Üretken Yapay Zekâ Araçları ile Oluşturulan Görsellere Yönelik Kullanıcı Tercihlerinin Göz İzleme Yöntemi ile Analizi

Öz

Bu araştırma, üretken yapay zeka araçları tarafından üretilen görsellerin kullanıcı dikkat dağılımı üzerindeki etkisini ve görsel detay yoğunluğunun rolünü incelemeyi amaçlamıştır. Çalışmada karma yöntem araştırma deseni kullanılmış olup, katılımcıların göz hareketlerini kaydetmek için göz izleme cihazı (Tobii Pro Nano) ve görsel algılarını değerlendirmek için anket formu kullanılmıştır. Bartın Üniversitesi'nden daha önce grafik tasarım dersi almış 10 öğrenci katılımcı olarak yer almıştır. Araştırma için Gemini, ChatGPT, Copilot, Flux ve Grok olmak üzere beş farklı yapay zeka aracıyla kolay, orta ve zor düzeylerde görseller oluşturulmuştur. Bulgular, katılımcıların yüz görsellerinde bakışlarını ağırlıklı olarak gözler, burun ve ağız bölgelerine yönlendirdiğini göstermiştir. Ancak, saç gibi karmaşık detaylar ve arka plan unsurları, dikkat dağılımını yüzün dışına taşırmıştır. Anket sonuçlarına göre estetik açıdan güçlü ve renk uyumu yüksek görseller (Grok ve Gemini gibi) daha çok beğenilmiştir. Sonuç olarak, görsel karmaşıklık dikkat dağılımını genişletirken, estetik nitelikler ve görsel sadelik hem dikkati hem de kullanıcı beğenisini etkileyen temel faktörler olarak belirlenmiştir

Anahtar Kelimeler

• Üretken Yapay Zeka
• Göz İzleme
• Görsel Algı

Analysis of User Preferences for Images Created with Generative Artificial Intelligence Tools Using Eye Tracking Methodology

Öz

This study aims to examine the effect of images generated by generative artificial intelligence tools on user attention distribution and the role of visual detail density. A mixed-method research design was used in the study, with an eye-tracking device (Tobii Pro Nano) used to record participants' eye movements and a questionnaire used to evaluate their visual perceptions. Ten students from Bartın University who had previously taken a graphic design course participated in the study. For the research, five different AI tools—Gemini, ChatGPT, Copilot, Flux, and Grok—were used to create images at easy, medium, and difficult levels. The findings showed that participants directed their gaze primarily to the eyes, nose, and mouth areas in facial images. However, complex details such as hair and background elements diverted attention away from the face. According to survey results, visually strong and color-coordinated images (such as those created by Grok and Gemini) were more highly appreciated. In conclusion, visual complexity expands attention dispersion, while aesthetic qualities and visual simplicity were identified as the primary factors influencing both attention and user preference.

Anahtar Kelimeler

• Generative Artificial Intelligence
• Eye Tracking
• Visual Perception

Kaynakça

1. Atilla, A.Ş. (2022). Uygulamalı örneklerle yapay zeka algoritmaları ve programlama. (1.Baskı). Ankara: Seçkin Yayıncılık.
2. Creswell, J. W., & Plano Clark, V. L. (2014). Karma yöntem araştırmaları: Tasarımı ve yürütülmesi. (5.Baskı). Ankara: Anı Yayıncılık.
3. Çelik, E. & Dertli, A. (2022). Göz izleme cihazlarının etkili ve verimli kullanım durumları. (1.Baskı). Ankara: Astana Yayıncılık.
4. Çetinkaya, H. (2005). Biyo- psiko-sosyal araştırmalarda yeni bir yöntem göz izleme cihazı. Muğla: Muğla Üniversitesi Yayınları.
5. Demirkol, Z. (2022). Herkes için yapay zeka. İstanbul: Genç Destek Yayınları.
6. Elmas, Ç. (2018). Yapay zeka uygulamaları. Ankara: Seçkin Yayıncılık.
7. Erdoğan, R., Düzenli Çil, B., Şen, H., & Karaoğlan Yılmaz, F. G. (2022). Covid-19 aşısı hakkında T.C. Sağlık Bakanlığı tarafından yayınlanan bilgilendirici videoların göz izleme tekniği ile incelenmesi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 6(1), 165–183.
8. Fedakar, A. (2024). Üretken yapay zekanın mimari tasarım süreçlerine etkisi: Konut cephelerinin görselleştirilmesi bağlamında nitel bir değerlendirme (Yüksek Lisans Tezi). Eskişehir Teknik Üniversitesi. Eskişehir.

9. Huang, J., Gopalakrishnan, S., Mittal, T., Zuena, J., & Pytlarz, J. (2024). Analysis of human perception in distinguishing real and ai-generated faces: an eye-tracking based study. arXiv preprint arXiv:2409.15498.
10. Karapekmez, A. V. (2023). Yapay zekânın Görsel sanatlara etkisi: Yapay zekâ ile üretilen Atatürk portrelerinin içerik analizi. Yeni Yüzyıl'da İletişim Çalışmaları, 2(8), 184-189.
11. Koyun, S. (2024). Erken mimari tasarım sürecinde görsel üretken yapay zeka uygulamalarında girdi- çıktı ilişkisinin değerlendirilmesi (Yüksek Lisans Tezi). Yıldız Teknik Üniversitesi. İstanbul.
12. Nabiyev, V. (2010). Yapay zeka insan-bilgisayar etkileşimi. (3. Baskı). Ankara: Seçkin Yayıncılık.
13. Özsongür, M.Z. (2024). Sınıf öğretmenlerinin eğitimde üretken yapay zeka kullanımına ilişkin görüşleri. (Yüksek Lisans Tezi). Burdur Mehmet Akif Ersoy Üniversitesi. Burdur.
14. Sağlam, Z., & Karaoğlan Yılmaz, G. (2021). Eğitim araştırmalarında göz izleme: Araştırmalardaki eğilimlerin belirlenmesi Bartın: GEFAD / GUJGEF41(3): 1621-1649(2021)
15. Stryker, C., & Scapicchio, M. (2024). What is genarative AI?. Retrived from. https://www.ibm.com/topics/generative-ai
16. Telli, G. (2019). Yapay zeka ve gelecek. içinde Kutlusoy, Z., Demir, O., Adın, A., Cevizoğlu, H., Esin, E.M., Telli, G.(Ed.), Altun, D., Karaca, B., Yazıcı, A.M., Özgeldi, M. İstanbul. Doğu.
17. Yakut, R. E., & Küçükerdoğan, B. B. (2024). Metaverse platformundaki giyim markası reklam görsellerinin yapay zeka tabanlı göz izleme yöntemi ile analizi. Kahramanmaraş İstiklal Üniversitesi Sosyal Bilimler Dergisi, 2(2), 69-85.