SavedAdd your journal

Journals / Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi / 2026 / Cilt: 16 Sayı: 1

Geography students' attitudes towards artificial intelligence and usage trends: Scale development and application

Coğrafya öğrencilerinin yapay zekâya yönelik tutum ve kullanım eğilimleri: Ölçek geliştirme ve uygulama

Büşra Eraslan(İSTANBUL ÜNİVERSİTESİ)0000-0003-1822-2368
Hasan İçen(NEVŞEHİR HACI BEKTAŞ VELİ ÜNİVERSİTESİ)0000-0003-3453-1240
Pages
141–160
Publication Date
2026-03-26
🏛️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)

The findings revealed a three-factor structure—Skill Development and Behavioral Intention, Perceived Usefulness and Ease of Use, and Perceived Lack of Support—comprising a total of 11 items.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The epistemological transformation driven by artificial intelligence (AI) technologies in education necessitates a systematic investigation of students’ attitudes and usage tendencies toward these tools.
📊
Key Findings & Data:Data were collected from a sample of 275 students enrolled in geography departments at three universities.
💡
Conclusion & Impact:The findings revealed a three-factor structure—Skill Development and Behavioral Intention, Perceived Usefulness and Ease of Use, and Perceived Lack of Support—comprising a total of 11 items.
🔬Design:Lab & Field Experiment
📍Scope:Comprehensive Sample
⚙️Variables:Yapay Zeka · Coğrafya Eğitimi · Tutum

Abstract

The epistemological transformation driven by artificial intelligence (AI) technologies in education necessitates a systematic investigation of students’ attitudes and usage tendencies toward these tools. Due to its interdisciplinary nature, the field of geography education requires a deeper understanding of students’ adaptation to such technologies. This study aims to develop a valid and reliable scale to measure the attitudes and usage tendencies of undergraduate geography students in Turkey toward AI technologies. The research, designed within the descriptive survey model, involved item pool generation, expert validation, pilot testing, Exploratory Factor Analysis (EFA), Confirmatory Factor Analysis (CFA), and reliability analyses. Data were collected from a sample of 275 students enrolled in geography departments at three universities. The findings revealed a three-factor structure—Skill Development and Behavioral Intention, Perceived Usefulness and Ease of Use, and Perceived Lack of Support—comprising a total of 11 items. Cronbach’s alpha coefficients ranged from .709 to .914, while CFA fit indices were χ²/df = 2.61, CFI = .962, TLI = .945, and RMSEA =.076. The developed instrument provides a robust methodological tool for future research on AI integration in geography education.

Özet

Yapay zekâ teknolojilerinin eğitimde yarattığı epistemolojik dönüşüm, öğrencilerin bu araçlara yönelik tutumlarının sistematik biçimde incelenmesini zorunlu kılmaktadır. Coğrafya eğitiminin disiplinler arası doğası, bu teknolojilere yönelik adaptasyon sürecini daha da önemli hâle getirmektedir. Bu çalışma, Türkiye'deki üç üniversitenin coğrafya bölümlerinde öğrenim gören toplam 275 lisans öğrencisiyle, yapay zekâya yönelik tutum ve kullanım eğilimlerini ölçmeye yönelik geçerli ve güvenilir bir ölçek geliştirmeyi amaçlamaktadır. Betimsel tarama modeli kapsamında yürütülen araştırma; madde havuzu oluşturma, uzman görüşüyle içerik geçerliği sağlama, pilot uygulama, Açımlayıcı Faktör Analizi (AFA), Doğrulayıcı Faktör Analizi (DFA) ve güvenirlik analizlerini kapsamaktadır. Bulgular, üç faktörlü bir yapı (Beceri Gelişimi ve Davranışsal Niyet, Algılanan Yarar ve Kullanım Kolaylığı, Algılanan Destek Eksikliği) ve 11 maddelik bir ölçek ortaya koymuştur. Cronbach’s Alpha katsayıları .709 ile .914 arasında değişirken, DFA uyum indeksleri χ²/sd = 2.61, CFI = .962, TLI = .945 ve RMSEA = .076 olarak tespit edilmiştir. Geliştirilen ölçek, coğrafya eğitimi özelinde yapay zekâ entegrasyonunu analiz edecek araştırmalara güçlü bir metodolojik araç sunmaktadır.

🔖

Cite This Article

Eraslan, B., İçen, H. (2026). Geography students' attitudes towards artificial intelligence and usage trends: Scale development and application. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, Cilt: 16 Sayı: 1, 141–160. https://doi.org/10.30783/nevsosbilen.1749888

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (53)

  1. Akdeniz, M., & Özdinç, F. (2021). Eğitimde yapay zekâ konusunda Türkiye adresli çalışmaların incelenmesi [Analyzing Turkish studies on artificial intelligence in education]. Van Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 18(1), 912–932. https://doi.org/10.33711/yyuefd.938734
  2. Akkaya, B., Özkan, A., & Özkan, H. (2021). Yapay zekâ kaygı (YZK) ölçeği: Türkçeye uyarlama, geçerlik ve güvenirlik çalışması. Alanya Akademik Bakış, 5(2), 1125–1146. https://doi.org/10.29023/alanyaakademik.833668
  3. Aksu, G., Eser, M. T., & Güzeller, C. O. (2017). Açımlayıcı ve doğrulayıcı faktör analizi ile yapısal eşitlik modeli uygulamaları. Detay Yayıncılık.
  4. Al Darayseh, A. (2023). Acceptance of artificial intelligence in teaching science: Science teachers' perspective. Computers and Education: Artificial Intelligence, 4, Article 100132. https://doi.org/10.1016/j.caeai.2023.100132
  5. Alan, B., Zengin, F., & Keçeci, G. (2024). Yapay zekâ tutum ölçeği (YZTÖ): Geçerlik ve güvenirlik çalışması. Cumhuriyet Uluslararası Eğitim Dergisi, 13(4), 789–800. https://doi.org/10.30703/cije.1327949
  6. Arslan, K. (2020). Eğitimde yapay zekâ ve uygulamaları [Artificial intelligence and applications in education]. Batı Anadolu Eğitim Bilimleri Dergisi, 11(1), 71–88.
  7. Ateş, V. (2025). Üniversite öğrencilerinin yapay zekâ okuryazarlık düzeylerinin bazı demografik değişkenlere göre incelenmesi. Türk Eğitim Bilimleri Dergisi, 23(2), 1931–1954. https://doi.org/10.37217/tebd.1688486
  8. Banaz, E., & Maden, S. (2024). Türkçe öğretmen adaylarının yapay zekâ tutumlarının farklı değişkenler açısından incelenmesi [Investigation of Turkish pre-service teachers' artificial intelligence attitudes in terms of different variables]. Trakya Eğitim Dergisi, 14(2), 1173–1180. https://doi.org/10.24315/tred.1430419
  9. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, Article 149. https://doi.org/10.3389/fpubh.2018.00149
  10. Brown, T. A. (2015). Confirmatory factor analysis for applied research. Guilford Publications.
  11. Chiu, T. K. (2021). A holistic approach to the design of artificial intelligence (AI) education for K–12 schools. TechTrends, 65(5), 796–807. https://doi.org/10.1007/s11528-021-00637-1
  12. Chiu, T. K., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2022). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computers and Education: Artificial Intelligence, 4, Article 100118. https://doi.org/10.1016/j.caeai.2022.100118
  13. Çakan, M., & Akın, A. (2024). Yapay zekâ tutum ve değişime hazır olma: İki ölçek uyarlama çalışması. Econder Uluslararası Akademik Dergi, 8(2), 137–167. https://doi.org/10.35342/econder.1544898
  14. Çetin, M., & Aktaş, A. (2021). Yapay zekâ ve eğitimde gelecek senaryoları [Artificial intelligence and future scenarios in education]. OPUS International Journal of Society Researches, 18(Eğitim Bilimleri Özel Sayısı), 4225–4268. https://doi.org/10.26466/opus.911444
  15. Çokluk, Ö., Şekercioğlu, G., & Büyüköztürk, Ş. (2012). Sosyal bilimler için çok değişkenli istatistik: SPSS ve LISREL uygulamaları (2. baskı). Pegem Akademi.
  16. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
  17. DeVellis, R. F. (2017). Scale development: Theory and applications (4th ed.). SAGE Publications.
  18. Dülger, E. D., & Gümüşeli, A. İ. (2023). Okul müdürleri ve öğretmenlerin eğitimde yapay zekâ kullanılmasına ilişkin görüşleri [Opinions of school principals and teachers on the use of artificial intelligence in education]. ISPEC International Journal of Social Sciences & Humanities, 7(1), 133–153. https://doi.org/10.5281/zenodo.7766578
  19. Dülger, E. D., & Köklü, M. (2023). Okul yöneticilerinin ve öğretmenlerin eğitimde yapay zekâ kullanımına ilişkin görüşlerini belirlemeye yönelik bir ölçek geliştirme çalışması. ISPEC International Journal of Social Sciences & Humanities, 7(1), 154–174. https://doi.org/10.5281/zenodo.7767140
  20. Elçiçek, M. (2024). Öğrencilerin yapay zekâ okuryazarlığı üzerine bir inceleme. Bilgi ve İletişim Teknolojileri Dergisi, 6(1), 24–35. https://doi.org/10.53694/bited.1460106
  21. Erdoğdu, F., & Çakır, O. (2024). Öğretmen adaylarının yapay zekâ okuryazarlıklarının ve yapay zekâya ilişkin algılarının belirlenmesi [Determination of pre-service teachers' artificial intelligence literacy and their perceptions of artificial intelligence]. Uluslararası Türk Kültür Coğrafyasında Sosyal Bilimler Dergisi, 9(2), 63–95. https://doi.org/10.55107/turksosbilder.1594635
  22. Erkorkmaz, Ü., Etikan, İ., Demir, O., Özdamar, K., & Sanisoğlu, S. Y. (2013). Doğrulayıcı faktör analizi ve uyum indeksleri. Türkiye Klinikleri Journal of Medical Sciences, 33(1), 210–223. https://doi.org/10.5336/medsci.2011-26747
  23. Field, A. (2009). Discovering statistics using SPSS (3rd ed.). Sage Publications.
  24. Field, A. P. (2005). Discovering statistics using SPSS: (And sex, drugs and rock’n’roll). Sage.
  25. George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference (4th ed.). Allyn & Bacon.
  26. Gordon, B. M. (2011). Artificial intelligence: Approaches, tools and applications. Nova Science Publishers.
  27. Gülersoy, A. E., & Turan, S. (2024). Çevre etiği yaklaşımları ölçeği geliştirme: Geçerlik ve güvenirlik çalışması. Uluslararası Sosyal Bilimler Eğitimi Dergisi, 10(2), 64–97. https://doi.org/10.47615/issej.1539166
  28. 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
  29. Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121. https://doi.org/10.1177/109442819800100106
  30. Hooper, D., Coughlan, J., & Mullen, M. R. (2008). Structural equation modelling: Guidelines for determining model fit. Electronic Journal of Business Research Methods, 6(1), 53–60.
  31. Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
  32. İşler, B., & Kılıç, M. (2021). Eğitimde yapay zekâ kullanımı ve gelişimi [Use and development of artificial intelligence in education]. Yeni Medya Elektronik Dergisi, 5(1), 1–11. https://doi.org/10.17932/IAU.EJNM.25480200.2021/ejnm_v5i1001
  33. Kaman, Ş. (2025). Sınıf öğretmeni adaylarının dijital yeterlikleri ile yapay zekâ okuryazarlık düzeyleri arasındaki ilişki. Ahi Evran Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(2), 596–612. https://doi.org/10.31592/aeusbed.1663406
  34. Karacan, S. B., & Çiçek, Ş. (2024). İlahiyat Fakültesi öğrencilerinin yapay zekâ okuryazarlık düzeyleri ile yapay zekâya yönelik tutumları. Dinbilimleri Akademik Araştırma Dergisi, 24(3), 259–292. https://doi.org/10.33415/daad.1577561
  35. Kayhan, R. F., Bardakçı, S., & Caz, Ç. (2020). Türk futbolunda video yardımcı hakem (VAR) uygulamasına yönelik tutum ölçeği geliştirilmesi [Development of an attitude scale for VAR application in Turkish football]. OPUS–Uluslararası Toplum Araştırmaları Dergisi, 16(27), 571–596. https://doi.org/10.26466/opus.673635
  36. Kline, P. (2014). An easy guide to factor analysis. Routledge.
  37. Kline, R. B. (2015). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
  38. Lei, H., Le, P. B., & Nguyen, H. T. H. (2017). How collaborative culture supports for competitive advantage: The mediating role of organizational learning. International Journal of Business Administration, 8(2), 73–85. https://doi.org/10.5430/ijba.v8n2p73
  39. Mahmoud, A. (2020). Artificial intelligence applications: An introduction to education development in the light of corona virus pandemic COVID-19 challenges. International Journal of Research in Educational Sciences, 3(4), 171–224. https://doi.org/10.29009/ijres.3.4.4
  40. 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. https://doi.org/10.1207/s15327574ijt0604_1
  41. Moor, J. (2006). The Dartmouth College Artificial Intelligence Conference: The next fifty years. AI Magazine, 27(4), 87. https://doi.org/10.1609/aimag.v27i4.1911
  42. Nabiyev, V. V. (2016). Yapay zekâ. Seçkin Yayıncılık.
  43. Nunnally, J. C. (1978). Psychometric theory (2nd ed.). McGraw-Hill.
  44. Obschonka, M., & Audretsch, D. B. (2020). Artificial intelligence and big data in entrepreneurship: A new era has begun. Small Business Economics, 55, 529–539. https://doi.org/10.1007/s11187-019-00202-4
  45. Okta, P. G., & İnce, N. (2025). Beslenme ve diyetetik bölümü öğrencilerinin yapay zekâ teknolojisine yönelik kaygı seviyesinin incelenmesi: Beslenme ve diyetetik öğrencilerinin yapay zekâ kaygısı. Ases Ulusal Sosyal Bilimler Dergisi, 5(1), 645–652. https://doi.org/10.5281/zenodo.15721194
  46. Rezaei, H., Saeed, A. F. M., Abdi, K., Ebadi, A., Ghanei Gheshlagh, R., & Kurdi, A. (2020). Translation and validation of the Farsi version of the pain management self-efficacy questionnaire. Journal of Pain Research, 13, 719–727. https://doi.org/10.2147/JPR.S246077
  47. Russell, S. J., & Norvig, P. (2016). Artificial intelligence: A modern approach (3rd ed.). Pearson.
  48. Seçer, İ. (2013). SPSS ve LISREL ile pratik veri analizi: Analiz ve raporlaştırma. Anı Yayıncılık.
  49. Sözen, K. K., & Aydin, B. N. (2024). Yapay zekâ: Hemşirelik öğrencilerinin kaygı ve tutumları. Journal of One Health Research, 3(2), 28–35. https://doi.org/10.5281/zenodo.15844858
  50. Süleymanoğulları, M., Özdemir, A., & Tekin, A. (2024). Yapay zekâ ölçeği: Geçerlik ve güvenirlik çalışması. Education Science and Sports, 6(1), 13–27.
  51. Tabachnick, B. G., & Fidell, L. S. (2000). Using multivariate statistics (4th ed.). Allyn and Bacon.
  52. Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806–838. https://doi.org/10.1177/0011000006288127
  53. Yıldız, E. P., & Soba, M. (2025). İşletme yönetiminde yenilikçi rekabet yaklaşımına yönelik yapay zekâ kullanımı: Bir ölçek geliştirme çalışması. Yükseköğretim ve Bilim Dergisi, 15(2), 235–245. https://doi.org/10.5961/higheredusci.1575142