ARTIFICIAL INTELLIGENCE IN ACCOUNTING EDUCATION: IDENTIFYING LEARNING STYLES AND ASSESSING INDIVIDUAL DIFFERENCES

Öz

Evaluations on the role of artificial intelligence (AI) in education emphasize its potential contributions to student-centered learning and personalized education. However, while studies have begun to explore the expected contributions of these relatively new AI applications, comparative differences—specifically performance assessments—between AI usage and direct human effort are not yet sufficiently developed. Although there are limited studies aimed at determining learning styles through the use of AI, their consistency with actual results is not thoroughly examined. This study aims to assess the individual differences of accounting students at a vocational and technical high education school using the Kolb Learning Style Inventory (KLSI) and to evaluate the performance (consistency) of AI applications (ChatGPT, Gemini, and Copilot) against actual implementations. To this end, responses from 11 vocational and technical high school accounting students, whose learning styles were previously determined using KLSI, were utilized. Three different AI tools were instructed to determine the learning styles of these students using the same commands. In this way, the effectiveness of AI tools in identifying and assessing individual differences among students was examined both independently and comparatively. According to the findings, ChatGPT showed the highest performance, with only one incorrect assessment, while the other AIs made three incorrect assessments. Notably, the observation that ChatGPT incorrectly identified did not overlap with the incorrect observations of the others. In contrast, two of the three incorrect assessments by Gemini and Copilot pertained to the same two observations. Based on all the findings, this study, which provides an initial evaluation of the performance of AI in meeting the expected contributions and, specifically, in using KLSI, suggests that while AI can facilitate the identification and evaluation of individual differences in teaching, the possibility of errors should not be overlooked. Essentially, the study, with its empirical evidence, highlights that AIs still need to continue learning themselves and that relying solely on AI in zero-tolerance-required tasks, such as identifying students' individual characteristics, could be risky.

Anahtar Kelimeler

• Artificial Intelligence
• Student-Centered Learning
• Personalized Education
• Kolb Learning Styles Inventory
• Accounting Education
• Individual Differences.

MUHASEBE EĞİTİMİNDE YAPAY ZEKÂ: ÖĞRENME STİLLERİNİN TANIMLANMASI VE BİREYSEL FARKLILIKLARIN DEĞERLENDİRİLMESİ

Öz

Yapay zekânın eğitimdeki rolüne dair değerlendirmelerde öğrenci merkezli öğrenme ve özelleştirilmiş eğitim konularında sağlayacağı katkılara vurgu yapılmaktadır. Fakat henüz çok yeni olan yapay zekâ uygulamalarının sağlaması beklenen katkılar konusunda çalışmalar yapılmaya başlanmıştır. Ancak, yapay zekâ kullanımı ile doğrudan insan gücü kullanımı arasındaki mukayeseli farklar (başarım değerlendirmeleri) aynı düzeyde değildir. Özelde yapay zekâ kullanımıyla öğrenme stillerinin belirlenmesi amacıyla yapılan sınırlı sayıda çalışma bulunsa da, bunların gerçek (fiili) sonuçlarla olan tutarlılığı ele alınmamaktadır. Çalışmanın amacı da Kolb Öğrenme Stilleri Envanterini (KÖSE) kullanarak bir mesleki ve teknik eğitim lisesindeki muhasebe öğrencilerinin bireysel farklılıklarını tespit etme ve değerlendirmede yapay zekâ (Chat GPT, Gemini ve Copilot) uygulamalarının fiili uygulama karşısındaki başarımını (tutarlılığını) değerlendirmektir. Bunun için daha önce KÖSE ile öğrenme stilleri fiili olarak belirlenen 11 mesleki ve teknik eğitim lisesi öğrencisinin verdiği cevaplardan yararlanılmış ve üç farklı yapay zekâ aracından, “aynı komutlandırmayla” ilgili öğrencilerin öğrenme stillerini belirlemeleri istenmiştir. Bu suretle yapay zekâların öğrencilerin bireysel farklılıklarını tespit etme ve değerlendirme konusundaki işlevi ne derece doğru ve etkili (başarılı) bir şekilde yerine getirebildikleri hem münferit hem de karşılaştırmalı olarak ele alınmıştır. Elde edilen bulgulara göre en yüksek başarım ChatGPT'nin olmuştur. ChatGPT’nin hatalı tespit sayısı 1 iken diğer yapay zekâların hatalı tespit sayısı 3’tür. Ancak burada dikkat çeken husus; ChatGPT'nin hatalı olarak tespit ettiği gözlemin, diğerlerinin hatalı gözlemleriyle uyuşmamasıdır. Buna karşın Gemini'nin ve Copilot'un 3 hatalı tespitinin 2’si aynı iki gözleme aittir. Elde edilen tüm bulgular doğrultusunda, yapay zekâların kendilerinden beklenen katkının başarımı ve özelde de KÖSE yönüyle yapay zekâ kullanımının başarımına dair ilk değerlendirmeyi barındıran bu çalışmayla, öğretimde yapay zekâ kullanımının bireysel farklılıkları tespit etme ve değerlendirmede konusunda kolaylık sağladığı ifade edilebilirse de, hata ihtimalinin var olduğu da unutulmamalıdır. Esasen çalışma, ortaya koyduğu ampirik kanıtlarla, yapay zekâların kendisinin öğrenmeye devam etmesi gerektiğine; özellikle öğrencilerin bireysel özelliklerinin belirlenmesi gibi sıfır tolerans isteyen hususlarda doğrudan yapay zekâ ile hareket edilmesinin riskli olacağına işaret etmektedir.

Anahtar Kelimeler

• Yapay Zekâ
• Öğrenci Merkezli Öğrenme
• Özelleştirilmiş (Yapılandırılmış) Eğitim
• Kolb Öğrenme Stilleri Envanteri
• Muhasebe Eğitimi
• Bireysel Farklılıklar

Kaynakça

1. Adıgüzel, O., Batur, H., & Ekşili, N. (2014, 1). Kuşakların Değişen Yüzü ve Y Kuşağı ile Ortaya Çıkan Yeni Çalışma Tarzı: Mobil Yakalılar. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi(19), 165-182.
2. Alice Y., K., & David A., K. (2013). THE KOLB LEARNING STYLE INVENTORY- Version 4.0 A Comprehensive Guide to the Theory, Psychometrics, Research on Validity and Educational Applications . Experience Based Learning Systems.
3. Antalyalı, Ö. L., & Bolat, Ö. (2017). ÖĞRENİLMİŞ İHTİYAÇLAR BAĞLAMINDA TEMEL MOTİVASYON KAYNAKLARI (TMK) ÖLÇEĞİNİN GELİŞTİRİLMESİ, GÜVENİLİRLİK VE GEÇERLİK ANALİZİ. Bolu Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 17(1), 83-114.
4. Aşkar, P., & Akkoyunlu, B. (1993). Kolb Öğrenme Stili Envanteri. Eğitim ve Bilim Dergisi, s. 37-47.
5. Baldwin, A. A. (1995). Integrating Artificial Intelligence Into The Accounting Curriculum. Accounting Education, 4(3), s. 217-229.
6. Beck, J., & Mostow , J. (2008). How who should practice: Using learning decomposition to evaluate the efficacy of different types of practice for different types of students. Intelligent Tutoring Systems, 9th International Conference. Montreal, Canada.
7. Cha, H., Kim, Y., Park, S., Yoon, T., Jung, Y., & Lee, J.-H. (2006). Learning Styles Diagnosis Based on User Interface Behaviors for the Customization of Learning Interfaces in an Intelligent Tutoring System. Intelligent Tutoring Systems, 8th International Conference, (s. 513-524). Taiwan.
8. chat.openai.com. (tarih yok). ChatGPT. 11 7, 2024 tarihinde https://chatgpt.com/c/672d1840-3544-8003-bcc3-74ed66c53895 adresinden alındı

9. Chen, C.-M., Lee, H.-M., & Chen, Y.-H. (2005). Personalized e-learning system using Item Response Theory. Computers & Education, 44(3), s. 237-255.
10. copilot.microsoft.com. (tarih yok). 11 7, 2024 tarihinde https://copilot.microsoft.com/chats/yDUyrcTJUgxSnGhgAVXLm adresinden alındı
11. Cunha, T., Martins, H., Carvalho, A., & Carmo, C. (2022). Not Practicing What You Preach: How Is Accounting Higher Education Preparing the Future of Accounting. Education Sciences, 12(7), s. 432.
12. Geçici, E. (2024). Yapay Zekâ Destekli ChatGPT’nin Muhasebe Eğitimi Alanına Uygunluğu: Fırsatlar ve Zorluklar. İşletme Akademisi Dergisi, 5(2), s. 96-117.
13. gemini.google.com. (tarih yok). 11 7, 2024 tarihinde https://gemini.google.com/app/8af221c6fffe5d87?hl=tr adresinden alındı
14. Gencel, İ. E. (2006). Öğrenme Stilleri, Deneyimsel Öğrenme Kuramına Dayalı Eğitim, Tutum ve Sosyal Bilgiler Program Hedeflerine Erişkin Düzeyi . İzmir: Dokuz Eylül Üniversitesi Eğitim Bilimleri Enstitüsü, Doktora Tezi .
15. Graf, S., & Kinshuk, D. (2007). Providing adaptive courses in learning management systems with respect to learning styles. Proceedings of the World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education.
16. Hwang, G.-J., Sung, H.-Y., Hung, C.-M., & Huang, I. (2012). Development of a personalized educational computer game based on students’ learning styles. Educational Technology Research and Development, 60(4), s. 185-200.
17. İncemen, S., & Öztürk, G. (2024). Farklı Eğitim Alanlarında Yapay Zeka: Uygulama Örnekleri. International Journal of Computers in Education, 7(1), s. 27-49.
18. Karakaş, E., Varıcı, İ. (2024), Hileli Finansal Raporlama ve Finansal Başarısızlık İlişkisinin Muhasebe Bilgi Kalitesi Açısından Değerlendirilmesi, Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26/1, s. 121-141.
19. Kopar, E. (2023). Yapay Zekanın Tarihçesi ve Gelişimi. 09 20, 2024 tarihinde https://www.brandingturkiye.com/yapay-zekanin-tarihcesi-ve-gelisimi/ adresinden alındı
20. Kutlucan, E., & Seferoğlu, S. S. (2024). Eğitimde Yapay Zekâ Kullanımı: ChatGPT’nin KEFE ve PEST Analizi. TEBD, 22(2), s. 1059-1083.
21. Mousavinasab, E., Zarifsanaiey, N., Kalhori, S., Rakhshan, M., Keikha, L., Ghazisaeedi, M., & Saeedi, G. (2018). Intelligent tutoring systems: A systematic review of characteristics, applications, and evaluation methods. Interactive Learning Environments.
22. Özdemir, F. S, Bengü, H. ve Karakaş, E. (2023). Muhasebe öğretim elemanlarının psikolojik dayanıklılıkları ile mesleki dayanıklılıklarının incelenmesi. Hitit Sosyal Bilimler Dergisi, 16(2), 601-625. doi:10.17218/hititsbd.1384670
23. Pirim, H. (2006). Yapay Zeka. Yaşar Üniversitesi e-Dergi, 1(1), s. 81-93.
24. Pirim, H. (2006). Yapay Zeka. Yaşar Üniversitesi e-Dergi, 1(1), s. 81-93.
25. Salvagno, M., Gerli, A., & Taccone, F. (2023). Can Artifical Intelligence Help for Scientific Writing? Critical Care, 27(1).
26. Seyrek, M., Şahin, A., Yıldız, S., Türkmen, M. T., & Emeksiz, H. (2024). Öğretmenlerin Eğitimde Yapay ZekaKullanımına Yönelik Algıları. International Journal of Social and Humanities Sciences Research, 11(106), s. 845-856.
27. Şen, İ. K., & Terzi, S. (2022). Yapay Zeka Ve Dijital Muhasebe Trendlerinde Muhasebe Eğitimine İlişkin Öneriler. Journal of Business in The Digital Age, 5(2), s. 105-113.
28. Tandiono, R. (2023). The Impact of Artificial Intelligence on Accounting Education: A Review of Literature. E3S Web of Conferences 426 (ICOBAR 2023).
29. Turan, E. (2019). Muhasebe Öğretiminde Ters Yüz Edilmiş Sınıf Yöntemi: Orta Dereceli Eğitim Kurumu ve Z kuşağı Üzerine Bir Uygulama. Ondokuz Mayıs Sosyal Bilimler Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı Yüksek Lisans Tezi. Samsun.
30. Woolf, B. P. (2008). uilding Intelligent Interactive Tutors: Student-centered strategies for revolutionizing e-learning. Elsevier & Morgan Kaufmann.
31. Zhang, A., & Zhao, Y. (2022). Future Challenges of Accounting Education in China Using Artificial Intelligence Assisted Multimedia Based Smart Accounting System. ACM Transactions on Asian and Low-Resource Language Information Processing.