J. (2001). How are teachers using computers in instruction? Paper presented at the Annual Meeting of the American Educational Researchers Association, Seattle, WA
  • Blunch, N.J. (2011). Introduction to Structural Equation Modelling using SPSS and AMOS, Sage Publications, London.
  • Brown, T. (2006). Confirmatory factor analysis for applied research. Guildford Press, New York.
  • Byrne, B. M. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming(Second Edition). Taylor and Francis Group, New York.
  • Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1, 245-276.
  • Chen, F., Looi, C. ve Chen, W. (2009). Integrating technology in the classroom: A visual conceptualization of teachers’ knowledge, goals and beliefs. Journal of Computer Assisted Learning, 25(5), 470-488.
  • Chen, L., Gillenson, M.L. ve Sherrell, D.L. (2002). Enticing online consumers: An extended technology acceptance perspective. Information & Management, 39(8), 705-719.
  • Cheung, G. W. ve Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 2332
  • Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
  • Davis, F. D. (1986). A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Result, (Doctoral dissertation). Sloan School of Management: Massachusetts Institute of Technology
  • Davis, F. D., Bagozzi, R. P. ve Warshaw, P. R. (1989). User Acceptance of Computer Technology: a Comparison of Two Theoretical Models. Management Science, 35(8), 982-1003.
  • Davis, F., Bagozzi, R. ve Warshaw, P. (1992). Extrinsic and Intrinsic Motivation to use Computers in the Workplace. Journal of Applied Social Psychology, 22(14), 1111-1132.
  • Demiraslan, Y. ve Usluel, Y. K. (2005). Bilgi ve iletişim teknolojilerinin öğrenmeöğretme sürecine entegrasyonunda öğretmenlerin durumu, The Turkish Online Journal of Educational Technology - TOJET, 4(3), 109-113.
  • Ertmer, P. A. ve Hruskocy, C. (1999). Impacts of a university-elementary school partnership designed to support technology integration. Educational Technology Research and Development, 47(1), 81-96.
  • Farrell AM (2010) Insufficient Discriminant Validity: A Comment on Bove, Beatty, Pervan and Shiu (2009). Journal of Business Research, 63(3), 324-327.
  • Field, A. (2009). Discovering Statistics Using SPSS: Introducing Statistical Method (3rd ed.). Thousand Oaks, CA: Sage Publications.
  • Fishbein, M. ve Ajzen, I. (1975). Belief, Attitude, Intention and Behavior: An Introduction to Theory and Research. Reading, MA: Addison-Wesley.
  • Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 48, 39–50.
  • Fullan. M.(2007). The New Meaning of Educational Change. Fourth Edition. Teachers’ College Press, New York.
  • Gülbahar, Y. (2008). Improving the technology integration skills of prospective teachers through practice: A case study. Turkish Online Journal of Educational Technology, 7(4), 1-11.
  • Hair, J. F., Jr., Black, W. C., Babin, B. J. ve Anderson, R. E. (2005). Multivariate data analysis (6th ed.). NY: Prentice Hall.
  • Harrington, D. (2009). Confirmatory factor analysis. NY: Oxford University Press, New York.
  • Hu, P. J., Clark, T. H. K. ve Ma, W.W. (2003). Examining technology acceptence by school teachers: a logtudial study. Information & Manegement, 41(2), 227-2
  • Jolliffe, I. T. (2002). Principal component analysis. 2nd Edn., Springer-Verlag: New York.
  • Kadijevich, D. (2006). Achieving educational technology standards: The relationship between student teacher's interest and institutional support offered. Journal of Computer Assisted Learning, 22(6), 437-443
  • Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20, 141-151.
  • King, W. R. ve He, J. (2006). A meta-analysis of the technology acceptance model. Information & Management, 43(6), 740-755.
  • Kline, P. (1999). The handbook of psychological testing (2nd ed). Routledge, London.
  • Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). Guilford Press, New York.
  • Knight, C. M., Knight, B. A. ve Teghe, D. (2006). Releasing the pedagogical power of information and communication technology for learners: A case study, International Journal of Education and Development using Information and Communication Technology, 2(2), 27-34.
  • Koeske, G. F. (1994). Some recommendations for improving measurement validation in social work research. Journal of Social Service Research, 18, 43Lee, S. Y. ve Song, X. Y. (2004). Evaluation of the Bayesian and maximum likelihood approaches in analyzing structural equation models with small sample sizes. Multivariate Behavioral Research, 39, 653-686.
  • Legris, P., Ingham, J. ve Collerette, P. (2003). Why do people use information technology? A critical review of the technology acceptance model. Information & Management, 40(3), 191-204.
  • Lim, C. P., ve Khine, M. S. (2006). Managing teachers’ barriers to ICT integration in Singapore schools. Journal of Technology and Teacher Education, 14(1), 97–125.
  • Lim, C. P. ve Chai, C. S. (2008). Rethinking Classroom-Oriented Instructional Development Models to Mediate Instructional Planning in Technology Enhanced Learning Environments. Teaching and Teacher Education, 24(8), 2002-2013.
  • Lowther, D. L., Inan, F. A., Strahl, J. D. ve Ross, S. M. (2008). Does technology integration “work” when key barriers are removed? Educational Media International, 45(3), 195-206.
  • Mathieson, K. (1991). Predicting user intentions: Comparing the Technology Acceptance Model with the Theory of Planned Behavior. Information Systems Research, 2(3), 173-191.
  • Meyers, G. (1999). Powerpoints: technology, lectures, and changing genres. In Analysing Professional Genres, Edited by: Trosborg, A. 177–191. Amsterdam, The Netherlands: John Benjamins Publishing.
  • Mayya, S. (2007). Integratıng New Technology to Commerce Currıculum: How to Overcome Teachers’ Resıstance? The Turkish Online Journal of Educational Technology, 6(1).
  • McGorry, S. Y., (2000). Measurement in a cross-cultural environment: survey translation issues. Qualitative Market Research: An International Journal, 3(2), 74-81.
  • Ngai, E. W. T., Poon, J. K. L. ve Chan, Y. H. C. (2007). Empirical examination of the adoption of WebCT using TAM. Computers and Education, 48(2), 250– 2
  • Nunnally, J. C. ve Bernstein, I. H. (1994). Psychometric theory. McGraw-Hill, Inc. New York.
  • Orlando, J. (2009). Understanding changes in teachers' ICT practices: a longitudinal perspective. Technology, Pedagogy and Education, 18(1), 33 – 44.
  • Pajares, M. F. (1992). Teachers’ beliefs and educational research: cleaning up a messy construct. Review of Educational Research, 62(3), 307-333.
  • Raykov, T. ve Marcoulides, G. A. (2008). An introduction to applied multivariate analysis. NY: Routledge.
  • Robinson, J. P., Shaver, P. R. ve Wrightsman, L. S. (1991). Measures of personality and social psychological attitudes. CA: Academic Press, San Diego.
  • Rogers, E. M. (1995). Diffusion of innovations (4th ed.). Free Press, New York.
  • Russell, M., Bebell, I. D., O’Dwyer, L. M. ve O’Connor, K. M. (2003). Examining teacher technology use: Implications for pre-service and in-service teacher preparation. Journal of Teacher Education, 54(4), 297-310.
  • Schepers, J. ve Wetzels, M. (2007). A meta-analysis of the technology acceptance model: investigating subjective norm and moderation effect. Information and Management, 44(1) 90-103
  • Schmitt, N. ve Kuljanin, G. (2008). Measurement invariance: Review of practice and implications. Human resource management review, 18, 210-222
  • Segars, A.H. (1997). Assessing the unidimensionality of measurement: a paradigm and illustration within the context of information systems research. Omega International Journal of Management Science, 25(1), 107–121.
  • Sivo, S. ve Pan, C. (2005). Undergraduate engineering and psychology students’ use of a course management system: A factorial invariance study of user characteristics and attitudes. Journal of Technology Studies, 31(2), 94–103.
  • Šumak, B., Hericko, M. ve Pušnik, M. (2011). A meta-analysis of e-learning technology acceptance: The role of user types and e-learning technology types. Computers in Human Behavior, 27(6), 2067-2077
  • Tabachnick, B. G. ve Fidell, L. S. (2001). Using multivariate statistics (4th ed.). Needham Heights, MA: Allyn & Bacon.
  • Taylor, S. ve Todd, P. A. (1995). Understanding information technology usage: a test of competing models. Information Systems Research, 6(4), 144-176.
  • Teo, T. (2009a). Evaluating the intention to use technology among student teachers: A structural equation modeling approach. International Journal of Technology in Teaching and Learning, 5(2), 106-118.
  • Teo, T. (2009b). Modelling technology acceptance in education: A study of preservice teachers. Computers & Education, 52(2), 302-312.
  • Teo, T. (2010). Examining the influence of subjective norm and facilitating conditions on the intention to use technology among pre-service teachers: a structural equation modeling of an extended technology acceptance model. The Asia-Pacific Education Researcher, 11(2), 253-262.
  • Teo, T. (2011). Factors influencing teachers’ intention to use technology: Model development and test. Computers & Education, 57(4), 2432-2440.
  • Teo, T. ve Noyes, J. (2011). An assessment of the influence of perceived enjoyment and attitude on the intention to use technology among pre-service teachers: A structural equation modeling approach. Computers & Education, 57(2), 1645-1653.
  • Teo, T. ve van Schaik, P. (2009). Understanding Technology Acceptance in PreService Teachers: A Structural-Equation Modeling Approach. The AsiaPasific Education Researcher, 18(1), 47-66.
  • Teo, T., Lee, C. B. ve Chai, C.S. (2008).Understanding pre-service teachers' computer attitudes: applying and extending the technology acceptance model. Journal of Computer Assisted Learning, 24(2), 128-142.
  • Thong, J. Y., Hong, W. ve Tam, K.-Y. (2002). Understanding user acceptance of digital libraries: what are the roles of interface characteristics, organizational context, and individual differences? International journal of humancomputer studies, 57(3), 215-242.
  • Tsai, P.-S., Tsai, C.-C. ve Hwang, G.-H. (2010). Elementary school students’ attitudes and self-efficacy of using PDAs in a ubiquitous learning context. Australasian Journal of Educational Technology, 26(3), 297-308.
  • Tucker, A., Deek, F., Jones, J., McCowan, D., Stephenson, C. ve Verno, A. (2003). A model curriculum for K-12 computer science: Final report of the ACM K12 task force curriculum committee. Association for Computing Machinery. New York: Computer Science Teachers Association.
  • Umay, A. (2004). Primary mathematics teachers’ and prospective teachers’ perspectives towards ICT use. Hacettepe Üniversitesi Eğitim Bilimleri Dergisi, 26, 176-181.
  • Vallerand, R. J. (1997). Toward a hierarchical model of intrinsic and extrinsic motivation. In M. P. Zanna (Ed.), Advances in experimental social psychology (Vol. 29, pp. 271–360). San Diego, CA: Academic Press. van Braak, J. (2001). Factors influencing the use of computer mediated communication by teachers in secondary schools. Computers and Education, 36(1), 41-57.
  • Venkatesh, V. ve Bala, H. (2008). Technology Acceptance Model 3 and a Research Agenda on Interventions. Journal of Information Technology, 39, 273-315.
  • Venkatesh, V. ve Davis, F.D. (2000). A theoretical Extension of the Technology Acceptance model: Four Longitudinal Field Studies. Management Science, 46(2), 186-208.
  • Venkatesh, V., Morris, M., Davis, G. ve Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425-4
  • Venkatesh, V., Thong, J.Y.L. ve Xin, X. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36(1),157-178.
  • Yi, M.Y., Jackson, J. D., Park, J. S. ve Probst, J. C. (2006). Understanding information technology acceptance by individual professionals: Toward an integrative view. Information & Management, 43(3), 350-363.
  • Yuen, H. K. ve Ma, W. K. (2002). Gender differences in teacher computer acceptance. Journal of Technology and Teacher Education, 10(3), 365- 382. Yoo, B. ve Donthu, N. (2001). Developing and validating a multidimensional consumer-based brand equity scale. Journal of business research, 52(1), 1-14. Yurdugül, H. (2005). Ölçek Geliştirme Çalışmalarında Kapsam Geçerliği için Kapsam Geçerlik İndekslerinin Kullanılması. XIV. Ulusal Eğitim Bilimleri Kongresi Pamukkale Üniversitesi, Denizli.
  • Zeithaml, VA, Parasuraman, A., Malhotra, A. (2000). A conceptual framework for understanding e-service quality: implications for future research and managerial practice, MSI Working Paper, Report no. 00-115, Marketing Science Institute, Cambridge, MA.
  • Zhao, Y. ve Cziko, G. A. (2001). Teacher adoption of technology: A perceptual control theory perspective. Journal of technology and Teacher Education, 9(1), 5-30.
There are 90 citations in total.

Details

Primary Language Turkish
Journal Section Makaleler
Authors

Ömer Ursavaş

Sami Şahin

David Mcılroy This is me

Publication Date September 4, 2014
Submission Date September 4, 2014
Published in Issue Year 2014 Volume: 10 Issue: 4

Cite

APA Ursavaş, Ö., Şahin, S., & Mcılroy, D. (2014). Technology acceptance measure for teachers: T-TAM / Öğretmenler için teknoloji kabul ölçeği: Ö-TKÖ. Eğitimde Kuram Ve Uygulama, 10(4), 885-917. https://doi.org/10.17244/eku.30431