SavedAdd your journal

Journals / Türk Eğitim Bilimleri Dergisi / 2026 / Cilt: 24 Sayı: 2

Artificial Intelligence Attitude Scale for Teachers: Development and Implementation Study

Öğretmenlere Yönelik Yapay Zekâ Tutum Ölçeği: Geliştirme ve Uygulama Çalışması

Sedat Adıgüzel(İNÖNÜ ÜNİVERSİTESİ)0000-0002-8866-2919
Yalçın Karalı(İNÖNÜ ÜNİVERSİTESİ)0000-0002-8977-5034
Pages
1750–1784
Publication Date
2026-08-30
🏛️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)

Cronbach's alpha reliability coefficients of the scale were calculated as .90 for the overall scale, .89 for the avoidance sub-dimension, and .87 for the acceptance sub-dimension.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The aim of the research is to develop a valid and reliable scale to determine teachers' attitudes towards artificial intelligence and to make a description based on the results of the application conducted using the developed scale.
📊
Key Findings & Data:In the first stage, the draft scale was applied to 468 teachers, and exploratory and confirmatory factor analyses were conducted to ensure construct validity.
💡
Conclusion & Impact:Cronbach's alpha reliability coefficients of the scale were calculated as .90 for the overall scale, .89 for the avoidance sub-dimension, and .87 for the acceptance sub-dimension.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Öğretmen · Ölçek · Teknoloji

Abstract

The aim of the research is to develop a valid and reliable scale to determine teachers' attitudes towards artificial intelligence and to make a description based on the results of the application conducted using the developed scale. In the research conducted for this purpose, a survey design, one of the quantitative research methods, was used. The research was conducted in two stages. In the first stage, a scale for the research topic was developed, and the scale developed in the second stage was applied. The research sample was determined using a convenience sampling method. In the first stage, the draft scale was applied to 468 teachers, and exploratory and confirmatory factor analyses were conducted to ensure construct validity. Cronbach's alpha reliability coefficients of the scale were calculated as .90 for the overall scale, .89 for the avoidance sub-dimension, and .87 for the acceptance sub-dimension. As a result of the analyses, a 5-point Likert-type scale with 14 items and 2 sub-dimensions was developed to determine teacher attitudes towards artificial intelligence technology. It was concluded that the scale was a valid and reliable. The developed scale was applied to 243 primary school teachers, and data were collected. Parametric tests were used in the description of the collected data since they were close to normal distribution. At the end of the description process, it was seen that the attitude scores of the primary school teachers towards artificial intelligence were more positive than the average in the overall scale and in the sub-dimensions, and that there was a significant difference in the acceptance sub-dimension in terms of gender, age, and Internet usage time variables. It is recommended that the developed scale be applied in different sample groups and compared with different variables.

Özet

Araştırmanın amacı, öğretmenlerin yapay zekâya karşı tutumlarını belirlemeye yönelik geçerli ve güvenilir bir ölçek geliştirmek ve geliştirilen ölçeği kullanarak gerçekleştirilen uygulama sonuçlarına dayalı betimleme yapmaktır. Bu amaç doğrultusunda yürütülen araştırmada, nicel araştırma yöntemlerinden biri olan tarama deseni kullanılmıştır. Araştırma iki aşamada gerçekleştirilmiştir. İlk aşamada araştırma konusuna yönelik ölçek geliştirilerek ikinci aşamada geliştirilen ölçek uygulanmıştır. Araştırmanın örneklemi uygun örnekleme yöntemi ile belirlenmiştir. Birinci aşamada, oluşturulan taslak ölçek 468 öğretmene uygulanmış ve yapı geçerliğinin sağlanabilmesi amacıyla açımlayıcı ve doğrulayıcı faktör analizleri yapılmıştır. Ölçeğin Cronbach alfa güvenirlik katsayıları ölçek genelinde .90, kaçınma alt boyutunda .89, kabullenme alt boyutunda .87 olarak hesaplanmıştır. Analizler sonucunda, yapay zekâ teknolojisine ilişkin öğretmen tutumlarını belirlemeye yönelik 5’li Likert tipinde, 14 maddelik ve 2 alt boyutlu bir ölçek geliştirilmiştir. Yapay Zekâ Tutum Ölçeği’nin geçerli ve güvenilir bir ölçek olduğu sonucuna ulaşılmıştır. Geliştirilen ölçek 243 sınıf öğretmenine uygulanarak veri toplanmıştır. Toplanan verilerin betimlenmesinde normal dağılıma yakın olmasından dolayı parametrik testler kullanılmıştır. Betimleme süreci sonunda sınıf öğretmenlerinin yapay zekâya ilişkin tutum puanlarının, ölçek genelinde ve alt boyutlarda ortalamanın üzerinde olumlu yönde olduğu ve kabullenme alt boyutunda cinsiyet, yaş, internet kullanım süresi değişkenleri açısından anlamlı farklılaştığı görülmüştür. Geliştirilen ölçeğin farklı örneklem gruplarında ve farklı değişkenlerle karşılaştırılarak uygulanması önerilmektedir.

🔖

Cite This Article

Adıgüzel, S., Karalı, Y. (2026). Artificial Intelligence Attitude Scale for Teachers: Development and Implementation Study. Türk Eğitim Bilimleri Dergisi, Cilt: 24 Sayı: 2, 1750–1784. https://doi.org/10.37217/tebd.1756320

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (87)

  1. Acem, Y., Arslantaş, K., Bişirici, M., & Erdoğan, K. (2024). Öğretmenlerin eğitimde yapay zekâ kullanımına yönelik tutumlarının incelenmesi. International Journal of New Trends in Education and Social Sciences, 1(2), 12-23.
  2. Acet, İ., Şensiz, N., Bilir, S., Ciğerci, Ü., Çirişoğlu, M., & Yeşil, S. (2024). İlkokul öğretmenlerinin yapay zekâya ilişkin tutumlarının çeşitli değişkenler açısından incelenmesi: Kastamonu örneği. International Journal of Social and Humanities Sciences Research (JSHSR), 11(112), 2055–2062. https://doi.org/10.5281/zenodo.14028429
  3. Akdeniz, M. & Özdinç, F. (2021). Eğitimde yapay zeka konusunda Türkiye adresli çalışmaların incelenmesi. Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 18(1), 912-932. https://doi.org/10.33711/yyuefd.938734
  4. Akkaya, B., Özkan, A., & Özkan, H. (2021). Yapay Zeka Kaygı (YZK) Ölçeği: Türkçeye uyarlama, geçerlik ve güvenirlik çalışması. Alanya Akademik Bakış, 5(2), 1125-1146. https://doi.org/10.29023/alanyaakademik.833668
  5. Aksekili, E. & Kan, A. (2024). Öğretmenlerin eğitimde yapay zekâ kullanımına yönelik tutum ölçeği geliştirme: geçerlik ve güvenirlik çalışması. 21. Yüzyılda Eğitim ve Toplum, 13(39), 525-542.
  6. Alan, B., Keçeci, G., & Kırbağ-Zengin, F. (2025). Öğretmenler için Yapay Zekâ Tutum Ölçeği: Geçerlik ve güvenirlik çalışması. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, (63), 120-149. https://doi.org/10.9779/pauefd.1418456
  7. Alanoğlu, M. & Karabatak, S. (2020). Eğitimde yapay zeka. F. Güçlü-Yılmaz & M. Naillioğlu-Kaymak (Ed.), Eğitim Araştırmaları-2020 (1. b.) içinde (s. 175-185). EYUDER. https://www.researchgate.net/publication/349466617 sayfasından erişilmiştir.
  8. Aleamoni, L. M. (1974). The relation of sample size to the number of variables in using factor analysis techniques. Educational and Psychological Measurement, 36(4), 879-883.
  9. Arslan, K. (2020). Eğitimde yapay zeka ve uygulamaları. Batı Anadolu Eğitim Bilimleri Dergisi, 11(1), 71-88.
  10. Aruğaslan, E. & Çivril, H. (2021). Türkiye’de eğitim alanında yapılan veri madenciliği ve yapay zeka çalışmaları. Uluslararası Teknolojik Bilimler Dergisi, 13(2), 81-89.
  11. Aslan, S. (2015). Üniversite Yaşamına Uyum Ölçeği’nin geliştirilmesi. Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 30(4), 132-145.
  12. Athanasios, S. & Ioannidou, R. (2012). Artificial intelligence in special education: A decade review. International Journal of Engineering Education, 28(6), 1366-1372.
  13. Avcı, H. E. & Günay, U. İ. (2024). Sosyal bilgiler öğretmen adaylarının yapay zekâ tutumları: Çanakkale Onsekiz Mart Üniversitesi örneği. Route Educational & Social Science Journal, 11(4), 162-172. https://doi.org/10.17121/ressjournal.3567
  14. Banaz, E. & Maden, S. (2024). Türkçe öğretmen adaylarının yapay zekâ tutumlarının farklı değişkenler açısından incelenmesi. Trakya Eğitim Dergisi, 14(2), 1173-1180.
  15. Bentler, P. M. (2005). EQS 6 Structural equations program manual. Multivariate Software.
  16. Brown, J. D. (2016). Statistics corner: Questions and answers about language testing statistics. JALT Testing and Evaluation Special Interest Group. https://cir.nii.ac.jp/crid/1970023484927078812 sayfasından erişilmiştir.
  17. Browne, M. W. & Cudeck, R. (1993). Testing structural equation models. K. A. Bollen & J. S. Long (Ed.), Alternative ways of assessing model fit (Sayı 2) içinde (s. 136-162). Sage. https://doi.org/10.1177/0049124192021002005
  18. Bryman, A. & Cramer, D. (2001). Quantitative analysis with SPSS release 10 for windows: A guide for social scientists. Routledge. https://doi.org/10.4324/9780203498187
  19. Büyüköztürk, S. (2020). Sosyal bilimler için veri analizi el kitabı: İstatistik, araştırma deseni, SPSS uygulamaları ve yorum (28. b.). Pegem Akademi.
  20. Büyüköztürk, S., Kılıç-Çakmak, E., Akgün, Ö. E., Karadeniz, Ş., & Demirel, F. (2024). Bilimsel araştırma yöntemleri (35. b.). Pegem Akademi.
  21. Büyüköztürk, Ş. (2002). Faktör analizi: Temel kavramlar ve ölçek geliştirmede kullanımı. Kuram ve Uygulamada Eğitim Yönetimi, 32(32), 470-483.
  22. Can, A. (2023). SPSS ile bilimsel araştırma sürecinde veri analizi (11. b.). Pegem Akademi.
  23. Cevahir, E. (2020). SPSS ile nicel veri analizi rehberi. Kibele.
  24. Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial intelligence trends in education: A narrative overview. Procedia Computer Science, 136, 16-24. https://doi.org/10.1016/j.procs.2018.08.233
  25. Child, D. (2006). The essentials of factor analysis. A&C Black.
  26. Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Lawrence Erlbaum.
  27. Coşkun, F. & Gülleroğlu, H. D. (2021). Geçmişten günümüze yapay zekanın gelişimi ve eğitim alanında kullanılması. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 54(3), 947-966. https://doi.org/10.30964/auebfd.916220
  28. Çağatay, T. (2017). Alan Turing’in toplumbilimsel düşünü: Toplumsal bir düş olarak yapay zekâ. Ankara Üniversitesi Dil ve Tarih-Coğrafya Fakültesi Dergisi, 57(2), 1340-1364. https://doi.org/10.1501/dtcfder_0000001565
  29. Çelebi, C., Yılmaz, F., Demir, U., & Karakuş, F. (2023). Artificial intelligence literacy: An adaptation study. Instructional Technology and Lifelong Learning, 4(2), 291-306. https://doi.org/10.52911/itall.1401740
  30. Çetin, M. & Aktaş, A. (2021). Yapay zeka ve eğitimde gelecek senaryoları. OPUS Uluslararası Toplum Araştırmaları Dergisi, 18(11), 4225-4268. https://doi.org/10.26466/opus.911444
  31. Çetin, O. (2016). Pedagojik formasyon programı ile lisans eğitimi fen bilimleri öğretmen adaylarının dijital okuryazarlık düzeylerinin incelenmesi. Erzincan Üniversitesi Eğitim Fakültesi Dergisi, 18(2), 658-685.
  32. Çokluk, O., Şekercioğlu, G., & Büyüköztürk, S. (2014). Sosyal bilimler için çok değişkenli istatistik: SPSS ve LISREL uygulamaları. Pegem Akademi.
  33. DeVellis, R. F. & Thorpe, C. T. (2021). Scale development: Theory and applications. Sage.
  34. Ergin, D. Y. (1995). Ölçeklerde geçerlik ve güvenirlik. M. Ü. Atatürk Eğitim Fakültesi Eğitim Bilimleri Dergisi, 7, 125-148.
  35. Erkuş, A. (2025). Psikolojide ölçme ve ölçek geliştirme-I: Temel kavramlar ve işlemler. Pegem Akademi.
  36. Ferikoğlu, D. & Akgün, E. (2022). An investigation of teachers’ artificial intelligence awareness: A scale development study. Malaysian Online Journal of Educational Technology, 10(3), 215-231. https://doi.org/10.52380/mojet.2022.10.3.407
  37. Fidan, M. & Cura-Yeleğen, H. (2022). Öğretmenlerin dijital yeterliklerinin çeşitli değişkenler açısından incelenmesi ve dijital yeterlik gereksinimleri. Ege Eğitim Dergisi, 23(2), 150-170. https://doi.org/10.12984/egeefd.1075367
  38. Field, A. P. (2024). Discovering statistics using IBM SPSS statistics (6. b.). Sage. https://api.semanticscholar.org/CorpusID:60808716 sayfasından erişilmiştir.
  39. Finney, S. J. & DiStefano, C. (2013). Non-normal and categorical data in structural equation modeling. G. R. Hancock & R. O. Mueller (Ed.), Structural equation modeling: A second course (2. b.) içinde (s. 439–492). IAP Information Age.
  40. Fishbein, M. & Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Addison-Wesley.
  41. Fornell, C. & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
  42. Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to design and evaluate research in education (9. b.). McGraw-Hill.
  43. Guilford, J. P. (1954). Psychometric methods (2. b.) McGraw-Hill.
  44. Gürbüz, S. (2024). Amos ile yapısal eşitlik modellemesi temel ilkeler ve uygulamalı analizler (3. b.). Seçkin.
  45. Haenlein, M. & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5-14. https://doi.org/10.1177/0008125619864925
  46. Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191-205.
  47. Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179-185.
  48. İşler, B. & Kılıç, M. Y. (2021). Eğitimde yapay zeka kullanımı ve gelişimi. Electronic Journal of New Media, 5(1), 1-11. https://doi.org/10.17932/iau.ejnm.25480200.2021/ejnm_v5i1001
  49. Jackson, D. L., Gillaspy, J. A., & Purc-Stephenson, R. (2009). Reporting practices in confirmatory factor analysis: An overview and some recommendations. Psychological Methods, 14(1), 6-23. https://doi.org/10.1037/a0014694
  50. Karagöz, Y. (2019). SPSS - AMOS - META Uygulamalı istatistiksel analizler (2. b.). Nobel Akademi.
  51. Karaoğlan-Yılmaz, F. G. & Yılmaz, R. (2023). Yapay zekâ okuryazarlığı ölçeğinin Türkçeye uyarlanması. Bilgi ve İletişim Teknolojileri Dergisi, 5(2), 172-190. https://doi.org/10.53694/bited.1376831
  52. Karasar, N. (2023). Bilimsel araştırma yöntemi: Kavramlar, ilkeler, teknikler (38. b.). Nobel Akademi.
  53. Kartal, M. & Bardakçı, S. (2018). SPSS ve AMOS Uygulamalı örneklerle güvenirlik ve geçerlik analizleri (1. b.). Akademisyen. https://doi.org/10.37609/akya.1623
  54. Kaya, F., Aydın, F., Schepman, A., Rodway, P., Yetişensoy, O., & Demir-Kaya, M. (2022). The roles of personality traits, AI anxiety, and demographic factors in attitudes toward artificial intelligence. International Journal of Human-Computer Interaction, 40(2), 497-514. https://doi.org/10.1080/10447318.2022.2151730
  55. Kim, H. Y. (2013). Statistical notes for clinical researchers: Assessing normal distribution using skewness and kurtosis. Restorative Dentistry & Endodontics, 38(1), 52-54. https://doi.org/10.5395/rde.2013.38.1.52
  56. Kline, R. B. (2023). Principles and practice of structural equation modeling. Guilford.
  57. Kol, S. (2012). Okul öncesi eğitimde teknolojik araç-gereç kullanımına yönelik tutum ölçeği geliştirilmesi. Kastamonu Eğitim Dergisi, 20(2), 543-554.
  58. Komalavalli, K., Hemalatha, R., & Dhanalakshmi, S. (2020). A survey of artificial intelligence in smart phones and its applications among the students of higher education in and around chennai city. Shanlax International Journal of Education, 8(3), 89-95. https://doi.org/10.34293/education.v8i3.2379
  59. Kreps, G. L. & Neuhauser, L. (2013). Artificial intelligence and immediacy: Designing health communication to personally engage consumers and providers. Patient Education and Counseling, 92(2), 205-210. https://doi.org/10.1016/j.pec.2013.04.014
  60. Kuprenko, V. (2020). Artificial intelligence in education: Benefits, challenges, and use cases. https://pub.towardsai.net/artificial-intelligence-in-education-benefits-challenges-and-use-cases-db52d8921f7a sayfasından erişilmiştir.
  61. Mart, M. & Kaya, G. (2024). Okul öncesi öğretmen adaylarının yapay zekâya yönelik tutumları ve yapay zekâ okur yazarlığı arasındaki ilişkinin incelenmesi. Edutech Research, 2(1), 91-109.
  62. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence. AI Magazine, 12-14.
  63. Naviyev, V. & Erümit, A. K. (2021). Yapay zekanın temelleri. V. Naviyev & A. K. Erümit (Ed.), Eğitimde yapay zeka kuramdan uygulamaya (2. b.) içinde (s. 2-37). Pegem Akademi. https://doi.org/10.14527/9786257052986 Nunnally, J. (1978). Psychometric methods. McGraw-Hill.
  64. Özerbaş, M. A. & Kuralbayeva, A. (2018). Türkiye ve Kazakistan öğretmen adaylarının dijital okuryazarlık düzeylerinin değerlendirilmesi. Muğla Sıtkı Koçman Üniversitesi Eğitim Fakültesi Dergisi, 5(1), 16-25. https://doi.org/10.21666/muefd.314761
  65. Polatgil, M. & Güler, A. (2023). Yapay zekâ okuryazarlığı ölçeğinin Türkçe’ye uyarlanması. Sosyal Bilimlerde Nicel Araştırmalar Dergisi, 3(2), 99-114.
  66. Popenici, S. A. D. & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(1), 1-13. https://doi.org/10.1186/s41039-017-0062-8
  67. Rosenberg, M. J. & Hovland, C. I. (1960). Cognitive, affective, and behavioral components of attitudes. M. J. Rosenberg & C. I. Hovland (Ed.), Attitude organization and change: An analysis of consistency among attitude components içinde (s. 1-14). Yale University.
  68. Sarikaya, B. & Kavan, N. (2024). An investigation of Turkish teacher candidates’ attitudes towards artificial intelligence. Electronic Journal of Education Sciences, 3(26), 191-203. https://doi.org/10.55605/ejedus.1550010
  69. Scherer, R. F., Luther, D. C., Wiebe, F. A., & Adams, J. S. (1988). Dimensionality of coping: Factor stability using the ways of coping questionnaire. Psychological Reports, 62(3), 763-770. https://doi.org/10.2466/pr0.1988.62.3.763 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 Online, 8(2), 23-74.
  70. Schumacker, R. E. & Beyerlein, S. T. (2000). Confirmatory factor analysis with different correlation types and estimation methods. Structural Equation Modeling: A Multidisciplinary Journal, 7(4), 629-636. https://doi.org/10.1207/S15328007SEM0704_6
  71. Spector, J. M. & Ma, S. (2019). Inquiry and critical thinking skills for the next generation: From artificial intelligence back to human intelligence. Smart Learning Environments, 6(8), 1-11. https://doi.org/10.1186/s40561-019-0088-z
  72. Sümer, N. (2000). Yapısal eşitlik modelleri: Temel kavramlar ve örnek uygulamalar. Türk Psikoloji Yazıları, 3(6), 49-74.
  73. Şencan, H. (2005). Sosyal ve davranışsal ölçümlerde güvenirlik ve geçerlik. Seçkin.
  74. Tabachnick, B. G. & Fidell, L. S. (2012). Using multivariate statistics (6. b.). Pearson.
  75. Tamer, H. Y. & Övgün, B. (2020). Yapay zeka bağlamında dijital dönüşüm ofisi. Ankara Üniversitesi SBF Dergisi, 75(2), 775-803. https://doi.org/10.33630/ausbf.691119
  76. Tan, Ç., Ceylan, Y., & Öztürk, O. (2023). Öğretmenlerin yapay zekâya karşı tutumlarının incelenmesi. Akademik Sosyal Araştırmalar Dergisi, 10(67), 72-83. http://dx.doi.org/10.29228/SOBIDER.73772
  77. Tan, Ş. (2007). Öğretim ilke ve yöntemleri. Pegem Akademi. https://doi.org/10.14527/9786053185482
  78. Tavşancıl, E. (2014). Tutumların ölçülmesi ve SPSS ile veri analizi (5. b.). Nobel Akademi.
  79. Teng, X. (2019). Discussion about artificial intelligence’s advantages and disadvantages compete with natural intelligence. Journal of Physics: Conference Series, 1187(3), 1-7. https://doi.org/10.1088/1742-6596/1187/3/032083
  80. Terzi, R. (2020). An adaptation of artificial intelligence anxiety scale into Turkish: Reliability and validity study. International Online Journal of Education and Teaching (IOJET), 7(4), 1501-1515.
  81. Tezbaşaran, A. A. (2008). Likert tipi ölçek hazırlama kılavuzu (e-kitap). https://www.academia.edu/1288035/Likert_Tipi_%C3%96l%C3%A7ek_Haz%C4%B1rlama_K%C4%B1lavuzu?auto=download sayfasından erişilmiştir.
  82. Tor, D. & Yavuz, E. (2020). Development of perceived school effectiveness scale: Validity and reliability study. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 49, 506-529. https://doi.org/10.9779/pauefd.595719
  83. Turing, A. M. (1950). Computing machinery and intelligence. Mind, LIX(236), 433-460. https://doi.org/10.1093/mind/LIX.236.433
  84. Uzun, Y., Tümtürk, A. Y., & Öztürk, H. (2021). Günümüzde ve gelecekte eğitim alanında kullanılan yapay zeka. 1st International Conference on Applied Engineering and Natural Sciences’ta sunulmuş bildiri, 3 Kasım, Konya, Türkiye.
  85. Verma, M. (2018). Artificial intelligence and its scope in different areas with special reference to the field of education. International Journal of Advanced Educational Research, 3(1), 5-10.
  86. Wang, B., Rau, P. L. P., & Yuan, T. (2023). Measuring user competence in using artificial intelligence: Validity and reliability of artificial intelligence literacy scale. Behaviour and Information Technology, 42(9), 1324-1337. https://doi.org/10.1080/0144929X.2022.2072768
  87. West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications içinde (s. 56–75). Sage.