Eğitim Biliminin Geleceği: Yükseköğretimde Kendini Algılayan Akademik Performansın Tahmincileri olarak Üretken Yapay Zeka Kullanımı, Güven ve Bilişsel Yük

Özet

Bu çalışma, üretken yapay zeka kullanımı ve yapay zekaya olan güvenin, bilişsel yük yoluyla yükseköğretim öğrencileri arasında akademik performansı nasıl etkilediğini inceliyor. 390 öğrenciden alınan verilerde kısmi en küçük kare yapısal denklem modellemesi (PLS-SEM) kullanılarak, her iki faktörün de bilişsel yükü önemli ölçüde artırdığını, bunun performansı olumlu şekilde öngördüğünü ve etkilerini aracılık ettiğini ortaya koymaktadır.

Özet

Bu çalışma, yüksek öğrenim öğrencileri arasında üretken yapay zeka kullanımı, yapay zekaya olan güven, bilişsel yük ve akademik performans arasındaki karmaşık ilişkileri araştırmaktadır. Bilişsel yük teorisi ve güven literatürüne dayanan araştırma, öğrencilerin üretken yapay zeka araçlarına olan etkileşimlerinin ve bu sistemlere olan güvenlerinin akademik sonuçları nasıl etkilediğini inceliyor; bilişsel yük aracılık mekanizması olarak kullanılıyor. 390 yükseköğretim öğrencisinden oluşan katmanlı rastgele bir seçilmiş bir niceliksel kesitsel araştırma tasarımı uygulandı. Veriler, üretken yapay zeka kullanımını (insana özgü ve işlevsellik boyutları), bilişsel yük (içsel yük, gereksiz yük ve kendi algılama öğrenme) ve akademik performansı ölçen doğrulanmış ölçekler kullanılarak toplandı. Kısmi en küçük kare yapısal denklem modellemesi (PLS-SEM) ve bootstrapping prosedürleri (5.000 yeniden örnekleme) kullanılarak varsayımlanan doğrudan ve aracı ilişkiler test edilmiştir. Sonuçlar, üretken yapay zeka kullanımının (β = 0.34, p < 0.001) ve yapay zekaya olan güvenin (β = 0.28, p < 0.001) bilişsel yükle anlamlı pozitif ilişkili olduğunu ortaya koydu. Bilişsel yük de akademik performansla pozitif ilişkilendirildi (β = 0.52, p < 0.001). Ayrıca, bilişsel yük, üretken yapay zeka kullanımı ile akademik performans arasındaki ilişkiyi (β = 0.18, p < 0.001) ve yapay zekaya olan güven ile akademik performans arasındaki ilişkiyi (β = 0.15, p < 0.001) anlamlı şekilde aracılık eder. Model, akademik performanstaki varyansın %45'ini açıkladı ve PLS Predict yüksek tahmin gücünü doğruladı. Bulgular, bilişsel yük teorisini yapay zeka ile güçlendirilmiş öğrenme bağlamlarına genişletmekte ve bilişsel yükün, YZ ile ilgili faktörleri akademik sonuçlara bağlayan önemli bir açıklayıcı yol olarak işlev görebileceğini öne sürüyor. Pratikte çalışma, yapay zeka okuryazarlığını geliştirmenin, bilişsel yükü optimize eden öğrenme ortamlarının tasarlanmasının ve yapay zeka araç geliştirmede işlevsel güvenilirliğin önceliklendirilmesinin önemini vurguluyor. Bu çalışma, bilişsel yükün üretken yapay zeka kullanımı ve yapay zekaya olan güvenin akademik performansa dönüşmesinde önemli bir aracılık mekanizması olduğunu gösteren ampirik kanıtlar sunmaktadır.

Giriş

Üretken yapay zekanın (GenAI) hızlı ilerlemesi, yükseköğretimde bir paradigma değişimine yol açtı ve öğrencilerin bilgiye erişim, işleme ve inşa etme biçimlerini kökten^{değiştirdi 1}. ChatGPT, Gemini ve Claude gibi araçlar akademik ortamlara giderek daha fazla entegre olmuş; son tahminler üniversite öğrencilerinin %30'undan fazlasının bu teknolojileri dersle ilgili etkinliklerde düzenli olarak^{kullandığını gösteriyor 2}. Bu teknolojik devrim, yapay zeka entegrasyonunun öğrenme süreçlerini ve sonuçlarını nasıl etkilediğini anlamak isteyen eğitimciler, yöneticiler ve araştırmacılar için hem eşi benzeri görülmemiş fırsatlar hem de önemli zorluklar^{sunar 3}.

Üretken yapay zeka, kişiselleştirilmiş ders verme, anında geri bildirim ve artırılmış verimlilik potansiyeli sunarken, öğrenciler sadece yapay zeka tarafından üretilen bilgiyi pasif şekilde^{tüketmezler 4}. Bunun yerine, yapay zeka destekli öğrenme, öğrencilerin promptlar formüle etmesi, çıktıları değerlendirmesi, yapay zeka kaynaklı yanıtları dış kaynaklarla karşılaştırması, yapay zeka sistemlerine olan bağımlılıklarını kalibre etmesiyle ve makine üretimi içeriğini akademik görevlere entegre etmesiyle sürekli etkileşimli^{süreçleri içerir 5}. Bu etkileşimsel talepler, geleneksel teknoloji kullanım modellerinin ötesine geçen yeni bilişsel dinamikler getirir ve aynı zamanda bazı bilişsel yükleri azaltırken yeni bilişsel çaba ve aşırı yüklenme biçimleri yaratabilir. Bu endişelerin merkezinde, yapay zeka kullanımının öğrenmenin altında yatan bilişsel süreçleri nasıl etkilediği sorusu yer alıyor; bu soru ampirik literatürde büyük ölçüde incelenmemiştir. Bilişsel yük teorisi (CLT), bu soruları incelemek için sağlam bir teorik çerçeve sağlar. CLT, öğrenmenin çalışma hafızasının sınırlı kapasitesiyle sınırlı olduğunu ve etkili öğretim tasarımının üç tür bilişsel yükü yönetmesi gerektiğini öne sürer: içerik karmaşıklığından kaynaklanan içsel yük, kötü öğretim tasarımı nedeniyle oluşan gereksiz yük ve şema inşasına ve otomasyona yöneltilen alman yük^. 6. YZ destekli öğrenme ortamlarında bu ayrımlar özellikle belirgin^{hale gelir 7}. Üretken yapay zeka araçlarıyla etkileşimde bulunan öğrenciler, ders içeriğini aynı anda işlemeli, yapay zeka tarafından oluşturulan bilgileri doğruluk ve alaka açısından değerlendirmeli ve bilişsel talepleri önemli ölçüde artırabilecek çeşitli bilgi kaynaklarını entegre^{etmelidir 8}.

Önemli olarak, bilişsel yük teorisi, bilişsel yükü içsel, dışsal ve germane yükten oluşan çok boyutlu bir yapı olarak kavramsallaştırır ve bunların her biri öğrenmeyi farklı şekilde etkileyebilir⁹. İçsel yük, öğrenme materyalinin doğuştan gelen karmaşıklığından kaynaklanır, gereksiz yük ise etkisiz öğretim tasarımı veya alakasız işlem talepleri nedeniyle oluşan gereksiz bilişsel yükü yansıtır ve germane yük, şema inşası ve anlamlı öğrenme süreçleriyle ilişkili üretken bilişsel etkileşimi ifade eder. Bu nedenle, bilişsel yük aynı şekilde faydalı veya zararlı olarak yorumlanmamalıdır. İçsel ve german yük uygun koşullarda daha derin anlayışı desteklese de, aşırı aşırı yük sınırlı bilişsel kaynaklar tüketerek öğrenmeyi engelleyebilir.

Kullanım kalıplarının ötesinde, öğrencilerin yapay zeka sistemlerine olan güveni, insan-yapay zeka etkileşimini şekillendiren kritik psikolojik bir faktör olarak ortaya^{çıkar 10}. Temel güven çerçevelerine dayanarak, yapay zekaya güven iki farklı boyutta kavramsallaştırılabilir: insana özgü güven, iyilik, dürüstlük ve öngörülebilirlik algılarını kapsayan; ve işlevsellik güveni, teknolojinin güvenilirliği, yetkinliği ve güvenilirliğine olan güveni^{yansıtır 11}. Önceki araştırmalar, güvenin teknolojinin benimsenmesi ve devam eden kullanımının belirleyici olduğunu^{ortaya koymuştur 12}, ancak bilişsel sonuçları büyük ölçüde keşfedilmemiştir. Yapay zekaya olan güven ile bilişsel yük arasındaki ilişki teorik olarak karmaşıktır ve tekiz pozitif veya doğrusal olarak yorumlanmamalıdır^. Bir yandan, yapay zekaya uygun güven, öğrencileri yapay zeka tarafından üretilen içeriğe daha derin bir şekilde dahil olmaya, yanıtları değerlendirmek için bilişsel çaba harcamaya ve makine tarafından oluşturulan bilgiyi öğrenme görevlerine entegre etmeye teşvik^{edebilir 14}. YZ ile ilgili faktörler ile akademik performans arasındaki ilişki, eğitimciler ve kurumlar için nihai ilgi sonucunu^{temsil eder 15}. Akademik performans, eğitim araştırmalarında çeşitli şekillerde uygulanmıştır; bazı çalışmalar not^{ortalamaları 16} gibi nesnel ölçütler kullanırken, diğerleri öğrencilerin kendi algıladıkları akademik^{etkinliğe dayanmaktadır 17}. Kendi algılanan ölçümler, öğrencilerin öğrenme yetenekleri ve görev performansları hakkındaki metabiliştif farkındalığını yakalıyor; araştırmalar bunun gerçek akademik başarıyla güçlü şekilde^{ilişkilendirildiğini göstermiştir 18}. YZ ile güçlendirilmiş öğrenme bağlamlarında, öğrencilerin kendi öğrenmelerini nasıl algıladığını anlamak özellikle önemlidir; çünkü bu algılar, yapay zeka araçları ve öğrenme stratejileriyle sonraki etkileşimleri^{yönlendirebilir. 19}.

Yükseköğretimde üretken yapay zekanın artan yaygınlığına rağmen, bilişsel ve akademik sonuçlarını inceleyen ampirik araştırmalar hâlâ az²⁰. Mevcut çalışmalar öncelikle benimseme kalıpları, etik kaygılar veya disiplin uygulamalara^{odaklanmıştır 21}, yapay zeka kullanımını öğrenme sonuçlarıyla ilişkilendiren psikolojik mekanizmalara sınırlı dikkat^{çekmiştir 22}. Ayrıca, güven e-ticaret ve insan-bilgisayar etkileşiminde kapsamlı şekilde incelenmiş^{olsa da}, eğitimsel yapay zeka bağlamlarındaki rolü teorik olarak gelişmemiş ve ampirik olarak test edilmemiştir. Bu çalışma, üretken yapay zeka kullanımı, yapay zekaya güven, bilişsel yük ve akademik performans arasındaki ilişkileri inceleyerek bu boşlukları ele alarak, bilişsel yükün potansiyel bir aracı yol olarak modellendiğini belirtmektedir. Bilişsel yük^{teorisi 24} ve güven literatürüne dayanan bu çalışma, beş hipotezi inceleyen bir arabuluculuk modeli önerir ve test eder: (H1) üretken yapay zeka kullanımı bilişsel yükü olumlu etkiler; (H2) yapay zekaya olan güven bilişsel yükü olumlu etkiler; (H3) bilişsel yük akademik performansı olumlu etkiler; (H4) bilişsel yük, üretken yapay zeka kullanımı ile akademik performans arasındaki ilişkiyi aracılık eder; ve (H5) bilişsel yük, yapay zekaya olan güven ile akademik performans arasındaki ilişkiyi aracılık eder.

Üretken yapay zekanın (GenAI) yükseköğretime entegrasyonu, çağdaş pedagojik uygulamadaki en önemli teknolojik değişimlerden birini temsil^{eder 25}. OpenAI tarafından geliştirilen ChatGPT gibi araçlar, insan benzeri metin oluşturma, karmaşık problemleri çözmek ve kişiselleştirilmiş eğitim desteği sağlama konusunda olağanüstü yetenekler^{göstermiştir 26}. Son ampirik araştırmalar, üniversite öğrencileri arasında yaygın benimsenmeyi belgelemiştir. Öğrenciler GenAI'yi çeşitli akademik amaçlar için kullanır; bunlar arasında beyin fırtınası oluşturma, içerik özetleme, düzeltme ve kavram^{açıklaması 27} dahildir. Bu yayılma, akademisyenleri GenAI'nin eğitim bağlamlarında sahip olduğu olanakları ve zorlukları incelemeye teşvik etti. Savunucular, GenAI araçlarının anında geri bildirim sağlayarak, karmaşık görevleri destekleyerek ve disipliner içeriğe çoklu bakış açıları sunarak öğrenmeyi^{geliştirebileceğini savunuyorlar.} ChatGPT'yi programlama görevleri için kullanan öğrenciler, kod kalitesinin arttığını ve tamamlanma süresinin azaldığını gösterdi; bu da bilişsel olarak boşaltma faydalarını gösteriyor. Benzer şekilde, GenAI içeriği bireysel öğrenci ihtiyaçlarına ve öğrenme hızlarına göre uyarlayarak öğrenme deneyimlerini^{kişiselleştirebilir 29}. Ancak, eleştirmenler akademik bütünlük, intihal potansiyeli ve öğrencilerin yapay zeka tarafından üretilen içeriklere aşırı güvenmesinin eleştirel düşünme becerilerinin aşınması konularında^{endişelerini dile getirdi 30,31}. Bu rekabet eden bakış açıları, GenAI kullanımının temel öğrenme süreçlerini nasıl etkilediğine dair titiz ampirik araştırmaların gerekliliğini vurguluyor.

Bilişsel yük teorisi (CLT), öğrenme görevleri ve öğretim tasarımlarının getirdiği bilişsel talepleri anlamak için kapsamlı bir çerçeve sunar. CLT, insan bilişinin yerleşik mimarisine dayanır; bu mimari, etkili olarak sınırsız uzun süreli hafıza ve hem kapasite hem de sürede ciddi şekilde sınırlı çalışma^{belleği içerir 32}. CLT'ye göre, öğrenme bilginin çalışma hafızasında başarıyla işlenmesi ve ardından uzun süreli hafızada şema olarak saklanmasıyla gerçekleşir. Teori, üç tür bilişsel yükü ayırt eder: öğrenme materyalinin doğuştan gelen karmaşıklığı ve öğrenenin mevcut uzmanlığı ile belirlenen içsel yük; öğrenmeye doğrudan katkı sağlamayan kötü tasarlanmış öğretim materyalleri ve faaliyetleri nedeniyle uygulanan gereksiz yük; ve germane yükü, şema inşası ve otomasyona ayrılan bilişsel^{kaynakları ifade eder 33}. Araştırmalar, etkili öğretim tasarımının öğrenme sonuçlarını optimize etmek için bu üç yük tipini yönetmesi gerektiğini tutarlı şekilde^{göstermiştir 34}. Yüksek bir gereksiz yük, bilişsel kaynakları öğrenme süreçlerinden uzaklaştırır ve performansı düşürür; uygun içsel ve germane yükler ise derin anlayış ve bilgi transferini kolaylaştırır³⁵. Eğitim ortamlarında bu yük boyutlarını ölçmek için kapsamlı bir araç, çeşitli öğrenme bağlamlarında bilişsel yükün ampirik olarak incelenmesini mümkün kılar. Daha yakın zamanda, akademisyenler CLT'yi teknolojiyle desteklenen öğrenme ortamlarına da genişletti ve dijital araçların bilişsel işlemeyi nasıl etkilediğini^{inceledi 36}. Üretken yapay zeka kullanımı ile bilişsel yük arasındaki ilişki teorik olarak karmaşık ve ampirik olarak yeterince^{araştırılmamıştır 37}. Bir yandan, GenAI araçları bilgi aramasını kolaylaştırarak, çeşitli kaynakları sentezleyerek ve bilgiyi erişilebilir formatlarda sunarak gereksiz yükü^azaltabilir. Öğrencilerin artık birden fazla veritabanında gezinmesine veya karmaşık metinleri bağımsız olarak yorumlamasına gerek kalmaz, bu da bilişsel kaynakları daha derin işleme için serbest^{bırakabilir.}

Güven, insan-teknoloji etkileşimini şekillendiren temel bir psikolojik mekanizmadır. Bilgi sistemleri bağlamında, güven çok boyutludur ve teknolojik sistemlerin yetkinliği, iyiliği ve bütünlüğü hakkındaki inançları^{kapsar 40}. Yapay zekaya uygulandığında, güven kavramsal olarak iki farklı boyutta ayırt edilebilir: insana özgü güven, iyi niyetli ve öngörülebilirlik gibi antropomorfik niteliklerin atfedilmesini içerir; ve işlevsellik güveni, teknik yeteneklerin güvenilir performansına olan^{güveni yansıtır 41}. Bu ayrım, öğrencilerin akademik görevler için yapay zeka tarafından oluşturulan içeriğe ne kadar güveneceklerine karar verdikleri eğitim bağlamlarında özellikle önemlidir. Detaylandırma olasılık modeline göre, bireyler motivasyon ve yeteneğe bağlı olarak bilgiyi merkezi veya çevresel yoldan işler. Güven yüksek olduğunda, öğrenciler merkezi rota işleme yapabilir, yapay zeka tarafından oluşturulan içeriği inceleyip detaylandırabilir; böylece öğrenmeye yöneltilen bilişsel^{yükü artırabilir 42}. Akademik performans, eğitim araştırmalarında nihai kriter değişkeni oluşturur ve hem not ortalamaları gibi nesnel ölçütlerle hem de öğrencilerin kendi algıladığı akademik etkinliği yansıtan öznel^{ölçütlerle uygulanır 43}. Kendi algılanan ölçümler, öğrencilerin öğrenme yetenekleri hakkındaki metabiliştiv farkındalıklarına dair değerli içgörüler sunar ve nesnel performans göstergeleriyle güçlü ilişkiler göstermiştir. Öğrencilerin algılanan akademik etkinliğini değerlendirmek için bir öz-algı, öğrenme verimliliği ve görev tamamlama ile ilgili maddeler dahil olmak üzere^{. 44}. Bu yaklaşım, öğrencilerin yapay zeka araçlarıyla ve aracılığıyla öğrenme yeteneklerine olan güvenlerinin gerçek öğrenme sonuçlarını etkileyebildiği yapay zeka destekli bağlamlarda özellikle uygundur.

Protokol

Materyal tablosu, çalışmada kullanılan aletleri, yazılımları ve ölçekleri özetlemektedir; üretken yapay zeka kullanımı için uyarlanmış ve doğrulanmış ölçekler, yapay zekaya güven, bilişsel yük, kendi algılanan akademik performans, örnekleme ve anket prosedürleri ile veri analiz araçları (SPSS ve SmartPLS) dahildir. Ayrıca, etik onay bu çalışma için geçerli değildi çünkü katılımcılar için fiziksel veya psikolojik riskler oluşturabilecek deneysel manipülasyon, tıbbi prosedürler veya müdahaleler içermiyordu. Araştırma, öğrencilerin akademik ortamlarda üretken yapay zeka kullanımıyla ilgili algıları, deneyimleri ve davranışları hakkında veri toplamak için müdahaleci olmayan, kendi kendine yönetilen bir çevrimiçi anket kullandı. Çalışma, anket tamamlamanın ötesinde doğrudan bir etkileşim içermediği için klinik çalışmalar, biyomedikal prosedürler veya deneysel tedaviler uygulanmadı ve katılımcılar zarar veya sıkıntı yaratabilecek herhangi bir deneysel duruma maruz kalmadı. Veri toplanmadan önce, tüm katılımcılara çalışmanın amacını, katılımlarının gönüllü doğasını ve anonimlik ile gizliliği sağlamak için alınan önlemleri açıklayan ayrıntılı bir bilgilendirilmiş onay formu verildi. Bilgilendirilmiş onay, anketin tamamlanması ve sunulması yoluyla örtük olarak alınmıştır; bu bilgi biçiminde açıkça belirtildiği gibi. Katılımcılara, yanıtlarının yalnızca akademik araştırma amaçları için kullanılacağı ve kişisel tanımlanabilir bilgilerin toplanmayacağı veya bildirilmeyeceği konusunda güvence verildi. Ayrıca, katılımcılar, anketi göndermeden önce herhangi bir zamanda çalışmadan çekilme hakları bildirildi ve hiçbir sonuç alınmadı. Tüm veriler, yalnızca araştırma ekibinin erişebileceği şifreli cihazlarda güvenli şekilde saklandı ve bireysel katılımcıların kimliğini önlemek için toplu bulgular bildirildi. Bu önlemler, çalışmanın Helsinki Bildirgesi'nin etik ilkelerine ve insan katılımcıları içeren araştırmalar için kurumsal yönergelere uygun olarak yürütülmesini sağladı; ancak IRB incelemesi resmi gerekliliği uygulanmıyordu.

Araştırma tasarımı

Bu çalışma, yüksek öğrenim öğrencileri arasında üretken yapay zeka kullanımı, yapay zekaya güven, bilişsel yük ve akademik performans arasındaki karmaşık ilişkileri incelemek için nicel ve kesitsel bir araştırma tasarımı kullanmaktadır. Bu tasarım, büyük bir örneklemden standartlaştırılmış veri toplamadaki verimliliği ve etkinliği nedeniyle seçilen bir anket stratejisiyle uygulanmıştır; böylece hipotezli ilişkilerin sağlam istatistiksel test edilmesini mümkün kılar. Anket yöntemi, her yapının doğrulanmış ölçekler kullanılarak sistematik ölçümünü kolaylaştırır ve toplanan verilerin tüm katılımcılar arasında hem güvenilir hem de karşılaştırılabilir olmasını sağlar. Ayrıca, verilerin tek bir zamanda toplandığı kesitsel bir yaklaşımın benimsenmesi, bu araştırma için özellikle uygundur; çünkü bu araştırma öğrenciler arasında üretici yapay zeka kullanımının ve güveninin mevcut yaygınlığının incelenmesine olanak tanırken, aynı zamanda bu değişkenler arasındaki bağlantıları ve bunların hedef popülasyondaki bilişsel yük ve akademik performans üzerindeki kolektif etkilerini değerlendirmeye olanak tanır.

Katılımcılar ve örnekleme prosedürü

Bu çalışmanın hedef kitlesi, akademik amaçlarla üretken yapay zeka araçları (özellikle ChatGPT ve benzeri büyük dil modelleri) kullanarak aktif deneyime sahip yükseköğretim kurumlarında kayıtlı öğrencilerden oluşuyordu. Bu popülasyonun temsilci bir kesitini sağlamak ve bulguların genellenebilirliğini artırmak için stratifikasyonlu rastgele örnekleme tekniği kullanıldı. Örnekleme çerçevesi, üniversite kayıt ofisinden alındı ve tüm fakültelerde şu anda kayıtlı olan öğrencilerin tam listesini içeriyordu. Katmanlaşma iki önemli demografik değişkene dayanıyordu: akademik disiplin ve çalışma yılı. Akademik disiplinler dört ana katmana ayrılmıştır: beşeri bilimler ve sosyal bilimler, doğa bilimleri, mühendislik ve teknoloji ile işletme ve ekonomi. Eğitim yılı dört seviyeye ayrıldı: birinci sınıf, ikinci sınıf, üçüncü ve dördüncü sınıf lisans öğrencileri ile yüksek lisans öğrencileri (yüksek lisans ve doktora). Bu çift tabakalı yaklaşım, öğrenci topluluğundaki her alt grubun orantılı temsili sağladı ve herhangi bir akademik alanda veya akademik seviyede aşırı veya yetersiz temsil edilmesini önledi. Her katmandan, katılımcılar rastgele bir sayı üreteci kullanılarak rastgele seçildi ve sayı, o tabakanın genel öğrenci nüfusundaki temsiline orantılı olarak seçildi. Bu sistematik katılımcı seçimi yaklaşımı, nihai örneğin akademik geçmişler ve eğitim ilerlemesi dahil olmak üzere yükseköğretim öğrenci nüfusunun çeşitliliğini doğru şekilde yansıtmasını sağladı.

Katılımcı demografisi açısından, 390 katılımcıdan oluşan örneklem, genellikle 18 ila 35 yaş veya üzeri arasında değişen çeşitli öğrenci karışımlarından oluşuyordu ve toplumsal demografiyle orantılı cinsiyet kimlikleri dengeli bir şekilde temsil edildi. Örneklem, dört lisans yılının tamamından öğrencileri ve lisansüstü öğrencileri içererek, akademik gelişimin farklı aşamalarını ve yapay zeka araçlarına farklı düzeyde maruz kalma seviyelerini kapsaydı. Akademik disiplinler orantılı olarak temsil edildi; beşeri bilimler, bilimler, mühendislik ve işletme geçmişlerinden öğrenciler de örneklemde yer aldı. Ayrıca, önceki teknoloji deneyimi, üretken yapay zeka kullanım sıklığı ve ana dil durumu gibi temel demografik bilgiler, incelenen birincil değişkenler için bağlam sağlamak amacıyla toplanmıştır. Bu kapsamlı demografik profilleme iki amaca hizmet etti: birincisi, örneklemin tanımlayıcı karakterizasyonuna olanak sağladı, ikincisi ise araştırmacıların sonraki analizlerde potansiyel karıştırıcı değişkenleri kontrol etmesini sağladı. Örnekleme prosedürünün ve demografik özelliklerin ayrıntılı dokümantasyonu, diğer araştırmacıların bu çalışmayı tam olarak tekrarlayabilmesini sağlar; böylece tekrarlanabilirlik bilimsel gerekliliğini yerine getirir ve farklı kurumsal ve kültürel bağlamlarda anlamlı karşılaştırmalar yapılmasını sağlar. Ayrıca, bu titiz örnekleme yaklaşımı, bulguların dış geçerliliğini güçlendirerek sonuçların daha geniş yükseköğretim öğrencisi nüfusuna daha güvenle genelleştirilmesini sağlamıştır. Bu çalışmanın verileri, yapılandırılmış, kendi kendiliğinden yönetilen bir çevrimiçi anket kullanılarak toplanmıştır. Anket, çalışmanın temel yapılarını belirlenmiş ve doğrulanmış ölçeklerle ölçmek üzere beş bölüme ayrılmıştır. Aksi belirtilmedikçe tüm maddeler, 1'den ("Kesinlikle Katılmıyorum") ile 5'e ("Kesinlikle Katılıyorum") arasında değişen beş puanlık bir Likert ölçeğinde ölçülecektir.

Enstrümantasyon ve ölçüler

Üretken yapay zeka kullanımı, özellikle ChatGPT,⁴⁵ çalışmasından uyarlanan 8 maddelik bir ölçekle nicele verildi. Bu ölçek, basit kullanım sıklığının ötesine geçerek öğrencilerin yapay zeka ile etkileşiminin çok yönlü doğasını yakalar. Maddeler üç temel boyuta odaklanır: (a) çeşitli akademik görevler için kullanım sıklığı, (b) kullandığı özel amaçlar (örneğin, beyin fırtınası yapma, içerik özetleme, düzeltme) ve (c) öğrencilerin aracın dil ile ilgili akademik çalışmalarını geliştirmedeki algı verdiği etkinliği. Yapay Zekaya olan güven, çok boyutlu bir yapı olarak kavramsallaştırıldı; kişilerarası güven⁴⁶ ve teknoloji güveni gibi yerleşik çerçevelerden yararlandı. Ölçek iki farklı boyuttan oluşur. İnsan benzeri güven: Bu 6 maddelik alt ölçek, öğrencilerin yapay zekaya insana özgü nitelikler – iyilik, dürüstlük ve öngörülebilirlik gibi – ne ölçüde atfettiğini ölçür. Örneğin, maddeler, öğrencilerin yapay zekanın kendi çıkarları için hareket ettiğine veya tarafsız bilgi sağladığına inanıp inanmadığını değerlendirir. İşleklilik güveni: Bu 5 maddelik alt ölçek, yapay zekanın işlevsel performansına olan güveni değerlendirir. Teknolojinin güvenilirliği, yetkinliği ve güvenilirliğine odaklanır ve yapay zekanın akademik görevleri etkili bir şekilde yerine getirmek için gerekli işlevselliğe sahip olduğu inancını yakalar.

Bilişsel yük, CLT'ye dayanan başka bir^{çalışma 47'den} uyarlanmış bir ölçekle ölçüldü. CLT'nin üçarşik yapısını yakalamak için ölçek üç alt ölçeke ayrılır: İçsel Yük (3 madde): bu alt ölçek, öğrenme materyalleri ve görevlerinde bulunan algılanan karmaşıklık ve zorluğu değerlendirir. Örnek bir madde şöyle olabilir: "Ders çalışmalarımda ele alınan konular çok karmaşık." Gereksiz yük (3 madde): Bu alt ölçek, öğretim tasarımının ve bilginin sunulma şeklinin oluşturduğu bilişsel yükü ölçür. Örneğin, "Ödevler için talimatlar genellikle belirsiz ve takip edilmesi zordur. Kendi algılanan öğrenme (4 madde): Önceki eğitim araştırmalarına göre, bu alt ölçek alman yükünün doğrudan ölçüsü yerine german bilişsel işlemin yaklaşık bir göstergesi olarak^{kullanılmıştır 48}. Bu öğeler, öğrencilerin anlamlı öğrenmeyle ilgili anlama, anlama ve şema oluşturma süreçlerine harcanan zihinsel çabayı algılar. Ancak, kendi algılanan öğrenme, akademik yetenek ve başarı algılarıyla kavramsal olarak örtüşebileceğinden, üretken bilişsel katılımın kısmi operasyonel temsili olarak temkinli olarak yorumlanmalıdır; bu nedenle kesin bir alman yükü ölçüsü olarak değil. Anlama, anlayış ve materyali ustalıkla öğrenmiş hissiyle ilgili öğeleri içerir. Eğitim araştırmalarında^{yerleşik emsalleri takip eden 46}, akademik performans öz-algı ölçeğiyle uygulanmıştır. Dört maddelik bir cihaz kullanıldı. Bu yaklaşım, öğrencilerin öğrenme etkinliği ve akademik başarılarına dair öznel değerlendirmelerini yakalamak için uygundur. Ölçek, algılanan akademik etkinliği vurguluyor ve "Ders çalışmalarımı başarıyla tamamlayacağıma güveniyorum" ve "Akademik görevlerimi verimli ve etkili şekilde yönetmeyi öğrendiğimi hissediyorum" gibi ifadeler içeriyor.

Veri analiz stratejisi

Kısmi en küçük kare yapısal denklem modellemesi (PLS-SEM), üretken yapay zeka kullanımı, yapay zekaya güven, bilişsel yük ve kendi algılanan akademik performans arasındaki ilişkileri incelemek için kullanıldı. PLS-SEM seçimi hem metodolojik hem de analitik değerlendirmelerle yönlendirildi. İlk olarak, çalışma, tam olarak kurulmuş bir nedensel teoriyi test etmek yerine, yapay zeka destekli öğrenme bağlamlarında nispeten gelişmekte olan yapılar arasında ilişkilendirilen yolları incelemeye yönelik tahmin odaklı ve keşif modelleme perspektifini benimsemektedir. İkinci olarak, PLS-SEM, özellikle birincil hedef varyans açıklaması ve tahmin edici analiz olduğunda, birden fazla gizli yapı ve arabuluculuk yollarını içeren karmaşık modeller için uygun kabul edilir. Ayrıca, PLS-SEM normal olmayan veri dağılımları koşullarında sağlamdır ve orta ölçülü örneklem büyüklükleri kullanılarak sosyal bilimler anket araştırmaları için uygundur. Yükseköğretimde üretken yapay zeka araştırmalarının keşif niteliği ve çalışmanın algısal yapılar arasındaki öngörücü ilişkileri incelemeye verdiği önem göz önüne alındığında, PLS-SEM mevcut analiz için metodolojik olarak uygun görüldü.

Toplanan veriler, SmartPLS 4 yazılımı ile kısmi en küçük kare yapısal denklem modellemesi (PLS-SEM) kullanılarak iki adımlı bir yaklaşımla analiz edilecektir. PLS-SEM, karmaşık öngörücü modeller için uygun bir varyans tabanlı tekniktir ve verilerin normal şekilde dağıtılmasını gerektirmez. Adım 1: Ölçüm modelinin değerlendirilmesi. İlk adım, yapıların güvenilirliği ve geçerliliğini değerlendirmektir. İç tutarlılık güvenilirliği, Cronbach'ın alfa ve bileşik güvenilirliği kullanılarak değerlendirilecek ve 0.70 eşik belirlenecektir. Yakınsamak geçerlilik, göstergelerin dış yükleri (0.70 > olmalıdır) ve her yapının ortalama çıkarılan varyansı (AVE) (0.50 > olmalıdır) incelenerek belirlenecektir. Yapıların ampirik olarak farklı olmasını sağlayan ayrımcı geçerlilik, Fornell-Larcker kriteri ve Heterotrait-Monotrait (HTMT) korelasyon oranı kullanılarak değerlendirilecektir. Adım 2: Yapısal modelin değerlendirilmesi. Ölçüm modeli güvenilir ve geçerli olarak doğrulandıktan sonra, yapısal model çalışmanın hipotezlerini test etmek için değerlendirilecektir. Bu, yol katsayılarının (β) önemlilik ve alakalılık açısından incelenmesini içerir; 5.000 yeniden örneklemeli bir önyükleme prosedürü kullanılır. Değerlendirme için temel kriterler arasında belirleme katsayısı (R²) yer alacaktır: Modelin öngörü gücünü ölçmek (yani endozen değişkenlerde, özellikle akademik performansta açıklanan varyans). Öngörücü önem (Q²): Modelin öngörücü doğruluğunu değerlendirmek için göz bağlama prosedürünün kullanılması. Etki boyutları (f²): Her bağımsız değişkenin bağımlı değişkenler üzerindeki özsel etkisini değerlendirmek. Arabuluculuk analizi: Yapay zeka ile ilgili öncüller (üretken yapay zeka kullanımı, yapay zekaya güven) ile akademik performans arasındaki ilişkide bilişsel yükün aracı rolünü test etmek. Dolaylı etkilerin önemi, bootstrapped güven aralıkları kullanılarak değerlendirilecektir.

Sonuçlar

Betimleyici istatistikler

Bu çalışmadaki temel değişkenlerin temel eğilimleri ve dağılımı olmak üzere üretici yapay zeka kullanımı, insana benzeri güven, işlevsellik güveni, içsel yük, gereksiz yük, kendi algılanan öğrenme ve akademik performans dahil olmak üzere tanımlayıcı istatistikler hesaplandı. Betimleyici analiz SPSS sürüm 26 kullanılarak yapılmıştır ve sonuçlar aşağıdaki Tablo 1'de sunulmaktadır.

Tartışma

Bu çalışmanın ilk büyük bulgusu, üretken yapay zeka kullanımının bilişsel yükle pozitif ilişkili olduğunu ortaya koydu (β = 0.34, p < 0.001), bu sonuç Hipotez 1 ile tutarlıdır. Bu bulgu, ChatGPT gibi üretken yapay zeka araçlarını daha sık kullanan öğrencilerin öğrenme faaliyetleri sırasında daha yüksek bilişsel yük de bildirdiğini gösteriyor. Üretken yapay zeka kullanımı ile bilişsel yük arasındaki bu olumlu ilişki, basit bir teknoloji kullanım çerçevesinden ziyade insan-yapay z...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Blindfolding Prosedürü	SmartPLS 4 (dahili)	N/A	Yapısal modelin öngörücü geçerliliği için Q² hesaplar.
Bootstrapping Prosedürü (5.000 yeniden örnekleme)	SmartPLS 4 (dahili)	N/A	Yol katsayılarının (β) ve dolaylı etkilerin önemini değerlendirmek için kullanılır.
Bilişsel Yük Ölçeği – Ekstra Yük (3 madde)	Hadie & Yusoff (2021)	N/A (geçerli ölçek)	Öğretim tasarımı ve bilgi sunumundan kaynaklanan bilişsel yük.
Bilişsel Yük Ölçeği – Öz Yük (3 madde)	Hadie & Yusoff (2021)	N/A (geçerli ölçek)	Öğrenme materyallerinin/görevlerinin algılanan karmaşıklığı/zorluğu.
Bilişsel Yük Ölçeği – Öz Algılanan Öğrenme (4 madde)	Hadie & Yusoff (2021)	N/A (geçerli ölçek)	Alışılmış bilişsel işlemleme için vekil; anlama ve şema yapımı için zihinsel çabayı yakalıyor.
Fornell-Larcker Kriteri	SmartPLS 4 (dahili)	N/A	Yapıların ayrımcı geçerliliğini değerlendirir.
Jeneratif AI Kullanım Ölçeği (8 madde)	Abbas ve diğerleri (2023)	N/A (uyarlanmış ölçek)	Akademik görevler için Generative AI (ChatGPT) kullanımının sıklığını, amacını ve algılanan etkinliğini ölçer. 5 puanlık Likert ölçeği.
HTMT İlişki Oranı	SmartPLS 4 (dahili)	N/A	Heterotrait-Monotrait oranı; ek ayrımcı geçerlilik kontrolü.
Bilgili Onay Formu	Çalışma ekibi (kurumsal yönergeler)	N/A	Çalışmanın amacı, gönüllülük, anonimlik, gizlilik ve geri çekilme hakkı hakkında ayrıntılı açıklama. Anketi tamamlama yoluyla örtük onay.
Çevrimiçi Anket Platformu	Belirtilmemiş (genel)	N/A	Yapılandırılmış, kendi kendine uygulanan web tabanlı anket; tüm öğeler 5 puanlık Likert ölçeğinde (1 = Kesinlikle Katılmıyorum - 5 = Kesinlikle Katılıyorum).
Örnekleme Çerçevesi	Üniversite Kayıt Memurluğu	N/A (kurumsal kayıt)	Stratifiye rastgele örnekleme için tüm fakültelerde şu anda kayıtlı öğrencilerin tam listesi.
Öz Algılanan Akademik Performans Ölçeği (4 madde)	Eğitim araştırması emsalinden uyarlanmış	N/A (uyarlanmış ölçek)	Akademik etkinlik ve başarı üzerine öznel değerlendirme (örn. ödevler konusunda güven, verimli görev yönetimi).
SmartPLS 4 Yazılımı	SmartPLS GmbH	Sürüm 4	Varyans temelli yapısal eşitlik modelleme yazılımı; PLS-SEM analizi, bootstrapping, blindfolding için kullanılır.
SPSS sürüm 26	IBM	N/A	Ön veri taraması, tanımlayıcı istatistikler ve PLS-SEM öncesi veri yönetimi (varsa) için kullanılır.
Stratifiye Rastgele Örnekleme Prosedürü	Çalışma ekibi (manuel)	N/A	Akademik disiplin (4 kategori) ve öğrenim yılı (5 seviye: 1. sınıf-4. sınıf lisans + lisansüstü) temelinde katmanlar. Katmanlar içinde rastgele sayı üreteci kullanılır.
AI'ya Güven Ölçeği – İşlevsellik Güveni (5 madde)	Teknoloji güveni literatüründen uyarlanmış	N/A (uyarlanmış ölçek)	Akademik görevler için AI'nın algılanan güvenilirliğini, yetkinliğini ve güvenilirliğini ölçer.
AI'ya Güven Ölçeği – İnsan Benzeri Güven (6 madde)	Kişilerarası güven (Rempel ve diğerleri) ve teknoloji güveni literatüründen uyarlanmış	N/A (uyarlanmış ölçek)	AI'ye atfedilen iyi niyet, dürüstlük ve tahmin edilebilirliği değerlendirir.