ÖĞRETMEN ADAYLARININ YAPAY ZEKÂ HAZIR BULUNUŞLUK DÜZEYLERİNİN ÇEŞİTLİ DEĞİŞKENLER AÇISINDAN İNCELENMESİ

Abstract

Bu araştırmada öğretmen adaylarının yapay zekâ teknolojilerinin kullanım kabulü ve sürdürülebilirliğine yönelik hazır bulunuşluk düzeylerini cinsiyet ve bölüm gibi demografik özelliklere göre incelenmesi amaçlanmıştır. Tarama modelinin kullanıldığı bu araştırma, Karadeniz bölgesinde bir devlet üniversitesinde lisans düzeyinde eğitim gören 132 öğretmen adayıyla yürütülmüştür. Öğretmen adaylarının yapay zekaya yönelik hazır bulunuşluklarını ortaya çıkarmak amacıyla, Yapay Zekâ Hazır Bulunuşluluk Ölçeği uygulanmış ve ulaşılan verilerin analizinde betimsel istatistikler (ortalama, yüzde, standart sapma), normallik testleri ve parametrik testler (t testi ve ANOVA) kullanılmıştır. Analiz sonucunda, öğretmen adaylarının yapay zekâ teknolojilerine ve uygulamalarına yönelik hazır bulunuşluk seviyeleri YZH ölçeğinin alt boyutlarına göre puanların ortalama üstü olduğu tespit edilmiştir. Yapay zekâ bilişsel, beceri, öngörü ve etik hazır bulunuşlukları cinsiyet değişkeni bakımından kadın ve erkek öğretmen adayları arasında anlamlı farklılık bulunmadığı ve öğretmen adaylarının yapay zekâ hazır bulunuşlukları bölümlere göre önemli bir farklılık göstermediği tespit edilmiştir.

Keywords

• Yapay Zekâ
• Öğretmen Adayı
• Hazır Bulunuşluk

Investigation of Preservice Teachers' Artificial Intelligence Readiness Levels in Terms of Various Variables

Abstract

In this study, it was aimed to examine the readiness levels of pre-service teachers towards the acceptance and sustainability of artificial intelligence technologies according to demographic characteristics such as gender and department. This research, in which the survey model was used, was conducted with 132 pre-service teachers studying at undergraduate level at a state university in the Black Sea region. In order to reveal the readiness of pre-service teachers towards artificial intelligence, the Artificial Intelligence Readiness Scale was applied and descriptive statistics (mean, percentage, standard deviation), normality tests and parametric tests (t test and ANOVA) were used in the analysis of the data obtained. As a result of the analysis, it was determined that the readiness levels of pre-service teachers towards artificial intelligence technologies and applications were above average according to the sub-dimensions of the AI scale. It was determined that there was no significant difference between female and male pre-service teachers in terms of gender variable in terms of artificial intelligence cognitive, skill, foresight and ethical readiness and there was no significant difference between pre-service teachers' artificial intelligence readiness according to departments.

Keywords

• Artificial Intelligence
• Preservice Teacher
• Readiness

References

1. Alanoğlu, M., & Karabatak, S. (2020). Eğitimde yapay zekâ. In F. Güçlü Yılmaz & M. Naillioğlu Kaymak (Eds.), Eğitim araştırmaları (ss. 175–185).
2. Ali, A. (2023). Assessing artificial intelligence readiness of faculty in higher education: Comparative case study of Egypt (Master's thesis, The American University in Cairo). AUC Knowledge Fountain.
3. Anh, N. T. M., Hoa, L. T. K., Thao, L. P., Nhi, D. A., Long, N. T., Truc, N. T., & Ngoc Xuan, V. (2024). The effect of technology readiness on adopting artificial intelligence in accounting and auditing in Vietnam. Journal of Risk and Financial Management, 17(1), Article 27. https://doi.org/10.3390/jrfm17010027
4. Ayanwale, M. A., Sanusi, I. T., Adelana, O. P., Aruleba, K. D., & Oyelere, S. S. (2022). Teachers' readiness and intention to teach artificial intelligence in schools. Computers and Education: Artificial Intelligence, 3, 100099. https://doi.org/10.1016/j.caeai.2022.100099
5. Banaz, E., & Demirel, O. (2024). Türkçe öğretmen adaylarının yapay zekâ okuryazarlıklarının farklı değişkenlere göre incelenmesi. Dokuz Eylül Üniversitesi Buca Eğitim Fakültesi Dergisi, 60, 1516–1529. https://doi.org/10.53444/deubefd.1461048
6. Chai, C. S., Lin, P., & Jong, M. S. (2020). Factors influencing students' behavioral intention to continue artificial intelligence learning. In 2020 International Symposium on Educational Technology (ISET) (pp. 147–150). IEEE. https://doi.org/10.1109/ISET49818.2020.00040
7. Chounta, I. A., Bardone, E., Raudsep, A., & Pedaste, M. (2022). Exploring teachers' perceptions of artificial intelligence as a tool to support their practice in Estonian K–12 education. International Journal of Artificial Intelligence in Education, 32(3), 725–755. https://doi.org/10.1007/s40593-021-00243-5
8. Çankaya, A. (2024). Hastane öncesi acil sağlık hizmetleri çalışanlarının yapay zekâ tutumları ile tıbbi yapay zekâ hazır bulunuşluk düzeyi ilişkisinin değerlendirilmesi (Yüksek lisans tezi, Selçuk Üniversitesi).

9. Çolak, A. F. (2022). Ortaokullarda yapay zekâ öğretimi için geliştirilen kurs planı ve içeriklerin öğrencilerin üstbilişsel davranışlarına etkisi (Yüksek lisans tezi, Trabzon Üniversitesi).
10. Demir Öztürk, S., & Eren, E. (2021). Üniversite öğrencilerinin çevrimiçi öğrenmeye hazır bulunuşluk düzeylerinin incelenmesi. Anadolu Üniversitesi Eğitim Fakültesi Dergisi, 5(2), 144–163. https://doi.org/10.34056/aujef.852145
11. Emir, B., Yurdem, T., Ozel, T., Sayar, T., Uzun, T. A., Akar, U., & Colak, U. A. (2024). Artificial intelligence readiness status of medical faculty students. Konuralp Medical Journal, 16(1), 88–95. https://doi.org/10.18521/ktd.1387826
12. Falebita, O. S., & Kok, P. J. (2024). Artificial intelligence tools usage: A structural equation modeling of undergraduates' technological readiness, self-efficacy and attitudes. Journal for STEM Education Research. Advance online publication. https://doi.org/10.1007/s41979-024-00132-1
13. Feyzi, A., Yıldız, A., Kılınç, S., Aytekin, N., Adalı, R., & Kurnaz, K. (2023). Yapay zekânın eğitime etkileri. International Journal of Social and Humanities Sciences Research, 10(98), 2100–2107. https://doi.org/10.5281/zenodo.8307107
14. Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to design and evaluate research in education (8th ed.). McGraw-Hill.
15. Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd550d1
16. Gardner, J., O'Leary, M., & Yuan, L. (2021). Artificial intelligence in educational assessment: Breakthrough or buncombe and ballyhoo? Journal of Computer Assisted Learning, 37(5), 1207–1216. https://doi.org/10.1111/jcal.12577
17. Gencer, K., & Gencer, G. (2024). Tıp fakültesi öğrencilerinin tıbbi yapay zekâ hazır bulunuşluluğunun incelenmesi. Kocatepe Tıp Dergisi, 25(2), 143–149. https://doi.org/10.18229/kocatepetip.1295779
18. Goh, P. S., & Sandars, J. (2020). A vision of the use of technology in medical education after the COVID-19 pandemic. MedEdPublish, 9. https://doi.org/10.15694/mep.2020.000049.1
19. Gölbaşı, B., & Okul, Ö. (2024, May 21–24). Öğretmen adaylarının "yapay zekâ" kavramına ilişkin metaforik algıları. XI International Eurasian Educational Research Congress, Kocaeli, Türkiye.
20. Guo, J., & Li, B. (2018). The application of medical artificial intelligence technology in rural areas of developing countries. Health Equity, 2(1), 174–181. https://doi.org/10.1089/heq.2018.0037
21. Harman, G., & Çelikler, D. (2012). Eğitimde hazır bulunuşluğun önemi üzerine bir derleme çalışması. Journal of Research in Education and Teaching, 1(3), 147–156.
22. Hıdıroğlu, Y. Ö., & Tanrıöğen, A. (2024). Öğretmen adaylarının akademik okuryazarlık algılarıyla yaşam boyu öğrenme eğilimleri arasındaki ilişki. Dokuz Eylül Üniversitesi Buca Eğitim Fakültesi Dergisi, 59, 709–725. https://doi.org/10.53444/deubefd.1399907
23. Hinton, G. (2018). Deep learning—A technology with the potential to transform health care. JAMA, 320(11), 1101–1102. https://doi.org/10.1001/jama.2018.11100
24. Hagendorff, T. (2020). The ethics of AI ethics: An evaluation of guidelines. Minds and Machines, 30(1), 99– 120. https://doi.org/10.1007/s11023-020-09517-8
25. İşler, B., & Kılıç, M. (2021). Eğitimde yapay zekâ kullanımı ve gelişimi. Yeni Medya Elektronik Dergisi, 5(1), 1–11.
26. Jha, N., Shankar, P. R., Al-Betar, M. A., Mukhia, R., Hada, K., & Palaian, S. (2022). Undergraduate medical students' and interns' knowledge and perception of artificial intelligence in medicine. Advances in Medical Education and Practice, 13, 927–937. https://doi.org/10.2147/AMEP.S368519
27. Joosten, T., & Cusatis, R. (2020). Online learning readiness. American Journal of Distance Education, 34(3), 180–193. https://doi.org/10.1080/08923647.2020.1726167
28. Karaca, O., Çalışkan, S., & Demir, K. (2021). Medical artificial intelligence readiness scale for medical students (MAIRS-MS): Development, validity and reliability study. BMC Medical Education, 21, Article 112. https://doi.org/10.1186/s12909-021-02546-6
29. Karasar, N. (2012). Bilimsel araştırma yöntemi (24. bs.). Nobel Akademik Yayıncılık.
30. Karataş, A. (2024). Uluslararası yapay zekâ stratejilerinin eğitim bağlamında değerlendirilmesi. Social Science Development Journal, 9(47). https://doi.org/10.5281/zenodo.14131787
31. Kopcha, T. J. (2012). Teachers' perceptions of the barriers to technology integration and practices with technology under situated professional development. Computers & Education, 59(4), 1109–1121. https://doi.org/10.1016/j.compedu.2012.05.014
32. Köse, B., Radif, H., Uyar, B., Baysal, İ., & Demirci, N. (2023). Öğretmen görüşlerine göre eğitimde yapay zekânın önemi. Journal of Social, Humanities and Administrative Sciences, 9(71), 4203–4209. https://doi.org/10.29228/JOSHAS.74125
33. Kurt, M. (2024). Eğitim yöneticilerinin yapay zekâ teknolojilerini kullanmaya yönelik görüşlerinin belirlenmesi (Yüksek lisans tezi, Marmara Üniversitesi).
34. Labrague, L. J., Aguilar-Rosales, R., Yboa, B. C., & Sabio, J. B. (2023). Factors influencing student nurses' readiness to adopt artificial intelligence (AI) in their studies and their perceived barriers to accessing AI technology: A cross-sectional study. Nurse Education Today, 130, 105945. https://doi.org/10.1016/j.nedt.2023.105945
35. Lazányi, K. (2018). Readiness for artificial intelligence. In 2018 IEEE 16th International Symposium on Intelligent Systems and Informatics (SISY) (pp. 235–238). IEEE. https://doi.org/10.1109/SISY.2018.8524740
36. Lee, G. J., & Naidoo, S. (2018). Moderating effects of technology readiness on attitudes and responses to mobile check-in at South African airports. Asia Pacific Journal of Advanced Business and Social Studies, 4(1), 87–97. https://doi.org/10.25275/apjabssv4i1bus9
37. Luan, H., Geczy, P., Lai, H., Gobert, J., Yang, S. J. H., Ogata, H., & Tsai, C.-C. (2020). Challenges and future directions of big data and artificial intelligence in education. Frontiers in Psychology, 11, Article 580820. https://doi.org/10.3389/fpsyg.2020.580820
38. Luong, J., Tzang, C. C., McWatt, S., Brassett, C., Stearns, D., Sagoo, M. G., Kunzel, C., Sakurai, T., Chien, C., Noel, G., & Wu, A. (2024). Exploring artificial intelligence readiness in medical students: Analysis of a global survey. Medical Science Educator. Advance online publication. https://doi.org/10.1007/s40670-024-02190-x
39. Lugito, N. P. H., Cucunawangsih, C., Suryadinata, N., Kurniawan, A., Wijayanto, R., Sungono, V., Sabran, S. M., Albert, N., Budianto, C. J., Rubismo, K. Y., Purushotama, N. B. S. A., & Zebua, A. (2024). Readiness, knowledge, and perception towards artificial intelligence of medical students at Faculty of Medicine, Pelita Harapan University, Indonesia: A cross-sectional study. BMC Medical Education, 24(1), 1044. https://doi.org/10.1186/s12909-024-06058-x
40. Moodi, G. A., Moghadasin, M., Emadzadeh, A., & Mastour, H. (2023). Psychometric properties of the Persian version of the Medical Artificial Intelligence Readiness Scale for Medical Students (MAIRS-MS). BMC Medical Education, 23(1), 577. https://doi.org/10.1186/s12909-023-04553-1
41. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
42. Neuron. (2025). Eğitim dönüşümü: Nijerya'da yapay zekâ destekli öğrenme başarısı. https://neuron.expert/news/a-nigerian-pilot-program-proves-ais-power-to-dramatically-transformeducation/ 10450/tr/
43. Özdoğru, G., & Yıldız Durak, H. (2024). Turkish adaptation of the AI readiness scale for preservice teachers. In 10. Uluslararası New York Sosyal, Beşerî, İdari ve Eğitim Bilimlerinde Akademik Çalışmalar.
44. Özmutlu, M. (2023). Ortaokul öğrencileri için yapay zekâ okuryazarlığı öğretim programının geliştirilmesi (Doktora tezi, Bahçeşehir Üniversitesi).
45. Öztürk, İ. (2025). Nijerya'da yapay zekâ ile 6 haftada 2 yıllık eğitim. https://www.ilkayozturk.com/ Park, S. H., Do, K. H., Kim, S., Park, J. H., & Lim, Y. S. (2019). What should medical students know about artificial intelligence in medicine? Journal of Educational Evaluation for Health Professions, 16, Article 18. https://doi.org/10.3352/jeehp.2019.16.18
46. Paz, B. J. (2020). Kai-Fu Lee (2019): AI Superpowers—China, Silicon Valley and the New World Order. AI & Society, 35, 771–772. https://doi.org/10.1007/s00146-020-00991-3
47. Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(1), Article 22. https://doi.org/10.1186/s41039-017-0062-8
48. Rajapakse, C., Ariyarathna, W., & Selvakan, S. (2024). A self-efficacy theory-based study on teachers' readiness to teach artificial intelligence in public schools in Sri Lanka. ACM Transactions on Computing Education, 24(4), 1–25. https://doi.org/10.1145/3691354
49. Sakal, M. (2017). Çevrimiçi öğrenmede öğrencilerin hazır bulunuşluk düzeylerinin demografik özelliklerine göre incelenmesi. Sosyal ve Beşerî Bilimler Araştırmaları Dergisi, 18(39), 81–102.
50. Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
51. Trotsko, A. V., Rybalko, L. S., Kirilenko, O. G., & Trush, H. O. (2019). Teachers' professional selfimprovement in the conditions of distance learning implementation in higher education institutions. Information Technologies and Learning Tools, 72(4), 258–272. https://doi.org/10.33407/itlt.v72i4.3088
52. Uyar, A., & Karakuyu, A. (2020). Meslek yüksekokulu öğrencilerinin e-öğrenmeye yönelik hazır bulunuşlukları. Journal of Social and Humanities Sciences Research, 7(60), 2905–2914. https://doi.org/10.26450/jshsr.2119
53. Uzun, Y., Tümtürk, A. Y., & Öztürk, H. (2021). Günümüzde ve gelecekte eğitim alanında kullanılan yapay zekâ. In 1st International Conference on Applied Engineering and Natural Sciences (pp. 1–3).
54. Wang, B., Rau, P. L. P., & Yuan, T. (2023). Measuring user competence in using artificial intelligence: Validity and reliability of the Artificial Intelligence Literacy Scale. Behaviour & Information Technology, 42(9), 1324–1337. https://doi.org/10.1080/0144929X.2022.2072768
55. Wang, X., Li, L., Tan, S. C., Yang, L., & Lei, J. (2023). Preparing for AI-enhanced education: Conceptualizing and empirically examining teachers' AI readiness. Computers in Human Behavior, 146, 107798. https://doi.org/10.1016/j.chb.2023.107798
56. Xuan, P. Y., Fahumida, M. I. F., Al Nazir Hussain, M. I., Jayathilake, N. T., Khobragade, S., Soe, H. H. K., Moe, S., & Htay, M. N. N. (2023). Readiness towards artificial intelligence among undergraduate medical students in Malaysia. Education in Medicine Journal, 15(2), 49–60. https://doi.org/10.21315/eimj2023.15.2.2
57. Zhai, X. (2024). Transforming teachers' roles and agencies in the era of generative AI: Perceptions, acceptance, knowledge, and practices. Journal of Science Education and Technology. Advance online publication. https://doi.org/10.48550/arXiv.2410.03018
58. Zheng, H., Hu, H., & Wang, H. (2021). Relevant concepts, key technologies and typical application scenarios of AI + education. Journal of Physics: Conference