AIEd Bilgi TabanıAIEd KB
Bu sayfada

Bu sayfayı İngilizce okuyun

Kavramlar

Teknoloji Benimseme Modelleri

Oluşturuldu 2026-10-14

Bu İngilizce sayfanın bir ana dili konuşanı tarafından gözden geçirilmemiş otomatik çevirisidir.

Teknoloji benimseme modelleri, bireylerin ve kurumların yeni teknolojileri neden kabul ettiğini, benimsediğini ve kullanmaya devam ettiğini açıklamak ve öngörmek için kullanılan teorik çerçevelerdir — ve YZ eğitimi araştırmalarında, öğrenenlerin, öğretmenlerin ve örgütlerin neden üretken YZ araçlarını benimsediğini açıklar. Tek bir modelden ziyade, bu; bilgi sistemleri ve sosyal psikoloji araştırmalarına ortak kökleriyle dayanan bir teori ailesidir; bunlar arasında en yaygın biçimde uygulananı Teknoloji Benimseme Modeli (TAM)’dir. Bilgi tabanı bu modelleri bir arada ele alır, çünkü GenAI benimseme çalışmaları bunları düzenli olarak birleştirir (TAM + UTAUT, TAM + TPB, UTAUT + ARCS) ve çünkü onların temel yapıları — algılanan yararlılık, algılanan kullanım kolaylığı ve sosyal etki — eğitimde YZ kabulünün hemen hemen her çalışmasında yeniden ortaya çıkar.

Düşünülmesi Gereken Sorular

  • Yeni bir uygulamayı, aracı veya YZ hizmetini benimsediğiniz bir zamanı — ve birinden vazgeçtiğiniz bir zamanı düşünün. Her kararı asıl ne yönlendirdi: ne kadar yararlı göründüğü, ne kadar kolay olduğu, yoksa çevrenizdeki insanların ne yaptığı? Hangi faktörün en önemli olduğundan şüpheleniyorsunuz ve bir anket bunu gerçekten yakalayabilir mi?
  • Yaygın bir inanış şudur: "bir araç açıkça yararlıysa insanlar onu kullanır." Gerçekten yararlı bir teknolojinin yayılmadığı, ya da açıkça sınırlı birinin yayıldığı durumlar gördünüz mü? Nesnel yararlılık ile fiili benimseme arasındaki boşluğu ne açıklayabilir?
  • TAM gibi benimseme çerçeveleri 1980’lerde oldukça basit sistemler için tasarlandı. Üretken YZ kullandıysanız, bir kelime işlemciden veya bir öğrenme yönetim sisteminden hangi yönlerle farklıdır — ve "kullanım kolaylığı" ile "yararlılık" etrafında kurulu bir modelin, insanların karşılık veren bir şeyle nasıl ilişki kurduğunu yakalamakta neden zorlanabileceğini düşünüyorsunuz?
  • Araştırmacılar sıklıkla algılanan riskin ve güvenin YZ benimsemesi için beklenenden daha az önemli olduğunu söyler. Daha ileri okumadan önce şunu tahmin edin: öğrenciler YZ’ye güvendikleri için mi benimsiyor, risklere rağmen, yoksa bu kaygılar gerçekten kolaylık ve sosyal baskının yanında küçük mü kalıyor?
  • Sayfa, benimseme çerçevelerinin bir aracı kullanmayı tek seferlik bir karar olarak ele aldığını, oysa etkili kullanımın süregelen bir yargı olabileceğini savunuyor. Kendi veya öğrencilerinizin uygulamasında "YZ’yi kullanmayı seçmek" ile "onu iyi kullanmayı sürekli olarak belirlemek" arasındaki çizginin nerede belirsizleşiyor — ve bunu yalnızca benimseme yerine ölçseydik ne değişirdi?
  • Bazı araştırmacılar, tek modelin herkese uyduğunu varsaymak yerine öğrenenleri farklı "benimseme personalarına" ayırıyor. Kendi öğrenenleriniz, meslektaşlarınız veya öğrencileriniz arasında benimsemenin tek ortalamalı bir modelinin gizleyebileceği nasıl farklar görüyorsunuz — ve bu farklar onları nasıl desteklediğinizi nasıl şekillendirebilir?

Giriş

YZ benimsemesine ilişkin meta-analitik kanıt. Üçüncül öğrencilerin YZ benimsemesine ilişkin bir meta-analiz (233 korelasyon, 32 çalışma, N = 16.977), bireysel (r = 0,57), bağlamsal (r = 0,53) ve teknolojik (r = 0,50) faktörler için orta düzeyde pozitif korelasyonlar bulur; kullanım niyetlerinin en güçlü öngördürücü (r = 0,64), algılanan risklerin ve güvenin ise beklenenden daha zayıf olduğunu gösterir. Merkezî eleştirisi şudur: alan, modern akıllı sistemlerden önce gelişen geleneksel TAM/UTAUT çerçevelerine aşırı bel bağlar ve antromorfizm ve etik gibi YZ’ye özgü faktörleri göz ardı eder — bu boşlukların teoriyi ve kanıta dayalı politikayı ilerletmek açısından önemli olduğunu savunur.

Model ailesi

Teknoloji Benimseme Modeli (TAM)

Davis (1989) tarafından önerilen TAM, benimsemeyi iki temel inanış üzerinden açıklar — Algılanan Yararlılık (PU) ve Algılanan Kullanım Kolaylığı (PEOU) — bunlar kullanıcıların Tutumunu (ATT), ardından Davranışsal Niyetini (BI), sonra da fiili kullanımı şekillendirir. Bilgi sistemleri kuramına (Makul Eylem Kuramı’ndan uyarlanmış olarak) dayanan TAM, eğitimde GenAI benimsemesi için baskın çerçeve haline gelmiştir. Eğitimsel GenAI araştırmalarında sıklıkla YZ Okuryazarlığı, Güven, sosyal etki, öz-belirleme ve eleştirel kullanım ile genişletilerek basit benimsemenin ötesindeki benimseme karmaşıklığı yakalanmaya çalışılır.

UTAUT / UTAUT2 / UTAUT3

Teknoloji Kabul ve Kullanımının Birleşik Kuramı, TAM’i sekiz önceki modelle birleştirerek dört temel belirleyicide toplar — performans beklentisi, çaba beklentisi, sosyal etki ve kolaylaştırıcı koşullar (UTAUT2 hedonik motivasyon, fiyat değeri ve alışkanlığı ekler; UTAUT3 kişisel yenilikçiliği ekler). Bilgi tabanı UTAUT’u öğretmen ve öğrenci kitlelerine uygular: Avusturyalı ortaöğretim matematik öğretmenleri (448 öğretmenle UTAUT), Gana’daki hizmet öncesi fen öğretmenleri (UTAUT + TPB) ve Lesotho’daki öğrenciler (PLS-SEM ve fsQCA kullanarak UTAUT3 + ARCS). Jácome-Vásconez ve ark., 522 üniversite öğrencisi için UTAUT2’yi açıklanabilir YZ (Random Forest, SHAP, NCA, IPMA, K-Means) ile genişletir; alışkanlığı ChatGPT niyetinin en güçlü öngördürücüsü olarak bulur ve çaba beklentisinin doğrusal bir itici değil, gerekli bir koşul olduğunu gösterir — yalnızca açıklanabilir YZ regresyonu tamamladığında görülebilen bir sonuç.

Planlı Davranış Kuramı (TPB)

TPB, niyeti tutum, öznel normlar ve algılanan davranışsal denetim üzerinden açıklar. YZ benimseme çalışmalarında sıklıkla TAM/UTAUT ile eşlenir — örneğin Rizun ve ark., öğrencilerin ChatGPT benimsemesinin davranışsal ve etik iticilerini modellemek için TAM, TPB, UTAUT ve FATE (Adillik, Hesap Verebilirlik, Şeffaflık, Etik) çerçevesini bütünleştirir.

Benimseme araştırmaları genellikle niyette durur; buna karşılık gerçek bir niyetin varlığına rağmen gecikmeyi ölçen bir TPB genişlemesi, 1.243 lisans öğrencisi boyunca algılanan davranışsal denetimi GenAI destekli öğrenme ertelemesinin en güçlü olumsuz öngördürücüsü olarak bulmuştur (β = −0,331); niyet–gecikme bağlantısı ise yalnızca orta-yüksek düzeyde öğrenme YZ kaygısında anlamlıdır (Li ve ark. (2026)).

Yayılım Modeli (DOI)

Rogers’ın DOI kuramı, benimsemeyi yeniliklerin zaman içinde popülasyonlarda yayıldığı bir sosyal süreç olarak açıklar; yenilik özniteliklerini (göreli avantaj, uyumluluk, karmaşıklık, denenebilirlik, gözlenebilirlik) ve benimseyici kategorilerini vurgular. Bilgi tabanının kurumsal düzeydeki analizlerinde görülür; örneğin Al-Rahmi ve ark., Suudi üniversitelerinde örgütsel YZ benimsemesini modellemek için Teknoloji–Örgüt–Çevre (TOE) çerçevesini DOI ile birleştirir.

Teknoloji–Örgüt–Çevre (TOE)

TOE, benimsemeyi teknolojik, örgütsel ve çevresel bağlamlarla şekillenen bir süreç olarak çerçeveler — kurumsal benimsemeyi incelemek için bireysel düzeydeki TAM/UTAUT’un bir tamamlayıcısıdır (bkz. Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Bilgi tabanındaki uygulamalar

Benimseme modelleri, bilgi tabanında öğrencilerin ve öğretmenlerin YZ araçlarını benimsemesini modellemek için kullanılır:

  • Eleştirel kullanım genişlemesi: Nguyen ve ark., TAM’i mühendislik/bilgisayar bilimi öğrencileri için eleştirel kullanım ile genişletmiş; tutumların ve eleştirel kullanımın doğrudan niyeti öngördüğünü — ve eleştirel kullanımın aşırı bel bağlamaya karşı koruma sağladığını bulmuştur.
  • Birleşik sosyo-bilişsel model: Asag ve Al Mamun, Bangladeş’teki mühendislik öğrencileri için TAM’i UTAUT ile bütünleştirmiştir (kullanım varyansının %64’ünü açıklamaktadır).
  • Kişi merkezli profiller: Değişken merkezli modellerin aksine, Saihi ve Ahmed GenAI benimseme personalarını kümelemiş; Chen ve ark. hizmet öncesi öğretmenler arasında dört ChatGPT kabul profili belirlemek için gizil profil analizi kullanmıştır — alanın tek modelli, doğrusal anlatıların ötesine geçişini göstermektedir.
  • Kültürler arası doğrulama: Martínez-Moreno ve ark., benimsemeyle ilişkili motivasyon yapılarını İsviçre ve Çin’de kültürler arası olarak doğrular.
  • Psikolojik eşdizimliler: Wu ve ark., motivasyonu, Öz Yeterlilik, kaygıyı ve risk algısını YZ destekli İngilizce öğrenmenin kabulüyle ilişkilendirmek için TAM üzerine kurulu çalışır.
  • Düzenleyici yetkinlik eleştirisi: Kim, benimseme merkezli TAM modellerinin kullanımı istikrarlı bir karar olarak ele aldığını, oysa etkili YZ kullanımının yargı, revizyon ve seçici benimseme süreci olduğunu savunur — YZ Okuryazarlığı kabulden ziyade düzenleyici yetkinlik ve Eleştirel Düşünme olarak yeniden çerçeveler.

Planlı Davranış Kuramı gibi inanış çerçevelerinin yanına paralel öngördürücüler olarak bir TPACK ailesi yetenek eklemek, yapı çakışmasına davetiye çıkarır ve yetenek, tutum ile denetimin nedensel sıralamasını belirsiz bırakır; Yetenek–Karar Modeli ise AI-TPACK yeteneğini tutumun ve algılanan davranışsal denetimin önüne yerleştirir (Mnguni (2026)).

  • ChatGPT benimsemesinin ML belirleyicileri: Keşfedici bir ML yaklaşımı, öğrencilerin algılarının ve demografik özelliklerinin akademik ChatGPT kullanım niyetiyle nasıl ilişkili olduğunu incelemiş; algoritmik performansı en üst düzeye çıkarmaya değil, eğitsel anlama öncelik tanıyarak SHAP analiziyle temel öğrenmeyle ilişkili yapıları belirlemiştir (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

  • Öğretmenler için kabul kaldıraçları olarak açıklanabilirlik ve alan uygunluğu: Otomasyona güven kuramını öğretmenlerin YZ önerilerini kabulüne uyarlayan çalışmada Feldman-Maggor ve ark. (2025), (açıklanabilir YZ tarafından yükseltilen) anlaşılabilirliğin bir YZ gruplama aracına olan güven ve kabulle pozitif biçimde ilişkili olduğunu ve müfredat dilindeki alan odaklı açıklamaların veri odaklı öznitelik önemliliği açıklamalarını üç başlığın tümünde geride bıraktığını bulmuştur. Kabul ayrıca pedagojik uyum ve iş yükü azaltma potansiyeliyle yönlendirilmiştir — standart TAM/UTAUT yapılarının nadiren yakaladığı, güvenin ötesinde durumsal faktörler; bu, benimseme modellerini bağlam ve açıklanabilirlikle genişletme savını pekiştirir.

  • Öğretim materyalleri düzeyinde ölçülen kabul (2026). Wang, Chuang ve Wu (2026), 794 K-12 öğrenci ve 37 öğretmenin kullandığı yaşa göre kademelenmiş iki YZ okuryazarlığı kılavuzu için Performans Beklentisi, Çaba Beklentisi, Algılanan Oyunsallık ve Davranışsal Niyeti işlemsel hale getirmiş; dört faktörlü yapıyı örneklem bölünmüş EFA ve CFA ile doğrulayarak 9-12 ve 13-18 sürümleri arasında ölçüm değişmezliğini desteklemiştir. Daha genç öğrenenler dört yapının tümünde daha yüksek düzeyler bildirmiş; oyunsallık her iki kohortta da niyetin en güçlü eşdizimlisi olmuştur — genç grupta standardize oyunsallık-niyet katsayısı 1,00’ı aşmakta ve iki yapı arasındaki HTMT ,950 olmuştur. Yazarlar bunu devasa bir etki değil, yapı çakışması ve olası bir baskılama olarak okurlar; materyallere uygulanan kabul enstrümanlarının ampirik olarak birbirine dolaşmış faktörler üretebileceğini ve yapısal yorumu karmaşıklaştırabileceğini hatırlatan yararlı bir not.

Sınırlar ve genişlemeler

TAM’in bilişsel odağı YZ kullanımının duygusal ve ilişkisel boyutlarını da yetersiz kavrar. Hemşirelik öğrencileri ve öğretim üyelerine ilişkin nitel bir çalışma, dört klasik TAM yapısının yanı sıra katılımcıların — başlıca öğrencilerin — YZ’yi psikososyal destek kaynağı olarak tanımladığını bulmuştur: stres anlarında duygusal huzur ve yansıma için gizli bir alan. Bu, algılanan yararlılığı yüksek stresli mesleki eğitimde performans kazanımlarının ötesine İyi Olma Hali taşır; benimseme modellerinin yalnızca aletsel faydaya değil, duyuşsal ve psikososyal faktörlere de ilgi göstermesi gerektiğini düşündürür.

Araç özgü genişlemeler olarak özerklik algısı ve riskten kaçınma. 27 ülke ve bölgeden 287 GenAI deneyimli öğretmene (Dai ve ark. (2026)) yönelik karma yöntemli bir anket, TAM’i model ailesinin neredeyse dokunmadığı bir yönde genişletir: aracın kendisine ilişkin algılanan özerklik. Klasik yapılara algılanan yapay özerklik (öğretmenlerin GenAI’nin verilen bir öğretim görevini ne kadar bağımsız yürütebileceğine ilişkin inanışları) ve riskten kaçınmayı ekleyen çalışmada, rafine edilmiş yapısal modelleri davranışsal niyetteki varyansın %79,8’ini açıklamıştır (χ²(97) = 202,597, CFI = ,963, TLI = ,954, RMSEA = ,062, SRMR = ,041); algılanan yararlılık yine baskındır (PU → BI β = ,832, p < ,001) ve kullanım kolaylığı yararlılığı besler (PEU → PU β = ,479). Öğretici olan sonuçlar dolambaçlardır. Yapay özerklik niyet üzerinde doğrudan etki etmemiştir (β = ,026, ns) ama yararlılık aracılığıyla etki göstermiştir (AA → PU β = ,188, p < ,001; dolaylı AA → PU → BI = ,156, %95 GA [,082, ,240]) — GenAI’yi daha yetenekli gören öğretmenler onu daha yararlı değil, daha hemen benimsenebilir bulmamıştır. Riskten kaçınma niyeti düşürmüştür (RA → BI β = −,163, p < ,001) ama algılanan yararlılığı düşürmemiştir (RA → PU ns), çünkü öğretmenlerin kaygıları kendi kullanımlarından çok öğrencilerin kullanımına odaklıdır — kopya çekme ve dürüstlük, zayıflayan temel bilgi ve üst düzey düşünme, halüsinasyonlar, azalan insan etkileşimi ve etik, hukuki ve eşitlik riskleri. Kullanım kolaylığı genel olarak anlamsızdır (PEU → BI β = ,068) ama öğretimde gerçekten YZ kullanmış 225 öğretmen arasında anlamlıdır (β = ,138, p < ,05); çabanın ancak gerçek karşılaşmadan sonra kayda geçtiği tanıdık bir örüntüdür; tutum ise niyetle korelasyonu (r = ,929) ayırt edici geçerliliği aştığında modelden çıkarılmak zorunda kalmıştır. Öğretmenler GenAI’yi yarı-özerk düzeylere yerleştirmiştir (130 kişi 2. Düzey, "öğretmen yardımı"; 94 kişi 3. Düzey, "kısmi otomasyon"; bir kişi 6. Düzey) ve benimseme kararlarının tek tek verilmesi konusunda ısrar etmiştir. TAM niyeti hâlâ iyi öngörür, ancak öğretmen yönelimli YZ için iğneyi oynatan yapılar araç özgüdür: araç ne kadar özerk görünür ve riskin kullanımı kime bağlanır. Yazarların "düşman-dost" etiketi — destek aracı olarak değerli, özerk bir ajan olarak güvensizdir — yukarıda kataloglanan öğrenci yönelimli genişlemelerin öğretmen tarafı karşılığıdır.

Boyuta özgü bir genişleme olarak risk algısı. 814 Çin üniversite öğrencisine (Du, Ning, Shi ve Chen (2026)) yapılan bir anket, öğrencilerin üretken YZ’yi benimseyip benimsemediğini değil, ondan ne kazandığını sormak için Bilişsel Değerlendirme Kuramı’nı ve Korunma Motivasyon Kuramı’nı TAM/UTAUT2’ye katıştırır. Model ailesinin riskin benimsemeyi tek biçimde baskıladığı varsayımı ayakta kalmaz: risk algısı, faydaları zıt yönlerde hareket ettiren bilgi, güvenlik, teknik, etik ve hukuki boyutlara ayrılır. Öğrencilerin gizlilik uygulamalarıyla yönetebilecekleri bir tehdit olarak gördükleri güvenlik riski, problem odaklı başa çıkmayla tutarlı biçimde algılanan akademik yardım ve beceri gelişimiyle pozitif ilişkilidir; buna karşılık öğrenenlerin kolayca doğrulayamadığı bilgi riski, kaçınma yoluyla psikolojik ve duygusal destek, günlük yaşam ve boş zaman faydalarını aşındırır. Eşik analizleri ayrıca boyuta özgü kesim noktalarının ötesinde işaret değiştiren etkiler göstermiştir; kullanım deneyimi ise bağımsız olarak önemli olmuştur: bir yıldan fazla GenAI kullanan öğrenciler dört alanda daha yüksek faydalar bildirmiştir. Kabul araştırmaları için pratik çıkarım, "algılanan risk"in modellenmek için fazla kaba bir yapı olduğudur — riskin varlığı değil, onun denetlenebilirliği, öğrencilerin angaje olup olmadığını belirleyen şeydir.

Riskin kullanımla bağlantısı sisteme de bağlıdır: ilgili maddeleri uygulayan 49 TALIS 2024 sistemi boyunca, algılanan YZ yararlılığı 49’unun tümünde YZ kullanımıyla pozitif ilişkiliyken, algılanan risk 40 sistemde olumsuz, dokuz sistemde olumlu ilişkilidir (Fang ve Jin (2026)).

Bağlı kavramlar

Bağlı makaleler

Üst veri

SeviyeHigher Ed
Hedef kitleLearners
Teknolojiler ve tekniklerÜretici YZ, Teknoloji Benimseme Modelleri
Araştırma yöntemleri ve değerlendirmeAIED’de Araştırma Yöntemleri
Eğitimde YZ’nin temelleriYZ Okuryazarlığı
SourceHistoryEditChat

Bu sayfayı göm

Bu sayfayı bir öğrenme yönetim sistemine veya başka bir web sitesine gömmek için aşağıdaki kodu kopyalayın. Gömülü sürüm yalnızca sayfa içeriğini gösterir — site başlığını, gezintiyi ve alt bilgiyi gizler.