Yapay Zekâya Yönelik Tutum Ölçeğinin Türkçeye Uyarlanması: Geçerlik ve Güvenirlik Çalışması

Öz

Bu çalışmada, Suh ve Ahn (2022) tarafından geliştirilen Yapay Zekâya Yönelik Tutum Ölçeği'nin Türkçe uyarlaması süreci ve yapılan geçerlilik-güvenirlik analizleri ele alınmıştır. 2023-2024 eğitim-öğretim yılında, 10-18 yaş aralığındaki 340 öğrenciye uygulanan ölçek, çeviri ve geri çeviri süreciyle Türkçeye uyarlanmış, ardından doğrulayıcı faktör analizi (DFA) ile yapısal geçerliliği incelenmiştir. Yapılan analizler, ölçeğin üç faktörlü ve 26 maddeden oluşan yapısının Türkçe versiyonunun orijinal modelle uyumlu olduğunu göstermiştir. DFA sonuçları, uyum iyiliği indekslerinin (χ²/sd = 2.06, RMSEA = 0.05, GFI = 0.87, CFI = 0.92) iyi uyum sağladığını ve yapılan modifikasyonların anlamlı katkılar sağladığını ortaya koymuştur. Güvenilirlik analizleri ise, ölçeğin yüksek iç tutarlılığa sahip olduğunu göstermiştir. Bilişsel, duygusal ve davranışsal boyutların Cronbach alfa değerleri sırasıyla 0.82, 0.85 ve 0.90 olarak bulunmuş, toplam güvenilirlik katsayısı ise 0.93 olarak hesaplanmıştır. Ayrıca, alt boyutlar arasındaki güçlü pozitif korelasyonlar (p<0.01) iç tutarlılığı desteklemiştir. Sonuç olarak, Yapay Zekâya Yönelik Tutum Ölçeği'nin Türkçe uyarlaması, geçerli ve güvenilir bir ölçüm aracı sunmakta olup, Türk öğrenci popülasyonunda kullanılabilirliği açısından uygun bulunmuştur.

Anahtar Kelimeler

• Geçerlik
• Güvenirlik
• Ölçek Uyarlaması
• Tutum
• Yapay zekâ

Turkish Adaptation of Attitude Towards Artificial Intelligence Scale: A Validity and Reliability Study

Abstract

In this study, the adaptation process of the Attitude Towards Artificial Intelligence Scale, developed by Suh and Ahn (2022), into Turkish and the validity and reliability analyses conducted were examined. The scale, applied to 340 students aged 10-18 during the 2023-2024 academic year, was adapted into Turkish through a translation and back-translation process, and its structural validity was investigated using confirmatory factor analysis (CFA). The analyses revealed that the three-factor, 26-item structure of the Turkish version of the scale aligns with the original model. The CFA results demonstrated good fit indices (χ²/df = 2.06, RMSEA = 0.05, GFI = 0.87, CFI = 0.92), and the modifications made provided significant contributions. Reliability analyses showed that the scale had high internal consistency. The Cronbach's alpha values for the cognitive, emotional, and behavioral dimensions were found to be 0.82, 0.85, and 0.90, respectively, with a total reliability coefficient of 0.93. Additionally, strong positive correlations among the sub-dimensions (p<0.01) supported internal consistency. In conclusion, the Turkish adaptation of the Attitude Towards Artificial Intelligence Scale provides a valid and reliable measurement tool and is deemed suitable for use within the Turkish student population.

Keywords

• Validity
• Reliability
• Scale Adaptation
• Attitude
• Artificial Intelligence

Kaynakça

1. Alpaydın, E. (2020). Yapay Öğrenme: Yeni Yapay Zekâ. Tellekt Yayınevi.
2. Altun, M., Nacar, M., & Çakar, O. (2020). Yapay Zekâ ve Makine Öğrenmesi. Ankara: Devlet Kitapları.
3. Beaton, D. E., Bombardier, C., Guillemin, F., & Ferraz, M. (2000). Guidelines for the process of cross-cultural adaptation of self-report measures. Spine, 25(24), 3186–3191. https://doi.org/10.1097/00007632-200012150-00014
4. Büyüköztürk, Ş., Çokluk-Bökeoğlu, Ö., ve Köklü, N. (2011). Sosyal bilimler için istatistik (7. Baskı). Pegem Akademi Yayıncılık.
5. Büyüköztürk, Ş., Kılıç-Çakmak, E., Akgün, Ö. E., Karadeniz, Ş. & Demirel, F. (2024). Bilimsel araştırma yöntemleri. Ankara: Pegem Akademi.
6. Cherry, S., Rohit, S., Ashik, A., Keerthini, M., Aishah, A., Monzon, L., & Poon, D. S. (2020). Attitudes and perceptions of UK medical students towards artificial intelligence and radiology: A multicentre survey. Insights into Imaging, 11(1), 14. https://doi.org/10.1186/s13244-019-0830-7
7. Cheung, R., & Vogel, D. (2013). Predicting user acceptance of collaborative technologies: An extension of the technology acceptance model for e-learning. Computers and Education, 63, 160–175. https://doi.org/10.1016/j.compedu.2012.12.003
8. Chiu, T. K. F. (2021). A holistic approach to the design of artificial intelligence (AI) education for K-12 schools. TechTrends,65(5), 796–807. https://doi.org/10.1007/s11528-021-00637-1

9. Coppin, B. (2004), Artificial intelligence illuminated. Jones &Bartlett Publishers Learning.
10. Cukurova, M., Luckin, R., & Kent, C. (2020). Impact of an artificial intelligence research frame on the perceived credibility of educational research evidence. International Journal of Artificial Intelligence in Education, 30(2), 205–235. https://doi.org/10.1007/s40593-019-00188-w
11. Çapık C. (2014). Geçerlik ve güvenirlik çalışmalarında doğrulayıcı faktör analizinin kullanımı. Anadolu Hemşirelik ve Sağlık Bilimleri Dergisi, 17 (3).
12. Çapık, C., Gözüm, S., & Aksayan, S. (2018). Kültürlerarası olcek uyarlama aşamaları, dil ve kültür uyarlaması: Güncellenmiş rehber. Florence Nightingale Journal of Nursing, 26(3), 199–210. https://doi.org/10.26650/FNJN397481
13. Çetin, B., Doğan, T., & Sapmaz, F. (2010). Olumsuz değerlendirilme korkusu ölçeği kısa formu’nun Türkçe uyarlaması: Geçerlik ve güvenirlik çalışması. Eğitim ve Bilim, 35(156).
14. Deng, J., & Lin, Y. (2022). The benefits and challenges of ChatGPT: An overview. Frontiers in Computing and Intelligent Systems, 2(2), 81-83.
15. Dunn, T. J., & Kennedy, M. (2019). Technology enhanced learning in higher education; motivations, engagement and academic achievement. Computers and Education, 137, 104–113. https://doi.org/10.1016/j.compedu.2019.04.004
16. Fraenkel, J. R., Wallen, N. E., and Hyun, H. H. (2012). How to design and evaluate research in education (8th Ed.). Mc Graw HIll.
17. Fredrickson, B. L. (2001). The role of positive emotions in positive psychology. The broaden-and-build theory of positive emotions. American Psychologist, 56(3), 218–226. https://doi.org/10.1037/0003-066X.56.3.218
18. Gaines-Ross, L. (2016, October 24). What do people—not techies, not companies—think about artificial intelligence? Harvard Business Review. https://hbr.org/2016/10/what-do-people-nottechies-not-companies-think-about-artificial-intelligence
19. George, D., Mallery, M. (2010). SPSS for Windows Step by Step: A Simple Guide and Reference (10a Ed.). Boston: Pearson.
20. Gherheș, V., & Obrad, C. (2018). Technical and humanities students’ perspectives on the development and sustainability of artificial intelligence (AI). Sustainability, 10(9), 3066. https:// doi.org/10.3390/su10093066
21. Heintz, F. (2021). Three interviews about K-12 AI education in America, Europe, and Singapore. KI—Künstliche Intelligenz,35(2), 233–237. https://doi.org/10.1007/s13218-021-00730-w
22. Karaoğlan Yılmaz, F. G. ve Yılmaz, R. (2023). Adaptation of artificial intelligence literacy scale into Turkish. Journal of Information and Communication Technologies, 5(2), 172-190. https://doi.org/10.53694/bited.1376831
23. Kim, J., & Park, N. (2019). Development of a board game-based gamification learning model for training on the principles of artificial intelligence learning in elementary courses. Journal of the Korean Association of Information Education, 23(3), 229–235. https://doi.org/10.14352/jkaie.2019.23.3.229
24. Lewis, T. (2014). A Brief History Of Artificial Intelligence. Https://www.Livescience.Com/49007-History-Of-Artificial-İntelligence.Html
25. Lund, B. D., & Wang, T. (2023). Chatting about ChatGPT: how may AI and GPT impact academia and libraries? Library Hi Tech News, 40(3), 26-29.
26. Manikonda, L., & Kambhampati, S. (2018). Tweeting AI: Perceptions of lay versus expert Twitterati [Conference paper]. Twelfth International AAAI Conference on Web and Social Media. https://www.aaai.org/ocs/index.php/ICWSM/ICWSM18/paper/viewPaper/17843
27. Muggleton, S. (2014). Alan Turing and the development of Artificial Intelligence. AI Communications, 27(1), 3-10.
28. Nilsson, N. J. (2011). Yapay Zeka Geçmişi ve Geleceği. İstanbul: Boğaziçi Üniversitesi Yayınları. Özyanık, Ç. (2023). Yapay zeka eğitiminde fiziksel programlamanın etkisi [Yüksek Lisans Tezi]. Yıldız Teknik Üniversitesi.
29. Sabuncuoğlu, A. (2020). Designing One Year Curriculum to Teach Artificial Intelligence for Middle School. Proceedings of the 2020 ACM Conference on Innovation and Technology in Computer Science Education (s. 96- 102). Trondheim: ACM.
30. Steinbauer, G., Kandlhofer, M., Chklovski, T., Heintz, F., & Koenig, S. (2021). A differentiated discussion about AI Education K-12. Kunstliche Intelligenz, 35(2), 131–137. https://doi.org/10.1007/s13218-021-00724-8
31. Suh, W., & Ahn, S. (2022). Development and validation of a scale measuring student attitudes toward artificial intelligence. Sage Open, 12(2), 21582440221100463.
32. Tabachnick, B. G. & Fidell, L. S. (2015). Using multivariate statistics (6. b.). NY: Pearson.
33. Turing, A. M. (2009). Computing machinery and intelligence (pp. 23-65). Springer Netherlands.
34. Wang, B., Rau, 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. Https://Doi.Org/10.1080/0144929x.2022.2072768
35. Yılmaz, A. (2022). Yapay Zeka. İstanbul: Kodlab.