Öğrencilerin Eleştirel Düşünme Becerileri Üzerinde Yapay Zeka Kullanımının Etkileri

ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE YAPAY ZEKA KULLANIMININ ETKİLERİ Selin TATLI Alptürk AKÇÖLTEKİN Lyon 2025 ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE YAPAY ZEKA KULLANIMININ ETKİLERİ Selin TATLI Alptürk AKÇÖLTEKİN Lyon 2025 Öğrencilerin Eleştirel Düşünme Becerileri Üzerinde Yapay Zeka Kullanımının Etkileri Authors • Selin TATLI • Orcid: 0009-0001-8252-9615 • Prof. Dr. Alptürk AKÇÖLTEKİN • Orcid: 0000-0001-6694-1346 Cover Design • Motion Graphics Book Layout • Motion Graphics First Published • December 2025, Lyon e-ISBN: 978-2-38236-966-1 DOI: 10.5281/zenodo.17988752 copyright © 2025 by Livre de Lyon All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any form or by any means, electronic, mechanical, photocopying, recording, or otherwise, without prior written permission from the Publisher. The author or authors of the relevant section are responsible for any copyright infringement that may occur due to the images and graphics used in the book. The editor or publisher does not assume responsibility in this regard. Publisher • Livre de Lyon Address • 37 rue marietton, 69009, Lyon France website • http://www.livredelyon.com e-mail • [email protected] I ÖNSÖZ Yirmi birinci yüzyılın ilk çeyreğini geride bırakırken, insanlık tarihinin en büyük teknolojik kırılmalarından biri olan yapay zeka devrimine tanıklık ediyoruz. Bu devrim, yalnızca üretim biçimlerimizi ve günlük alışkanlıklarımızı değiştirmekle kalmayıp; bilginin üretilmesi, işlenmesi ve aktarılması süreçlerini de kökten sarsmıştır. Şüphesiz bu değişimden en çok etkilenen alanların başında eğitim, en çok etkilenen öznelerin başında ise öğrenciler gelmektedir. Eğitim dünyasında yapay zeka araçlarının kullanımı; bir yandan kişiselleştirilmiş öğrenme deneyimleri ve bilgiye erişim hızı gibi muazzam fırsatlar sunarken, diğer yandan öğrencinin zihinsel süreçlerini pasifleştirme riski barındırmaktadır. Bu noktada odaklandığımız en temel soru şudur: Yapay zeka, öğrencinin bilişsel kapasitesini genişleten bir kaldıraç mı, yoksa eleştirel düşünme becerilerini körelten bir otomasyon aracı mıdır? Kaleme aldığımız bu çalışma, söz konusu sorunsalı merkeze alarak yapay zekanın öğrencilerin eleştirel düşünme becerileri üzerindeki çok boyutlu etkilerini bilimsel bir perspektifle incelemek amacıyla hazırlanmıştır. Bu kitabın hazırlanma sürecinde, veri toplama aşamasında katkıda bulunan öğretmenler, yöneticiler ve katılımcı öğrencilere teşekkürü bir borç biliriz. Yapay zekanın bir amaç değil, insan zekasını ve eleştirel düşüncesini zenginleştiren bir araç olarak konumlandırıldığı bir eğitim geleceğine katkı sunması dileğiyle. Selin TATLI & Alptürk AKÇÖLTEKİN III CONTENTS ÖNSÖZ...............................................................................................................I 1. BÖLÜM GİRİŞ ................................................................................................................ 1 1.1 Yapay Zeka ................................................................................................. 5 1.1.1 Yapay Zeka İle İlgili Kavramlar ����������������������������������������������������������� 8 1.1.2 Yapay Zeka Evreleri ���������������������������������������������������������������������������� 12 1.1.3 Yapay Zekanın Tarihi �������������������������������������������������������������������������� 13 1.1.4 Yapay Zekaya Yönelik Tutum ������������������������������������������������������������ 25 1.1.5 Eğitimde Yapay Zeka �������������������������������������������������������������������������� 27 1.1.6 Eğitimde Yapay Zeka Kullanımının Avantajları �������������������������������� 35 1.1.7 Eğitimde Yapay Zeka Kullanımının Dezavantajları �������������������������� 39 1.1.8 Yapay Zeka Okuryazarlığı ������������������������������������������������������������������ 42 1.1.9 Eğitimde Yapay Zeka Uygulamaları �������������������������������������������������� 47 1.1.10 Türkiye Bağlamında Eğitimde Yapay Zeka ������������������������������������� 51 1.1.11 Farklı Ülkelerde Eğitimde Yapay Zeka �������������������������������������������� 53 1.2 Eleştirel Düşünme ������������������������������������������������������������������������������������ 57 1.2.1 Eleştirel Düşünme Becerisi ���������������������������������������������������������������� 59 1.2.2 Eleştirel Düşünmenin Boyutları �������������������������������������������������������� 61 1.2.3 Eleştirel Düşünen Bireyin Özellikleri ������������������������������������������������ 62 1.2.4 Eğitimde Eleştirel Düşünme ��������������������������������������������������������������� 63 1.2.5 Türkiye Bağlamında Eğitimde Eleştirel Düşünme ��������������������������� 66 IV   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . 2. BÖLÜM YÖNTEM........................................................................................................ 69 1.1 Araştırma Deseni ...................................................................................... 69 1.2 Araştırmanın Örneklemi ........................................................................ 69 1.3 Veri Toplama Aracı ve Verilerin Toplanması ........................................ 71 1.4 Veri Analizi .............................................................................................. 71 3. BÖLÜM BULGULAR ................................................................................................... 73 4. BÖLÜM SONUÇ VE TARTIŞMA ............................................................................... 89 KAYNAKÇA .................................................................................................. 97 GİRİŞ   7 arada gerçekleştirilebilen bilişim teknolojisidir. Nilsone’e (2023) göre yapay zeka, insan zihninin belirli bilişsel yeteneklerini algoritmalar ve veri işlemleri aracılığıyla yapay bir şekilde yeniden yaratmayı amaçlayan bir teknolojidir. Yapay zekâ, edindiği bilgileri temel alarak sonuçlara ulaşan, fiziksel veya dijital ortamların üzerinde etkisinin olabileceği tahminleri, içerikleri, önerileri veya kararları gibi çeşitli çıktıları üretebilen, otomatikleştirilen, makine tabanlı bir sistem şeklinde tanımlanabilmektedir (OECD, 2024). Yapay zeka, bir canlının özelliklerinden fayda sağlamaksızın, yapay araçların kullanılmasıyla oluşturulan, insansı davranışlarının olduğu makinelerin çalışma sistemleriyle çalışabilen bir teknolojidir (Sucu vd., 2020: 41). Yapay zeka günümüzde önemli bir yere sahiptir ve her geçen gün gelişim göstermektedir (Köroğlu, 2017). Nabiyev (2012) tarafından belirtildiği üzere, yapay zeka hakkında elde edilen genel bir değerlendirme sonucunda, bu teknoloji; bilgisayarın ya da bilgisayar destekli makinenin, deneyimlerden ders çıkarabilme, genellemeler yapabilme, çıkarımlarda bulunabilme, anlama ve de analiz etme gibi insansı özellikler sergileyebilmesi şeklinde tanımlanabilmektedir. Bu tanım, yapay zekanın insansı yeteneklerini taklit etme ve bu yetenekleri teknolojik ortamlara bütünleştirme kapasitesini vurgulamaktadır. Yapay zeka alanındaki çalışmalarıyla ön plana çıkan Nilsson (2019), “Yapay Zeka Geçmişi ve Geleceği” adlı kitabında, yapay zekayı insan zekası gerektiren davranışların çoğunu gerçekleştirebilen bir insan eseri olarak tanımlamaktadır. Teng (2019)’e göre yapay zeka teknolojileri insan zihninden öteye geçememiş fakat bazı işlemleri daha kısa sürede analiz edebildiği için insan zihnini geçebildiği görülmektedir. Bu nedenle yapay zekâ, karmaşık olan işlerin yapılmasını insanlara göre daha iyi yapabilen, birçok sorunu çözmeye odaklanabilen, öğrenme ve akıl yürütebilme yeteneklerine sahip olan “beyin” olmanın yanı sıra, bunun gibi konular üzerinde araştırmalar yapan bir bilim dalıdır (Çetin ve Aktaş, 2021). Shneiderman (2020), insanların yapay zeka ile etkileşiminde, insanı merkeze alan yapay zeka kavramını ortaya atarak yapay zekanın, insan potansiyeline etkisinin incelendiği bir araştırmanın sonucunda, yapay zekanın insanları desteklemenin yanı sıra, daha etik, anlamlı ve güvenilir sonuçların elde edilmesine katkı sağladığı belirlenmiştir. Yapay zeka, bilgisayar sistemleri ile insan zekasının taklit edilebilme kabiliyeti olarak tanımlanmaktadır. Bu alan, veri setlerinden karmaşık analizler yapmakta, örüntüleri tespit etmekte ve stratejik kararlar almaktadır (Davenport ve Ronanki, 2018). Yapay zekâ, günümüzdeki ve gelecekteki öğrencilerin bireysel ihtiyaçları göz önünde bulundurularak uyarlanan, bireyselleştirilen öğrenme deneyimlerini sunan, eğitim sürecinde 8   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . karşılaşılan önemli zorluklardan bir tanesi olarak belirlenen bir alan olarak, kişisel farklılıklarda azalma meydana gelmesine, hatta ortadan kaldırılması durumuna etkin bir biçimde katkı sağlamaktadır. Bilgisayarlarda, iletişimde ve de bulut teknolojilerinde olan gelişmelerin, yapay zekânın uygulamalarını daha fazla geliştirdiği, özellikle de eğitim alanındaki büyük verilerin etkili şekilde işlenmesinin ve de akıllı çözümlerin sunulmasının mümkün olduğu görülmüştür. Bu gelişmelerle, öğrencilerin öğrenme ihtiyaçları doğrultusunda bireyselleşmiş içeriklerin sunulduğu gelişmiş eğitim sistemlerinin meydana geldiği görülmüştür (Abu-Orabi, 2024). Yapay zekânın en belirgin özelliği öğrendiği bilgileri hızlıca uygulayabilmesi ve de kalıcı öğrenmeleri sağlayabilmesidir (Öztürk ve Şahin, 2018). Yapay zeka araştırmaları, insanların düşüncelerinin taklidini yapabilme ve bu yetenekleri makineler aracılığıyla uygulayabilme amacını taşımaktadır (Goodfellow vd., 2016). Günümüzün en önemli teknolojilerinden biri yapay zekâ teknolojileridir (Arslan, 2020). Bu alanda yapılmış olan yapay zekâ çalışmaları sayesinde insan zekasının yapabildiği problem çözebilme, ayırt etme, sınıflama, sıralama gibi özellikler makine ortamına aktarılmıştır (Coşkun ve Gülleroğlu, 2021). Literatürdeki yapay zeka tanımlamalarına bakıldığında, yapay zeka tanımlamalarının farklı farklı yorumlandığı ancak hepsinin ortak bir anlam içerdiği görülmektedir. Bu bağlamda genel açıdan incelendiğinde yapay zekâ tanımlamalarında açıklanmaya çalışılan doğadaki olaylar, biyolojik ve sinirsel yapıların makine ortamına aktarılması olayıdır (Atalay ve Çelik, 2017). 1.1.1 Yapay Zeka İle İlgili Kavramlar Günden güne yapay zeka teknolojileri gelişmektedir ve toplumun her alanlarında köklü değişiklikler yaratırken, bireylerin yapay zeka teknolojilerine uyum sağlaması ve bu alanda beceriler kazanması büyük bir önem taşımaktadır. Buradan yola çıkarak yapay zeka eğitimi, kişilerin yapay zekayı yalnızca kullanabilmelerinden ziyade, yapay zeka sistemlerini anlamalarını ve geliştirebilmelerini sağlamak açısından kritik bir role sahiptir (Luckin, 2018). Yapay zekanın kapsamı oldukça geniş olup içerisinde pek çok disiplin ve çeşitli kullanım alanlarını barındırmaktadır. Yapay zeka sadece bir teknolojiden ibaret değil aksine içinde makine öğrenimi, bilişsel hesaplama, derin öğrenmeler, doğal dil işlemeyle yapay sinir ağları alanlarını ve bu alanların içerdiği her türlü yazılım ve donanım bileşenlerini kapsayan genel bir terim olarak karşımıza çıkmaktadır (Varriale vd., 2025). Makine öğrenmesi, sistemlerin verilerden öğrenerek öngörülerde bulunmasını sağlarken; derin öğrenme, daha karmaşık veriler üzerinden kararlar alabilen yapay sinir ağlarıyla bu süreci GİRİŞ   9 derinleştirmektedir. Doğal dil işleme, yapay zekanın insanların dilini anlayıp ve işleyebilmesi için geliştirilmiş bir alandır ayrıca eğitimde metin analizi ve dil becerilerini desteklemektedir (Luckin, 2018). Makine Öğrenmesi: Makine öğrenmesi, bilgisayara açık bir şekilde programlanmalar yapılmadan, bilgisayarların öğrenme ve karar verme yeteneklerini kazandığı bir yapay zeka dalıdır (Mitchell, 1997). Makine öğrenmesinin temel ilkeleri, veri analizi ve model oluşturma süreçlerini içermektedir. Bu süreçler, veri kümelerinden öğrenerek tahminler yapabilen ve kararlar alabilen sistemlerin geliştirilmesine olanak tanımaktadır (Domingos, 2015). Yapay zekanın sayısal öğrenmeleri ve modelleri tanımlarıyla geliştirilen, aslında bilgisayar biliminin bir alt alanıdır. Bununla birlikte veriler için tahminler üreten algoritmalar geliştirme sistemidir (Zilyas ve Yılmaz, 2023). Makine öğrenimi, yeterli veri sağlandığında problem çözme, tahminde bulunma gibi bilişsel süreçleri öğrenme yeteneğine sahip olmayı ifade etmektedir; örneğin öğrencilerin özelliklerini içeren ülke, dil, akademik başarı ortalaması, eğitim geçmişi gibi bilgileri makine öğrenimi algoritması ile analizini yaparak kişisel öğrenme ihtiyaçları doğrultusunda uygun ders içerikleri hazırlanabilir (Şenocak, 2020). 1980’li yıllarda istatistiksel tekniklerin ve algoritmaların gelişimi ile ön plana çıkmıştır. Bu dönemde, yapay sinir ağları ve genetik algoritmalar gibi optimizasyon teknikleri, öğrenen sistemlerin geliştirilmesinde önemli rol oynamıştır (Rumelhart vd., 1986). Algoritmaların temelinde konuşma tanıma, yüz tanıma, parmak izi tanıma, retina tarama ve örüntü çıkarma gibi açıklanamayan becerilerin anlaşılması yatmaktadır. Makine öğrenmesi, algoritmalar ve istatistiksel modeller aracılığıyla sistemlerin deneyimlerden öğrenmelerini sağlamaktadır. Buradaki temel amaç, açıkça programlanmadan verilerden öğrenmek ve tahminlerde bulunmaktır (Murphy, 2012). Klasik programlama yaklaşımında sisteme kurallar verilir ve girilen veriler bu kurallara göre yorumlanarak çıktılar oluşturulur. Makine öğreniminde ise veriler ve çıktılar ile sistem eğitilerek kuralların oluşturulması sağlanır. Dolayısıyla makine öğreniminde veriler değiştiğinde kurallar tekrar oluşturulur (Demirkol, 2021). Başka bir deyişle kodlama, makinenin ne yapması gerektiğini, kullanılacak programdaki semboller ve kurallar ile ona aktarmakla ilgili iken; makine öğrenmesi, verilerden çıkarım yapma kuralları ile ilgilidir (ZimmermannNiefield vd., 2019). Geleneksel programlamada hata ayıklama, kodların sistematik incelemesine dayanırken; makine öğreniminde deneme yanılmaya dayanır (Tedre vd., 2021). Bilgisayar algoritmalarının verilerdeki örüntüleri analiz ederek tahmin yapma yeteneğini kazandığı bir yapay zeka dalıdır. Bu 10   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . yöntem, istatistiksel modellerin bilgisayarlar aracılığıyla verilere uygulanmasına dayanır (Panch vd., 2018). Makine öğrenimi, bilgisayar sistemlerinin verilerden öğrenmesini sağlayan bir yöntemdir (Korkmaz vd., 2024). Makine öğrenmesi, tıpkı insan beyninin bilgiyle kendini geliştirmesi gibi, aldığı verileri analiz ederek zamanla daha iyi sonuçlar üretmektedir. Bu alanda en sık kullanılan yöntemlerden biri olan Üretken Önceden Eğitilmiş Transformatör (ÜÖET) veya GPT, metin üretiminde kullanılmaktadır. ‘ChatGPT’’deki “GPT” buradan gelmektedir. Görselleri üretebilmek için ise Üretken Çekişmeli Ağlar (ÜÇA) tercih edilmektedir (Holmes ve Miao, 2023). Makine öğreniminin denetimli, denetimsiz ve yarı denetimli öğrenmeden oluşan üç çeşit öğrenme yöntemi bulunmaktadır (Kara ve Şamlı, 2021). Denetimli öğrenmede modelin doğru sonuçlarla eğitildiği ve girdilerin çıktılarla eşlendiği bir öğrenme gerçekleşir; denetimsiz öğrenmede ise yalnızca girdi verileri bulunur ve bu verilere göre ilişkiler keşfedilir (Alpaydın, 2010). Yarı denetimli öğrenmede ise hem etiketi olan hem de etiketi olmayan verilerle işlemlerin yapıldığı öğrenme sürecidir (Yang vd., 2021). Genellikle etiketlenmemiş verilerin sayısı fazla, etiketlenmiş verilerin sayısı ise azdır (Aytekin, 2021). Derin Öğrenme: Daha yeni tekniklerden biri olup, temel verilerle ilgili daha az varsayıma dayanan modellere dayanır ve bu nedenle karmaşık verileri işleme kapasitesine sahiptir (Panch vd., 2018). Zaman içerisinde geleneksel makine öğreniminin ham veriyi işleme konusunda sınırlı kalmasıyla derin öğrenme ham verilerden otomatik ve katmanlı özellik çıkararak karmaşık fonksiyonların öğrenilmesini sağlamıştır (LeCun vd., 2015). İnsan beyninin karmaşık sorunlarını analiz edip, karar verebilme, gözlemleme, öğrenme gibi yeteneklerini taklit ederek, denetimli ya da denetimsiz büyük veri kümelerinden özellik çıkarma, sınıflandırma ve dönüştürme işlemleri yapan bir makine öğrenme yöntemidir (Kayaalp ve Süzen, 2018). Makine öğrenilmesinin daha ileri bir dalıdır ve büyük veri kümelerinden karmaşık örüntüleri çıkarmak için tasarlanmış, çok katmanlı yapay sinir ağları kullanılmaktadır (Goodfellow vd., 2016). 2010’lu yıllarda derin öğrenme, büyük veri ve güçlü işlemcilerin birleşimi ile birlikte hızlı bir yükselişe geçmiştir (LeCun vd., 2015). Günümüzdeki derin öğrenmedeki algoritmalar içerisinde doğal dil işlenmesi, görüntü tanıyabilme ve oyun mühendisliği gibi alanlar, insan zekası seviyesine yakın veya konusunun özelliğine göre daha iyi performans gösterebilmesini mümkün kılmaktadır (Silver vd., 2016). Derin öğrenmede yapay sinir ağları kullanılarak çok katmanlı modeller oluşturulmakta ve özellikle ses ve görüntü tanıma, doğal dil işleme gibi alanlarda yüksek performans ortaya koyan uygulamalar ortaya çıkmaktadır (LeCun vd., 2015). Derin öğrenmenin temelini, insan beynindeki süreçleri taklit GİRİŞ   11 eden ve biyolojik süreçlerden esinlenerek insan yapımı kodlarla tasarlanan yapay sinir ağları oluşturmaktadır (Wisetsri vd., 2021 ). Derin öğrenme, makine öğrenmesi alanının bir alt dalıdır. Yapay sinir ağlarının, derin öğrenme ile kullanılarak karmaşık verilerin analizi yapılmaktadır (Mitchell, 1997). Doğal Dil İşleme (NLP): Doğal Dil İşleme alanı, insanların dillerini anlayabilmek ve işleyebilmek amacıyla bilgisayarların algoritmalarının kullanıldığı bir yapay zeka alanıdır. Bu alanda metin ve ses verilerinden, bilgi çıkarımı, otomatik çeviri ve dil modellerinin oluşturulması gibi işlevler bulunmaktadır (Parsing, 2009). Yapay zeka teknolojileri içinde önemli bir tekniktir ve amacı, doğal dillerin yapı kurallarının metinler veya ses dalgaları aracılığıyla bilgisayarlar tarafından algılanmasını sağlamaktır. Bu teknikten yararlanarak diyaloglar aracılığıyla bireyselleştirilmiş öğrenme ortamları oluşturulmakta, bu ortamlar öğrenenin ihtiyaçlarına göre düzenlenmekte ve öğrenme eksiklerine göre güncellemeler yapılmaktadır. (Arslan, 2020). Bilgisayarlar ile insanların dillerini anlayabilip, analiz edebilme ve üretme becerilerini geliştirmeye yönelik çalışmalar yürütmektedir (Jurafsky ve Martin, 2020). Doğal dil işlemeyle, konuşma ya da metinlerin analizi edilir. Doğal dillerin kendilerine özgü farklı özellikleri olduğundan, her dil için farklı analiz ve yaklaşım gerektirir. Doğal dil işleme çalışmalarının başlangıcını Alan Turing, “Makineler düşünebilir mi?” çalışması ile ortaya atmıştır (Dayan ve Yılmaz, 2022). Doğal dil işlemeyle bilgisayarların insanların dillerini okuyabilme, anlayabilme ve yorum yapabilme gibi özelliklere sahip olmaları sağlanır. Örnek olarak, günlük hayatımızda kullandığımız mobil telefonlardaki sesli sanal asistanlar gösterilebilir. Bu sesli sanal asistanlar konuşmamızı anlar, yorumlar ve denetim ile dil bilgisi gibi insana çok benzer doğal dil işleme özelliklerini barındırır. Kısaca, kullandığımız telefonlar, akıllı ev sistemleri, dil öğrenme uygulamaları ve web sitelerinde kullanılan sohbet robotları gibi insan hayatında önemli rol oynayan bu uygulamalar, doğal dil işleme teknolojisi ile desteklenir (Apul, 2024). Yapay Sinir Ağları: 1943 yılında temelleri McCulloch ve Pitts tarafından ortaya atılan yapay sinir ağları, “Beynin Boolean Devre Modeli” vasıtasıyla açıklanmaktadır. Modelde matematiksel teoriler kullanılarak, nöronların beyinde nasıl çalıştığı ifade edilmektedir. Bu teori yapay zekada, beyin çalışma prensiplerinin tanımlanması için önemli bir adımdır (Arslan, 2020). Yapay sinir ağları, insan beyninin öğrenme yönteminin taklidini yapan ve beynin öğrenme, hatırlama gibi yöntemlerle topladığı verilerden yeni veriler türetebilmesini sağlayan bir bilgisayar yazılımıdır (Öztürk ve Şahin, 2018). İnsan beynindeki bağlantıları taklit ederek; öğrenme, ilişki kurma, tahmin yürütme, genelleştirme, 12   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . özelliklendirme, sınıflandırma gibi işlemleri yapması beklenen sistemlerdir (Kaplan, 2020). 1940’lı yıllarda tasarlanan yapay sinir hücresi modelinin mantıksal işlemlerin matematiksel olarak gösterilebileceği fikrini kanıtlamasıyla, insan sinir sistemine yönelik araştırmalar ve bu araştırmalara dayanan yapay sinir ağlarının gelişim süreci başlamıştır (Şen, 2004). Derin öğrenme, karmaşık veri yapılarını oluşturmak için yapay sinir ağlarını kullanmaktadır (Korkmaz vd., 2024). Uzman Sistemler: Uzman sistemler, yapay zeka ile birkaç yönüyle farklılık göstermektedir. Genel olarak yapay zeka bir problemi çözmeye çalışırken, insanların zekalarını taklit etmeye odaklanmaktadır, uzman sistemler ise, belirli bir konu üzerinde uzmanlaşan bireylerin çözümleyebileceği problemlere odaklanmaktadırlar. Bundan dolayı, uzman sistemler genellikle o konuyla alakalı bilgileri içeren veri tabanı oluşturur. Örnek olarak, bir öğretmen sınıf yönetimiyle alakalı bir problemi çözebilmek amacıyla yalnızca kendi bilgilerini kullanmaktayken, uzman sistemler ise farklı öğretmenlerden elde etmiş olduğu veriler ve sonuçlardan yararlanarak, problem ile alakalı verilerin sisteme yüklenmesiyle olası çözümler sunabilmektedir (Arslan, 2020). Belirli alanda uzmanlaşmış kişi veya kişilerin bilgi ve tecrübelerinden faydalanarak veri ve bilgi havuzu oluşturulmasıdır. Bu sistemler, bilgisayarların bu veri ve bilgileri kullanarak çıkarımlar yapma ve karar verme yeteneğini geliştirmesine olanak tanımaktadır (Korucu ve Biçer, 2022). Uzman sistemler, tek bir kişinin zorlandığı karmaşık problemleri çözebilmektedir (Yaman ,2024). 1970’lerde ortaya çıkmıştır. 1980’lerde yoğun araştırmalar yapılmasına rağmen gerek bilgilerin veriden öğrenme yerine insanlar tarafından girilmesinden kaynaklanan zorluklar, gerekse bazı durumlarda mutlak doğru veya yanlış olmaması nedeniyle çok başarılı olamamıştır. Uzman sistemler insan zekâsını taklit etmez, alan uzmanlarının tecrübelerinden oluşan veri havuzundan beslenir (Arslan, 2020). Karar verme aşamasında insanlara destek olan yapılardır. İlgili alandaki uzmanların görevlerini çeşitli algoritmalar ile yapan sistemlerdir. Bu sistemlerde veri tabanının oluşturulması çok önemlidir (Arslan, 2020). 1.1.2 Yapay Zeka Evreleri Yapay zekanın, dar yapay zeka, genel yapay zeka ve süper yapay zekadan oluşan üç farklı evresi bulunmaktadır. Dar Yapay Zeka; Belirlenmiş ve özel görevlerin yerine getirilmesini sağlayan ve çoğunlukla makine öğrenmesi tekniklerinden yararlanan sistemleri kapsamaktadır. Bu tür sistemler, sadece atanan görevlerde başarılı olurken, GİRİŞ   13 çeşitli ve geniş bir görev spektrumuna uyum sağlayamamaktadır (Bostrom vd. 2018). Belirli alanlarda insanı taklit edebilen veya benzer performans sergileyen sistemlerdir. Bu sistemler, biyolojik nöronların anlama veya düşünme süreçlerini modellemez; bunun yerine, makinelerin hesaplama gücüne göre belirli bir problemin en iyi çözümünü bulmaktadır. Sebep-sonuç ilişkisi kuramamakta ve mantıksal çıkarım mekanizmasına göre çalışmaktadır (Nabiyev ve Erimüt, 2022). Dar yapay zeka mevcuttaki bütün yapay zekayı kapsamaktadır. Dar yapay zekanın işlevi, özel programlamaya bağlı olarak düzenlenmektedir. Sınırlı yeteneklere sahiptir. Dar yapay zeka ilk yapay zeka sınıflandırmalarında ortaya koyulan sınırlı bellek ve reaktif alt sınıflandırmaları ile uyumlanmıştır (Hassani, 2020). Genel Yapay Zeka; Çok çeşitli görevlerde etkili bir biçimde faaliyet gösterebilen ve insan zekasıyla eş değer düzeyde performans sergileyebilen sistemleri tanımlamaktadır. Bu yapay zeka türü henüz tam anlamıyla hayata geçirilmemiş olup, ilgili araştırmalar aktif olarak devam etmektedir (Bostrom vd. 2018). Genel yapay zeka insanların zekalarına daha yakın olan ve neden-sonuç ilişkileri kurabilmekte olan genel problem çözücüler şeklinde değerlendirilmektedir (Nabiyev ve Erimüt, 2022). Küsbeci (2021) Genel yapay zekayı; çeşitli uzmanlık alanlarındaki karmaşık sorunları çözme yeteneğine sahip olan, bağımsız bir şekilde kendini yönetebilen; güçlü yönleri, duyguları, endişeleri, kendi düşünceleri ve eğilimleri bulunan yazılım uygulaması olarak açıklamaktadır. Genel yapay zekanın amacının, uzun süreli hedeflerin sürdürülebilmesi ve daha genel bir şekilde bir insan tarafından yapılabilecek birçok entelektüel işin yapılabilmesi ‘genelleştirilmiş’ insan zekasına sahip olan robotların yaratılmasıdır. Dar görevler ile ilgilenmek, genel yapay zeka geniş bilişsel yeteneklerinin geliştirilmesini hedeflemektedir (Potember, 2017). Süper Yapay Zeka; İnsan beyninin işleyişini ve düşünme süreçlerini doğru bir şekilde modelleyerek, yeni teorileri doğrulayabilme yeteneğine sahip olmakta ve yaratıcılığını tam anlamıyla sergileyebilmektedir. Bu bağlamda, süper yapay zeka, ağ tabanlı zeka aracılığıyla, insanın öngöremediği çözümleri anlayarak geliştirebilen sistemlere atfedilen genel bir terim olarak ifade edilmektedir (Nabiyev ve Erimüt, 2022). 1.1.3 Yapay Zekanın Tarihi Yapay zeka teknolojilerinin tarihsel gelişimi incelendiğinde ilk tarihsel kaynakların Antik Yunan ve Orta Çağ dönemlerine ait olduğu görülmektedir. Antik bilim tarihçisi Adrienne Mayor, Yunan, Roma, Çin ve Hint mitolojilerindeki 14   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . bazı eserleri ve olayları günümüz yapay zeka ve robotik teknolojilerle ilişkilendirmekte ve öncüsü olarak nitelendirmektedir. Örneğin Mayor “Tanrılar ve Robotlar” isimli kitabında Yunan mitolojisinde yer alan Hephaistos tarafından yaratılan bronzdan yapılmış dev Talos’u, dünya üzerinde yürüyen ilk robot ve bir adayı korumak için programlanmış bir makine olarak tasvir etmektedir. Aynı zamanda Mayor kitabında bahsettiği Hint mitlerindeki robot savaşçılar, antik dönemdeki insanların “zanaat yoluyla yaşam” yaratma isteği ve bu isteğin getirdiği etik sorunlar, yine o dönemlerde İskenderiye gibi şehirlerde yapılan otomatlar ve bu otomatların günümüzde Silikon Vadisi gibi önemli teknoloji merkezlerinin ilkel örneklerini oluşturduğu gibi düşünceleriyle yapay zekanın oldukça derin köklere sahip olduğunu dile getirmektedir (Mayor, 2018). Yapay zeka ile ilgili birçok konu Antik Çağlardan beri felsefede de oldukça fazla önem arzetmektedir. Öyle ki Aristoteles, Thomas Hobbes, Rene Descartes gibi filozoflar “Akıl yürütme otomatikleştirilebilir mi?”, “Temel bilişsel işlemler nelerdir?” gibi çeşitli sorular sormuştur (Flasinski, 2016). Yapay zekaya olan ilgi, Batı’daki Antik Yunan filozoflarının robotik efsanelerinden, Anadolu’da sibernetik alanını geliştiren ve bu alanda öncü olduğu söylenebilecek olan El Cezeri’nin çalışmalarına kadar geniş bir yelpazeyi oluşturmaktadır (İrdem ve Çobanoğlu, 2022). 17. yüzyılın tanınmış filozoflarından Descartes (1596-1650), insanları düzenli bir mekanizma gibi çalışan makinelerle karşılaştırmakta ve insan davranışlarının taklit edilmesi sürecini başlatmıştır. İngiliz matematikçisi olan Charles Babbage (1792-1871), insan davranışlarının fiziksel yönünden çok, zihinsel boyutuna odaklanmaktadır. Bu yüzden, insan zihninin özelliklerini taklit etmeyi amaçlayıp “Fark Motoru” adıyla bilinen ilk hesap makinesini tasarlamıştır. Bu hesap makinesi dönemin önemli yapay zeka çalışmalarından sayılmaktadır (Coşkun ve Gülleroğlu ,2021). 20. yüzyılın başlarında yapay insanlarla ilgili makaleler yazılmaya başlandı. Bilim insanlarını düşündüren tek soru vardı “İnsan beynine benzer yapay beyin yaratmak mümkün mü?”. Bu dönemde, buharla çalışan, yürüyebilen ve yüz ifadelerini taklit edebilen robotlar üretiliyordu (Coderspace, 2024). 1929 yılında, Japon mühendis Makoto Nishimura, “Gakutensoku” adını verdiği ilk Japon robotu tasarladı. İngiliz matematikçi Alan Turing, 1936 yılında Turing Makinesini ortaya koyarak bu tür bir makinenin bir algoritma ile temsil edilebilmesi halinde her türlü problemi çözebileceğini, bununla beraber insan zekasına uygulandığında düşünce süreçlerinin algoritmalara dönüşebilmesi anlamına geleceğini belirtmiş; bu çalışmalar sonucunda inşa edilen ilk dijital bilgisayarlar yapay zeka için gerekli donanımı sağlamıştır (Mijwel, 2015). Turing’in İkinci Dünya Savaşı sırasında GİRİŞ   15 “The Bombe” adlı makinesinin Enigma kodunu çözerek, savaşın kazanılmasına katkı sağladığı bilinmektedir (Onat, 2022). Alan Turing; makalesinde (Turing, 1936) algoritmanın çalışma prensibini oluşturan Turing Makinesi’ni tanıtmıştır. II. Dünya Savaşı’nda Alman ordusunun Enigma şifrelerini çözen, bilgisayar biliminin ve yapay zekânın babası olarak tanınan Turing, bu makalesinde bir makinenin birden çok işlem için kullanılabileceği fikrini ortaya çıkmıştır. Günümüzde yaşamın önemli bir parçası haline gelmiş olan akıllı telefonlar düşünüldüğünde, bu fikrin ne kadar benimsendiği anlaşılabilmektedir. Yapay zekâ üzerine yapılan ilk çalışmanın; McCulloch ve Pitts tarafından 1943 yılında tasarlanan “Beynin Boolean Devre Modeli” olduğu söylenebilir. Tasarlanan bu modelle beynin çalışma mantığı matematiksel olarak açıklanmaya çalışılmıştır. Bu yönüyle de yapay zekâ anlamında büyük bir adım olarak düşünülmektedir (Arslan, 2020). Modern yapay zeka çalışmaları ilk olarak II. Dünya Savaşı esnasında ortaya çıkmaya başlamıştır. Warren McCulloch ve Walter Pitss isimli iki bilim adamı, insan beynindeki sinir sisteminin temel birimi olan nöronların çalışma mekanizmasını matematiksel olarak açıklayan bir model geliştirmiştir (McCulloch ve Pitts, 1943). 1949 yılında, makinelerin büyük verileri hızlı bir şekilde işleyebileceğini açıklayan Edmund Callis Berkley’nin “Dev Beyinler veya Düşünen Makineler” kitabı yayımlandı (Coderspace, 2024). İlerleyen süreçte Alan Turing, “Computing Machinery and Intelligence” isimli ünlenmiş makalesi ile “Makineler düşünebilir mi?” sorusunu ortaya atnış ve makinelerin insanlar gibi düşünüp düşünemeyeceğini anlamayı sağlayan Turing Testi’ni ortaya koymuştur (Turing, 1950). Yapay zeka teriminin ilk kez tartışılmaya başlanması 1950 yılında, Alan Turing’in ‘Turing Testi’ ile gerçeklemiştir ve 1950 yılında Turing tarafından yayınlanan “Computing Machinery and Intelligence” adlı makale ile birlikte yapay zeka kavramında temel yapı oluşturulmuştur (Turing, 1950: 433). 1950 yılında Alan Turing tarafından bir dergide yayınlanan makalesinde (Turing, 1950) makinelerin düşünebileceği ile ilgili sunulan kanıtlar ile ortaya atılan Turing Testinde sorgulayan bir bilgisayar ile bir insan yazılı olarak iletişim kurmakta ve sorduğu sorulara verilmiş olan cevaplara bakılarak cevap verenlerin insan mı yoksa bilgisayar mı olduğu tahmin edilmiştir. Turing yapay zekâ ile ilgili ilk tartışmayı başlatmasına rağmen bu hedefe ulaşılacak yöntemleri açıklamamıştır (McCarthy, 2007). 1950 yılında Alan Turing, düşünen makineler yaratmanın mümkün olup olmadığına dair görüşlerini belirten “makineler düşünebilir mi?” sorusunu sorduğu makalesinde, makinelerin insanlar gibi karar verme ve problem çözme becerilerine sahip olabileceğini savunarak bir dönüm noktasını yaratmıştır. Yine aynı yıllar Isaac 16   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Asimov tarafından yayımlanan “Ben, Robot” isimli bilim kurgu romanı büyük etki yaratmıştır. 1951 yılında yapay zeka ile oyun ilişkisi kurulmaktadır. Manchester Üniversitesi’nde Christopher Strachey Ferranti Mark 1 makinesiyle bir dama programını geliştirirken, Dietrich Prinz ise bir satranç programını yazmıştır (TRAI, 2023). 1950 yılında Claude Shannon, makinelerin nasıl satranç oynayabileceği ile ilgili çalışmış ve bunu bir makalede (Shannon, 1950) aktarmıştır. Böylece bilgisayarların hesaplama işlemleri dışında da kullanılabileceği fikri tekrar gündeme gelmiştir. Aynı yıl icerisinde Dietrich Prinz ise bir Satranc programı yazmıştır. 1952’de Samuel, Dama isimli oyunu geliştirerek, kendi kendine oyunu oynayabilecek ve aynı zamanda kendisini eğitebilecek yetenekli bir oğrenme algoritması yaratmayı başarmıştır (Alzubi, 2018: 4). Yapay zekanın tarihsel gelişim sürecinde önemli olan bir diğer adım ise 1956 ‘da gerçekleştirilen Dartmouth College’dir. John McCarthy, Claude Shannon, Nathaniel Rochester ve Marvin L. Minsky tarafından gerçekleştirilen ve ilk kez “Yapay zeka” teriminden bahsedilen Dartmouth Yapay Zeka Yaz Araştırma Projesi, yapay zekaya ilişkin araştırmaların başlangıcı olarak kabul edilmekte; projenin temel varsayımı ise insan zekasına dayalı davranışların makineler tarafından yeniden üretilebilir hale gelebileceği şeklindedir (McCarthy vd., 2006). Bu proje ile McCarthy, makinelerin insan zekası ve öğrenmeyi nasıl taklit edebileceği, insanlar gibi nasıl düşünebileceği gibi soruları ortaya atmıştır (McCarthy vd., 2006). Yapay zekâ terimi ilk kez kullanılmaya başlandıktan sonra birçok bilim insanı bu konuda araştırmalar yapmıştır (İşler ve Kılıç, 2021). Herbert Simon ve Allen Newell tarafından ilk yapay zeka program olan Mantık Kuramcısı (The Logic Theorist) Dartmouth’da tanıtılmıştır (Akın, 1997). Yine Herbert Simon, Allen Newell ve J. C. Shaw tarafından geliştirilen General Problem Solver (GPS) ise zeka gerektiren sorunları çözebilen bilgisayar programları oluşturmak ve bu programların insanların problem çözme yöntemleriyle eşleştirilebileceğini keşfetmek için geliştirilmiştir (Newell vd., 1959). Bu program insan zekâsını taklit ederek oluşturulan ilk bilgisayar programlama teşebbüsüdür. Newel ve Simon o dönemde henüz zekânın karmaşıklığı konusunda yeterince fikir sahibi olmadıkları için çok iyimserdirler (McCarthy, 2007). Çünkü GPS, verilen bir dizi komutu kullanarak bir durumu farklı bir duruma dönüştürme temeline dayanmaktadır. Daha önce 1950 yılında Shannon, ardından Turing tarafından geliştirilen, 1952-1962 yılları arasında ise Arthur Samuel tarafından oluşturulan satranç oynayabilen ilk program ortaya koyulmuş, 1958 yılında ise John McCarthy LISP Programlama Dili, 1961’de ise LISP’te üniversite 1. Sınıf matematik sorularını çözebilme yeteneği olan Saint GİRİŞ   23 2024). Google’ın 2018’de tanıttığı Duplex uygulaması, kuaförle telefon üzerinden iletişime geçip, bir makine olduğunu belli etmeden randevu oluşturabilmiştir. Bu durum yapay zekanın, insan gibi iletişim kurma yeteneğini önemli ölçüde geliştirdiğini gösteren bir adım olmuştur (Acar, 2020). 2019 yılı, OpenAI’nin 1.5 milyar parametre büyüklüğündeki GPT-2 modelini duyurduğu zaman olarak kayıtlara geçmiştir (TRAI, 2024). 2019’da Open AI kuruluşu tarafından, 1.5 milyar parametreli olduğu belirtilen GPT-2 piyasaya sürülmüştür. GPT-2 modeli, metin içerikleri üretmekte bir önceki modele göre daha ileri bir performans sergilemiştir (Radford vd., 2019: 1). 2019’da 1.5 milyar parametreli GPT-2, 2020’de kapasitesi 175 milyar parametreye ulaşan GPT-3 piyasaya girmiştir. Bu model, dil işleme süreçlerinde önemli gelişmeler sağlarken, birçok uygulama tarafından da kullanılmaya başlanmıştır (Brown vd., 2020: 4). 2020’de 175 milyar parametre kapasitesine sahip olan GPT-3 modeli yayımlanmıştır. Takip eden yıl içinde, yazılı betimlemeleri görsellere dönüştürebilen DALL-E adlı çalışma ortaya çıkmıştır (TRAI, 2024). 2020 yılında bunu 175 milyar parametre ile GPT-3, 2021 yılında ise yazı ile tarif edilmiş olan resimlerin üretilebilmesini sağlayan DALL-E adlı çalışma OpenAI tarafından yayınlanmıştır. DALL-E hem «okuyabilen» hem de «görebilen» görsel temsiller üretme becerisiyle birleştiren, çok yönlü yapay zekanın, potansiyelinin güçlü bir göstergesidir. 2022’de OpenAI, derin öğrenmenin ve doğal diller işlemenin özelliklerine sahip olan yapay zeka sistemini, ChatGPT’yi kullanımlara sunmuştur. Böylece makineler tarafından insan dilinin anlaşılabilip, doğal bir şekilde etkileşim kurulabilmesinin mümkün olduğu görülmüştür (Abbasi vd., 2025). 2023 yılında yayımlanan GPT-4 OpenAl tarafından oluşturulmuş olan çok katmanlı büyük bir dil modelidir. GPT serisinde dördüncü olmaktadır. Diğer üretici yapay zeka modellerinden farklı olarak, Chat GPT’nin saniyeler içinde etkileyici metinler üretebilme özelliği nedeniyle bugüne kadar dünyanın en gelişmiş Chatbot’u olarak tanımlanmaktadır (TRAI, 2023). 2023’ten sonra, çeşitli yapay zeka uygulamaları ve modelleri geliştirilmeye devam etmiştir. Yeni modeller, genellikle daha iyi doğal dil işleme yetenekleri, daha fazla veri ile eğitilme ve daha çeşitli işlevsellik sunma özellikleriyle öne çıkmaktadır. 2023 ve 2024 yıllarında GPT-3,5, GPT-4 ve GPT-4o gibi modellerin piyasaya sürülmesi dikkat çekmiştir. Bu gelişmeler, yapay zeka teknolojisinin evriminde dönüşüm yaratan anahtar adımlar olarak değerlendirilmektedir (TRAI, 2024). Son dönemlerde, yapay zeka teknolojileri ciddi bir ilerleme kaydetmiştir ve artık çeşitli sektörlerde ve toplumsal alanlarda aktif olarak kullanılmaktadır. Derin öğrenme ve sinir ağları teknolojileri, geniş bir uygulama yelpazesi 24   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . sunmakta ve birçok sektörde yenilikçi çözümler sağlamaktadır (Goodfellow vd., 2016). Yapay zeka, insan yaşamında çeşitli avantajlar sağlayan ve neredeyse insan beyninin işlevlerini taklit edebilen bir teknoloji olarak öne çıkmaktadır; öğrenme ve adaptasyon kabiliyetleri ile dikkat çekmektedir (Sucu vd., 2020). Geçmişte sadece bilim-kurgu filmlerine özgü görünen akıllı robotlar, bir zamanlar hayal gibi bir kavranırken, artık günlük hayatımızın bir unsuru haline gelmiştir. Yapay zekanın tarihsel gelişimi, bu teknolojinin zaman içindeki evrimini ve önemli dönüm noktalarını vurgulamaktadır. Bu noktada yapay zekanın temel ilkeleri ve kavramları üzerinde durarak bu teknolojinin altında yatan prensipleri ve önemli terminolojiyi incelemek yararlı olacaktır (Sucu vd., 2020). Günümüzde yaşanan gelişmeler sayesinde yapay zeka, üretken yapay zekaya dönüşmektedir. Üretken yapay zeka, öğretilen verilerden ses, resim, kod veya metin gibi yeni ve anlamlı içeriklerin üretilebilmektedir (Feuerriegel vd., 2024: 111). 2020’ler ve Sonrası Yapay Zeka Çağı: Eğitimde yapay zeka destekli sistemler (öğrenme analitiği, otomatik değerlendirme vb.), öğretmen rollerini yeniden şekillendirmekte ve öğretim süreçlerinde dönüşüm yaratmaktadır (Holmes vd., 2022). (Altun vd., 2023): 2021’de Boston Dynamics’in Atlas robotu parkurlardaki üstün performansıyla ses getirmiştir. 2022 yılında yapay zeka modeli olan LaMDA’nın bilinç kazanmış olduğu iddiaları yapay zekanın gelecekte gerçekleşebilecek olan kapasitelerine dikkat çekmiş ve önemli tartışmaları da beraberinde getirmiştir. 2024 yılında Avrupa Parlamentosu, yapay zekanın kullanılmasına dair kuralların getirildiği ilk yasal düzenlemeye, Avrupa Yapay Zekâ yasasına onayını verdi. Unesco, Eğitim ve Araştırmada Üretken Yapay Zeka Kılavuzunu yayınladı. 2024 Ulusal Yapay Zeka Stratejisi yayınlandı. Bu gelişmeler, yapay zekanın sürekli evrilen bir bilim dalı olduğunu göstermektedir ve günümüzde günlük yaşamdan endüstriyel uygulamalara kadar geniş bir yelpazede kullanılmaktadır. Kuipers ve Prasad, (2022) bu tarihsel gelişimi geçmişten günümüze bir şema halinde derlemiştir. Bu şemalar aşağıda ‘Şekil 1’ ve ‘Şekil 2 ’de sunulmuştur. GİRİŞ   25 Şekil 1. Yapay Zeka tanımı ortaya koyulmadan önceki zaman çizelgesi (Kuipers ve Prasad, 2022) Şekil 2. Yapay Zeka tanımı ortaya koyulduktan sonraki zaman çizelgesi (Kuipers ve Prasad, 2022) 1.1.4 Yapay Zekaya Yönelik Tutum Öğrencilerin kullandıkları ve içinde yaşadıkları teknolojiyi, nasıl anladıkları ve yorumladıkları onların bu teknolojilere yönelik tutumlarını ve güvenlerini 26   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . doğrudan etkileyebilmektedir (Müller ve Bostrom, 2016). Öğrencilerin yapay zekaya yönelik algılarının şekillenmesinde, medya, eğitim içerikleri ve öğretmenlerin tutumları gibi dış etmenler önemli rol oynamaktadır (Schmidt ve Tang, 2020). İnsanlar ilk kez karşılaştıkları canlı veya cansız nesnelere karşı bir düşünceye sahip olmakta ve bu düşünceler doğrultusunda söz konusu nesnelere ilişkin bir davranış biçimi benimsemektedirler. Bu durum tutum olarak tanımlanmaktadır (Çöllü ve Öztürk, 2006). Dolayısıyla bir nesneye dair tutumun olumlu veya olumsuz olmasını belirleyen unsurlar, eğitim ve öğretimde gerekli stratejiler belirlenebilmesi için önemlidir (Cabı, 2015). Özellikle sosyal medya, yapay zeka teknolojilerini kimi zaman aşırı olumlu, kimi zaman ise abartılı derecede olumsuz şekilde göstererek, bireylerin bu teknolojilere yönelik tutumlarını etkileyebilmektedir (Binns, 2018). Buradan hareketle insanların yapay zeka teknolojilerini kabul edebilmesi de onların yapay zekaya ilişkin genel tutumlarıyla yakından ilişkilidir (Schepman ve Rodway, 2020). Geleceğimizin önemli bir parçası olan yapay zekaya yönelik öğrencilerin tutumları oldukça önemlidir (Demir ve Güraksın, 2022). Bu nedenle, öğrencilerin yapay zekaya yönelik algılarını anlamak, bu teknolojilerin eğitimde etkili ve güvenli bir şekilde kullanılmasının sağlanması oldukça önemli bir konudur (ZawackiRichter vd., 2019). Yapay zekaya yönelik tutumlar, bireylerin bu teknolojilere yönelik bilgi düzeyleri ve deneyimleri ile şekillenmektedir (Siau ve Wang, 2020). Geliştirilen eğitim sistemleri ile öğrencilere, yapay zeka teknolojilerini anlama ve kullanma becerileri kazandırılması hedeflenirken, bunların yanında bu teknolojilerin etik ve toplumsal boyutları da öğretilmelidir (Greene vd., 2020). Bazen kullanıcılar teknolojiye ve teknolojik ürünlere şüpheyle yaklaşır; bu nedenle teknolojiyi kabul ya da reddetme nedenlerini anlamak zordur (Sönmez ve Akgül, 2015). Teknolojiye ilgi ve bilgi düzeyinin yapay zeka kaygısını etkilediği ve ilgi duyan bireylerde kaygının daha düşük olduğu görülmektedir (Kazak, 2023). Yapay zeka teknolojilerinin sahip olduğu etik sorunlar, güvenlik problemleri, özel hayatın ihlali gibi risklere dair haberler arttıkça, bu risklere bağlı korkular da tutumları şekillendirmektedir (Kaprol, 2023). İlköğretim ve ortaöğretim öğrencilerinin yapay zekaya olan güvenleri ve bu teknolojilerin gelecekteki etkilerine ilişkin beklentileri, onların bu alandaki eğitimlerine ve toplumsal rollerine yön verebilmektedir (Brynjolfsson ve McAfee, 2016). Bu noktada özellikle öğrencilerin yapay zeka teknolojilerine yönelik tutumları ile yaklaşımları oldukça önemli olmaktadır (Mart ve Kaya, 2024). Bu sebeple yapay zekanın öğrenciler tarafından benimsenmesi bu teknolojiye yönelik tutumları ile yakından ilişkilidir (Alan vd., 2024). Genel anlamda öğrencile,r yapay GİRİŞ   27 zekaya karşı olumlu tutumlar geliştirmektedirler. Bununla beraber yapay zeka tutumunun bu teknolojilerin sahip olduğu dezavantajlar ve kullanım alanlarına göre değişiklik gösterebildiği de bilinmektedir (Eti, 2025). Öğrencilerin yapay zeka hakkında bilgi sahibi olması bu yeni teknolojiye olan güvenlerini arttırabilir ve yapay zekayı kariyerleri açısından bir avantaj olarak görebilirler (Kırkar ve Buzlukçu, 2024). Xia vd., (2023) yaptıkları çalışmada, yapay zeka araçlarının eğitim sürecinde planlama, uygulama ve öğretim aşamalarında kullanıldığında öğrencilerin aktif katılım sağladıklarını tespit etmişlerdir. Chang vd., (2022) yapay zeka destekli sohbet robotlarıyla öğrenme gerçekleştirmenin öğrencilerin motivasyonlarını ve performanslarını arttırdığını belirtmişlerdir. Yapay zekâya yönelik düşünceler incelendiğinde, öğretmenler genel olarak yapay zekânın eğitim alanında kullanılmasını olumlu karşılamaktadır (Meço ve Coştu, 2022). 1.1.5 Eğitimde Yapay Zeka Köklü bir geçmişe sahip olan ve gelecekte de varlığını sürdürecek olan teknolojik gelişmelerin başında “yapay zeka” yer almaktadır (Yavuz Aksakal ve Ülgen, 2021). Günlük hayatımızın ayrılmaz bir parçası haline gelen ve çeşitli alanlarda hizmet vermeye başlayan yapay zeka teknolojilerinin eğitim hayatında kullanımı da oldukça önemli bir gelişme olarak görülmekte ve tüm dünyada eğitim sistemleri kendilerini yapay zeka teknolojilerinin kullanımına göre güncellemektedir (İşler ve Kılıç, 2021). Yapay zeka, günümüzün ve geleceğin temel teknolojilerinden biri olarak kabul edilmekte olup, toplumsal ve ekonomik yapımızı derinden etkilemekte ve dönüştürmektedir. Yapay zekanın hızla evrilen doğası, eğitim sistemlerinin de bu yeni gerçeklikle uyum sağlamasını zorunlu kılmaktadır. Özellikle yapay zeka teknolojisinin hızla ilerlemesi ve pek çok sektörde etkin rol oynaması, eğitimde bu teknolojilerin bütünleştirilmesinin önemini artırmaktadır (Holmes vd., 2022). Eğitimde makinelerden yararlanılması durumu 1920 yılında Pressey’in tasarladığı öğrenme makineleriyle başlamıştır, daha sonra 1950 yılında Crowder, 1954 yılında ise Skinner tarafından yapılan tasarımlarla devamı gelmiştir (Namlı, 2022). Pressey (1950) üniversitelerde gerçekleştirilen çoktan seçmeli sınavların öğrencilerin gelişimini ve onların öğrenim süreçlerini geliştirecek bir araç olarak değerlendirmiştir. Söz konusu testlerin öğrencilerin öğrenme durumuna dair hızlı geri bildirim sağlaması açısından önemli etki kuralından türeten Pressey, sınav sonuçlarının hızla öğrenilebilmesini kolaylaştıracak bir makine konseptini geliştirmiştir. Bu durum, eğitim alanında yapay zeka kullanımına ilk örnek olarak değerlendirilmektedir (Holmes vd, 2019). Bilgisayar teknolojilerinin 28   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . gelişiminden önce 1954 yılında Skinner öğrencilere programlı öğrenme sağlamak için basit makine cihazı olan ‘öğretme makineleri’ni tasarladı. Basit algoritma içeren bu sistemde öğrenci cevabını yazıp makine kolunu çevirdiğinde doğru cevap görülebilmekte ve cevap doğruysa diğer soruya geçebilmekteydi. Skinner’a (1954) göre, öğrenciler aynı öğretim teknikleriyle birlikte ilerlemek zorunda kaldıklarında, hızlı öğrenenler beklemek zorunda kalırken, daha yavaş öğrenen öğrenciler kendilerini geride hissedebilmektedir. Skinner (1954) makine ile öğrenen öğrencilerin, kendi hızlarında küçük adımlarla ilerleyerek daha etkili bir şekilde öğrenebildiklerini savunmaktadır. Skinner’ın başlatmış olduğu bu çalışma günümüzde kişiselleştirilmiş öğrenme olarak karşımıza çıkmaktadır. Bilgisayarlar ve diğer teknolojiler ortaya çıkmadan önce eğitim, doğrudan insan çabasıyla yürütülmekteydi. 1970’lerde mikrobilgisayarlar ve kişisel bilgisayarlar, elektronik sistemlerin yaygınlaşmasına ve toplumun farklı sektörlerine nüfuz etmesine olanak sağlamaktadır. Bu dönemde, kişisel bilgisayarlar, bireyler ve kurumlar tarafından kullanılabilir hale gelmektedir. Bilgisayar destekli eğitim ve öğrenme gibi yeni yöntemler sınıf içi etkileşimlerde kullanılmaya başlanmıştır. Bilgisayar ve bilgi-iletişim teknolojilerinin gelişmesi, yapay zekanın eğitimde benimsenmesini de beraberinde getirmiştir (Chen vd., 2020). Eğitimde yapay zeka uygulamalarının geçmişi 1950’li yıllara dayansa da gelişen teknoloji ile birlikte 2000 ‘li yıllardan itibaren popülerliği artmıştır. Özellikle Covid-19 salgını sırasında, yapay zeka destekli uygulamaların önemi daha iyi anlaşılmıştır. 15 Mart 2023 tarihinde ChatGPT-4’ün tanıtılmasıyla birlikte yapay zeka uygulamaları daha fazla ilgi çekmeye başlamıştır. Benzer şekilde, pandemi sürecinin hızlandırmış olduğu online derslere katılım, dijital ders kitaplarına erişim ve interaktif öğrenme uygulamaları, öğrencilerin öğrenme şekillerinde hızlı bir değişim gerçekleştirmiştir. Günümüz öğrencilerinin teknoloji ile doğar doğmaz tanışmaları ve bu nedenle teknolojiye olan düşkünlükleri, bu değişimi daha da hızlandırmaktadır. Ancak, öğrencilerin teknolojiye olan yoğun ilgisi ve sık kullanımı, dikkat sürelerinde azalmaya yol açmaktadır (Alaparthi, 2024). Yapay zeka uygulamalarının, öğrenme-öğretme sistemlerinde önemli bir etkisi vardır. Öğrencilerin kabulleri, akademik danışmanlıklar, kütüphane hizmeti, değerlendirmeler, geri bildirimler ve özel dersler gibi idari ve akademik süreçlerin dönüştürülerek, eğitim sürecinin daha verimli bir duruma getirilmesini ve geliştirilmesini sağlamaktadır (Ahmad vd., 2022). Özellikle ortaokul seviyesinde yapay zeka eğitiminin önem kazanması, öğrencilerin bugün ve yarının toplumlarına etkili bir şekilde hazırlanmalarında kritik bir rol oynamaktadır (Ng vd., 2021). Kişiselleştirilmiş öğrenme fırsatlarıyla GİRİŞ   29 öğrencilerin motivasyonunu arttırmakta, güçlü yönlerini keşfetmelerine ve bilinçli mesleki seçimler yapmalarını sağlamaktadır (Bulut vd., 2024). Yapay zekanın eğitimdeki rolü, sadece öğrenme deneyimlerini kişiselleştirmekle sınırlı kalmamakta ve aynı zamanda öğrencilere yapay zeka teknolojilerinin nasıl çalıştığını öğretme fırsatları da sunmaktadır. Yapay zeka destekli değerlendirme sistemleri ve uyarlanabilir öğrenme sistemleri gibi araçlar, öğrencilere bu sistemlerin arkasındaki algoritmaların işleyişini anlama imkanı verirken, öğretmenlerin bu teknolojileri kullanarak öğrencilere yapay zeka hakkında derinlemesine bilgi kazandırmalarına da olanak tanımaktadır (Chen vd., 2020). Eğitimde yapay zeka eşitlikçi, kaliteli ve kapsayıcı bir öğrenme ortamı sunmayı hedeflemektedir. Ayrıca tüm bireylerin hayat boyu öğrenme fırsatlarının desteklenmesini amaçlamaktadır (Pedro vd., 2019). Yapay zeka öğrenci performansını sürekli olarak izlemek ve analiz etmek için de kullanılmaktadır. Bu sistemler, öğretmenlere ve eğitim kurumlarına öğrencilerin akademik ilerlemeleri hakkında değerli bilgiler sağlamaktadır. Buna ek olarak; yapay zeka öğrencilerin katılımını artırarak ve de öğrenme süreçlerini daha etkili hale getirerek eğitim kalitesini artırabilmektedir (Panigrahi, 2020). Akıllı öğretici sistemler, yapay zekanın ve ilgili öğretim içerik ve stratejilerinin birleştirilerek teknolojinin gücüyle öğrenme deneyiminin geliştirmesinin amaçlandığı uygulamalardır. Yapay zeka araçlarıyla öğretmenlerin animasyonlar, görsel ve işitsel materyaller hazırlayabilmek gibi birçok seçenekleri bulunduğundan öğretmenlerin yapay zeka araçlarını kullanmalarının önemi oldukça büyüktür (Slay vd., 2008). Bu sistemler, öğrencilerin performansını sürekli olarak değerlendirmekte ve öğrenme materyallerini öğrencinin ilerlemesine uygun şekilde ayarlamaktadır. Bundan dolayı öğrencilerin daha verimli öğrenmelerine yardımcı olmakta ve öğrenme süreçlerinde daha iyi sonuçlar elde edilmesini sağlamaktadır (Chen vd., 2020). Yapay zeka eğitim sektöründe bir dizi alanda kullanılarak öğrenme süreçlerini iyileştirmekte ve öğretim yöntemlerini dönüştürmektedir. Özellikle öğrencilerin bireysel ihtiyaçları göz önünde bulundurularak özelleştirilmiş öğrenme deneyimleri sunmaktadır (Chen vd., 2020). Bu uygulamaların kullanımıyla öğrenenlerin öğrenme deneyiminin iyileştirilmesi, uygun geri bildirimler verilmesi, öğrencilerin ilerlemelerinin takip edilmesi ve bireyselleştirilmiş bir öğrenme sağlanması, yapay zeka sayesinde oldukça kolaylaşmaktadır. (İncemen ve Öztürk, 2024). Yapay zekanın sınıf ortamlarına entegre olmasıyla öğrencilerde aktif katılım, akran iş birliği, olaylarla ilgili varsayımlar ve çıkarımlara ulaşabilmek gibi özelliklerin arttığı görülmüştür. Eğitim sistemlerindeki bir amaç da çağın gereklilikliğine uygun 30   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . insanların yetiştirilmesini sağlamaktır. Günden güne değişip dönüşen eğitim alanına yapay zekanın dahil olma durumu kaçınılmazdır (Arslan, 2020). Yapay zeka ile tekdüze anlatımdan ziyade etkileşimlere sahip, yeniliklerin olduğu ve öğrenme ortamı keyifli bir hale gelmektedir. Böylece eğitimöğretim süreci daha verimli bir şekilde ilerlemektedir (Demircioğlu, vd., 2024). Yapay zeka sistemlerinin gelişim göstermesi ile eğitim sistemlerinin yapısı, işleyişi ve yetiştirilmesi beklenen kişilerin profili değişmektedir (Coşkun ve Gülleroğlu, 2021). Geleneksel sınıf ortamlarında uzun süreli dikkat gerektiren ders anlatımlarına karşı öğrencilerin ilgisi azalmaktadır. Bu bağlamda, öğrencilerin daha etkileşimli ve dinamik öğrenme yöntemlerine duyduğu ihtiyaç artmaktadır. Geleneksel tek tip konu anlatımlarının öğrencilerin ilgisini çekmemesi nedeniyle, yapay zeka destekli uygulamaların eğitime entegrasyonunun önemi büyüktür. Yapay zeka tabanlı uygulamalar, öğrencilerin bireysel öğrenme ihtiyaçlarını anlamak, öğrenme süreçlerini kişiselleştirmek ve öğretmenlere verimli geri bildirimler sağlamak gibi önemli katkılar sunmaktadır (Arslan, 2020; Chen vd., 2020; İşler ve Kılıç, 2021; Uzun vd., 2021, Yolcu, 2024). Yapay zekânın eğitimde uygulanmasına yönelik araştırmalara bakıldığında yapay zekanın, ağırlıklı olarak kişiselleştirilme ve uyarlanabilirlik, öğretim yöntemleri, uzaktan eğitim ve bireyselleştirilmiş dersler gibi konulara odaklandığı belirlenmiştir (Göksel ve Bozkurt, 2019). Bu noktada yapay zekâ teknolojilerinin açık ve uzaktan eğitimlerde kullanımının, ödevlerin veya sınavlara ait ölçme değerlendirme işlemlerinin veya öğretimin değerlendirilmesinde önemli teknolojilerden biri olduğu söylenebilir (Şenocak, 2020). Eğitim ortamlarında yapay zeka; konu anlatımlarına yardımcı olabilme, değerlendirmeler yapabilme, bireyselleşen öğrenme ortamlarını sağlayıp hızlı dönütler verebilme konuları ile öğrenme ortamlarına yeni bir boyut kazandırmayı sağlayacaktır (Arslan, 2020). Yapay zeka şu anda eğitimde bir başlangıç aşaması olarak, bir yardımcı işlevi görmektedir. Ancak yapay zeka destekli eğitim, öğrenme gereksinimlerinin değişimiyle birlikte daha belirgin ve kritik bir işlev kazanacaktır. Bu durum, eğitim süreçlerinin ve öğretim yöntemlerinin daha etkili bir şekilde uyarlanmasını sağlayarak, öğrenci deneyimlerini ve öğrenme sonuçlarını önemli ölçüde iyileştirme potansiyeli taşımaktadır (Chen vd., 2020). Başlangıçta öğretimde farklı aşamalarda araç olarak tercih edilen yapay zekâ, günümüzde artık küçük yaştaki öğrencilere yönelik öğretim programlarında bir ders olarak önerilmeye başlanmıştır (Charow vd., 2021). Özellikle ortaokul seviyesinde yapay zeka eğitiminin önem kazanması, öğrencilerin hem bugün hem de yarının toplumlarına etkin bir şekilde hazırlanmalarında kritik bir rol oynamaktadır (Ng vd., 2021). GİRİŞ   31 Yapay zeka; eğitim yazılımları, dijital kitaplar, web materyalleri, öğretici robotlar ve avatarlar gibi çeşitli materyallerin kullanılmasını sağlamaktadır. Yapay zeka destekli araçlar, öğrencilere ihtiyaç duydukları bilgi ve içerikleri etkin bir şekilde aktararak eğitim deneyimini zenginleştirmektedir (Arslan, 2024; Nilsone, 2023). Bozkurt (2023), üretken yapay zeka teknolojilerinin eğitim sistemlerine dahil edilmesinin, önemli bir paradigma değişimini beraberinde getirdiğini ifade etmektedir. Bu değişim, yapay zekanın öğretme ve öğrenme süreçlerinin merkezine yerleşmesiyle sonuçlanabilmektedir. Dolayısıyla tüm eğitim paydaşlarının bu yeni duruma uyum sağlamaları gerekmektedir. Üretken yapay zekanın, öğretme ve öğrenme yöntemlerini kökten dönüştürme potansiyeli göz önüne alındığında, yapay zeka okuryazarlığı ve yeni düşünme biçimlerinin geliştirilmesi büyük önem taşımaktadır. Başka bir deyişle eğitim kurumlarının, üretken yapay zekanın getirdiği yenilikleri kabul ederek bu dönüşümü benimsemeleri zorunlu hale gelmektedir (Bozkurt ve Sharma 2023). Yapay zekâ araştırmalarının artmasıyla birlikte, eğitimde öğretme-öğrenme süreçlerinin etkilendiği ve geleneksel eğitim anlayışının değiştiği açıktır (Sağdıç ve Sani Bozkurt, 2020). Buradaki amaç yeni kullanılacak donanım ve becerileri eğitim yoluyla kazandırmaktır (Aksoy ve Korkmaz, 2022). Yapay zekâ çalışmaları eğitim alanında son yıllarda artış göstermektedir (Akdeniz ve Özdinç, 2021). Teknolojikdeki ilerlemeler her alanda etkili olduğu gibi eğitim alannında da etkili olmaktadır (Ferikoğlu, 2021:1). Eğitim ortamlarında yapay zeka teknolojileri ile ilgili gerçekleştirilen araştırmalar sadece bilgi temelli olmayıp, kişiselleştirilmiş eğitim veya diyalog tabanlı eğitim sistemleri, öğrenci ve robot etkileşimleri, veri madenciliği, chatbot, yapay zeka tabanlı ölçme ve değerlendirme sistemi, akıllı ajanlar ve otomatik test üretme sistemilerini içerdiği söylenebilir (Şenyaman, 2023). Eğitim teknolojisinin sınıflara yerleştirilmesi ve yaygınlaştırılması, eğitim ve öğretimin sorunsuz olacağı ve bilimsel bilginin kolayca elde edileceği anlamına gelmemektedir (Kırtay, 2019).Yapay zekâ konu alanlarından en önemli olanlarından biri eğitimdir (ZawackiRichter vd., 2019). Eğitim ortamlarında yapay zekanın kullanılmasının amacının diğer tüm teknolojiler gibi öğrencilere yeni öğrenme ortamları sağlayarak öğrenmeyi desteklemesidir ve sonucunda da eğitimin kalitesini yükselterek, daha verimli hale getirmek olduğu söylenebilir (Alan ve Kırbağ Zengin, 2023). Yapay zekâ ile ilgili uygulamalar, öğrencilerin boş vakitlerini değerlendirmesine fırsat sunarak on-on beş dakikalık zaman diliminde çalışma imkanı sağlamaktadır (Alanoğlu ve Karabatak, 2020). Ayrıca, öğrenciler, yapay zekâ teknolojileriyle anında öğretmenlerinden dönüt alabilmektedir 32   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . (Kuprenko, 2020). Öğrencilerin performansına ve öğrenme hızlarına göre öğrenim sağlaması, yapay zeka uygulamalarının en olumlu etkisi olduğu düşünülmektedir (Küçükali ve Coşkun, 2021). Ng vd., (2021) ve Zou vd., (2019) tarafından ele alındığı üzere, bu müfredat; K-12 STEAM eğitimini, oyunlaştırma ve sosyal medya araçları aracılığıyla yapay zeka öğretimi ile bütünleştirerek öğrencileri bilim, teknoloji, mühendislik, sanat ve matematik alanlarında geleceğin iş gücüne hazırlamak için stratejik bir yaklaşım sunmaktadır. Bu yaklaşım ile öğrencilerin yalnızca teknik becerileri kazanmalarıyla kalmamaları, bunun yanında etik düşünebilme ve kritik analiz yeteneklerinin de geliştirilmesi amaçlanmaktadır. Yapay zeka öğrencilerin gelişimlerini devamlı ölçüp anında geri bildirimler sağlayabilen, otomatik ve biçimlendirebilen değerlendirme sistemlerinin geliştirilmesini sağlayarak; öğrenme verimliliğini artırırr ve de eğitim süreçlerinde, öğrencilerin kişisel ihtiyaçları doğrultusunda yönlendirmeler yapmayı sağlamaktadır (Zhu vd., 2020). Kişiselleştirilmiş öğrenme, yapay zekânın eğitimde en yaygın ve dönüştürücü uygulamalarından bir tanesidir. Bu yaklaşımla, öğrencilere kendi bireysel öğrenme hızlarında, bilgi seviyelerinde, öğrenme stillerinde ve ilgi alanlarında uyumlu bir öğrenme deneyimleri sunabilmek amaçlanır. Yapay zeka destekli öğrenme ortamları ile öğrenciler kendi hızlarında bireyselleştirilmiş öğrenmeler gerçekleştirebilmektedir. Yapay zeka uygulamaları öğrencinin başarısını etkileyen durumları belirlemektedir. Öğrenci profilini oluşturup kariyer planlamaları yapabilmektedir. Ayrıca devamsızlık, kötü alışkanlık gibi riskli durumları tespit ederek gerekli önlemleri alma konusunda yardımcı olmaktadır. Okul, sınıf, üniversite seçimlerinde karar destek sistemleri ile karar verme sürecine rehber olmaktadır. Eğitimde yapay zeka teknikleriyle makinelere çeşitli özelikler kazandırılmaktadır. Bu tekniklerin başında makine öğrenmesi gelmektedir. Makine öğrenmesi, bilgisayarların geçmiş verileri kullanarak gelecekteki problemler karşısında nasıl davranacaklarını analiz edebilmelerini, deneyimlerinden yararlanarak çözümler üretebilmelerini ve yeni öğrenmeler gerçekleştirmelerini sağlayan bir yapay zeka tekniğidir (Korucu ve Biçer, 2022). Eğitim ortamlarında yapay zekanın verimli bir şekilde kullanılabilmesini sağlamak amacıyla öğretmenler, yapay zeka alanındaki teknolojik ve pedagojik bilgi düzeylerini arttırmalıdırlar (Çelik, 2023). Yapay zekanın yapabilecekleri hakkında bilgiler edinmek, yapay zekanın sunduğu verilerin doğruluğunu değerlendirebilmek, bu durumu sınıf ortamında verimli bir şekilde yönetebilmeyi sağlamak öğretmenlerden beklenen temel becerilerdendir (İşler ve Kılıç, 2021). Zamanla artan yapay zeka araçlarının öğretmenlerin sınıf GİRİŞ   39 Derslerde iyileştirilmesinin gerektiği yerleri gösterebilme, Öğrencilerin yapay zeka eğitmenleri ile ekstra destekleri alabilmeleri, Yapay zeka destekli programlarla öğrenci ve eğiticilere yararlı geri dönütler sağlayabilme, Bilgiyle nasıl etkileşim kurduğumuzu değiştirebilme, Yapay zeka ile öğretmenlerin rolünü değiştirebilme, Deneme yanılma ile öğrenmenin korkusunu daha az hale getirebilme, Yapay zeka destekli veriler ile öğrencilerin bulunması, öğretmesi ve destekleme biçimlerini değiştirebilme, Yapay zeka, öğrencilere kimin ders verdiğini, temel becerilerini nasıl elde ettiklerini ve nerede öğrendiklerini değiştirebilme. 1.1.7 Eğitimde Yapay Zeka Kullanımının Dezavantajları Turing’in 1950 yılındaki makinelerin düşünüp düşünemeyeceğini sorgulamasının ardından, yapay zekada birçok alanda önemi ilerlemeler gerçekleşmiştir. Yapay zeka günümüz toplumlarında ve ekonomilerinde köklü değişikliklere yol açabilecek bir teknoloji olduğundan, üretkenliklerin artmasına, refah seviyelerinin iyileştirilebilmesine katkı sağlaması beklenmektedir. İklim değişiklikleri, kaynak eksikiği ve sağlık krizlerindeki gibi büyük zorlukların ele alındığı dünya çapında olan çabalara karşı destekte bulunabilir. Fakat tüm bunların yanında yapay zeka teknolojisinin yaygın olarak kullanılması gizlilik, güvenlik, adalet, hesap verebilirlik ve güven gibi konuların tartışılıp dikkat edilmesinin gerektiği konuları da gündeme gelmektedir (OECD, 2024). Bazı araştırmacıların, yapay zekânın faydalarının yanında kötüye kullanılmaları, mahremiyet kayıpları ve akıllı sistemlere karşı olan aşırı bağımlılıklar gibi risklerin de bulunduğunu ve bu durumların ilerleyen zamanlarda etik ve toplumsal sorunlara neden olabileceğini düşünmektedirler. Genel yapay zekanın risk ve olayları, küresel medya kapsamında önemli şekilde arttığı görülmektedir. Bu durumların sayısının 2022’nin sonarından beridir 53 kat arttığı belirlenmiştir. Buradan yola çıkarak teknolojilerin, güvenliğin ve istikrarın üzerine olan potansiyel etkilerine yönelik endişelerin arttığı sonucunu ortaya çıkarmaktadır (OECD, 2024). Yapay zeka sistemleri belirli hesaplamalarla çalışmakta ve bu hesaplamaların hatalı olma ihtimali bulunmaktadır (Sarı, 2020). Bu sebeple yapay zeka teknolojilerinde etik ilkeler kapsamında düzenlemeler yapılması oldukça önemlidir (Öztürk Dilek, 2019).Yapay zekâ alanındaki gelişmelerin hızla artış gösterdiği bir dönemde eğitim konusunda sadece teknolojiye güvenmek doğru değildir, çünkü hala teknolojide verilerin işlenmesi konusunda eksiklikler olup, beklenmedik sorunlara hazır olmak gerekmektedir (Popenici 40   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . ve Kerr, 2017). Eğitim süreçlerinde bu teknolojileri ana unsur olarak görmek yerine, destekleyici araçlar olarak görmek ve insan faktörünü göz ardı etmemek gereklidir (Alanoğlu ve Karabatak, 2020). Yapay zeka teknolojilerinin birçok avantajlarının yanında bazı dezavantajlarının da bulunduğu sonucuna ulaşılmıştır. Hayatlarındaki tüm alanlarda teknolojiyi kullanan öğrenciler eğitim alanında da de teknolojiden yararlanmaktadırlar. Öğrenciler teknolojiye bağımlı hale gelmektedirler ve de öğrencilerin düşünme beceri körelmektedir. Yoğun kullanımının sonucu tembelliğe sebep olabileceği düşünülmektedir. Bazı eğitim kademeleri, eğitimleri bireysel olarak da gerçekleştirilmektedirler fakat teknolojik bir arıza meydana gelmesi bu hizmetin kullanılabilmesini engelleyebilir. Teknolojinin kullanılması esnasında, birçok platformun bilgilerimize ulaşabilmesi güvenlik riskini ortaya çıkarmaktadır. Farklı bölgelerin sosyoekonomik durumları da farklı olduğu için öğrencilerin teknolojiden faydalanmaları eşit bir şekilde olmamaktadır. Yapay zeka dezavantajları içerisinde en önemli olanlardan bir tanesi de, yapay zeka tarafından sunulan bilgilerin doğruluğunun her zaman kesin olmayabilmesidir. Öğrenme süreçlerinde yapay zekayla bilginin elde edilmesi oldukça kolay olabilir fakat ulaşılan bilgilerin doğruluğunun sorgulanması v değerlendirilerek sonuca ulaşılması gerekir (Makosa, 2013). Yapay zeka sistemlerinin kullanımı, veri gizliliği ve güvenlik endişelerini artırmıştır. Ayrıca, sistemlerin karar verme süreçlerindeki şeffaflık eksikliği ve sorumluluk sorunları, etik ikilemlere neden olmaktadır (Eryılmaz, 2025). Yapay zeka uygulamalarının veri gizliliği, güvenlik ve etik sorunları vardır. Öğrencilerin verilerinin toplanması, depolanması ve işlenmesi aşamalarında gizlilik ihlalleri ve veri güvenliği riskleri ortaya çıkabilir (Huang, 2023). Khanzode ve Sarode (2020) yapay zekanın işsizlik, insan dokunuşundan uzak olma, teknoloji bağımlılığı, genç nesilde tembelleşme, program hataları kötü amaçlı kullanım, yüksek maliyet gibi dezavantajları olduğunu belirtmiştir. Bunun yanı sıra yapay zeka, büyük miktarlarda kişisel veriyi işleyerek çalışan bir teknoloji olması nedeniyle mahremiyet ve kişisel verilerin korunması hakkı yapay zeka dünyasında oldukça önemli bir noktaya karşılık gelmektedir (Bolayır, 2023). Dolayısıyla yapay zekanın analiz etmek ve kullanmak için elde ettiği kişisel veriler, bu verilerin yanlış kullanımına ve üçüncü kişiler tarafından kötüye kullanımına yol açabilmektedir (Özdal, 2023). Eğitim sistemlerinin, öğrencilere yapay zeka konusunda yeterli bilgi ve beceriler kazandırmakta yetersiz kalması, geleceğin iş gücünde gerekli olan yetkinliklerin geliştirilmesi açısından da önemli bir sorun teşkil etmektedir (Binns, 2018). yapay zeka destekli sistemlerin maliyeti yüksek olabilir ve teknik sorunlar GİRİŞ   41 yaşanabilir (Goodrich ve Schumann, 2018). Yapay zeka eğitiminde karşılaşılan etik sorunlar ve toplumsal etkileridir. Algoritmaların tarafsızlığı, veri gizliliği ve özerklik gibi konular, yapay zeka teknolojilerinin adil ve eşitlikçi kararlar alabilmesi açısından büyük önem taşımaktadır; ancak eğitimde kullanılan algoritmaların çoğu belirli veri setleri üzerinden eğitildiği için bu veri setlerinin içerdiği önyargıları yansıtabilmektedir (Binns, 2018). Öğrenciye sanal ortamda eğitim sunması öğrencinin gözlem yapma becerisinde azalmaya neden olabilir (Öztan ve Akçöltekin, 2022). Algoritmaların tarafsızlığı, yapay zeka sistemlerinin adil ve eşitlikçi kararlar alabilmesi açısından büyük önem taşımaktadır; ancak eğitimde kullanılan algoritmaların çoğu, belirli veri setleri üzerinden eğitildiği için bu veri setlerinin içerdiği önyargıları yansıtabilmektedir. Bu durum, özellikle azınlık grupları ve dezavantajlı öğrencilere karşı ayrımcılığa yol açabilmektedir (Binns, 2018). Yapay zekâ uygulamalarının öğrencilerin sanal ortamda dikkat dağınıklığına yol açabilecek reklam ve içerik ile yüz yüze gelme riskinin bulunmasıdır (Akdeniz 2019). Yapay zeka eğitiminde toplumsal etkiler ve bu etkilerin yönetimi de önemli bir konudur. Yapay zeka teknolojilerinin eğitimde yaygınlaşması, toplumsal eşitsizliklerin artmasına ve dijital uçurumun derinleşmesine neden olabilmektedir. Özellikle, ekonomik ve sosyal açıdan dezavantajlı bölgelerdeki öğrenciler, yapay zeka teknolojilerine erişimde zorluklar yaşayabilmektedir (Eynon vd., 2021). Öğrenciler için geliştirilmiş olan yapay zekâ teknolojileri maliyetli olmaktadır (Uzun vd., 2021). Bu durum, eğitimde fırsat eşitliğinin sağlanması için ciddi bir engel teşkil etmektedir. Yapay zeka eğitiminde toplumsal eşitsizliklerin giderilmesi için teknolojik altyapının yaygınlaştırılması ve dezavantajlı öğrencilere yönelik özel destek programlarının oluşturulması gerekmektedir (Eynon vd., 2021). Toplumsal etkilerle başa çıkmak için çözüm önerileri arasında, eğitim politikalarının ve müfredatların yapay zeka teknolojilerini kapsayacak şekilde güncellenmesi yer almaktadır. Buna ek olarak; öğretmenlerin ve eğitimdeki yöneticilerin yapay zeka teknolojileri hakkında eğitilmeleri, teknolojileri verimli ve etik bir şekilde kullanmalarını sağlamaktadır. Eğitim kurumları, yapay zeka teknolojilerinin eğitimde kullanımasına dair etik standartlar ve rehberler geliştirerek, bu alandaki uygulamaların toplumsal fayda sağlamasına katkıda bulunmaktadır (Luckin, 2018). Benzer şekilde, Bozkurt (2023) üretken yapay zekanın eğitimde bulunan potansiyel risklerini, öğrencierin verilerinin gizliliği ve güvenliğini tehlikeye atabilme ve algoritmalardaki yanlılık nedeniyle adaletsiz sonuçlara yol açabilme gibi durumlar olarak belirtmektedir. Ayrıca yapay zekanın, öğrenmekten çekinen ve kaçınan öğrencilerle başa çıkma konusunda zorlanabileceği, öğrenci- 42   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . öğretmen etkileşiminden kaynaklanan kalıpların oluşturulmasında yetersiz kalabileceği belirtilmektedir (Kolchenko, 2018). Yapay zekâ uygulamalarının öğrencilerin sanal ortamda dikkat dağınıklığına yol açabilecek reklam ve içerik ile yüz yüze gelme riskinin bulunmasıdır (Akdeniz 2019). Diğer bir senaryoya göre öğrencilerin sisteme nitelikli veri üretmelerine rağmen, sosyal etkileşime olan ihtiyaçları nedeniyle sisteme olumlu yaklaşmayacakları ifade edilmektedir. Bu durum öğrenci başarısızlığını doğurabilmekte ve bunu ebeveynlerin öğretmenöğrenci etkileşim eksikliği ile bağdaştırabileceği belirtilmektedir (Tyson, 2020). Yapay zekâ tabanlı öğretim programlarının kötüye kullanıldığı durumlarda öğrencilerin sosyal becerileri ve eleştirel düşünme becerilerinde düşüşler meydana gelebilir (Öztan ve Akçöltekin, 2022). Felix (2021) yapay zekanın toplum kültürünü, toplumun normlarını ve tarihi yapısını öğretme konusunda yeterli olmadığından bahsetmektedir. Ayrıca öğretmenin ders esnasındaki vücut dilinin çok önemli olduğunu, ses tonu, göz teması kurmanın öğrenci üzerindeki etkisinin yapay zekaya göre üstün olduğunu belirtmektedir. Yapay zeka uygulamaları, öğrencilerin ve öğretmenlerin kişisel dokunuşunun ve insan etkileşiminin eksikliğine neden olabilir. Öğrencilerin duygusal ve sosyal gelişimlerine katkıda bulunan öğretmen-öğrenci etkileşimleri yerine, soğuk ve otomatik bir ortamı oluşturabilir (Puteri vd., 2024). Yapay zekâ teknolojisi ile üretilmiş olan materyal öğrencilerde görme bozukluklarına sebep olabilir ve öğrencide kaygı yaratabilir (Akdeniz, 2019). Yapay zeka uygulamalarının yaygınlaşması, öğrencilerin ve öğretmenlerin teknolojiye aşırı bağımlı hale gelmesine ve insan öğretmenlerin yerini almasıyla işsizlik riski taşıyabilir (Webtures, 2024). Yapay zeka algoritmaları, eğitimde ayrımcılık ve önyargı riski taşır. Veri setlerindeki önyargılar ve yanlılıklar, algoritmaların adaletli ve tarafsız olmasını engelleyebilir (Ferrara, 2024). Okul öncesi dönemdeki çocuklar için üretilmiş olan yapay zekâ teknolojileri, çocuğun boy oranından fazla büyük üretildiğinde çocukların motivasyonunu düşürebilir (Tanaka ve Kimura, 2010). 1.1.8 Yapay Zeka Okuryazarlığı Bilim dünyasında okul müfredatında yer alan geleneksel anlayışların yerine işbirlikçi, etkileşim içinde ve deneysel anlayışların olmasının gerekli olduğu düşünülmektedir (Estevez ve diğerleri, 2019). Yapay zeka okuryazarlığını bireylerin yapay zeka teknolojilerini anlayabilme, kullanabilme ve yapay zeka teknolojilerinin toplumsal etkilerinin değerlendirmesini yapabilme yetkinliği olarak tanımlayabiliriz. Bireyler, yapay zeka araçlarını eleştirel bir bakış açısıyla yorumlayabilme becerisine sahip olmalılar (Hamburg vd., 2019). Öğretmenlerin GİRİŞ   43 yapay eğitimi, onların yapay zeka teknoojisini anlatmalarından ziyade, yapay zeka teknolojileriyle zenginleştirilen öğretim ortamlarından yararlanabilmeleri için de gereklidir. Yapay zeka okuryazarlığı kavramının son yıllarda gündemde olduğu görülmüştür. 2014 yılı itibarıyla de yapay zeka okuryazarlığı konudaki çalışmaların sayısı hızlıca artmıştır (Ng vd., 2021). Yapay zekanın eğitiminin verilebilmesi için müfredatta ve öğretim yöntemlerinde bulunan eksikliklerin yanında yapay zeka konusunda yeterli donanıma sahip olan öğretmen sayılarının da henüz oldukça az olması durumu da bu konudaki eksikliklerdendir (Su vd., 2023). Öğrencilerin ve öğretmenlerin yapay zeka teknokojileri hakkında eğitimler almaları, öğrencilerin yalnızca devamlı etkileşimde bulundukları teknolojileri anlamalarından ziyade, yapay zeka alanda gerçekleşen gelişmelere katkılar sunmaları için de önemi büyüktür (Touretzky vd, 2019). Ng vd. (2021) eğitim sistemlerinin ve müfredatların yapay zeka konusunda yeterli bilgi sunmadığını ve bu alandaki boşlukların öğrencilerin teknolojiyi kavrama ve etkin kullanma kapasitelerini kısıtladığını belirtmiştir. Bu çalışmalar, yapay zeka eğitiminin yalnızca teknik bilgi kazandırmakla kalmadığını, bunun yanında öğrencilerin analitik düşünmeleri ile ve problem çözme yeteneklerini geliştirdiğini göstermektedir. Yapay zeka eğitimi, 21. yüzyılda teknolojinin hızla gelişmesiyle birlikte önem kazanmaktadır. Yapay zeka eğitiminin temelleri, bilgisayar bilimlerinin gelişimiyle paralel olarak atılmıştır. 1950’li yıllarda Alan Turing’in hesaplama teorisi ve “Turing Testi” ile başlamış olan bu süreç, 1960’larda ve 1970’lerde sembolik yapay zeka çalışmalarının yoğunlaşmasıyla devam etmiştir. İlk yapay zeka eğitimi programları, bu dönemde üniversitelerde açılmaya başlamıştır. 1980’lerde uzman sistemlerin gelişimiyle birlikte, yapay zeka eğitimi daha spesifik ve uygulamalı bir hale gelmiştir (Russell vd., 1995). Luckin (2018) yapay zeka eğitiminin disiplinler arası bir yaklaşımla verilmesi gerektiğini ve eleştirel düşünme becerilerinin de geliştirilmesi gerektiğinin önemini vurgulamıştır. Eğitim sistemlerinin ve müfredatların, öğrencilere yeterli yapay zeka bilgisi vermekte yetersiz kalmaları, bu alandaki boşlukları belirginleştirmektedir. Bu eksiklikler, öğrencilerin teknolojiyi kavrama ve etkin kullanma kapasitelerini kısıtlayabilmektedir (Ng vd., 2021). Aynı zamanda bazı eğitim kurumlarında teknolojik altyapının yetersiz olmasından kaynaklı derslerde yapay zeka eğitimin verilemediği bilinmektedir (Chen vd. 2020) Bu anlamda yapılan bir araştırma, yapay zeka eğitiminin daha az sayıda derslerle sınırlı kalmasının, öğrencilerin bu alandaki kapsamlı bilgi ve becerilerinin gelişimini engellediğini ortaya koymuştur. Bu durum, öğrencilere yönelik kapsamlı ve sistematik yapay zeka eğitiminin gerekliliğini vurgulamaktadır (Ng 44   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . vd., 2021). Yapay zeka eğitiminde bilgilerin yalnızca teorik olarak aktarılmasının yanında, uygulamalı öğrenme ve projelerle desteklenmelidir. Bu tür deneyimsel öğrenme yöntemleri, öğrencilerin teorik bilgilerini gerçek dünya problemlerine uyarlamalarını sağlamaktadır. Örneğin; uygulamalı projeler ve simülasyonlar, öğrencilere yapay zeka algoritmalarının gerçek dünyadaki uygulamalarını deneyimleme fırsatı sunmaktadır (Chen vd., 2020). Bu doğrultuda, yapay zeka eğitiminin önemine ilişkin literatürde birçok çalışma bulunmaktadır. Yapay zeka eğitiminin tarihçesi incelendiğinde, 1990’larda Makine öğrenmesi ve veri madenciliği gibi alanların ön plana çıktığı görülmektedir. Bu dönem, büyük veri setlerinin işlenmesi ve analiz edilmesi için gerekli algoritmaların geliştirilmesi açısından kritik öneme sahiptir. Özellikle, internetin yaygınlaşması ve bilgiye erişimin kolaylaşması, yapay zeka eğitiminin de daha erişilebilir olmasını sağlamıştır (Goodfellow vd., 2016). 2000’li yıllarda ise, derin öğrenme ve büyük veri analizleri yapay zeka eğitiminde yeni bir dönemi başlatmıştır. Bu dönemde, derin öğrenme algoritmalarının geliştirilmesi ve yüksek işlem gücüne sahip bilgisayarların yaygınlaşması, yapay zeka eğitiminin hızla gelişmesine olanak tanımıştır (LeCun vd., 2015). Yapay zeka eğitiminin geleceği, teknolojik gelişmelerle şekillenmeye devam etmekte ve yapay zekanın insan davranışlarını ve duygularını anlama kapasitesinin artmasıyla birlikte, öğrencilere bu sistemlerin arka planında nasıl çalıştığını öğretmek önem kazanmaktadır (Luckin, 2018). Bu doğrultuda; öğrencilere yapay zeka algoritmalarının nasıl geliştirildiğini ve nasıl çalıştığını anlamalarına yardımcı olan bir müfredat, onları gelecekte bu teknolojileri daha bilinçli ve etik bir şekilde kullanmaya ve geliştirmeye hazırlamaktadır. Yapay zeka teknolojilerinin yaygınlaşması, eğitimde fırsat eşitliğini artırırken, yapay zeka eğitimi de bu alandaki beceri açığını kapatmada önemli bir rol oynamaktadır (Luckin, 2018). Yapay zekanın eğitim alanındaki bu önemli etkisi, sadece teknolojik yeniliklerle sınırlı kalmayıp; bunun yanında pedagojik yaklaşımların tekrar yapılandırılmasına da öncülük etmektedir. Bu doğrultuda, yapay zeka eğitiminde kullanılan başlıca yöntem ve teknolojilerin incelenmesi önem arz etmektedir. Yapay zeka eğitimi, günümüzde çeşitli yöntemler ve teknolojiler kullanılarak sunulmaktadır. Bu eğitimlerin temelini makine öğrenmesi ve derin öğrenme kavramları oluşturmaktadır. Makine öğrenmesi eğitimlerinde, öğrencilere veri analizi, modelleme ve tahminleme teknikleri öğretilmektedir (Nilsson, 2009). Bu teknikler, öğrencilerin yapay zekanın temel prensiplerini anlamalarını ve bu teknolojileri gerçek dünya problemlerine uygulayabilmelerini sağlamaktadır. Derin öğrenme eğitimleri ise, yapay sinir ağları ve karmaşık veri işleme yöntemleri aracılığıyla öğrencilerin GİRİŞ   45 daha ileri düzey yapay zeka uygulamalarını kavramalarına yardımcı olmaktadır (LeCun vd., 2015). Bunun yanı sıra; doğal dilleri işleme ve bilgisayar ile görebilme gibi alanlar üzerinde yapılan eğitimler, öğrencilere yapay zekanın farklı disiplinlerdeki uygulamalarını keşfetme fırsatı sunmaktadır. Bu yöntem ve teknolojiler, ortaokul seviyesinde yapay zeka eğitiminin müfredata etkin bir şekilde bütünleştirilmesi için temel taşlar olarak kullanılmaktadır (Chen vd., 2020). Öğrencilere sunulan bu eğitimler, onların analitik düşünebilme, problem çözebilme ve veri odaklı kararlar verebilme becerilerini geliştirebilmelerine katkıda bulunmaktadır. Böylece, yapay zeka eğitiminin sadece teknolojik bilgi aktarımıyla sınırlı kalmayıp, aynı zamanda 21. yüzyıl becerilerinin kazandırılmasına da hizmet etmesi sağlanmaktadır (LeCun vd., 2015). Yapay zekâ okuryazarlığına sahip öğrenciler, yapay zekâ teknolojilerini etkili bir şekilde kullanabilir ve yapay zeka ile ilgili bilgilere erişebilir (Dai, vd., 2020). Aynı zamanda öğrenciler, mesleğini günümüz dünyasının etkin teknolojileri ile bütünleştirmeyi, mesleğini geleceğin teknolojileri ile ilişkilendirmeyi ve geleceğin becerilerine sahip olmayı öğrenebilir (Brougham ve Haar, 2018). Böylelikle yapay zeka sistemlerinin devreye girmesiyle, hem eğitim sisteminin hedeflediği insan profilleri hem de eğitim süreçlerinin işleyişi değişmiştir (Coşkun ve Gülleroğlu, 2021). Yapay zeka eğitiminde 3 farklı yöntem kullanılmaktadır (Sabuncuoğlu, 2020): 1. Fiziksel araçlar ile gerçekleştirilen faaliyetler, 2. Web tabanlı araçlardan yararlanılarak gerçekleştirilen faaliyetler, 3. Elektronik araçlardan yararlanmadan gerçekleştirilen faaliyetler. Yapay zeka eğitiminde kullanılan bu yöntemlerin belirlenmesinde fiziksel imkanların, öğretmenlerin yeterliliklerinin, öğrencilerin hazır bulunuşluk seviyelerinin ve bunun gibi birçok değişkenin varlığı göz önünde bulundurulmuştur. Sabuncuoğlu (2020) bahsedilen yöntemlerin hepsinden yararlanarak gerçekleştirmiş olduğu araştırmasında, öğrenci başarısının en çok olduğu etkinliklerin, çalışma kağıtları ile birlikte dijital araçların kullanıldığı etkinlikler olduğu sonucuna ulaşmıştır. Druga vd. (2019) da öğrencilere verilecek olan yapay zeka eğitiminde dikkat edilmesi gerekenleri 6 maddede sıralamışlardır: 1. Mevcuttaki teknolojileri dikkate alarak hataların ayıklanması eğlenceli bir hale getirilerek, öğrenciler geliştirme süreçlerine dahil edilmeli, 2. İnsanları taklit eden sistemlerin tasarlanmasından ziyade, karar verme süreçlerine odaklanmış olan sistemler tasarlanmalı, 3. Araçların çalışma mantığının daha anlaşılır olması ve öğrencilerin bu durumu kendilerinin keşfetmesi sağlanmalı, 4. Öğrencilerin yapay zeka araçlarına öğretimler yapıp, onları programlayabilecekleri değişik yollar oluşturulmalı, 5. Öğrencilerin 46   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . yapay zeka araçlarının öğrenip öğrenmediklerini görebilmeleri için, yapılan her hareket için anlamlı geri dönüşler sağlanmalı, 6. Öğrencilerin gerçekleştirdikleri çalışmalarını paylaşmalarının ve değiştirmelerinin sağlanmasıyla iş birlikleri ve ayrıntılı düşünmeleri teşvik edilmelidir. Geçmiş zamanlarda yapay zeka teknolojilerinin eğitimi, ileri düzey programlama becerilerinin gerektiği uygulamaların aracılığıyla üniversitelerin seviyesinde bir teknolojiyken artık bütün eğitim seviyelerinde yararlanılabilecek yazılımlar geliştirilmiştir. Bu yazılımlarla öğrenciler kendilerini ifade edebilir, yaratıcılıklarını geliştirebilir ve öğrenmelerini kolaylaştırabilir ve de öğrencilerin temel programlama becerileri geliştirilebilir (Touretzky vd., 2019). QuickDraw, Machine Learning for Kids, Mblock, Cognimates, eCraft2Learn gibi platformları bu araçlara örnek olarak gösterebiliriz. K-12 düzeyindeki (anaokuldan 12. sınıfa kadarki dönem) öğrencilerin ve öğretmenlerin yapay zekayı anlamlandırabilmeleri için bu teknolojileri kullanabiliyor olmaları gerekir (Touretzky vd., 2019). Cep telefonlarında bulunan sanal asistanlar ve akıllı cihazlardaki uygulamalar, Snapchat gibi görüntülerin işlendiği uygulamalar çocukları yapay zekayla tanıştıran uygulamalardır. Erken çocukluk dönemindeki yapay zekanın eğitimi, iyi tasarlanan yapay zeka tabanlı oyuncaklar ile verilebilir (Su vd., 2023). Çocuklar bu oyuncaklar sayesinde yapay zekanın çalışma mantığını anlayamasa da yapay zekayla alakalı kavramların öğrenmelerini keyif alarak gerçekleştirebilirler. Bunlara ek olarak bu oyuncaklarla çocukların sosyal ve duygusal iletişim becerileri geliştirilmektedir (Kewalramani vd., 2021). K-12 seviyesinde bulunan öğrenciler yapay zekayla ilişkili kavramları, görünüşte karmaşık olan programların insansı davranışların taklidini yapan basit algoritmalar ile oluştuğunu fark etmeliler (Ho ve Scadding, 2019). Ng vd. (2021) ve Touretzky vd. (2019) tarafından gerçekleştirilen araştırmalar, yapay zeka teknolojisinin çağımızda birçok disiplin ve sektörde merkezi bir yetkinlik kazanmakta olduğunu göstermektedir. Bu gelişme, öğrencilerin yapay zeka teknolojilerini etkin bir biçimde kullanabilmeleriyle ahlaki olmayan durumlarla etik durumları ayırt edebilmeleri için gereken bilgi birikimini edinmelerinin kritik olduğunu ortaya koymaktadır. Robinson vd. (2020) tarafından yürütülen çalışmalar, öğrencilere yönelik ahlaki ve etik eğitimin zorunlu olduğunu vurgulamaktadır. Bu doğrultuda; yapay zekanın doğru kullanımı üzerine eğitimlerin, genç nesillerin bu teknolojileri sorumlu bir şekilde kullanabilmeleri için temel bir öneme sahip olduğu görülmektedir. Kreinsen vd. (2021) tarafından gerçekleştirilen çalışmalar, yapay zeka eğitiminde öğrencilerin karşılaştıkları bilgi önyargıları ve algoritmik yanlılıkların üstesinden gelmek için dengeli ve GİRİŞ   47 kapsamlı bir müfredatın gerekliliğini ortaya koymaktadır. Yapay zeka eğitiminde kullanılan bir diğer önemli öğrenme şekli, çevrimiçi ve yüz yüze eğitimdir. Çevrimiçi eğitim şekilleri, öğrencilere esnek öğrenme imkanı sunmaktadır. Özellikle Coursera, edX ve Udacity gibi platformlar, yapay zeka ve makine öğrenmesi konularında geniş bir yelpazede dersler sunmaktadır. Bu platformlar, öğrencilere kendi hızlarında öğrenme fırsatı tanımakta ve dünya çapında uzman eğitmenler tarafından hazırlanan içeriklere erişim imkanı sağlamaktadır (Jordan ve Mitchell, 2015). Uygulamalı öğrenme ve proje tabanlı öğrenme yöntemleri, yapay zeka eğitiminde önemli bir yer tutmaktadır. Öğrencilerin teorik bilgilerini pratikte uygulayabilmeleri, öğrenme sürecini daha etkin ve kalıcı bir duruma getirmektedir. Uygulamalı öğrenme, öğrencilerin gerçek dünya problemlerini çözmelerine ve bu süreçte karşılaştıkları zorluklarla başa çıkma becerilerini geliştirmelerine olanak tanımaktadır. Proje tabanlı öğrenme metotları, öğrencilerin ekip çalışması yaparak, yaratıcı çözümler geliştirmelerini teşvik etmektedir. Bu metot, öğrencilere hem teknik beceriler kazandırmakta hem de iletişim ve problem çözme yeteneklerini geliştirmektedir (Kolodner vd., 2003). Yapay zeka eğitiminde kullanılan teknolojiler ve metotlar, öğrencilere geniş bir perspektif sunmakta ve onların farklı alanlarda uzmanlaşmalarını sağlamaktadır. Makine öğrenmesi ve derin öğrenme eğitimleri, öğrencilerin veri analizi ve modelleme becerilerini geliştirmekte, online ve yüz yüze eğitim metotları ise esneklik ve etkileşim imkanı sunmaktadır (Mitchell, 1997). Uygulamalı öğrenme ve projeler, öğrencilere pratik deneyimler kazandırarak, onların gerçek dünya problemlerini çözme yeteneklerini geliştirmektedir. Yapay zeka eğitimi, bu çeşitli metotlar ve teknolojiler sayesinde daha erişilebilir, etkili ve verimli hale gelmektedir (Kolodner vd., 2003). Tashtoush vd.’nin (2025) yaptığı çalışmasında yapay zeka tekniklerine maruz kalan öğrencilerin, özellikle çıkarım, yorumlama, tahmin ve değerlendirme gibi alt boyutlarda eleştirel düşünme becerilerinde belirgin bir artış sergilediklerini belirrmişlerdir. Bu bulgular, yapay zeka destekli yöntemlerin eleştirel düşünme becerilerini geliştirme hem de olumlu tutumların oluşturulmasında etkili olduğunu göstermektedir. 1.1.9 Eğitimde Yapay Zeka Uygulamaları Yapay zekanın ve eğitim uygulamalarına bakacak olursak pek çok alanda yaygın olarak kullanıldığını görürüz. Bunlar; bireyselleştirilmiş eğitim sistemleri, eğitimdeki veri madenciliği, keşfedici eğitimler, akıllı ajanlar, makalelerin analizleri, chatbotlar, özel gereksinimli öğrenciler için eğitim, eğitimde kullanılan robotlar, yapay zeka ile otomatik test oluşturma ve değerlendirme 48   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . sistemleri gibi öğrenmeyi destekleyen uygulamalardır. Bunlara ek olarak yapay zeka, okul yönetimi ve güvenliğine de doğrudan katkı sağlamaktadır (Arslan, 2020). Teknolojinin ilerlemesi ve internetin yaygınlaşmasıyla hem örgün eğitimde hem de herkesin erişebileceği çevrimiçi ortamlarda kullanılan yapay zeka tekniklerine dayanan birçok platform ortaya çıkmaktadır. Bu uygulamalar ve teknolojiler hızla gelişmeye devam etmekte ve eğitimdeki rolleri git gide daha çok önemli olmaktadır. Eğitimdeki bu değişim ile, öğrencilere daha özgün ve verimli öğrenme deneyimlerinin sağlanması amaçlanmaktadır. Bu doğrultuda, yapay zeka tekniklerini kullanan çeşitli uygulamalar her geçen gün geliştirilmekte ve çeşitlenmektedir. Bu uygulamalardan bazıları akıllı öğretim sistemleri, chatbotlar, doğal dilleri işleme, görüntüler işleyebilme ve uzman sistemlerdir. Akıllı öğretici sistemlerin, yapay zeka alanında eğitimde en çok kullanılan uygulamalarından bir tanesi olduğu bilinmektedir. Akıllı öğretici sistemler öğrencilere özel olarak hazırlanmış içerikler sunulmakta, öğrencinin gelişim hızına ve öğrenme tarzına göre içerikler uygulanarak geri bildirimler sağlanmaktadır. Akıllı öğretim sistemleri, yapay zeka araçları sayesinde öğretmenlerin ödev kontrolü, ölçme-değerlendirme ve analiz gibi rutin görevlerde harcadıkları zamanı, daha etkili eğitsel etkinliklere yönlendirmelerini mümkün kılmaktadır. Ayrıca yapay zeka destekli teknolojiler ders içeriklerini zenginleştirerek etkili öğrenmeler gerçekleştirmektedir (Altun, 2023). Akıllı öğretici sistemler ile, özellikle matematik ve fizik gibi alanlarda, uygun şekilde yapılandırılmış konular vasıtasıyla öğrencilere yönelik kişiselleştirilmiş bir öğrenme malzemesi sağlanabilmektedir (Alkhatlan ve Kalita, 2018). Akıllı öğretim sistemlerinin, geleneksel eğitim yöntemlerinden ayrılan özelliği, sistematik değerlendirmelere dayanan bir yaklaşım olmasıdır. Akıllı öğretim sistemlerin sayesinde öğrenciler, bir sonraki derslere daha etkin bir şekilde hazırlanabilirler. Bunun yanında öğrencilerin öğrenme motivasyonlarının artırmasında ve eğitimin verimliliğinde önemli katkıları bulunmaktadır (Bahçeci ve Gürol, 2010). Yapay zekâ, makine öğrenimi algoritmaları aracılığıyla öğrencilerin performans verilerini analiz eder ve bu verilere dayalı olarak dinamik öğrenme yolları oluşturur. Örneğin, uyarlanabilir öğrenme platformları (Adaptive Learning Systems) gibi Khan Academy, Smart Sparrow veya Duolingo, öğrencilerin güçlü olan ve zayıf olan yönlerini belirleyerek içerikler önerir ve zorluk seviyesini otomatik olarak ayarlar. Bu sistemler, öğrenme sürecini bireyselleştirerek geleneksel “tek tip” eğitim modellerinin ötesine geçer. Araştırmalar, kişiselleştirilmiş öğrenmenin öğrenci motivasyonunu artırdığını ve GİRİŞ   55 öğrencilerin üniversitede bir bölüm seçmek için hazırlıklar yapması söz konusudur (Kaiquan vd., 2018). Çin ve Güney Kore makine öğrenimi, bilgisayar bilimi ve doğal dil işleme gibi yapay zeka alanda bulunan konuların yer aldığı ilk ve ortaokul düzeylerinde zorunlu yapay zeka dersleri planlamakta ve öğretmenlere ders kitapları hazırlanarak bunları derslerine entegre etmektedirler. Anaokul öğrencileri için de yapay zeka tabanlı materyallerin hazırlanarak oyun tabanlı etkinlikler gerçekleştirilmesi planlanmıştır (Pastacı, 2023). ABD merkezli büyük verileri ve makine öğrenimlerini kullanmakta olan yapay zekaya sahip öğrenmeler ve değerlendirmeler sistemi olan ALEKS programı geliştirilmiştir (İşler ve Kılıç, 2021). 2025 yılında Güney Kore’nin, yapay zeka tabanlı dijital ders kitaplarına geçiş yapması planları arasındadır. Eğitim Bakanı, bu yenilik öğrencilerin katılımlarını artıracağını belirtirken, velilerse aşırı dijital cihaz kullanımları ve gizlilik konularında olan endişelerinden bahsetmişlerdir. İlk etapta üçüncü, dördüncü ve yedinci sınıfların dijital kitaplardan yararlanacağı, diğer sınıfların da 2028’e kadar dahil olacağı belirtilmektedir. Bu gelişme, eğitimde yapay zeka kullanımını artırma çabası olarak görülmektedir (Choi, 2024). Yapay zeka araştırmaları 1950’lere dayanan IBM Watson bir çok alanda kullanılmaktadır. Eğitim alanında öğrencilere kişiselleştirilmiş öğrenme ortamları sunarak öğrencinin kendi hızında ve kendi öğrenme yöntemlerinde öğrenmeler gerçekleştirmesine imkân sağlamaktadır. IBM Watson ABD tarafından 2010 yılında kullanılmaya başlanmıştır (İşler ve Kılıç, 2021). Bunlara ek olarak ABD’de, lise düzeyindeki tüm öğrencilere öğrenme fırsatlarını genişletmek amacıyla, yapay zeka destekli kurslar bulunmaktadır. Üniversiteye hazırlık kursları olarak nitelendiren bu kurslarda insan ile bilgisayar etkileşimleri, problem çözebilme, web tasarımları, programlamaya girişler, bilgilerin işlemleri ve veri analizleri ile robotik konuları ele alınmaktadır. (Exploringcs, 2023). ABD’de Oregon Üniversitesinde ECS (Exploring Computer Science) aracılığıyla lise düzeyindeki öğrenciler için hazırlanan yapay zekâ kurslarında, yapay zekânın temel prensipleri, günlük yaşamdaki yapay zekâ sistemlerinin kullanımı, bu sistemlerin oluşturulup uygulanması ve hesaplamanın toplum üzerindeki etkisi gibi konuların olduğu bilinmektedir. Kurs, yapay zekayla alakalı temel terimlerin tanımlanmasını, görüntü ve konuşma tanıma teknolojilerini, bir sinir ağının işleyişini, bir yapay zeka sisteminin nasıl kurulacağını, eğitileceğini ve test edileceğini öğretmeyi hedefler. Ayrıca, yapay zekânın toplumsal etkilerini inceleme ve bu etkileri açıklama yönünden öğrencileri bilinçlendirmeyi amaçlamaktadır (Nabiyev ve Erümit, 2020). Singapur, Arjantin, Kanada, Hindistan ve Çin Halk Cumhuriyeti de yapay zekâyı öğretim programlarına 56   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . entegre etmeye çalışırken Almanya, İsveç ve Japonya gibi ülkeler de yükseköğretim düzeyinde yapay zekâ odaklı araştırmaları teşvik etmektedir (Karataş, 2024). İngiltere merkezli Third Space Learning adında okullar için matematik özel ders kursları bulunmaktadır. İlk ve orta dereceli okullarda kişiselleştirilmiş çevrim içi dersler ile matematik öğretimi gerçekleştirilmektedir (Third Space Learning, 2023). Suudi Arabistan Krallığı ise 2030 Vizyonu üretmek için yapay zeka üretimi sunan ReadyAI ile ortaklık kurdu (Readyai, 2023). ReadyAL, çeşitli yapay zeka teknolojileri ile öğrencilere, eğitmenlere ve velilere yapay zeka destekli kurslar sunmaktadır. Londra’da David Game College, yapay zeka destekli “Sabrewing” isimli öğretmenin olmadığı sınıf programını başlattı. Bu programla öğrencilerin kişisel ihtiyaçları doğrultusunda kişiselleştirilmiş eğitim yaşantısı sunmayı amaçlamakta ve geleneksel öğretim yöntemlerinden uzaklaşarak kendi hızlarında öğrenmelerine olanak tanımaktadır. Eylül 2024’te başlayan programda 20 öğrenci ve 3 koç yer alırken, öğrencilere akademik bilgi ile bağımsızlık ve dayanıklılık gibi yaşam becerileri kazandırılması hedeflenmiştir (Webtekno, 2024). Fakat cinsellik eğitimi ve sanat gibi bazı konular insan öğretmenler tarafından öğretilmeye devam edileceği belirtilmiştir. Careerbot, Finlandiya’daki Haaga-Helia, Laurea ve Metropolia üniversiteleri arasında kurulan 3AMK iş birliği kapsamında geliştirilen bir yapay zeka dil modelidir. Bu araç, öğrencilere kariyerlerini oluşturma ve geliştirme konusunda destek sunmayı amaçlamaktadır. Birleşik Arap Emirlikleri, yapay zeka alanında 2031 yılına kadar küresel bir lider olma hedefi doğrultusunda “Yapay Zeka 2031 Ulusal Stratejisi”ni uygulamaktadır. Bu strateji kapsamında, ulusal ve uluslararası müfredatlara uygun dijital ve hibrit öğrenme yöntemlerini sağlayan bir “Dijital Okul” kurmuşlardır. Bu okul, dünyanın genelinde eğitim hizmetlerine ulaşma zorluğu yaşamakta olan topluluklara ulaşabilmeyi amaçlamakta ve günümüzdeki dijital alana etkin bir biçimde entegre edilmiş olan ilk okul olarak dikkatleri toplamaktadır (Öğretmen Bilişim Ağı (ÖBA), 2024). Ülkemizde olduğu gibi uluslararası düzeyde de dünya devletleri yapay zekâ alanında çalışmalarına yön vermektedir. Örneğin Brezilya geliştirdiği Letrus isimli program yardımıyla yapay zekâyı kullanarak yazma becerilerini geliştirme adına geri bildirim sunarken Güney Kore ve Birleşik Arap Emirlikleri yapay zekâ destekli dijital ders kitapları ile sanal öğretmenleri eğitimde kullanmaktadır (World Economic Forum [WEFORUM], 2024). İngiltere 12 yıllık ilk ve ortaokul eğitiminde yapay zekâya ilişkin oluşturduğu programının “algılama, temsil ve akıl yürütme, öğrenme, doğal etkileşim ve sosyal etki” şeklinde 5 temel üzerine oturttuğu belirlenmiştir. GİRİŞ   57 Program 2.sınıf, 3.-5. sınıflar, 6.-8. sınıflar, 9.-12. sınıflar şeklinde ayrılarak 12. sınıf seviyesinde uygulamayı hedefler. Programın hedefleri doğrultusunda; yapay zekanın algoritmaları, konuşma, nesneleri ve yüzleri tanıma, makine öğrenimi, yapay sinir ağları, yapay zekanın etiği, yapay zekanın toplumun üstündeki etkinliği ve insan robot etkileşimi gibi becerilerin öğrencilere kazandırılması amaçlanmıştır (Nabiyev ve Erümit, 2020). İngiltere merkezli Third Space Learning adında okullar için matematik özel ders kursları bulunmaktadır. İlk ve orta dereceli okullarda kişiselleştirilmiş çevrim içi dersler ile matematik öğretimi gerçekleştirilmektedir (Third Space Learning, 2023). Suudi Arabistan Krallığı ise 2030 Vizyonu üretmek için yapay zeka üretimi sunan ReadyAI ile ortaklık kurmuştur (Readyai, 2023). 1.2 Eleştirel Düşünme İnsanlık tarihindeki gelişmeler göz önünde bulundurulduğunda düşünmenin oldukça önemli bir yeri olduğunu söyleyebiliriz. Günlük hayatımızdaki problemleri çözmeye çalışırken, fikir analizi yaparken, kararlar verirken, planlamalar yapılırken, sonuçlara ulaşırken ve teklifler sunma durumlarında devamlı düşünme eylemi gerçekleşmektedir (Moshman, 1995). Düşünme, bireylerin mevcut durumları anlayabilmeleri için gerçekleştirilen ve amaç doğrultusunda düzenlenmiş olan zihinsel bir süreçtir (Cüceloğlu, 1993). Düşünme; gözlemler, sezgiler, deneyimler ve akıl yürütme yoluyla sahip olunan bilginin analiz edilerek değerlendirilmesi ve içinde bulunulan duruma uyarlamasını ifade etmekte iken; üst düzey düşünme kavramı, bilgilerin zihinsel işlemden geçirilerek anlam ve yapı bakımından yeniden oluşturulma sürecini anlatmaktadır (Doğanay, 2013; Özden, 2014). Düşünme becerisi, kişilerin aktif olmasıyını sağlayan, kişinin öğrenme sorumluluklarını alma duygusunu sağlayan, kalıcı öğrenmelerin gerçekleşmesini sağlayabilen, araştırma yapmak için yol ve yöntemler kazandırabilen temel bir beceridir (Dağlıoğlu ve Çakır, 2010). Düşünme becerileri, bireyin belli bir hedefe ulaşmak için bilinçli yöntemlerle düşünme sürecidir. Bu süreç düşünülen olguyu sözel olarak ifade etme, plan yapma, hayal kurma, hipotezler oluşturma, anımsama, sorgulama ve neden sonuç ilişkisi oluşturarak bilgiye ulaşmadır (Fisher, 2011). İnsan zihninin temel işlevlerinden biri olan düşünme yoluyla davranışlar gerçekleştirilir. Dolayısıyla insanların düşünce sistemlerini ve davranışlarını anlayabilmek için düşünme becerilerinin belirlenmesi gerekmektedir. Bu becerilerinin incelenmesi insan yaşamının anlaşılması adına büyük önem taşımaktadır (Paul ve Elder, 2013). İnsan yaşamı için temel bir ihtiyaç olan ve davranışlarımızı 58   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . yönlendiren düşünme, günümüzde geliştirilebilir ve öğretilebilir bir beceri olarak kabul edilmektedir (Yeşilyurt, 2021).Düşünme eyleminin öğrenme sürecindeki etkisi büyüktür. Olay ve kavram arasında anlamlı ilişkiler kurmaya yarayan, bu ilişkilerden sonuçlar çıkarmayı sağlayan düşünce; içerisinde araştırmayı, yansıtmayı, eleştirel düşünmeyi, problem çözmeyi ve bunlar gibi üst düzeydeki zihinsel süreçleri barındırmaktadır (Alper, 2003; Aybek, 2006). Öğrencilerin eğitim öğretim süreçlerinde oldukça önemli olan eleştirel düşünme ise, düşünmenin bir boyutunu oluşturmaktadır (Semerci, 2003). Eleştiri (critical, critic) kelimesinin etimolojisi Yunan kökenine sahip olan kriticos (anlayışlı yargı) ve kriterion (standartlar) kelimelerinin türetilmesinden olduğu bilinmektedir. Buradan baktığımızda bu kelimenin standartlarla ilişkili bir şekilde olan anlayışa sahip yargıların geliştirilmesi anlamını taşımaktadır (Paul ve Elder, 2013; s.28). Eleştirel düşünme, çalışma alanı olarak değerlendirildiğinde psikoloji, felsefe ve eğitim bilimlerinin ortak paydasında bulunan bir düşünme şeklidir. Farklı disiplinlerin çalışma alanlarına kaynaklık etmesinden dolayı eleştirel düşünme konusunda bilim çevreleri tarafından birçok tanımlamalar yapılmıştır. Tarihsel açıdan düşünüldüğünde Sokrates’e kadar uzanan eleştirel düşünme, modern olarak John Dewey tarafından kullanılmıştır. Derinlemesine düşünme olarak da nitelendirilen eleştirel düşünme, akıl yoluyla zihinsel süreçlerin tanınmasını sağlayan üst düzey düşünme şeklidir (Dewey, 1910). Eleştirel düşünmenin açıklaması genel olarak bilgilerin doğruluğu ve güvenilirliğini kanıtlayabilme, karar verirken çeşitli kriterler kullanma, başkalarının fikirlerini dayanaklarla sorgulama ve dürüstlük, açıklık gibi zihinselentelektüel becerileri içeren kavramdır (Özdemir, 2005). Günümüz eğitim anlayışı, bilgiyi ezberlemek yerine bilgiyi üretme, yorumlama, eleştirel şekilde değerlendirebilme ve iyi bir şekilde kullanabilme becerilerine odaklanmaktadır (Bağcı ve Şahbaz, 2012). Eğitim-öğretim faaliyetlerinin öğrencilere kazandıracağı önemli çıktıların başında eleştirel düşünme becerisi gelmektedir (Thompson, 2011). Eğitim sürecinde esas ihtiyaç duyulan, öğrencilerin öğrendikleri bilgileri yeni durumlara ve sorunlara uyarlayabilme kabiliyetidir ve bu yaklaşım bazı araştırmacılar tarafından “eleştirel düşünme” olarak nitelendirilmiştir (Bloom, 1956). Eleştirel düşünme, bireylerin neye inanacaklarına veya ne yapacaklarına bilinçli bir şekilde karar vermelerine odaklanan, makul ve düşünceli bir süreçtir (Ennis, 1991). Eleştirel düşünme, kendi düşünce süreçlerimizin ve başka insanların düşünce süreçlerinin bilincinde olduğumuz ve dikkate aldığımız, öğrendiklerimizi uygulayabildiğimiz, kendimizi ve GİRİŞ   59 çevremizi anlayabildiğimiz aktif ve organize olmuş olan zihinsel süreci ifade etmektedir (Cüceloğlu, 1993). Başka bir tanıma göre ise eleştirel düşünme, kişinin düşüncelerini geliştirebilmek amacıyla kendi düşüncelerinin analizini yapabilme ve değerlendirebilme becerisidir (Paul ve Elder, 2007). Eleştirel düşünme süreci, bilimsel araştırma yönteminin sıradan dünyaya uygulanmış halidir: birey bilimsel araştırma yönteminde olduğu gibi bir soru belirler, hipotez oluşturur, ilgili verileri bir araya getirir, hipotezi test eder, değerlendirir ve güvenilir sonuçlara ulaşır (Schafersman, 1991). 1.2.1 Eleştirel Düşünme Becerisi Bilginin doğasına dair yeni kabul durumları, öğretme ve öğrenme süreçlerinde köklü değişimlere yol açmaktadır. Günümüz eğitim sistemlerinin başlıca hedefi, bireyin sadece bilgileri edinmesini sağlamanın yanında, onları düşünen bireyler olarak gelişmeleri için desteklemektir (Çiftçi vd., 2021). Nitekim son dönemlerde eğitimciler eğitimin içeriği ve bilgiden daha çok düşünme becerilerinin öğretimi üzerinde durmaya başlamıştır (Fisher, 2001). Değişen dünya koşulları problem çözebilme, eleştirel düşünebilme, iletişim ve iş birliği kurabilme, dijital okur yazarlık ve üretkenlik gibi 21. yy becerileri elzem hale getirmiştir. Özelikle küçük yaşta kazandırılması gereken 21. yy becerilerinden bir tanesinin de eleştirel düşünme becerisinin olduğu vurgulanmaktadır. Eleştirel düşünme becerisi Gürkaynak vd. (2008) tarafından bireylerin bir amaç doğrultusunda kendilerinin kontrolünde yapmış oldukları, alışılan ve kalıplaşmaların engellenip, önyargı, varsayımlar ve sunulmuş olan tüm bilgilerin sınanmış olduğu, değerlendirilip, yargılanarak farklı yönleri, açılımları, anlamları ve sonuçları tartışılan, fikirleri çözümleyip değerlendirebilen, akıl yürütmeler, mantığın ve karşılaştırmaların kullanılarak sonunda belli fikir, kuram ya da davranışa ulaşılan düşünme şeklidir olarak tanımlanmıştır. Eleştirel düşünme becerisi, öğrencilerin öğrenmelerini düzenlemelerine, akademik hayatlarında daha aktif rol almalarına ve özerk öğrenci olmalarına yardımcı olmaktadır (Phan, 2010; Toshpulatova ve Kinjemuratova, 2020). Öte yandan eleştirel düşünme becerisi bazı temel kriterlere sahiptir. Eleştirel düşünme, destekleyici kanıtlar ve uygun çıkarımlara dayalı olarak makul, mantıklı ve amaca yönelik olmalı; bireyleri kendi ve başkalarının düşüncelerini değerlendirerek kendini geliştirmeye teşvik etmelidir (McKown, 1997). Eleştirel düşünme becerisi, çağdaş demokrasinin gerektirdiği sorgulayan, kanıta dayalı değerlendirme yapabilen, uzlaşma süreçlerine katılan ve empati kurabilen ideal yurttaşların yetişmesinde önemli bir yere sahiptir (Erdem ve Eğmir, 2020). Dolayısıyla 60   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . eleştirel düşünme becerisi, bilgi ve düşüncelerin ifade edilebileceği demokratik ortamlarda kendisini gösterebilmektedir ve bu ortamların en önemlisi ise okullardır (Demirbilek ve Kırbaç, 2021). Beyer (1988) tarafından ortaya koyulan eleştirel düşünme becerileri ise şu şekildedir: Objektif doğrular ve kişisel değer yargılarını ayırt edebilme yeteneği, Bir argümandaki ilgili ve doğru bilgileri ilgisiz ve yanlış bilgilerden ayırt edebilme yeteneği, Herhangi bir düşüncenin gerçeklerle örtüşüp örtüşmediğini ve doğruluğunu test edebilme yeteneği, Bir kaynaktan elde ettiği bilgilerin güvenilir olup olmadığını değerlendirebilme yeteneği, Bir argümanın yetersiz veya net olmamaması durumunda bunları tanımlayabilme yeteneği, Bir argümanın dayandığı varsayımları açıklayabilme yeteneği, Önyargıları sezebilme yeteneği, Bir argümanda yer alan mantıksal hatalarını fark edebilme yeteneği, Mantık yürütme sürecindeki mantıksal tutarsızlıklarını fark edebilme yeteneği, Bir argümanın ne kadar güçlü olduğunu değerlendirebilme yeteneği. Fisher (1990)’a göre eleştirel düşünme becerileri; Bir düşüncenin manasını anlama, Mantığa dayandırma konusunda çok anlamlılığı değerlendirme, Düşüncelerdeki tutarsızlıkları irdeleme, Sonuca ulaşıp ulaşmadığını düşünme, Bir düşüncenin kesinliğini sorgulama, Bir düşüncenin herhangi bir ilke doğrultusunda oluşup oluşmadığını sorgulama, Gözlemle ulaşılan sonuçların güvenilirliğini sorgulama, Bir düşüncenin tümevarımlı sonucunun kesinliğini yargılama, Bir sorunun belirlenip belirlenmediğini yargılama, Bir açıklamanın yeterliliğini yargılama, Bir düşüncenin otoriteye karşı doğruluğunu yargılama olarak belirlenmiştir. GİRİŞ   61 1.2.2 Eleştirel Düşünmenin Boyutları Eleştirel düşünme birçok boyuttan oluşmaktadır. Öyle ki Cüceloğlu (1993) eleştirel düşünmeyi, bireyin aktif dinleyici olduğu, yeni fikirlere açık, başkalarından bağımsız kendi yargılarını geliştirebilen, düşüncelerini organize edebilen, fikirlerin ardındaki kanıtları dikkate alan bir süreç olarak ifade etmiştir. Paul vd. (1990) ise eleştirel düşünceyi tanımlarken üç önemli boyutu olduğunu ifade etmektedir. Bunlar düşüncenin mükemmellikleri, düşüncenin unsurları ve düşüncenin alanlarıdır. Eleştirel bir düşünce; açıklık, doğruluk, mantıklılık, derinlik, amaç için yeterlilik, önem, adalet, ilgili olma, spesifiklik, kesinlik, tamamlayıcılık, tutarlılık gibi ideal standartlara sahip olduğunda mükemmel kabul edilmektedir (düşüncenin mükemmelliği). Aynı zamanda eleştirel düşünen bireyler, içinde bulundukları durumun, sorunun veya amacın ihtiyaçları doğrultusunda düşüncelerini belirli bir alana yönlendirebilmektedir (düşüncenin alanları). Son olarak ise eleştirel düşünce belirli unsurlar etrafında şekillenmektedir: Ele alınan sorun net olarak tanımlanmalı, kişinin amaçları net olmalı, farklı bakış açıları dikkate alınmalı, düşünce sürecindeki varsayımlar belirlenmeli ve analiz edilmeli, ilgili kavramlar netleştirilmeli, düşünceyi destekleyen ilke ve teoriler belirlenmeli, kanıtlar sunulmalı, sunulan kanıtlar üzerinden yorumlar ve çıkarımlar yapılmalı, düşüncenin sonuçları ve etkileri değerlendirilmelidir (düşüncenin unsurları). Eleştirel düşünmenin temelinde yatan bilişsel beceriler ve bileşenler ise uzmanlar tarafından yorumlamak, analiz etmek, değerlendirmek, çıkarımlar yapmak, açıklamak ve özdüzenlemek şeklinde belirlenmiştir (Facione, 2013). Facione’un uzmanlarla birlikte hazırladıkları Delphi Projesi’ne göre eleştirel düşünmenin alt boyutları şunlardır (Facione, 1990): Yorumlama: Sorunu fark etmek, yansız olarak tanımlamak ve kategori haline getirmek, anlam oluşturmak ve kodlamak, başkalarının fikirlerini bireysel cümlelerle ifade etmek, bir parçanın ana fikrini farketmektir. Analiz: Düşünceleri incelemek, iddiaları fark etmek, bir sorunun çözümü olarak sunulan iki durum arasındaki benzer ve farklı yönleri ortaya çıkarmak, bir metinle ilgili ana fikri bulmak, sebebi belirlenmemiş iddiaları tanımlamaktır. Değerlendirme: Hipotezlerle ifade edilen iddiaların mantık yönünü yargılamak, iddialarla mevcut durumun ilgisini belirlemek, kişilerin inanç, deneyim ve ifadelerini tanımlayarak bunların güvenirliğini değerlendirmektir. Çıkarım Yapma: Hipotezler oluşturmak, mevcut bilgiyi göz önünde tutmak, tanımlardan, kavramlardan ve yargılardan bir sonuca varmak; kanıtları irdelemek, bir sorunla karşılaşıldığında o soruna ilişkin seçenekler oluşturmaktır. 62   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Açıklama: Metotları tanımlamak, süreci değerlendirmek; bir durumun sebebini inanılır şekilde açıklamak, sonuçların nedenlerine yönelik ölçütler belirlemek; konu ile ilgili şema ve grafiklerden faydalanmaktır. Öz-düzenleme: Bilişsel süreçte kendi kişisel bilgileri inceleme, fikir yanılgılarını düzeltme, mevcut çelişkileri netleştirme, farklı yazarların metinlerdeki ifadeleri ile kendi ifadelerini ayırt edebilmesidir 1.2.3 Eleştirel Düşünen Bireyin Özellikleri Eleştirel düşünebilme çözüm odaklılık ve amaçlı olmaktır. Disiplinler arası ilişkilerin tanımlanması ve sorunların yaratıcı çözümlerini bulabilmek amacıyla bilginin işlenmesidir. Eleştirel düşebilen bireyleri ‘eleştirel düşünür’ şeklinde ifade edebiliriz. Eleştirel düşünürlerin yansıtıcı kararları alabilmesi ve uygun çıkarımları yapabilmesi gibş özellikleri bulunmaktadır. Eleştirel düşünür bireyler, gerçeğin mevcut bilgiler ve inançlar ile çeliştiğini fark etse de gerçeği araştırma eğilimlerine sahiptirler (Stobaugh, 2013). İyi bir eleştirel düşünebilen birey düşünme sürecindeyken kendi düşüncelerinin analizini yapar, bu durumu ayrıntılandırarak inceler. Düşünceyi ayrıntılara ayırdığında birtakım evrenselleşmiş olan yapı taşlarını meydana getirir (Paul ve Elder, 2013, s.60). Çalışkan’a (2019) göre iyi bir eleştirel düşünür olaylara tek bir doğru, siyahbeyaz şeklinde yaklaşmayan bireydir. Paul ve Elder (2008) çalışmasında iyi eleştirel düşünürün özelliklerinin özetini şu şekilde yapmıştır: Önemli sorunları fark edebilir. Bu sorunlara ilişkin bilgi toplayabilir, değerlendirebilir ve yorumlayabilir. Kanıta ve güvenilir gerekçelere dayandırılmış sonuçlara ulaşmayı önemser. Farklı bakış açılarını dikkate alır. Süreç içerisinde diğer insanlarla iş birliği içerisinde hareket eder. Ennis (2011)’e göre eleştirel düşünen bireylerin özellikleri aşağıda sıralanmıştır: Değişik fikir ve seçeneklere karşı hoşgörülüdür. Sebepleri ve sonuçları, varsayımları ve iddiaları inceler. Bilgi kaynaklarını araştırmayı önemser. Bilgiyi elde edebilmek için gerekli soruları sorar. GİRİŞ   63 Bir durumun doğruluğunu araştırırken önyargılardan uzak şekilde düşünür. Bir durumla ilgili doğru sonuca varırken, tüm varsayım ve kanıtları sistematik şekilde değerlendirir. Deneyimlerini mantıklı bir şekilde yönetir ve benzer durumlarda kullanır. Kavramları kendi içerisinde değerlendirir. Tüm bu becerileri birbiriyle uyum içinde kullanır. Kaya ve Şendir (2021) ise çalışmasında iyi bir eleştirel düşünürün özelliklerinin özetini şu şekilde yapmıştır: Kendi önyargılarına ve benzmerkezci yaklaşımlara karşı duyarlıdır. Doğru bilgiye sahip olmayı önemser. Çeşitli konulara ilişkin meraklı bir tutum sergiler. Farklı fikirler ve seçenekleri değerledirme konusunda esnek davranabilir. Eleştirel düşünme becerisini kullanabileceği durumları farkındadır. Kararların hangi durumlarda verilebileceğini, değiştirilebileceğini veya askıya alınabileceğini değerlendirebilir. Kendi akıl yürütme süreçlerine güvenir. Kendi akıl yürütme süreçlerini önyargısız ve objektif bir şekilde değerlendirebilir. Başka insanların ortaya sunduğu düşünceleri anlayabilir. Farklı düşüncelere karşı açık fikirlidir. 1.2.4 Eğitimde Eleştirel Düşünme Eleştirel düşünme 1980 yılları itibarıyla eğitim sistemleri içerisindeki önemi artmaya başlamış ve sıklıkla kullanılmakta olan bir kavram durumuna ulaşmıştır. Eleştirel bakış açısının eğitim sistemleri içerisinde yer alışı Frankfurt Okulu’nda Max Horkheimer, Theodor Adorno ve Jurgen Habermas gibi filozoflarından sosyal yapıların içinde yer alan baskıların varsayımlarını belirledikten sonra bunlara karşı koyabilmek çabasıyla gerçekleştirilmiştir. Bu filozoflar mantıksal düşünceyi, bilimsel tarafsızlık ile katı şekillerde yönetilmesi dolayısıyla eleştirmişlerdir ve insanların öznel bakış açılarını bilgiyi üretebilen bir güç şeklinde belirtmişlerdir. Felsefede yaşanan bu durum itibarıyla, 80’li yıllarda sınıf ortamlarında sorgulamaya yönelik farklı yaklaşımların kullanılmasının vurgulandığı bir değişiklik gerçekleşmiştir. 64   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . 80’li yılların sonlarına gelindiğindeyse eleştirel düşünme ilkokul, ortaokul ve lise müfredatlarında yer almasına dair çalışmaların hızlandığı görülmüştür (Duchscher, 1999). Günümüz internet çağında hızlı ve kolay bir şekilde bilgiye ulaşılabilmesi, ulaşılan bilgilerin gerekli, kullanışlı, doğru ve güvenilir olup olmadığını sorgulayabilme ve eleştirel bir bakış açısı ile yaklaşabilmeyi önemli hale getirmektedir (Kestel ve Şahin, 2018). Günümüzdeki bireylerden bilgiyi ezberlenmek yerine bilgilerin ve kavramların üzerinde düşünmek, araştırmak, analizini yapmak, sentezler ve değerlendirmeler gibi üst düzey becerileri kullanmak gibi beceriler beklendiğinden, bireyler konuları çok boyutlu bir şekilde ele almalı, sorgulamalı, üretmeli ve karar verme süreçlerinde aktif olmalılar. Bu sebeple devletler eğitim politikalarında, günümüz çağının gerekliliklerine uyum sağlayabilecek kişilerin yetiştirebilmesini hedeflemektedirler (Akbıyık ve Seferoğlu, 2002). Artık öğrencilerin sorgulayan, dogmatik düşüncelerden uzak duran ve tartışan bireyler olması gerektiği düşüncesi önem kazanmıştır (Akınoğlu, 2003). Çağdaş eğitim müfredatı her ne kadar tartışmalı bir alan olmaya devam etse de, üzerinde uzlaşılan temel görüş ulusal kalkınmanın eğitimle sağlanacağı ve mezunlara bağımsız, akıllıca düşünebilme becerisini kazandırması gerektiğidir (Pithers ve Soden, 2000). Toplumların ilerleyebilmesi için bu becerilere sahip bireylere ihtiyaç duyulmaktadır; bu sebeple eleştirel düşünme becerilerinin eğitim sisteminin doğasında olması gerekmektedir (Uribe Enciso vd., 2017). Eleştirel düşünmenin öğretimi sayesinde, analiz yapabilme, kritik düşünebilme, fikirlerin savunmasını yapabilme, tümevarım ve tümdengelim yollarıyla düşünebilme, bilgilere ya da inançlara dair kesin ifadeler ile edinillmiş geçerli çıkarımların üstüne inşa edilebilen güvenilebilen yargıların bulunulduğu becerilerin geliştirilmesi amaçlanır. Bu öğretimle bireylerde gerçek ile düşünüleni, bilgiyle inancı ayırt edebilme, dildeki ve düşüncelerdeki hataları fark edebilme, bunların muhakemesini yapabilme becerilerinin geliştirilmesi hedeflenmektedir (Freely ve Steinberg, 2009). Günümüz dünyasında bireylerin düşünme becerilerine sahip olmaları beklenmektedir. Öğretimler ile sadece bilgi alışverişlerinden ziyade, düşünmeyi öğretmek daha önemli hale gelmiştir. Bundan dolayı okullarda artık düşünebilen, eleştirebilen, üretebilen, bilgiye ulaşma yollarını bilebilen öğrencilerin yetiştirilmesi hedeflenmekte ve onların düşünme becerisini kazanmaları amacıyla eğitim programları geliştirilmektedir (Seferoğlu ve Akbıyık, 2006). Eğitimde eleştirel düşünme becerilerinin geliştirilmesi yaklaşımı günümüzde belirgin bir şekilde var olmaya başlamıştır (Önal ve Erişen, 2019). Bilginin hızla arttığı ve yenilendiği günümüzde, eğitimin öğrencilere sorgulayıcılık, araştırmacılık ve eleştirel düşünme YÖNTEM   71 1.3 Veri Toplama Aracı ve Verilerin Toplanması Çalışmada üç bölümden oluşan veri toplama araçlarından yararlanılmıştır. Birinci bölüm; araştırmacılar tarafından geliştirilen demografik bilgileri belirlemeye yönelik olup sınıf düzeyi, cinsiyet, genel not ortalaması, yapay zekayı kullanma durumları, yapay zekayı kullanma amaçları, merak edilen her şeyi yapay zekaya sorma durumları, yapay zekayı faydalı bulma durumları, yapay zekayı derslere faydalı bulma durumları, internete ulaşım araçlar, günlük internette geçirilen süreler şeklinde on değişkenden oluşturulmuştur. İkinci bölüm; Öztan ve Akçöltekin (2024) tarafından ortaokul öğrencilerinin yapay zekaya yönelik tutumlarını belirlemek amacıyla geliştirilen 14 madde içeren 5’li Likert tipine sahip bir ölçektir. Ölçek; yapay zekaya yönelik merak boyutu, yapay zekanın derse etki boyutu ve yapay zeka edinimlerinin paylaşımı boyutu şeklinde üç boyuttan oluşmaktadır. Yapay zekaya yönelik merak boyutu 7, yapay zekanın derse etki boyutu 4 ve yapay zeka edinimlerinin paylaşımı boyutu 3 maddeden oluşmaktadır. Güvenirlik katsayısı (Cronbach Alpha) 1. boyutun 0.755, 2. boyutun 0,741, 3. boyutun 0,496 ve son olarak ölçeğin genelinin 0,848’dir. Eğmir ve Ocak (2016) tarafından ortaokul öğrencilerinin eleştirel düşünme becerileri düzeylerini belirleyebilmek amacı ile geliştirilmiş olan Eleştirel Düşünme Becerisi Testi 25 çoktan seçmeli soruları içermektedir. Öğrencilerin yanıtları doğruysa 4, yanlışsa 0 puan şeklinde değerlendirilmiştir. Test sonucunda elde edilebilecek olan en düşük puanın 0, en yüksek puanın 100 olduğu belirlenmiştir. Test geliştirilirken KR-20 ve KR-21 güvenirlik katsayılarına bakıldığında bunların sırası ile 0,61 ve 0,63 olduğu belirlenmiştir. Bu araştırmanın kapsamında belirlenmiş olan KR-20 güvenirlik katsayısının ise 0,65 olduğu belirlenmiştir. Öğrencilerin testten aldıkları puanları değerlendirebilmek amacıyla Tekin (2000) tarafından önerilmiş olan Aralık Genişliği = Dizi Genişliği / Yapılacak Grup Sayısı formülünden faydalanılmıştır. Buradan yola çıkarak öğrencilerin testten elde ettikleri puanlar için 0-33,33 aralığının düşük, 33,34-66,66 aralığının orta, 66,66-100 aralığının ise yüksek düzey olarak değerlendirilmesi yapılmıştır. 1.4 Veri Analizi Araştırma sonucunda veri analizi yapılmadan önce elde edilen verilerin analizi için kullanılacak istatistiki tekniklerin belirlenmesi amacıyla verilerin normal dağılıma uygun olup olmadığına bakılmıştır. Yapay zeka tutum ölçeğinin verilerinin Skewness ve kurtosis değerleri -,584 ile ,149 olduğu, eleştirel düşünme becerileri testi verilerinin Skewness ve kurtosis değerleri ,079 72   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . ile -,926 olduğu ve verilerin normal dağılım gösterdiği belirlenmiştir. Kurtosis ve Skewness değerleri -1.5 ile +1.5 arasında olduğu zaman verilerin normal dağılımları gösterdikleri kabul edilmektedir (Tabachnick ve Fidell, 2013). Çalışmanın 1. ve 3. Alt problemleri kapsamındaki verilerin analizi için standart sapma ve aritmetik ortalama değerleri, 2. ve 4. Alt problemleri kapsamındaki verilerin analizleri için ilişkisiz örneklem t-testi ve ANOVA testleri, 5. Alt problem kapsamındaki verilerin analizi için korelasyon analizi kullanılmıştır. 73 3. BÖLÜM BULGULAR Araştırmanın bu bölümünde, ortaokul öğrencilerinin araştırma sorgulamaya dönük öz yeterlilik algılarını incelemek amacıyla belirlenen alt problemlere ait elde edilen veriler ve bu verilerin yorumlanmasına ilişkin bilgiler bulunmaktadır. Araştırmanın birinci alt problemi kapsamında öğrencilerin yapay zeka tutum ölçeğinden aldıkları puanların geneli ve faktörleri bağlamında edinilen bulgular Tablo 2’de verilmiştir. Tablo 2. Ölçeğin Yapay Zekaya Yönelik Merak, Yapay Zekanın Derse Etki Boyutu, Yapay Zeka Edinimlerinin Paylaşımı Boyutu İle Birlikte Genel Yapay Zekaya Yönelik Tutumlarına Yönelik Standart Sapma Ve Aritmetik Ortalama Değerleri Faktör Madde No Madde XSs 1Yapay zekâ ile ilgili proje çalışmalarına katılmaktan hoşlanırım. 3,08 1,00 Yapay zekâya 2 Yapay zekâ ile ilgili yeni şeyler öğrenmek dikkatimi çeker. 3,70 1,10 yönelik merak boyutu 3Derslerde yapay zekâ ile ilgili etkinliklerin kullanılmasından hoşlanırım. 3,58 1,07 4Yapay zekâ benim için çok önemlidir. 3,27 1,22 7Yapay zekâ teknolojileri derse karşı ilgimi arttırır. 3,13 1,27 13 Eğitimde yapay zekânın kullanılması ders motivasyonumu arttırır. 3,33 1,20 14 Yapay zekâ ile ilgili eğitim almak isterim. 3,27 1,26 Ort 3,34 ,743 17 Yapay zekâ çalışmaları derslerdeki eksikliklerimi fark etmeme yardımcı olur. 3,32 1,27 Yapay zekânın derse etki boyutu 18 Yapay zekâ sayesinde derslerimi nasıl tekrar etmem gerektiğini öğrenirim 3,33 1,35 74   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Faktör Madde No Madde XSs 19 Derslerde yapay zekâ teknolojisinin kullanılması kısa sürede çok şeyler öğrenmemi sağlar. 3,59 1,16 20 Yapay zekâ sayesinde öğretmenlerim derslerdeki başarımı tespit edebilirler. 3,29 1,30 Ort 3,38 ,958 Yapay zeka edinimlerinin 8Yapay zekâ ile ilgili haber gördüğümde arkadaşlarım ile paylaşmak isterim. 3,20 1,24 paylaşımı boyutu 9Yapay zekâ ile ilgili çalışma yaptığımda aileme göstermek isterim. 3,52 1,32 10 Yapay zekâ teknolojileri ile ilgili okul gezilerine katılmak isterim. 3,47 1,34 Ort 3,39 ,923 Genel Ortalama 3,36 ,714 Tablo 2 incelendiğinde, ortaokul öğrencilerine uygulanan yapay zeka tutum ölçeğinin yapay zekaya yönelik merak boyutundaki ‘Yapay zekâ ile ilgili yeni şeyler öğrenmek dikkatimi çeker.’’ Maddesinin ortalaması X =(3,70) olarak belirlenmiş olup diğer maddelere oranla ortalaması daha yüksek bulunmuştur. ‘Yapay zekâ ile ilgili proje çalışmalarına katılmaktan hoşlanırım.’’ maddesinin ortalaması ise X =(3,08) olarak belirlenmiş olup, diğer maddelere göre ortalaması daha düşük olduğu görülmüştür. Yapay zekaya yönelik merak boyutundaki maddelerin genel ortalaması X =(3,34) olarak belirlenmiştir. Ölçeğin yapay zekanın derse etki boyutundaki ‘‘Derslerde yapay zekâ teknolojisinin kullanılması kısa sürede çok şeyler öğrenmemi sağlar.’’ maddesinin ortalaması X =(3,59) olarak belirlenmiş olup diğer maddelere oranla ortalaması daha yüksek bulunmuştur. ‘Yapay zekâ sayesinde öğretmenlerim derslerdeki başarımı tespit edebilirler. ’’ maddesinin ortalaması ise X =(3,29) olarak belirlenmiş olup, diğer maddelere göre ortalaması daha düşük olduğu görülmüştür. Ölçeğin yapay zekaya yönelik merak boyutundaki maddelerin genel ortalaması X =(3,38) olarak belirlenmiştir. Ölçeğin yapay zeka edinimlerinin paylaşımı boyutundaki ‘‘Yapay zekâ ile ilgili çalışma yaptığımda aileme göstermek isterim.’’ maddesinin ortalaması X =(3,52) olarak belirlenmiş olup diğer maddelere oranla ortalaması daha yüksek bulunmuştur. ‘Yapay zekâ ile ilgili haber gördüğümde arkadaşlarım ile paylaşmak isterim.’’ maddesinin ortalaması ise X =(3,20) olarak belirlenmiş olup, diğer maddelere göre ortalaması daha düşük olduğu görülmüştür. Ölçeğin BULGULAR   75 yapay zeka edinimlerinin paylaşımı boyutundaki maddelerin genel ortalamasının X =(3,39) olduğu sonucuna ulaşılmıştır. Yapay zekaya yönelik tutum ölçeğinin genel ortalaması X =(3,36) olarak belirlenmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının sınıf düzeyi değişkeni ile ilişkisini ifade eden bulgular Tablo 3’te verilmiştir. Tablo 3. Ortaokul Öğrencilerinin Sınıf Düzeylerine Göre Yapay Zekaya Yönelik Tutum Ölçeğinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları Sınıf Düzeyi N X  ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp Anlamlı Fark 5. Sınıf 49 3,58 , 623 Gruplar Arası 4,590 3 1,530 3,085 ,028 5>6 6. Sınıf 44 3,19 ,818 Gruplar İçi 108,624 219 ,496 7. Sınıf 61 3,42 ,775 Toplam 113,214 222 8. Sınıf 69 3,27 ,607 Toplam 223 3,36 ,714 *<0.05 Tablo 3 incelendiğinde, öğrencilerin sınıf düzeyi değişkeni ile yapay zeka tutum ölçeğinin genelinden edinilen puanların arasında istatistiki açıdan anlamlı farkın bulunup bulunmadığını belirlemek amacıyla yapılan ANOVA testinde, ölçeğin genelinde 5. Sınıf öğrencilerinin ortalamasının (X =3,58), 6. Sınıf öğrencilerinin ortalamasının (X =3,19), 7. Sınıf öğrencilerinin ortalamasının (X =3,42), ve 8. Sınıf öğrencilerinin ortalamasının(X =3,27), en az ikisinin arasında istatistiksel açıdan anlamlı bir farkın bulunduğu sonucuna ulaşılmıştır [F(3-219) =3,085, p<0,05]. Yapılan “Tukey” çoklu karşılaştırma testine göre, bu farkın 5. Sınıf ile 6. Sınıflar arasında olduğu ve farkın 5 sınıf öğrencileri lehine olduğu belirlenmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının cinsiyet değişkeni ile ilişkisini ifade eden bulgular Tablo 4’te verilmiştir. Tablo 4. Ortaokul Öğrencilerinin Cinsiyetlerine Göre Yapay Zekaya Yönelik Tutum Ölçeğinden Aldıkları Puanların t testi Sonuçları Cinsiyet N X Ss t Sd p Yapay Zekaya Kız 124 3,41 ,660 1,024 221 ,307 Yönelik Tutum Erkek 99 3,31 ,776 Tablo 4 incelendiğinde, kız ve erkek öğrencilerin yapay zekaya yönelik tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiksel 76   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . olarak anlamlı farklar bulunup bulunmadığını belirleyebilmek için yapılmış olan ilişkisiz örneklemler t testi sonuçlarında, kız öğrencilerin puan ortalamalarının (X =3,41), erkek öğrencilerin puan ortalamalarının (X =3,31) olduğu ve gruplar arasında istatistiki açıdan anlamlı fark bulunmadığı belirlenmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının genel not ortalaması değişkeni ile ilişkisini ifade eden bulgular Tablo 5’te verilmiştir. Tablo 5. Ortaokul Öğrencilerinin Genel Not Ortalamalarına Göre Yapay Zekaya Yönelik Tutum Ölçeğinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları GNO N X ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp Anlamlı Fark 55-69 20 3,16 ,539 Gruplar Arası ,908 2 ,454 ,890 ,412 70-84 43 3,39 ,719 Gruplar İçi 112,306 220 ,510 85-10 1 6 0 3,38 ,731 Toplam 113,214 222 Toplam 223 3,36 ,714 Tablo 5 incelendiğinde, öğrencilerin genel not ortalamaları ile yapay zeka tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı fark bulunup bulunmadığını belirlemek amacıyla yapılan ANOVA testinde, ölçeğin genelinde not ortalaması 55-69 puan aralığında bulunan öğrencilerin ortalamalarının (X =3,16), not ortalamaları 70-84 puan aralığında bulunan öğrencilerin puanlarının (X =3,39) ve not ortalaması 85-100 puan aralığında bulunan öğrencilerin ortalamalarının (X =3,38), en az ikisinin arasında istatistiki açıdan anlamlı farkın olmadığı sonucu elde edilmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının yapay zekayı kullanma durumları ile ilişkisini ifade eden bulgular Tablo 6’da verilmiştir. Tablo 6. Ortaokul Öğrencilerinin Yapay Zeka Kullanma Durumlarına Göre Yapay Zekaya Yönelik Tutum Ölçeğinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları Değişken N X  ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp AnlamlıFark Evet (1) 118 3,44 ,708 Gruplar Arası 5,361 22,681 5,468 ,005 1>2 Hayır(2) 20 2,88 ,889 Gruplar İçi 107,853 220 ,490 2<3 Kısmen(3) 85 3,36 ,636 Toplam 113,214 Toplam 223 3,36 ,714 *<0.05 BULGULAR   77 Tablo 6 incelendiğinde, öğrencilerin yapay zeka kullanma durumlarıyla yapay zeka tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı fark bulunup bulunmadığını belirlemek amacıyla yapılan ANOVA testinde, “Evet” yanıtını veren öğrencilerin ortalamasının (X =3,44), , “Hayır” yanıtını veren öğrencilerin ortalamasının (X =2,88), “Kısmen” yanıtını veren öğrencilerin ortalamasının (X =3,36) olduğu, en az ikisinin arasında istatistiki açıdan anlamlı farkın olduğu sonucu elde edilmiştir. [F(2-220) =5,468, p<0,05]. Yapılan “Tukey” çoklu karşılaştırma testi sonucunda, bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu, “Hayır” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Kısmen” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının yapay zekayı kullanma amaçları ile ilişkisini ifade eden bulgular Tablo 7’de verilmiştir. Tablo 7. Ortaokul Öğrencilerinin Yapay Zekayı Kullanma Amaçlarına Göre Yapay Zekaya Yönelik Tutum Ölçeğinden Aldıkları Puanların t testi Sonuçları Amaç N X Ss t Sd p Yapay Zekaya Bilgi Edinme 88 3,51 ,683 1,024 221 ,012 Yönelik Tutum Eğlence 1 3 4 3,27 ,722 *<0.05 Tablo 7 incelendiğinde, öğrencilerin yapay zekayı kullanma amacı ile yapay zekaya yönelik tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı fark bulunup bulunmadığını belirlemek amacıyla yapılan ilişkisiz örneklemler t testinde, yapay zekayı ders kapsamlı bilgi edinme amaçlı kullananların puan ortalamasının (X =3,51), eğlence amaçlı kullananların puan ortalamasının (X =3,27) olduğu ve gruplar arasında yapay zekayı ders kapsamlı bilgi edinme amacı ile kullananların lehine istatistiki açıdan anlamlı fark olduğu belirlenmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının merak ettikleri her şeyi yapay zekaya sorma durumları ile ilişkisini ifade eden bulgular Tablo 8’de verilmiştir. 78   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Tablo 8. Ortaokul Öğrencilerinin Merak Ettikleri Her Şeyi Yapay Zekaya Sorma Durumlarına Göre Yapay Zekaya Yönelik Tutum Ölçeğinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları Değişken N X  ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp Anlamlı Fark Evet (1) 70 3,44 ,668 Gruplar Arası 9,725 24,862 10,337 ,000 1>2 Hayır (2) 33 2,86 ,845 Gruplar İçi 103,489 220 ,470 2<3 Kısmen(3)120 3,45 ,646 Toplam 113,214 Toplam 223 3,36 ,714 *<0.05 Tablo 8 incelendiğinde, öğrencilerin merak ettikleri her şeyi yapay zekaya sorma durumları ile yapay zeka tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı fark bulunup bulunmadığını belirlemek yapılan ANOVA testinde, “Evet” yanıtını veren öğrencilerin ortalamasının (X =3,44), , “Hayır” yanıtını veren öğrencilerin ortalamasının (X =2,86), “Kısmen” yanıtını veren öğrencilerin ortalamasının (X =3,45) olduğu, en az ikisinin arasında istatistiki açıdan anlamlı farkın bulunduğu sonucu elde edilmiştir. [F(2-220) =10,337, p<0,05]. Yapılan “Tukey” çoklu karşılaştırma testinin sonucunda, bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu, “Hayır” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Kısmen” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının yapay zekayı faydalı bulma durumları ile ilişkisini ifade eden bulgular Tablo 9’da verilmiştir. Tablo 9. Ortaokul Öğrencilerinin Yapay Zekayı Faydalı Bulma Durumlarına Göre Yapay Zekaya Yönelik Tutum Ölçeğinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları Değişken N X  ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp Anlamlı Fark Evet (1) 165 3,44 ,713 Gruplar Arası 5,837 22,919 5,980 ,003 1>2 Hayır (2) 4 2,44 ,937 Gruplar İçi 107,377 220 ,488 Kısmen (3) 54 3,20 ,632 Toplam 113,214 Toplam 223 3,36 ,714 *<0.05 BULGULAR   79 Tablo 9 incelendiğinde, öğrencilerin yapay zekayı faydalı bulma durumları ile yapay zeka tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı fark bulunup bulunmadığını belirlemek amacıyla yapılan ANOVA testinde, “Evet” yanıtını veren öğrencilerin ortalamasının (X =3,44),, “Hayır” yanıtını veren öğrencilerin ortalamasının (X =2,44), “Kısmen” yanıtını veren öğrencilerin ortalamasının (X =3,20) olduğu, en az ikisinin arasında istatistiki açıdan anlamlı farkın bulunduğu sonucu elde edilmiştir. [F(2-220) =5,980, p<0,05]. Yapılan “Tukey” çoklu karşılaştırma testi sonucunda, bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının yapay zekanın derslere faydalı olduğunu düşünme durumları ile ilişkisini ifade eden bulgular Tablo 10’da verilmiştir. Tablo 10. Ortaokul Öğrencilerinin Yapay Zekanın Derslere Faydalı Olduğunu Düşünme Durumlarına Göre Yapay Zekaya Yönelik Tutum Ölçeğinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları Değişken N X  ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp Anlamlı Fark Evet (1) 132 3,54 ,673 Gruplar Arası 17,153 28,576 19,641 ,000 1>2 Hayır (2) 22 2,63 ,806 Gruplar İçi 96,062 220 ,437 1>3 Kısmen (3) 69 3,25 ,581 Toplam 113,214 2<3 Toplam 223 3,36 ,714 *<0.05 Tablo 10 incelendiğinde, öğrencilerin yapay zeka araçlarının derslere faydalı olduğunu düşünme durumları ile yapay zeka tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı fark bulunup bulunmadığını belirlemek amacıyla yapılan ANOVA testinde, “Evet” yanıtını veren öğrencilerin ortalamasının (X =3,54), , “Hayır” yanıtını veren öğrencilerin ortalamasının (X =2,63), “Kısmen” yanıtını veren öğrencilerin ortalamasının (X =3,25) olduğu, en az ikisinin arasında istatistiki açıdan anlamlı farkın bulunduğu sonucu elde edilmiştir. [F(2-220) =19,641, p<0,05]. Yapılan “Tukey” çoklu karşılaştırma testi sonucunda, bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu, farkın “Evet” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını 80   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . veren öğrencilerin lehine olduğu, “Hayır” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Kısmen” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının internete ulaşım araçları ile ilişkisini ifade eden bulgular Tablo 11’de verilmiştir. Tablo 11. Ortaokul Öğrencilerinin İnternete Ulaşım Araçlarına Göre Yapay Zekaya Yönelik Tutum Ölçeğinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları Değişken N X  ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp Anlamlı Fark Telefon(1) 187 3,37 ,663 Gruplar Arası 3,739 21,870 3,757 ,025 2<3 Bilgisayar(2) 25 3,09 ,965 Gruplar İçi 109,475 220 ,498 Tablet (3) 1 3,77 ,714 Toplam 113,214 Toplam 223 3,36 ,714 *<0.05 Tablo 11 incelendiğinde, öğrencilerin internete ulaşım araçları ile yapay zeka tutum ölçeğinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı fark bulunup bulunmadığını belirlemek amacıyla yapılan ANOVA testinde, “Telefon” yanıtını veren öğrencilerin ortalamasının (X =3,37), “Bilgisayar” yanıtını veren öğrencilerin ortalamasının (X =3,09), “Tablet” yanıtını veren öğrencilerin ortalamasının (X =3,77) olduğu, en az ikisinin arasında istatistiki açıdan anlamlı farkın bulunduğu sonucu elde edilmiştir. [F(2220) =3,757, p<0,05]. Yapılan “Tukey” çoklu karşılaştırma testinin sonucunda, bu farkın “Bilgisayar” yanıtını veren öğrenciler ile “Tablet” yanıtını veren öğrenciler arasında olduğu ve farkın “Tablet” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Araştırmanın ikinci alt problemi kapsamında öğrencilerin yapay zekaya yönelik tutumlarının günlük internette geçirdikleri süreler ile ilişkisini ifade eden bulgular Tablo 12’de verilmiştir. BULGULAR   87 Araştırmanın ikinci alt problemi kapsamında öğrencilerin eleştirel düşünme becerilerinin günlük internette geçirdikleri süreler ile ilişkisini ifade eden bulgular Tablo 23’te verilmiştir. Tablo 23. Ortaokul Öğrencilerinin Günlük İnternette Geçirdikleri Sürelere Göre Eleştirel Düşünme Becerisi Testinin Genelinden Aldıkları Puanların ANOVA Testi Sonuçları Değişken N X  ss Varyansın Kaynağı Kareler Toplamı Sd Kareler Ortalaması Fp Anlamlı Fark 0-30 dk(1) 8 48,00 19,47 Gruplar Arası 2376,855 4 594,214 1,522 ,197 30-60dk(2)24 49,16 23,60 Gruplar İçi 85127,934 218 390,495 1-1,5sa(3) 43 47,81 18,49 Toplam 87505,789 222 1,5-2sa(4) 43 56,83 19,60 2 sa+(5)105 48,91 19,40 Toplam 223 50,22 19,85 Tablo 23 incelendiğinde, öğrencilerin günlük internette geçirdikleri süreler ile eleştirel düşünme becerisi testinin genelinden almış oldukları puanların arasında istatistiki açıdan anlamlı farkın bulunup bulunmadığını belirlemek amacıyla yapılan ANOVA testinde, ölçeğin genelinde öğrencilerin günlük internette geçirdiği süre 0-30 dakika aralığında olan öğrencilerin ortalamasının (X =48,00), 30-60 dakika aralığında olan öğrencilerin ortalamasının (X =49,16), 1-1,5 saat aralığında olan öğrencilerin ortalamasının (X =47,81), 1,5-2 saat aralığında olan öğrencilerin puanlarının (X =56,83) ve 2 saat ve üzeri sürelerde olan öğrencilerin ortalamasının(X =48,91) olduğu ve en az ikisinin arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Araştırmanın beşinci alt problemi kapsamında öğrencilerin yapay zeka tutumlarının eleştirel düşünme becerileri ile ilişkisini ifade eden bulgular Tablo 24’te verilmiştir. Tablo 24. Öğrencilerin Yapay Zeka Tutumları ile Eleştirel Düşünme Becerileri arasındaki korelasyon analizi sonuçları Eleştirel Düşünme Becerisi Testi Yapay Zekaya Yönelik Tutum Pearson Korelasyon Katsayısı (r) -,061 Anlamlılık (p) ,366 N223 Tablo 24 incelendiğinde, öğrencilerin yapay zekaya yönelik tutumları ile eleştirel düşünme becerileri arasında negatif yönde zayıf düzeyde ve istatistiki açıdan anlamlı bir fark olmadığı belirlenmiştir. (r=-,061; p>0,01). 89 4. BÖLÜM SONUÇ VE TARTIŞMA Araştırmanın sonuçları incelendiğinde, ortaokul öğrencilerine uygulanan yapay zeka tutum ölçeğinin yapay zekaya yönelik merak boyutundaki ‘Yapay zekâ ile ilgili yeni şeyler öğrenmek dikkatimi çeker.’’ Maddesinin ortalaması diğer maddelere oranla ortalaması daha yüksek bulunmuştur. Öğrenme yaşantıları, insanların hem kendilerini hem de dünyayı daha iyi anlayabilmelerine katkı sağlamaktadır. İnsanların yeni şeyleri öğrenerek bir şeylerin başarılabileceğini kanıtladıklarında kendilerine olan güvenlerinin de arttığı belirlenmiştir (Miller, 2021). ‘Yapay zekâ ile ilgili proje çalışmalarına katılmaktan hoşlanırım.’’ maddesinin diğer maddelere göre ortalaması daha düşük olduğu görülmüştür. Öğrencilerin yapay zekaya yönelik merak boyutundaki maddelerin genel ortalamasının orta düzeyde olduğu belirlenmiştir. Ölçeğin yapay zekanın derse etki boyutundaki ‘‘Derslerde yapay zekâ teknolojisinin kullanılması kısa sürede çok şeyler öğrenmemi sağlar.’’ maddesinin diğer maddelere oranla ortalaması daha yüksek bulunmuştur. Yeni teknolojiler ve eğitim trendleri arasında en dikkat çeken yeniliklerden biri, yapay zeka tabanlı öğretim asistanlarıdır. Bu sistemler, öğrencilerin sorularına anında dönüt verebilmekte ve onların öğrenme süreçlerine aktif olarak katkıda bulunmaktadır. Yapay zeka destekli öğretim asistanları, öğrencilerin öğrenme motivasyonunu artırmakta ve onların bağımsız öğrenme becerilerini geliştirmektedir (Roll ve Wylie, 2016). Yapay zekânın öğretimdeki engelleri aşmada etkili bir rol alacağı düşünülmektedir (Çetin ve Aktaş, 2021). ‘Yapay zekâ sayesinde öğretmenlerim derslerdeki başarımı tespit edebilirler. ’’ maddesinin diğer maddelere göre ortalamasının daha düşük olduğu görülmüştür. Ölçeğin yapay zekaya yönelik merak boyutundaki maddelerin genel ortalamasının orta düzeyde olduğu belirlenmiştir. Kalafat Çat ve Huseynova (2025) ortaokul öğrencilerinin yapay zekâ farkındalıklarını belirledikleri çalışmalarında ortaokul öğrencilerinin yapay zekâya ilişkin merak düzeylerinin yüksek (% 57) olduğunu belirlemişlerdir. Öğrencilerin, yapay zekânın günlük yaşama entegrasyonuna ilişkin merakları artarken, eğitim süreçlerinde bu teknolojiyi kullanma arzularının bulunduğu belirlenmiştir. Yapay zekâ destekli öğrenme araçlarının yaygınlaştırılması ile öğrenciler için eğlenceli ve etkileşimli çalışma ortamları sağlanabilecektir. 90   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Ölçeğin yapay zeka edinimlerinin paylaşımı boyutundaki ‘‘Yapay zekâ ile ilgili çalışma yaptığımda aileme göstermek isterim.’’ maddesinin diğer maddelere oranla ortalaması daha yüksek bulunmuştur. ‘Yapay zekâ ile ilgili haber gördüğümde arkadaşlarım ile paylaşmak isterim.’’ maddesinin ortalaması ise diğer maddelere göre daha düşük olduğu görülmüştür. Ölçeğin yapay zeka edinimlerinin paylaşımı boyutundaki maddelerin genel ortalamasının orta düzeyde olduğu belirlenmiştir. Yapay zekaya yönelik tutum ölçeğinin genel ortalamasının orta düzeyde olduğu belirlenmiştir. Aksu’nun (2025) öğrencilerin yapay zekaya dair bilgilerini, tutumlarını ve bakış açılarını belirlemeyi amaçladığı çalışmasında, öğrencilerin yapay zekaya yönelik tutumlarının iyimser olduğunu, eğitim süreçlerinde bu teknolojiden yararlandıklarını belirlemişlerdir. Yıldırım ve Yıldırım (2025) çalışmalarında genel anlamda katılımcıların yapay zekaya yönelik olumlu tutumlar sergilediklerini belirlemişlerdir. Öğrencilerin sınıf düzeyi değişkeni ile yapay zeka tutum ölçeğinden almış oldukları puanların arasında istatistiki açıdan anlamlı bir farkın bulunduğu sonucu elde edilmiştir. Bu farkın 5. Sınıf ile 6. snıfların arasında , 5 sınıf öğrencileri lehine olduğu sonucu elde edilmiştir. Kız ve erkek öğrencilerin yapay zekaya yönelik tutum ölçeğinden almış oldukları puanların arasında istatistiki açıdan anlamlı bir farkın bulunmadığı sonucuna ulaşılmıştır. Fakat sonuçları incelediğimizde, kız öğrencilerin yapay zekaya yönelik tutumlarının, erkek öğrencilere kıyasla daha fazla olduğu belirlenmiştir. Literatürde benzer olarak cinsiyet değişkeni ile yapay zekaya yönelik tutumlar arasında anlamlı ilişkinin var olmadığını belirleyen çalışmalar bulunmaktadır (Karacan-Doğan, Doğan ve Çetinkayalı, 2023; Mart ve Kaya, 2024; Yakut, 2024). Ancak cinsiyet değişkeniyle anlamlı farkın bulunduğu araştırmalar da bulunmaktadır. Yıldırım ve Yıldırım (2025) çalışmalarında cinsiyete göre yapay zekaya yönelik kullanıcı tutumları incelemiştir ve yapay zekaya yönelik erkeklerin kadınlardan daha fazla pozitif tutum sergilediği; negatif tutumları arasında da herhangi anlamlı bir farkın olmadığı görülmüştür. Alan yazın incelendiğinde benzer sonuçların ortaya çıktığı görülmektedir (Kırkar ve Buzlukçu, 2024). Öğrencilerin genel not ortalamaları ile yapay zeka tutumları arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Fakat sonuçlar incelendiğinde, not ortalaması 70-84 puan aralığında olan öğrencilerin yapay zekaya yönelik tutumlarının, not ortalaması 55-69 puan aralığında ve not ortalaması 85-100 puan aralığında olan öğrencilere göre daha fazla olduğu belirlenmiştir. Ayrıca not ortalaması 85-100 puan aralığında olan öğrencilerin yapay zekaya yönelik tutumlarının, not ortalaması 55-69 puan aralığında olan öğrencilere göre daha fazla olduğu SONUÇ VE TARTIŞMA   91 belirlenmiştir. Deveci Topal vd. (2021) gerçekleştirdikleri çalışmalarında yapay zeka tabanlı sohbet robotları ile öğrencilere görsel ve işitsel destekler sağlanmasına ve anlık geri bildirimler verilmesine rağmen akademik başarısı değişkeni açısından deney ve kontrol grupları arasında anlamlı farkın bulunmadığı belirlenmiştir. 21. yüzyılın gereksinimleri çerçevesinde, Griffin ve Care (2014) ve Larson ve Miller (2011) tarafından vurgulandığı üzere, teknoloji ve bilgisayar kullanımında yetkin öğrenciler, akranlarından farklı olarak yeni bilgi ve beceriler edinebilme kapasitesine sahiptirler. Şenol (2025) çalışmasında yapay zeka destekli uygulamalar sayesinde ortaokul öğrencilerinin akademik başarılarının anlamlı düzeyde artabileceği sonucuna ulaşmıştır. Chen vd. (2020) yapay zeka destekli öğrenme araçlarının öğrenci başarısını artırmada önemli bir rol oynadığını vurgulamıştır. Samo ve Shah (2025) gerçekleştirdikleri çalışmalarında yapay zeka destekli öğrenme araçları öğrencilerin sahip oldukları akademik başarılarını olumlu ve anlamlı bir şekilde etkilediği sonuçlarına ulaşmışlardır. Kesler (2021) tarafından gerçekleştirilmiş olan araştırmada yapay zeka aracıyla gerçekleştirilen öğretiminin öğrencilerin akademik başarılarına etkisinin anlamlı olduğu belirlenmiştir. Aregbesola vd. (2025) gerçekleştirdikleri çalışmalarında AI-Class-Point ile işlenen öğretimimin öğrencilerin kimya dersindeki akademik başarılarına etkisini incelediğinde elde ettiği bulgulara göre deney grubundki öğrencilerin akademik başarılarının kontrol grubunda bulunan öğrencilere göre anlamlı düzeyde daha yüksek olduğunu belirlemişlerdir. Öğrencilerin yapay zeka kullanma durumları ile yapay zeka tutumları arasında istatistiki açıdan anlamlı farkın bulunduğu sonuca ulaşılmıştır. Bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve “Evet” yanıtını veren öğrencilerin lehine olduğu, “Hayır” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Kısmen” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Yıldırım ve Yıldırım’ın (2025) yapay zeka kullanan öğrenciler ile kullanmayanlar arasında yapılan karşılaştırmada, yapay zekayı daha önce kullanan katılımcıların kullanmayan katılımcılara göre anlamlı düzeyde yüksek tutum puanlarına sahip oldukları görülmüştür. İlgili alan yazında da mevcut durumu destekler nitelikte araştırmaların olduğu görülmüştür (Karacan-Doğan vd., 2023; Mart ve Kaya, 2024). Yapılan araştırmalar, bireylerin yapay zekaya dair olumlu ve olumsuz tutumları arasında değişkenlik gösteren bir dengenin olduğunu ortaya koymaktadır. Bireylerin teknolojik okuryazarlık düzeyi arttıkça, yapay zekaya yönelik tutumlarının daha olumlu olduğu, ancak yeterli bilgiye sahip olmayan bireylerin belirsizlik ve güvensizlik nedeniyle daha temkinli yaklaştıkları 92   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . görülmektedir (Yakut, 2024). Öğrencilerin yapay zekayı kullanma amacı ile yapay zekaya yönelik tutum ölçeğinden aldıkları puanlar arasında, yapay zekayı ders kapsamlı bilgi edinme amacı ile kullananların lehine istatistiki açıdan anlamlı fark olduğu belirlenmiştir. Kişiselleştirilen öğrenmelerin öğrencilerin başarılarını artırma konusunda önemli bir yeri bulunmaktadır. Örneğin, Khan Academy gibi platformlar sayesinde öğrenciler, verilerinin analizlerini yaparak zayıf oldukları konular için ekstra materyaller sağlayabilmektedirler (Omenka ve Reuben, 2024). Öğrencilerin merak ettikleri her şeyi yapay zekaya sorma durumları ile yapay zeka tutum ölçeğinden almış oldukları puanların arasında istatistiki açıdan anlamlı bir farkın bulunduğu sonucu elde edilmiştir. Bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu, “Hayır” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Kısmen” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Yapay zeka tabanlı sohbet robotlarının öğrencilere gün içerisindeki her saatte yardımda bulunabilme, sorulara yanıtlar verebilme ve kayıt süreçlerinde onlara rehberlik edebilme gibi özellikleri vardır (Okonkwo & AdeIbijola, 2021; Wei et al., 2021). Öğrencilerin yapay zekayı faydalı bulma durumları ile yapay zeka ölçeğinden almış oldukları puanların arasında istatistiki açıdan anlamlı bir farkın bulunduğu sonucu elde edilmiştir. Bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Yapay zekanın kullanımı ile bireyselleştirilmiş öğrenme kolaylaşabilir, üretkenlikler artabilir, öğrenci desteği iyileştirilebilir, tahminlere dayananlı analitik sonuçlar mümkün kılınabilir ve maliyetler azalabilir (Bozkurt vd., 2021; Bustamante ve Garcia-Bedoya, 2021; Khan vd., 2021; Wang, 2021). Öğrencilerin yapay zeka araçlarının derslere faydalı olduğunu düşünme durumları ile yapay zeka tutum ölçeğinden almış oldukları puanların arasında istatistiki açıdan anlamlı bir farkın bulunduğu sonucu elde edilmiştir. Bu farkın “Evet” yanıtını veren öğrenciler ile “Hayır” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu, farkın “Evet” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Evet” yanıtını veren öğrencilerin lehine olduğu, “Hayır” yanıtını veren öğrenciler ile “Kısmen” yanıtını veren öğrenciler arasında olduğu ve farkın “Kısmen” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Yapay zeka öğrencilere daha verimli öğrenme ortamlarının tasarlanmasını sağlayabilmektedir. Yapay zeka tabanlı öğrenme platformları, içerik, sunum ve SONUÇ VE TARTIŞMA   93 değerlendirmeleri her öğrenciye göre düzenleyebilmektedir (Razia et al., 2023). Yapay zeka sayesinde öğrenciler, kendi hızlarında öğrenebilirler ve ilerlemeleri konusunda anında geri bildirimler alarak, öğrenmelerinin sonuçları ve devam etme oranları artabilir (Goldrick et al., 2014). Öğrencilerin internete ulaşım araçları ile yapay zeka tutum ölçeğinden almış oldukları puanların arasında istatistiki açıdan anlamlı bir farkın bulunduğu sonucu elde edilmiştir. Bu farkın “Bilgisayar” yanıtını veren öğrenciler ile “Tablet” yanıtını veren öğrenciler arasında olduğu ve farkın “Tablet” yanıtını veren öğrencilerin lehine olduğu sonucu elde edilmiştir. Öğrencilerin günlük internette geçirdikleri süreler ile yapay zeka tutum ölçeğinden almış oldukları puanların arasında istatistiki açıdan anlamlı bir farkın bulunmadığı sonucu elde edilmiştir. Öğrencilerin eleştirel düşünme becerilerinin orta düzeyde olduğu sonucu elde edilmiştir. Literatür incelendiğinde eleştirel düşünme becerisinin; düşük, orta ve yüksek düzeyde çıktığı araştırmalara rastlanmıştır. Karabacak (2011) tarafından yürütülen araştırmada, öğrencilerin eleştirel düşünme becerisinin yüksek düzeyde olduğunu belirlenmiştir. Akar (2007)’ın altıncı sınıf öğrencileriyle yürüttüğü çalışmada öğrencilerin yetersiz düzeyde eleştirel düşünme becerilerinin olduğu görülmüştür. Ocak ve Kutlu Kalender (2017) ile Yavuz (2019) tarafından ortaokul düzeyinde yürütülmüş olan araştırmalarda da öğrencilerin eleştirel düşünme becerilerinin orta düzeyde olduğu sonuçlarına ulaşılmıştır. Öğrencilerin sınıf düzeyi değişkeni ile eleştirel düşünme becerileri arasında istatistiki açıdan anlamlı farkın bulunduğu sonucu elde edilmiştir. Bu farkın 5. Sınıf, 6. Sınıf, 7. Sınıflar ile 8. Sınıflar arasında olduğu ve 8 sınıf öğrencileri lehine olarak belirlenmiştir. Literatür incelendiğinde sınıf düzeyi ile eleştirel düşünme becerisinin paralel olarak arttığı sonucuna ulaşan çalışmalar bulunmaktadır. Çıkrıkçı (1996), Demir (2006), Ay ve Akgöl (2008), Kahraman (2008), Bayındır (2015), Köksal ve Çöğmen (2018) yaptıkları çalışmalarının sonuçlarıyla bu araştırmanın sonuçları paralellik göstermektedir. Kız ve erkek öğrencilerin eleştirel düşünme becerileri arasında istatistiki açıdan anlamlı farkın bulunmadığı belirlenmiştir. Periasamy (2021)’ın ortaokul öğrencileriyle gerçekleştirdiği araştırmada da cinsiyetin eleştirel düşünme becerisi üzerinde anlamlı etkisinin bulunmadığı bulgulanmıştır. Köksal ve Çöğmen (2018) ortaokul öğrencilerinin eleştirel düşünme becerilerini inceledikleri araştırmalarında ise, kız öğrencilerin eleştirel düşünme becerilerinin erkek öğrencilere göre tüm alt boyutlarda yüksek olduğu sonucuna ulaşılmıştır. Öğrencilerin genel not ortalamaları ile eleştirel düşünme becerileri arasında istatistiki açıdan anlamlı 94   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . farkın bulunduğu, bu farkın not ortalaması 85100 puan aralığında olan öğrenciler ile 55-69 puan aralığında olan öğrenciler ve 70-84 puan aralığında olan öğrenciler arasında olduğu ve not ortalaması 85-100 puan aralığında olan öğrencilerin lehine olduğu belirlenmiştir. SağlamYadın(2024) yaptığı çalışması sonucunda akademik başarı arttıkça eleştirel düşünme becerisinin arttığından bahsetmiştir. Öğrencilerin yapay zeka kullanma durumları ile eleştirel düşünme becerileri arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Sonuçlar incelendiğinde, yapay zekayı kullanan öğrencilerin eleştirel düşünme becerilerinin, yapay zekayı kısmen kullanan ve kullanmayan öğrencilere göre daha yüksek olduğu sonucuna ulaşılmıştır. Bunun yanında yapay zekayı kısmen kullanan öğrencilerin eleştirel düşünme becerilerinin, yapay zekayı kullanmayan öğrencilere göre daha yüksek olduğu sonucuna ulaşılmıştır. Öğrencilerin yapay zekayı kullanma amaçları ile eleştirel düşünme becerileri arasında istatistiksel olarak anlamlı bir fark olmadığı sonucu elde edilmiştir. Sonuçlar incelendiğinde, yapay zekayı ders kapsamlı bilgi edinme amaçlı kullanan öğrencilerin eleştirel düşünme becerilerinin, eğlence amaçlı kullanan öğrencilere göre daha yüksek olduğu belirlenmiştir. Öğrencilerin merak ettikleri her şeyi yapay zekaya sorma durumları ile eleştirel düşünme becerileri arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Sonuçlar incelendiğinde, merak ettikleri her şeyi yapay zekaya kısmen soran öğrencilerin eleştirel düşünme becerilerinin, merak ettikleri her şeyi yapay zekaya soran öğrenciler ile merak ettikleri her şeyi yapay zekaya sormayan öğrencilere göre daha yüksek olduğu bulunmuştur. Ayrıca merak ettikleri her şeyi yapay zekaya sormayan öğrencilerin eleştirel düşünme becerilerinin, merak ettikleri her şeyi yapay zekaya soran öğrencilere göre daha yüksek olduğu bulunmuştur. Öğrencilerin yapay zekayı faydalı bulma durumları ile eleştirel düşünme becerileri arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Sonuçlar incelendiğinde, yapay zekayı faydalı bulmayan öğrencilerin eleştirel düşünme becerilerinin, yapay zekayı faydalı bulan ve yapay zekayı kısmen faydalı bulan öğrencilere göre daha yüksek olduğu bulunmuştur. Ayrıca yapay zekayı faydalı bulan öğrencilerin eleştirel düşünme becerilerinin, yapay zekayı kısmen faydalı bulan öğrencilere göre daha yüksek olduğu bulunmuştur. Öğrencilerin yapay zeka araçlarının derslere faydalı olduğunu düşünme durumları ile eleştirel düşünme becerileri arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Sonuçlar incelendiğinde, yapay zeka araçlarının derslere kısmen faydalı olduğunu düşünen öğrencilerin eleştirel düşünme becerilerinin, yapay zeka araçlarının derslere faydalı olduğunu düşünen öğrencilere ve yapay SONUÇ VE TARTIŞMA   95 zeka araçlarının derslere faydalı olmadığını düşünen öğrencilere göre daha yüksek olduğu bulunmuştur. Ayrıca yapay zeka araçlarının derslere faydalı olduğunu düşünen öğrencilerin eleştirel düşünme becerilerinin, yapay zeka araçlarının derslere faydalı olmadığını düşünen öğrencilere göre daha yüksek olduğu bulunmuştur. Öğrencilerin internete ulaşım araçları ile eleştirel düşünme arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Sonuçlar incelendiğinde, internete ulaşım aracı bilgisayar olan öğrencilerin eleştirel düşünme becerilerinin, internete ulaşım aracı telefon ya da tablet olan öğrencilere göre daha yüksek olduğu belirlenmiştir. Ayrıca internete ulaşım aracı telefon olan öğrencilerin eleştirel düşünme becerilerinin, internete ulaşım aracı tablet olan öğrencilere kıyasla daha yüksek olduğu bulunmuştur. Öğrencilerin günlük internette geçirdikleri süreler ile eleştirel düşünme becerilerinin arasında istatistiki açıdan anlamlı farkın bulunmadığı sonucuna ulaşılmıştır. Sonuçlar incelendiğinde, günlük internette geçirdikleri süreleri 1,5-2 saat aralığında olan öğrencilerin eleştirel düşünme becerilerinin, günlük internette geçirdikleri süreleri 0-30 dakika aralığında, 1-1,5 saat aralığında ve 2 saat ve üzeri sürelerde olan öğrencilere kıyasla daha yüksek olduğu belirlenmiştir. Öğrencilerin yapay zekaya yönelik tutumları ile eleştirel düşünme becerilerinin arasında istatistiki açıdan anlamlı olmayan negatif yönde düşük güçlükte bir korelasyon olduğu sonucu elde edilmiştir. Bu sonuca göre öğrencilerin yapay zeka kullanımına yönelik tutumları yükseldikçe eleştirel düşünme becerileri olumsuz yönde etkilenmektedir. Spector ve Ma (2019) çalışmalarında yapay zekanın sınırlamalarının göz önünde bulundurulması gerektiğinden bahsetmişlerdir. Yapay zeka gelişmelerinin, insan zekası, eleştirel düşünme becerileri ve yaratıcılıkların pahasına olmamasına dikkat edilmesinin gerekliliğini vurgulamışlardır. KAYNAKÇA   103 Fourth International Conference (ICAI 2021) (pp. 222-236). Springer. https:// doi.org/10.1007/978-3-030-89654-6_16 Büyükada, S., 2024, Akademik yazımda yapay zeka kullanımının etik açıdan incelenmesi: ChatGPT örneği, Rize İlahiyat Dergisi, 26, 1–12. Cabı, E., 2015, Dijital teknolojiye yönelik tutum ölçeği, Kastamonu Eğitim Dergisi, 24(3), 1229–1244. Campbell, M., Hoane, A. J., ve Hsu, F. H. (2002). Deep Blue. Artificial Intelligence, 134(1–2), 57–83. Ceylan, B., Altıparmak Karakuş, M. (2023). “Fen Eğitiminde Yapay Zeka”. N. Akpınar Dellal ve Ş. Balkaya (Ed.), Rethinking Science, Education, Culture And Art In the Digital Age (ss. 272-291). Moldova: GlobalEdit. Chang, C. Y., Hwang, G. J., & Gau, M. L. (2022). Promoting students’ learning achievement and self‐efficacy: A mobile chatbot approach for nursing training. British Journal of Educational Technology, 53(1), 171-188. https://doi. org/10.1111/bjet.13158 Charow, R., Jeyakumar, T., Younus, S., Dolatabadi, E., Salhia, M., Al-Mouaswas, D., … Wiljer, D. (2021). Artificial intelligence education programs for health care professionals: Scoping review. JMIR Medical Education, 7(4), Article e31043. https://doi.org/10.2196/31043 Chassignol, M., Khoroshavin, A., Klimova, A., ve 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 Chauke, T. A., Mkhize, T. R., Methi, L., Dlamini, N., 2024, Postgraduate students’ perceptions on the benefits associated with artificial intelligence tools for academic success: The use of the ChatGPT AI tool, Journal of Curriculum Studies Research, 6(1), 44–59. https://doi.org/10.46303/jcsr.2024.4 . Chen, C. M., Lee, H. M. ve Chen, Y. H. (2005). Personalized e-learning system using item response theory. Computers & Education. Chen, J. X. (2016, June 24). The Evolution of Computing: AlphaGo. Computing in Science & Engineering, s. 4-7. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. Ieee Access, 8, 75264-75278. Choi, J. (2024, August 12). AI textbooks turmoil continues ahead of implementation. The Korea Herald. https://www.koreaherald.com/view. php?ud=20240812050706 adresinden 4 Kasım 2024 tarihinde erişilmiştir. CNN Türk (2023, 3 Aralık), Okullarda yapay zeka dersi. CNN Türk Haber. https://www.cnnturk.com/video/turkiye/okullarda-yapay-zeka-dersi 104   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Coderspace. (2024, Mayıs 30). Yapay Zekanın Tarihi | Dünden Bugüne Yapay Zeka. Coderspace. https://coderspace.io/blog/yapay-zekanin-tarihi-dunden-bugune-yapay-zeka/?__cf_chl_tk=pCDJ.l.uoHEB1AZ7Hbafqf6Xh07kYOdIJMCKldSMYsk-1722495670-0.0.1.1-4394 Cohen, P. (2016). Harold Cohen and AARON. AI MAGAZINE, 63-66. Coşkun, B. (2020). YZ etiği: Şeffaflık ve adalet sorunsalı. Bilim ve Teknoloji Dergisi, 5(1), 112–130. Coşkun, F. ve Gülleroğlu, H. D. (2021). Yapay zekânın tarih içindeki gelişimi ve eğitimde kullanılması. Ankara University Journal of Faculty of Educational Sciences (JFES), 54(3), 947-966. Crawford, J., Cowling, M., Allen, K. A., 2023, Leadership is needed for ethical ChatGPT: Character, assessment, and learning using artificial intelligence (AI), Journal of University Teaching & Learning Practice, 20(3), 1–19. https:// doi.org/10.53761/1.20.3.02. Crevier, D. (1993). AI: the tumultuous history of the search for artificial intelligence. Basic Books, Inc.. Cüceloğlu, D., 1993, İyi düşün doğru karar ver: Etkili yaşamın temel boyutları üzerine Yakup Bey’le söyleşiler. Sistem Yayıncılık, İstanbul. Çalışkan, M., 2019, Eleştirel düşünmenin öğretimi, Nevşehir Hacı Bektaş Veli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(1), 114–134. Çelik, I., Dindar, M., Muukkonen, H. Ve Jarvela, S. (2022). The Promises and Challenges of Artificial Intelligence for Teachers: a Systematic Review of Research. TechTrends 66, 616–630. https://doi.org/10.1007/s11528-02200715-y Çelik, İ. (2023). Akıllı-TPACK’e Doğru: Öğretmenlerin Yapay Zeka (AI) Tabanlı Araçları Eğitime Etik Olarak Entegre Etme Konusundaki Mesleki Bilgileri Üzerine Ampirik Bir Çalışma. İnsan Davranışında Bilgisayarlar, 138 , 107468. Çetin, M., & Aktaş, A. (2021). Yapay zeka ve eğitimde gelecek senaryoları. OPUS International Journal of Society Researches, 11(18), 4225-4268 (Özel Sayı). https://doi.org/10.26466/opus.911444 Çıkrıkçı-Demirtaşlı, N. (1996, 15-16 Nisan). Eleştirel düşünme: Bir ölçme aracı bir araştırma. [Konferans sunumu özeti]. III. Ulusal Psikolojik Danışma ve Rehberlik Kongresi, Adana. Çiftçi, M., Çiftçi, A., Akca, H. A., ve Kaçmaz, E. (2024). Yapay Zekâ İle Eğitimde İnovasyon: Yenilikçi Yaklaşımlar Ve Uygulamalar:. Socrates Journal Of Interdisciplinary Social Researches, 10(48), 242-251. https://doi. org/10.5281/zenodo.14588723 KAYNAKÇA   105 Çiftçi, S., Sağlam, A. ve Yayla, A. (2021). 21. yüzyıl becerileri bağlamında öğrenci, öğretmen ve eğitim ortamları. RumeliDE Dil ve Edebiyat Araştırmaları Dergisi, 24, 718–734. https://doi.org/10.29000/rumelide.995863 Çocuklar için Yapay Zeka (2023), https://www.cocuklarayapayzeka.com/ hakkimizda/ adresinden 25 Aralık 2023 tarihinde erişilmiştir. Çöllü, E. F., Öztürk, Y. E., 2006, Örgütlerde inançlar-tutumlar, tutumların ölçüm yöntemleri ve uygulama örnekleri: Bu yöntemlerin değerlendirilmesi, Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 9(1–2), 373–404. Dağlıoğlu, H. E., ve Çakır, F. (2010). Erken çocukluk döneminde düşünme becerilerinden planlama ve derin düşünmenin geliştirilmesi. Eğitim ve Bilim, 32(144), 28-35. Dai, Y., Chai, C.-S., Lin, P.-Y., Jong, M. S.-Y., Guo, Y., ve Qin, J. (2020). “Promoting students’ well-being by developing their readiness for the artificial intelligence age”. Sustainability, 12(16), 6597. Damassa, D. A., Sitko, T. D., 2010, Simulation technologies in higher education: Uses, trends and implications, Boulder, CO. EDUCAUSE Center for Applied Research. Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116. Dayan, A., & Yılmaz, A. (2022). Doğal dil işleme ve derin öğrenme algoritmaları ile makine dili modellemesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 13(3), 467-475. https://doi.org/10.24012/ dumf.1131565 deepmind. (2023, Haziran). google deepmind. Google: https://www. deepmind.com/research/highlighted-research/alphago adresinden alındı Demir, K., Güraksın, G. E., 2022, Determining middle school students’ perceptions of the concept of artificial intelligence: A metaphor analysis, Participatory Educational Research, 9(2), 297–312. https://doi.org/10.17275/ per.22.41.9.2. Demir, M. K. (2006). İlköğretim dördüncü ve beşinci sınıf öğrencilerinin sosyal bilgiler derslerinde eleştirel düşünme düzeylerinin çeşitli değişkenler açısından incelenmesi. Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, 26(3), 155-170. Demirbilek, N., Kırbaç, M., 2021, Lise öğrencilerinin eleştirel düşünme eğilimleri ile temel demokratik değer düzeyleri arasındaki ilişki, Muallim Rıfat Eğitim Fakültesi Dergisi, 3(1), 24–43. Demircioğlu, E., Yazıcı, C., Demir, B., 2024, Yapay zekâ destekli matematik eğitimi: Bir içerik analizi, Uluslararası Sosyal ve Beşeri 106   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Bilimler Araştırma Dergisi, 11(106), 771–785. https://doi.org/10.5281/ zenodo.11109449. Demirkol, Z. (2021). Herkes İçin Yapay Zeka. İstanbul: genç destek. Deveci Topal, A., Dilek Eren, C., & Kolburan Geçer, A. (2021). Chatbot application in a 5th grade science course. Education and Information Technologies, 26(5), 6241–6265. Devlin, J., Chang, M.W., Lee, K., ve Toutanova, K. (2018). BERT: Pretraining of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805. Retrieved from https://arxiv.org/abs/1810.04805 Dewey, J. (1910). How we think, Boston: D.C. Heath Publications. Doğanay, A. (2013). Üst düzey düşünme becerilerinin öğretimi. A. Doğanay (Ed.), Öğretim ilke ve yöntemleri içinde (8. baskı, ss. 304-356). Pegem Akademi. Doğanay, A., Yağcı, R., 2011, İlköğretim beşinci sınıf sosyal bilgiler öğretiminde öğretmenlerin eleştirel düşünme becerilerini geliştirmek için uyguladıkları etkinliklerin değerlendirilmesi, E-Journal of New World Sciences Academy, 6(2), 1679–1702. Domingos, P. (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World (33). Basic Books, Amerika Birleşik Devletleri: Basic Books. Druga, S., Vu, S. T., Likhith, E., & Qiu, T. (2019). Inclusive AI literacy for kids around the world. In Proceedings of FabLearn 2019 (pp. 104-111). https:// doi.org/10.1145/3311890.3311904 Duchscher, J. E. (1999). Catching the wave: understanding the concept of critical thinking. Journal of Advanced Nursing, 29 (3), 577-583. Duran, V., Aydın, E., 2024, Eğitimde yapay zekanın kapsamlı incelenmesi: Web of Science veri tabanı üzerinden bir AI destekli bibliyometrik analiz, Uluslararası Sosyal ve Beşeri Bilimler Araştırma Dergisi, 11(104), 468–484. Dülger, E. D., Gümüşeli, A. İ., 2023, Okul müdürleri ve öğretmenlerin eğitimde yapay zekâ kullanılmasına ilişkin görüşleri. ISPEC International Journal of Social Sciences & Humanities, 7(1), 133–153. https://doi.org/10.5281/ zenodo.776657. Education Intelligence Unit (2019, 24 Mayıs). 2019 artificial ıntelligence & global education report. https://www.holoniq.com/notes/2019-artificialintelligenceglobal education-report adresinden 24 Aralık 2023 tarihinde erişilmiştir. KAYNAKÇA   107 Eğmir, E. ve Ocak, G. (2016). Eleştirel düşünme becerisini ölçmeye yönelik bir başarı testi geliştirme. International Periodical for the Languages, 11(19), 337-360. Doi: http://dx.doi. org/10.7827/TurkishStudies.9961. Eğmir, E., & Ocak, G. (2018). Eleştirel düşünme becerisi öğretim programı tasarısının öğrencilerin yansıtıcı düşünme becerilerine etkisi. Journal of Theoretical Educational Science, 11 (3), 431-456 . Ekici, G., Abide, Ö. F., Canbolat, Y., Öztürk, A., 2017, 21. yüzyıl becerilerine ait veri kaynaklarının analizi, Eğitim ve Öğretim Araştırmaları Dergisi, 6(1), 124–134. Ennis, R. H., (2011). Critical thinking: Reflection and perspective part I. Inquiry: Critical Thinking Across The Disciplines, 26(1), 4-18. Ennis, R. H., 1991, Goals for a critical thinking curriculum, Developing minds: A resource book for teaching thinking, In: Costa A. L. (Ed.), Association for Supervision and Curriculum Development, 68-71. Erdem, C., Eğmir, E., 2020, Demokrasi ve eğitim: Kavramsal bir inceleme, Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, 22(TBMM’nin 100. Yılı ve Millî İrade Özel Sayısı), 159–171. Ersöz, B., Bülbül, H. İ., 2022, Eğitimde yapay zeka, sanal gerçeklik ve sanal evren (metaverse), Yapay zekâ ve büyük veri kitap serisi 4: Yorumlanabilir ve açıklanabilir yapay zekâ ve güncel konular, In: Sağiroğlu, Ş., Demirezen, M. U. (Ed.), Nobel Akademik Yayıncılık Eğitim Danışmanlık, 149–183. Eryılmaz, G., 2025, Yapay zeka tabanlı öğrenme yönetim sistemlerinin pilot eğitimindeki etkileri üzerine bir inceleme, Yüksek lisans tezi, İstanbul Nişantaşı Üniversitesi Lisansüstü Eğitim Enstitüsü, İstanbul. Estevez, J., Lopez-Guede, J. M., Garate, G., & Romay, M. M. (2019, November 27). Gentle Introduction to Artificial Intelligence for High-School Students Using Scratch. IEEE Access, s. 179027-179036. Eti, H. S., 2025, Yükseköğretimde yapay zekâ: Öğrenci tutumları ve akademisyen görüşleri, İktisadi İdari ve Siyasal Araştırmalar Dergisi, 10(26), 132–153. https://doi.org/10.25204/iktisad.1588001 . Exploringcs (2023). https://exploringcs.org/ adresinden 24 Aralık 2023 tarihinde erişilmiştir. Eynon, R., & Malmberg, L. E. (2021). Lifelong learning and the Internet: Who benefits most from learning online? British Journal of Educational Technology, 52(2), 569-583. https://doi.org/10.1111/bjet.13041 108   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Ezzaim, A., Dahbi, A., Haidine, A., Aqqal, A., 2023, AI-based adaptive learning: A systematic mapping of the literature, Journal of Universal Computer Science, 29(10), 1161–1197. Facione, P. A., 1990, Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction, Research findings and recommendation – The Delphi Report, California Academic Press, Millbrae, CA. Facione, P. A., 2013, Critical thinking: What it is and why it counts, Insight Assessment. Felix, C. V. (2021). The role of the teacher and AI in educatıon. Sengupta, E., Blessinger, P. and Makhanya, M.S. (Eds.). International perspectives on the role of technology in humanizing higher education (Innovations in higher education teaching and learning, 33), 33-48. Ferikoğlu, D. (2021). Öğretmenler İçin Yapay Zeka Farkındalık Ölçeği: Güvenirlik ve Geçerlilik Çalışması. Yüksek Lisans Tezi, Bahçeşehir Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul. Ferrara, E. (2024). Fairness and Bias in Artificial Intelligence: A Brief Survey of Sources, Impacts, and Mitigation Strategies. Sci , 6, 3. https://doi. org/10.3390/sci6010003 Ferrucci, D., Levas, A., Bagchi, S., Gondek, D., Mueller, E. T., 2013, Watson: Beyond Jeopardy!, Artificial Intelligence, 199, 93–105. https://doi. org/10.1016/j.artint.2012.06.009. Feuerriegel, S., Hartmann, J., Janiesch, C., ve Zschech, P. (2024). Generative AI. Business ve Information Systems Engineering, 66(1), 111–126. https://doi.org/10.1007/s12599-023-00834-7 Fisher, A. (2011). Critical thinking: An introduction. UK: Cambridge University Press. Fisher, A., 2001, Critical thinking: An introduction, Cambridge University Press, Cambridge, UK. Fisher, R. (1990). Teaching children to thinking. UK: Stanley Thornes. Flasinski, M., 2016, Introduction to artificial intelligence. Springer International Publishing AG Switzerland. https://doi.org/10.1007/978-3-31940022-8. Flores, K. L., Matkin, G. S., Burbach, M. E., Quinn, C. E., Harding, H., 2012, Deficient critical thinking skills among college graduates: Implications for leadership, Educational Philosophy and Theory, 44(2), 212–230. https://doi. org/10.1111/j.1469-5812.2010.00672.x. KAYNAKÇA   109 Frackiewiczk, M. (2023, 7 Eylül). Eğitimde yapay zekânın etkisi: UNESCO’nun rehberliği. https://ts2.space/tr/egitimde-yapay-zekanin-etkisiunesconun-rehberligi/#gsc.tab=0 adresinden 24 Aralık 2023 tarihinde alınmıştır. Freely, A. J. ve Steinberg D. L. (2009). Argumentation and Debate Critical Thinking for Reasoned Decision Making (12th Edition). Boston: Wadsworth Cengage Learning. Gayford, M. (2015). Apprentice Work. George, B., Ontario, W., 2023, Managing the strategic transformation of higher education through artificial intelligence, Administrative Sciences, 13, 196. https://doi.org/10.3390/admsci13090196 . Goksel, N. ve Bozkurt, A. (2019). “ Artificial intelligence in education: Current insights and future perspectives”. InHandbook of Research on Learning in the Age of Transhumanism(pp. 224-236). Goldrick, M., Stevns, T., & Christensen, L. B. (2014). The use of assistive technologies as learning technologiesto facilitate flexible learning in higher education. In K. Miesenberger, D. Fels, D. Archambault, P. Penaz, & W. Zagler (Eds.), Proceedings of Computers Helping People with Special Needs: 14th International Conference (ICCHP 2014) (pp. 342-349). https://doi. org/10.1007/978-3-319-08599-9_52 Gondal, K. M. (2018). “Artificial intelligence and educational leadership”. Annals of King Edward Medical University, 24(4), 1-2. Gonenc, S. A. ve Arslan, S. (2004). Yapay zeka araştırmaları ve biomimesis kavramlarının gunumuzde mimarlık alanındaki uygulamaları: Akıllı mekanlar. Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning (15). MIT Press, Amerika Birleşik Devletleri: MIT Press. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. ve Bengio, Y. (2014). Generative adversarial networks. ArXiv preprint arXiv:1406.2661. Gönültaş, Y. C., 2024, Yapay zekâ ve bilimsel metin yazımı: Türk kamu yönetimi alanyazınında ChatGPT4.0 örneği, Uluslararası Yönetim Akademisi Dergisi, 7(3), 827–843. https://doi.org/10.33712/mana.1578165. Greene, J., Hoffmann, A. L., Stark, L. (2019). Better, Nicer, Clearer, Fairer: A Critical Assessment of the Movement for Ethical Artificial Intelligence and Machine Learning. Proceedings of the 52nd Hawaii International Conference on System Sciences, Amerika Birleşik Devletleri, 81-11 Ocak 2019. Griffin, P., & Care, E. (Eds.). (2014). Assessment and teaching of 21st century skills: Methods and approach. springer. 110   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Griol, D., Carbó, J. ve Molina, J. M. (2014). An architecture to develop multimodal educative applications with chatbots. International Journal of Artificial Intelligence in Education. Gülşen, İ., 2019, İşletmelerde yapay zeka uygulamaları ve faydaları: Perakende sektöründe bir derleme, Tüketici ve Tüketim Araştırmaları Dergisi, 11(2), 407–436. Güneş, F., 2012, Öğrencilerin düşünme becerilerini geliştirme, Türk Bilim Araştırmaları Dergisi, (32), 127–146. Gürkaynak, İ., Üstel, F., ve Gülgöz, S. (2008). Eleştirel düşünme (3. Baskı). İstanbul: Eğitim Reformu Girişimi Yayınları. Gürlek, Y., Bozkoyun, E., Ulutürk, M., Zeyrekgündüz, F., 2023, Yapay zekanın eğitime etkileri ve uygulamaları, International Journal of Original Educational Research, 1(1), 125–132. Güzeldere, G. (1998). Yapay zekanın dünü, bugünü, yarını. Cogito, 13, 27-42. Hamburg, I., O’brien, E., & Vladut, G. (2019). Entrepreneurial learning and AI literacy to support digital entrepreneurship. Balkan Region Conference on Engineering and Business Education, 132–144. https://doi.org/10.2478/ cplbu-2020-0016 Hassani, H., Silva, E., Unger, S., Tajmazinani, M., & MacFeely, S. (2020). Artificial intelligence (AI) or intelligence augmentation (IA): What is the future? AI, 1(2), 121–146. https://doi.org/10.3390/ai1020008 Ho, J. W., & Scadding, M. (2019). Classroom Activities for Teaching Artificial Intelligence to Primary School Students. Proceedings of International Conference on Computational Thinking Education (s. 157-159). United States: MIT. Holmes, N. G., Wieman, C. E., Bonn, D. A., 2015, Teaching critical thinking, Proceedings of the National Academy of Sciences of the United States of America, 112(36), 11199–11204. https://doi.org/10.1073/pnas.1505329112. Holmes, W., & Littlejohn, A. (2024). Artificial intelligence for professional learning. In Handbook of artificial intelligence at work (pp. 191-211). Edward Elgar Publishing. https://doi.org/10.4337/9781800889972.00018 Holmes, W., & Miao, F. (2023). Guidance for generative AI in education and research. UNESCO Publishing. Holmes, W., Bialik, M., Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning (1). Center KAYNAKÇA   111 for Curriculum Redesign, Amerika Birleşik Devletleri: Center for Curriculum Redesign. Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B., ... & Koedinger, K. R. (2022). Ethics of AI in education: Towards a community-wide framework. International Journal of Artificial Intelligence in Education, 1-23. https://doi.org/10.1007/s40593-021-00239-1 Hooda, M., Rana, C., Dahiya, O., Rizwan, A., Hossain, S., 2022, Artificial intelligence for assessment and feedback to enhance student success in higher education, Mathematical Problems in Engineering. https://doi. org/10.1155/2022/5215722 . Huang, L. (2023). Ethics of Artificial Intelligence in Education: Student Privacy and Data Protection. Science Insights Education Frontiers , 16 (2), 2577–2587. https://doi.org/10.15354/sief.23.re202 Humphry, T., ve Fuller, A. L. (2023). “Potential ChatGPT use in undergraduate chemistry laboratories”. Journal of Chemical Education, 100(4), 1434-1436. https://doi.org/10.1021/acs.jchemed.3c00006 Hutson, J., 2024, Rethinking plagiarism in the era of generative AI, Journal of Intelligent Communication, 3(2), 20–31. Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles and research issues of Artificial Intelligence in Education. Computers and Education: Artificial Intelligence, 1, 100001. IBM. (2024). Watson - IBM.https://www.ibm.com/watson Erişim Tarihi:24.12.2024 Inhelder, B., & Piaget, J. (1958). The growth of logical thinking from childhood to adolescence: İncemen, S., ve Öztürk, G. (2024). Farklı Eğitim Alanlarında Yapay Zekâ: Uygulama Örnekleri. International Journal of Computers in Education, 7(1), 27-49. İrdem, İ., ve Çobanoğlu, S. (2022). “Yapay zekânın iç güvenlik yöntemi üzerine yansımaları: siber güvenlik”. Kaytek Dergisi, 3(2), 175–202. İşler, B., & Kılıç, M. (2021). Eğitimde yapay zekâ kullanımı ve gelişimi. Yeni Medya Elektronik Dergisi, 5(1), 1-11. https://dergipark.org.tr/tr/pub/ejnm/ issue/58097/738221 İşman, D. D. (2001). Bilgisayarlar ve Eğitim. Sakarya Üniversitesi Eğitim Fakültesi Dergisi, s. 1-34. 112   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. https://www.science. org/doi/abs/10.1126/science.aaa8415 Jurafsky, D., & Martin, J. H. (2020). Speech and language processing (3rd ed., draft version). Stanford University. Kahraman, T. (2008). İlköğretim 4. ve 5. sınıf öğrencilerinin eleştirel düşünme becerileri ile öğrenci algılarına göre öğretmenlerin sınıf içi demokratik davranış düzeyleri arasındaki ilişkinin incelenmesi. (Yayımlanmamış yüksek lisans tezi). Marmara Üniversitesi Eğitim Bilimleri Enstitüsü, İstanbul. Kaiquan, C., Yao, H., & Guoqiang, Z. (2018). Transformation of information literacy connotation and positioning of AI education goals in the perspective of artificial intelligence: Discussion on the implementation path of aı curriculum and teaching in basic education stage. Journal of Distance Education, 61-71. CNKI: SUN:YCJY.0.2018-01-006. Kalaç, M. Ö., Kılınç, M., 2023, Eğitim 5.0’a geçişin engelli öğrenciler ve erişilebilirlik açısından etkileri, Üniversite Araştırmaları Dergisi, 6(3), 229–237. Kalafat Çat, A., & Huseynova, Z. (2025). Eğitimde yapay zekâ ve oyunlaştırma: Ortaokul öğrencilerinin yapay zekâ farkındalık düzeylerinin belirlenmesi. Asya Studies, 9(32), 133-150. https://doi.org/10.31455/ asya.1644270 Kaplan, F. (2020). Bilgisayar Mühendisliğine Gririş. İstanbul: Kodlab. Kaprol, A., 2023, Yapay zekâ haberleri aracılığıyla medyada distopyanın inşası ve hegemonik etkileri: ChatGPT özelinde yaygınlaşan korku söylemi üzerine bir inceleme, Nitel Sosyal Bilimler, 6(1), 75–99. https://doi.org/10.47105/ nsb.1392059. Kara, Ş. E., Şamlı, R., 2021, Yazılım projelerinin maliyet tahmini için WEKA’da makine öğrenmesi algoritmalarının karşılaştırmalı analizi, Avrupa Bilim ve Teknoloji Dergisi, (23), 415–426. Karabacak, H. (2011). İlköğretim öğrencilerinin eleştirel düşünme becerileri ve beşinci sınıf öğrencilerinin eleştirel düşünme düzeyi (Erzurum ili örneği). (Yayımlanmamış yüksek lisans tezi). Atatürk Üniversitesi Eğitim Bilimleri Enstitüsü, Erzurum. Karacan-Doğan, P. K., Doğan, İ., & Çetinkayalı, G. (2023). Spor bilimleri öğrencilerinin yapay zekâya yönelik tutumları ile iş bulma kaygıları arasındaki ilişkinin incelenmesi. Yalova Üniversitesi Spor Bilimleri Dergisi, 2(3), 174-189. Karaduman, T. (2019). Yapay Zekâ Uygulama Alanları. Yüksek Lisans Tezi. Gazi Üniversitesi, Bilişim Enstitüsü, Adli Bilişim. Ankara. KAYNAKÇA   119 Neo, M., 2003, Developing a collaborative learning environment using a web-based design, Journal of Computer Assisted Learning, 19(4), 462–473. https://doi.org/10.1046/j.0266-4909.2003.00050.x. Ng, D. T. K., Leung, J. K. L., Chu, K. W. S., & Qiao, M. S. (2021). AI literacy: Definition, teaching, evaluation and ethical issues. Proceedings of the Association for Information Science and Technology, 58(1), 504-509. https:// doi.org/10.1002/pra2.487 Nilsone, A. (2023). The impact of artificial intelligence amongst higher education students. Nilsson, N. J. (2009). The quest for artificial intelligence. Cambridge University Press. Ocak, G., Ocak, İ. ve Kutlu-Kalender, M. D. (2017). Öğretmen öz-yeterlik algıları ile öğretme-öğrenme anlayışları arasındaki ilişkinin incelenmesi. Kastamonu Eğitim Dergisi, 25(5), 1851-1864. OECD. (2024). OECD Digital Economy Outlook 2024 (Volume 1): Embracing the Technology Frontier. OECD Publishing, Paris. https://doi. org/10.1787/a1689dc5-en Okonkwo, C. W., & Ade-Ibijola, A. (2021). Chatbots applications in education: A systematic review. Computers and Education: Artificial Intelligence, 2, 100033. https://doi.org/10.1016/j.caeai.2021.100033 Omenka, O. S., & Reuben, B. (2024). Utilizing Te-chnology to Enhance Education: A Comprehensive Overview. Global Scientific and Academic Research Jour-nal of Multidisciplinary Studies, 2(3), 8-12. Onat, F. (2022). Yapay Zekâ Okuryazarlık Becerilerinin Gelişimini Etkileyen Öğretimsel Unsurların İncelenmesi. Yüksek Lisans Tezi, Atatürk Üniversitesi, Lisansüstü Eğitim Bilimleri Enstitüsü, Erzurum. OpenAI. (2021). DALL.E: Creating Images from Text. https://openai.com/ dalleErişim Tarihi: 08.12.2024 Ortaş, İ., 2018, Bilgi ve iletişim çağında bilimsel bilgiye erişimin önemi ve Türkiye’nin bilgiye erişim potansiyeli, Türk Kütüphaneciliği, 32(3), 223–232. https://doi.org/10.24146/tkd.2018.39. Osetskyi, V., Vitrenko, A., Tatomyr, I., Bilan, S., Hirnyk, Y., 2020, Artificial intelligence application in education: Financial implications and prospects, Financial and Credit Activity: Problems of Theory and Practice, 2(33), 574– 584. https://doi.org/10.18371/fcaptp.v2i33.207246. Öğretmen Bilişim Ağı (ÖBA), (2024, Aralık 5). Eğitimde yapay zeka kursu [Video]. ÖBA. https://www.oba.gov.tr/egitim/detay/egitimde-yapayzeka-kursu-1140 120   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Öksüz Gül, F., 2024, Eğitimde yapay zekâ: Eğitim fakültesi akademisyenleri için fırsatlar ve riskler, Medeniyet Eğitim Araştırmaları Dergisi, 8(2), 71–97. Önal, İ., Erişen, Y., 2019, Öğretmen yetiştirme programlarında eleştirel düşünme becerilerinin kazandırılması ihtiyacı, Akdeniz Üniversitesi Eğitim Fakültesi Dergisi, 2(1), 62–78. Özalp, H., 2024, Eğitim felsefesi açısından yapay zeka teknolojilerine dair bir okuma: Potansiyeller ve riskler, Dinbilimleri Akademik Araştırma Dergisi, 24(3), 1–28. https://doi.org/10.33415/daad.1589876 Özdal, M. A., 2023, Yapay zeka ile oluşturulan eserlerin telif hakkı ve kişisel verilerin korunması, Hakkari Review, 7(1), 90–110. Özdemir, S. M., 2005, Üniversite öğrencilerinin eleştirel düşünme becerilerinin çeşitli değişkenler açısından değerlendirilmesi, Türk Eğitim Bilimleri Dergisi, 3(3), 297–316. Özdemir, Ş. (2019, Temmuz). Yapay zeka ve eğitim alanındaki uygulamaları [Video]. http://meb.ai/avWEKi Özden, Y. (2014). Öğrenme ve öğretme (12. Baskı). Pegem Akademi Yayıncılık. Öztan, E. (2024). Ortaokul öğrencilerine yönelik yapay zeka tutum ölçeğinin geliştirilmesi: Geçerlilik ve güvenirlik çalışması. Yüksek Lisans Tezi, Çanakkale Onsekiz Mart Üniversitesi Lisansüstü Eğitim Enstitüsü, Çanakkale. Öztan, E., ve Akçöltekin, A. (2022). “Eğitimde yapay zeka kullanımına yönelik lisansüstü eğitimi öğrencilerinin görüşlerinin incelenmesi”. ASES II. Uluslararası Eğitim Bilimleri Kongresi, 22-24 Temmuz 2022, Malatya. 82-101. Öztemel E, 2020. Yapay zekâ ve insanlığın geleceği. Bilişim teknolojileri ve iletişim: Birey ve toplum güvenliği, 95-112. Öztürk Dilek, G., 2019, Yapay zekanın etik gerçekliği, Ankara International Journal of Social Sciences (AUSBD), 2(4), 47–59. Öztürk, K., Şahin, M. E., 2018, Yapay sinir ağları ve yapay zekâ’ya genel bir bakış, Takvim-i Vekayi, 6(2), 25–36. Panch T, Szolovits P, Atun R, 2018. Artificial intelligence, machine learning and health systems. Journal of global health, 8, 2. Pane, J. F., Steiner, E. D., Baird, M. D., & Hamilton, L. S. (2015). Continued progress: Promising evidence on personalized learning. RAND Corporation. https://www.rand.org/pubs/research_reports/RR1365.html Panigrahi, C. M. A. (2020). Use of artificial intelligence in education. Management Accountant, 55, 64-67. Parsing, C. (2009). Speech and language processing. Power Point Slides. KAYNAKÇA   121 Pastacı, H. (2023, 13 Haziran). Yapay zekâ eğitimi geliyor: İlkokuldan başlayacak. Türkiye Haber. https://www.turkiyegazetesi.com.tr/teknoloji/ yapay-zeka-egitimi-geliyor ilkokuldan-baslayacak-970787 Paul, R., & Elder, L. (2013). Kritik düşünce: Yaşamınızın ve öğrenmenizin sorumluluğunu üstlenmek için araçlar. Arslan, A. E, & Sart, G. (Çev.), Nobel Akademik Yayıncılık. Paul, R., Bınker, A., Jensen, K. ve Kreklau, H. (1990). Critical Thinking Handbook: 4th6th Grades A Guide for Remodelling Lesson Plans in Language Arts, Social Studies&Science, Rohnert Park, CA, Foundation for Critical Thinking Sonoma State University Paul, R., Elder, L., 2007, The miniature guide to critical thinking concepts and tools, 27th International Conference on Critical Thinking, 23-26 Temmuz 2007, Near University of California at Berkeley. Paul, R., Elder, L., 2008, The miniature guide to critical thinking concepts and tools, 28th Annual International Conference on Critical Thinking, 19-24 Temmuz 2008, Near University of California at Berkeley. Pedro, F., Subosa, M., Rivas, A., ve Valverde, P. (2019). Artificial intelligence in education: Challenges and opportunities for sustainable development (Working Papers on Education Policy No. 7). UNESCO. https:// unesdoc.unesco.org/ark:/48223/pf0000366994 Periasamy, R. (2021). Critical thinking among secondary school students in relation to their academic achievement. International Research Journal of Modernization in Engineering Technology and Science, (3), 994-999. Phan, H. P. (2010). Critical thinking as a self-regulatory process component in teaching and learning. Psicothema, 284-292. Piaget, J. (2020). The Psychology of the Child (1). Basic Books, Amerika Birleşik Devletleri: Basic Books. Pirim, H. (2006). Yapay zeka. Yaşar Universitesi E-Dergisi, 1(1). Pisica, A. I., Edu, T., Zaharia, R. M., Zaharia, R., 2023, Implementing artificial intelligence in higher education: Pros and cons from the perspectives of academics, Societies, 13(118), 1–13. https://doi.org/10.3390/ soc13050118. Pithers, R. T., Soden, R., 2000, Critical thinking in education: A review, Educational Research, 42(3), 237–249. https://doi. org/10.1080/001318800440579. Popenici, A. D. S., Kerr, S., 2017, Exploring the impact of artificial intelligence on teaching and learning in higher education, Research and Practice 122   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . in Technology Enhanced Learning, 12(22), 1–13. https://doi.org/10.1186/ s41039-017-0062-8. Potember, R. (2017). Perspectives on research in artificial intelligence and artificial general intelligence relevant to DoD. Defense Technical Information Center. https://apps.dtic.mil/sti/pdfs/AD1044517.pdf Prensky, M. (2001). Digital Natives, Digital Immigrants. On the Horizon, 9(5), 1-6. Pressey, S. L. (1950). Development and appraisal of devices providing immediate automatic scoring of objective tests and concomitant self-instruction. The Journal of Psychology, 29(2), 417-447. Puteri, A. S., Sputri, Y. and Yarni, K. (2024, 27 May11 June). The Impact of Artificial Intelligence (AI) Technology on Students’ Social Relations [Paper presentation] BICC Bildirileri 2:153-158. DOI: 10.30983/bicc.v1i1.121 Quittner, J. (1999, March 29). Tim Berners-Lee. TIME Magazine, s. 192194. Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language Models are Unsupervised Multitask Learners. OpenAI. Razia, B., Awwad, B., & Taqi, N. (2023). The relationship between artificial intelligence (AI) and its aspects in higher education. Development and Learning in Organizations, 37(3), 21. https://doi.org/10.1108/DLO-04-2022-0074 Readyai (2023), https://readyai.org/ adresinden 24 Aralık 2023 tarihinde erişilmiştir. Reich, J., Ito, M. ve Team, M. S. (2017). From good intentions to real outcomes. Robinson, L., Schulz, J., Blank, G., Ragnedda, M., Ono, H., Hogan, B., ... & Khilnani, A. (2020). Digital inequalities 2.0: Legacy inequalities in the information age. First Monday, 25(7). Roll, I., & Wylie, R. (2016). Evolution and revolution in artificial intelligence in education. International Journal of Artificial Intelligence in Education, 26, 582-599. https://doi.org/10.1007/s40593-016-0110-3 Ruiz-Rojas, L. I., Salvador-Ullauri, L., Acosta-Vargas, P., 2024, Collaborative working and critical thinking: Adoption of generative artificial intelligence tools in higher education, Sustainability, 16(13). https://doi. org/10.3390/su16135367. Rumelhart, D. E., Hinton, G. E. & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536. https:// doi.org/10.1038/323533a0 KAYNAKÇA   123 Russel, S. J., Norvig, P., 2003, Artificial intelligence: A modern approach, 2nd ed., Prentice Hall, Upper Saddle River, New Jersey. Russel, S. J., Norvig, P., 2010, Artificial intelligence: A modern approach, 3rd ed., Prentice Hall, Upper Saddle River, New Jersey. Russell, S. J., & Norvig, P. (1995). Artificial intelligence: a modern approach. Pearson. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4). Pearson, Amerika Birleşik Devletleri: Pearson Sabuncuoğlu, A. (2020). Designing One Year Curriculum to Teach Artificial Intelligence for Middle School. Proceedings of the 2020 ACM Conference on Innovation and Technology in Computer Science Education (s. 96102). Trondheim: ACM. Sağdıç, Z. A., ve Sani, B. S. (2020). “Otizm spektrum bozukluğu ve yapay zeka uygulamaları”. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 6(3), 92-111. Samo, N. A., & Shah, S. S. (2025). Yapay zeka tabanlı öğrenme araçlarının ortaokul öğrencilerinin akademik performansı üzerindeki etkisi: Shaheed Benazirabad’dan nicel bir çalışma. Siyasi İstikrar Arşivi Dergisi, 3(2), 899–915. Sarı, O., 2020, Yapay zekanın sebep olduğu zararlardan doğan sorumluluk, TBB Dergisi, 147, 251–312. Sarıalai, A. D., 2025, Öğretmen adaylarının eğitimde yapay zeka kullanımına yönelik hazır bulunuşluk düzeylerinin incelenmesi: Bir karma yöntem araştırması, Yüksek lisans tezi, Mersin Üniversitesi Eğitim Bilimleri Enstitüsü, Mersin. Sarıkaya, B., ve Kavan, N. (2024). Türkçe öğretmeni adaylarının yapay zekaya yönelik tutumlarının incelenmesi. Elektronik Eğitim Bilimleri Dergisi, 13(26), 191–203. Sayım, F. (2022). İşletmelerde ve Yönetimde Yapay Zeka (1. Baskı). Seçkin Yayıncılık. Schafersman, S. D., 1991, An introduction to critical thinking, https:// facultycenter.ischool.syr.edu/wp-content/uploads/2012/02/Critical-Thinking. pdf . [Erişim Tarihi: 16 Kasım 2024]. Schepman, A., Rodway, P., 2020, Initial validation of the general attitudes towards Artificial Intelligence Scale, Computers in Human Behavior Reports, 1. https://doi.org/10.1016/j.chbr.2020.100014. 124   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Schiff, D. (2021). Out of the laboratory and into the classroom: the future of artificial intelligence in education. AI & Socıety (36), 331–348 https://doi. org/10.1007/s00146-020-01033-8 Schmidt, J.T., Tang, M. (2020). Digitalization in Education: Challenges, Trends and Transformative Potential (1). Springer Gabler, Almanya: Springer Gabler. Seferoğlu, S. S., Akbıyık, C., 2006, Eleştirel düşünme ve öğretimi, H. Ü. Eğitim Fakültesi Dergisi, 30, 193–200. Sejnowski, T. J., & Rosenberg, C. R. (1987). Parallel networks that learn to pronounce English text. Complex Systems, 1(1), 145–168. Semerci, Ç., 2003, Eleştirel düşünme becerilerinin geliştirilmesi, Eğitim ve Bilim, 28(127), 64–70. Seyrek, M., Yıldız, S., Emeksiz, H., Şahin, A. ve Türkmen, M. T. (2024). Öğretmenlerin eğitimde yapay zeka kullanımına yönelik algıları. International Journal of Social and Humanities Sciences Research (JSHSR), 11(106), 845– 856. https://doi.org/10.5281/zenodo.11113077 Shannon, C. (1950, March). Programming a Computer for Playing Chess. Philosophical Magazine. Shavelson, R. J., Zlatkin-Troitschanskaia, O., Beck, K., Schmidt, S., Marino, J. P., 2019, Assessment of university students’ critical thinking: Next generation performance assessment, International Journal of Testing, 1–20. https://doi.org/10.1080/15305058.2018.1543309. Shneiderman, B. (2020). Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy. International Journal of Human-Computer Interaction, 36(6), 495-504. https://doi.org/10.1080/10447318.2020.1741118 Siau, K., Wang, W. (2020). Artificial Intelligence (AI) Ethics: Ethics of AI and Ethical AI. Journal of Database Management (JDM), 31(2), 74-87. Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380-1400. https://doi. org/10.1177/0002764213498851 Silva, H., Lopes, J. P., Dominguez, C., 2019, Enhancing college students’ critical thinking skills in cooperative groups, Technology and Innovation in Learning, Teaching and Education, 181–192. https://doi.org/10.1007/978-3030-20954-4_13. Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., Hassabis, D. (2016). Mastering the Game of Go with Deep Neural Networks and Tree Search. Nature, 529(7587), 484-489. KAYNAKÇA   125 Skinner, B. F. (1954). Machine teaching and programmed learning [video]. Youtube. https://www.youtube.com/watch?v=9s7DE5YoBWQ Slay, H., Siebörger, I., & Hodgkinson-Williams, C. (2008). Interactive whiteboards: Real beauty or just “lipstick”? Computers & Education, 51(3), 1321–1341. https://doi.org/10.1016/j.compedu.2007.11.005 Snyder, L. G., Snyder, M. J., 2008, Teaching critical thinking and problem solving skills, The Delta Pi Epsilon Journal, 50(2), 90–99. Sorguç, A. (2006). Yapay zeka araştırmaları ve biomimesis kavramlarının günümüzde mimarlık alanındaki uygulamaları: akıllı mekanlar. https://hdl. handle.net/11511/83039 Southworth, J., Migliaccio, K., Glover, J., Glover, J., Reed, D., McCarty, C., Brendemuhl, J., ve Soysal, F. (2023). Çeviribiliminin Yapay Zeka (YZ) ile Geliştirilmesi: Zorluklar, İmkânlar ve Öneriler. Karamanoğlu Mehmetbey Üniversitesi Uluslararası Filoloji ve Çeviribilim Dergisi,5(2), 171-191.DOI: 10.55036/ ufced.1402649 Sönmez, E., Akgül, H., 2015, Üniversite öğrencilerinin teknolojiye hazır bulunuşluk düzeyi ve kişilik özellikleri arasındaki ilişki: Erciyes Üniversitesi örneği, Yönetim Bilimleri Dergisi, 13(26), 305–327. 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/s40561-0190088-z. Spector, J. M., ve Ma, S. (2019). Inquiry and critical thinking skills for the next generation: From artificial intelligence back to human intelligence. Smart Learning Environments, 6(1), 8, s40561-019-0088-z. https://doi.org/10.1186/ s40561-019-0088-z Stobaugh, R. (2013). Assessing Critical Thinking in Middle and High Schools: Meeting the Common Core. New York: Routledge. Su, J., Neg, D. T., & Chu, S. K. (2023, 1 11). Artificial Intelligence (AI) Literacy in Early Childhood Education: The Challenges and Opportunities. Computers and Education: Artificial Intelligence. Sucu, İ., & Ataman, E. (2020). Dijital evrenin yeni dunyası olarak yapay zeka ve her filmi uzerine bir calışma. Yeni Medya Elektronik Dergisi. Sucu, İ., 2019, Yapay zekanın toplum üzerindeki etkisi ve yapay zeka (A.I.) filmi bağlamında yapay zekaya bakış, Uluslararası Ders Kitapları ve Eğitim Materyalleri Dergisi, 2(2), 203–215. 126   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . Szmyd, K., Mitera, E., 2024, The impact of artificial intelligence on the development of critical thinking skills in students, European Research Studies Journal, 27(2), 1022–1039. Şahinel, S. ( 2007). Eleştirel düşünme. Ankara: Pegem A Yayıncılık. Şanlı, A., Ateş, E., Bayburtlu, N., Bektaş, M., & Özdemir, K. (2023). Yapay zeka kullanımında öğretmen eğilimleri. International Journal of Social Sciences, 7(28), 206-222. https://doi.org/10.52096/usbd.7.28.15 Şen, Z. (2004). Yapay Sinir Ağları İlkeleri. İstanbul: Su Vakfı Yayınları. Şengül, C. ve Üstündağ,T. (2007). Fizik öğretmenlerinin eleştirel düşünme eğilimi düzeyleri ve düzenledikleri etkinliklerde eleştirel düşünmenin yeri, Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 36, 237-248. Şenocak, D. (2020). “Açık ve uzaktan öğrenme ortamlarında yapay zekâ: Sunduğu fırsatlar ve yarattığı endişeler”. Açıköğretim Uygulamaları ve Araştırmaları Dergisi (AUad), 6(3), 56-78. Şenol, İ., (2025). Yapay zeka destekli hazırlanan ders planlarının 7. sınıf öğrencilerinin maddenin yapısı ve özellikleri konusundaki başarılarına etkisi. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul. Şenyaman, G. (2023). “Arapça yabancı dil öğretiminde yapay zekânın geleceği: ChatGPT örneği”. RumeliDE Dil ve Edebiyat Araştırmaları Dergisi, (33), 1057-1070. Şimşek, U., Şimşek, Ü., Doymuş, K., 2006, İşbirlikçi öğrenme yöntemi üzerine derleme çalışması 3: İşbirlikçi öğrenme yönteminin eğitim ortamındaki faydaları, Kazım Karbekir Eğitim Fakültesi Dergisi, (13), 414–430. T.C. Millî Eğitim Bakanlığı (2023, 21 Kasım). “FEYZA” projesi ile 50 bin öğrenciye yapay zekâ eğitimi. https://www.meb.gov.tr/feyza-projesi-ile50-bin-ogrenciye-yapay-zek-egitimi/haber/31604/tr adresinden 21 Kasım 2023 tarihinde erişilmiştir. T.C. Millî Eğitim Bakanlığı (MEB) (2024). Türkiye yüzyılı maarif modeli. Erişim adresi: https://tymm.meb.gov.tr Taigman, Y., Yang, M., Ranzato, M., & Wolf, L. (2014). DeepFace: Closing the gap to human-level performance in face verification. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014, 1701-1708. https://openaccess.thecvf.com/content_cvpr_2014/papers/ Taigman_DeepFace_Closing_the_2014_CVPR_paper.pdf Tanaka, F., and Kimura, T. (2010). “ Care-receiving robot as a tool of teachers in child education”. Interaction Studies, 11, 263. KAYNAKÇA   127 Tapalova, O., & Zhiyenbayeva, N. (2022). Artificial intelligence in education: AIEd for personalised learning pathways. Electronic Journal of e-Learning, 20(5), 639-653. https://eric.ed.gov/?id=EJ1373006 Tashtoush, M. A., Qasimi, A. B., Shirawia, N. H., ve Hussein, L. A. (2025). The efficacy of utilizing artificial intelligence techniques in developing critical thinking in mathematics among secondary school students and their attitudes toward it. Iraqi Journal for Computer Science and Mathematics, 6(1), 3. Tedre, M., Toivonen, T., Kahila, J., Vartiainen, H., Valtonen, T., Jormanainen, I., & Pears, A. (2021). Teaching Machine Learning in K–12 Computing Education: Potential and Pitfalls. IEEEAccess. Tekin, H. (2000). Eğitimde ölçme ve değerlendirme. Ankara: Yargı Yayınevi. Tektaş, M., Akbaş, A., ve Topuz, V. (2002). “Yapay zeka tekniklerinin trafik kontrolünde kullanılması üzerine bir inceleme”. Uluslararası Trafik ve Yol Güvenliği Kongresi ve Fuarı , 2002. Temur, S., 2024, Yapay zekânın eğitim sistemine entegrasyonunun potansiyel faydaları, Batı Anadolu Eğitim Bilimleri Dergisi, 15(3), 2621–2656. https://doi.org/10.51460/baebd.1541524 . Teng, X. (2019). “ Discussion about artificial intelligence’s advantages and disadvantages compete with natural intelligence”. Journal of Physics: Conf. Series 1187, 1-7. Third Space Learning (2023), https://thirdspacelearning.com/ adresinden 24 Aralık 2023 tarihinde erişilmiştir. Thomas, A. (2023). Developing a model for AI across the curriculum: Transforming the higher education landscape via innovation in AI literacy. Computers and Education: Artificial Intelligence, 4, 100127. https://doi. org/10.1016/j.caeai.2023.100127 Thomas, T., 2011, Developing first year students’ critical thinking skills. Canadian Center of Science and Education, 7(4), 26–35. https://doi.org/10.5539/ ass.v7n4p26. Thompson, C. (2011). Critical thinking across the curriculum: Process over output. International Journal of Humanities and Social Science, 1(9), 1–7. Toshpulatova, D., & Kinjemuratova, A. (2020). Teacher perceptions on developing students’ critical thinking skills in academic English module. International Journal of Psycho-Educational Sciences, 9(1), 48–60. Touretzky, D., Gardner-McCune, C., Cox, B., Uchidiuno, J., Kolodner, J., & Stapleton, P. (2022, March). Lessons learned from teaching artificial 128   ÖĞRENCİLERİN ELEŞTİREL DÜŞÜNME BECERİLERİ ÜZERİNDE . . . intelligence to middle school students. In Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 2 (pp. 1371-1371). https://doi. org/10.1145/3545947.3576315 Touretzky, D., Gardner-McCune, C., Martin, F., & Seehorn, D. (2019). Envisioning AI for K-12: What should every child know about AI?. In Proceedings of the AAAI conference on artificial intelligence (Vol. 33, No. 01, pp. 9795-9799). https://doi.org/10.1609/aaai.v33i01.33019795 TRAI (2023), https://turkiye.ai/kaynaklar/yapay-zeka-zaman-cizelgesi/ adresinden 19 Aralık 2023 tarihinde erişilmiştir. Triansyah, F. A., Muhammad, I., Rabuandika, A., Siregar, K. D. P., Teapon, N., & Assabana, M. S. (2023). Bibliometric Analysis: Artificial Intelligence (AI) in High School Education. Jurnal Imiah Pendidikan dan Pembelajaran, 7(1), 112-123. https://doi.org/10.23887/jipp.v7i1.59718 Tuna, G., Öztürk, A., 2015, Zeki ve uyarlanabilir e-öğrenme ortamları, International Distance Education Conference, 465–470. Turan, T., 2024, Dijital vicdan: Yapay zeka çağında etik, Yaz Yayınları, Afyonkarahisar. Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. J. of Math, 230-265. Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. Oxford University Press on behalf of the Mind Association. http://www.jstor.org/stable/2251299 Tümkaya, S., Aybek, B., 2008, Üniversite öğrencilerinin eleştirel düşünme eğilimlerinin sosyodemografik özellikler açısından incelenmesi, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 17(2), 387–402. Türkiye Bilimsel ve Teknik Araştırma Kurumu [TÜBİTAK], (2021). Ulusal yapay zekâ stratejisi. https://yze.bilgem.tubitak.gov.tr/ Türkiye Bilimsel ve Teknolojik Araştırma Kurumu [TÜBİTAK]. (2021). Yapay zeka enstitüsü: Ulusal yapay zeka stratejisi 2021-2025. Ankara: Tübitak Bilim ve Bilgi Güvenliği İleri Teknolojiler Araştırma Merkezi. https://bilgem. tubitak.gov.tr/wp-content/uploads/sites/8/TR-UlusalYZStratejisi2021-2025-1. pdf Türkiye Bilişim Derneği [TBD]. (2020). Yapay zeka teknolojilerinin eğitimi. Ankara: TBD Yayınları. Tyson, M. M. (2020). Educational leadership in the age of artificial intelligence. Doctoral dissertation, Georgia State University/College of Education and Human Development