Kimya, Fizik, Biyoloji ve Fen Bilimleri Öğretmenlerinin Yapay Zekâ Kullanımına Yönelik Görüş ve Tutumlarının Teknoloji Kabul Modeline göre Analizi

Yıl 2024, , 1606 - 1641, 28.08.2024

Senem Çolak Yazıcı , Mustafa Erkoç

https://doi.org/10.51460/baebd.1496347

Öz

Bu çalışmanın amacı, Kimya, Fizik, Biyoloji ve Fen Bilimleri öğretmenlerinin derslerinde yapay zekâ kullanımına yönelik görüş ve tutumları arasındaki ilişkinin Teknoloji Kabul Modeli (TAM) çerçevesinde algılanan kullanım kolaylığı ve algılanan fayda değişkenleri açısından derinlemesine incelenmesidir. Araştırmada karma yöntem kullanılmış olup, nitel veriler yarı yapılandırılmış görüşme formu aracılığıyla, nicel veriler ise “Yapay Zekâya Yönelik Genel Tutum Ölçeği” ile toplanmıştır. Araştırma örneklemini, 2022-2023 yıllarında Türkiye’nin farklı bölgelerinde görev yapan dört farklı branştan 51 öğretmen (25 kadın, 26 erkek) oluşturmaktadır. Nitel araştırma sonuçlarına göre, öğretmenlerin büyük çoğunluğu (%90.2) yapay zekâ kullanımını faydalı bulmakta ve performanslarını artıracağını düşünmektedir (%84.3). Ayrıca, %58.8'i derslerinde yapay zekâ kullanmaktadır. Ancak, yapay zekâ kullanmayan öğretmenler (%41.2), bu teknolojinin kullanımını zor bulmakta ve yeterli beceriye sahip olmadıklarını düşünmektedir. “Yapay Zekâya Yönelik Genel Tutum Ölçeği” puan ortalaması 3.58 olarak bulunmuş olup, bu da öğretmenlerin yapay zekâya yönelik genel tutumlarının yüksek olduğunu göstermektedir. Tutumların cinsiyet değişkeni ile anlamlı bir ilişkisinin olmadığı belirlenmiştir. Hem nitel hem de nicel verilerden elde edilen sonuçlar, öğretmenlerin derslerinde yapay zekâ kullanımına yönelik olumlu bir tutum sergilediklerini, ancak nitel verilerde olumsuz tutum sergileyen öğretmenlerin uygulamaların kullanımında zorluk yaşadıklarını ortaya koymaktadır. Öğretmenlerin bir uygulamayı faydalı bulsalar dahi, kullanımının kolay olmadığı durumlarda bu uygulamayı derslerine entegre etmedikleri görülmektedir. Bu çıkarım, TAM modeli açısından önemli bir sonuçtur. Öğretmenlere verilecek eğitimlerle yapay zekâ uygulamalarının özellikle kimya ve fizik gibi soyut kavramlar içeren derslerde kullanımının artırılabileceği önerilmektedir. TAM çerçevesinde değerlendirildiğinde, öğretmen yetiştirme programlarına yapay zekâ teknolojilerinin entegrasyonu, öğretmenlerin bu araçları daha etkin kullanmalarını ve eğitim süreçlerinin kalitesini artırmalarını sağlayacaktır.

Anahtar Kelimeler

Eğitimde yapay zekâ, yapay zekâya yönelik genel tutum, eğitimde teknoloji entegrasyonu, kimya öğretiminde yapay zekâ, fizik öğretiminde yapay zekâ, fen bilimleri öğretiminde yapay zekâ

Etik Beyan

Bu araştırma, Düzce Üniversitesi Bilimsel Araştırma ve Yayın Etik Kurulu tarafından onaylanmıştır. Katılımcıların gizliliği ve kişisel verilerin korunması açısından öğretmenler cevap verme sıralarına göre kodlanmıştır ve çalışmada hiçbir kişisel veri kullanılmamıştır. Yapılan araştırmada kullanılan YZT için ilgili izinler önceden alınmıştır. Düzce Üniversitesi Bilimsel Araştırma ve Yayın Etik Kurulu 27/04/2023 tarihli. 2022/126 numaralı karar.

Kaynakça

• Aghaziarati, A., Nejatifar, S., ve Abedi, A. (2023). Artificial Intelligence in Education: Investigating Teacher Attitudes. AI and Tech in Behavioral and Social Sciences,1(1), 35-42. https://doi.org/10.61838/kman.aitech.1.1.6
• Akkaya, B., Özkan, A., ve Özkan, H. (2021). Yapay Zekâ Kaygı (YZK) Ölçeği: Türkçeye Uyarlama Geçerlik ve Güvenirlik Çalışması. Alanya Akademik Bakış, 5 (2), 125-1146. DOI: 10.29023/alanyaakademik.833668
• Aksakal, N. Y., ve Ülgen, B. (2021). Yapay zekâ ve geleceğin meslekleri. Trt Akademi, 6(13), 834-853.
• Al Darayseh, A. (2023). Acceptance of artificial intelligence in teaching science: Science teachers' perspective. Computers and Education: Artificial Intelligence, 4, 100132-100140. https://doi.org/ 10.1016/j.caeai.2023.100132
• Alabay, A., ve Taşdelen, V. (2017). Ortaöğretim öğretmenlerinin ve öğrencilerinin EBA (Eğitimde Bilişim Ağı) kullanımına ilişkin görüşleri üzerine bir araştırma. İstanbul Aydın Üniversitesi Eğitim Fakültesi Dergisi, Özel Sayı, 27-29.
• Aytaçlı, B. (2012). Durum Çalışmasına Ayrıntılı Bir Bakış. Adnan Menderes Üniversitesi Eğitim Fakültesi Eğitim Bilimleri Dergisi, 3 (1), 1-9.
• Baidoo-Anu, D., ve Owusu Ansah, L. (2023). Education in the Era of Generative Artificial Intelligence (AI): Understanding the Potential Benefits of ChatGPT in Promoting Teaching and Learning. Journal of AI, 7 (1), 52-62. Baltacı, A. (2017). Nitel veri analizinde Miles-Huberman modeli. Ahi Evran Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3 (1), 1-14.
• Bayram, B., ve Baki, Y. (2014). Ortaokul 6. Sınıf Türkçe Dersi Öğretmen Kılavuz Kitabının Çoklu Zekâ Kuramı Açısından Değerlendirilmesi. Dil ve Edebiyat Egitimi Dergisi, 9, 133-147.
• Berg, B. L., ve Lune, H. (2019). Sosyal bilimlerde nitel araştırma yöntemleri. Eğitim Yayinevi.
• Busetto, L., Wick, W., ve Gumbinger, C. (2020). How to use and assess qualitative research methods. Neurological Research and practice, 2 (14) 1-10. https://doi.org/10.1186/s42466-020-00059-z
• Büyüköztürk, Ş., Çakmak, E., Akgün, Ö., Karadeniz, Ş., ve Demirel, F. (2013). Bilimsel araştırma yöntemleri. Ankara: PegemA Yayınları.
• Castro, F. G., Kellison, J. G., Boyd, S. J., ve Kopak, A. (2010). A methodology for conducting integrative mixed methods research and data analyses. Journal of mixed methods research, 4 (4), 342-360.
• Cevahir, E. (2020). SPSS ile nicel veri analizi rehberi. Kibele.
• Chen, L., Chen, P., ve Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75264 – 75278. Cooper, G. (2023). Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence. Journal of Science Education and Technology, 32, 444–452. https://doi.org/10.1007/s10956-023-10039-y
• Creswell, J. W., ve Creswell, J. D. (2017). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.
• Creswell, J. W., ve Tashakkori, A. (2007). Differing perspectives on mixed methods research. Journal of mixed methods research, 1 (4), 303-308.
• Çelik, A. (2019). Öğretmenlerin eğitim teknolojileri kullanım düzeylerinin belirlenmesi: Sakarya ili örneği (Doctoral dissertation, Sakarya Universitesi (Turkey)).
• Çetin, M., ve Aktaş, A. (2021). Yapay zekâ ve eğitimde gelecek senaryoları. OPUS International Journal of Society Researches, 18, 4225-4268.
• Çolak Yazıcı, S. (2023). Kimya Eğitimine Teknolojinin Entegrasyonu. Matematik ve Fen Bilimleri Üzerine Araştırmalar, 41-59. https://doi.org/10.58830/ozgur.pub81.c471
• Çolak Yazıcı, S. (2024) Eğitimde yapay zekâ ve kimya eğitimindeki uygulamaları, Dijital Eğitim I. Eğitim Yayınevi. 83-100.
• Çolak Yazıcı, S., ve 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
• Çolak Yazıcı, S., ve Nakiboğlu, C. (2024). Examining experienced chemistry teachers’ perception and usage of virtual labs in chemistry classes: a qualitative study using the technology acceptance model 3. Education and Information Technologies 29, 4337–4370. https://doi.org/10.1007/s10639-023 11985-1
• Davis, F. (1989).Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13 (3), 319-340.
• Ding, J., ve Su, Y. (2024). A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing, 28(1), 685-701.
• Duchatelet, D., ve Donche, V. (2022). Assessing student learning during simulations in education: Methodological opportunities and challenges when applying a longitudinal case study design. Studies in Educational Evaluation, 72, 101129-101137.
• Edmunds, R., Thorpe, M., ve Conole, G. (2012). Student attitudes towards and use of ICT in course study, work and social activity: A technology acceptance model approach. British journal of educational technology, 43 (1), 71-84. https://doi:10.1111/j.1467-8535.2010.01142.x
• Eğitim Bilişim Ağı. (2020). Akademik Destek kullanım kılavuzu. https://www.eba.gov.tr/yardim-sss/assets/pdf/ADES_Kullanim_Kilavuzu.pdf (Erişim tarihi: 27.04.2024).
• Erdoğan, G. (2023). Bireylerin Mobil Bankacılığı Benimsemesini Etkileyen Faktörler: Genişletilmiş Birleşik Teknoloji Kabulü ve Kullanımı Teorisi (UTAUT) Modeli Çerçevesinde Bir Araştırma. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25 (1), 121-142.
• Erkan, S. (2004). Öğretmenlerin bilgisayara yönelik tutumlari üzerine bir inceleme. Manas Üniversitesi Sosyal Bilimler Dergisi, 6 (12), 141-145.
• Galindo-Domínguez, H., Delgado, N., Campo, L., ve Losada, D. (2024). Relationship between teachers’ digital competence and attitudes towards artificial intelligence in education. International Journal of Educational Research, 126, 102381-102383. https://doi.org/10.1016/j.ijer.2024.102381
• Gardner, H. (1983). Frames of Mind: A Theory of Multiple Intelligences. New York: Basic Books.
• Gökbulut, B. (2021). Uzaktan Eğitim Öğrencilerinin Bakış Açısıyla Uzaktan Eğitim ve Mobil Öğrenme. Eğitim Teknolojisi Kuram ve Uygulama, 11 (1), 160-177. DOI: 10.17943/etku.797164
• Grawemeyer, B., Mavrikis, M., Holmes, W., Santos, S. G., Wiedmann, M., ve Rummel, N. (2017). Affective learning: Improving engagement and enhancing learning with affect-aware feedback. User Modeling and UserAdapted Interaction, 27, 119-158. doi:10.1007/s11257-017-9188-z
• Hébert, C., Jenson, J., ve Terzopoulos, T. (2021). “Access to technology is the major challenge”: Teacher perspectives on barriers to DGBL in K-12 classrooms. E-Learning and Digital Media, 18 (3), 307-324. https://doi.org/10.1109/ACCESS.2020.2988510
• Hopcan, S., Türkmen, G., ve Polat, E. (2024). Exploring the artificial intelligence anxiety and machine learning attitudes of teacher candidates. Education and Information Technologies, 29(6), 7281-7301. https://doi.org/10.1007/s10639-023-12086-9
• Iqbal, N., Ahmed, H., ve Azhar, K. A. (2022). Exploring teachers’ attitudes towards using chatgpt. Global Journal for Management and Administrative Sciences, 3(4), 97-111.
• Jia, F., Sun, D., ve Looi, C. K. (2024). Artificial intelligence in science education (2013–2023): Research trends in ten years. Journal of Science Education and Technology, 33(1), 94-117. https://doi.org/10.1007/s10956-023-10077-6
• Karasar, N. (2009). Bilimsel araştırma yöntemleri. Nobel Yayınları: Ankara.
• Kaya, F., Aydin, F., Schepman, A., Rodway, P., Yetişensoy, O., ve Demir Kaya, M. (2022). The Roles of Personality Traits. AI Anxiety. and Demographic Factors in Attitudes toward Artificial Intelligence. International Journal of Human–Computer Interaction, 1-18.
• Kayıkçı, M., ve Bozkurt, A. K. (2018). Dijital çağda z ve alpha kuşağı, yapay zekâ uygulamaları ve turizme yansımaları. Sosyal Bilimler Metinleri, 54-64.
• Khan, A. S., Alnmer, S., ve Khan, S. A. (2024). Maximizing Learning Potential: Integrating Multiple Intelligences Theory In EFL Teaching And Learning. Educational Administration: Theory and Practice, 30 (2), 852-858. https://doi.org/10.53555/kuey.v30i2.2509
• Kim, N. J., ve Kim, M. K. (2022). Teacher’s perceptions of using an artificial intelligence-based educational tool for scientific writing. In Frontiers in Education, 7, 755914-755926. https://doi.org/ 10.3389/feduc.2022.755914
• Kusumawati, I., Marwoto, P., Rusilowati, A., ve Sumarni, W. (2024). Trend Research and The Role of Technology Multiple Intelligences in Higher Education Based on Scopus Data: A Systematic Literature Review. Migration Letters, 21 (2), 625-641.
• Küçükkara, M. F., Ünal, M., ve Sezer, T. (2024). Okul Öncesi Eğitimi Öğretmenlerinin Yapay Zekâya İlişkin Görüşleri. Temel Eğitim Araştırmaları Dergisi, 4(1), 17-28.
• Lameras, P., ve Arnab, S. (2021). Power to the teachers: An exploratory review on artifcial intelligence in education. Information, 13 (1), 14. MDPI AG. https://doi.org/10.3390/info13010014
• Lo, F., Su, F., Chen, S., Qiu, J., ve Du, J. (2021, June). Artificial intelligence aided innovation education based on multiple intelligence. In 2021 IEEE International Conference on Artificial Intelligence, Robotics, and Communication (ICAIRC) (pp. 12-15). IEEE.
• Ma, S., ve Lei, L. (2024). The factors influencing teacher education students’ willingness to adopt artificial intelligence technology for information-based teaching. Asia Pacific Journal of Education, 44(1), 94–111. https://doi.org/10.1080/02188791.2024.2305155
• Maghsudi, S., Lan, A., Xu, J., ve van Der Schaar, M. (2021). Personalized education in the artificial intelligence era: what to expect next. IEEE Signal Processing Magazine, 38 (3), 37-50. https:// doi.org/10.1109/MSP.2021.3055032
• Martin, J. (2006). Multiple intelligence theory, knowledge identification and trust. Knowledge Management Research ve Practice, 4, 207-215. https://doi.org/10.1057/palgrave.kmrp.8500101
• McKillup, S. (2012). Statistics explained: An introductory guide for life scientists (2nd ed.). Cambridge University Press.
• MEB. (2020). Yüz Yüze ve Uzaktan Eğitim (Sayı: 14430520). 25 Nisan 2024 tarihinde https://www.maarifmevzuati.com/ adresinden erişildi.
• Nazaretsky, T., Cukurova, M., Ariely, M., ve Alexandron, G. (2021). Confirmation bias and trust: human factors that influence teachers' attitudes towards AI-based educational technology. In CEUR Workshop Proceedings (Vol. 3042).
• Norzelan, N. A., Mohamed, I. S., ve Mohamad, M. (2024). Technology acceptance of artificial intelligence (AI) among heads of finance and accounting units in the shared service industry. Technological Forecasting and Social Change, 198, 123022-123030. https://doi.org/10.1016/j.techfore.2023.123022.
• Özenç, Y. Y. (2022). Eğitim Araştırmalarında Durum Çalışması Deseni Nasıl Kullanılır?. Uluslararası Eğitimde Nitel Araştırmalarda Mükemmellik Arayışı Dergisi, 1 (2), 57-67.
• Pallant, J. (2017). SPSS Kullanma Kılavuzu. (S. Balcı ve B. Ahi, Çev.; 2. baskı). Anı Yayıncılık. Ankara
• Panagoulias, D. P., Virvou, M., ve Tsihrintzis, G. A. (2024). A novel framework for artificial intelligence explainability via the Technology Acceptance Model and Rapid Estimate of Adult Literacy in Medicine using machine learning. Expert Systems with Applications, 248, 123375-123392. https://doi.org/10.1016/j.eswa.2024.123375
• Park, J., Teo, T. W., Teo, A., Chang, J., Huang, J. S., ve Koo, S. (2023). Integrating artificial intelligence into science lessons: teachers’ experiences and views. International Journal of STEM Education, 10 (1), 61-82. https://doi.org/10.1186/s40594-023-00454-3
• Persico, D., Manca, S., ve Pozzi, F. (2014). Adapting the technology acceptance model to evaluate the innovative potential of e-learning systems. Computers in Human Behavior, 30, 614-622. https://doi.org/10.1016/j.chb.2013.07.045
• Plageras, A., Xenakis, A., Kalovrektis, K., ve Vavouyios, D. (2023). An Application Study of the UTAUT Methodology for the Flipped Classroom Model Adoption by Applied Sciences and Technology Teachers. International Journal of Emerging Technologies in Learning, 18 (2), 190-202. https://doi.org/ https://doi.org/10.3991/ijet.v18i02.35585
• Rahiman, H. U., ve Kodikal, R. (2023). Revolutionizing education: Artificial intelligence empowered learning in higher education. Cogent Education, 11(1). https://doi.org/10.1080/2331186X.2023.2293431
• Saif, N., Khan, S. U., Shaheen, I., ALotaibi, F. A., Alnfiai, M. M., ve Arif, M. (2024). Chat-GPT; validating Technology Acceptance Model (TAM) in education sector via ubiquitous learning mechanism. Computers in Human Behavior, 154, 108097-108119. https://doi.org/10.1016/j.chb.2023.108097
• Schepers, J., ve Wetzels, M. (2007). A meta-analysis of the technology acceptance model: investigating subjective norm and moderation effect. Information and Management, 44 (1) 90-103
• Schepman, A., ve Rodway, P. (2020). Initial validation of the general attitudes towards Artificial Intelligence Scale. Computers in human behavior reports, 1, 100014-100027. https://doi.org/10.1016/j.chbr.2020.100014
• Sperling, K., Stenberg, C. J., McGrath, C., Åkerfeldt, A., Heintz, F., ve Stenliden, L. (2024). In search of artificial intelligence (AI) literacy in Teacher Education: A scoping review. Computers and Education Open, 100169-100181. https://doi.org/10.1016/j.caeo.2024.100169
• Şengül, N. (2006). Yapılandırmacılık kuramına dayalı olarak hazırlanan aktif öğretim yöntemlerinin akan elektrik konusunda öğrencilerin fen başarı ve tutumlarına etkisi (Master's thesis. Fen Bilimleri Enstitüsü, Manisa).
• Tabachnick. B. G., ve Fidell. L. S. (2013). Using Multivariate Statistics (Sixth ed.) Pearson. Boston.
• Tallvid, M. (2016). Understanding teachers’ reluctance to the pedagogical use of ICT in the 1: 1 classroom. Education and Information Technologies, 21, 503-519.
• Taylor, L. (2020). Case study. International encyclopedia of human geography (Second Edition, p. 95-100).
• Tugberk, C., ve Sirin, S. (2024). Beyond Intelligence: The Life and Work of Howard Gardner. In The Palgrave Handbook of Educational Thinkers (pp. 1-17). Cham: Springer International Publishing.
• Ursavaş, Ö.F., Şahin, S., ve Mcılroy, D. (2014). Technology acceptance measure for teachers: T-TAM. Journal of theory and practice in education, 10 (4): 885-917.
• Venkatesh, V. ve Bala, H. (2008). Technology Acceptance Model 3 and a Research Agenda on Interventions. Journal of Information Technology, 39, 273-315.
• Venkatesh, V., Brown, S. A., ve Bala, H. (2013). Bridging the qualitative-quantitative divide: Guidelines for conducting mixed methods research in information systems. MIS quarterly, 21-54.
• Venkatesh, V., ve Davis, F. (2000). “A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies”. Management Science, 46 (2), 186-204.
• Vinichenko, M. V., Nikiporets-Takigawa, G. Y., Chulanova, O. L., ve Ljapunova, N. V. (2021). Threats and risks from the digitalization of society and artificial intelligence: Views of generation Z students. International Journal of Advanced and Applied Sciences, 8 (10), 108-115. https://doi.org/10.21833/ijaas.2021.10.012
• Yang, W. (2022). Artifcial intelligence education for young children: Why, what, and how in curriculum design and implementation. Computers and Education: Artifcial Intelligence, 3, 100061-100067. https://doi.org/10.1016/j.caeai.2022.100061
• Yoo, B. ve Donthu, N. (2001). Developing and validating a multidimensional consumer-based brand equity scale. Journal of business research, 52 (1), 1-14.
• Yousafzai, S. Y., Foxall, G. R., ve Pallister, J. G. (2007). Technology acceptance: A meta-analysis of the TAM: Part 1. Journal of Modelling in Management, 2 (3), 251-280. https://doi.org/10.1108/17465660710834453
• Yue, M., Jong, M. S. Y., ve Ng, D. T. K. (2024). Understanding K–12 teachers’ technological pedagogical content knowledge readiness and attitudes toward artificial intelligence education. Education and Information Technologies, 1-32. https://doi.org/10.1007/s10639-024-12621-2
• Zeithaml, V. A., Parasuraman, A., ve Malhotra, A. (2000). A conceptual framework for understanding e-service quality: Implications for future research and managerial practice (Report No. 00-115). Marketing Science Institute.
• Zhai, X. (2022). ChatGPT User Experience: Implications for Education. Available at SSRN 4312418. https://doi.org/10.2139/ssrn.4312418
• Zheng, W. (2024). Intelligent e-learning design for art courses based on adaptive learning algorithms and artificial intelligence. Entertainment Computing, 50, 100713-100720. https://doi.org/10.1016/j.entcom.2024.100713
• Zhou, K., Liu, T., ve Zhou, L. (2015, August). Industry 4.0: Towards future industrial opportunities and challenges. In 2015 12th International conference on fuzzy systems and knowledge discovery (FSKD) (pp. 2147-2152). IEEE.