ACISE-IA, öğretmenlerin ve öğretmenlik eğitimi alan bireylerin yapay zekâya ilişkin sosyo-duygusal algılarını, eğitsel yapay zekâya yönelik olumlu tutumlarını, algılanan yapay zekâ dijital yeterliklerini ve eleştirel/etik değerlendirmelerini 39 maddelik beşli Likert yapısıyla inceleyen dört boyutlu bir ölçüm aracıdır. Bu çalışma, İspanya'nın Endülüs özerk bölgesinden 1292 öğretmen ve öğretmen adayını kapsayan nicel, deneysel olmayan, kesitsel ve ex post facto tasarımla; yaş, akademik başarı, öğrenim alanı, çalışma durumu, öğretmenlik deneyimi ve akademik yıl gibi özelliklerin ACISE-IA boyutlarıyla nasıl ilişkili olduğunu incelemiştir.

Örneklemin 1078'i (%83,4) öğretmenlik eğitimi alan üniversite öğrencileri, 214'ü (%16,6) aktif veya çalışmaya ara vermiş öğretmenlerden oluşmuştur. Katılımcıların %29'u erkek, %70,8'i kadın ve %0,2'si kendisini non-binary olarak tanımlamıştır. Örneklem olasılıklı rastgele seçimle değil, amaçlı ve olasılıksız örnekleme yöntemiyle oluşturulmuştur.

Yaş, ACISE-IA'nın sosyo-duygusal algı boyutu ile r = −0,209, olumlu eğitsel AI tutumu ile r = −0,133, algılanan AI dijital yeterliği ile r = −0,137 ve toplam skor ile r = −0,172 düzeyinde negatif ve istatistiksel olarak anlamlı ilişki göstermiştir. Yaş ile eleştirel algı ve etik sorumluluk boyutu arasında anlamlı ilişki görülmemiştir. Bu ilişkiler istatistiksel olarak anlamlı olmakla birlikte büyüklük açısından küçüktür.

Not ortalaması; olumlu AI tutumu (r = 0,071), algılanan dijital yeterlik (r = 0,065), eleştirel ve etik değerlendirme (r = 0,077) ve toplam ACISE-IA skoru (r = 0,069) ile pozitif ilişkili bulunmuştur. Ancak bu korelasyonların büyüklüğü çok küçüktür. Not ortalaması ile sosyo-duygusal algı arasında anlamlı ilişki bulunmamıştır.

Öğrenim alanına göre en yüksek sosyo-duygusal algı, AI dijital yeterliği ve toplam ACISE-IA ortalamaları Sosyal ve Hukuk Bilimleri grubunda görülmüştür. Bu sonuç, Mühendislik ve Mimarlık ile Fen Bilimleri alanlarının en yüksek değerlere sahip olacağını öngören H3 hipoteziyle uyuşmamış ve H3 desteklenmemiştir. Alanlar arasındaki etki büyüklükleri genel olarak küçüktür.

Öğretmen adayları öğretmenlerden sosyo-duygusal algı, olumlu AI tutumu ve toplam ACISE-IA skorunda daha yüksek ortalamalar göstermiştir. Buna karşılık AI dijital yeterliği farkı p = 0,053 ile çalışmanın anlamlılık sınırını geçmemiş, eleştirel/etik sorumluluk açısından da iki grup arasında anlamlı fark bulunmamıştır. Bu nedenle çalışma durumu hakkındaki H4 yalnız kısmen desteklenmiştir.

Öğretmen grubunda daha fazla öğretmenlik deneyimi olumlu AI tutumu (r = −0,145), AI dijital yeterliği (r = −0,195) ve toplam skor (r = −0,168) ile küçük negatif ilişkiler göstermiştir. Ancak araştırmanın kesitsel ve korelasyonel tasarımı nedeniyle bu ilişkiler “yaşın” veya “deneyimin” AI algısını düşürdüğünü kanıtlamaz. Kuşak farklılıkları, önceki teknoloji eğitimi, dijital araçlara maruz kalma, çalışma bağlamı ve örnekleme süreci aynı ilişkilerde rol oynayabilir.

Sonuçların genel mesajı, öğretmenlerin ve öğretmen adaylarının eğitsel AI'ya yönelik tutum ve yeterliklerinin tek tip olmadığıdır. Yazarlar bu nedenle öğretmen eğitiminde yalnız teknik AI kullanımını öğreten standart programlar yerine, önceki deneyime, mesleki aşamaya ve algılanan dijital yeterliğe uyarlanmış; pedagojik, sosyo-duygusal ve etik boyutları teknoloji eğitimiyle birleştiren daha esnek eğitim yollarının değerlendirilmesini önermektedir.

Araştırmanın temel problemi

Eğitimde yapay zekâya hazırlık yalnız bir öğretmenin AI aracını teknik olarak açıp kullanabilmesiyle sınırlı değildir. Kaynak çalışma; öğretmenin AI'ya nasıl yaklaştığını, öğrenciler ve öğretim süreçleri üzerindeki sosyo-duygusal etkileri nasıl değerlendirdiğini, kendi AI yeterliğini nasıl algıladığını ve gizlilik, adalet, önyargı, insan kontrolü ve sorumluluk gibi etik sorunları nasıl değerlendirdiğini birlikte ele almaktadır.

Araştırmacıların belirlediği literatür boşluğu, önceki çalışmaların tutum, dijital yeterlik veya etik kaygıları sıklıkla ayrı ayrı incelemesidir. Yaş, akademik başarı, disiplin alanı, çalışma durumu, öğretmenlik deneyimi ve akademik yıl gibi faktörlerin aynı dört boyutlu çerçevede birlikte incelendiği çalışmalar daha sınırlıdır.

Teorik çerçeve: DigCompEdu ve UNESCO AI CFT

Çalışma iki temel kavramsal çerçeveden yararlanmaktadır. DigCompEdu, eğitimcilerin dijital yeterliğini mesleki katılım, dijital kaynaklar, öğretme ve öğrenme, değerlendirme, öğrencilerin güçlendirilmesi ve öğrencilerin dijital yeterliğinin geliştirilmesi gibi bağlantılı alanlarla ele alan daha geniş bir eğitimci dijital yeterlik çerçevesidir.

UNESCO AI Competency Framework for Teachers (AI CFT) ise öğretmenlerin yapay zekâ yeterliğini insan merkezli zihniyet, AI etiği, AI temelleri ve uygulamaları, AI pedagojisi ve mesleki öğrenme için AI olmak üzere beş bağlantılı boyut üzerinden kavramsallaştırmaktadır. Bu yeterlikler Acquire, Deepen ve Create olarak adlandırılan üç gelişim düzeyi içinde düşünülmektedir.

Kaynakta çok önemli bir ayrım yapılmaktadır: ACISE-IA ölçeği UNESCO AI CFT veya DigCompEdu'dan türetilmiş bir ölçek değildir ve ACISE-IA boyutları bu çerçevelerin yeterlik alanlarının birebir eşdeğeri kabul edilmemelidir. AI CFT ve DigCompEdu, araştırma sonuçlarını yorumlamak için kullanılan kavramsal referanslardır.

Araştırma sorusu

Araştırmanın temel sorusu, kişisel, akademik ve profesyonel özelliklerin öğretmenlerin ve öğretmen adaylarının eğitsel yapay zekâ algısının farklı boyutlarıyla nasıl ilişkili olduğudur.

Altı hipotez

ACISE-IA Ölçeği Neyi Ölçer?

ACISE-IA, öğretmenlerin mesleki performansta yapay zekâ kullanımına ilişkin tutum, bilgi/yeterlik algısı, duygu ve etik değerlendirmelerini dört alt boyutta ölçmek amacıyla kullanılan 39 maddelik beşli Likert ölçeğidir; bu çalışmada PSEA, APIA, CD ve PCRE olarak kısaltılan dört boyut ayrı ayrı ve toplam ölçek skoru üzerinden analiz edilmiştir.

Her madde 1 ile 5 arasında değerlendirilmiştir. Kaynakta 1 “Strongly disagree”, 5 ise “Strongly agree” düzeyini temsil etmektedir.

Ölçek maddelerine örnekler

PSEA için verilen örnek madde AI'nin öğrencilerin duygusal zekâsını geliştirebileceği yönündedir. APIA için AI teknolojilerinin öğrenmeyi daha ilgi çekici hale getirebileceği; CD için kişinin çeşitli AI teknolojilerine aşina olduğunu bildirmesi; PCRE için ise AI kullanımının kötüye kullanılabilir hale gelebileceği yönündeki ifade örnek olarak verilmiştir.

Ölçeğin güvenilirlik katsayıları

Kaynak bu değerleri mevcut örneklemden üretilmiş yeni sonuçlar olarak değil, ACISE-IA'nın özgün doğrulama çalışmasından aktarmaktadır:

Cronbach alfa (α) ve McDonald omega (ω), bir ölçeğin aynı yapıyı ölçmesi beklenen maddelerinin ne ölçüde tutarlı çalıştığını değerlendiren iç tutarlılık katsayılarıdır. Kaynak bu değerleri yeterli ile çok iyi arasında değerlendirilen iç tutarlılık kanıtı olarak aktarmaktadır.

Doğrulama çalışmasının dört faktörlü modeli için ayrıca CFI = 0,929, GFI = 0,900, TLI = 0,922 ve RMSEA = 0,046 değerleri aktarılmış ve model uyumu yeterli olarak tanımlanmıştır. CFI, GFI ve TLI modelin gözlenen veri yapısını ne kadar iyi temsil ettiğini farklı açılardan değerlendiren uyum indeksleridir; RMSEA ise model ile veri arasındaki yaklaşık uyumsuzluğu değerlendiren bir hata indeksidir.

Ancak kaynakçadaki ilgili ACISE-IA doğrulama çalışması “Sensors 2026, under review” olarak listelenmektedir. Bu nedenle Verianla bu doğrulama çalışmasını yayımlanmış, tamamlanmış bağımsız bir hakemli makaleymiş gibi yeniden sınıflandırmamaktadır.

Örneklemin yapısı

Amaçlı ve olasılıksız örnekleme ne anlama geliyor?

Katılımcılar toplumdaki bütün öğretmen ve öğretmen adayları arasından rastgele seçilmemiştir. Araştırmacılar araştırmanın katılım koşullarını sağlayan kişilere ulaşmış ve gönüllü katılım toplamıştır. Bu yaklaşım araştırmanın uygulanmasını kolaylaştırır fakat örneklemin daha geniş nüfusu tam olarak temsil ettiğinin varsayılmasını engeller.

Dahil edilme ve dışlama ölçütleri

Aktif öğretmenlerin 2024–2025 akademik yılında resmî bir eğitim düzeyinde öğretmenlik yapıyor olması gerekmiştir. O anda çalışmayan öğretmenlerin daha önce resmî bir eğitim kademesinde öğretmenlik yapmış olmaları istenmiştir. Öğretmen adayı grubunda ise Eğitim Bilimleriyle ilişkili bir üniversite programına kayıtlı olmak veya öğretmenlik mesleğine giriş sürecinde bulunmak şartı aranmıştır. Uygun biçimde tamamlanmamış anketler analiz dışı bırakılmıştır.

Kesitsel Bir Korelasyon Sonucu Neden Nedensellik Olarak Yorumlanamaz?

Bu araştırmada yaş, akademik başarı veya öğretmenlik deneyimi araştırmacı tarafından deneysel olarak değiştirilmediği ve aynı kişiler zaman içinde izlenmediği için gözlenen ilişkiler değişkenlerin birlikte nasıl değiştiğini gösterir, bir değişkenin diğerine neden olduğunu göstermez; örneğin deneyim yılı ile AI dijital yeterliği arasındaki negatif korelasyon öğretmenlik deneyiminin AI yeterliğini azalttığını kanıtlamaz.

Yaş, öğretmenlik deneyimi, ilk eğitim dönemi, daha önce kullanılan teknolojiler, mesleki görevler ve kuşak etkisi birbirleriyle örtüşebilir. Araştırma aynı zamanda farklı akademik yıllardaki farklı öğrenci gruplarını tek zamanda karşılaştırmıştır; aynı öğrencilerin birinci sınıftan dördüncü sınıfa gelişimini izlememiştir.

Bu nedenle örneğin dördüncü sınıf öğrencilerinin bazı boyutlarda birinci sınıf öğrencilerinden daha yüksek ortalama göstermesi, dört yıllık öğretmen eğitiminin tek başına bu farkı oluşturduğunun kanıtı değildir.

Çalışmanın teorik çerçevesi ile ölçüm aracı arasındaki sınır

UNESCO AI CFT'nin Acquire, Deepen ve Create gelişim düzeyleri öğretmenlerin AI yeterliklerinin gelişimsel olarak düşünülmesini sağlamaktadır. Ancak çalışmanın akademik yıllar arasında bulduğu kesitsel farklar, öğrencilerin bu üç AI CFT düzeyinde ilerlediğinin ampirik kanıtı olarak yorumlanmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Araştırma nicel, deneysel olmayan, betimsel ve keşifsel; aynı zamanda kesitsel ve ex post facto özellikte tasarlanmıştır. Ex post facto yaklaşımda araştırmacı, yaş, deneyim veya öğrenim alanı gibi zaten var olan özellikleri deneysel olarak atamaz; mevcut gruplar arasındaki ilişkileri ve farklılıkları inceler.

Veri toplama

Araştırmacılar eğitim kurumları, üniversiteler ve öğretmen eğitimi programlarıyla iletişim kurmuş; anket bağlantısı üniversite öğretim elemanları ve kurum yönetimleri üzerinden öğrenciler ve öğretmenlere dağıtılmıştır.

Katılım yetişkinlerle sınırlı, gönüllü ve anonim olarak düzenlenmiştir. Katılımcılara araştırmanın amacı, akademik kullanımı, verilerin gizliliği ve yalnız araştırma amacıyla kullanılacağı açıklanmış ve anket öncesinde bilgilendirilmiş onam alınmıştır.

Kaynak anketin 2025'in ilk çeyreğinde kendi kendine doldurulan çevrimiçi form yoluyla uygulandığını bildirmektedir.

İstatistiksel analiz

Analizler IBM SPSS 28.0.1.0 kullanılarak gerçekleştirilmiştir. İlk olarak frekanslar ve ortalamalar hesaplanmıştır. Normal dağılım varsayımı maddelerin çarpıklık ve basıklık değerleri üzerinden kontrol edilmiş ve −2 ile +2 aralığındaki değerler kabul edilebilir sayılmıştır.

İki grubun karşılaştırılmasında bağımsız örneklem Student t-testi; ikiden fazla grubun karşılaştırılmasında tek yönlü ANOVA; ANOVA sonrasında hangi grupların farklılaştığını incelemek için gerektiğinde Bonferroni düzeltmeli post-hoc karşılaştırmalar kullanılmıştır.

Değişkenler arasındaki doğrusal ilişkiler Pearson ikili korelasyon katsayısı ile incelenmiştir. Ölçeklerin iç tutarlılığı için Cronbach α ve McDonald ω katsayılarının hesaplandığı belirtilmektedir. Bütün istatistiksel testlerde %95 güven düzeyi kullanılmıştır.

Bu Çalışmada r, p-Değeri, Cohen's d ve Kısmi Eta-Kare Ne Anlama Geliyor?

Pearson r iki sürekli değişken arasındaki doğrusal ilişkinin yönünü ve büyüklüğünü; p-değeri gözlenen sonucun çalışmada kullanılan sıfır hipotezi altında ne ölçüde beklenmedik olduğunu; Cohen's d iki grubun ortalamaları arasındaki farkın standartlaştırılmış büyüklüğünü; kısmi eta-kare (ηp²) ise ANOVA'da bir grup değişkeniyle ilişkili varyansın standartlaştırılmış etki büyüklüğünü ifade eder. Bu çalışmada birçok sonuç istatistiksel olarak anlamlı olsa da r, d ve ηp² değerlerinin çoğu küçük olduğundan, istatistiksel anlamlılık büyük veya güçlü bir pratik etkiyle eş tutulmamalıdır.

Pearson r nasıl okunur?

r değerinin işareti ilişkinin yönünü gösterir. Negatif değer, bir değişken yükselirken diğerinin ortalamada daha düşük olma eğilimini; pozitif değer ise iki değişkenin aynı yönde değişme eğilimini ifade eder. Değer sıfıra yaklaştıkça doğrusal ilişkinin büyüklüğü zayıflar.

Örneğin yaş ile PSEA arasındaki r = −0,209 ilişki negatif yönlüdür. Bununla birlikte kaynak bu korelasyonun büyüklüğünü küçük olarak değerlendirmektedir.

p-değeri neden etki büyüklüğü değildir?

p-değeri yalnız farkın veya ilişkinin istatistiksel karar açısından anlamlı olup olmadığını değerlendirmeye yardımcı olur. Bir sonucun p-değerinin çok küçük olması, ilişkinin mutlaka büyük veya eğitim açısından güçlü olduğu anlamına gelmez. Bu çalışmadaki not ortalaması korelasyonları bunun açık örneğidir: bazı ilişkiler istatistiksel olarak anlamlı olmasına rağmen r değerleri yaklaşık 0,065–0,077 düzeyinde ve pratik büyüklük açısından çok küçüktür.

Yaş ve akademik başarı sonuçları

H1 desteklenmiştir. Yaş, hipotezde öngörüldüğü gibi olumlu tutum, dijital yeterlik ve toplam skorla negatif ilişkilidir. Araştırma ayrıca yaş ile PSEA arasında negatif ilişki bulmuştur. PCRE ile yaş arasında anlamlı ilişki bulunmamıştır.

H2 de desteklenmiştir. Not ortalaması APIA, CD, PCRE ve toplam skorla pozitif ilişkili bulunmuştur. Ancak kaynak bu ilişkilerin çok küçük olduğunu açıkça vurgulamaktadır.

Öğrenim alanına göre sonuçlar

Bonferroni karşılaştırmaları Sosyal ve Hukuk Bilimlerinin PSEA skorunun Sanat ve Beşerî Bilimler, Fen Bilimleri ve Sağlık Bilimlerinden anlamlı derecede yüksek olduğunu göstermiştir. CD açısından Sosyal ve Hukuk Bilimleri ile Fen Bilimleri arasında anlamlı fark bulunmuş; toplam skor açısından da bu iki grup arasında anlamlı fark belirlenmiştir.

H3 desteklenmemiştir. Kaynak belirli alan farklılıkları bulmuştur, fakat hipotezde beklenen biçimde Mühendislik ve Mimarlık veya Fen Bilimleri grupları genel olarak en yüksek skorları göstermemiştir.

Öğretmen adayları ile öğretmenlerin karşılaştırılması

En büyük grup farkı PSEA'da görülmüştür (d = 0,480). APIA ve toplam skor farkları küçük; CD ve PCRE farkları çok küçük veya ihmal edilebilir düzeyde değerlendirilmiştir.

H4 kısmen desteklenmiştir. Beklendiği gibi öğretmen adayları PSEA, APIA ve toplam skorda daha yüksek değerlere sahiptir ve PCRE açısından anlamlı fark yoktur. Ancak hipotezin aksine CD farkı istatistiksel anlamlılık sınırına ulaşmamıştır.

Öğretmenlik deneyimi

H5 desteklenmiştir. Ancak yazarlar anlamlı ilişkilerin küçük büyüklükte olduğunu ve öğretmenlik deneyiminin söz konusu boyutlardaki değişkenliğin yalnız sınırlı bölümünü açıkladığını vurgulamaktadır.

Bu bulgu “uzun yıllar öğretmenlik yapmak AI yeterliğini azaltır” şeklinde okunmamalıdır. Yaş, ilk öğretmen eğitiminin gerçekleştiği dönem, mesleki görevler, önceki teknoloji deneyimi ve seçilim etkileri bu ilişkilerle birlikte değişebilir.

Akademik yıla göre sonuçlar

Bütün boyutlarda akademik yıllar arasında istatistiksel olarak anlamlı farklılıklar görülmüştür; ancak desen tek yönlü değildir. Lisans düzeyinde PSEA birinci sınıftaki 2,71 ortalamasından dördüncü sınıfta 3,08'e yükselirken yüksek lisans grubunda 2,34'e düşmektedir.

APIA açısından birinci sınıf 3,20 ile en düşük ortalamaya sahipken ikinci, üçüncü ve dördüncü sınıflarda ortalama sırasıyla 3,45, 3,72 ve 3,75'e yükselmiş, yüksek lisans grubunda 3,78 olmuştur.

CD birinci sınıfta 2,72 iken ikinci sınıfta 3,05'e yükselmiş ve üçüncü/dördüncü sınıfta yaklaşık 3,06 düzeyinde kalmıştır. Yüksek lisans grubunun CD ortalaması ise 2,63'tür.

PCRE açısından en yüksek ortalama yüksek lisans grubunda 3,93, en düşük ortalama birinci sınıfta 3,24'tür.

Toplam ACISE-IA skoru birinci sınıfta 116,08 iken dördüncü sınıfta 133,04'e ulaşmış; yüksek lisans grubunda ise 124,31 olarak hesaplanmıştır. Dolayısıyla akademik yıl ile AI algısı arasında bütün boyutlarda basit ve doğrusal bir yükseliş bulunduğu söylenemez.

H6 bu nedenle yalnız kısmen desteklenmiştir.

Hipotezlerin nihai durumu

Bulguların pedagojik anlamı

Kaynağa göre AI ile ilişkinin tek boyutlu “kabul ediyor / etmiyor” yaklaşımıyla açıklanması yeterli değildir. Bir kişi AI kullanımına olumlu yaklaşırken kendi teknolojik yeterliğini düşük görebilir veya teknoloji kullanımında yetkin olduğunu düşünürken etik sorunları güçlü biçimde sorgulayabilir.

Bu nedenle öğretmen eğitimi yalnız hangi AI aracının nasıl kullanılacağını öğretmeye indirgenmemelidir. Teknolojik yeterlik; pedagojik değerlendirme, sosyo-duygusal sonuçların anlaşılması, AI çıktılarının eleştirel değerlendirilmesi ve etik sorumlulukla birlikte ele alınmalıdır.

Öğretmen adayları neden daha yüksek skor göstermiş olabilir?

Kaynağın tartışma bölümünde olası açıklamalardan biri, öğretmen adaylarının güncel dijital ortamlara daha sık maruz kalmaları ve AI'yi akademik çalışma, bilgi arama, görev düzenleme ve problem çözme süreçlerinde daha yaygın kullanmalarıdır.

Ancak bu yorum gözlenen farkın kanıtlanmış mekanizması değildir. Öğretmen adayları ile öğretmenler yaş, deneyim, çalışma yükü, kurumsal beklentiler ve teknolojiye maruz kalma açısından aynı özelliklere sahip gruplar değildir.

Sosyal ve Hukuk Bilimleri sonucu nasıl yorumlandı?

Sosyal ve Hukuk Bilimleri grubunun PSEA, CD ve toplam skor bakımından yüksek değer göstermesi başlangıçtaki H3 beklentisine ters düşmüştür. Yazarlar bunun bilgi analizi, içerik oluşturma ve yorumlama gibi eğitim deneyimleriyle ilişkili olabileceğini tartışmaktadır.

Bununla birlikte etki büyüklüklerinin küçük olması nedeniyle çalışma bu alanın AI'ya karşı güçlü veya evrensel bir disiplin üstünlüğüne sahip olduğunu iddia etmemektedir.

Akademik başarı sonucu nasıl yorumlanmalı?

Daha yüksek not ortalaması AI'ya daha olumlu yaklaşım, daha yüksek algılanan yeterlik ve daha yüksek eleştirel/etik değerlendirmeyle pozitif ilişkili bulunmuştur. Bununla birlikte korelasyonların büyüklüğü yalnız 0,065–0,077 aralığındadır.

Dolayısıyla sonuç “başarılı öğrenciler AI konusunda belirgin biçimde daha iyidir” şeklinde genişletilemez. Kaynağın desteklediği ifade, not ortalamasıyla bazı ACISE-IA boyutları arasında istatistiksel olarak anlamlı fakat pratik büyüklüğü çok küçük ilişkiler bulunduğudur.

Çalışmanın desteklediği yorumlar

• Eğitsel AI algısı kişisel, akademik ve mesleki özelliklere göre belirli ölçülerde farklılaşmaktadır.
• Yaş ve öğretmenlik deneyimi bazı olumlu tutum ve algılanan dijital yeterlik göstergeleriyle küçük negatif ilişkiler göstermektedir.
• Akademik başarı bazı AI algısı boyutlarıyla çok küçük pozitif ilişkiler göstermektedir.
• Öğrenim alanı, çalışma durumu ve akademik yıla göre bazı istatistiksel farklılıklar bulunmaktadır.
• Bu ilişkiler dört ACISE-IA boyutunda aynı biçimde ortaya çıkmamaktadır.
• Öğretmen eğitiminin teknolojik, pedagojik, sosyo-duygusal ve etik bileşenleri birlikte ele alması yararlı olabilir.

Çalışmanın desteklemediği yorumlar

• Yaşlanmanın AI tutumunu nedensel olarak düşürdüğü kanıtlanmamıştır.
• Uzun öğretmenlik deneyiminin AI yeterliğini azalttığı kanıtlanmamıştır.
• Üniversitede sınıf yükseldikçe AI algısının aynı kişilerde otomatik olarak iyileştiği gösterilmemiştir.
• Öğretmen adaylarının gerçek AI performansının öğretmenlerden daha yüksek olduğu ölçülmemiştir.
• ACISE-IA'nın CD boyutu gerçek bir uygulamalı AI beceri sınavı değildir; algılanan dijital yeterliği ölçmektedir.
• Sosyal ve Hukuk Bilimleri öğrencilerinin diğer bütün alanlardan genel olarak “AI konusunda daha yetkin” olduğu kanıtlanmamıştır.
• İspanya'nın Endülüs bölgesindeki sonuçların bütün ülkelere veya bütün öğretmen nüfusuna doğrudan genellenebileceği gösterilmemiştir.
• İstatistiksel anlamlılık, büyük etki veya güçlü pratik önem anlamına gelmemektedir.

Çalışmanın güçlü yönleri

Çalışma 1292 kişilik görece büyük bir örneklemde eğitsel AI algısını tek bir tutum değişkenine indirmek yerine sosyo-duygusal, tutumsal, yeterlik algısı ve etik-eleştirel boyutları birlikte incelemektedir. Aynı araştırmada yaş, akademik başarı, disiplin, çalışma durumu, deneyim ve akademik yıl gibi birden fazla özellik karşılaştırılmaktadır.

Kaynak ayrıca yalnız istatistiksel anlamlılık vermekle yetinmemiş; alan, çalışma durumu ve akademik yıl analizlerinde etki büyüklükleri raporlamış ve birçok anlamlı sonucun küçük büyüklükte olduğunu tartışmada açıkça kabul etmiştir.

Başlıca sınırlılıklar

Örneklem dengesi: Katılımcıların %83,4'ü öğretmenlik eğitimi alan öğrencilerdir; öğretmenler yalnız %16,6'lık grubu oluşturmuştur. Bu durum öğrenci–öğretmen karşılaştırmasının genellenebilirliğini sınırlar.

Cinsiyet dağılımı: Örneklemin %70,8'i kadındır. Yazarlar bu dengesizliğin sonuçların genellenebilirliği değerlendirilirken dikkate alınması gerektiğini belirtmektedir.

Olasılıksız örnekleme: Amaçlı non-probabilistic örnekleme, araştırmaya katılanların AI'ya ilgi veya aşinalık açısından genel nüfustan farklı olabilme ihtimalini artırmaktadır.

Kesitsel tasarım: Farklı yaş, deneyim ve akademik yıl grupları tek zamanda karşılaştırılmıştır. Aynı bireyler zaman boyunca izlenmemiştir.

Nedensellik: Korelasyonlar ve grup farklılıkları neden-sonuç ilişkisi olarak yorumlanamaz.

Kohort etkisi: Yaşla görülen farklılık, yalnız biyolojik veya kronolojik yaş değil; farklı kuşakların farklı eğitim ve teknoloji ortamlarında yetişmiş olmasıyla da ilişkili olabilir.

Öz-bildirim: Ölçeğin CD boyutu katılımcıların kendi AI yeterliklerine ilişkin algılarını ölçmektedir; gerçek performans testi değildir.

Gelecek çalışmalar

Yazarlar öğretmen ve öğretmen adaylarının daha dengeli temsil edildiği, daha temsili örneklem tasarımlarının kullanılmasını önermektedir. Cinsiyetin eğitsel AI algılarındaki olası rolünün daha dengeli örneklem yapısıyla ayrıca incelenmesi önerilmektedir.

Yaş, kuşak ve eğitim etkilerini birbirinden ayırabilmek için aynı bireylerin zaman içinde izlendiği uzunlamasına tasarımlar özellikle değerlidir. Araştırmanın farklı eğitim kademelerinde, kurum tiplerinde ve bağlamlarda tekrarlanması da sonuçların genellenebilirliğini değerlendirmek için gereklidir.

Pratik çıkarımlar

Çalışma tek tip bir AI eğitim programı yerine farklı başlangıç profillerine göre uyarlanabilen öğretmen eğitimi yollarını desteklemektedir. Daha deneyimli öğretmenlerin ihtiyaçları, öğretmenlik eğitiminin ilk yıllarındaki öğrencilerin ihtiyaçlarıyla aynı olmayabilir.

Kaynağa göre sürdürülebilir eğitimsel AI entegrasyonu, tek seferlik teknoloji tanıtımlarından çok sürekli mesleki gelişim ve kurumsal destek gerektirir. Eğitim yalnız araç kullanımına değil, teknolojinin pedagojik anlamına, öğrenci ilişkilerine, etik risklere ve eleştirel değerlendirmeye de yer vermelidir.

Kaynakta matematiksel formül var mı?

Hayır. Makalede Pearson korelasyonu, Student t-testi, ANOVA, Cronbach α, McDonald ω, Cohen's d ve kısmi eta-kare gibi istatistiksel yöntem ve katsayılar kullanılmaktadır; ancak bunların matematiksel denklemleri kaynak metinde verilmemiştir. Bu nedenle Verianla, kaynakta bulunmayan formülleri çalışmanın kendi formülleriymiş gibi eklememektedir.

Etik onay kronolojisiyle ilgili kaynak notu

Kaynak yöntem bölümünde anketin 2025'in ilk çeyreğinde uygulandığını bildirmektedir. Makalenin Institutional Review Board Statement bölümünde ise University of Jaén Ethics Committee onay tarihi 25 Temmuz 2025, kodu 20250508/MAY.LIN olarak verilmektedir. PDF bu iki tarihin kronolojik ilişkisine ilişkin ek açıklama sunmamaktadır. Verianla bu durumu yorumlayarak veya tarihleri değiştirerek düzeltmemektedir.

ACISE-IA güvenilirlik raporlamasıyla ilgili kaynak notu

Yöntem bölümünde ölçeklerin iç tutarlılığının Cronbach α ve McDonald ω ile belirlendiği ifade edilmektedir. Bununla birlikte makalenin sonuç bölümünde mevcut 1292 kişilik örnekleme ait ayrı α ve ω değerleri görünür biçimde raporlanmamaktadır; açıkça verilen α/ω değerleri ACISE-IA'nın özgün doğrulama çalışmasına atfedilmektedir.

Kaynak ve Yöntem Notu

Özgün başlık: Personal and Academic Factors in Teachers’ Perceptions of Educational Artificial Intelligence

Türkçe yayın başlığı: Öğretmenlerin Eğitsel Yapay Zekâ Algılarında Kişisel ve Akademik Faktörler

Yazarlar: Inmaculada Serrano-García, Ramón Chacón-Cuberos, Amador Jesús Lara-Sánchez.

Yazar sırası: Kaynakta verildiği biçimde korunmuştur.

Eş katkı: Kaynakta eş birinci yazarlık veya eş katkı işareti bulunmamaktadır.

Sorumlu yazar: Amador Jesús Lara-Sánchez.

Afiliasyon 1: Department of Mathematics, IES Villanueva del Mar, La Herradura, Spain.

Afiliasyon 2: Department of Research Methods and Diagnosis in Education, University of Granada, Granada, Spain.

Afiliasyon 3: Department of Didactics of Musical, Visual, and Corporal Expression, University of Jaén, Jaén, Spain.

Dergi: Sustainability.

Yayıncı: MDPI.

Cilt / sayı / makale numarası: 18 / 20 / 10377.

DOI: 10.3390/su182010377.

Academic Editor: Jun (Justin) Li.

Gönderim tarihi: 20 Ağustos 2026.

Revizyon tarihi: 29 Eylül 2026.

Kabul tarihi: 3 Ekim 2026.

Yayın tarihi: 13 Ekim 2026.

Kaynak türü: Article; nicel, deneysel olmayan, betimsel/keşifsel, kesitsel ve ex post facto araştırmadır.

Hakemlik durumu: Sustainability'de yayımlanmış hakemli dergi makalesidir.

Lisans: Creative Commons Attribution 4.0 International (CC BY).

Araştırma coğrafyası: Endülüs Özerk Bölgesi, İspanya.

Veri toplama dönemi: Kaynağa göre 2025'in ilk çeyreği.

Örneklem: 1292 kişi; 1078 öğretmenlik eğitimi alan üniversite öğrencisi ve analizde tek öğretmen kategorisi altında birleştirilen 214 aktif/aktif olmayan öğretmen.

Örnekleme: Amaçlı, olasılıksız örnekleme.

Ölçüm aracı: ACISE-IA — Scale of Attitudes, Knowledge, Emotions, and Ethics in Teachers toward the Use of Artificial Intelligence in Professional Performance.

Madde sayısı: 39.

Yanıt biçimi: 1–5 arası beşli Likert ölçeği.

Boyutlar: PSEA, APIA, CD ve PCRE.

Teorik yorum çerçevesi: UNESCO AI Competency Framework for Teachers (AI CFT), DigCompEdu ile tamamlanmıştır. ACISE-IA bu çerçevelerden geliştirilmemiştir ve boyutları AI CFT/DigCompEdu alanlarıyla birebir eşdeğer değildir.

Analiz yazılımı: IBM SPSS 28.0.1.0.

Normalite kontrolü: Çarpıklık ve basıklık indeksleri; −2 ile +2 aralığı kabul edilebilir kabul edilmiştir.

İki grup karşılaştırması: Bağımsız örneklem Student t-testi.

İkiden fazla grup: Tek yönlü ANOVA.

Post-hoc analiz: Bonferroni düzeltmesi.

Değişkenler arası ilişki: Pearson ikili korelasyonu.

İç tutarlılık yöntemleri: Cronbach α ve McDonald ω.

Güven düzeyi: %95.

Etki büyüklükleri: İki grup karşılaştırmasında Cohen's d; ANOVA analizlerinde kısmi eta-kare (ηp²).

Matematiksel denklem: Kaynakta istatistiksel yöntemlerin açık matematiksel formülleri verilmemiştir.

Tablolar: Beş ana sonuç tablosu bulunmaktadır: yaş/not ortalaması korelasyonları; öğrenim alanı; çalışma durumu; öğretmenlik deneyimi; akademik yıl.

Numaralandırılmış bilimsel şekil: Kaynak makalede numaralandırılmış veri figürü bulunmamaktadır.

H1: Desteklendi.

H2: Desteklendi.

H3: Desteklenmedi.

H4: Kısmen desteklendi.

H5: Desteklendi.

H6: Kısmen desteklendi.

Etik kurul: University of Jaén Ethics Committee, kod 20250508/MAY.LIN.

Kaynakta bildirilen etik onay tarihi: 25 Temmuz 2025.

Etik kronoloji notu: Kaynak anketin 2025'in ilk çeyreğinde uygulandığını, etik kurul beyanında ise onay tarihini 25 Temmuz 2025 olarak bildirmektedir. Makale bu kronolojik fark için açıklama sunmamaktadır; tarihler değiştirilmeden korunmuştur.

Bilgilendirilmiş onam: Araştırmadaki bütün katılımcılardan alınmıştır.

Veri erişilebilirliği: Veriler katılımcıların kişisel bilgilerinin korunmasına ilişkin gizlilik ve etik sınırlamalar nedeniyle kamuya açık değildir. İlgili etik koşulların onayına bağlı olarak makul talep üzerine corresponding author'dan erişim mümkün olabilir.

Finansman: Araştırma dış finansman almamıştır.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Kavramsallaştırma: Inmaculada Serrano-García, Ramón Chacón-Cuberos, Amador Jesús Lara-Sánchez; metodoloji: üç yazar; yazılım: Inmaculada Serrano-García ve Ramón Chacón-Cuberos; doğrulama: Ramón Chacón-Cuberos ve Amador Jesús Lara-Sánchez; formal analiz, araştırma, kaynaklar ve veri kürasyonu: Inmaculada Serrano-García; özgün taslak: Inmaculada Serrano-García; gözden geçirme/düzenleme ve görselleştirme: üç yazar; gözetim: Ramón Chacón-Cuberos ve Amador Jesús Lara-Sánchez; proje yönetimi: üç yazar; finansman edinimi: Ramón Chacón-Cuberos ve Amador Jesús Lara-Sánchez.

ACISE-IA bibliyografik statü notu: Mevcut makale ACISE-IA'yı doğrulanmış ölçek olarak tanımlamakta ve özgün doğrulama çalışmasının iç tutarlılık ve model uyum sonuçlarını aktarmaktadır; ancak kaynakça, söz konusu “Design and Validation...” çalışmasını “Sensors 2026, under review” olarak göstermektedir. Verianla bu kaynak çalışmanın yayın statüsünü değiştirmemiştir.

Mevcut örneklem için iç tutarlılık raporlaması: Yöntemde Cronbach α ve McDonald ω hesaplandığı belirtilmesine rağmen makalenin görünen sonuç tablolarında mevcut örnekleme ait ayrı α/ω katsayıları raporlanmamaktadır.

Temel yöntemsel sınırlılıklar: Öğrencilerin örneklemde baskın olması, kadın katılımcıların yüksek oranı, amaçlı olasılıksız örnekleme, öz-bildirimli yeterlik ölçümü ve kesitsel/korelasyonel araştırma tasarımı.

Temel yorum sınırı: Yaş, deneyim, akademik yıl veya diğer özelliklerle ACISE-IA skorları arasındaki ilişkiler nedensel etki olarak yorumlanamaz.

Gelecek doğrulama ihtiyacı: Daha dengeli ve temsili örneklemler, cinsiyetin ayrıca değerlendirildiği tasarımlar, uzunlamasına takip, farklı eğitim kademeleri ve farklı kurumsal/coğrafi bağlamlarda tekrar çalışmaları.