Yapay Zeka Zihniyeti Ölçeği Türkçe Versiyonu'nun Psikometrik Özelliklerinin İncelenmesi

Öz

Yapay Zeka’nın en yaygın kullanıldığı alanlardan biri yüksek öğretimdir. Üniversite öğrencilerinin Yapay Zeka araçlarının kabulü ve etkili kullanımında belirleyici olan faktörler arasında Yapay Zeka zihniyeti bulunmaktadır. Bu çalışmada, Yapay Zeka Zihniyeti Ölçeği’ni Türk kültürüne uyarlamak amaçlanmıştır. Çalışmanın örneklem grubu, 285 üniversite öğrencisinden oluşmaktadır. Çalışmanın veri toplama araçları arasında Yapay Zeka Zihniyeti Ölçeği, Yapay Zeka Kabul Ölçeği ve Yapay Zeka Tutum Ölçeği yer almaktadır. AI Zihniyeti Ölçeği ile ilgili yapılan güvenirlik analizi sonuçları, Cronbach alfa ve McDonald's omega değerlerinin iyi düzeyde olduğunu göstermiştir. Geçerliliğin sağlanması kapsamında yapılan Doğrulayıcı Faktör Analizi bulgularına göre Yapay Zeka Zihniyeti Ölçeği’nin uyum indekslerinin kabul edilebilir düzeyde olduğu görülmüştür. Ayrıca ölçeğin hem madde faktör yüklerindeki yüksek değerler hem de madde ayırt ediciliğini ve benzeşim geçerliliğini sağlaması, yapı geçerliliğini güçlendirmiştir. Ölçüt geçerliliği ile ilgili bulgularda ise Yapay Zeka kabul ve Yapay Zeka tutum ile Yapay Zeka zihniyeti arasında anlamlı pozitif ilişkiler olduğu saptanmıştır. Sonuç olarak çalışmada yapılan tüm analizler, Yapay Zeka Zihniyeti Ölçeği’nin Türkiye’de kullanılabilecek geçerli ve güvenilir bir ölçme aracı olduğunu göstermektedir. Dolayısıyla bu araştırma bulgularının hem Türk kültüründe hem de kültürler arasında yapılacak Yapay Zeka zihniyeti çalışmalarına öncülük etmesi beklenmektedir.

Anahtar Kelimeler

• yapay zeka
• zihniyet
• tutum

Psychometric Properties of the Turkish Version of the AI Mindset Scale

Öz

One of the fields where Artificial Intelligence (AI) is most widely used is higher education. Among the factors that determine university students' acceptance and effective use of AI tools is the AI mindset. This study aimed to adapt the AI Mindset Scale to Turkish culture. The study sample consisted of 285 university students. The study's data collection tools included the AI Mindset Scale, the AI Acceptance Scale, and the AI Attitude Scale. The results of the reliability analysis conducted on the AI Mindset Scale showed that Cronbach's alpha and omega values were at good levels. According to the findings of the Confirmatory Factor Analysis (CFA) conducted within the scope of validity, the fit indices of the AI Mindset Scale were found to be at acceptable levels. Furthermore, the scale's high values in item factor loadings and its provided item discriminant and convergent validity strengthened its construct validity. Criterion validity findings revealed significant positive correlations between AI acceptance and AI attitudes, and AI mindsets. In conclusion, all analyses conducted in the study show that the AI Mindset Scale is a valid and reliable measurement tool that can be used in Turkey. Therefore, it is expected that these research findings will lead to studies on the AI mindset both in Turkish culture and across cultures.

Anahtar Kelimeler

• Artificial intelligence
• Mindset
• attitude

Kaynakça

1. Adaş, E., & Erbay, B. (2022). Yapay zekâ sosyolojisi üzerine bir değerlendirme. Gaziantep University Journal of Social Sciences, 21(1), 326-337. https://doi.org/10.21547/jss.991383
2. Ak, M. (2022). Yapay zekâ kaygısının kariyer kararlılığına etkisine yönelik bir araştırma: Ondokuz Mayıs Üniversitesi öğrencileri örneği. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 27(3), 477-491.
3. 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
4. Alan, B., Zengin, F. K., & Keçeci, G. (2024). Artificial Intelligence Attitude Scale (AIAS): Validity and Reliability Study. Cumhuriyet International Journal of Education, 13(4), 789-800. https://dx.doi.org/10.30703/cije.1327949
5. Batuk, B., Aktu, Y., & Türk, N. (2025). Yapay Zeka Kabul Ölçeği Kısa Formu’nun psikometrik özelliklerinin incelenmesi. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 34(Özel Sayı), 438-451.https://doi.org/10.35379/cusosbil.1695975
6. Bayram. N. (2013). Yapısal eşitlik modellemesine giriş (3.baskı). Ezgi Kitapevi.
7. Bond, R. R., Ennis, E., & Mulvenna, M. D. (2025). How artificial intelligence may affect our mental wellbeing. Behaviour & Information Technology, 44(10), 2093-2100. https://doi.org/10.1080/0144929X.2025.2520593
8. Bozkurt, A. (2023). ChatGPT, üretken yapay zeka ve algoritmik paradigma değişikliği. Alanyazın, 4(1), 63-72.https://doi.org/10.59320/alanyazin.1283282

9. Brislin, R. W., Lonner, W. J., & Thorndike, R. M. (1973). Cross-cultural research methods. John Wiley & Sons Büyüköztürk, Ş., Çakmak, E. K., Akgün, Ö. E., Karadeniz, Ş., Demirel, F. (2014). Bilimsel araştırma yöntemleri (18th ed.). Pegem Akademi.
10. Büyüköztürk, Ş. (2018). Faktör analizi: Temel kavramlar ve ölçek geliştirmede kullanımı. Kuram ve Uygulamada Eğitim Yönetimi, 32(32), 470-483.
11. Campbell, L. O., Babb, K., Lambie, G. W., & Hayes, B. G. (2025). An Examination of Generative AI Response to Suicide Inquires: Content Analysis. JMIR Mental Health, 12, e73623.
12. Can, A. (2020). Spss ile Bilimsel Araştırma Sürecinde Nicel Veri Analizi (9th Ed.). Ankara: Pegem Akademi.
13. Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 14(3),464–504. https://doi.org/10.1080/10705510701301834
14. Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 233–255. https://doi.org/10.1207/S15328007SEM0902_5
15. Çetin, M., & Aktaş, A. (2021). Yapay zeka ve eğitimde gelecek senaryoları. OPUS International Journal of Society Researches, 18 (Eğitim Bilimleri Özel Sayısı), 4225-4268. https://doi.org/10.26466/opus.911444
16. DeVellis, R.F. (2017). Scale development: Theory and applications. Sage Publications.
17. De Winter, J., Dodou, D., & Eisma, Y. B. (2024). Personality and acceptance as predictors of ChatGPT use. Discover Psychology, 4(1), 57. https://doi.org/10.1007/s44202-024-00161-2
18. Erdoğan, T. E., & Ekşioğlu, S. (2024). Yapay Zekâ Okuryazarlığı Ölçeği’nin Türkçeye uyarlanması. Türk Eğitim Bilimleri Dergisi, 22(2), 1196-1211. https://doi.org/10.37217/tebd.1496716
19. Fornell, C., & Larcker, D. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.1177/002224378101800104
20. Gado, S., Kempen, R., Lingelbach, K., & Bipp, T. (2022). Artificial intelligence in psychology: How can we enable psychology students to accept and use artificial intelligence?. Psychology Learning & Teaching, 21(1), 37-56. https://doi.org/10.1177/14757257211037149
21. Grassini, S. (2023). Development and validation of the AI attitude scale (AIAS-4): a brief measure of general attitude toward artificial intelligence. Frontiers in Psychology, 14, 1191628. https://doi.org/10.3389/fpsyg.2023.1191628
22. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2014). Exploratory factor analysis. Multivariate data analysis. Prentice Hall.
23. Huang, C., Zhang, Z., Mao, B., &Yao, X. (2022). An overview of artificial intelligence ethics. IEEE Transactions on Artificial Intelligence, 4(4), 799-819.https://doi.org/10.1109/TAI.2022.3194503
24. Huynh-The, T., Pham, Q. V., Pham, X. Q., Nguyen, T. T., Han, Z., & Kim, D. S. (2023). Artificial intelligence for the metaverse: A survey. Engineering Applications of Artificial Intelligence, 117, 105581. https://doi.org/10.1016/j.engappai.2022.105581
25. Ibrahim, F., Telle, N. T., Herzberg, P. Y., & Münscher, J. C. (2025). The construction and Validation of the AI mindset Scale (AIMS). Computers in Human Behavior: Artificial Humans, 100220. https://doi.org/10.1016/j.chbah.2025.100220
26. İncemen, S., & Öztürk, G. (2024). Farklı eğitim alanlarında yapay zekâ: Uygulama örnekleri. International Journal of Computers in Education, 7(1), 27-49. https://doi.org/10.5281/zenodo.12600022
27. Jiang, Y., Li, X., Luo, H., Yin, S., & Kaynak, O. (2022). Quo vadis artificial intelligence?. Discover Artificial Intelligence, 2(4), 1-19. https://doi.org/10.1007/s44163-022-00022-8
28. Karagöz, Y. (2021). Bilimsel araştırma yöntemleri ve yayın etiği (3.Baskı). Nobel.
29. Karakoç-Keskin, E. (2023). Yapay zekâ sohbet robotu ChatGPT ve Türkiye internet gündeminde oluşturduğu temalar. Yeni Medya Elektronik Dergisi, 7(2), 114-131.
30. Karaoglan Yilmaz, F. G., & Yilmaz, R. (2025). Exploring the role of self-regulated learnings skills, cognitive flexibility, and metacognitive awareness on generative artificial intelligence attitude. Innovations in Education and Teaching International, 1-14. https://doi.org/10.1080/14703297.2025.2484613
31. Karasar, N. (2012). Bilimsel araştırma yöntemi. Nobel Yayınevi.
32. Kaya, F., Yetişensoy, O., Aydın, F., & Kaya, M. D. (2024). Yapay Zekâ Korkusu Ölçeğinin Türkçe’ye uyarlanması. Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi, 14(2), 554-567. https://doi.org/10.48146/odusobiad.1264103
33. Khaleel, M., Ahmed, A. A., &Alsharif, A. (2023). Artificial intelligence in engineering. Brilliance: Research of Artificial Intelligence, 3(1), 32-42. https://doi.org/10.47709/brilliance.v3i1.2170
34. Koçyiğit, A. & Darı, A. B. (2023). Yapay zekâ iletişiminde ChatGPT: İnsanlaşan dijitalleşmenin geleceği. Stratejik ve Sosyal Araştırmalar Dergisi, 7(2), 427-438. https://doi.org/10.30692/sisad.1311336
35. Kline, R. B. (2011). Principles and practice of structural equation modeling. NY: The Guilford Press. Lyu, W., & Liu, J. (2021). Artificial Intelligence and emerging digital technologies in the energy sector. Applied Energy, 303, 117615. https://doi.org/10.1016/j.apenergy.2021.117615
36. Mannuru, N. R., Shahriar, S., Teel, Z. A., Wang, T., Lund, B. D., Tijani, S., ... &Vaidya, P. (2025). Artificial intelligence in developing countries: The impact of generative artificial intelligence (AI) Technologies for development. Information Development, 41(3), 1036-1054. https://doi.org/10.1177/02666669231200628
37. Nemt-Allah, M., Khalifa, W., Badawy, M., Elbably, Y., & Ibrahim, A. (2024). Validating the ChatGPT Usage Scale: psychometric properties and factor structures among postgraduate students. BMC Psychology, 12(1), 497. https://doi.org/10.1186/s40359-024-01983-4
38. Nikolic, S., Wentworth, I., Sheridan, L., Moss, S., Duursma, E., Jones, R. A., ... & Middleton, R. (2024). A systematic literature review of attitudes, intentions and behaviours of teaching academics pertaining to AI and generative AI (GenAI) in higher education: An analysis of GenAI adoption using the UTAUT framework. Australasian Journal of Educational Technology, 40(6), 56–75. https://doi.org/10.14742/ajet.9643
39. Hashmi, N., & Bal, A. S. (2024). Generative AI in higher education and beyond. Business Horizons, 67(5), 607-614. https://doi.org/10.1016/j.bushor.2024.05.005
40. Oladimeji, K. E., Nyatela, A., Gumede, S., Dwarka, D., & Lalla-Edward, S. T. (2023). Impact of artificialintelligence (AI) on psychological and mental health promotion: an opinion piece. New Voices in Psychology, 13, 1-12. https://doi.org/10.25159/2958-3918/14548
41. Otahanova, S. (2025). The concept of artificial intelligence and its role in education. International Journal of Artificial Intelligence, 1(4), 3-6.
42. Prasad, K., & Kalavakolanu, S. (2023). Thestudy of cognitive psychology in conjunction with artificial intelligence. Conhecimento & Diversidade, 15(36), 271-287.
43. Shrestha, N. (2021). Factor analysis as a tool for survey analysis. American Journal of Applied Mathematics and Statistics, 9(1), 4-11
44. Spytska, L. (2025). Theuse of artificial intelligence in psychotherapy: Development of intelligent therapeutic systems. BMC Psychology, 13(175). https://doi.org/10.1186/s40359-025-02491-9
45. Tabachnick, B. G., & Fidell, L. S. (2007). Using Multivariate Statistics. Allyn and Bacon
46. Üstun, A. B. (2024). Applications of Artificial Intelligence in Education: A Systematic Review of Postgraduate Theses. Journal of Information and Communication Technologies, 6(2), 95-112. https://doi.org/10.53694/bited.1593139
47. Türk, N., Batuk, B., Kaya, A., & Yıldırım, O. (2025). What makes university students accept generative artificial ıntelligence? A moderated mediation model. BMC Psychology, 13, 1257. https://doi.org/10.1186/s40359-025-03559-2
48. Turgut, D., & Kunuroglu, F. (2025). Adaptation of the Student Attitudes toward Artificial Intelligence Scale (SATAI) to the Turkish context: A sample of emerging adults. International Journal of Human–Computer Interactin, 41(21) 13505-13515. https://doi.org/10.1080/10447318.2025.2474474
49. Yorgancıoğlu-Tarcan, G., Balçık, P. Y., & Sebik, N. B. (2024). Türkiye ve dünyada sağlık hizmetlerinde yapay zekâ. Mersin Üniversitesi Tıp Fakültesi Lokman Hekim Tıp Tarihi ve Folklorik Tıp Dergisi, 14(1), 50-60. https://doi.org/10.31020/mutftd.1278529
50. Zhao, J., Wu, M., Zhou, L., Wang, X., & Jia, J. (2022). Cognitive psychology-based artificial intelligence review. Frontiers in Neuroscience, 16, 1024316. https://doi.org/10.3389/fnins.2022.1024316
51. Zhou, S., Zhao, J., &Zhang, L. (2022). Application of artificial intelligence on psychological interventions and diagnosis: An overview. Frontiers in Psychiatry, 13, 811665. https://doi.org/10.3389/fpsyt.2022.811665