SavedAdd your journal

Journals / Üniversite Araştırmaları Dergisi / 2026 / Cilt: 9 Sayı: 2

Artificial Intelligence Visual Literacy Scale: Scale Development Study

Yapay Zekâ Görsel Okuryazarlığı Ölçeği: Ölçek Geliştirme Çalışması

Abdulkerim Turkaya(ANKARA MUSIC AND FINE ARTS UNIVERSITY)0000-0003-0461-0925
Ali Ertuğrul Küpeli(GAZI UNIVERSITY, GAZİ FACULTY OF EDUCATION)0000-0003-3485-8489
Adnan Kan(GAZI UNIVERSITY, GAZİ FACULTY OF EDUCATION)0000-0002-3610-0033
Pages
225–241
Publication Date
2026-06-29
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

These results showed that the developed scale is a valid and reliable scale that can be applied in the field of artificial intelligence visual literacy.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, the Artificial Intelligence Visual Literacy Scale (AIVSL) was designed and developed by researchers to analyze individuals' abilities to understand, evaluate, and produce AI-supported visual content in today's digital age.
📊
Key Findings & Data:The study group consisted of 295 students studying in the field of fine arts education at associate, undergraduate, and graduate levels in universities.
💡
Conclusion & Impact:These results showed that the developed scale is a valid and reliable scale that can be applied in the field of artificial intelligence visual literacy.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Yapay zekâ görsel okuryazarlığı ölçeği · Ölçek geliştirme · Sanat eğitimi

Abstract

In this study, the Artificial Intelligence Visual Literacy Scale (AIVSL) was designed and developed by researchers to analyze individuals' abilities to understand, evaluate, and produce AI-supported visual content in today's digital age. The scale development process was conducted based on classical measurement theory, and validity and reliability analyses were meticulously performed. The study group consisted of 295 students studying in the field of fine arts education at associate, undergraduate, and graduate levels in universities. The "Demographic Characteristics Questionnaire" and the "Artificial Intelligence Visual Literacy Scale," developed by the researchers as data collection tools, were administered via online survey. The developed scale was first applied as a pilot study on 55 students, and after the data obtained, it was tested on 295 students. A 5-point Likert-type scale was created to examine the students' AI visual literacy levels. The research method was designed as quantitative. In the validity and reliability tests of the scale items, frequency and percentage calculations were performed using SPSS and SPSS Amos programs, and the obtained data were then included in the research. As a result of the research, it was confirmed that the scale has a 4-dimensional structure explaining 67.984% of the total variance. In the reliability study, the Cronbach Alpha (α) reliability coefficient of the scale as a whole was found to be 0.929, and the indicators for confirmatory factor analysis were found to be above the excellent limit. These results showed that the developed scale is a valid and reliable scale that can be applied in the field of artificial intelligence visual literacy. It is thought that by using the developed scale, the gap in the literature on the evaluation of artificial intelligence visual literacy in Turkey will be filled, the visual literacy levels of individuals regarding artificial intelligence will be better understood, and it will contribute to the conduct of many studies in the future.

Özet

Bu çalışmada, günümüz dijital çağında bireylerin yapay zekâ destekli görsel içerikleri anlama, değerlendirme ve üretme yeterliklerini çözümlemek amacıyla araştırmacılar tarafından Yapay Zekâ Görsel Okuryazarlığı Ölçeği (YZGOÖ) tasarlanıp geliştirilmiştir. Ölçek geliştirme süreci, klasik ölçme kuramına dayalı olarak yürütülmüş ve bu süreçte geçerlik ve güvenirlik analizleri titizlikle gerçekleştirilmiştir. Araştırmanın çalışma grubu, üniversitelerin ön lisans, lisans ve lisansüstü düzeylerinde güzel sanatlar eğitimi alanıyla ilgili öğrenimlerine devam eden 295 öğrenciden oluşmaktadır. Araştırmacılar tarafından veri toplama aracı olarak geliştirilen “Demografik Özellik Anketi” ile “Yapay Zekâ Görsel Okuryazarlığı Ölçeği” çevrimiçi anket yoluyla yapılmıştır. Geliştirilen ölçek önce pilot uygulama olarak 55 öğrenci üzerinde uygulanmış, elde edilen verilerin ardından 295 öğrenci üzerinde test edilmiştir. Öğrencilerin yapay zekâ görsel okuryazarlık düzeylerini incelemek amacıyla 5’li likert tipi ölçek maddeleri oluşturulmuştur. Araştırma yöntemi nicel olarak tasarlanmıştır. Ölçek maddelerinin geçerlilik ve güvenirlik testlerinde SPSS ve SPSS Amos programları kullanılarak frekans ve yüzde hesaplamaları yapılmış ve elde edilen veriler daha sonra araştırmaya dâhil edilmiştir. Araştırma sonucunda, ölçeğin toplam varyansın %67,984’ünü açıklayan 4 boyutlu bir yapıya sahip olduğu teyit edilmiştir. Güvenirlik çalışması kapsamında ölçeğin genelinde Cronbach Alfa (α) güvenirlik katsayısı 0.929 olduğu ve doğrulayıcı faktör analizi için göstergelerin ise mükemmel sınır üzerinde olduğu bulunmuştur. Bu sonuçlar, geliştirilen ölçeğin yapay zekâ görsel okuryazarlığı alanında uygulanabilecek geçerli ve güvenilir bir ölçek olduğunu göstermiştir. Geliştirilen ölçek kullanılarak, Türkiye’de yapay zekâ görsel okuryazarlığının değerlendirilmesinde literatürdeki boşluğun doldurulacağı, bireylerin yapay zekâ konusundaki görsel okuryazarlık düzeylerinin daha iyi anlaşılacağı ve gelecekte birçok çalışmanın gerçekleştirilmesine katkı sunulacağı düşünülmektedir.

🔖

Cite This Article

Turkaya, A., Küpeli, A. E., Kan, A., *, A. T. (2026). Artificial Intelligence Visual Literacy Scale: Scale Development Study. Üniversite Araştırmaları Dergisi, Cilt: 9 Sayı: 2, 225–241. https://doi.org/10.32329/uad.1899455

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (87)

  1. Avgerinou, M. D., & Pettersson, R. (2011). Toward a cohesive theory of visual literacy. Journal of Visual Literacy, 30(2), 1-19. https://doi.org/10.1080/23796529.2011.11674687
  2. Ayçiçek, B. (2025). Attitudes toward artificial intelligence in higher education: A mixed-methods study. Journal of University Research, 8(4), 517-534. https://doi.org/10.32329/uad.1770973
  3. Ayre, C., & Scally, A. J. (2014). Critical values for Lawshe’s content validity ratio: revisiting the original methods of calculation. Measurement and Evaluation in Counseling and Development, 47(1), 79-86.
  4. Baghestania, A., Ahmadi, F., Tanha, A., & Meshkat, M. (2017). Bayesian critical values for lawshe’s content validity ratio. Measurement and Evaluation in Counseling and Development, 52(1), 1-5.
  5. Baumgartner, H., & Homburg, C. (1996). Applications of structural equation modeling in marketing and consumer research: A review. International Journal of Research in Marketing, 13(2), 139-161.
  6. Beck, C.T., & Gable, R.K. (2001). Ensuring content validity: An illustration of the process. Journal of Nursing Measurement, 9, 201–215.
  7. Bentler, P.M. (1980). Multivariate analysis with latent variables: Causal modeling. Annual Review of Psychology, 31, 419-456.
  8. Bentler, P.M., & Bonett, D.G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88, 588-606.
  9. Bilgili, C., & Şener, G. (2013). Sosyal medya ve ağ toplumu-1: Kitle iletişiminde yaşanan değişimler. Grafik Tasarım Yayıncılık. İstanbul, 5, ISBN: 978-605-60892-1-3.
  10. Büyüköztürk, Ş. (2020). Sosyal bilimler için veri analizi el kitabı. İstatistik, araştırma deseni SPSS uygulamaları ve yorum (27. Baskı). Ankara: Pegem Akademi.
  11. Büyüköztürk, Ş. (2021). Sosyal bilimler için veri analizi el kitabı. İstatistik, araştırma deseni SPSS uygulamaları ve yorum (28. Baskı). Ankara: Pegem Akademi.
  12. Büyüköztürk, Ş., Kılıç Çakmak, E., Akgün, Ö. E., Karadeniz, Ş., & Demirel, F. (2024). Bilimsel araştırma yöntemleri (36. Baskı). Ankara: Pegem Akademi.
  13. Brandt, D.S. (2001). Information technology literacy: Task knowledge and mental models. Library Trends, 50(1), 73-86. https://www.learntechlib.org/p/93628/
  14. Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). NY: The Guilford Press.
  15. Calvani, A., Cartelli, A. & Ranieri, M. (2008). Models and instruments for assessing digital competence at school. Journal of E-Learning and Knowledge Society 4(3), 183-193.
  16. Carolus, A., Koch, M. J., Straka, S., Latoschik, M. E., Wienrich, C., & Gámez Zerban, A. (2023). MAILS – Meta AI literacy scale: Development and testing of an AI literacy questionnaire based on well-founded competency models and psychological change- and meta-competencies. Computers in Human Behavior, 1(2), 1-10. 100014.
  17. Cemaloğlu, N. (2023). Bilimsel araştırma teknikleri ve etik (5. Baskı). Ankara: Pegem Akademi.
  18. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75264-75278.
  19. Crocker, L. ve Algina, J. (1986). Introduction to classical and modern test theory. New York: Holt, Rinehart and Winston, Inc.
  20. Comrey, A. L., & Lee, H. B. (1992). A first course in factor analysis (2nd ed.). Hillsdale, NJ: Erlbaum.
  21. Çam, M. B., Çelik, N. C., Turan Güntepe, E., & Durukan, Ü. G. (2021). Öğretmen adaylarının yapay zekâ teknolojileri ile ilgili farkındalıklarının belirlenmesi. Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 18(48), 263-285. https://izlik.org/JA54YD38JK
  22. Çelebi, C., Demir, U., & Karakuş, F. (2023). Artificial intelligence literacy: A systematic review. Journal of Necmettin Erbakan University Ereğli Faculty of Education, 5(2), 536-560.
  23. Çetin, M., & Aktaş, A. (2021). Yapay zekâ ve eğitimde gelecek senaryoları. OPUS International Journal of Society Researches, 18(Eğitim Bilimleri Özel Sayısı), 4225-4268. https://doi.org/10.26466/opus.911444
  24. Çokluk, O., Şekercioğlu, G., & Büyüköztürk, Ş. (2025). Sosyal bilimler için çok değişkenli istatistik: SPSS ve LISREL uygulamaları (8. Baskı). Ankara: Pegem Akademi.
  25. Davenport, T. H., & R. Ronanki. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.
  26. Davis, L. L. (1992). Instrument review: Getting the most from a panel of experts. Applied Nursing Research, 5, 194-197. https://doi.org/10.1016/s0897-1897(05)80008-4
  27. Ercan, İ., & Kan, İ. (2004). Ölçeklerde güvenirlik ve geçerlik. Uludağ Üniversitesi Tıp Fakültesi Dergisi, 30(3), 211-216.
  28. Eristi, B., & Erdem, C. (2017). Development of a media literacy skills scale. Contemporary Educational Technology, 8(3), 249-267. https://izlik.org/JA68LX82YN
  29. Field, A. (2009). Discovering statistics using SPSS, (3rd ed.). Sage Publications Ltd., London.
  30. George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference (4th ed.). Boston: Allyn & Bacon.
  31. Goodwin, L. D. (1999). The role of factor analysis in the estimation of construct validity. Measurement in Physical Education and Exercise Science, 3(2), 85-100.
  32. Güler, A., & Günel, Y. (2022). Kamu kurumlarında sanal kaytarmaya yönelik bir ölçek geliştirme çalışması. İşletme Bilimi Dergisi, 10(2), 247-274. https://doi.org/10.22139/jobs.1147063
  33. Güney, E., & Yavuz, H. (2022). Mekân ve yaşam kurgusu bağlamında yapay yaşam sanatı. Uluslararası Kültürel ve Sosyal Araştırmalar Dergisi (UKSAD), 8(2), Kış, 83-94.
  34. Graf, A. (2023). Yapay zekâ ve gelecek tasarımı. Editör: Gökhan İnce. 1. Basım. Ankara: Gece Kitaplığı. Grassian, E. S. & Kaplowitz, J.R. (2001). Information literacy instruction. Neal-Schuman, NY.
  35. Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structural analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55. https://doi.org/10.1080/10705519909540118
  36. Hobbs, R. (2010). Digital and media literacy. A plan of action. Washington D.C.: The Aspen Institute.
  37. Hoffman, M., & Blake, J. (2003). Computer literacy: Today and tomorrow. Journal of Computing Sciences in Colleges. 18(5), 221-233.
  38. Hwang, G. J., Xie, H., Wah, B. W., Gasevic, D. (2020). Vision, challenges, roles and research issues of artificial intelligence in education. Computers and Education: Artificial Intelligence, 1(2020), 100001.
  39. Hwang, G.J., & Tu, Y.F. (2021). Roles and research trends of artificial intelligence in mathematics education: A bibliometric mapping analysis and systematic review. Mathematics, 9(6), 584.
  40. Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons 61(4), 577-586.
  41. Kalaycı, Ş. (Ed.) (2006). SPSS uygulamalı çok değişkenli istatistik teknikleri. Ankara: Asil Yayın Dağıtım. Kandlhofer, M., G. Steinbauer, S. Hirschmugl-Gaisch, and P. Huber. (2016). Artificial intelligence and computer science in education: From kindergarten to university. Paper Presented at the 2016 IEEE Frontiers in Education Conference (FIE).
  42. Karagöz, Y. (2019). SPSS 23 ve AMOS 23 uygulamalı istatistiksel analizler. 2. Baskı. Ankara: Nobel Akademik Yayıncılık.
  43. Karakoç, F. Y., & Dönmez, L. (2014). Ölçek geliştirme çalışmalarında temel ilkeler. Tıp Eğitim Dünyası (TED), 13(40), 39-49.
  44. Karpunina, E. K., Dedov, S. V., Kholod, M. V., Ponomarev, S. V., & Gorlova, E. A. (2020). Artificial intelligence and its impact on economic security: trends, estimates and forecasts (pp.213-225). In E. G. Popkova, & B. S. (Eds), Scientific and Technical Revolution: Yesterday, Today and Tomorrow.
  45. Kline, R. B. (2005). Principles and Practice of Structural Equation Modeling, (2nd ed.). New York: The Guilford Press.
  46. Kurudayıcıoğlu, M., & Tüzel, S. (2010). The types of literacy of the 21st century, changing text comprehension and Turkish teaching. Türklük Bilimi Araştırmaları, 28, 281-298.
  47. Laupichler, M. C., Aster, A., Haverkamp, N. & Raupach, T. (2023). Development of the “Scale for the assessment of non-experts’ AI literacy” – an exploratory factor analysis. Computers in Human Behavior Reports, Volume 12, 1-10. https://doi.org/10.1016/j.chbr.2023.100338
  48. Lawshe, C. (1975). A quantitative approach to content validity. Personnel psychology, 28(4), 563-575.
  49. Lee, S., & J. 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.
  50. Lin, T. B. (2021). Artificial intelligence and media literacy: A conceptual framework and research agenda. Journal of Media Literacy Education, 13(2), 57-66. https://doi.org/10.23860/JMLE-2021-13-2-5
  51. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. London: Pearson Education.
  52. Luo, X., Tong, S., Fang, Z., ve Qu, Z. (2019). Machines vs. humans: The impact of artificial intelligence chatbot disclosure on customer purchases. Marketing Science, 38(6), 937-947. https://doi.org/10.1287/mksc.2019.1192
  53. Lo, C. K. (2023). What is the impact of ChatGPT on education? A rapid review of the literature. Education Sciences, 13(4), 410-425.
  54. Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. CHI ‘20: Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. Honolulu, USA: Association for Computing Machinery.
  55. Marsh, H.W., Hau, K.T., Artelt, C., Baumert, J., & Peschar, J.L. (2006). OECD’s brief self-report measure of educational psychology’s most useful affective constructs: Cross-cultural, psychometric comparisons across 25 countries. International Journal of Testing, 6(4), 311-360.
  56. Metelskaia, I., Ignatyeva, O., Denef, S., and Samsonowa, T. (2018). A business model template for AI solutions. Paper Presented at the Proceedings of the International Conference on Intelligent Science and Technology.
  57. Munro, M. C., Huff, S. L., Marcolin, B. L., and Compeau, D. R. (1997). Understanding and measuring user competence. Information & Management, 33(1), 45-57.
  58. Ng, T. K., Wu, W., Leung, J. K. L., & Chu, S. K. W. (2023). Artificial intelligence (AI) literacy questionnaire with confirmatory factor analysis. In Proceedings of 2023 IEEE International Conference on Advanced Learning Technologies, ICALT 2023 (pp. 233-235). IEEE. https://doi.org/10.1109/ICALT58122.2023.00074
  59. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, pp. 1-11, 100041. https://doi.org/10.1016/j.caeai.2021.100041
  60. Norman, D. (2013). The design of everyday things: Revised & expanded edition. Published by Basic Books. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York: McGraw-Hill.
  61. OECD. (2024). PISA 2029 media and artificial intelligence literacy (MAIL) assessment framework. OECD Publishing. https://www.oecd.org/en/about/projects/pisa-rdi-programme.html
  62. Özmantar, Z. (2018). Örnekleme yöntemleri ve örnekleme süreci. Beycioğlu, K., Özer, N. ve Kondakçı, Y. (Ed.), Eğitim yönetiminde araştırma (ss.88-109). Ankara: Pegem Akademi.
  63. Pallant, J. (2001). The SPSS survival manual: A step-by-step guide to data analysis using SPSS, St. Leonards Publications. https://doi.org/10.4324/9781003117452
  64. Pingmuang, P., Koraneekij, P., & Khlaisang, J. (2026). Development and validation of an AI literacy scale for pre-service teachers in Thailand. Electronic Journal of e-Learning, 24(1), 01-18. https://doi.org/10.34190/ejel.24.1.3990
  65. Pinski, M., & Benlian, A. (2023). AI literacy - towards measuring human competency in artificial intelligence. Proceedings of the 56th Hawaii International Conference on System Sciences, pp. 165-174. https://doi.org/10.24251/HICSS.2023.021
  66. Poe, M. T. (2015). İletişim tarihi: Konuşmanın evriminden internete medya ve toplum. (Çev: U. Kara). İstanbul: Islık Yayınları.
  67. Polit, D., & Beck, C. T. (2006). The content validity index: Are you sure you know what’s being reported? Critique and recommendations. Research in Nursing & Health, 29, 489-497.
  68. Rosemann, A., & Zhang, X. (2022). Exploring the social, ethical, legal, and responsibility dimensions of artificial intelligence for health-a new column in Intelligent Medicine. Intelligent Medicine, 2(2), 103-109.
  69. Rosling, A. & Littlemore, K. (2011). Improving student mental models in a new university ınformation setting (pp.89-101). In Digitisation Perspectives, Cham, Switzerland: Springer.
  70. Serafini, F. (2013). Reading the visual: An introduction to teaching multimodal literacy. NY: Teachers College Press.
  71. Schermelleh-Engel, K., Moosbrugger, H., & Müller, H. (2003). Evaluating the fit of structural equation models: Tests of significance and descriptive goodness-of-fit measures. Methods of Psychological Research, 8(2), 23–74.
  72. Schreiber, B., Stage, F.K., King, J., Nora, A., & Barlow, E.A. (2006). Reporting structural equation modeling and confirmatory factor analysis results: A review. Journal of Educational Research, 99(6), 323-337.
  73. Su, G. (2018). Unemployment in the AI age. AI Matters 3(4), 35-43.
  74. Stembert, N., and Harbers, M. (2019). Accounting for the human when designing with AI: challenges identified. CHI’19-Extended Abstracts, Glasgow, Scotland Uk. May 04-09, 2019.
  75. Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Boston, MA: Pearson.
  76. Tarafdar, M., C. M. Beath, and J. W. Ross. (2019). Using AI to enhance business operations. MIT Sloan Management Review 60(4), 37–44.
  77. Tavakol, M., & Dennick, R. (2011). Making sense of cronbach’s alpha. International Journal of Medical Education, 2, 53-55.
  78. Tavşancıl, E. (2006). Tutumların ölçülmesi ve SPSS ile veri analizi (2. baskı). Ankara: Nobel Yayın Dağıtım.
  79. Telli, S. G., & Aydın, S. (2025). Üniversitelerde yapay zekânın kullanımı: Dönüşümler, getiriler ve geleceğe hazırlık. Journal of University Research, 8(1), 139-148. https://doi.org/10.32329/uad.1609305
  80. Tiernan, P. D., Costello, E., Donlon, E., Parysz, M., & Scriney, M. (2023). Information and media literacy in the age of AI: Options for the future. Education Sciences 13(9), 906, 1-11. https://doi.org/10.3390/educsci13090906 Tobin, C. D. (1983). Developing computer literacy. Arithmetic Teacher 30(6), 22-60.
  81. Waltz, C.F., Strickland, O.L., & Lenz, E.R. (2005). Measurement in nursing and health research (3rd ed.), New York: Springer Publishing Co.
  82. Wetson, R., & Gore Jr, P.A. (2006). A brief guide to structural equation model. The Counseling Psychologist, 34(5), 719-751.
  83. Yaşlıca, E., & Altay, I. (2026). İletişim fakültesi öğrencilerinin yapay zekâ okuryazarlıklarının farklı değişkenlere göre incelenmesi. Journal of University Research, 9(1), 1-12. https://izlik.org/JA27DM75XN
  84. Yavuz Aksakal, N., ve Ülgen, B. (2021). Artificial intelligence and jobs of the future. TRT Akademi, 6(13), 834-852.
  85. Yıldırım Seheryeli, M., & Gören, S. (2025). R ile Psikometri. Güler, N., Atar, B. ve Atalay Kabasakal, K. (Ed.), Ölçme aracı seçme, geliştirme ve uyarlama içinde (1. Baskı). Ankara: Pegem Akademi.
  86. Yılmaz, R., Yurdugül, H., Karaoğlan Yılmaz, F. G., Sahin, M., Sulak, S., Aydin, F., Tepgec, M., Müftüoğlu, C. T., Ömer, O. R. A. L. (2022). Smart MOOC integrated with intelligent tutoring: A system architecture and framework model proposal. Computers and Education: Artificial Intelligence, 3(2022), 100092.
  87. Yurdugül, H. (2005). Ölçek geliştirme çalışmalarında kapsam geçerliği için kapsam geçerlik indekslerinin kullanılması (ss.1-6). XIV. Ulusal Eğitim Bilimleri Kongresi. Pamukkale Üniversitesi Eğitim Fakültesi.