The Use of Artificial Intelligence-Supported Block-Based Programming Applications in Science Education: A Study on Pre-Service Teachers

Öz

This study examines the effects of an artificial intelligence-supported block-based programming approach integrated into biology instruction on pre-service science teachers’ artificial intelligence literacy levels, general attitudes toward artificial intelligence, artificial intelligence anxiety levels, and block-based programming self-efficacy perceptions. The study was conducted using a quantitative research method based on a one-group pre-test–post-test design. The study group consisted of pre-service science teachers studying at a public university. Data were collected using the Artificial Intelligence Literacy Scale, the General Attitude toward Artificial Intelligence Scale, the Artificial Intelligence Anxiety Scale, and the Block-Based Programming Self-Efficacy Scale. During the implementation process, biology-related activities were carried out using artificial intelligence-supported block-based programming environments such as PictoBlox. The collected data were analyzed using statistical analysis methods. According to the findings, no statistically significant differences were found between pre-test and post-test scores in terms of artificial intelligence literacy, general attitudes toward artificial intelligence, and artificial intelligence anxiety levels. However, individual-level changes were observed in participants’ scores. On the other hand, a significant increase was identified in block-based programming self-efficacy perceptions. The results indicate that artificial intelligence-supported block-based programming applications are effective in improving the technical skills of pre-service teachers, but may have limited impact on cognitive and affective variables such as attitudes, literacy, and anxiety in short-term implementations. Accordingly, it is recommended that artificial intelligence-based instructional practices be integrated into educational programs in a more systematic and long-term manner.

Anahtar Kelimeler

• artificial intelligence
• artificial intelligence literacy
• block-based programming
• pre-service teachers
• science education

Yapay Zekâ Destekli Blok Tabanlı Programlama Uygulamalarının Biyoloji Eğitiminde Kullanımı: Fen Bilgisi Öğretmen Adayları Üzerine Bir Araştırma

Öz

Bu araştırmada, yapay zekâ destekli blok temelli programlama uygulamalarına dayalı biyoloji öğretim sürecinin fen bilgisi öğretmen adaylarının yapay zekâ okuryazarlık düzeyleri, yapay zekâya yönelik genel tutumları, yapay zekâ kaygı düzeyleri ve blok temelli programlama öz-yeterlik algıları üzerindeki etkisi incelenmiştir. Araştırma nicel araştırma yöntemlerinden tek grup ön test–son test desenine göre yürütülmüştür. Çalışma grubunu bir devlet üniversitesinde öğrenim gören fen bilgisi öğretmen adayları oluşturmaktadır. Araştırma kapsamında veri toplama aracı olarak yapay zekâ okuryazarlık ölçeği, yapay zekâya yönelik genel tutum ölçeği, yapay zekâ kaygı ölçeği ve blok temelli programlama öz-yeterlik algı ölçeği kullanılmıştır. Uygulama sürecinde PictoBlox gibi yapay zekâ destekli blok temelli programlama ortamları kullanılarak biyoloji öğretimine yönelik etkinlikler gerçekleştirilmiştir. Elde edilen veriler istatistiksel analiz yöntemleri kullanılarak değerlendirilmiştir. Araştırma bulgularına göre, fen bilgisi öğretmen adaylarının yapay zekâ okuryazarlık, yapay zekâya yönelik genel tutum ve yapay zekâ kaygı düzeylerinde ön test ve son test puanları arasında istatistiksel olarak anlamlı bir farklılık bulunmamıştır. Bununla birlikte, katılımcıların puanlarında bireysel düzeyde değişimler gözlenmiştir. Öte yandan, blok temelli programlama öz-yeterlik algısı puanlarında anlamlı bir artış olduğu tespit edilmiştir. Elde edilen sonuçlar, yapay zekâ destekli blok temelli programlama uygulamalarının öğretmen adaylarının teknik becerilerini geliştirmede etkili olduğunu, ancak yapay zekâya yönelik tutum, okuryazarlık ve kaygı gibi bilişsel ve duyuşsal değişkenler üzerinde kısa süreli uygulamalarda sınırlı etkiye sahip olabileceğini göstermektedir. Bu doğrultuda, yapay zekâ temelli öğretim uygulamalarının daha uzun süreli ve sistematik biçimde eğitim programlarına entegre edilmesi önerilmektedir.

Anahtar Kelimeler

• yapay zekâ
• yapay zekâ okuryazarlığı
• blok temelli programlama
• öğretmen adayları
• fen eğitimi

Etik Beyan

Gazi Üniversitesi Etik Komisyonu, 10 Aralık 2024, No: 2024-1954

Kaynakça

1. Acemioğlu, R. (2025). Fen bilgisi öğretmen adaylarının yapay zekâ okuryazarlık profilleri. The Journal of International Educational Sciences, 12(44), 264-287. https://doi.org/10.29228/INESJOURNAL.82643 Akgün, S., & Greenhow, C. (2022). Artificial intelligence in education: Addressing ethical challenges in K-12 settings. AI and Ethics, 2 (3), 431–440. https://doi.org/10.1007/s43681-021-00096-7 Alaca, F. (2025). Ortaöğretim öğretmenlerinin yapay zekâ uygulamalarına ilişkin algıları: İlçe düzeyinde nitel çalışma. The Journal of Turk-Islam World Social Studies. 12(46), 232-254.
2. Altay, M. E. (2023). Blok tabanlı programlama ortamlarının yapay zekâ programlamada kullanımının ortaokul öğrencilerinin bilgi işlemsel düşünme becerileri ve motivasyonlarına etkisi (Yayımlanmamış yüksek lisans tezi). Atatürk Üniversitesi, Eğitim Bilimleri Enstitüsü, Erzurum.
3. Aruğaslan, E. (2025). Doktora öğrencilerinin yapay zekâ kullanımı üzerine nitel bir çalışma. Üniversite Araştırmaları Dergisi. 8(1), 36-53.
4. Balıkçı, H. C., ve Alpsülün, M. (2025). Turkish adaptation of Artificial Intelligence Attitude Scale-4: Investigating general AI attitudes through various factors. E-Kafkas Journal of Educational Research, 12(2), 444-457. https://doi.org/10.30900/kafkasegt.1509077
5. Balıkçı, H. C., ve Yıldız Durak, H. (2025, Nisan). Öğretmenlerin yapay zekâ teknolojilerini eğitimde kabul etme düzeylerinin incelenmesi: Bir ölçek uyarlama çalışması. 5th International Conference on Engineering, Natural and Social Sciences (ICENSOS 2025) içinde (s. 392). Konya, Türkiye.
6. Bandura, A. (1986). Social foundations of thought and action: A social Cognitive theory. Englewood Cliffs Prentice Hall.
7. Bayraktar, B., Gülderen, S., Akça, S., ve Serin, E. (2023). Yapay zekâ teknolojilerinin eğitimde kullanımına yönelik öğretmen görüşleri. Ulusal Eğitim Dergisi, 3(11), 2012–2030.
8. Bebek, M., Doğusoy, B., ve Uzun, N. B. (2025). Ortaöğretim öğrencilerinin eğitimde yapay zekâ kullanımına yönelik kaygı ölçeğinin geliştirilmesi. Batı Anadolu Eğitim Bilimleri Dergisi. 16(3), 4034-4059.

9. Benzer, R., ve Benzer, S. (2022a). Bilişim alanı lisansüstü öğrencilerinin yapay zekâ konusundaki görüşleri. Sosyal Bilimler Elektronik Dergisi, 6(10), 53-83.
10. Benzer, S., ve Benzer, R. (2022b). The use of machine learning algorithms in classification of questionnaire results. 2. International Antalya Scientific Research and Innovative Studies Congress, Antalya, Türkiye.
11. Büyüköztürk, Ş., Kılıç-Çakmak, E., Akgün, Ö. E., Karadeniz, Ş., ve Demirel, F. (2019). Bilimsel araştırma yöntemleri (26. baskı). Pegem Akademi.
12. Can, A. (2020). SPSS ile nicel veri analizi (9. baskı). Pegem Akademi. Cohen, L., Manion, L., ve Morrison, K. (2021). Eğitimde araştırma yöntemleri. Pegem Akademi Yayıncılık.
13. Çat, A. K., ve Huseynova, Z. (2025). Eğitimde yapay zekâ ve oyunlaştırma: Ortaokul öğrencilerinin yapay zekâ farkındalık düzeylerinin belirlenmesi. Asya Studies. 9(32), 133-150.
14. Çelebi, C., Yılmaz, F., Demir, U., ve Karakuş, F. (2023). Artificial intelligence literacy: An adaptation study. Instructional Technology and Lifelong Learning, 4(2), 291-306. https://doi.org/10.52911/itall.1401740
15. Çelik, S., ve Dönmez, İ. (2025). Üniversite öğrencilerinin yapay zekaya yönelik kaygı ve tutumlarının incelenmesi. Gazi Eğitim Bilimleri Dergisi, 11(2), 346-370.
16. Çimen, M. (2015). Fen ve sağlık bilimleri alanlarında SPSS uygulamalı veri analizi. Ankara: Palme Yayınevi.
17. Dağdelen, E., Güngör, H., ve Ünal, İ. (2025). Fen bilgisi öğretmen adaylarının yapay zekâ okuryazarlığı: Farklı değişkenler açısından bir inceleme. İnönü Üniversitesi Eğitim Fakültesi Dergisi, 26(3), 2211-2244. https://doi.org/10.17679/inuefd.1650862
18. Göçer, Ş., ve Karabatak, S. (2026). Yapay zekâ ile zenginleştirilmiş çevrimiçi yabancı dil öğretiminin öğrencilerin yapay zekâya yönelik tutumlarına etkisi: Deneysel çalışma. Turkish Journal of Educational Studies. 13(1), 166-182.
19. Gündoğdu, A. (2025). Blok tabanlı yapay zekâ uygulamaları destekli öğretimin 6. sınıf öğrencilerinin yapay zekâ okuryazarlığı, fen öğrenmeye yönelik motivasyon ve kodlamaya yönelik tutumları üzerine etkisi (Yayımlanmamış yüksek lisans tezi). Gazi Üniversitesi Eğitim Bilimleri Enstitüsü.
20. Gündoğdu, A., ve Benzer, S. (2024). Bibliometric analysis of articles published on artificial intelligence in education during the last five years in Türkiye. The Journal of Artificial Intelligence and Human Sciences, 1(1), 22- 35. https://doi.org/10.5281/zenodo.14669374
21. Güven, E., ve Sülün, Y. (2023). Ortaokul 5. sınıf fen öğretiminde Arduino destekli robotik kodlama etkinliklerinin kullanılması. Erzincan Üniversitesi Eğitim Fakültesi Dergisi, 25(2), 225-236. https://doi.org/10.17556/erziefd.1116283
22. Hinton, P. R., Brownlow, C., McMurray, I., & Cozens, B. (2004). SPSS explained. New York, NY: Routledge. Holmes, W., Bialik, M., ve Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
23. İnal, H. C., & Günay, S. (1993). Olasılık ve matematiksel istatistik. Ankara: Hacettepe Üniversitesi Yayınları.
24. Johnson, R. A., & Wichern, D. W. (2002). Applied multivariate statistical analysis (5. baskı). Upper Saddle River, NJ:
25. Prentice Hall.
26. Karaman, K., ve Köse, M. (2025). Fen bilimleri öğretmen ve öğretmen adaylarının yapay zekâya yönelik tutumları ile yapay zekâ okuryazarlık düzeyleri: İlişkisel bir inceleme. Eğitimde Yeni Yaklaşımlar Dergisi, 8(2), 177-197. https://doi.org/10.70325/eyyad.1782927
27. Kaya, F., Aydın, F., Schepman, A., Rodway, P., Yetişensoy, O., ve Demir Kaya, M. (2022). The roles of personality traits, AI anxiety, and demographic factors in attitudes towards artificial intelligence. International Journal of Human-Computer Interaction, 40(2), 497-514. https://doi.org/10.1080/10447318.2022.2151730
28. Koparan, S., ve Benzer, S. (2025). Ortaokul öğrencilerinin yapay zekâ okuryazarlığı: Anne ve baba eğitim düzeyi. 14. International Zeugma Congress on Scientific Research içinde. Gaziantep, Türkiye.
29. Korkmaz, Ö., Balcı, H., Çakır, R., ve Erdoğmuş, F. U. (2021). Görsel programlama ortamlarında yapılan oyun geliştirme etkinliklerinin etkililiği. Mehmet Akif Ersoy University Journal of Education Faculty, 57, 52-73.
30. Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–16. https://doi.org/10.1145/3313831.3376727
31. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education.
32. Maloney, J., Peppler, K., Kafai, Y. B., Resnick, M., ve Rusk, N. (2008). Programming by choice: Urban youth learning programming with Scratch. Proceedings of the 39th SIGCSE Technical Symposium on Computer Science Education içinde (ss. 367-371). Portland, OR: ACM.
33. Marienko, M. V., ve Markova, O. M. (2024). Artificial intelligence literacy in secondary education: Methodological approaches and challenges. CEUR Workshop Proceedings, 3679, 87–97. Martin, F., Zhuang, M., Schaefer, D. (2023). Systematic review of adaptive learning research in K-12 education
34. (2017–2022). Computers and Education: Artificial Intelligence, 4, 100133. https://doi.org/10.1016/j.caeai.2023.100133
35. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). AI literacy: Definition, teaching, evaluation and ethical issues. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
36. Ökten, M. S. (2024). Türkiye'de dijital dönüşümün eğitimdeki fırsat eşit(siz)liği üzerindeki etkileri. Sosyolojik Bağlam Dergisi, 5(3), 531-556. https://doi.org/10.52108/2757-5942.5.3.7
37. Patton, M. Q. (2005). Qualitative research. John Wiley & Sons. Quiroz, P., ve Gutierrez, F. J. (2024). Scratch-NB: A Scratch extension for introducing K-12 learners to supervised
38. machine learning. Proceedings of the 55th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2024) içinde (ss. 1077–1083). https://doi.org/10.1145/3626252.3630920
39. Resnick, M., Maloney, J., Hernandez, A., Rusk, N., Eastmond, E., Brennan, K., ve Kafai, Y. (2009). Scratch: Programming for all. Communications of the ACM, 52(11), 60-67.
40. Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
41. Saatçioğlu, Ö., ve Topsakal, E. (2025). Öğretmen adaylarının yapay zekâya yönelik tutumlarının çeşitli değişkenler açısından incelenmesi. Uluslararası Toplumsal Bilimler Dergisi, 9(2), 168-191.
42. Sarıkaya, B., ve Kavan, N. (2024). Türkçe öğretmeni adaylarının yapay zekâya yönelik tutumlarının incelenmesi. Elektronik Eğitim Bilimleri Dergisi, 13(26), 191-203. https://doi.org/10.55605/ejedus.1550010
43. Schepman, A., ve Rodway, P. (2020). Initial validation of the general attitudes towards artificial intelligence scale. Computers in Human Behavior Reports, 1, 100014. https://doi.org/10.1016/j.chbr.2020.100014
44. Schmidt, J. T., ve Tang, M. (2020). Digitalization in education: Challenges, trends and transformative potential. J. T. Schmidt ve M. Tang (Ed.), Digital transformation in business and society: Theory and practice (ss. 287–312). https://doi.org/10.1007/978-3-030-44167-8_16
45. Sırakaya, M. (2018). Kodlama eğitimine yönelik öğrenci görüşleri. Ondokuz Mayıs University Journal of Education Faculty, 37(2), 79-90. https://doi.org/10.7822/omuefd.394649
46. Soylu, E. (2023). Ortaokul öğrencilerine yönelik geliştirilen yapay zekâ eğitim içeriğinin yapay zekâ okuryazarlığına etkisi (Yayımlanmamış yüksek lisans tezi). Sakarya Üniversitesi Eğitim Bilimleri Enstitüsü.
47. Sun, D., Looi, C. K., Li, Y., Zhu, C., Zhu, C., ve Cheng, M. (2024). Block-based versus text-based programming: A comparison of learners’ programming behaviors, computational thinking skills and attitudes toward programming. Educational Technology Research and Development, 72(2), 1067–1089.
48. Takıl, N., Erden, N. K., ve Sarı, A. B. (2022). Farklı meslek grubu adaylarının yapay zekâ teknolojisine yönelik kaygı seviyesinin incelenmesi. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 25(48), 343-353. https://doi.org/10.31795/baunsobed.1165386
49. Taşpınar, M. (2017). Sosyal bilimlerde SPSS uygulamalı nicel veri analizi. Ankara: Pegem Akademi Yayıncılık.
50. Teo, T. (2011). Factors influencing teachers’ intention to use technology: Model development and test. Computers & Education, 57(4), 2432–2440. https://doi.org/10.1016/j.compedu.2011.06.008
51. 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.
52. Turhan, T., ve Kılıç Çakmak, E. (2023). Yapay zekâ uygulamaları atölye programının yapay zekâya yönelik tutumlara etkisi. Gazi Üniversitesi Bilişim Enstitüsü Bilişim Teknolojilerinde Evrensel Tasarım Sempozyumu (BİTETS 2023) Bildiriler Kitabı içinde (ss. 45-52).
53. UNESCO. (2024). AI competency framework for teachers. Paris: UNESCO.
54. Wang, B., Rau, P. L. P., ve Yuan, T. (2023). Measuring user competence in using artificial intelligence: Validity and reliability of the artificial intelligence literacy scale. Behaviour & Information Technology, 42(9), 1324-1337. https://doi.org/10.1080/0144929X.2022.2072768
55. Wang, Y. Y., ve Wang, Y. S. (2019). Development and validation of an artificial intelligence anxiety scale: An initial application in predicting motivated learning behavior. Interactive Learning Environments, 1-16. https://doi.org/10.1080/10494820.2019.1674887
56. Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83.
57. Yang, Y., ve Xu, X. (2024). Research on artificial intelligence literacy level and its influencing factors of high school students. International Journal of Social Science Research, 2(2), 1–15. Yang, Z., Blake-West, J., Yang, D., ve Bers, M. (2022). The impact of a block-based visual programming curriculum: Untangling coding skills and computational thinking. Computers & Education, 188, 104576. https://doi.org/10.1016/j.compedu.2022.104576 Yeşilbaş Özenç, Y. (2025). Eğitimde yapay zekâ etiği ve politikaları: Finlandiya, Güney Kore ve Türkiye örneği. Siirt Eğitim Dergisi, 5(2), 1-27. https://doi.org/10.58667/sedder.1777959
58. Yıldırım, A., ve Şimşek, H. (2013). Sosyal bilimlerde nitel araştırma yöntemleri (9. baskı). Seçkin Yayıncılık.
59. Zhao, G., Yang, L., Hu, B., ve Wang, J. (2025). A generative artificial intelligence (AI)-based human-computer
60. collaborative programming learning method to improve computational thinking, learning attitudes, and learning achievement. Journal of Educational Computing Research, 63, 1059-1087. https://doi.org/10.1177/07356331251336154