Examining Artificial Intelligence Perception and Attitude Through High School Type Variables

Abstract

This study investigates high school students’ perceptions of and attitudes toward artificial intelligence (AI), examining potential variations based on school type and demographic variables. Adopting a cross-sectional survey design, data were collected from 385 students. Due to the non-normal distribution of the data, as confirmed by the Kolmogorov–Smirnov test, statistical analyses were conducted using non-parametric methods, specifically the Mann-Whitney U and Kruskal–Wallis H tests, with Bonferroni correction applied for multiple comparisons. Reliability analysis yielded Cronbach’s alpha coefficients between 0.734 and 0.888, confirming high internal consistency. Findings indicate that students generally maintain high levels of positive AI perceptions and overall favorable attitudes, while negative perception levels remained low. Furthermore, attitudes toward media production and chatbot interaction were found to be moderate. Demographic analysis revealed that gender significantly influenced negative perceptions, with female students reporting higher levels than their male peers; however, no significant differences were observed across age or grade levels. Notably, school type emerged as a critical factor in negative perception, with students at Imam Hatip and Vocational and Technical Anatolian High Schools exhibiting significantly higher negative perceptions compared to those at Science High Schools. These results suggest that school type and institutional context may be distinguishing factors in shaping students' skepticism or apprehension toward AI technologies.

Keywords

• Artificial intelligence perception
• School type
• Student attitudes

Yapay Zeka Algı ve Tutumunun Lise Türü Değişkenleri Üzerinden İncelenmesi

Abstract

Bu araştırmanın amacı, lise öğrencilerinin yapay zekâya yönelik algı ve tutum düzeylerini belirlemek ve bu düzeylerin lise türü başta olmak üzere çeşitli demografik değişkenlere göre farklılaşıp farklılaşmadığını incelemektir. Araştırma kesitsel tarama modelinde yürütülmüş ve 385 lise öğrencisinden elde edilen veriler analiz edilmiştir. Verilerin normal dağılıma uygun olmadığı Kolmogorov-Smirnov testi ile belirlendiğinden analizlerde parametrik olmayan testler kullanılmıştır. İki grup karşılaştırmalarında Mann Whitney U Testi, üç ve daha fazla grup karşılaştırmalarında Kruskal Wallis H Testi uygulanmış, çoklu karşılaştırmalarda Bonferonni düzeltmesi yapılmıştır. Güvenilirlik analizleri sonucunda ölçeğin ve alt boyutlarının Cronbach alfa katsayılarının 0,734 ile 0,888 arasında değiştiği ve ölçeğin yüksek düzeyde güvenilir olduğu belirlenmiştir. Bulgulara göre öğrencilerin olumlu yapay zekâ algıları ve genel yapay zekâ algı ve tutum düzeyleri yüksek; olumsuz algı düzeyleri düşük; medya üretim ve sohbet robotu etkileşimi tutumları ise orta düzeydedir. Cinsiyete göre yalnızca olumsuz algı boyutunda anlamlı farklılık saptanmış, kadın öğrencilerin olumsuz algı düzeylerinin erkek öğrencilere göre daha yüksek olduğu görülmüştür. Yaş ve sınıf düzeyine göre anlamlı bir farklılık bulunmamıştır. Lise türü değişkeninde ise yalnızca olumsuz algı boyutunda anlamlı farklılık tespit edilmiş; imam hatip lisesi ile mesleki ve teknik Anadolu lisesi öğrencilerinin olumsuz algı düzeylerinin fen lisesi öğrencilerine kıyasla daha yüksek olduğu belirlenmiştir. Bu bulgular, lise türünün özellikle yapay zekâya yönelik olumsuz algılar üzerinde ayırt edici bir değişken olabileceğini göstermektedir.

Keywords

• Yapay zekâ algısı
• Lise türü
• Öğrenci tutumları

References

1. Aytaç, Z. (2022). Üniversite öğrencilerinin yapay zekâ öğrenme ve iş değiştirme kaygılarının otonom araçlar ve akıllı evler özelinde değerlendirilmesi. Sektör Sosyal Ekonomi Dergisi, 57(4), 2975–2989. https://doi.org/10.15659/3.sektor-sosyal-ekonomi.22.12.1867
2. Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191–215. https://doi.org/10.1037/0033-295X.84.2.191
3. Czaja, S. J., Charness, N., Fisk, A. D., Hertzog, C., Nair, S. N., Rogers, W. A., & Sharit, J. (2006). Factors predicting the use of technology: Findings from the center for research and education on aging and technology enhancement (CREATE). Psychology and Aging, 21(2), 333–352. https://doi.org/10.1037/0882-7974.21.2.333
4. Çöllü, E. F., & Öztürk, Y. E. (2006). Örgütlerde inançlar-tutumlar, tutumların ölçüm yöntemleri ve uygulama örnekleri: Bu yöntemlerin değerlendirilmesi. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 9(1–2), 373–404.
5. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
6. Dinler, H. (2025). Development of the Artificial Intelligence Perception and Attitude Scale (AIPAS). Bartın University Journal of Faculty of Education, 14(4). DOI: 10.14686/buefad.1602673
7. Jelfs, A., & Richardson, J. T. E. (2012). The use of digital technologies across the adult life span in distance education. British Journal of Educational Technology, 43(6), 979–993.
8. Kaprol, A. (2023). Yapay zekâ haberleri aracılığıyla medyada distopyanın inşası ve hegemonik etkileri: ChatGPT özelinde yaygınlaşan korku söylemi üzerine bir inceleme. Nitel Sosyal Bilimler, 6(1), 75–99. https://doi.org/10.47105/nsb.1392059

9. Karasar, N. (2017). Bilimsel Araştırma Yöntemi: Kavramlar, İlkeler, Teknikler. Ankara: Nobel Akademik Yayıncılık. Livingstone, S. and Helsper, E. (2007) Graduations in Digital Inclusion: Children, Young People and the Digital Divide. New Media & Society, 9, 671-696. https://doi.org/10.1177/1461444807080335
10. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the Dartmouth summer research project on artificial intelligence. AI Magazine, 27(4), 12–14. https://doi.org/10.1609/aimag.v27i4.1904
11. OECD. (2019). PISA 2018 results (Volume I): What students know and can do. OECD Publishing. https://doi.org/10.1787/5f07c754-en
12. Pew Research Center. (2023). Public awareness of artificial intelligence in everyday activities.
13. Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
14. Schepman, A., & Rodway, P. (2020). Initial validation of the general attitudes towards artificial intelligence scale. Computers in Human Behavior Reports, 1, Article 100014. https://doi.org/10.1016/j.chbr.2020.100014
15. Tektaş, M., Akbaş, A., & Topuz, V. (2002). Yapay zekâ tekniklerinin trafik kontrolünde kullanılması üzerine bir inceleme. Uluslararası Trafik ve Yol Güvenliği Kongresi ve Fuarı.
16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO Publishing.
17. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540
18. Venkatesh, V., & Morris, M. G. (2000). Why don’t men ever stop to ask for directions? Gender, social influence, and their role in technology acceptance and usage behavior. MIS Quarterly, 24(1), 115–139. https://doi.org/10.2307/3250981
19. Yazıcıoğlu, Y. ve Erdoğan, S. (2004). SPSS Uygulamalı Araştırma Teknikleri. Ankara: Detay Yayıncılık.
20. Yiğit, P. (2011). Yapay sinir ağları ve kredi taleplerinin değerlendirilmesi üzerine bir uygulama (Yüksek lisans tezi). Sosyal Bilimler Enstitüsü.
21. Zhang, B., & Dafoe, A. (2019). Artificial intelligence: American attitudes and trends. SSRN. https://doi.org/10.2139/ssrn.3312874