Yapay Zekâ Kaygısı Ölçeğinin Aile Hekimlerinde Geçerlik ve Güvenirliğinin Değerlendirilmesi

Year 2021, Volume: 2 Issue: 1, 20 - 28, 02.07.2021

Giray Kolcu , Gökmen Özceylan , Aysel Başer , Sibel Baktır Altuntaş

Abstract

Giriş: Yapay zekâ bir makinenin insan zekâsı gerektiren davranışları taklit etme yeteneği olarak tanımlanmaktadır.

Amaç: Bu çalışmada “Yapay Zekâ Kaygısı Ölçeği”nin Türkçe uyarlamasının aile hekimleri/aile hekimliği uzmanlarında geçerlik ve güvenirliğinin değerlendirilmesi amaçlanmaktadır.

Yöntem: Kesitsel tipteki bu çalışma için Süleyman Demirel Üniversitesi Klinik Araştırmalar Etik kurulundan çalışma onayı alınmıştır (18.01.2021/Sayı:5). Türkiye’den çevirimiçi olarak ulaştığımız aile hekimi ve aile hekimliği uzmanlarından çalışmaya katılmayı kabul edenlere çalışma hakkında kısa bir bilgilendirme yaparak anket sorularını yanıtlamalarını istedik(n=402). Çalışmada veri toplama aracı olarak Wang tarafından geliştirilmiş ve Terzi tarafından Türkçe geçerlik güvenirlik çalışması yapılmış olan “Yapay Zekâ Endişe Ölçeği” tercih edildi. Ölçme aracının geçerlik ve güvenilirliğinin belirlenmesi için uzman görüşleri sonrasında madde kapsam geçerlik analizleri, ölçek tanımlayıcı analizleri, KMO testi, açıklayıcı faktör analizleri, alt boyutlar arası korelasyon analizleri, doğrulayıcı faktör analizleri yapıldı. Güvenirlik için ise klasik test kuramı ve genellenebilirlik kuramı tercih edildi.

Bulgular: Çalışma kapsamında ölçeğin popülasyon ile uyumu ve çalışma evrenine genelleme düzeyi değerlendirildi. Ölçeğin geçerlik analizleri için çeviri ve kapsam geçerliliği analizleri Davis tekniğine göre yapıldı. SCVI/Ave ilgililik için 0.97, anlaşılırlık için 0.96 olarak hesaplandı. Yapı geçerliliği analizlerinde Ölçeğin KMO testi sonucu 0.931 olarak hesaplandı ve ölçek “mükemmel” düzeyde faktörlere ayrılabilir olarak değerlendirildi. Açıklayıcı faktör analizinde orjinal ve Türkçe uyarlama çalışmaları ile uyumlu olarak ölçeğin 4 alt boyuta ayrıldığı gösterildi. Doğrulayıcı faktör analizinde uyum indeksleri “kabul edilebilir” ve “mükemmel” düzeyde olarak değerlendirildi. Ölçeğin alt boyutları ile birlikte bütünsel bir model oluşturduğu gösterildi. Ölçeğin klasik test kuramı ile yapılan güvenirlik analizlerinde Cronbach's Alpha 0.95, genellenebilirlik kuramı ile yapılan güvenirlik analizlerinde G-katsayısı 0.95 olarak hesaplandı.

Sonuç: Bu çalışmada Yapay Zekâ Kaygısı Ölçeği Türkçe formunun aile hekimleri/ aile hekimliği uzmanlarında geçerlik ve güvenilirliği değerlendirilmeye çalışılmıştır. Çalışmadan elde edilen sonuçlara göre Yapay Zekâ Kaygısı Ölçeğinin aile hekimleri/aile hekimliği uzmanlarında yapay zekâ ile ilgili kaygı düzeyini değerlendirmek için kullanılabilecek geçerli ve güvenilir bir ölçme aracı olduğunu söylemek olanaklıdır.

Keywords

Yapay Zekâ, Kaygı, Geçerlik, Güvenirlik

Evaluation of The Validity and Reliability of The Artificial Intelligence Anxiety Scale in Family Physicians

Abstract

Introduction: Artificial intelligence is defined as the ability of a machine to imitate behaviors that require human intelligence.

Objective: The aim of this study is to evaluate thev alidity and reliability of the Turkish version of the “Artificial Intelligence Anxiety Scale” in family physicians.

Methods: The study was approved by Süleyman Demirel University Clinical Research Ethics Committee for this cross-sectional study (18.01.2021 / Issue: 5).We have reached in the online to family physicians and family medicine in Turkey a short information about the study and who agreed to participate in the study by experts from we wanted to answer survey questions(n= 402). This cross-sectional study of 402 family doctors from Turkey/family medicine specialists participated (n =402). In the study, the “Artificial Intelligence Anxiety Scale”, which was developed by Wang and whose Turkish validity and reliability study was conducted by Tailor, was preferred as the data collection tool. In order to determine thev alidity and reliability of the measuring tool, after expert opinions, item content validity analysis, scale descriptive analysis, KMO test, explanatory factor analysis, correlation analysis between sub-dimensions, and confirmatory factor analysis were performed. Forreliability, classical test theory and generalizability theory were preferred.

Results: With in the scope of the study, the compatibility of the scale with the population and the generalization level to the study population were evaluated. For the validity analysis of the scale, translation and content validity analysis were performed according to Davis technique. SCVI / Ave was calculated as 0.97 for relevance and 0.96 for clarity. In the constructv alidity analysis, the KMO test result of the scale was calculated as 0.931 and the scale was considered to be divisible into “excellent” factors. In the explanatory factor analysis, it was shown that the scale was divided into 4 sub-dimensions in accordance with the original and Turkish adaptation studies. In the confirmatory factor analysis, fit indices were evaluated as “acceptable” and “excellent”. It was shown that the scale formed a holistic model with its sub-dimensions. Cronbach's Alpha was calculated as 0.95 in the reliability analysis of the scale with the classical test theory, and the G-coefficient was calculated as 0.95 in the reliability analysis made with generalizability theory.

Conclusion: In this study, the validity and reliability of the Turkish version of the Artificia lIntelligence Anxiety Scale was tried to be evaluated in family physicians. According to the results obtained from the study, it is possible to say that the Artificial Intelligence Anxiety Scale is a reliable and reliable measurement tool that can be used in family physicians and family medicine specialists for the level of anxiety about artificial intelligence.

Keywords

Artificial Intelligence, Anxiety, Validity, Reliability

References

• [1] Lillehaugand, S.I. & Lajoie, S.P. (1998). AI in medicaleducation-Another grand challenge for medical informatics. Artif. Intell. Med.,12(3), 197–225
• [2] Coucke, P.A. (2020). Cybersecurity in the health care sector. Rev. Med. Liege, 75(2),125-9
• [3] Sanciprianoand, G.P. & Buttafarro, M. (2018). Artificial intelligence for future MD. Ital. Nefrol., 35(6)
• [4] Lopez-Jimenez, F. et al. Artificial Intelligence in Cardiology: Present and Future. Mayo Clin. Proc., 95(5),1015-1039
• [5] Casseyand, M.Z. &Savalle‐Dunn, J. “Sketching the Future: Trends Influencing Nursing Informatics. J. Obstet. Gynecol. & NeonatalNurs., 23(2), 175-182
• [6 ]Lindqwister, A. L., Hassanpour, Lewis P. J., & Sin, J. M. (2020). AI-RADS: An Artificial Intelligence Curriculum for Residents. Acad. Radiol., (Article in press),1,7
• [7] Gillan, C., Milne, E., Harnett, N., Purdie, T. G., Jaffray, D. A. and Hodges, B. (2019). Professional implications of introducing artificial intelligence in healthcare: An evaluation using radiation medicine as a testing ground. J. Radiother. Pract.,18(1),52-4
• [8] Barrett, M. et al., (2019). Artificial intelligence supported patient self-care in chronic heart failure: a paradigm shift from reactive to predictive, preventive and personalised care. EPMA Journal, 10(4),445-64
• [9] Hardyand, M. & Harvey, H.,(2020). Artificial intelligence in diagnostic imaging: impact on the radiography profession. Br J Radiol, 93(1108)
• [10] Randhawaand, G. K. & Jackson, M., (2020). The role of artificial intelligence in learning and Professional development for healthcare professionals. Healthc. Manag. Forum, 33(1),19-24
• [11] Park, S. H., Do, K.-H., Kim, S., Park, and Lim, Y.S. (2019). What should medical students know about artificial intelligence in medicine?. J. Educ. Eval. Health Prof.,16(18)
• [12] Park, C. J., Yi, P. H. And Siegel, E. L. (2020). Medical Student Perspectives on the Impact of Artificial Intelligence on the Practice of Medicine. Curr. Probl. Diagn. Radiol., 2020, (article in press) Doi: 10.1067/j.cpradiol.2020.06.011.
• [13] Sezer, B., Onan, A. & Elcin, M. (2017). Sürekli Tıp Eğitiminde Bilişim Teknolojileri. Türkiye Klin. Tıp Eğitimi Özel Derg., 1(1),1-6
• [14] Schioler, T., Talmon, J., Nolan, J. and McNair, P.(1994.) Information technology factors in transferability of knowledge based systems in medicine. Artif. Intell. Med., 6(2),189-201
• [15] Chang, S.G. (2017). The fourth industrial revolution and changes in the future medical World. J. Korean Med. Assoc., 60(11),856-58.
• [16] Svacinaand S. & Spunda, M. (1994). Informatics education in undergraduate study at the 1st Medical School of Charles University. Sborníklékarský, 95(3),243-45
• [17] Sousaand, V. D. & Rojjanasrirat, W. (2011) Translation, adaptation and validation of instruments or scales for use in cross-cultural health care research: A clear and user-friendly guideline. J. Eval. Clin. Pract., 17(2), 268-74
• [18] Terzi, R. (2020). An Adaptation of Artificial Intelligence Anxiety Scale Into Turkish: Reliability and Validity Study. Int. Online J. Educ. Teach., 7, 1501–1515
• [19] Wangand Y. Y. & Wang, Y. S. (2019). Development and validation of an artificial intelligence anxiety scale: an initial application in predicting motivated learning behavior. Interact. Learn. Environ., 0(0), 1–16, Doi: 10.1080/10494820.2019.1674887.
• [20] Brennan, R. L. (2001). Generalizability Theory. New York, NY, US: Springer-Verlag Publishing
• [21] Atılgan, H. (2005). Genellenebilirlik kuramı ve puanlayıcılar arası güvenirlik için örnek bir uygulama. Egit. ve Bilim, 7, 95–108
• [22] Güler, N. (2009). Generalizability Theory and Comparison of the Results of G and D Studies Computed by SPSS and GENOVA Packet Programs. Eğitim ve Bilim, 34(154), 93–104
• [23] Shavelsonand, R. J. & Webb, N. M. (1991) Generalizability theory: Aprimer. ThousandOaks, CA, US: Sage Publications, Inc
• [24] Lynn, M. (1986). Determination and quantification of content validity. Nurs. Res., 35(6), 382–85
• [25] Waltz, C. F., Strickland, O. L. & Lenz, E. R. (2005). Measurement in nursing and health research, 3rd ed. New York: Springer Publishing Co.
• [26] Politand, D. F. & Beck, C. T. (2006). Focus on Research Methods Handling Missing Data in Self-Report Measures. Research in Nursing & Health, 29, 489–97
• [27] Williams, B., Brown, T. & Onsman, A P. (2010). Exploratory factor analysis: A five-step guide for novices. J. Emerg. Prim. Heal. Care, 8(3), 1-13
• [28] Field, A. (2003). Discovering Statistics using SPSS for Windoows. London: Thousand Oaks
• [29] Tabachnickand, B. & Fidell, L. (2013). Using Multivariate Statistics. Boston: Pearson
• [30] Şencan, H. (2005). Sosyal ve Davranışsal Ölçümlerde Güvenirlik ve Geçerlik. Ankara: Seçkin Yayıncılık
• [31] Norris J. et al. (2015). The Development and Validation of the Interprofessional Attitudes Scale. Acad. Med., 90(10), 1394–400
• [32] George, M. & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference. 11.0 update, 4th ed. Boston: Allyn& Bacon