TIBBİ YAPAY ZEKÂYA YÖNELİK HAZIRLIK DÜZEYLERİNİN İNCELENMESİ: BİTLİS EREN ÜNİVERSİTESİ ÖRNEĞİ

Öz

Amaç: Bu çalışma, lisans öğrencilerinin tıbbi yapay zekâya hazırlık düzeylerini incelemeyi ve YZ hazırlığının seçilen demografik özelliklere ve teknoloji kullanım modellerine göre farklılık gösterip göstermediğini araştırmayı amaçlamıştır. Yöntem: Kesitsel nicel bir tasarım kullanılmıştır. Çalışma, Bitlis Eren Üniversitesi Sağlık Bilimleri Fakültesi'nde kayıtlı beslenme ve diyetetik, sosyal hizmet ve fizyoterapi bölümü öğrencilerinden oluşan 196 lisans öğrencisiyle gerçekleştirilmiştir. Veriler, Karaca vd. (2021) tarafından geliştirilen ve bilişsel, beceri, öngörü ve etik hazırlık olmak üzere dört alt boyuttan oluşan Tıbbi Yapay Zekâ Hazırlık Ölçeği kullanılarak toplanmıştır. SPSS 27 kullanılarak tanımlayıcı istatistikler, bağımsız örneklem t-testleri ve Pearson korelasyon analizleri yapılmıştır. Bulgular: Öğrenciler dört alt boyutun tamamında orta ila orta derecede yüksek düzeyde yapay zekâya hazır olma durumu göstermiş olup, en yüksek ortalama beceri boyutunda gözlemlenmiştir. Yapay zekâya hazır olma puanlarında cinsiyet, sağlıkla ilgili bilgi için internet kullanımı, yapay zekâ kullanım durumu veya yapay zekâ kullanım amacı açısından istatistiksel olarak anlamlı bir fark bulunmamıştır. Sadece bilişsel boyutta evlilik durumuna göre anlamlı bir fark tespit edilmiş olup, evli öğrenciler lehine bir sonuç ortaya çıkmıştır. Korelasyon analizleri, tüm alt boyutlar arasında orta ila güçlü pozitif ilişkiler ortaya koyarak, tutarlı ve birbirine bağlı bir hazır olma yapısını göstermiştir. Sonuç: Bulgular, sağlık bilimleri öğrencilerinin genel olarak olumlu ve yeterli düzeyde yapay zekâya hazır olma durumu sergilediğini, ancak hazır olmanın büyük ölçüde demografik ve kullanım ile ilgili değişkenlerin çoğundan bağımsız olduğunu göstermektedir. Bu sonuçlar, gelecekteki sağlık profesyonelleri arasında eşit ve kapsamlı yapay zekâ hazırlığını sağlamak için yapılandırılmış ve müfredata dayalı yapay zekâ eğitimine duyulan ihtiyacın altını çizmektedir.

Anahtar Kelimeler

• Yapay Zeka
• Tıbbi Yapay Zekâ
• Yapay Zekâ Eğitimi

EXAMINATION OF PREPAREDNESS LEVELS FOR MEDICAL ARTIFICIAL INTELLIGENCE: THE CASE OF BITLIS EREN UNIVERSITY

Öz

Aim: This study aimed to examine the readiness levels of undergraduate students for medical artificial intelligence and to investigate whether AI readiness differed according to selected demographic characteristics and technology use patterns. Method: A cross-sectional quantitative design was used. The study was conducted with 196 undergraduate students enrolled in the nutrition and dietetics, social work, and physiotherapy departments of Bitlis Eren University Faculty of Health Sciences. Data were collected using the Medical Artificial Intelligence Readiness Scale developed by Karaca et al. (2021), which consists of four sub-dimensions: cognitive, skill, predictive, and ethical readiness. Descriptive statistics, independent samples t-tests, and Pearson correlation analyses were performed using SPSS 27. Results: Students showed a moderate to moderately high level of readiness for artificial intelligence in all four sub-dimensions, with the highest average observed in the skill dimension. There was no statistically significant difference in AI readiness scores in terms of gender, internet use for health-related information, AI use status, or purpose of AI use. A significant difference was found only in the cognitive dimension based on marital status, favoring married students. Correlation analyses revealed moderate to strong positive relationships across all sub-dimensions, demonstrating a consistent and interconnected readiness structure. Conclusion: The findings indicate that health sciences students generally exhibit a positive and adequate level of AI readiness, but that readiness is largely independent of most demographic and use-related variables. These results underscore the need for structured and curriculum-based AI education to ensure equitable and comprehensive AI readiness among future healthcare professionals.

Anahtar Kelimeler

• artificial intelligence
• Medical Artifical Intelligence
• Artificial Intelligence Education

Kaynakça

1. 1. Lane M, Williams M, Broecke S. The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers. OECD Soc Employ Migr Work Pap. 2023. doi:10.1787/ea0a0fe1-en
2. 2. Holmes W, Tuomi I. State of the art and practice in AI in education. Eur J Educ. 2022;57(4):542-70. doi:10.1111/ejed.12533
3. 3. Briganti G, Le Moine O. Artificial intelligence in medicine: Today and tomorrow. Front Med (Lausanne). 2020;7:27. doi:10.3389/fmed.2020.00027
4. 4. Bajwa J, Munir U, Nori A, Williams B. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J. 2021;8(2):e188-94. doi:10.7861/fhj.2021-0095
5. 5. Park CW, Seo SW, Kang N, Ko B, Choi BW, Park CM, et al. Artificial intelligence in health care: Current applications and issues. J Korean Med Sci. 2020;35(42):e379. doi:10.3346/jkms.2020.35.e379
6. 6. Çeliktürk Doruker N, Kara RH. Attitudes and readiness of nursing students practicing in surgical units towards artificial intelligence: a cross-sectional study. BMC Med Educ. 2026.
7. 7. Güven GÖ, Yılmaz Ş, İnceoğlu F. Determining medical students' anxiety and readiness levels about artificial intelligence. Heliyon. 2024;10(4).
8. 8. Hanifa H, Atia M, Daboul R, Alhamid AAH, Alayyoubi A, Naima HA, et al. Artificial intelligence in focus: assessing awareness and perceptions among medical students in three private Syrian universities. BMC Med Educ. 2025;25(1):801. doi:10.1186/s12909-025-0801-x

9. 9. Chen M, Zhang B, Cai Z, Seery S, Gonzalez MJ, Ali NM, et al. Acceptance of clinical artificial intelligence among physicians and medical students: a systematic review with cross-sectional survey. Front Med (Lausanne). 2022;9:990604. doi:10.3389/fmed.2022.990604
10. 10. Richardson R, Schultz JM, Crawford K. Dirty data, bad predictions: How civil rights violations impact police data, predictive policing systems, and justice. NYUL Rev Online. 2019;94:15. doi:10.2139/ssrn.3333423
11. 11. Verdoliva L. Media forensics and deepfakes: an overview. IEEE J Sel Top Signal Process. 2020;14(5):910-32. doi:10.1109/JSTSP.2020.3002101
12. 12. Almalki M, Alkhamis MA, Khairallah FM, Choukou MA. Perceived artificial intelligence readiness in medical and health sciences education: a survey study of students in Saudi Arabia. BMC Med Educ. 2025;25(1):439. doi:10.1186/s12909-025-0439-0
13. 13. Gordon M, Daniel M, Ajiboye A, Uraiby H, Xu NY, Bartlett R, et al. A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024;46(4):446-70. doi:10.1080/0142159X.2023.2265670
14. 14. Al-Qerem W, Eberhardt J, Jarab A, Al Bawab AQ, Hammad A, Alasmari F, et al. Exploring knowledge, attitudes, and practices towards artificial intelligence among health professions' students in Jordan. BMC Med Inform Decis Mak. 2023;23(1):288. doi:10.1186/s12911-023-02345-2
15. 15. Karaca O, Çalışkan SA, Demir K. Medical artificial intelligence readiness scale for medical students (MAIRS-MS) – development, validity and reliability study. BMC Med Educ. 2021;21:112. doi:10.1186/s12909-021-02546-6
16. 16. Amiri H, Peiravi S, Shojaee SSR, Rouhparvarzamin M, Nateghi MN, Etemadi MH, et al. Medical, dental, and nursing students' attitudes and knowledge towards artificial intelligence: a systematic review and meta-analysis. BMC Med Educ. 2024;24(1):412. doi:10.1186/s12909-024-04102-3
17. 17. Gong B, Nugent JP, Guest W, Parker W, Chang PJ, Khosa F, et al. Influence of artificial intelligence on Canadian medical students' preference for radiology specialty: A national survey study. Acad Radiol. 2019;26(4):566-77. doi:10.1016/j.acra.2018.10.007
18. 18. Park CJ, Paul HY, Siegel EL. Medical student perspectives on the impact of artificial intelligence on the practice of medicine. Curr Probl Diagn Radiol. 2021;50(5):614-19. doi:10.1067/j.cpradiol.2020.06.011
19. 19. Kasneci E, Sessler K, Küchemann S, Bannert M, Dementieva D, Fischer F, et al. ChatGPT for good? On opportunities and challenges of large language models for education. Learn Individ Differ. 2023;103:102274. doi:10.1016/j.lindif.2023.102274
20. 20. Gürbüz S, Şahin F. Sosyal bilimlerde araştırma yöntemleri, 3. baskı, Seçkin Yayıncılık, Ankara 2018.
21. 21. Verduga-Alcívar DA, Román-Cao E, Sablón-Cossío N. An assessment of artificial intelligence literacy in Ecuadorian university students. Soc Sci Humanit Open. 2026;13:102465. doi:10.1016/j.ssaho.2025.102465
22. 22. Emir B, Yurdem T, Ozel T, Sayar T, Uzun TA, Akar U, et al. Artificial intelligence readiness status of medical faculty students. Konuralp Med J. 2024;16(1):88-95.
23. 23. Yaşar OM, Mancı E, Özdemir HY, Bahçecioğlu H, Yürekli G. Examining health sciences students' perceived awareness, readiness and anxiety levels regarding artificial intelligence. J Sport All Recreat. 2025;7(4):748-57.
24. 24. Karacan Y. Yapay zekâ ile yenilikçi hemşirelik: İç hastalıkları hemşireliği öğrencilerinin hazır bulunuşluğu ve tutumları üzerine bir inceleme, tanımlayıcı araştırma. Turkiye Klin J Nurs Sci. 2025;17(4):1208-19.
25. 25. Büyükkaya B, Altındiş S, Cevahir F. Diş hekimliği öğrencileri yapay zekâ uygulamalarına ne kadar hazır?. J Biotechnol Strateg Health Res. 2023;7(4):266-74.
26. 26. Yalçın Uysal S, Solhan R. Hemşirelik öğrencilerinde yapay zekâ hazırbulunuşluk ve yapay zekâ kaygı düzeyleri arasındaki ilişkinin incelenmesi. Etk Hemşirelik Derg. 2026;19(1):157-69.
27. 27. Çatman FN, Topsakal E, Saatçioğlu Ö. Üniversite öğrencilerinin yapay zekâ kullanım düzeylerinin belirlenmesi. Necmettin Erbakan Üniv Ereğli Eğit Fak Derg. 2025;7(Özel Sayı):317-47.
28. 28. Çankaya A, Filiz E. Hastane öncesi acil sağlık hizmetleri çalışanlarının yapay zekâ tutumları ile tıbbi yapay zekâ hazır bulunuşluk düzeyi ilişkisinin değerlendirilmesi. BANÜ Sağlık Bil Araşt Derg. 2025;7(2):609-20.
29. 29. Saberi A, Norouzy AM, Taheri M, Heidarzadeh A, Rezaei S. The readiness of Guilan University medical students regarding the use of artificial intelligence in medicine. Caspian J Neurol Sci. 2026;12(1):25-33.