University Students' Perceptions of Artificial Intelligence Applications in Education: A Multidimensional Statistical Analysis

Öz

This study aims to examine university students’ knowledge levels, perception structures, and attitudes The study evaluates higher education students' knowledge levels, perceptual structures and attitudes towards artificial intelligence (AI) technologies in the field of education within the framework of multidimensional statistical analysis. The dataset was collected by online survey method in 2023 and obtained from 91 students. In addition to descriptive statistics, Principal Component Analysis (PCA) and linear regression analyses were applied in the study. The dimensions underlying students' perceptions of AI were revealed and the extent to which these perceptions affect judgments about the usefulness of AI in education was examined. The findings show that students generally have a positive attitude towards AI technologies, but factors such as pedagogical competence, ethical issues and societal consequences shape this attitude in different directions. According to the results obtained from factor analysis, perceptions of AI are clustered on the axes of “social risk”, “economic gain” and “control-governance”. Regression analyses reveal that students' level of AI knowledge and their perceptions of the potential pedagogical contribution in education significantly affect their views on the extent to which AI is useful in education. The results point to the importance of considering student perceptions in the process of effective and ethical integration of AI applications into the education system.

Anahtar Kelimeler

• Principal component analysis
• data mining
• educational technologies
• artificial intelligence
• student perception

Üniversite Öğrencilerinin Eğitimde Yapay Zekâ Uygulamalarına Yönelik Algıları: Çok Boyutlu İstatistiksel Bir İnceleme

Öz

Çalışma, yükseköğretim öğrencilerinin eğitim alanında yapay zekâ (YZ) teknolojilerine yönelik bilgi seviyeleri, algısal yapıları ve tutumlarını çok boyutlu istatistiksel analiz çerçevesinde değerlendirmektedir. Veri kümesi, 2023’te çevrim içi anket yöntemiyle toplanmış ve 91 öğrenciden elde edilmiştir. Çalışmada betimsel istatistiklerin yanı sıra Temel Bileşenler Analizi (PCA) ve doğrusal regresyon analizleri uygulanmıştır. Öğrencilerin YZ’ye dair algılarının altında yatan boyutlar ortaya konmuş ve bu algıların, YZ’nin eğitimdeki faydasına ilişkin yargıları ne ölçüde etkilediği incelenmiştir. Elde edilen bulgular, öğrencilerin genel olarak YZ teknolojilerine olumlu yaklaştığını, ancak pedagojik yeterlik, etik meseleler ve toplumsal sonuçlar gibi unsurların bu tutumu farklı yönlerde şekillendirdiğini göstermektedir. Faktör analizinden elde edilen sonuçlara göre, YZ’ye ilişkin algılar “toplumsal risk”, “ekonomik kazanım” ve “kontrol-yönetişim” eksenlerinde kümelenmektedir. Regresyon analizleri ise öğrencilerin YZ bilgisinin düzeyi ile eğitimdeki potansiyel pedagojik katkıya ilişkin algılarının, YZ’nin eğitimde ne ölçüde yararlı olduğuna dair görüşlerini anlamlı şekilde etkilediğini ortaya koymaktadır. Sonuçlar, YZ uygulamalarının eğitim sistemine etkili ve etik bir biçimde entegrasyonu sürecinde, öğrenci algılarının dikkate alınmasının önemine işaret etmektedir.

Anahtar Kelimeler

• Temel bileşenler analizi
• veri madenciliği
• eğitim teknolojileri
• yapay zekâ
• öğrenci algısı

Teşekkür

Teknik analizler, veri ön işleme süreçleri ve Python dili ile programlama sürecinde sağladıkları rehberlik ve geri bildirimler için C ve Sistem Programcıları Derneği çalışanlarına (https://csystem.org/) ve Dernek Başkanı Dr. Kaan ASLAN’a teşekkür ederim.

Kaynakça

1. Arslan, K. (2020). Eğitimde Yapay Zekâ ve Uygulamaları. Batı Anadolu Eğitim Bilimleri Dergisi, 11(1), 71-88. [https://dergipark.org.tr/tr/pub/baebd/issue/55426/690058](https://dergipark.org.tr/tr/pub/baebd/issue/55426/690058)
2. Aslan, K. (2025). Yapay Zekâ, Makine Öğrenmesi ve Veri Bilimi Kursu, Sınıfta Yapılan Örnekler ve Özet Notlar, C ve Sistem Programcıları Derneği Yayınları, İstanbul.
3. Benzer, S., Benzer, R., & Akkaya, M.M. (2025). Üniversite Öğrencilerinin Yapay Zekâ Konusundaki Görüşleri. Kapadokya Eğitim Dergisi, 6(1), 1-20. DOI: [https://doi.org/10.69643/kaped.1450794](https://doi.org/10.69643/kaped.1450794)
4. Davenport, E.C., Davison, M.L., Liou, P., & Love, Q.U. (2015). Reliability, Dimensionality, and Internal Consistency as Defined by Cronbach: Distinct Albeit Related Concepts. Educational Measurement: Issues and Practice, 34, 4-9. [https://doi.org/10.1111/emip.12095](https://doi.org/10.1111/emip.12095)
5. Eriçok, B., Karataş, F., & Yüce, E. (2024). Öğretmen Adaylarının Yapay zekâya İlişkin Metafor Algıları. Kocaeli Üniversitesi Eğitim Dergisi, 7(2), 607-630. [http://doi.org/10.33400/kuje.1511500](http://doi.org/10.33400/kuje.1511500)
6. Eşidir, K. A. (2025a). Makine Öğrenimi Modelleri İle Yetişkin Eğitimi Analizi: Modellerin Karşılaştırmalı Performansı. Elektronik Sosyal Bilimler Dergisi, 24(2), 946-964. [https://doi.org/10.17755/esosder.1589887](https://doi.org/10.17755/esosder.1589887)
7. Eşidir, K. A. (2025b). TÜİK Mikro Verileri ile Çocuk İşgücü Tahmini: Makine Öğrenimi Modellerinin Performans Analizleri. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 37(1), 453-466. [https://doi.org/10.35234/fumbd.1607609](https://doi.org/10.35234/fumbd.1607609)
8. Eşidir, K. A., & Gür, Y. E. (2023). Yapay Sinir Ağları ile Türkiye Plastik Sektörü İthalat Tahmini: 2023 Yılı Nisan-Aralık Ayları. Akademik Hassasiyetler, 10(23), 91-114. [https://doi.org/10.58884/akademik-hassasiyetler.1307536](https://www.google.com/search?q=https://doi.org/10.58884/akademik-hassasiyetler.1307536)

9. Gür, Y. E., & Eşidir, K. A. (2024). Türkiye Hurda Demir Çelik İthalatının Gelecek Değerlerinin Derin Öğrenme, Makine Öğrenmesi ve Topluluk Öğrenme Yöntemleri ile Öngörülmesi. Alanya Akademik Bakış, 8(3), 885-908. [https://doi.org/10.29023/alanyaakademik.1497646](https://doi.org/10.29023/alanyaakademik.1497646)
10. Nkansah, B.K. (2018). On the Kaiser-Meier-Olkin’s Measure of Sampling Adequacy. Mathematical theory and modeling, 8, 52-76.
11. Panayides, P. (2013). Coefficient Alpha: Interpret With Caution. Europe’s Journal of Psychology, 9(4), Article e653. [https://doi.org/10.5964/ejop.v9i4.653](https://doi.org/10.5964/ejop.v9i4.653)
12. Petrascu, G. M. (2023). Survey on Students’ Perceptions of AI in Education [Data set]. Kaggle. [https://www.kaggle.com/datasets/gianinamariapetrascu/survey-on-students-perceptions-of-ai-in-education](https://www.kaggle.com/datasets/gianinamariapetrascu/survey-on-students-perceptions-of-ai-in-education)
13. Spiliotopoulou, G. (2009). Reliability reconsidered: Cronbach's alpha and paediatric assessment in occupational therapy. Australian occupational therapy journal, 56(3), 150-155. [https://doi.org/10.1111/j.1440-1630.2009.00785.x](https://doi.org/10.1111/j.1440-1630.2009.00785.x)
14. Temur, S. (2025). Yapay zekâ ve Eğitim: Güncel Uygulamalar ve Gelecek Perspektifleri. Trakya Üniversitesi Sosyal Bilimler Dergisi, 27(1), 162-178. [https://doi.org/10.26468/trakyasobed.1539210](https://doi.org/10.26468/trakyasobed.1539210)
15. Uğurlu, C. T., & Usta, H. G. (2025). Yapay Zekânın Eğitime (YZ) Yansımaları: Öğretmenlerin Bakış Açıları. Batı Anadolu Eğitim Bilimleri Dergisi, 16(1), 1350–1374. [https://doi.org/10.51460/baebd.1578952](https://doi.org/10.51460/baebd.1578952)
16. Varol, N. (2025). Eğitimde Yapay Zekâ ve Etik: Bir Alanyazın Taraması. Okul Yönetimi Dergisi, 5(1), 117–125. [https://dergipark.org.tr/tr/pub/saj/issue/92854/1694561](https://dergipark.org.tr/tr/pub/saj/issue/92854/1694561)