Yapay Zekâ Ölçeği: Geçerlik ve güvenirlik çalışması

Mesut Süleymanoğulları; Adem Özdemir; Aslıhan Tekin

TR EN

Yapay Zekâ Ölçeği: Geçerlik ve güvenirlik çalışması

Bu makalenin ilk hali 5 Temmuz 2024 tarihinde yayımlandı. https://dergipark.org.tr/tr/pub/esas/article/1511227

Düzeltme Notu

Education Science and Sport dergisinin 2024 yılında 6. cilt 1. sayısında yayınlanan "Yapay Zekâ ölçeği: geçerlik ve güvenirlik çalışması" başlıklı makalenin Yöntem Bölümü, veri toplama aracı kısmında yer alan ölçeğin puanlaması yazarlar tarafından sehven yanlış yazılmış ve düzeltilmesi talep edilmiştir. Yazarların talebi ve editör kurulun onayı ile söz konusu hata aşağıdaki şekilde düzenlenmiştir. Düzeltilmiş Hali: “Yapay Zekâ Ölçeği” toplamda 25 madde ve 3 alt boyuttan (etkileşim, yaygın etki, kaygı) oluşmaktadır. 5’li likert tipindeki (1= Katılmıyorum, 5 =Katılıyorum) ölçekten alınabilecek en düşük puan 25 iken en yüksek puan ise 125’tir.

Öz

Bu çalışmanın amacı bireylerin yapay zekâ bilgi, farkındalık, tutum ve kaygı düzeylerini belirlemek amacıyla geçerli ve güvenilir bir ölçme aracı geliştirmektir. Yapay zekâ ölçeğinin geliştirilmesi aşamasında öncelikle 40 maddelik bir soru havuzu oluşturulmuş ve uzman görüşü alınarak kapsam geçerliği sağlanmıştır. Sonraki aşamada bu deneme formunun hangi amaç doğrultusunda kullanılacağını belirten bir açıklama notu içeren anketler 176 gönüllü katılımcıya uygulanmıştır. Elde edilen veriler doğrultusunda ilk olarak Açımlayıcı Faktör Analizi (AFA) yapılmış ve ölçeğin yapı geçerliği test edilmiştir. Maddelerin yapı geçerliğini test etmek amacıyla da Doğrulayıcı Faktör Analizi (DFA) uygulanmıştır. AFA sonrasında etkileşim, yaygın etki, kaygı olmak üzere toplamda 3 faktörlü ve 25 maddelik bir yapı elde edilmiştir. AFA analizleri sonucunda bu üç faktörün açıklanan varyansın %60,074’lük kısmını karşıladığı görülmüştür. DFA analizleri sonucunda ise uyum iyiliği katsayılarının kabul edilebilir sınırlar (χ2/df, RMSEA, GFI, AGFI, NFI, CFI, IFI) arasında olduğu görülmüştür. 25 maddelik nihai ölçeğin tamamı için iç tutarlık göstergesi olan Cronbach Alpha katsayısı ,869 olarak tespit edilmiştir. Analizler sonucunda yapay zekâ ölçeğinin geçerli ve güvenilir bir yapıda olduğu görülmüştür. Bu anlamda geliştirilen bu ölçeğin yapay zekâ kavramıyla ilgili etkili bir veri toplama aracı olacağı düşünülmektedir.

Anahtar Kelimeler

Derin öğrenme , makine öğrenimi , nöral ağlar , otonom sistemler , ölçek geliştirme.

Artificial Intelligence Scale: Validity and reliability study

Bu makalenin ilk hali 5 Temmuz 2024 tarihinde yayımlandı. https://dergipark.org.tr/tr/pub/esas/article/1511227

Düzeltme Notu

In the article titled ‘Artificial Intelligence scale: validity and reliability study’ published in volume 6, issue 1 of the journal Education Science and Sport in 2024, the scoring of the scale in the Method Section, data collection tool section was mistakenly written incorrectly by the authors and requested to be corrected. With the request of the authors and the approval of the editorial board, the error in question has been edited as follows. Corrected Version: ‘Artificial Intelligence Scale’ consists of 25 items in total and 3 sub-dimensions (interaction, pervasive effect, anxiety). The lowest score that can be obtained from the 5-point Likert-type scale (1=Disagree, 5=Agree) is 25 and the highest score is 125.

Abstract

The aim of this study is to develop a valid and reliable measurement tool to determine the knowledge, awareness, attitude and anxiety levels of individuals about artificial intelligence. In the development phase of the artificial intelligence scale, firstly, a question pool of 40 items was created and content validity was ensured by taking expert opinion. In the next stage, an explanatory note was added stating the purpose for which this trial form were applied to 176 volunteer participants. In line with the data obtained, firstly Exploratory Factor Analysis (EFA) was performed and the construct validity of the scale was tested. In order to test the construct validity of the items, Confirmatory Factor Analysis (CFA) was applied. After EFA , a structure with 3 factors (interaction, diffuse effect, anxiety) and 25 items was obtained. As a result of EFA, these three factors accounted for 60.074% of the variance explained. As a result of CFA, it was seen that the goodness of fit coefficients were between acceptable limits (χ2/df, RMSEA, GFI, AGFI, NFI, CFI, IFI). For the entire 25-item niahi scale, Cronbach Alpha coefficient, which is an indicator of internal consistency, was found as ,869. As a result of the analyses, it was seen that the artificial intelligence scale has a valid and reliable structure. In this sense, it is thought that this scale will be an effective data collection tool related to the concept of artificial intelligence.

Keywords

Deep learning , machine learning , neural networks , autonomous systems , scale development.

Kaynakça

Acar, O. (2020). Yapay zekâ fırsat mı yoksa tehdit mi. Kriter Yayınevi.
Akkaya, B., Özkan, A., & Özkan, H. (2021). Yapay zekâ kaygı (YZK) ölçeği: Türkçeye uyarlama, geçerlik ve güvenirlik çalışması. Alanya Akademik Bakış, 5(2), 1125-1146. https://doi.org/10.29023/alanyaakademik.833668
Aksu, G., Eser, M. T., & Güzeller, C. O. (2017). Açımlayıcı ve doğrulayıcı faktör analizi ile yapısal eşitlik modeli uygulamaları. Detay Yayıncılık.
Astar, M., & Güriş, S. (2015). SPSS ile istatistik. Der Yayınları.
Brown, T. A. (2015). Confirmatory factor analysis for applied research. Guilford publications.
Cohen, H. (1995). The further exploits of AARON, painter. Stanford Humanities Review, 4(2), 141-158.
Cohen, R. J. & Swerdlik, M.E. (2013). Psikolojik test ve değerleme. Testlere ve ölçmeye giriş. (E. Tavşancıl, Çev. Ed.). Nobel Akademik Yayıncılık.
Cole, D. A. (1987). Utility of confirmatory factor analysis in test validation research. Journal of consulting and clinical psychology, 55(4), 584. https://doi.org/10.1037/0022-006X.55.4.584
Comrey, A. L., & Lee, H. B. (2013). A first course in factor analysis. Psychology press.
Çokluk, Ö., Şekercioğlu, G., & Büyüköztürk, Ş. (2012). Sosyal bilimler için çok değişkenli istatistik: SPSS ve LISREL uygulamaları (C. 2). Pegem Akademi.

DeCoste, D. (1997). The Future of Chess-Playing Technologies and the Significance of Kasparov versus Deep Blue. AAAI Technical Report WS-97-04. http://www-aig. jpl.nasa.gov/home/decoste
Dick, S. (2019). Artificial intelligence. Harvard Data Science Review, 1(1). https://doi.org/10.1162/99608f92.92fe150c
Erkorkmaz, Ü., Etikan, İ., Demir, O., Özdamar, K., & Sanisoğlu, S. Y. (2013). Doğrulayıcı faktör analizi ve uyum indeksleri. Turkiye Klinikleri Journal of Medical Sciences, 33(1), 210-223. https://doi: 10.5336/medsci.2011-26747
Ferikoğlu, D., & Akgün, E. (2022). An investigation of teachers’ artificial ıntelligence awareness: a scale development study. Malaysian Online Journal of Educational Technology, 10(3), 215-231.
Field, A. P. (2005). Discovering statistics using SPSS:(and sex, drugs and rock’n’roll). Sage
Garcia, C. (2015). Algorithmic Music–David Cope and EMI. Computer History Museum, 29.
George, D., & Mallery, P. (2010). In GEN (Ed.), SPSS for Windows step by step. A simple study guide and reference. MA: Pearson Education, Inc.
Gerlich, M. (2023). The power of virtual influencers: Impact on consumer behaviour and attitudes in the age of AI. Administrative Sciences, 13(8), 178. https://doi.org/10.3390/admsci13080178
Haefner, N., & Gassmann, O. (2023). Generative AI and AI-based business model innovation. Journal of Business Models, 11(3), 46-50.
Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2014). Multivariate data analysis. Pearson Education, Inc.
Hooper, D., & Coughlan, J. (2008). i Mullen, MR (2008). Structural equation modelling: Guidelines for determining model fit. Electronic Journal of Business Research Methods, 6(1), 53-60.
Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. https://doi.org/10.1080/10705519909540118
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15-25.
Karaca, O., Çalışkan, S. A., & Demir, K. (2021). Medical artificial intelligence readiness scale for medical students (MAIRS-MS)–development, validity and reliability study. BMC Medical Education, 21, 1-9.
Karagöz, Y. (2016). SPSS 23 ve AMOS 23 uygulamalı istatistiksel analizler. Nobel Akademik Yayıncılık.
Karahan, N. (2017). Genital hijyen davranışları ölçeğinin geliştirilmesi: geçerlik güvenirlik çalışması. İstanbul Medical Journal, 18(3).
Karakoç, A. G. D. F. Y., & Dönmez, L. (2014). Ölçek geliştirme çalışmalarında temel ilkeler. Tıp Eğitimi Dünyası, 13(40), 39-49. https://doi.org/10.25282/ted.228738
Karakuş, S., & Akbay, S. E. (2020). Psikolojik esneklik ölçeği: Uyarlama, geçerlik ve güvenirlik çalışması. Mersin Üniversitesi Eğitim Fakültesi Dergisi, 16(1), 32-43. https://doi.org/10.17860/mersinefd.665406
Karasar, N. (2009). Bilimsel arastirma yontemi: Kavramlar-ilkeler-teknikler. Nobel Yayın Dağıtım.
Kline, P. (2014). An easy guide to factor analysis. Routledge.
Kolcu, G., Özceylan, G., Başer, A., & Altuntaş, S. B. (2021). Yapay zekâ kaygısı ölçeğinin aile hekimlerinde geçerlik ve güvenirliğinin değerlendirilmesi. Research Journal of Biomedical and Biotechnology, 2(1), 20-28.
Lawshe, C. H. (1975). A quantitative approach to content validity. Personnel Psychology, 28(1), 563–575.
Lei, H., Le, P. B., & Nguyen, H. T. H. (2017). How collaborative culture supports for competitive advantage: the mediating role of organizational learning. International Journal of Business Administration, 8(2), 73-85.
Marsh, H. W., Hau, K.-T., Artelt, C., Baumert, J., & Peschar, J. L. (2006). OECD’s brief self-report measure of educational psychology’s most useful affective constructs: Cross-cultural, psychometric comparisons across 25 countries. International Journal of Testing, 6(4), 311-360. https://doi.org/10.1207/s15327574ijt0604_1
Özkan, O. S., & Üzüm, B. (2021). Sorumlu liderlik: bir ölçek uyarlama çalışması. Journal of Management and Economics Research, 19(4), 199-212. https://doi.org/10.11611/yead.1020593
Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS. McGraw-hill education (UK).
Park, W., Kim, S., Kim, K. L., & Kim, J. (2019). Alphago’s decision making. Journal of Applied Logics—IFCoLog Journal of Logics and their Applications, 6(1).
Petridou, A. (2020). Ai-Da: The World’s First Humanoid AI Artist. Will AI Become Art’s Next Medium? (Publication No. 2202180010) [Doctoral dissertation,International Hellenic University. International Hellenic University Repository. https://repository.ihu.edu.gr//xmlui/handle/11544/29624
Polat, M. (2022). Derslerde akilli telefon siber aylakliği ölçeği (DATSAÖ): Üniversite öğrencileri için bir ölçek uyarlama çalişmasi. Social Sciences Studies Journal (SSSJournal), 4(21), 3114-3127. https://doi: 10.26449/sssj.733
Rezaei, H., Saeed, A. F. M., Abdi, K., Ebadi, A., Ghanei Gheshlagh, R., & Kurdi, A. (2020). Translation and validation of the farsi version of the pain management self-efficacy questionnaire. Journal of Pain Research, 13, 719–727. https://doi.org/10.2147/JPR.S246077
Roberts, J. K., & Henson, R. K. (2001). A confirmatory factor analysis of a new measure of teacher efficacy, Ohio State Teacher Efficacy Scale.
Rodway, P., & Schepman, A. (2023). The impact of adopting AI educational technologies on projected course satisfaction in university students. Computers and Education: Artificial Intelligence, 5, 1-12 https://doi.org/10.1016/j.caeai.2023.100150
Shrestha, N. (2021). Factor analysis as a tool for survey analysis. American Journal of Applied Mathematics and Statistics, 9(1), 4-11.
Seçer, İ. (2013). SPSS ve LISREL ile pratik veri analizi: Analiz ve raporlaştırma. Anı Yayıncılık
Sümer, N. (2000). Yapısal eşitlik modelleri: temel kavramlar ve örnek uygulamalar. Türk Psikoloji Yazıları.
Tabachnic, B., & Fidell, L. S. (2000). Using multivariate statistics. Allyn and Bacon.
Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate statistics title: Using multivariate statistics. https://lccn.loc.gov/2017040173
Terzi, R. (2020). An Adaptation of Artificial Intelligence Anxiety Scale into Turkish: Reliability and Validity Study. International Online Journal of Education and Teaching, 7(4), 1501-1515. http://iojet.org/index.php/IOJET/article/view/1031
Toker, T., Akgün, E., Cömert, Z., & Sultan, E. (2021). Eğitimciler için dijital yeterlilik ölçeği: Uyarlama, geçerlik ve güvenirlik çalışması. Milli Eğitim Dergisi, 50(230), 301-328. https://doi.org/10.37669/milliegitim.801607
Turing, A. M. (1950). Computing machinery and intelligence. Mind, LIX (236), 433–460. https://doi.org/10.1093/mind/LIX.236.433
Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806-838.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Egzersiz ve Spor Bilimleri (Diğer)

Bölüm

Düzeltme

Yazarlar

Mesut Süleymanoğulları
0000-0001-5867-2844
Türkiye

Adem Özdemir
0000-0003-3127-6846
Türkiye

Aslıhan Tekin ^*
0000-0002-1760-5378
Türkiye

Erken Görünüm Tarihi

25 Mart 2025

Yayımlanma Tarihi

25 Mart 2025

Gönderilme Tarihi

-

Kabul Tarihi

-

Yayımlandığı Sayı

Yıl 2025 Cilt: 7 Sayı: 1

IZ

https://izlik.org/JA87CA26MH

APA

Süleymanoğulları, M., Özdemir, A., & Tekin, A. (2025). Yapay Zekâ Ölçeği: Geçerlik ve güvenirlik çalışması. Education Science and Sports, 7(1), 58-58. https://izlik.org/JA87CA26MH

Education Science and Sports is licensed under Creative Commons Attribution 4.0 International

Yapay Zekâ Ölçeği: Geçerlik ve güvenirlik çalışması

Düzeltme Notu

Öz

Anahtar Kelimeler

Artificial Intelligence Scale: Validity and reliability study

Düzeltme Notu

Abstract

Keywords

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Erken Görünüm Tarihi

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

IZ

Kaynak Göster