Bu çalışma, üniversite öğrencilerinin yapay zekâ uygulamalarını tanıma, kullanma, eleştirel olarak değerlendirme ve etik sonuçlarını kavrama becerilerinin hangi teknolojik ve bilişsel etkenlerle ilişkili olduğunu araştırmaktadır. Araştırmacı; dijital erişim, bilişsel özümseme ve bilgi işlemsel düşünmeyi aynı yapısal eşitlik modeli içinde birleştirmiştir. Modelde yapay zekâ okuryazarlığı; farkındalık, kullanım, değerlendirme ve etik olmak üzere dört boyutla temsil edilmektedir.

Çalışmanın bildirdiği nihai analiz 865 yükseköğretim öğrencisinin öz bildirim anketlerine dayanmaktadır. Dijital erişim; cihaz ve internet gibi fiziksel kaynakların bulunması, teknoloji kullanma motivasyonu, dijital beceriler ve günlük teknoloji kullanımı üzerinden ölçülmüştür. Bilgi işlemsel düşünme; yaratıcılık, algoritmik düşünme, iş birliği, eleştirel düşünme ve problem çözme boyutlarından oluşmaktadır. Bilişsel özümseme ise teknoloji kullanırken merak, odaklanma, keyif alma ve zaman algısının değişmesi gibi deneyimleri kapsamaktadır.

Yapısal eşitlik modeline göre daha iyi dijital erişim; bilişsel özümsemeyle β = 0,71, bilgi işlemsel düşünmeyle β = 0,83 ve yapay zekâ okuryazarlığıyla β = 0,55 düzeyinde pozitif ilişki göstermiştir. Bilgi işlemsel düşünmenin yapay zekâ okuryazarlığı üzerindeki standartlaştırılmış yol katsayısı β = 0,37’dir. Buna karşılık bilişsel özümsemenin bilgi işlemsel düşünme veya yapay zekâ okuryazarlığı üzerinde p < 0,01 düzeyinde anlamlı bir etkisi bulunmamıştır.

Model; bilişsel özümsemedeki varyansın yüzde 50’sini, bilgi işlemsel düşünmedeki varyansın yüzde 70’ini ve yapay zekâ okuryazarlığındaki varyansın yüzde 78’ini açıkladığını bildirmektedir. Uyum indeksleri χ²/df = 4,62, RMSEA = 0,058, GFI = 0,95, AGFI = 0,94, CFI = 0,98, TLI = 0,97 ve NFI = 0,98 olarak verilmiştir. Bu değerler önerilen modelin örneklem verisine kabul edilebilir düzeyde uyduğunu göstermektedir; ancak kesitsel ve öz bildirime dayalı tasarım nedeniyle nedensellik kanıtı değildir.

Sonuçların temel mesajı, yapay zekâ sistemlerini uzun süre veya keyif alarak kullanmanın tek başına yapay zekâ okuryazarlığı oluşturmadığıdır. Dijital araçlara erişim, bu araçları kullanabilecek teknik beceriler ve sorunları algoritmik, mantıksal ve sistematik biçimde ele alma kapasitesi daha belirleyici görünmektedir. Bununla birlikte çalışmada yapay zekâ okuryazarlığı ve bilgi işlemsel düşünme gerçek performans görevleriyle değil, katılımcıların kendi yetkinliklerine ilişkin değerlendirmeleriyle ölçülmüştür.

Türkiye açısından: Araştırma modeli; Türkiye’de üniversite öğrencileri, öğretmen adayları, meslek yüksekokulu öğrencileri ve yetişkin eğitimi gruplarında yapay zekâ okuryazarlığını etkileyen dijital eşitsizlikleri incelemek için uyarlanabilir. Türkiye’de yapılacak doğrulamada kent-kır ayrımı, gelir düzeyi, cihaz sahipliği, internet kalitesi, programlama deneyimi, bölüm türü ve üniversitelerin teknik altyapısı modele eklenmelidir. Öz bildirim ölçekleri Türkçe geçerlilik çalışmalarıyla birlikte gerçek yapay zekâ değerlendirme görevleri, yanıltıcı içerik tespiti ve güvenli istem yazma uygulamalarıyla desteklenmelidir. Bu çalışmadan Türkiye’deki öğrencilerin yapay zekâ okuryazarlık düzeyi, bölgesel eşitsizliklerin büyüklüğü veya belirli bir eğitim programının başarı sağlayacağı doğrudan çıkarılamaz.

Araştırmanın temel problemi nedir?

Yapay zekâ destekli arama motorları, sohbet sistemleri, öneri algoritmaları, otomatik karar araçları ve üretken yapay zekâ uygulamaları eğitimden işe alıma, sağlıktan kamu hizmetlerine kadar çok sayıda alanda kullanılmaktadır. Bu yaygınlaşma, yalnızca araçları çalıştırabilen değil; yapay zekânın ürettiği bilgiyi sorgulayabilen, hatalarını fark edebilen ve etik sonuçlarını değerlendirebilen kullanıcılara olan ihtiyacı artırmaktadır.

Çalışmanın temel sorusu, yapay zekâ okuryazarlığının yalnızca yapay zekâ araçlarıyla karşılaşmanın sonucu olup olmadığıdır. Araştırmacı üç olası açıklayıcı alanı birlikte incelemektedir:

• Dijital teknolojiye erişim ve onu anlamlı biçimde kullanabilme
• Teknoloji kullanımı sırasında oluşan yoğun psikolojik katılım
• Problemleri parçalara ayırma, örüntüleri tanıma ve algoritmik çözüm geliştirme kapasitesi

Bu değişkenlerin tek tek değil, birbirleriyle bağlantılı bir yapı içinde yapay zekâ okuryazarlığını açıklayıp açıklamadığı değerlendirilmiştir.

14. sayfadaki kavramsal model ne göstermektedir?

Çalışmanın 14. sayfasındaki Şekil 1, dört ana gizil değişken ve altı hipotezden oluşan başlangıç modelini göstermektedir. Dijital uçurumdan bilişsel özümsemeye, bilgi işlemsel düşünmeye ve yapay zekâ okuryazarlığına üç doğrudan yol tanımlanmıştır. Bilişsel özümsemeden bilgi işlemsel düşünmeye ve yapay zekâ okuryazarlığına iki yol, bilgi işlemsel düşünmeden yapay zekâ okuryazarlığına ise bir yol kurulmuştur.

Modeldeki “Digital Divide” etiketi yorumlanırken dikkatli olunmalıdır. Ölçek maddeleri eşitsizliğin büyüklüğünü değil, erişim olanaklarının yüksekliğini ölçmektedir. Bu nedenle pozitif katsayılar “dijital uçurum büyüdükçe sonuç iyileşmektedir” anlamına gelmez. Doğru yorum, dijital erişim güçlendikçe veya dijital uçurum azaldıkça ilgili yeterliklerin yükselmesidir.

Yapay zekâ okuryazarlığı hangi boyutlardan oluşmaktadır?

Bu dört boyut toplam 12 öz bildirim maddesiyle ölçülmüştür. Çalışma, yapay zekâ okuryazarlığını yalnızca teknik kullanım yeteneği olarak değil; eleştirel değerlendirme ve etik farkındalığı da içeren çok boyutlu bir yetkinlik olarak ele almaktadır.

Dijital erişim veya dijital uçurum nasıl ölçülmüştür?

Değişken 38 maddelik ve 1 = “hiçbir zaman” ile 5 = “çok sık” arasında değişen bir ölçekle ölçülmüştür. Yüksek puan daha fazla eşitsizlik değil, daha güçlü erişim ve kullanım kapasitesi göstermektedir. Çalışmanın bazı bölümlerinde “dijital uçurumun olumlu etkisi” biçimindeki ifade bu nedenle terminolojik olarak yanıltıcıdır.

Bilgi işlemsel düşünme neyi ifade etmektedir?

Bilgi işlemsel düşünme, bir problemi yalnızca bilgisayar programı yazarak çözmek anlamına gelmez. Karmaşık bir sorunu daha küçük parçalara ayırma, önemli bilgiyi seçme, örüntüleri tanıma, mantıksal adımlar oluşturma ve çözümü başka problemlere genelleme biçimidir.

Çalışmada bu yapı 29 madde ve beş boyutla temsil edilmiştir:

• Yaratıcılık
• Algoritmik düşünme
• İş birliği
• Eleştirel düşünme
• Problem çözme

Ölçek gerçek bir algoritma geliştirme veya problem çözme performansı yerine, katılımcıların kendi becerilerine ilişkin algılarını ölçmektedir. Bu nedenle sonuçlar “nesnel bilgi işlemsel düşünme başarısı” yerine “algılanan bilgi işlemsel düşünme yeterliği” olarak okunmalıdır.

Bilişsel özümseme nedir?

Bilişsel özümseme, kullanıcının teknolojiyle etkileşim sırasında dikkatini yoğun biçimde sisteme vermesi ve deneyime psikolojik olarak dalmasıdır. Çalışmadaki 17 maddelik ölçek şu dört boyutu kapsamaktadır:

• Merak ve keşfetme isteği
• Odaklanmış dikkat
• Kullanımdan alınan keyif
• Zamanın geçtiğini fark etmeme veya zamansal kopma

Maddeler 1 = “kesinlikle katılmıyorum” ile 10 = “kesinlikle katılıyorum” arasında puanlanmıştır. Ölçeğin kültürel olarak uyarlanmış bir sürümünün kullanıldığı söylenmektedir; ancak hedef kültür, çeviri yöntemi, uzman değerlendirmesi ve pilot uygulama süreci açıklanmamıştır.

Çalışmanın hipotezleri nelerdir?

H4 ve H5 için kesin katsayı, standart hata, güven aralığı veya p değeri verilmemiştir. Bu nedenle ilişkilerin sıfıra ne kadar yakın olduğu veya negatif yönde olup olmadığı çalışmadan belirlenememektedir.

Örneklem nasıl oluşturulmuştur?

Araştırmacı, büyük bir metropolde bulunan iki üniversiteden kolayda örnekleme yöntemiyle öğrenci seçildiğini bildirmektedir. Üniversite A’dan 700, Üniversite B’den 500 olmak üzere toplam 1.200 öğrenci davet edilmiştir.

Metinde daha sonra 800 öğrencinin gönüllü olarak anketi tamamladığı belirtilmektedir. Eksik anketler ve aykırı değerler çıkarıldıktan sonra nihai veri kümesinin 865 kişiden oluştuğu yazılmıştır.

Örneklem akışındaki bu çelişki basit bir yazım hatası olabilir; ancak hangi sayının doğru olduğu bilinmediği için analizlerin gerçek örneklem büyüklüğü bağımsız olarak doğrulanamamaktadır. Örneklem sayısı uyum indekslerini, standart hataları ve istatistiksel anlamlılığı doğrudan etkilediğinden bu sorun yayımdan önce düzeltilmelidir.

Katılımcıların 18–31 yaşlarında olduğu ve lisans, lisansüstü ve doktora düzeylerinden geldiği belirtilmiştir. Yaş ortalaması, standart sapma, öğrenim düzeyi dağılımı, akademik alanlar ve günlük internet kullanımı kategorilerinin sayıları verilmemiştir.

Anket ne kadar kapsamlıdır?

Katılımcılar demografik sorular dışında toplam 96 ölçek maddesine yanıt vermiştir. Uzun anketlerde yorgunluk, hızlı işaretleme ve aynı seçenekleri tekrar etme gibi veri kalitesi riskleri oluşabilir. Çalışmada anket tamamlama süresi, dikkat kontrolü, aşırı hızlı yanıt veya düz çizgi yanıt analizi bildirilmemiştir.

Yapısal eşitlik modellemesi nasıl uygulanmıştır?

Analiz iki aşamada yürütülmüştür:

1. Ölçüm modelinde gizil değişkenlerin göstergeleri, iç tutarlılıkları ve yakınsak geçerlilikleri değerlendirilmiştir.
2. Yapısal modelde değişkenler arasındaki H1–H6 yolları maksimum olabilirlik yöntemiyle tahmin edilmiştir.

Analizler IBM SPSS Amos yazılımıyla yapılmış ve istatistiksel anlamlılık sınırı p < 0,01 olarak belirlenmiştir. Standartlaştırılmış yol katsayıları β ile raporlanmıştır.

Çalışma maksimum olabilirlik tahmini kullanmasına rağmen çok değişkenli normallik, çarpıklık, basıklık veya sağlam tahmin yöntemi bilgisi vermemektedir. Ölçeklerin farklı yanıt aralıklarına sahip olması da veri dağılımı açısından açıklama gerektirmektedir.

Ölçüm modeli hangi sonuçları vermiştir?

Araştırmacı bütün yüklerin kabul edilebilir eşikleri aştığını, bileşik güvenilirlik ve ortalama açıklanan varyans değerlerinin yakınsak geçerliliği desteklediğini belirtmektedir.

Bununla birlikte tabloda gösterilen ikinci düzey faktör yükleri kullanılarak standart \(\operatorname{AVE}=\sum\lambda_i^2/k\) formülüyle yapılan basit yeniden hesaplama, raporlanan AVE değerlerini tam olarak üretmemektedir. Aynı durum bazı bileşik güvenilirlik değerleri için de geçerlidir. Bu fark, hesaplamaların tabloda gösterilmeyen madde düzeyindeki yüklerden yapılmış olmasından kaynaklanabilir; ancak çalışma hesaplama düzeyini ve formülleri açıklamamaktadır.

Ayrıca ayrışma geçerliliği için Fornell–Larcker matrisi, HTMT oranı veya yapılar arası korelasyon tablosu verilmemiştir. Dijital beceri, bilgi işlemsel düşünme ve yapay zekâ okuryazarlığı kavramlarının birbirine yakın olması nedeniyle bu eksiklik önemlidir.

Model uyumu nasıldır?

25. sayfadaki Şekil 2, anlamlı yolları düz, anlamsız yolları kesikli çizgiyle göstermektedir. Bilişsel özümsemeden bilgi işlemsel düşünmeye ve yapay zekâ okuryazarlığına giden yollar kesikli çizgidir.

Model ilk olarak bütün yollarla kurulmuş, ardından anlamsız yollar çıkarılarak son model elde edilmiştir. Aynı veri üzerinde modelin değiştirilmesi ve tekrar değerlendirilmesi örnekleme özgü uyumu artırabilir. Değiştirilen model bağımsız bir doğrulama örnekleminde test edilmemiştir.

En güçlü ilişki hangisidir?

En yüksek yol katsayısı, dijital erişimden bilgi işlemsel düşünmeye giden β = 0,83 yoludur. Bu katsayı, dijital kaynaklara, becerilere ve kullanım fırsatlarına sahip öğrencilerin algılanan bilgi işlemsel düşünme yeterliklerinin daha yüksek olduğunu göstermektedir.

Ancak iki değişken de aynı katılımcıların aynı anketteki öz değerlendirmelerinden elde edilmiştir. Dijital becerilerini yüksek değerlendiren bir öğrencinin problem çözme ve algoritmik düşünme becerilerini de yüksek değerlendirmesi ortak yöntem etkisi oluşturabilir.

Dijital erişim yapay zekâ okuryazarlığını doğrudan mı etkilemektedir?

Modelde dijital erişimden yapay zekâ okuryazarlığına β = 0,55 düzeyinde doğrudan yol bulunmaktadır. Dijital erişim aynı zamanda bilgi işlemsel düşünmeyle güçlü biçimde ilişkilidir; bilgi işlemsel düşünme de yapay zekâ okuryazarlığına β = 0,37 katsayısıyla bağlanmaktadır.

Bu yapı, dijital erişimin bilgi işlemsel düşünme üzerinden dolaylı bir bağlantısı bulunabileceğini düşündürmektedir. Ancak çalışma dolaylı etki büyüklüğünü, bootstrap güven aralığını veya aracılık testini raporlamamıştır. Bu nedenle aracılık mekanizması kanıtlanmış kabul edilemez.

Bilişsel özümseme neden anlamlı bulunmamış olabilir?

Araştırmacının yorumuna göre teknoloji kullanırken yoğun biçimde odaklanmak veya keyif almak, kullanıcının sistemin arkasındaki teknik süreçleri anlamasını garanti etmemektedir. Bir kişi sohbet uygulaması, sosyal medya, video öneri sistemi veya üretken yapay zekâ aracıyla uzun süre etkileşebilir; ancak algoritmanın nasıl çalıştığını, çıktının nasıl doğrulanacağını veya hangi etik risklerin bulunduğunu öğrenmeyebilir.

Bu sonuç, kullanım süresinden çok kullanımın niteliğinin önemli olabileceğini göstermektedir. Amaçlı inceleme, geri bildirim, hata analizi ve yansıtıcı öğrenme olmadan yoğun etkileşim yalnızca alışkanlık veya eğlence üretebilir.

Bununla birlikte anlamsızlık sonucu ölçüm ve modelleme tercihlerinden de etkilenmiş olabilir. Bilişsel özümseme ile dijital erişim arasındaki yüksek ilişki, ortak açıklanan varyans veya yapılar arası örtüşme nedeniyle doğrudan yolların küçülmesine yol açabilir. Yapılar arası korelasyon matrisi verilmediğinden bu olasılık değerlendirilememektedir.

Yapay zekâ okuryazarlığının yüzde 78’inin açıklanması ne anlama gelmektedir?

Çalışmanın modelinde yapay zekâ okuryazarlığı için \(R^2=0,78\) bildirilmiştir. Bu değer, örneklemdeki öz bildirim yapay zekâ okuryazarlığı puanlarındaki varyansın yüzde 78’inin model değişkenleriyle istatistiksel olarak ilişkili olduğunu ifade etmektedir.

Bu oran oldukça yüksektir. Yüksek açıklama gücü güçlü bir model göstergesi olabilir; ancak birbirine yakın kavramların aynı ankette aynı yöntemle ölçülmesi ortak yöntem varyansını yükseltebilir. Nesnel performans testi veya ikinci bir veri kaynağı kullanılmadığı için yüzde 78 oranı gerçek yapay zekâ davranışının açıklanan kısmı olarak yorumlanmamalıdır.

Eğitim açısından hangi sonuçlar çıkarılabilir?

• Yalnızca yapay zekâ araçlarına erişim sağlamak yeterli değildir; dijital kullanım becerisi de geliştirilmelidir.
• Yapay zekâ eğitimi, algoritmik düşünme ve problem çözme etkinlikleriyle birleştirilebilir.
• Öğrencilerin yapay zekâ çıktısını kontrol etmesi, hata araması ve kaynak doğrulaması teşvik edilmelidir.
• Yoğun veya eğlenceli kullanım, öğrenme sonucu gibi kabul edilmemelidir.
• Etik farkındalık, teknik kullanımdan ayrı ve açık öğrenme hedefleriyle ele alınmalıdır.
• Dijital altyapı eşitsizliği, yapay zekâ okuryazarlığı politikalarının bir parçası olarak değerlendirilmelidir.

Türkiye’de nasıl bir doğrulama tasarlanabilir?

Türkiye’de yapılacak bir çalışma, üniversiteleri yalnızca iki kurumla sınırlamamalı; farklı bölgelerden devlet ve vakıf üniversitelerini, meslek yüksekokullarını ve farklı akademik alanları kapsamalıdır. Örneklem tabakalı biçimde oluşturularak sosyoekonomik durum, ikamet yeri, internet kalitesi, kişisel bilgisayar sahipliği ve programlama deneyimi dengelenebilir.

Öz bildirim ölçeklerine ek olarak katılımcılardan:

• Yapay zekâ tarafından üretilen hatalı bir metni değerlendirmeleri
• Kaynak uydurma veya önyargı örneklerini belirlemeleri
• Basit bir problemi algoritmik adımlara ayırmaları
• Farklı yapay zekâ araçlarının uygunluğunu karşılaştırmaları
• Mahremiyet ve etik senaryolarında gerekçeli karar vermeleri

istenebilir. Böylece algılanan beceri ile gerçek performans arasındaki fark ölçülebilir.

Çalışmanın güçlü yönleri nelerdir?

• Yapay zekâ okuryazarlığını teknik kullanım, eleştirel değerlendirme ve etik boyutlarıyla ele almıştır.
• Dijital eşitsizliği yalnızca cihaz sahipliğine indirgememiştir.
• Bilgi işlemsel düşünmeyi doğrudan açıklayıcı değişken olarak modele eklemiştir.
• Altı açık hipotez kurmuş ve yapısal eşitlik modeliyle birlikte değerlendirmiştir.
• Birden fazla uyum indeksi raporlamıştır.
• Bilişsel özümseme için beklenen ilişkiler desteklenmediğinde sonucu gizlememiştir.
• Teknolojiyle yoğun etkileşim ile anlamlı öğrenme arasındaki farkı tartışmıştır.
• Dijital kapsayıcılık ile yapay zekâ eğitimi arasında politika bağlantısı kurmuştur.

Çalışmanın temel sınırlılıkları nelerdir?

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Örneklem akışında 800 yanıt ile 865 nihai katılımcı arasında çözülemeyen çelişki vardır.
• Cinsiyet sayıları nihai örneklemi tamamlamamaktadır.
• Üniversiteler, kent ve ülke açıklanmamıştır.
• Kolayda örnekleme kullanılmıştır.
• Veri toplama tarihleri verilmemiştir.
• Etik kurul ve bilgilendirilmiş onam prosedürü raporlanmamıştır.
• Çalışma kesitseldir; değişkenlerin zaman içindeki gelişimini göstermez.
• Bütün ana değişkenler öz bildirimle ölçülmüştür.
• Nesnel yapay zekâ veya bilgi işlemsel düşünme testi bulunmamaktadır.
• Ölçeklerin tam maddeleri paylaşılmamıştır.
• İki ölçeğin yanıt aralığı açıkça belirtilmemiştir.
• Kültürel uyarlama ve çeviri süreci açıklanmamıştır.
• Ortak yöntem yanlılığı testi yapılmamıştır.
• Ayrışma geçerliliği raporlanmamıştır.
• Normal dağılım ve maksimum olabilirlik varsayımları değerlendirilmemiştir.
• Örneklem büyüklüğü için güç analizi sunulmamıştır.
• Eksik veri ve aykırı değerlerin sayısı verilmemiştir.
• Model kontrol değişkenleri içermemektedir.
• Yaş, eğitim düzeyi ve internet kullanımının sonuçlara etkisi değerlendirilmemiştir.
• Anlamsız yolların kesin katsayıları ve p değerleri verilmemiştir.
• Dolaylı etkiler ve aracılık güven aralıkları raporlanmamıştır.
• Model aynı veride değiştirilmiş ve doğrulanmıştır.
• Bağımsız doğrulama örneklemi kullanılmamıştır.
• CR ve AVE hesaplarının tabloda gösterilen yüklerden nasıl üretildiği açıklanmamıştır.
• Ham veri, analiz dosyası ve Amos modeli paylaşılmamıştır.
• Kaynakçada konu dışı ve biçimsel olarak bozuk kayıtlar bulunmaktadır.

Çalışma neyi desteklemektedir?

• İncelenen öğrenci örnekleminde daha iyi dijital erişim ile daha yüksek öz bildirim yapay zekâ okuryazarlığı arasında ilişki bulunduğunu desteklemektedir.
• Dijital erişim ile algılanan bilgi işlemsel düşünme arasında güçlü bir ilişki bulunduğunu göstermektedir.
• Bilgi işlemsel düşünmenin yapay zekâ okuryazarlığıyla pozitif ilişkili olduğunu göstermektedir.
• Teknoloji kullanırken yoğun biçimde dalmanın tek başına yapay zekâ okuryazarlığıyla anlamlı ilişki göstermediğini ortaya koymaktadır.
• Yapay zekâ eğitiminin dijital kapsayıcılık ve sistematik problem çözme becerileriyle birlikte ele alınması gerektiğini desteklemektedir.

Çalışma neyi kanıtlamamaktadır?

• Dijital erişimin yapay zekâ okuryazarlığına nedensel olarak yol açtığını kanıtlamamaktadır.
• Bilgi işlemsel düşünme eğitiminin yapay zekâ okuryazarlığını kesin olarak artıracağını göstermemektedir.
• Bilişsel özümsemenin bütün öğrenci gruplarında önemsiz olduğunu kanıtlamamaktadır.
• Katılımcıların gerçek yapay zekâ kullanım performansını ölçmemektedir.
• Katılımcıların yapay zekâ hatalarını veya yanlış bilgiyi gerçek görevlerde belirleyebildiğini göstermemektedir.
• İki üniversitedeki sonuçların başka ülke, yaş ve eğitim gruplarına genellenebileceğini kanıtlamamaktadır.
• Yüzde 78 açıklanan varyansın gerçek davranışların yüzde 78’ini açıkladığı anlamına gelmemektedir.
• Altyapı yatırımının tek başına etik ve eleştirel yapay zekâ kullanımını sağlayacağını göstermemektedir.

Çalışmanın Yöntemi ve Bulguları

Araştırma türü

Çalışma, kolayda örnekleme yoluyla seçilen yükseköğretim öğrencilerinden tek bir zaman noktasında anket verisi toplanmasına dayanan kesitsel ve nicel bir ilişkisel araştırmadır. Nedensel deney, eğitim müdahalesi veya uzunlamasına takip bulunmamaktadır.

Bildirilen örneklem

Ölçüm araçları

Analiz yöntemi

• Ölçüm modeli değerlendirmesi
• Standartlaştırılmış faktör yükleri
• Cronbach alfa
• Bileşik güvenilirlik
• Ortalama açıklanan varyans
• Maksimum olabilirlikle yapısal eşitlik modellemesi
• p < 0,01 anlamlılık eşiği
• IBM SPSS Amos yazılımı

Yapısal modelin ana sonuçları

Açıklanan varyans

İstatistiksel değerlendirme

Uyum indeksleri modelin veriyle genel olarak uyumlu olduğunu göstermektedir. Bununla birlikte uyum, modelin doğru nedensel açıklama olduğunu kanıtlamaz. Aynı kovaryans yapısına benzer biçimde uyan alternatif modeller bulunabilir.

Örneklem sayısındaki çelişki giderilmeden standart hataların ve uyum indekslerinin hangi katılımcı sayısıyla hesaplandığı bilinmemektedir. Ayrıca ayrışma geçerliliği ve ortak yöntem yanlılığı değerlendirilmediği için yüksek yol katsayılarının bir bölümü ölçüm yöntemindeki ortaklıktan kaynaklanabilir.

Güvenilir doğrulama için gerekenler

• Katılımcı akışının ve nihai örneklem sayısının düzeltilmesi
• Üniversite, ülke, veri toplama tarihi ve örnekleme çerçevesinin açıklanması
• Etik kurul ve bilgilendirilmiş onam bilgilerinin sunulması
• Ölçeklerin tam maddeleri ile kaynaklarının paylaşılması
• Çeviri ve kültürel uyarlama prosedürünün açıklanması
• Nesnel yapay zekâ okuryazarlığı ve bilgi işlemsel düşünme testlerinin eklenmesi
• Ortak yöntem yanlılığı analizi
• Fornell–Larcker ve HTMT ayrışma geçerliliği değerlendirmesi
• Normallik ve aykırı değer raporu
• Dolaylı etkiler için bootstrap güven aralıkları
• Modelin bağımsız doğrulama örnekleminde yeniden sınanması
• Uzunlamasına veya kontrollü eğitim müdahalesi
• Ham veri, kod ve Amos model dosyasının paylaşılması

Kaynak ve Yöntem Notu

Çalışmanın özgün adı: From Digital Access to AI Competence: An Integrated Model of Artificial Intelligence Literacy Development Through Digital Divide and Computational Thinking

Yazar: Yifan Chen.

Yazar sıralaması: Çalışma tek yazarlıdır.

Akademik unvan: Yazar metinde “Prof. Yifan Chen” olarak gösterilmiştir. Unvan bağımsız kurumsal bir kaynaktan doğrulanamamıştır.

Eş katkı bilgisi: Tek yazarlı olduğu için eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Yifan Chen.

E-posta: yifan.chen.research@gmail.com

Belgede beyan edilen kurum: School of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, China; Postal Code 200240.

Kurumsal doğrulama notu: SSRN kayıt görünümünde yazarın kurumsal bağlantısı verilmemektedir. Bu nedenle yukarıdaki kurum bilgisi çalışmanın başlık sayfasındaki yazar beyanı olarak aktarılmıştır.

DOI:10.2139/ssrn.7212624

Resmî yayın platformu: SSRN.

Resmî çalışma bağlantısı:SSRN çalışma sayfası

Yayın yılı: 2026.

Dergi: Bu sürüm için hakemli bir dergi adı veya kabul kararı bulunmamaktadır.

Kaynak türü: Yükseköğretim öğrencilerinden öz bildirim anketiyle veri topladığını ve yapısal eşitlik modellemesi kullandığını bildiren kesitsel nicel eğitim ve teknoloji araştırması niteliğinde preprint.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Her sayfada “Preprint not peer reviewed” uyarısı bulunmaktadır.

Etik kurul: Çalışmada etik kurul adı, karar numarası veya onay tarihi yer almamaktadır.

Bilgilendirilmiş onam: Öğrencilerin gönüllü katıldığı belirtilmiş, ancak onam metni ve uygulama prosedürü açıklanmamıştır.

Finansman: Finansman beyanı yer almamaktadır.

Çıkar çatışması: Çıkar çatışması beyanı yer almamaktadır.

Veri ve kod erişimi: Ham anket verisi, veri sözlüğü, Amos modeli, analiz sözdizimi veya yeniden üretim dosyaları için açık erişim bağlantısı verilmemiştir.

Ölçek erişimi: Ölçeklerin toplam madde sayıları ve boyutları açıklanmış, ancak tam maddeler, özgün ölçek künyeleriyle açık eşleştirme ve uyarlama belgeleri sunulmamıştır.

Kaynakça notu: Kaynakçada yapay zekâ okuryazarlığıyla doğrudan ilişkisi açık olmayan dijital finans, yenilenebilir enerji, tarım, balıkçılık ve ulaşım çalışmalarına yer verilmiştir. Bazı kayıtlar eksik, birleştirilmiş veya biçimsel olarak bozuk görünmektedir. Bu durum kuramsal iddiaların dayanaklarının bağımsız biçimde izlenmesini zorlaştırmaktadır.

Temel veri tutarsızlığı: Çalışma 800 öğrencinin anketi tamamladığını, eksik ve aykırı kayıtlar çıkarıldıktan sonra 865 öğrencinin analiz edildiğini bildirmektedir. Ayrıca 319 erkek ve 416 kadın katılımcının toplamı 735’tir. Bu iki tutarsızlık düzeltilmeden nihai örneklemin kimliği ve analizlerin gerçek katılımcı sayısı kesin olarak belirlenememektedir.

Bu Türkçe açıklama; yüklenen çalışmanın kuramsal bölümleri, altı hipotezi, 14. sayfadaki başlangıç modeli, katılımcı ve ölçek açıklamaları, ölçüm modeli tablosu, yapısal uyum indeksleri, 25. sayfadaki nihai yol modeli, tartışması, sonuçları ve sınırlılıkları incelenerek hazırlanmıştır. Çalışmada bulunmayan ülke, kurum, örneklem veya nedensel sonuçlar eklenmemiştir.

Çalışmanın verileri, daha iyi dijital erişim ve daha güçlü algılanan bilgi işlemsel düşünmenin daha yüksek öz bildirim yapay zekâ okuryazarlığıyla ilişkili olabileceğini desteklemektedir. Buna karşılık örneklem sayılarındaki çelişkiler, bütün değişkenlerin aynı öz bildirim anketinden gelmesi, etik ve veri paylaşımı bilgilerinin bulunmaması ve bağımsız doğrulama yapılmaması nedeniyle sonuçlar eğitim politikası veya nedensel müdahale kanıtı olarak değerlendirilmemelidir.