Yapay Zekâ Okuryazarlığı Ölçeği’nin Türkçeye Uyarlanması

Öz

Bu araştırma ile öğretmenlerin yapay zekâ okuryazarlık düzeylerinin ölçüldüğü geçerli ve güvenilir bir ölçme aracının Türkçeye uyarlanması amaçlanmaktadır. Araştırmada Öğretmenlerin Yapay Zekâ Okuryazarlığı algılarını değerlendirmek amacıyla Wang, Rau ve Yuan (2023) tarafından geliştirilmiş olan Yapay Zekâ Okuryazarlığı Ölçeği kullanılmıştır. Ölçeğin Türkçeye uyarlanması, açıklayıcı faktör analizi ile doğrulayıcı faktör analizinden faydalanılarak yapılmıştır. Bu araştırmanın örneklemini belirleme aşamasında kullanılan yöntem kolayda örnekleme yöntemidir. Araştırma çalışmaya katılmayı gönüllü olarak kabul eden 226 öğretmen ile yapılmış ve bu grup araştırmanın örneklemini oluşturmuştur. Araştırmada, örneklem yeterliliğinin test edilmesi için Kaiser-Meyer-Olkin değeri 0,780 olarak bulunmuş ve Bartlett testi anlamlı çıkmıştır. Açıklayıcı faktör analizi sonuçları, ölçeğin orijinalindeki gibi dört boyuta ayrıldığını ve açıklanan toplam varyansın %82,873 olduğunu göstermektedir. Ölçeğin uyum iyiliği değerleri ise şu şekildedir: RMSEA=0,078, NFI=0,944, TLI=0,952, CFI=0,967, IFI=0,967 ve GFI=0,931; bu değerler kabul edilebilir sınırlar içindedir. Ölçeğin Cronbach alfa değeri 0,861 olarak belirlenmiştir. Ayrıca, ölçeğin boyutları arasında pozitif yönlü, düşük ve orta düzeyde ilişkiler tespit edilmiştir. Sonuç olarak, ölçeğin genel ortalaması 3,97 olarak belirlenmiştir. Yapay Zekâ Okuryazarlığı Ölçeği’nin Türkçeye uyarlanmış hali, katılımcıların yapay zekâ okuryazarlığına dair algılarını ölçmek adına geçerli ve güvenilir bir araç olarak bulunmuştur. Orijinal ölçekten elde edilen bulgular ile Türkçe uyarlamasından elde edilen bulgular uyum göstermektedir. Bu nedenle, ölçeğin katılımcıların yapay zekâ okuryazarlığı algılarını değerlendirmek amacıyla kullanılabileceği düşünülmektedir.

Anahtar Kelimeler

• Yapay zeka okuryazarlığı
• Öğretmenler
• Geçerlilik
• Güvenilirlik

Adaptation of Artificial Intelligence Literacy Scale into Turkish

Öz

In the study, it is aimed to adapt a valid and reliable measurement tool which measures Artificial Intelligence (AI) Literacy levels of teachers into Turkish. The AI Literacy Scale, formulated by Wang, Rau, and Yuan (2023), served as the basis to assess the views of teachers regarding AI literacy. The adaptation process included descriptive and confirmatory factor analyses as well as reliability analysis. The study sample, selected through a convenience sampling method, included 226 teachers who participated voluntarily. The adequacy of the sample was confirmed by a Kaiser-Meyer-Olkin value of 0.780, and the Bartlett test was significant. Results from the explanatory factor analysis showed that the scale was divided into four distinct dimensions similar to the original scale, with a total explained variance of 82.873%. The scale's fit indices, including RMSEA=0.078, NFI=0.944, TLI=0.952, CFI=0.967, IFI=0.967, and GFI=0.931, were all within acceptable ranges. The scale's reliability was indicated by a Cronbach's alpha value of 0.861. Additionally, positive correlations, ranging from low to moderate, were identified among the scale's dimensions. The average score for the scale was 3.97. The Turkish adaptation of the AI Literacy Scale was recognized as a dependable and accurate tool for gauging participants' AI literacy perceptions. The findings from the original scale aligned with those obtained from the Turkish version. Therefore, it is considered that the scale is suitable for assessing participants' views on AI literacy.

Anahtar Kelimeler

• Artificial intelligence literacy
• Teachers
• Validity
• Reliability

Kaynakça

1. Bayram, N. (2016). Yapısal eşitlik modellemesine giriş AMOS uygulamaları. Bursa: Ezgi.
2. Büyüköztürk, Ş., Kılıç-Çakmak, E., Akgün, Ö. E., Karadeniz, Ş. & Demirel, F. (2024). Bilimsel araştırma yöntemleri. Ankara: Pegem Akademi.
3. Byrne, B. M. (2016). Structural equation modeling with AMOS: Basic concepts, applications, and programming. London: Routledge.
4. Çetin, M. & Aktaş, A. (2021). Yapay zekâ ve eğitimde gelecek senaryoları. OPUS International Journal of Society Researches, 18[Eğitim Bilimleri Özel Sayısı], 4225-4268.
5. Davenport, T. H. & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review 96(1), 108–116.
6. Erdoğan, M. & Kırılmaz, H. (2020). Hasta merkezlilik ve hasta merkezli bakım. İnsan ve İnsan, 7(24), 97-126.
7. Fornell, C. & Larcker, D.F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
8. Gondal, K. M. (2018). Yapay zekâ ve eğitim liderliği. Kral Edward Tıp Üniversitesi Yıllıkları, 24(4), 1-2.

9. Güneş, F. (2019). Okuryazarlık yaklaşımları. The Journal of Limitless Education and Research, 4(3), 224-246.
10. Hair, J., Black, W., Babin, B. & Anderson, R. (2010). Multivariate data analysis: A global perspective. Upper Saddle River, NJ: Pearson Prentice Hall.
11. Hambleton, R. K. & Patsula, L. (1998). Adapting tests for use in multiple languages and cultures. Social Indicators Research, 45, 153-171.
12. Heggestad, E. D., Scheaf, D. J., Banks, G. C., Monroe-Hausfeld, M., Tonidandel, S., & Williams, E. B. (2019). Scale adaptation in organizational science research: A review and best-practice recommendations. Journal of Management, 45(6), 2596-2627.
13. Hu, L. T. & Bentler, P. M. (1995). Evaluating model fit. R. H. Hoyle (Ed.), Structural equation modelling: Concepts, issues, and applications içinde (s. 99-105) London: Sage.
14. Kandlhofer, M., Steinbauer, G., Hirschmugl-Gaisch, S. & Huber, P. (2016). Artificial intelligence and computer science in education: From kindergarten to university. 2016 IEEE Frontiers in Education Conference (FIE) içinde (s. 1-9). NY: IEEE.
15. Karagöz Y. (2017). SPSS ve AMOS uygulamalı bilimsel araştırma yöntemleri ve yayın etiği. Ankara: Nobel.
16. Karagöz, Y. & Bardakçı, S. (2020). Bilimsel araştırmalarda kullanılan ölçme araçları ve ölçek geliştirme. Ankara: Nobel.
17. Kırılmaz, H., Ataç, C., Erdoğan, M. & Arslanoğlu, A. (2023). Turkish validity and reliability of patient-centred care scale. Sağlık Akademisyenleri Dergisi, 10(3), 337-347.
18. Kline, R. B. (2011). Principles and practice of structural equation modeling. New York: Guilford.
19. Komalavalli, K., Hemalatha, R. & Dhanalakshmi, S. (2020). Chennai Şehri ve çevresindeki yükseköğrenim öğrencileri arasında akıllı telefonlarda yapay zekâ ve uygulamaları üzerine bir araştırma. Shanlax Uluslararası Eğitim Dergisi, 8(3), 89-95. https://doi.org/10.34293/education.v8i3.2379
20. Lee, S. & Choi, J. (2017). Enhancing user experience with conversational agent for movie recommendation: Effects of self-disclosure and reciprocity. International Journal of Human-Computer Studies, 103, 95–105.
21. Luo, X., Tong, S., Fang, Z. & Qu, Z. (2019). Machines versus humans: the impact of AI chatbot disclosure on customer purchases. Nanyang Business School Research Paper, 20(33), 1-30.
22. Metelskaia, I., Ignatyeva, O., Denef, S. & Samsonowa, T. (2018). A business model template for AI solutions. Proceedings of the International Conference on Intelligent Science and Technology içinde (s. 35-41). NY: Association for Computing Machinery.
23. Stembert, N. & Harbers, M. (2019). Accounting for the human when designing with AI: Challenges identified. CHI'19-Extended Abstracts, Glasgow, Scotland, UK—May 04-09, 2019.
24. Su, G. (2018). Unemployment in the AI Age. AI Matters 3(4), 35–43.
25. Tabachnick, B. G. & Fidell, L. S. (2015). Using multivariate statistics (6. b.). NY: Pearson.
26. Tarafdar, M., Beath, C. M. & Ross, J. W. (2019). Using AI to enhance business operations. MIT Sloan Management Review, 60(4), 37–44.
27. Wang, B., Rau, P. L. P. & Yuan, T. (2023). Measuring user competence in using artificial intelligence: validity and reliability of artificial intelligence literacy scale. Behaviour & Information Technology, 42(9), 1324-1337.
28. Xiao, W. & Bie, M. (2019). The reform and practice of educational technology major in the age of artificial intelligence 2.0. IOP Conference Series: Materials Science and Engineering, 677(5), 1-4. https://iopscience.iop.org/article/10.1088/1757-899X/677/5/052094/pdf sayfasından erişilmiştir.
29. Zhou, H., Itoh, M. & Kitazaki, S. (2021). How does explanation-based knowledge influence driver take-over in conditional driving automation? IEEE Transactions on Human-Machine Systems, 51(3), 188-197. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9351636 sayfasından erişilmiştir.