Fen Bilimleri Öğretmenlerine Yönelik Yapay Zekâ Farkındalık Ölçeğinin Geliştirilmesi: Geçerlik Ve Güvenirlik Çalışması

Abstract

Bu araştırmanın amacı, fen bilimleri öğretmenlerinin yapay zekâ farkındalık düzeylerini ölçmeye yönelik geçerli ve güvenilir bir ölçme aracı geliştirmektir. Araştırma süreci, öncelikle kapsamlı bir literatür taraması yapılarak yapay zekâ farkındalığını temsil edecek kavramsal boyutların belirlenmesiyle başlamıştır. Bu doğrultuda, 72 maddeden oluşan bir madde havuzu hazırlanmış; kapsam geçerliliğini sağlamak amacıyla uzman görüşleri alınmış ve bu görüşler doğrultusunda madde sayısı 50’ye indirilmiştir. Ölçeğin yapı geçerliğini incelemek üzere Açımlayıcı Faktör Analizi (AFA) ve Doğrulayıcı Faktör Analizi (DFA) yöntemlerinden yararlanılmıştır. Analizler, iki farklı çalışma grubundan elde edilen veriler üzerinde yürütülmüştür. Çalışma grupları, 2024-2025 eğitim-öğretim yılında Türkiye’nin çeşitli illerinde görev yapan Fen Bilimleri öğretmenlerinden oluşmakta olup, AFA için 301, DFA için ise 551 katılımcı yer almıştır. Verilerin AFA için uygunluğunu belirlemek amacıyla gerçekleştirilen analizlerde Kaiser-Meyer-Olkin (KMO) değeri .896, Bartlett küresellik testi sonucu ise χ²= 6310.967, p<.001 olarak bulunmuştur. Yapılan AFA analizi sonucuna göre ölçek; “Yapay Zekâ Bilgi ve Pedagojik Uygulama Farkındalığı”, “Yapay Zekâ Kullanımında Etik Farkındalık”, “Yapay Zekâya Yönelik Risk Algısı ve Endişeler”, “Yapay Zekânın Öğrenci Becerilerine Katkısı” ve “Yapay Zekâya Yönelik Tutum ve Kabul” olarak adlandırılan beş faktör içermektedir. Ölçeğin açıkladığı toplam varyans %67,474 ve iç tutarlılık (alpha) ölçümü 0,867’dir. Nihai AFA sonucunda ölçeğin beş faktörden oluştuğu ve toplam 34 madde içerdiği belirlenmiştir. DFA sonuçları, modelin iyi düzeyde uyum sağladığını ortaya koymuştur. Model uyum indeksleri incelendiğinde; CMIN/df = 4,212, GFI = .931, AGFI = .850, RMR = .034, NFI = .907, TLI = .902, CFI = .911 olarak elde edilmiştir. Bu değerler, ölçeğin yapı geçerliğinin yeterli düzeyde olduğunu ve önerilen modeli doğruladığını göstermektedir. DFA sürecinde bazı maddeler düşük yük değerleri nedeniyle çıkarılarak ölçek son hâline kavuşturulmuştur. Nihai olarak Yapay Zekâ Farkındalık Ölçeği’nin 5 faktör ve 29 maddeden oluşmaktadır. Elde edilen bulgular, geliştirilen Yapay Zekâ Farkındalık Ölçeği’nin, fen bilimleri öğretmenlerinin YZ’ye ilişkin farkındalık düzeylerini geçerli ve güvenilir bir şekilde ölçebilecek nitelikte olduğunu göstermektedir.

Keywords

• Yapay zeka
• Farkındalık
• Fen bilimleri öğretmenleri
• Ölçek geliştirme
• Geçerlik
• Güvenirlik.

Development Of An Artificial Intelligence Awareness Scale For Science Teachers: A Validity And Reliability Study

Abstract

The aim of this study was to develop a valid and reliable instrument to assess science teachers’ awareness of artificial intelligence (AI). The process began with an extensive literature review to identify conceptual dimensions of AI awareness. An initial pool of 72 items was created and reduced to 50 based on expert feedback to ensure content validity. Construct validity was examined through Exploratory Factor Analysis (EFA) and Confirmatory Factor Analysis (CFA) using data from two independent groups. The sample included 301 participants for EFA and 551 for CFA, all science teachers from various provinces in Türkiye during the 2024–2025 academic year. The Kaiser–Meyer–Olkin (KMO) value was .896, and Bartlett’s test yielded χ² = 6310.967, p < .001, confirming data suitability for factor analysis. EFA results revealed a five-factor structure: “AI Knowledge and Pedagogical Application Awareness,” “Ethical Awareness in AI Use,” “Perceived Risks and Concerns Regarding AI,” “Contribution of AI to Students’ Skills,” and “Attitudes and Acceptance Toward AI.” These factors explained 67.474% of the total variance, with a Cronbach’s alpha of .867, indicating high internal consistency. The final EFA model consisted of 34 items across five factors. CFA confirmed good model fit with the following indices: CMIN/df = 4.212, GFI = .931, AGFI = .850, RMR = .034, NFI = .907, TLI = .902, and CFI = .911. Items with low factor loadings were removed during CFA, resulting in a final 29-item scale. Overall, the Artificial Intelligence Awareness Scale demonstrated strong psychometric properties, offering a valid and reliable tool for measuring science teachers’ awareness of AI.

Keywords

• Artificial intelligence
• Awareness
• Science teachers
• Scale development
• Validity
• Reliability.

References

1. Aksekili, E., & Kan, A. (2024). Öğretmenlerin Eğitimde Yapay Zekâ Kullanımına Yönelik Tutum Ölçeği Geliştirme: Geçerlik ve Güvenirlik Çalışması. 21. Yüzyılda Eğitim ve Toplum, 13(39), 525–542.
2. Bryman, A., & Cramer, D. (2001). Quantitative data analysis with SPSS release 10 for Windows. Routledge Press.
3. Akyürek, M. İ. (2025). Yapay Zekâ Okuryazarlığı Ölçeğinin Türkçe Uyarlaması: Geçerlik ve Güvenirlik Çalışması (Eğitim Paydaşlarına Yönelik). Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, 45(2), 649–663. https://doi.org/10.17152/gefad.1469370
4. Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). The Guilford Press.
5. Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.
6. Büyük, U., & Çetingüney, H. (2025). Eğitimde Yapay Zekâ Kullanımına Yönelik Öğretmenlerin Öz Yeterlik İnancı: Geçerlik ve Güvenirlik Çalışması. Batı Anadolu Eğitim Bilimleri Dergisi, 16(1), 1422–1445. https://doi.org/10.51460/baebd.1602705
7. Büyüköztürk, Ş. (2021). Bilimsel araştırma yöntemleri. Pegem Akademi.
8. Byrne, B. M. (2016). Structural equation modeling with AMOS: Basic concepts, applications, and programming (3rd ed.). Routledge.

9. Casal-Otero, L., Catala, A., Fernández-Morante, C., et al. (2023). AI literacy in K-12: A systematic literature review. IJ STEM Education, 10, 29. https://doi.org/10.1186/s40594-023-00418-7
10. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75264–75278. https://doi.org/10.1109/ACCESS.2020.2988510
11. Chen, X., Xie, H., & Hwang, G. J. (2020). A multi-perspective study on artificial intelligence in education: Grants, conferences, journals, and patents. Educational Technology & Society, 23(4), 1–17. https://doi.org/10.1016/j.caeai.2020.100005
12. Chiu, T. K. F. (2021). Digital learning in science education: Challenges and solutions. Science Education International, 32(2), 91–98.
13. Chiu, T. K. F. (2025). Teacher education for AI competency. In Empowering K-12 education with AI. Taylor & Francis. https://doi.org/10.4324/9781003498377
14. Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). SAGE Publications.
15. Çolak Yazıcı, S., & Erkoç, M. (2023). Fen Bilimleri Grubu öğretmenlerinin uzaktan eğitim sürecinde yapay zekâ kullanma durumlarının analizi. Dokuz Eylül Üniversitesi Buca Eğitim Fakültesi Dergisi, (58), 2682–2704. https://doi.org/10.53444/deubefd.1316144
16. Çolak Yazıcı, S., & Erkoç, M. (2024). Kimya, fizik, biyoloji ve fen bilimleri öğretmenlerinin yapay zekâ kullanımına yönelik görüş ve tutumlarının Teknoloji Kabul Modeline göre analizi. Batı Anadolu Eğitim Bilimleri Dergisi, 15(2), 1606–1641. https://doi.org/10.51460/baebd.1496347
17. Davis, F. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13, 319–340. https://doi.org/10.2307/249008
18. Durukan, A., & Altun, M. S. (2024). Üretken yapay zekânın fen eğitimine entegrasyonu: Sistematik bir inceleme. TRB2 International Congress on Educational Sciences – III.
19. Eniş Erdoğan, T., & Ekşioğlu, S. (2024). Yapay Zekâ Okuryazarlığı Ölçeği’nin Türkçeye uyarlanması. Türk Eğitim Bilimleri Dergisi, 22(2), 1196–1211. https://doi.org/10.37217/tebd.1496716
20. Erdoğdu, F., & Cakir, O. (2024). Öğretmen adaylarının yapay zekâ okuryazarlıklarının ve yapay zekâya ilişkin algılarının belirlenmesi. Uluslararası Türk Kültür Coğrafyasında Sosyal Bilimler Dergisi, 9(2), 63–95. https://doi.org/10.55107/turksosbilder.1594635
21. Field, A. (2005). Discovering statistics using SPSS. Sage Publications.
22. Guo, S., Latif, E., Zhou, Y., Huang, X., & Zhai, X. (2024). Using generative AI and multi-agents to provide automatic feedback. arXiv. https://arxiv.org/abs/2411.07407
23. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
24. Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Buckingham Shum, S., & Koedinger, K. R. (2022). Ethics of AI in education: Towards a community-wide framework. UNESCO Publishing.
25. Holmes, W., Porayska-Pomsta, K., Nemorin, S., & Tuomi, I. (2022). Ethics of artificial intelligence in education: Towards a community of practice. UNESCO Publishing.
26. Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
27. Işık, E., & Köse, M. (2024). Fen Bilimleri öğretmenlerinin artırılmış gerçeklik, Metaverse, yapay zekâ ve eğitimde uygulamalarıyla ilgili görüşlerinin incelenmesi. Journal of Individual Differences in Education, 6(2), 149–169. https://doi.org/10.47156/jide.1587315
28. Kim, S., & Lee, J. (2023). Exploring K-12 teachers' perceptions of artificial intelligence in education: A qualitative study. Education and Information Technologies, 28(3), 2561–2584.
29. Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). The Guilford Press.
30. Knight, J., & Faggella-Luby, M. (2024). Data rules: Elevating teaching with objective reflection. ASCD. https://www.ascd.org/books/data-rules?variant=123026
31. Li, S., Wang, X., & Li, J. (2022). The impact of artificial intelligence on science education: A systematic review. Journal of Science Education and Technology, 31(4), 401–418.
32. Li, S., Wang, X., & Zhu, Y. (2022). A systematic review of AI-assisted personalized learning in K-12 education. Education and Information Technologies, 27(8), 11211–11234.
33. Lin, P. Y., Chai, C. S., Jong, M. S. Y., Dai, Y., Guo, Y., & Qin, J. (2023). Modeling K–12 students’ artificial intelligence literacy: A cross-sectional survey. Computers and Education: Artificial Intelligence, 4, 100127. https://doi.org/10.1016/j.caeai.2023.100127
34. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson.
35. Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). ACM. https://doi.org/10.1145/3313831.3376727
36. Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
37. OECD. (2021). AI and the future of skills, Vol. 1: OECD skills outlook 2021. OECD Publishing. https://doi.org/10.1787/5ee40c01-en
38. Pedaste, M., & Sarapuu, T. (2020). Artificial intelligence in education: Challenges and opportunities for teachers. Education Sciences, 10(10), 281. https://doi.org/10.3390/educsci10100281
39. Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
40. Schumacker, R. E., & Lomax, R. G. (2016). A beginner’s guide to structural equation modeling (4th ed.). Routledge.
41. Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.
42. Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
43. Talan, T., Kalinkara, Y., & Alabay, A. (2023). A scale for teachers’ artificial intelligence awareness: A validity and reliability study. Journal of Computer and Education Research, 11(21), 164–188.
44. Talan, T., Kalinkara, Y., & Batdı, V. (2023). Teachers’ awareness, opinions, and ethics regarding artificial intelligence in education. Technology, Knowledge and Learning, 28, 285–305. https://doi.org/10.1007/s10758-021-09579-5
45. Tenberga, I., & Daniela, L. (2024). Artificial intelligence literacy competencies for teachers through self-assessment tools. Sustainability, 16(23), 10386. https://doi.org/10.3390/su162310386
46. Thompson, B. (2004). Exploratory and confirmatory factor analysis: Understanding concepts and applications. American Psychological Association.
47. Tripathi, T., Sharma, S. R., Singh, V., Bhargava, P., & Raj, C. (2025). Teaching and learning with AI: A qualitative study on K-12 teachers’ use and engagement with artificial intelligence. Frontiers in Education. https://doi.org/10.3389/feduc.2025.1651217
48. Tuomi, I. (2021). Teacher competence in the age of artificial intelligence. European Journal of Education, 56(3), 398–412.
49. UNESCO. (2022). K-12 AI curricula: A mapping of government-endorsed AI curricula. UNESCO Publishing.
50. World Economic Forum. (2023). The Future of Jobs Report 2023. https://www.weforum.org/publications/the-future-of-jobs-report-2023/
51. Yılmaz, A. (2024). Strengths and weaknesses of teachers’ use of artificial intelligence, transhumanism and creativity applications in science education. International Journal of Eurasia Social Sciences, 15(55), 17–36. https://doi.org/10.35826/ijoess.4448
52. Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – Where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0