KaydedilenlerDerginizi ekleyin

Dergiler / KADEM Kadın Araştırmaları Dergisi / 2026 / Sayı: 1 Özel Sayı

Kadınların Dijital ve Yapay Zekâ Yetkinliklerinin Değerlendirilmesi: Uluslararası Yaklaşımlar, DYDA Modeli ve İlk Uygulama Deneyimi

Assessing Women’s Digital and Artificial Intelligence Competencies: International Approaches, the DYDA Model, and Initial Implementation Experience

Eda Kahraman0009-0006-8042-7814
Yasemin Dursun(Kadın ve Demokrasi Vakfı)0009-0001-7810-9984
Gökhan Dinç(Force&Brothers)0009-0008-0013-8356
Sayfa
284–325
Yayın Tarihi
2026-09-30
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular modelin program içi sınıflandırma ve yönlendirme işlevini somutlaştırmakta; ancak psikometrik geçerlik veya güvenirlik kanıtı oluşturmamaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Dijital teknolojiler ve yapay zekâ, kadınların çalışma yaşamına ve teknoloji aracılığıyla toplumsal yaşama katılımında yeni fırsatlar yaratırken, dijital ve yapay zekâ yetkinliklerinin nasıl değerlendirileceği önemli bir ölçme sorunu hâline gelmektedir.
📊
Temel Bulgular & Veri:Bu çalışma, dijital ve yapay zekâ yetkinliklerine ilişkin uluslararası çerçeve ve ölçme yaklaşımlarını kadın odaklı eğitim programları açısından bütünleştirerek Kadın ve Demokrasi Vakfı tarafından Yapay Zekâda Kadın Projesi kapsamında geliştirilen Dijital Yetkinlik Değerlendirme Aracı’nı (DYDA) incelemektedir.
💡
Sonuç & Katkı:Bulgular modelin program içi sınıflandırma ve yönlendirme işlevini somutlaştırmakta; ancak psikometrik geçerlik veya güvenirlik kanıtı oluşturmamaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Dijital yetkinlik · Yapay zekâ okuryazarlığı · Kadınlar ve teknoloji

Özet

Dijital teknolojiler ve yapay zekâ, kadınların çalışma yaşamına ve teknoloji aracılığıyla toplumsal yaşama katılımında yeni fırsatlar yaratırken, dijital ve yapay zekâ yetkinliklerinin nasıl değerlendirileceği önemli bir ölçme sorunu hâline gelmektedir. Bu çalışma, dijital ve yapay zekâ yetkinliklerine ilişkin uluslararası çerçeve ve ölçme yaklaşımlarını kadın odaklı eğitim programları açısından bütünleştirerek Kadın ve Demokrasi Vakfı tarafından Yapay Zekâda Kadın Projesi kapsamında geliştirilen Dijital Yetkinlik Değerlendirme Aracı’nı (DYDA) incelemektedir. Dijital yetkinlik çerçeveleri, yapay zekâ okuryazarlığı araçları, öz değerlendirme ve nesnel ölçüm çalışmaları ile kadınların teknolojik yetkinlik algılarına ilişkin araştırmalar birlikte değerlendirilmiştir. DYDA, altı yetkinlik alanını, öz değerlendirme ve bilgi testi katmanlarını, profil temelli soru seçimini ve eğitim yönlendirmesini bütünleştiren bir modeldir. İlk uygulamada değerlendirilen 226 kadın adayın %5,3’ü Temel, %44,2’si Gelişen ve %50,4’ü İleri düzeyde sınıflandırılmıştır. Bulgular modelin program içi sınıflandırma ve yönlendirme işlevini somutlaştırmakta; ancak psikometrik geçerlik veya güvenirlik kanıtı oluşturmamaktadır. Çalışma, DYDA’nın sonraki doğrulama aşamalarına ilişkin ölçme, adalet ve karşılaştırılabilirlik gerekliliklerini tartışmaktadır.

Abstract

Digital technologies and artificial intelligence create new opportunities for women’s participation in employment and technology-mediated social life, while making the assessment of digital and AI competencies an important measurement issue. This study brings together international frameworks and assessment approaches for digital and AI competencies in the context of training programs for women and examines the Digital Competence Assessment Tool (DYDA), developed by the Women and Democracy Foundation as part of the Women in Artificial Intelligence Project. Digital competence frameworks, AI literacy tools, studies of self-assessment and objective measurement, and research on women’s perceptions of technological competence were considered together. DYDA integrates six competence domains, self-assessment and knowledge-test layers, profile-based item selection, and training guidance. In the initial implementation, 5.3% of the 226 women applicants assessed were classified as Basic, 44.2% as Developing, and 50.4% as Advanced. The findings illustrate the model’s classification and guidance functions within the program but do not constitute evidence of psychometric validity or reliability. The study discusses the measurement, fairness, and comparability requirements for subsequent validation of DYDA.

🔖

Bu Makaleye Atıf Yap

Kahraman, E., Dursun, Y., Dinç, G. (2026). Kadınların Dijital ve Yapay Zekâ Yetkinliklerinin Değerlendirilmesi: Uluslararası Yaklaşımlar, DYDA Modeli ve İlk Uygulama Deneyimi. KADEM Kadın Araştırmaları Dergisi, Sayı: 1 Özel Sayı, 284–325. https://doi.org/10.21798/kadem.2026.225

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (36)

  1. Alam, K., & Imran, S. (2015). The digital divide and social inclusion among refugee migrants: A case in regional Australia. Information Technology & People, 28(2), 344–365. https://doi.org/10.1108/ITP-04-2014-0083
  2. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
  3. Bandura, A. (2006). Guide for constructing self-efficacy scales. In F. Pajares & T. Urdan (Eds.), Self-efficacy beliefs of adolescents (pp. 307–337). Information Age Publishing.
  4. Campion, M. A., Fink, A. A., Ruggeberg, B. J., Carr, L., Phillips, G. M., & Odman, R. B. (2011). Doing competencies well: Best practices in competency modeling. Personnel Psychology, 64(1), 225–262. https://doi.org/10.1111/ j.1744-6570.2010.01207.x
  5. Carolus, A., Koch, M. J., Straka, S., Latoschik, M. E., & Wienrich, C. (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: Artificial Humans, 1(2), 100014.
  6. Carretero, S., Vuorikari, R., & Punie, Y. (2017). DigComp 2.1: The digital competence framework for citizens with eight proficiency levels and examples of use. Publications Office of the European Union.
  7. Chiu, T. K. F., Chen, Y., Yau, K. W., Chai, C.-S., Meng, H., King, I., Wong, S., & Yam, Y. (2024). Developing and validating measures for AI literacy tests: From self-reported to objective measures. Computers and Education: Artificial Intelligence, 7, 100282.
  8. Christensen, M. A. (2023). Tracing the gender confidence gap in computing: A cross-national meta-analysis of gender differences in self-assessed technological ability. Social Science Research, 111, 102853.
  9. Clifford, I., Kluzer, S., Troia, S., Jakobsone, M., & Zandbergs, U. (2020). DigComp-SAT: A self-reflection tool for the European digital competence framework for citizens. Publications Office of the European Union.
  10. Cosgrove, J., & Cachia, R. (2025). DigComp 3.0: European digital competence framework (5th ed.). Publications Office of the European Union.
  11. DiMaggio, P., & Hargittai, E. (2001). From the “digital divide” to “digital inequality”: Studying Internet use as penetration increases (Working Paper No. 15). Princeton University, Center for Arts and Cultural Policy Studies.
  12. Dobransky, K., & Hargittai, E. (2006). The disability divide in internet access and use. Information, Communication & Society, 9(3), 313–334. https://doi.org/10.1080/13691180600751298
  13. Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Lawrence Erlbaum Associates.
  14. Ferrari, A. (2013). DIGCOMP: A framework for developing and understanding digital competence in Europe. Publications Office of the European Union.
  15. Friemel, T. N. (2016). The digital divide has grown old: Determinants of a digital divide among seniors. New Media & Society, 18(2), 313–331. https://doi.org/10.1177/1461444814538648
  16. Hargittai, E., & Shafer, S. (2006). Differences in actual and perceived online skills: The role of gender. Social Science Quarterly, 87(2), 432–448.
  17. Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112. https://doi.org/10.3102/003465430298487
  18. International Labour Organization. (2026). Gen AI, occupational segregation and gender equality in the world of work.
  19. Kluger, A. N., & DeNisi, A. (1996). The effects of feedback interventions on performance: A historical review, a meta-analysis, and a preliminary feedback intervention theory. Psychological Bulletin, 119(2), 254–284. https://doi.org/10.1037/0033-2909.119.2.254
  20. Lane, M. (2024). Who will be the workers most affected by AI? A closer look at the impact of AI on women, low-skilled workers and other groups (OECD Artificial Intelligence Papers No. 26). OECD Publishing.
  21. 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, 12, 100338. Lintner, T. (2024). A systematic review of AI literacy scales. npj Science of Learning, 9, 50.
  22. Litt, E. (2013). Measuring users’ internet skills: A review of past assessments and a look toward the future. New Media & Society, 15(4), 612–630.
  23. Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). Association for Computing Machinery.
  24. Maderick, J. A., Zhang, S., Hartley, K., & Marchand, G. (2016). Preservice teachers and self-assessing digital competence. Journal of Educational Computing Research, 54(3), 326–351.
  25. Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.
  26. Muszyński, M., Pokropek, A., Castaño-Muñoz, J., & Vuorikari, R. (2023). Can overclaiming technique improve self-assessment tools for digital competence? The case of DigCompSAT. Social Science Computer Review, 41(6), 2318–2341.
  27. 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, 100041.
  28. OECD. (2024). Algorithm and Eve: How AI will impact women at work. OECD Publishing.
  29. Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71–90.
  30. Schwarz, S., Bieg, T., Svecnik, E., Schmölz, A., Geppert, C., & Gerdenitsch, C. (2024). Digital Competence Scale (DCS): A short self-assessment instrument for measuring digital competences. Nordic Journal of Digital Literacy, 19(3), 126–143.
  31. Van de Vijver, F., & Tanzer, N. K. (2004). Bias and equivalence in cross-cultural assessment: An overview. European Review of Applied Psychology, 54(2), 119–135. https://doi.org/10.1016/j.erap.2003.12.004
  32. van Dijk, J. A. G. M. (2020). The digital divide. Polity Press.
  33. Vuorikari, R., Kluzer, S., & Punie, Y. (2022a). DigComp 2.2: The digital competence framework for citizens—With new examples of knowledge, skills and attitudes. Publications Office of the European Union.
  34. Vuorikari, R., Jerzak, N., Karpinski, Z., Pokropek, A., & Tudek, J. (2022b). Measuring digital skills across the EU: Digital Skills Indicator 2.0. Publications Office of the European Union.
  35. Wainer, H., Dorans, N. J., Eignor, D. R., Flaugher, R. L., Green, B. F., Mislevy, R. J., Steinberg, L., & Thissen, D. (2000). Computerized adaptive testing: A primer (2nd ed.). Lawrence Erlbaum Associates.
  36. Whelan, A., Brosnan, L., & McGuinness, S. (2026). The gender gap in digital skills at work (IZA Discussion Paper No. 18675). IZA Institute of Labor Economics.