Artificial Intelligence Attitude Scale for Teachers: Validity and Reliability Study

Yıl 2026, Sayı: Erken Görünüm [Online First], 106 - 131

Burcu Alan , Gonca Keçeci , Fikriye Kırbağ Zengin

https://doi.org/10.9779/pauefd.1418456

Öz

The purpose of this study is to develop a valid and reliable measurement tool that can be used to determine teachers' attitudes towards artificial intelligence technology. In order to determine the content validity, the scale items were analysed by field experts. In addition, pre-application was carried out with 20 teachers. After the necessary changes in the pre-application, the scale was applied to 576 teachers for reliability study and construct validity. The KMO value of scale was calculated as .947. According to the Barlett sphericity results, the chi-square value was found to be significant (X2 (630) =9112.901; p<.001). The exploratory factor analysis (EFA) concluded that 36 items were collected in 4 sub-dimensions. The total contribution of the components to the variance is 63.922%. When the fit indices of the model resulting from confirmatory factor analysis (CFA) were examined (X2/df =2.48; RMSEA=0.072; IFI=0.97; NNFI=0.97; CFI=0.97; NFI=0.96 and RFI=0.95), it was concluded that the structure in EFA was confirmed. The Cronbach Alpha reliability coefficient for the overall scale was .962. The scale has sub-dimensions: the use of artificial intelligence in daily life (16 items), the use of artificial intelligence in education (7 items), not adopting artificial intelligence (7 items), and awareness of artificial intelligence (6 items). After the validity and reliability studies, 36 items were obtained, including 27 positive and nine negative items. Statistical analyses show that the scale developed within the scope of this study is a valid and reliable tool for determining teachers' attitudes toward artificial intelligence technology.

Anahtar Kelimeler

Artificial intelligence, Attitude towards artificial intelligence, Scale development, Teachers

Öğretmenler için Yapay Zekâ Tutum Ölçeği: Geçerlik ve Güvenirlik Çalışması

Öz

Bu çalışmanın amacı, öğretmenlerin yapay zekâ teknolojisine yönelik tutumlarını belirlemede kullanılabilecek geçerliği ve güvenilirliği sağlanmış bir ölçme aracı geliştirmektir. Kapsam geçerliliğinin belirlenmesi amacıyla ölçek maddeleri alan uzmanları tarafından incelenmiştir. Ayrıca 20 öğretmenle ön uygulama yapılmıştır. Ön uygulamada gerekli değişiklikler yapıldıktan sonra ölçek, yapı geçerliliği ve güvenirlik çalışması için toplam 576 öğretmene uygulanmıştır. Ölçeğin KMO değeri .947 olarak hesaplanmıştır. Barlett küresellik sonuçlarına göre ki-kare değeri anlamlı bulunmuştur (X2(630) =9112,901; p<.001). Açımlayıcı faktör analizi (AFA) sonucunda 36 maddenin 4 alt boyutta toplandığı sonucuna varılmıştır. Bileşenlerin varyansa toplam katkısı %63,922 bulunmuştur. Doğrulayıcı faktör analizi (DFA) sonucunda ortaya çıkan modelin uyum indeksleri incelendiğinde (X2/sd =2,48; RMSEA=0,072; IFI=0,97; NNFI=0,97; CFI=0.97; NFI=0,96 ve RFI=0,95) AFA’daki yapının doğrulandığı sonucuna ulaşılmıştır. Ölçeğin geneline ilişkin Cronbach Alpha güvenirlik katsayısı .962 olarak bulunmuştur. Ölçeğin alt boyutları; yapay zekânın günlük hayatta kullanılması (16 madde), yapay zekânın eğitimde kullanılması (7 madde), yapay zekâyı benimsememe (7 madde) ve yapay zekâya yönelik farkındalık (6) şeklindedir. Geçerlik ve güvenirlik çalışmalarının ardından 27'si olumlu, 9'u olumsuz olmak üzere toplam 36 madde elde edilmiştir. Yapılan istatistiksel analizler sonucunda bu çalışma kapsamında geliştirilen ölçeğin, öğretmenlerin yapay zekâ teknolojisine karşı tutumlarını belirlemede kullanılabilecek geçerli ve güvenilir bir araç olduğu söylenebilir.

Anahtar Kelimeler

Yapay zekâ, Yapay zekâya yönelik tutum, Ölçek geliştirme, Öğretmenler

Kaynakça

• Abbasoğlu, B. (2020). Ortaokul öğrencilerinin akademik başarılarının eğitsel veri madenciliği yöntemleri ile tahmini [Prediction of academic achievements of secondary school students with educational data mining methods]. Veri Bilimi, 3(1), 1-10. https://dergipark.org.tr/en/pub/veri/issue/55996/734049
• Akdeniz, M. (2019). Okul öncesi çocuklarına yönelik yapay zekâ tabanlı akıllı oyuncaklar: Tasarım tabanlı bir çalışma [Artificial intelligence based smart toys for preschool children: A design-based study] [Yayımlanmamış yüksek lisans tezi, Afyon Kocatepe Üniversitesi]. Ulusal Tez Merkezi.
• Akkaya, B., Özkan, A., & Özkan, H. (2021). Yapay zekâ kaygı (YZK) ölçeği: Türkçeye uyarlama, geçerlik ve güvenirlik çalışması [Artificial intelligence anxiety (AIA) scale: Adaptation to Turkish, validity and reliability study]. Alanya Akademik Bakış, 5(2), 1125-1146. https://doi.org/10.29023/alanyaakademik.833668
• Akmeşe, Ö. F., Kör, H., & Erbay, H. (2021). Use of machine learning techniques for the forecast of student achievement in higher education. Information Technologies and Learning Tools, 82(2), 297-311. https://doi.org/10.33407/itlt.v82i2.4178
• Al Darayseh, A. (2023). Acceptance of artificial intelligence in teaching science: Science teachers' perspective. Computers and Education: Artificial Intelligence, 4, 100132. https://doi.org/10.1016/j.caeai.2023.100132
• Alan, B. (2023). Fen öğretiminde yapay zekâ ile belirlenen çoklu zekâ alanlarına göre hazırlanmış e-öğrenme ortamlarının farklı değişkenler açısından incelenmesi [The analysis of e-learning settings, which are prepared on the basis of multiple intelligence domains determined by artificial intelligence in science instruction, as per different variables]. [Yayımlanmamış doktora tezi, Fırat Üniversitesi]. Ulusal Tez Merkezi.
• Alkhatlan, A., & Kalita, J. (2018). Intelligent tutoring systems: A comprehensive historical survey with recent developments. 1-31. https://doi.org/10.48550/arXiv.1812.09628
• Anderson, J. C., & Gerbing, D. W. (1984). The effect of sampling error on convergence, improper solutions, and goodness-of-fit indices for maximum likelihood confirmatory factor analysis. Psychometrika, 49, 155-173. https://link.springer.com/article/10.1007/bf02294170
• Arıcı, N., & Karacı, A. (2013). Türkçe öğrenimi için web tabanlı zeki öğretim sistemi (TÜRKZÖS) ve değerlendirmesi [Web based ıntellıgent tutorıng system for turkısh learnıng (TÜRKZÖS) and evaluatıon]. Electronic Turkish Studies, 8(8). https://www.researchgate.net/publication/319464690_Turkce_Ogrenimi_Icin_Web_Tabanli_Zeki_Ogretim_Sistemi_Turkzos_ve_Degerlendirmesi
• Arslan, K. (2020). Eğitimde yapay zekâ ve uygulamaları [Artificial intelligence and applicatıons in education]. Batı Anadolu Eğitim Bilimleri Dergisi, 11(1), 71-88.
• Aygün, E. S. (2019). Problem çözme öğretimine yönelik oyunlaştırılmış uyarlanabilir bir zeki öğretim sisteminin tasarlanması [Design a gamification adaptive intelligent tutoring system toward problem solving teaching]. [Yayımlanmamış yüksek lisans tezi, Trabzon Üniversitesi]. Ulusal Tez Merkezi.
• Bland, J. M., & Altman, D. G. (1997). Statistics notes: Cronbach's alpha. BMJ, 314(7080), 572.
• Bohner, G., & Wänke, M. (2004). Attitudes and attitude change. Psychology
• Brown, T. A. (2015). Confirmatory factor analysis for applied research (2th ed.). The Guilford Press.
• Büyüköztürk Ş. (2015). Sosyal bilimler için veri analizi el kitabı [Manual of data analysis for social sciences] (21th edition). Pegem Publishing.
• Büyüköztürk, Ş. (2002). Faktör analizi: Temel kavramlar ve ölçek geliştirmede kullanımı [Factor analysıs: Basıc concepts and usıng to development scale]. Kuram ve Uygulamada Eğitim Yönetimi, 32(32): 470-483. https://atif.sobiad.com/index.jsp?modul=makaledetay&Alan=sosyal&Id=AWCq95eaoDuH9Br_d2gh
• Büyüköztürk, Ş. (2007). Sosyal bilimler için veri analizi el kitabı [Manual of data analysis for social sciences] (7th edition). Pegem Publishing.
• Cabrera-Nguyen, P. (2010). Author guidelines for reporting scale development and validation results in the journal of the society for social work and research. Journal of the Society for Social Work and Research, 1(2), 99-103. https://doi.org/10.5243/jsswr.2010.8
• Cameron, A. (2004). Kurtosis. In Lewis-Beck, M., Bryman, A., & Liao, T.(Ed.). The sage encyclopedia of social science research methods (544-545). SAGE Publications.
• Can, A. (2017). SPSS ile bilimsel araştırma sürecinde nicel veri analizi [Quantitative data analysis in the scientific research process with SPSS] (5th edition). Pegem Publishing.
• Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial ıntelligence trends in education: A narrative overview. Procedia Computer Science, 136, 16-24. https://doi.org/10.1016/j.procs.2018.08.233
• Chiu, T. K., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2022). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computers and Education: Artificial Intelligence, 4, 100118, 1-15. https://doi.org/10.1016/j.caeai.2022.100118
• Cohen, L., Manion, L., & Morrison, K. (2007). Research methods in education (6. baskı). Routledge. Coppin, B. (2004). Artificial intelligence illuminated. Jones & Bartlett Learning.
• Çam, M. O., & Baysan-Arabacı, L. (2010). Tutum ölçeği hazırlamada nitel ve nicel adımlar. [Qualitative and quantitative steps on attitude scale construction]. Hemşirelikte Araştırma Geliştirme Dergisi, 12(2), 64-71.
• Çelik, C. (2020). 3. sınıf öğrencilerinin yaşadığı okuma güçlüklerinin sebeplerinin yapay zekâ yöntemi ile modellenmesi [Modelling reasons for reading problems experienced by third graders through artificial intelligence method]. [Yayımlanmamış yüksek lisans tezi, Bursa Uludağ Üniversitesi]. Ulusal Tez Merkezi.
• Çokluk, Ö., Şekercioğlu, G., & Büyüköztürk, Ş. (2012). Sosyal bilimler için çok değişkenli istatistik SPSS ve LISREL uygulamaları [SPSS and LISREL applications of multivariate statistics for the social sciences.]. Pegem Publishing.
• DeVellis, R. F. (2003). Scale development: Theory and applications (2th edition). Sage Publications.
• Devellis, R. F. (2014). Ölçek geliştirme: Kuram ve uygulamalar [Scale development: Theory and applications] (Ed. Tarık Totan). Nobel Publishing.
• Dogan, N., & Aktaş, B. (2011). Promath: Web tabanlı zeki öğretim sistemleri için düzenleyici modül uygulaması [PROMATH: Organizing module application for web based intelligent tutoring system]. Bilişim Teknolojileri Dergisi, 4(2), 25-34. https://dergipark.org.tr/en/pub/gazibtd/issue/6622/87923
• Domingos, P. (2017). Master algoritma (2th edition). Paloma Publisher.
• Edwards, B. I., & Cheok, A. D. (2018). Why not robot teachers: Artificial intelligence for addressing teacher shortage. Applied Artificial Intelligence, 32(4), 345-360. https://doi.org/10.1080/08839514.2018.1464286
• Erdemir, M., & İngeç, Ş. (2014). Fizik eğitiminde web tabanlı zeki öğretim sisteminin (ZÖS) başarıya etkisi [Web based intelligent tutoring system’s effects on achievement of physics education]. Eğitim ve Öğretim Araştırmaları Dergisi, 1(3), 289-298.
• Erkuş, A. (1994). Psikolojik terimler sözlüğü [Dictionary of psychological terms]. Doruk Publications.
• Erümit, A. K. (2014). Polya’nın problem çözme adımlarına göre hazırlanmış yapay zekâ tabanlı öğretim ortamının öğrencilerin problem çözme süreçlerine etkisi [Artificial intelligence-based learning environments which preparing Polya's problem solving steps effect on students' problem solving processes]. [Yayımlanmamış doktora tezi, Karadeniz Teknik Üniversitesi]. Ulusal Tez Merkezi.
• George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference. 11.0 update (4th ed.). Allyn & Bacon.
• Gorsuch, R.L. (2008). Factor analysis (2th Edition) Psychology Press.
• Grace, K., Salvatier, J., Dafoe, A., Zhang, B., & Evans, O. (2018). When will AI exceed human performance? Evidence from AI experts. Journal of Artificial Intelligence Research, 62, 729-754.
• Han, H. J., Kim, K. J., & Kwon, H. S. (2020). The analysis of elementary school teachers' perception of using artificial ıntelligence in education. Journal of Digital Convergence, 18(7), 47-56.
• Heuser, S.V. (2019, 06 Mart). From deep blue to alexa: the history of artificial intelligence. 20 Kasım 2022 tarihinde https://blog.solvatio.com/en/from-deep-blue-to-alexa-the-history-of-artificial-intelligence
• Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
• Hooper, D., Coughlan, J., & Mullen, M. (2008, September). Evaluating model fit: a synthesis of the structural equation modelling literature. In 7th European Conference on research methodology for business and management studies (Vol. 2008, pp. 195-200).
• İğde, H., & Yakar, L. (2022). A study of reliability, validity and development of the teacher expectation scale. International Journal of Assessment Tools in Education, 9(3), 787-807. https://doi.org/10.21449/ijate.976585
• İşler, B., & Kılıç, M. (2021). Eğitim de yapay zekâ kullanımı ve gelişimi [The use and development of artificial intelligence in education]. Yeni Medya Elektronik Dergisi, 5(1), 1-11. https://doi.org/10.17932/IAU.EJNM.25480200.2021/ejnm_v5i1001
• Jin, X. B., Su, T. L., Kong, J. L., Bai, Y. T., Miao, B. B., & Dou, C. (2018). State-of-the- art mobile intelligence: Enabling robots to move like humans by estimating mobility with artificial intelligence. Applied Sciences, 8(3), 1-39. https://doi.org/10.3390/app8030379
• Jöreskog, K. G., & Sörbom, D. (1993). LISREL 8: Structural equation modeling with the SIMPLIS command language. Scientific software international.
• Kahramanoğlu, R., Yokuş, E., Cücük, E., Vural, S., & Şiraz, F. (2018). Öğretmenlik mesleğine yönelik tutum ölçeği (ÖMYTÖ) geçerlik ve güvenirlik çalışması [The validity and reliability study of attitudes towards teaching profession scale (ATTPS)]. Turkish Studies, 13, 11.
• Kapat, S., Şahin, S., & Kara, M., (2022). The collective teacher efficacy behaviours scale: A validity and reliability study. International Journal of Assessment Tools in Education, 9(1), 1-19. https://doi.org/10.21449/ijate.946171
• Karasar, N. (2018). Bilimsel araştırma yöntemi: Kavramlar ilkeler teknikler [Scientific research method: Concepts, principles, techniques]. Nobel Publishing.
• Kayabaş, İ. (2010). Yapay zekâ sohbet ajanlarının uzaktan eğitimde öğrenci destek sistemi olarak kullanılabilirliği [Usabilty of artificial intelligent conversational agents as student support service in distance education] [Yayımlanmamış yüksek lisans tezi, Anadolu Üniversitesi]. Ulusal Tez Merkezi.
• Kayhan, R. F., Bardakçı, S., & Caz, Ç. (2020). Türk futbolunda video yardımcı hakem (VAR) uygulamasına yönelik tutum ölçeği geliştirilmesi [Development of the attitude scale towards video assistant referee (Var) in Turkish football]. OPUS International Journal of Society Researches, 16(27), 571-596. https://doi.org/10.26466/opus.673635
• Keleş, A. (2007). Öğrenme-öğretme sürecinde yapay zekâ ve web tabanlı zeki öğretim sistemi tasarımı ve matematik öğretiminde bir uygulama [Artificial intelligence and web based intelligent tutoring system design in learning-teaching process and an application in mathematics] [Yayımlanmamış doktora tezi, Atatürk Üniversitesi]. Ulusal Tez Merkezi.
• Kılcan, T. (2021). Yeni nesil matematik sorularına ilişkin tutum ölçeği geliştirme: Geçerlik ve güvenirlik çalışması [Development of attitude scale related to new generation math questions: Validity and relibility study]. Anadolu Kültürel Araştırmalar Dergisi, 5(2), 170-180. https://doi.org/10.15659/ankad.v5i2.159
• Kırmızı, F. S., Kapıkıran, Ş., & Akkaya, N. (2021). Dijital ortamda yazmaya ilişkin tutum ölçeği (DOYAT): Ölçek geliştirme çalışması [Attitude scale for digital writing (DWS): Scale development study]. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, (52), 417-444. https://doi.org/ 10.9779.pauefd.684858
• Kline P. (1994). An easy guide to factor analysis. Routledge.
• Kline, R. B. (2016). Principle and practice of structural equation modelling (4th ed.). The Guilford Press.
• Korucu, A. T., & Biçer, H. (2020). Eğitimde yapay zekanın rolleri ve eğitsel yapay zekâ uygulamaları. In Nabiyev, V. ve Erümit, A.K. (Ed.), Eğitimde yapay zekâ, kuramdan uygulamaya (38-56). Pegem Akademi.
• Koyuncu, I., & Kılıç, A. (2019). The use of exploratory and confirmatory factor analyses: A document analysis. Egitim ve Bilim-Education and Science, 44(198). https://doi.org/10.15390/eb.2019.7665
• Kunt, A. (2017). Ortaokul 8. sınıf öğrencilerinin matematiksel ispata yönelimlerinin yapay sinir ağı modeli kullanılarak incelenmesi [An investigation of secondary school 8th grade students' orientations to mathematical proof with artificial neural network model]. [Yayımlanmamış yüksek lisans tezi, Dokuz Eylül Üniversitesi]. Ulusal Tez Merkezi.
• Leech, N.L., Barrett, K.C., & Morgan, G.A. (2005). SPSS for ıntermediate statistics: Use and ınterpretation. (2th Edition). Lwrence Erlbaum Associates.
• Morris, C.G. (2015). Psikolojiyi anlamak psikolojiye giriş [Understanding psychology introduction to psychology] (Melike Sayıl, H. Belgin Ayvaşık, Çev.). Turkish Psychologists Association Publications.
• Murphy, R. F. (2019). Artificial intelligence applications to support K-12 teachers and teaching: A review of promising applications, opportunities, and challenges. Perspective. RAND Corporation.
• Nabiyev, V. (2003). Artificial intelligence. Seçkin Publising.
• Nabiyev, V., & Erümit, A.K. (2020). Yapay zekanın temelleri [Fundamentals of artificial intelligence]. In Nabiyev, V., & Erümit, A.K. (Eds.), Eğitimde yapay zekâ, kuramdan uygulamaya ( 2-34). Pegem Akademi.
• Namlı, N. A. (2016). Bulanık mantık ile belirlenmiş çoklu zekâ alanlarına göre düzenlenmiş öğrenme ortamlarının öğrencilerin akademik başarılarına etkisi [The impact of learning environment based on multiple intelligence designated by fuzzy logic to students' achievement]. [Yayımlanmamış yüksek lisans tezi, Çukurova Üniversitesi]. Ulusal Tez Merkezi.
• Oker, D., & Tay, B. (2020). Hayat bilgisi dersi tutum ölçeğinin geliştirilmesi ve öğrencilerin hayat bilgisi dersine yönelik tutumları [Developing an attitude scale for the life science lesson and students’ attitudes]. Kalem Eğitim ve İnsan Bilimleri Dergisi,10(2), 731-756. http://doi.org/10.23863/kalem.2020.173
• Özbek, M. (2007). Etmen tabanlı zeki öğretim sistemi geliştirme [Developing agent based intelligent tutoring system] [Yayımlanmamış doktora tezi, Marmara Üniversitesi]. Ulusal Tez Merkezi.
• Özkan, İ. (2019). Fen ve teknoloji okuryazarlığına ilişkin öz yeterlik algısı ile akademik başarı arasındaki ilişkinin yapay sinir ağı ile analizi [Analysis of the relationship between self-efficacy perception and academic achievement in science and technology literacy with artificial neural networks]. [Yayımlanmamış yüksek lisans tezi, Burdur Mehmet Akif Ersoy Üniversitesi]. Ulusal Tez Merkezi.
• Paksın, B. (2020). Görsel sanatlarda yapay zekâ ve yaratıcılık ilişkisi [The relationship between ariıficial inteliıgence and creativity in the visual arts]. [Yayımlanmamış yüksek lisans tezi, Dokuz Eylül Üniversitesi]. Ulusal Tez Merkezi.
• Pallant, J. (2010). SPSS survival manual a step by step guide to data analysis using SPSS (4. baskı). McGraw-Hill.
• Park, W., & Kwon, H. (2023). Implementing artificial intelligence education for middle school technology education in Republic of Korea. International Journal of Technology and Design Education, 1-27. http://doi.org/10.1007/s10798-023-09812-2
• Rennie, K.M. (1997). Exploratory and confirmatory rotation strategies in exploratory factor analysis.
• Robinson, H., MacDonald, B., Kerse, N., & Broadbent, E. (2013). The psychosocial effects of a companion robot: A randomized controlled trial. Journal of the American Medical Directors Association, 14(9), 661-667. http://doi.org/10.1016/j.jamda.2013.02.007
• Roy, N., Baltus, G., Fox, D., Gemperle, F., Goetz, J., Hirsch, T., Margaritis, D., Montemerlo, M., Pineau, J., Schulte, j., & Thrun, S. (2000). Towards personal service robots for the elderly. Workshop on Interactive Robots and Entertainment 25, 1-7. http://doi.org/10.1007/s12369-014-0232-4
• Sağiroğlu, Ş., Erler, M., & Beşdok, E. (2003). Mühendislikte yapay zekâ uygulamaları-I: Yapay sinir ağlar [Artificial intelligence applications in engineering-I: Artificial neural network.]. Ufuk Publishing.
• Schumacker, R. E., & Lomax, R. G. (2004). A beginner's guide to structural equation modeling. Psychology press.
• Seçer, İ. (2015). Psikolojik test geliştirme ve uyarlama süreci, SPSS ve LİSREL uygulamaları [Psychological test development and adaptation process, SPSS and LISREL applications]. Anı Publishing.
• Selim, H.İ., & Kaya, A. (2023). Okullarda denetim sürecine ilişkin öğretmen tutumları [Teacher attitudes about the audit process in schools]. Milli Eğitim Dergisi, 52(238), 1285-1304. https://doi.org/10.37669/milliegitim.1127743
• Shaikh, A. A., Kumar, A., Jani, K., Mitra, S., García-Tadeo, D. A., & Devarajan, A. (2022). The role of machine learning and artificial intelligence for making a digital classroom and its sustainable impact on education during COVID- 19. Materials Today: Proceedings, 56, 3211-3215. https://doi.org/10.1016/j.matpr.2021.09.368
• Sofroniou, N., & Hutcheson, G. D. (1999). The multivariate social scientist: Introductory statistics using generalized linear models. The Multivariate Social Scientist.
• Stevens, J. (2002). Applied multivariate statistics for the social sciences. Mahwah, NJ: Lawrence Erlbaurn Associates.
• Şencan, H. (2005). Sosyal ve davranışsal ölçümlerde güvenilirlik ve geçerlilik [Reliability and validity in social and behavioral measures] (1th edition). Seçkin Publishing.
• Tabachnick B.G., & Fidell L.S. (2001). Using multivariate statistics (4th edition). Allyon and Bacon, MA.
• Tavşancıl, E. (2005). Tutumların ölçülmesi ve SPSS ile veri analizi [Measurement of attitudes and data analysis with SPSS]. (2th edition). Nobel Publishing.
• Tezbaşaran, A. A. (1996). Likert tipi ölçek geliştirme kılavuzu [Likert type scale development guide]. Turkish Psychologists Association Publications.
• Türkmen, L. (2007). The influences of elementary science teaching method courses on a Turkish teachers college elementary education major students’ attitudes towards science and science teaching. Journal of Baltic Science Education, 6(1), 66-77.
• Ülgen, G. (1997). Eğitim Psikolojisi [Education psychology]. Alkım Publishing.
• Williams, R. (2018). PopBots: Leveraging social robots to aid preschool children's artificial intelligence education [Doctoral dissertation, University of Maryland]. https://dspace.mit.edu/handle/1721.1/122894
• Yavuzalp, N. (2012). E-öğrenme ortamında kullanılan öğrenme stil ve stratejilerinin web kullanım madenciliği ile analizi [The analysis of learning style and strategies used in e-learning environment via web usage mining]. [Yayımlanmamış doktora tezi, Fırat Üniversitesi]. Ulusal Tez Merkezi.
• Yılmaz, A. (2017). Yapay zekâ [Artificial intelligence]. KODLAB Publishing.
• Yong, A. G., & Pearce, S. (2013). A beginner’s guide to factor analysis: Focusing on exploratory factor analysis. Tutorials in Quantitative Methods for Psychology, 9(2), 79-94. https://doi.org/10.20982/tqnp.09.2.p079.
• Yücel, G., & Adiloğlu, B. (2019). Dijitalleşme-yapay zekâ ve muhasebe beklentiler [Digitalization- artificial intelligence and accounting expectations]. Muhasebe ve Finans Tarihi Araştırmaları Dergisi, (17), 47-60. https://dergipark.org.tr/en/pub/muftad/issue/46942/589319