KaydedilenlerDerginizi ekleyin

Dergiler / Hacettepe Sağlık İdaresi Dergisi / 2026 / Cilt: 29 Sayı: 3

YAPAY ZEKA KABUL ÖLÇEĞİNİN TÜRKÇEYE UYARLANMASI: HEKİMLER ÜZERİNE BİR ÇALIŞMA

TURKISH ADAPTATION OF THE ARTIFICIAL INTELLIGENCE ACCEPTANCE SCALE: A STUDY ON PHYSICIANS

Kaan Can Uyanık(HACETTEPE ÜNİVERSİTESİ)0000-0001-8158-7349
Gamze Yorgancıoğlu Tarcan(HACETTEPE ÜNİVERSİTESİ)0000-0002-5710-9547
Sayfa
661–686
Yayın Tarihi
2026-09-23
🏛️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)

Analiz bulguları, Türk hekimlerinin “güven” ve “şeffaflık” kavramlarını birbirinden ayrışmaz bir bütün olarak algıladığını (Güven ve Şeffaflık Boyutu) ve sisteme güvenmek için açıklanabilirliği ön koşul olarak gördüklerini ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yapay zeka (YZ) teknolojilerinin sağlık hizmetlerinde devrimsel bir dönüşüm yarattığı günümüzde, bu teknolojilerin başarısı yalnızca algoritmaların teknik gücüne değil, aynı zamanda hekimlerin bu sistemlere duyduğu güvene ve kabul düzeyine bağlıdır.
📊
Temel Bulgular & Veri:Bu gereksinimden hareketle gerçekleştirilen bu çalışma, Hameed vd., (2023) tarafından geliştirilen ve etik boyutları da içeren Yapay Zeka Kabul Ölçeği’ni Türkçeye uyarlamayı, geçerlilik ve güvenilirlik analizlerini yapmayı ve Türk hekimlerinin YZ algısının altında yatan faktör yapısını ortaya koymayı amaçlamaktadır.
💡
Sonuç & Katkı:Analiz bulguları, Türk hekimlerinin “güven” ve “şeffaflık” kavramlarını birbirinden ayrışmaz bir bütün olarak algıladığını (Güven ve Şeffaflık Boyutu) ve sisteme güvenmek için açıklanabilirliği ön koşul olarak gördüklerini ortaya koymuştur.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:2023 Verileri
⚙️Değişkenler:Yapay zeka · teknoloji kabulü · ölçek uyarlama

Özet

Yapay zeka (YZ) teknolojilerinin sağlık hizmetlerinde devrimsel bir dönüşüm yarattığı günümüzde, bu teknolojilerin başarısı yalnızca algoritmaların teknik gücüne değil, aynı zamanda hekimlerin bu sistemlere duyduğu güvene ve kabul düzeyine bağlıdır. Ancak literatürdeki standart teknoloji kabul modelleri, YZ’nin getirdiği “kara kutu” (şeffaflık eksikliği) ve “ikame krizi” gibi etik ve mesleki bariyerleri ölçmekte yetersiz kalmaktadır. Bu gereksinimden hareketle gerçekleştirilen bu çalışma, Hameed vd., (2023) tarafından geliştirilen ve etik boyutları da içeren Yapay Zeka Kabul Ölçeği’ni Türkçeye uyarlamayı, geçerlilik ve güvenilirlik analizlerini yapmayı ve Türk hekimlerinin YZ algısının altında yatan faktör yapısını ortaya koymayı amaçlamaktadır. Metodolojik bir araştırma olan çalışmanın verileri, İstanbul ve Ankara illerindeki kamu ve özel sağlık kuruluşlarında görev yapan 407 hekimden toplanmıştır. Ölçeğin yapı geçerliliğini test etmek için uygulanan ilk Doğrulayıcı Faktör Analizi (DFA) sonucunda, orijinal 9 boyutlu yapının Türk verisine tam uyum sağlamadığı (CFI<0,90) görülmüştür. Psikometrik açıdan yetersiz kalan "Sosyal Etki" boyutunun veri setinden çıkarılmasının ardından uygulanan Açımlayıcı Faktör Analizi (AFA) ile 8 boyutlu ve 30 maddelik kültüre özgü yeni bir yapı keşfedilmiştir. Analiz bulguları, Türk hekimlerinin “güven” ve “şeffaflık” kavramlarını birbirinden ayrışmaz bir bütün olarak algıladığını (Güven ve Şeffaflık Boyutu) ve sisteme güvenmek için açıklanabilirliği ön koşul olarak gördüklerini ortaya koymuştur. Ayrıca, orijinal ölçekte yer almayan “Denetim” boyutu bağımsız bir faktör olarak belirmiş; hekimlerin malpraktis kaygıları nedeniyle süreç üzerinde insani kontrol yetkisini şart koştukları saptanmıştır. Yeniden yapılandırılan bu 8 boyutlu model, nihai DFA ile yüksek uyum değerlerine (χ2/sd=2,357; RMSEA=0,058; CFI=0,927) ulaşarak doğrulanmıştır. Sonuç olarak bu çalışma, YZ kabulünün sadece teknik bir fayda meselesi olmadığını; şeffaflık, güven ve mesleki otonominin korunması temeline dayanan çok boyutlu bir süreç olduğunu kanıtlamış ve Türk literatürüne geçerli bir ölçüm aracı kazandırmıştır.

Abstract

In today's era where artificial intelligence (AI) technologies are creating a revolutionary transformation in healthcare services, the success of these technologies depends not only on the technical power of algorithms but also on the level of trust and acceptance physicians have in these systems. However, standard technology acceptance models in the literature fall short in measuring ethical and professional barriers introduced by AI, such as the "black box" (lack of transparency) problem and the "substitution crisis". Based on this necessity, this study aims to adapt the Artificial Intelligence Acceptance Scale, developed by Hameed et al. (2023) which includes ethical dimensions, into Turkish, to conduct validity and reliability analyses, and to reveal the factor structure underlying Turkish physicians' perception of AI. The data for this methodological research were collected from 407 physicians working in public and private healthcare institutions in Istanbul and Ankara. The initial Confirmatory Factor Analysis (CFA) conducted to test the construct validity of the scale revealed that the original 9-dimensional structure did not fully fit the Turkish data (CFI<0.90). Following the removal of the psychometrically inadequate "Social Influence" dimension, an Exploratory Factor Analysis (EFA) was applied, discovering an 8-dimensional, 30-item culture-specific new structure. The analysis findings demonstrated that Turkish physicians perceive the concepts of "trust" and "transparency" as an inseparable whole (Trust and Transparency Dimension) and view explainability as a prerequisite for trusting the system. Additionally, a "Human Oversight" (Control) dimension, which was not present in the original scale, emerged as an independent factor; it was determined that physicians demand human control authority over the process due to malpractice concerns. This restructured 8-dimensional model was confirmed with high fit indices (χ2/sd=2.357; RMSEA=0.058; CFI=0.927) in the final CFA. In conclusion, this study proved that AI acceptance is not merely a matter of technical utility but a multidimensional process based on transparency, trust, and the preservation of professional autonomy, thereby introducing a valid measurement tool to the Turkish literature.

🔖

Bu Makaleye Atıf Yap

Uyanık, K. C., Tarcan, G. Y. (2026). YAPAY ZEKA KABUL ÖLÇEĞİNİN TÜRKÇEYE UYARLANMASI: HEKİMLER ÜZERİNE BİR ÇALIŞMA. Hacettepe Sağlık İdaresi Dergisi, Cilt: 29 Sayı: 3, 661–686. https://doi.org/10.61859/hacettepesid.1890465

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (60)

  1. AbuShanab, E., & Pearson, J. M. (2007). Internet banking in Jordan: The unified theory of acceptance and use of technology (UTAUT) perspective. Journal of Systems and Information Technology, 9(1), 78–97. https://doi.org/10.1108/13287260710817700
  2. Akkurt, S. S. (2019). Yapay zekânın otonom davranışlarından kaynaklanan hukukî sorumluluk. Uyuşmazlık Mahkemesi Dergisi, (13), 39-59. https://doi.org/10.18771/mdergi.581875
  3. Bak, B. (2018). Medeni hukuk açısından yapay zekânın hukuki statüsü ve yapay zekâ kullanımından doğan hukuki sorumluluk. Türkiye Adalet Akademisi Dergisi, (35), 211-240. https://izlik.org/JA75AN48JH
  4. 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. https://doi.org/10.1016/0167-8116(95)00038-0
  5. Bhattacherjee, A., & Hikmet, N. (2007). Physicians’ resistance toward healthcare information technology: A theoretical model and empirical test. European Journal of Information Systems, 16(6), 725–737. https://doi.org/10.1057/palgrave.ejis.3000717
  6. Bollen, K. A. (1989). Structural equations with latent variables. John Wiley & Sons. https://doi.org/10.1002/9781118619179
  7. Brislin, R. W. (1970). Back-translation for cross-cultural research. Journal of Cross-Cultural Psychology, 1(3), 185–216. https://doi.org/10.1177/135910457000100301
  8. Browne, M. W., & Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological Methods & Research, 21(2), 230-258. https://doi.org/10.1177/0049124192021002005
  9. Byrne, B.M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming, Third Edition (3rd ed.). Routledge. https://doi.org/10.4324/9781315757421
  10. Castagno, S., & Khalifa, M. (2020). Perceptions of artificial ıntelligence among healthcare staff: A qualitative survey study. Frontiers in Artificial Intelligence, 3, 578983. https://doi.org/10.3389/frai.2020.578983
  11. Chau, P. Y., & Hu, P. J. H. (2002). Investigating healthcare professionals’ decisions to accept telemedicine technology: an empirical test of competing theories. Information & Management, 39(4), 297-311. https://doi.org/10.1016/S0378-7206(01)00098-2
  12. Chong, A. Y. L., Blut, M., & Zheng, S. (2022). Factors influencing the acceptance of healthcare information technologies: A meta-analysis. Information & Management, 59(3), 103604. https://doi.org/10.1016/j.im.2022.103604
  13. Cimperman, M., Makovec Brenčič, M., & Trkman, P. (2016). Analyzing older users' home telehealth services acceptance behavior—applying an Extended UTAUT model. International Journal of Medical Informatics, 90, 22–31. https://doi.org/10.1016/j.ijmedinf.2016.03.002
  14. Cochran, W. G. (1977). Sampling techniques (3rd ed.). John Wiley & Sons.
  15. 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
  16. Doll, W. J., Xia, W., & Torkzadeh, G. (1994). A confirmatory factor analysis of the end-user computing satisfaction instrument. MIS quarterly, 18(4), 453-461. https://doi.org/10.2307/249524
  17. Dwivedi, Y. K., Rana, N. P., Jeyaraj, A., Clement, M., & Williams, M. D. (2019). Re-examining the Unified Theory of Acceptance and Use of Technology (UTAUT): Towards a Revised Theoretical Model. Information Systems Frontiers, 21, 719–734. https://doi.org/10.1007/s10796-017-9774-y
  18. Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K.,. & Dean, J. (2019). A guide to deep learning in healthcare. Nature Medicine, 25(1), 24–29. https://doi.org/10.1038/s41591-018-0316-z
  19. Fan, W., Liu, J., Zhu, S., & Pardalos, P. M. (2018). Investigating the impacting factors for the healthcare professionals to adopt artificial intelligence-based medical diagnosis support system (AIMDSS). Annals of Operations Research, 294, 567–592. https://doi.org/10.1007/s10479-018-2818-y
  20. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312
  21. Gagnon, M. P., Talla, P. K., Simonyan, D., Godin, G., Labrecque, M., Ouimet, M., & Rousseau, M. (2014). Electronic health record acceptance by physicians: testing an integrated theoretical model. Journal of Biomedical Informatics, 48, 17-27. https://doi.org/10.1016/j.jbi.2013.10.010
  22. George, D., & Mallery, P. (2019). IBM SPSS Statistics 26 step by step: A simple guide and reference. Routledge. https://doi.org/10.4324/9780429056765
  23. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
  24. Hameed, B. Z., Naik, N., Ibrahim, S., Tatkar, N. S., Shah, M. J., Prasad, D., Hegde, P., Chlosta, P., Rai, B. P., & Somani, B. K. (2023). Breaking barriers: Unveiling factors influencing the adoption of artificial intelligence by healthcare providers. Big Data and Cognitive Computing, 7(2), 105. https://doi.org/10.3390/bdcc7020105
  25. 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. https://doi.org/10.1177/1094428104263675
  26. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
  27. Hertzog, M. A. (2008). Considerations in determining sample size for pilot studies. Research in Nursing & Health, 31(2), 180–191. https://doi.org/10.1002/nur.20247
  28. 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
  29. Jeng, D. J. F., & Tzeng, G. H. (2012). Social influence on the use of Clinical Decision Support Systems: Revisiting the Unified Theory of Acceptance and Use of Technology by the fuzzy DEMATEL technique. Computers & Industrial Engineering, 62(3), 819-828. https://doi.org/10.1016/j.cie.2011.12.016
  30. Johanson, G. A., & Brooks, G. P. (2010). Initial scale development: Sample size for pilot studies. Educational and Psychological Measurement, 70(3), 394–400. https://doi.org/10.1177/0013164409355692
  31. Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31-36. https://doi.org/10.1007/BF02291575
  32. Khanijahani, A., Iezadi, S., Gholipour, K., Azami-Aghdash, S., & Naghibi, D. (2022). A systematic review of adopting artificial intelligence in healthcare: The effect of organizational, professional, and patient characteristics. Health Policy and Technology, 11(1), 100602. https://doi.org/10.1016/j.hlpt.2022.100602
  33. Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
  34. Lancaster, G. A., Dodd, S., & Williamson, P. R. (2004). Design and analysis of pilot studies: Recommendations for good practice. Journal of Evaluation in Clinical Practice, 10(2), 307–312. https://doi.org/10.1111/j.2002.384.doc.x
  35. Lynn, M. R. (1986). Determination and quantification of content validity. Nursing Research, 35(6), 382–385. https://doi.org/10.1097/00006199-198611000-00017
  36. Malhotra, N. K. (2010). Marketing Research: An Applied Orientation (6th ed.). Upper Saddle River, NJ: Pearson/Prentice Hall.
  37. Mamalakis, M., de Vareilles, H., Murray, G. K., Lio, P., & Suckling, J. (2025, March). The explanation necessity for healthcare AI. In 2025 IEEE Symposium on Trustworthy, Explainable and Responsible Computational Intelligence (CITREx Companion) (pp. 1-5). IEEE. https://doi.org/10.1109/CITRExCompanion65208.2025.10981502
  38. Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734. https://doi.org/10.2307/258792
  39. McKnight, D. H. (2005). Trust in information technology. The Blackwell Encyclopedia of Management, 7, 329-331.
  40. Meydan, C. H., & Şeşen, H. (2011). Yapısal eşitlik modellemesi AMOS uygulamaları. Detay Yayıncılık.
  41. Monarch, R. M. (2021). Human-in-the-loop machine learning: Active learning and annotation for human-centered AI. Manning Publications.
  42. Nunnally, J. C. (1978). Psychometric theory (2nd ed.). McGraw-Hill.
  43. Scheetz, J., Rothschild, P., McGuinness, M., Hadoux, X., Soyer, H. P., Janda, M.,. & He, M. (2021). A survey of clinicians on the use of artificial intelligence in ophthalmology, dermatology, radiology and radiation oncology. Scientific Reports, 11(1), 5193. https://doi.org/10.1038/s41598-021-84698-5
  44. 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.
  45. Sharma, S., Mukherjee, S., Kumar, A., & Dillon, W. R. (2005). A simulation study to investigate the use of cutoff values for assessing model fit in covariance structure models. Journal of Business Research, 58(7), 935-943. https://doi.org/10.1016/j.jbusres.2003.10.007
  46. Shin, D. (2021). The effects of explainability and causability on perception, trust, and acceptance: Implications for explainable AI. International Journal of Human-Computer Studies, 146, 102551. https://doi.org/10.1016/j.ijhcs.2020.102551
  47. T.C. Cumhurbaşkanlığı. (2021). Ulusal yapay zekâ stratejisi 2021-2025. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi Başkanlığı ve Sanayi ve Teknoloji Bakanlığı, Ankara.
  48. Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.
  49. Thabane, L., Ma, J., Chu, R., Cheng, J., Ismaila, A., Rios, L. P.,. & Goldsmith, C. H. (2010). A tutorial on pilot studies: the what, why and how. BMC Medical Research Methodology, 10(1), 1. https://doi.org/10.1186/1471-2288-10-1
  50. Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
  51. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540
  52. Wadden, J. J. (2022). Defining the undefinable: the black box problem in healthcare artificial intelligence. Journal of Medical Ethics, 48(10), 764–768. https://doi.org/10.1136/medethics-2021-107529
  53. Walter, Z., & Lopez, M. S. (2008). Physician acceptance of information technologies: Role of perceived threat to professional autonomy. Decision Support Systems, 46(1), 206-215. https://doi.org/10.1016/j.dss.2008.06.004
  54. Ye, T., Xue, J., He, M., Gu, J., Lin, H., Xu, B., & Cheng, Y. (2019). Psychosocial factors affecting artificial intelligence adoption in health care in China: cross-sectional study. Journal Of Medical Internet Research, 21(10), e14316. https://doi.org/10.2196/14316
  55. Yıldız, Y. K., & Dinçer, H. (2021). Sağlık çalışanlarının bilgi teknolojileri ve yeniliklerine ilişkin davranışsal tutumunun Utaut-2 teorisiyle incelenmesi. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi, 10(4), 656-666. https://doi.org/10.37989/gumussagbil.904912
  56. Yorgancıoğlu Tarcan, G., & Çelik, Y. (2016). Hastane yöneticilerinin sağlık bilgi teknolojilerine yönelik tutumlarını etkileyen bireysel faktörlerin belirlenmesi. Hacettepe Sağlık İdaresi Dergisi, 19(1), 35-55.
  57. Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K.,. & Dean, J. (2019). A guide to deep learning in healthcare. Nature Medicine, 25(1), 24–29. https://doi.org/10.1038/s41591-018-0316-z
  58. Lancaster, G. A., Dodd, S., & Williamson, P. R. (2004). Design and analysis of pilot studies: Recommendations for good practice. Journal of Evaluation in Clinical Practice, 10(2), 307–312. https://doi.org/10.1111/j.2002.384.doc.x
  59. Scheetz, J., Rothschild, P., McGuinness, M., Hadoux, X., Soyer, H. P., Janda, M.,. & He, M. (2021). A survey of clinicians on the use of artificial intelligence in ophthalmology, dermatology, radiology and radiation oncology. Scientific Reports, 11(1), 5193. https://doi.org/10.1038/s41598-021-84698-5
  60. Thabane, L., Ma, J., Chu, R., Cheng, J., Ismaila, A., Rios, L. P.,. & Goldsmith, C. H. (2010). A tutorial on pilot studies: the what, why and how. BMC Medical Research Methodology, 10(1), 1. https://doi.org/10.1186/1471-2288-10-1