Lisans Öğrencileri İçin Üretken Yapay Zekâ Araçlarının Akademik Amaçlı Kullanım Eğilimi Ölçeği: Geçerlik ve Güvenirlik Çalışması
Öz
Bu çalışmanın amacı, üniversite öğrencilerinin üretken yapay zekâ araçlarını akademik amaçlarla kullanma eğilimlerini belirlemeye yönelik geçerli ve güvenilir bir ölçme aracı geliştirmektir. Bu kapsamda “Lisans Öğrencileri İçin Üretken Yapay Zekâ Araçlarının Akademik Amaçlı Kullanım Eğilimi Ölçeği” geliştirilmiştir. Ölçek geliştirme sürecinde veri toplama aracı olarak beşli Likert tipi bir ölçek kullanılmıştır. Araştırmanın örneklemini, Türkiye’de farklı üniversitelerde öğrenim gören toplam 863 lisans öğrencisi oluşturmuştur. Ölçeğin yapı geçerliğini belirlemek amacıyla ilk aşamada 416 öğrenciden elde edilen veriler üzerinde açımlayıcı faktör analizi gerçekleştirilmiş, ardından ortaya çıkan faktör yapısını doğrulamak amacıyla ilk uygulamadan farklı 447 öğrenciden toplanan verilerle doğrulayıcı faktör analizi yapılmıştır. AFA sonuçları, ölçeğin 20 maddeden ve dört faktörden oluşan bir yapıya sahip olduğunu göstermiştir. Faktörlerin açıklanan varyans oranları ve madde faktör yükleri ölçeğin yapı geçerliğinin yüksek olduğunu ortaya koymuştur. DFA sonuçları ise dört faktörlü yapının kabul edilebilir uyum indeksleriyle doğrulandığını göstermiştir. Ölçeğin ayırt edicilik düzeyi %27’lik alt ve %27’lik üst grup karşılaştırmalarıyla test edilmiş ve tüm maddelerin anlamlı düzeyde ayırt edici olduğu saptanmıştır. Ölçeğin güvenirlik analizleri için yapılan iç tutarlılık işlemlerinde, Cronbach Alfa ve Omega katsayılarının çok yüksek iken kararlılık katsayısının ise orta düzeyde olduğu tespit edilmiştir. Elde edilen bulgular, geliştirilen ölçeğin lisans öğrencilerinin ÜYZ araçlarını akademik amaçlı kullanma eğilimlerini ölçmede geçerli ve güvenilir bir araç olduğunu göstermektedir.
Anahtar Kelimeler
Üretken yapay zekâ, Lisans öğrencileri, Akademik kullanım, Eğilim, Faktör analizi
Kaynakça
- Adamakis, M., & Rachiotis, T. (2025). Artificial intelligence in higher education: a state-of-the-art overview of pedagogical integrity, artificial intelligence literacy, and policy integration. Encyclopedia, 5, 180. https://doi.org/10.3390/encyclopedia5040180
- Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.
- Al-Emran, M., Mezhuyev, V., & Kamaludin, A. (2018). Technology acceptance model in m-learning context: A systematic review. Computers & Education, 125, 389-412.
- Anders, B. A. (2023). Is using ChatGPT cheating, plagiarism, both, neither, or forward thinking? Patterns, 4(3), 100694. https://doi.org/10.1016/j.patter.2023.100694
- Anierobi EI, Amjad AI., Agogbua VU., Aslam, S., Fakhrou, A., Alanazi, A.A., … & Javaid, S.(2025). Artificial intelligence utilization: a determinant of academic self-efficacy, engagement, and satisfaction of undergraduates. Environment and Social Psychology, 10 (3): 3504. http://doi.org/10.59429/esp.v10i3.3504
- Ballesteros, M. A., Acosta-Enriquez, B. G., Valle, M. D. L. Á. G., Morales-Angaspilco, J. E., Torres, J. C. C., López, J. E. L., ... & Jordan, O. H. (2025). The influence of social norms and word-of-mouth marketing on behavioral intention and behavioral use of generative AI chatbots among university students. Computers in Human Behavior Reports, 19, 100760. https://doi.org/10.1016/j.chbr.2025.100760
- Bandura, A. (1997). Self-efficacy: The exercise of control. Freeman.
- Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electron Markets 33, 63. https://doi.org/10.1007/s12525-023-00680-1
- Bebeau, M. J., Rest, J. R., & Narvaez, D. (1999). Beyond the promise: A perspective on research in moral education. Educational Researcher, 28(4), 18-26. https://doi.org/10.3102/0013189X028004018
- Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, 149. https://doi.org/10.3389/fpubh.2018.00149