İlköğretim Matematik Öğretmeni Adaylarının Yapay Zekâ Öz-Yeterliklerinin Bazı Değişkenler Açısından İncelenmesi
Abstract views: 100
/ 
PDF downloads: 59
DOI:
https://doi.org/10.5281/zenodo.14279357Anahtar Kelimeler:
Yapay zekâ, Öz yeterlik, Matematik öğretmeni adaylarıÖzet
Bu araştırmanın amacı, ilköğretim matematik öğretmeni adaylarının yapay zekâ kullanımına yönelik öz yeterlik algılarının cinsiyet, sınıf, yapay zekaya yönelik eğitim alma ve daha önce yapay zekâ programı kullanma durumuna göre incelenmesidir. Araştırma betimsel tarama modelinde tasarlanmıştır. Araştırmanın çalışma grubunu, 2024-2025 eğitim- öğretim yılında ilköğretim matematik öğretmenliği lisans ve yüksek lisans programında öğrenim gören 82 öğretmeni adayı oluşturmaktadır. Araştırmada veriler, Wang ve Chuang (2023) tarafından geliştirilen Türkçe uyarlaması Uyan ve Gültekin (2024) tarafından yapılan yapay zekâ öz yeterlik ölçeği (YZÖY) ile toplanmıştır. Araştırmada ilköğretim matematik öğretmeni adaylarının yapay zekâ kullanımına yönelik öz yeterlik algılarının ve bu algıların değişkenlere farklılıkların göre belirlenmesi için frekans, yüzde, aritmetik ortalama, standart sapma, bağımsız gruplar için t-testi ile Anova testi kullanılmıştır. Analizler sonucunda, ilköğretim matematik öğretmen adaylarının yapay zekâ kullanımına yönelik yeterlilik algılarının genel olarak orta düzeyde olduğu belirlenmiştir. Diğer taraftan öğretmen adaylarının yapay zekâ özyeterlik algı düzeylerinin cinsiyet ve sınıf değişkeni için anlamlı bir farklılık göstermediği, yapay zekaya yönelik eğitim alma ve daha önce yapay zekâ kullanma durumuna göre ise anlamlı bir farklılık gösterdiği tespit edilmiştir.
Referanslar
Bandura, A. (1997). Self-efficacy: The exercise of control. W.H. Freeman.
Chen, X., Zou, D., Cheng, G., & Xie, H. (2020). Detecting and addressing students' failure to engage in interactive learning environments. Journal of Educational Technology & Society, 23(4), 34–47.
Eker, C., & Halıcı Gürbüz, S. (2024). Matematik öğretmenlerinin matematik dersinde yapay zekâ kullanımına yönelik yeterlilik algıları. Sosyal, Beşeri ve İdari Bilimler Dergisi, 7(7), 513–528. https://doi.org/10.26677/TR1010.2024.1425
Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to design and evaluate research in education (8th ed.). McGraw-Hill.
Gökmen, A., & Aşkar, P. (2017). Öğretmen adaylarının teknoloji kullanımında öz-yeterlik algılarının çeşitli değişkenler açısından incelenmesi. Eğitim Teknolojisi Kuram ve Uygulama, 7(1), 24–37.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2013). Multivariate data analysis (7th ed.). Pearson.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Kay, R. H. (2006). Addressing gender differences in computer ability, attitudes, and use: The laptop effect. Journal of Educational Computing Research, 34(2), 187–211.
Luckin, R. (2017). Enhancing learning and teaching with technology: What the research says. UCL IOE Press.
Miao, F., & Holmes, W. (2021). AI and education: A guidance for policy makers. UNESCO.
Patton, M. Q. (2002). Qualitative research and evaluation methods (3rd ed.). Sage Publications.
Roll, I., & Wylie, R. (2016). Evolution and revolution in artificial intelligence in education. International Journal of Artificial Intelligence in Education, 26(2), 582–599. https://doi.org/10.1007/s40593-016-0110-3
Selwyn, N. (2019). What’s the problem with learning analytics? Journal of Learning Analytics, 6(3), 11–18. https://doi.org/10.18608/jla.2019.63.3
Uyan, U., & Gültekin, S. U. (2024). Yapay zekâ öz-yeterlilik ölçeğinin Türkçe’ye uyarlanması: Geçerlilik ve güvenirlik çalışması. Journal of Research in Business, 9(1), 135–148. https://doi.org/10.54452/jrb.1415212
Wang, Y. Y., & Chuang, Y. W. (2023). Artificial intelligence self-efficacy: Scale development and validation. Education and Information Technologies, 1–24. https://doi.org/10.1007/s10639-023-11235-9
Yang, X. (2022). The impact of AI-based educational technology on teaching and learning. Computers & Education, 183, 104497. https://doi.org/10.1016/j.compedu.2022.104497
Zhou, Q., Huang, Q., & Cheng, Y. (2022). Gender differences in technology adoption: A meta-analysis. Computers in Human Behavior, 127, 107026. https://doi.org/10.1016/j.chb.2021.107026
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2024 International Journal of Social and Humanities Sciences Research (JSHSR)
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
