Üniversite Öğrencilerinin Yapay Zekaya Yönelik Tutumları İle İstem Mühendisliğine İlişkin Görüşleri Arasındaki İlişkinin İncelenmesi

Abstract

Yapay zekâ (YZ) teknolojilerinin etkin kullanımı, yalnızca algoritmaların gücüne değil, aynı zamanda kullanıcıların sistemlerle nasıl etkileşim kurduğuna da bağlıdır. İstem Mühendisliği (Prompt Engineering - İM), YZ tabanlı modellerden en iyi çıktıyı elde etmek için tasarlanan bilinçli ve stratejik istem hazırlama süreci olarak tanımlanır. İM, YZ tabanlı sistemlerle etkili etkileşim kurmak amacıyla istemlerin (prompt) bilinçli olarak tasarlanması ve optimize edilmesi sürecidir. Bu çalışma, yükseköğretim öğrencilerinin istem mühendisliğine yönelik tutumları ile yapay zekâya ilişkin genel görüşleri arasındaki ilişkiyi incelemeyi amaçlamaktadır. Nicel araştırma yöntemlerinden ilişkisel tarama modelinde yürütülen çalışma, 2024-2025 Akademik Yılı Bahar Yarıyılında gerçekleştirilmiş, 97 kadın, 272 erkek, toplam 369 üniversite öğrencisine ulaşılmıştır. Veri toplama aracı olarak Kişisel Bilgi Formu (KBF), araştırmacılar tarafından geliştirilen İstem Mühendisliğine İlişkin Görüş Anketi ve Çakan ve Akın (2024) tarafından Türkçeye uyarlanan Yapay Zekâ Tutum Ölçeği (YZTÖ) kullanılmıştır. Araştırma kapsamında verilerin tamamı çevrimiçi ortamda toplanmıştır. Araştırma sonuçlarına göre öğrencilerin YZ’ye ilişkin olumsuz tutumları orta, olumlu tutumları yüksek düzeydedir. Öğrencilerin YZ’ye yönelik tutumları cinsiyet ve üniversite değişkenine göre farklılaşmamakta, yaş, YZ kullanım bilgisi ve YZ kullanım sıklığı değişkenleri açısından anlamlı bulgu bulunmaktadır. YZ kullanım düzeylerini ileri düzey olarak belirten öğrencilerin olumlu tutum puanlarının kendi başlangıç düzeyinde olarak belirten öğrencilere göre daha yüksektir. Kullanım sıklığı yüksek olanların olumlu tutumları daha yüksektir. İM Görüş Anketinin tüm maddelerinde verilen cevaplar orta ve yüksek puan düzeyindedir. Öğrencilerin İM’ye yönelik görüşleri ile YZ’ye yönelik olumlu ve olumsuz tutumları arasında düşük ve orta düzeyde korelasyonlar bulunmuştur. Araştırmanın YZ ve İM konularında derinlemesine bir anlayış oluşması adına alanyazına katkı sunacağı düşünülmektedir.

Keywords

• İstem Mühendisliği
• Yapay Zekâ
• Tutum
• İnsan-Bilgisayar Etkileşimi

Examining The Relationship Between University Students’ Attitudes Towards Artificial Intelligence and Their Views on Prompt Engineering

Abstract

Artificial intelligence (AI) technologies have become widely used in many areas at the individual and organizational levels in recent years. The effective use of these technologies depends not only on the power of the algorithms but also on how users interact with the systems. Prompt Engineering (PE) is defined as the conscious and strategic process of crafting prompts designed to obtain the best output from AI-based models. PE is the process of consciously designing and optimizing prompts to effectively interact with AI-based systems. This study aims to examine the relationship between higher education students’ attitudes towards PE and their general views on AI. The study was conducted in the relational survey model and carried out in the Spring Semester of the 2024-2025 Academic Year, a total of 369 university students, 97 female and 272 male, were reached. In this context, Personal Information Form (PIF), The Opinion Survey on PE, developed by the researchers, and the Artificial Intelligence Attitude Scale (AIAS), adapted into Turkish by Çakan and Akın (2024), were used. Within the scope of the research, all data were collected online. According to the research results, students’ negative attitudes towards AI are at a moderate level and their positive attitudes are at a high level. Students’ attitudes towards AI do not differ according to gender and university variables but there are significant findings in terms of age, AI usage knowledge and AI usage frequency variables. Students who stated their AI usage level as advanced had higher positive attitude scores than students who stated their AI usage level as beginner level. Those with higher usage frequency have higher positive attitudes. The answers given to all items of the PE Opinion Survey are at medium and high score levels. Low and moderate correlations were found between students’ views on PE and their positive and negative attitudes towards AI. It is thought that the research will contribute to the literature in terms of creating an in-depth understanding of AI and PE.

Keywords

• System Engineering
• Artificial Intelligence
• Attitude
• Human-Computer Interaction

References

1. Ahmed, S., & Kumar, R. (2023). Personalized Learning with Artificial Intelligence: Adapting to Individual Student Needs. Journal of Educational Technology, 18(4), 301-315.
2. Bajaj, R., & Sharma, V. (2018). Smart education with artificial intelligence-based determination of learning styles. Procedia Computer Science, 132, 834–842. https://doi.org/10.1016/j.procs.2018.05.197
3. Barkinozer, C. (2025). İleri düzey istem mühendisliği teknikleri ve LLM optimizasyonu [Doktora tezi, Softtech Araştırma Merkezi, İstanbul, Türkiye]. Softtech. https://medium.com/softtechas
4. Brown, T., & Lee, H. (2022). Personalization in E-Commerce: AI-Driven Recommendations. International Journal of Digital Marketing, 8(2), 112-128.
5. Chassignol, M. vd. (2018). Artificial intelligence trends in education: A narrative overview.
6. Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial intelligence trends in education: A narrative overview. Procedia Computer Science, 136, 16–24. https://doi.org/10.1016/j.procs.2018.08.233
7. Chen, L., & Patel, N. (2022). AI Support for Educators: Automating Assessment and Resource Creation. International Journal of Teacher Education, 9(2), 145-160.
8. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE access, 8, 75264-75278.

9. Chen, M. (2025, August 29). What is prompt engineering? A guide. Oracle. https://www.oracle.com/artificial-intelligence/prompt-engineering/
10. Crevier, D. (1993). AI: The tumultuous history of the search for artificial intelligence. New York: Basic Books.
11. DAIR.AI. (2023). İstem mühendisliği kılavuzu. GitHub. https://github.com/dair-ai/Prompt-Engineering-Guide
12. Du, W., & Li, Q. (2022). Analysis of the visual design and expression effect of virtual reality and three-dimensional space technology in art space. Mathematical Problems in Engineering, 2022, Article 2065720. https://doi.org/10.1155/2022/2065720
13. Dwivedi, Y. K. vd. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges.
14. Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., … & Wright, R. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinfomgt.2019.101994
15. Garcia, M. (2021). AI in Transportation: Enhancing Navigation Systems. Transportation Technology Review, 10(4), 89-102.
16. Garcia, M., & Lopez, J. (2024). Accessibility in Education: AI Solutions for Disabled Learners. Disability and Inclusive Education Review, 13(1), 78-92.
17. Gilardi, F., Alizadeh, M., & Kubli, M. (2023). ChatGPT outperforms crowd-workers for text-annotation tasks. Proceedings of the National Academy of Sciences, 120(6), e2212955120. https://doi.org/10.1073/pnas.2212955120
18. Gökdemir, E. (2023). Yapay zekâ modellerinde istem mühendisliği uygulamaları: ChatGPT örneği [Prompt engineering applications in AI models: The case of ChatGPT] (Master’s thesis, Sabancı Üniversitesi, İstanbul, Türkiye). Retrieved from https://tez.yok.gov.tr
19. Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5–14. https://doi.org/10.1177/0008125619864925
20. Haugsbaken, H. ve Hagelia, M. (2024, Nisan). Algoritmik çağ için yeni bir yapay zeka okuryazarlığı: İstem mühendisliği mi, eğitimsel istemleştirme mi? 2024 4. Uluslararası Uygulamalı Yapay Zekâ Konferansı (ICAPAI) (s. 1–6). IEEE. https://doi.org/10.1109/ICAPAI59284.2024.10528765
21. Haugsbaken, H., & Hagelia, M. (2024). Algoritmik çağ için yeni bir yapay zekâ okuryazarlığı: İstem mühendisliği mi, eğitimsel istemleştirme mi?
22. Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Boston: Center for Curriculum Redesign.
23. Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning.
24. Johnson, K., & Smith, T. (2023). Ethical Challenges of AI in Education: Dependency and Inequality. Ethics in Technology Journal, 11(3), 210-225.
25. Kasneci, E. vd. (2023). ChatGPT for good? On opportunities and challenges of large language models for education.
26. Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., ... & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
27. Khan, A., & Zhang, L. (2024). Artificial Intelligence in Healthcare: Advances in Diagnostics and Imaging. Journal of Medical Informatics, 19(3), 210-225.
28. Kılıç, S. (2012). Örnek büyüklüğü, güç kavramları ve örnek büyüklüğü hesaplaması. Journal of Mood Disorders, 2(3), 140-2.
29. Knoth, N. vd. (2024). Yapay zekâ okuryazarlığı ve istem mühendisliği stratejileri üzerindeki etkileri.
30. Knoth, N., Tolzin, A., Janson, A. ve Leimeister, J. M. (2024). Yapay zeka okuryazarlığı ve istem mühendisliği stratejileri üzerindeki etkileri. Computers and Education: Artificial Intelligence, 6, Makale 100225. https://doi.org/10.1016/j.caeai.2024.100225
31. Köse, U., & Arslan, A. (2020). Eğitimde yapay zekâ uygulamaları ve gelecek perspektifleri. Bilgi Dünyası, 21(2), 235–257.
32. Liu, P. vd. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in NLP.
33. Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys, 55(9), 1–35. https://doi.org/10.1145/3505244
34. McCarthy, J., Minsky, M., Rochester, N., & Shannon, C. (1956). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. AI Magazine, 27(4), 12-14.
35. Newell, A., & Simon, H. A. (1956). The Logic Theorist: A Case Study in Heuristic Problem Solving. Journal of Symbolic Logic, 21(3), 189-208.
36. Nilsson, N. J. (2010). The quest for artificial intelligence: A history of ideas and achievements. Cambridge University Press.
37. OpenAI. (2023). İstem mühendisliği. OpenAI Dokümantasyonu. https://platform.openai.com/docs/guides/prompt-engineering
38. Oppenlaender, J. vd. (2024). Prompting AI art: An investigation into the creative skill of prompt engineering.
39. Oppenlaender, J., Linder, R., & Silvennoinen, J. (2024). Prompting AI art: An investigation into the creative skill of prompt engineering. International Journal of Human–Computer Interaction. Advance online publication. https://doi.org/10.1080/10447318.2024.2315974
40. Patel, R. (2023). Content Recommendation Systems with AI. Media and Communication Studies, 12(1), 34-50.
41. Phoenix, J., & Taylor, M. (2023). Prompt engineering for generative AI. O’Reilly Media.
42. Pirim, H. (2010). Yapay zekâ. Akademik Bilişim Konferansı Bildirileri. DergiPark. https://dergipark.org.tr/tr/download/article-file/179113
43. Reynolds, L., & McDonell, K. (2021). Prompt programming for large language models: Beyond the few-shot paradigm. arXiv preprint arXiv:2102.07350. https://doi.org/10.48550/arXiv.2102.07350
44. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A modern approach (4th ed.). Pearson.
45. Sabancı Üniversitesi Bilgisayar Mühendisliği Bölümü. (2022). Yapay zekâ nedir? Sabancı Üniversitesi Resmî Web Sitesi. https://bm.sabanciuniv.edu/tr/node/3178
46. Schick, T., & Schütze, H. (2021). Exploiting cloze-questions for few-shot text classification and natural language inference. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 255–269. https://doi.org/10.18653/v1/2021.eacl-main.20
47. Simon, H. A., & Newell, A. (1958). Heuristic problem solving: The next advance in operations research. Operations Research, 6(1), 1–10. https://doi.org/10.1287/opre.6.1.1
48. Singh, A., Ehtesham, A., Gupta, G. K., Chatta, N. K., Kumar, S., & Khoei, T. T. (2024). Exploring prompt engineering: A systematic review with SWOT analysis. arXiv. https://doi.org/10.48550/arXiv.2410.12843
49. Smith, J. (2023). The Role of AI in Mobile Technology. Journal of Artificial Intelligence Applications, 15(3), 45-60.
50. Stanford University. (n.d.). AI demystified: What is prompt engineering? University IT. Retrieved October 2, 2025, from https://uit.stanford.edu/service/techtraining/ai-demystified/prompt-engineering
51. Taylor, R., & Nguyen, H. (2024). The Impact of AI on Modern Education Systems. Educational Innovation Quarterly, 20(2), 89-104.
52. Türkiye Bilimler Akademisi (TÜBA). (2019). Yapay zekâ ve insanlık. In Bilim ve Düşün Dergisi (s. 163–184). TÜBA Yayınları. https://tuba.gov.tr/files/yayinlar/bilim-ve-dusun/TUBA-978-605-2249-48-2_Ch10.pdf
53. White, M. (2023). Prompt engineering and the future of human–AI interaction. AI & Society, 38(1), 1-10. https://doi.org/10.1007/s00146-022-01575-2
54. White, M. (2023). Prompt engineering and the future of human–AI interaction.
55. Yıldırım, O. (2023). Prompt engineering ve yapay zekâ uygulamalarında kullanım alanları. Gazi Üniversitesi Bilişim Dergisi, 8(2), 45–56.
56. Zamfirescu-Pereira, J. D., Wong, R. Y. ve Hartmann, B. (2023). Johnny neden istem yapamıyor: İstem mühendisliğinin sistematik değerlendirmelerine doğru. arXiv ön baskı arXiv:2304.12345. https://arxiv.org/abs/2304.12345