Öz
Amaç
Uzmanlık öğrencileri giderek daha sık yapay zeka (YZ) uygulamalarıyla karşılaşmaktadır; ancak algılanan hazırbulunuşluk, YZ’ye maruz kalmanın yanı sıra tutumları ve diğer öz değerlendirmeleri de yansıtabilir. Bu keşfedici çalışmada, öz bildirime dayalı tıbbi YZ hazırbulunuşluğunun YZ’ye yönelik tutum, YZ kaygısı, meslekler arası kimlik ve daha önce alınmış YZ/sağlık teknolojileri eğitimiyle ilişkisi incelenmiştir.
Gereç ve Yöntem
Tek merkezli, kesitsel bu çevrimiçi anket çalışmasına, Türkiye’deki üniversiteye bağlı bir eğitim ve araştırma hastanesinin psikiyatri, çocuk ve ergen psikiyatrisi, çocuk sağlığı ve hastalıkları ile aile hekimliği uzmanlık programlarındaki 136 uzmanlık öğrencisinin tamamı davet edilmiş; bunların 84’ü katılmıştır (%61,8). Ölçek toplam puanları arasındaki ilişkiler Spearman korelasyon analizi, bootstrap yöntemiyle hesaplanan %95 güven aralıkları (GA) ve Benjamini-Hochberg düzeltmesi ile değerlendirilmiştir. Hazırbulunuşlukla bağımsız ilişkiler, kuram temelli post-hoc regresyon modeli ve duyarlılık analizleriyle incelenmiştir.
Bulgular
Ortalama puanlar; tıbbi YZ hazırbulunuşluğu için 64,77 [standart sapma (SS) 16,40], YZ tutumu için 112,74 (SS 17,67), meslekler arası kimlik için 45,90 (SS 8,71) ve YZ kaygısı için 70,43 (SS 27,63) olarak bulunmuştur. YZ tutumu; hazırbulunuşluk (ρ=0,32, %95 GA 0,11-0,50, q=0,018), meslekler arası kimlik (ρ=0,26, q=0,038) ve YZ kaygısı (ρ=-0,29, q=0,020) ile ilişkili bulunmuştur. Regresyon modelinde daha olumlu tutum, daha yüksek hazırbulunuşlukla ilişkili bulunmuştur (b=0,33, standardize β=0,36, %95 GA 0,11-0,55, p=0,004); kaygı, meslekler arası kimlik ve önceki eğitime ilişkin kestirimlerin kesinliği düşüktü. Tutum katsayısı; etkili gözlemlerin incelendiği, dirençli (robust) standart hataların kullanıldığı ve demografik özellikler ile uzmanlık alanına göre düzeltme yapılan duyarlılık analizlerinde pozitif kalmıştır.
Sonuç
Bu tek merkezli örneklemde daha olumlu YZ tutumu, öz bildirime dayalı tıbbi YZ hazırbulunuşluğunun daha yüksek olmasıyla ilişkiliydi. Yapılar arasındaki kısmi kavramsal örtüşme ve ortak yöntem varyansı bu ilişkiye katkıda bulunmuş olabilir. Bulgular, nesnel yeterliliği veya nedensel bir ilişkiyi göstermemektedir; klinik temelli YZ eğitimi, gözlemlenen performansı ölçen ileriye dönük çalışmalarla değerlendirilmelidir.
Anahtar Kelimeler: Yapay zeka, uzmanlık eğitimi, tıp eğitimi, sağlık personelinin tutumu, kaygı, meslekler arası ilişkiler
Kaynakça
Cruz-Gonzalez P, He AW, Lam EP, Ng IMC, Li MW, Hou R, Chan JN, Sahni Y, Vinas Guasch N, Miller T, Lau BW, Sánchez Vidaña DI. Artificial intelligence in mental health care: a systematic review of diagnosis, monitoring, and intervention applications. Psychol Med. 2025;55:e18.
Lee EE, Torous J, De Choudhury M, Depp CA, Graham SA, Kim HC, Paulus MP, Krystal JH, Jeste DV. Artificial intelligence for mental health care: clinical applications, barriers, facilitators, and artificial wisdom. Biol Psychiatry Cogn Neurosci Neuroimaging. 2021;6:856-864.
Gordon M, Daniel M, Ajiboye A, Uraiby H, Xu NY, Bartlett R, Hanson J, Haas M, Spadafore M, Grafton-Clarke C, Gasiea RY, Michie C, Corral J, Kwan B, Dolmans D, Thammasitboon S. A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024;46:446-470.
Grunhut J, Wyatt AT, Marques O. Educating future physicians in artificial intelligence (AI): an integrative review and proposed changes. J Med Educ Curric Dev. 2021;8:23821205211036836.
Karaca O, Çalışkan SA, Demir K. Medical artificial intelligence readiness scale for medical students (MAIRS-MS) - development, validity and reliability study. BMC Med Educ. 2021;21:112.
Moodi Ghalibaf A, Moghadasin M, Emadzadeh A, Mastour H. Psychometric properties of the persian version of the medical artificial intelligence readiness scale for medical students (MAIRS-MS). BMC Med Educ. 2023;23:577.
Chen X, Chen Y, Xie Y, Cheng L. Translation and ps ychometric validation of the medical artificial intelligence readiness scale (MAIRS-MS) for Chinese medical students. BMC Nurs. 2025;24:1210.
Al Shahrani A, Alhumaidan N, AlHindawi Z, Althobaiti A, Aloufi K, Almughamisi R, Aldalbahi A. Readiness to embrace artificial intelligence among medical students in Saudi Arabia: a national survey. Healthcare (Basel). 2024;12:2504.
Almalki M, Alkhamis MA, Khairallah FM, Choukou MA. Perceived artificial intelligence readiness in medical and health sciences education: a survey study of students in Saudi Arabia. BMC Med Educ. 2025;25:439.
Al Kindi R, Al Salmani A, Hadhrami RA, Shaqsi JA, Hadhrami AA, Hatmi SA, Maashani MA. Knowledge, attitude, and perception of artificial intelligence among medical residents in Oman: readiness for clinical practice. BMC Med Educ. 2026;26:939.
Syeda AF, Alriyami F, Alshebli A, Alketbi M, Rahma A, Al-Houqani M. Preparing tomorrow’s physicians for AI-driven healthcare: insights from a study on medical students’, interns’, and residents’ knowledge, attitudes, and educational needs. Front Med (Lausanne). 2026;13:1799061.
Nadarajah A, Malekzadeh G, Ratnapalan S. The use of artificial intelligence in paediatric postgraduate medical education: a scoping review. Paediatr Child Health. 2025;30:694-704.
Wang YY, Wang YS. Development and validation of an artificial intelligence anxiety scale: an initial application in predicting motivated learning behavior. Interactive Learning Environments. 2022;30:619-634.
El Arab RA, Alshakihs AH, Alabdulwahab SH, Almubarak YS, Alkhalifah SS, Abdrbo A, Hassanein S, Sagbakken M. Artificial intelligence in nursing: a systematic review of attitudes, literacy, readiness, and adoption intentions among nursing students and practicing nurses. Front Digit Health. 2025;7:1666005.
Ayed A, Ejheisheh MA, Al-Amer R, Aqtam I, Ali AM, Othman EH, Farajallah M, Qaddumi J, Batran A. Insights into the relationship between anxiety and attitudes toward artificial intelligence among nursing students. BMC Nurs. 2025;24:812.
Dönmez E, Temiz G, Mete B, Marangoz E, Ortabağ T. Artificial intelligence: readiness, attitudes, and AI-related anxiety among oncology nurses. Healthcare (Basel). 2026;14:848.
Reinders JJ, Krijnen W. Interprofessional identity and motivation towards interprofessional collaboration. Med Educ. 2023;57:1068-1078.
Reinders JJ, Lycklama À Nijeholt M, Van Der Schans CP, Krijnen WP. The development and psychometric evaluation of an interprofessional identity measure: extended professional identity scale (EPIS). J Interprof Care. 2025;39:818-830.
Kolcu G, Başer Kolcu Mİ, Krijnen W, Reinders JJ. Turkish translation and validation of an interprofessional identity measure: EPIS-TR. J Interprof Care. 2024;38:1117-1126.
Reinders JJ. When I say … Interprofessional identity. Med Educ. 2026;60:224-226.
Cecil J, Kleine AK, Lermer E, Gaube S. Mental health practitioners’ perceptions and adoption intentions of AI-enabled technologies: an international mixed-methods study. BMC Health Serv Res. 2025;25:556.
McFarlane A, Sadri S, Schwartz E, Gowda D. Resident physicians’ perceptions of artificial intelligence and implications for medical education: a qualitative study. MedEdPublish (2016). 2025;15:29.
Alan B, Kırbağ Zengin F, Keçeci G. Yapay zekâ tutum ölçeği (YZTÖ): geçerlik ve güvenirlik çalışması. Cumhuriyet Int J Educ. 2024;13:789-800.
Terzi R. An adaptation of artificial intelligence anxiety scale into Turkish: reliability and validity study. Int Online J Educ Teach. 2020;7:1501-1515.
Benjamini Y, Hochberg Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. J R Stat Soc Series B Stat Methodol. 1995;57:289-300.
von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP; STROBE Initiative. The strengthening the reporting of observational studies in epidemiology (STROBE) statement: guidelines for reporting observational studies. Lancet. 2007;370:1453-1457.
Eysenbach G. Improving the quality of web surveys: the checklist for reporting results of internet e-surveys (CHERRIES). J Med Internet Res. 2004;6:e34.
Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63:539-569.
Car J, Ong QC, Erlikh Fox T, Leightley D, Kemp SJ, Švab I, Tsoi KKF, Sam AH, Kent FM, Hertelendy AJ, Longhurst CA, Powell J, Hamdy H, Nguyen HVQ, Aoun Bahous S, Wang M, Baumgartner M, Mahendradhata Y, Popovic N, Khong AWH, Prober CG, Atun R; Digital Health Systems Collaborative; Bekele Zerihun A, Poncette AS, Molina AJR, Ferreira AVL, Fajkic A, Kaushal A, Farmer AJ, Lane AS, Kononowicz AA, Bhongir AV, Alayande BT, Bene BA, Dameff CJ, Hallensleben C, Back DA, Hawezy DJ, Tulantched DSM, Kldiashvili E, Achampong EK, Ramachandran G, Hauser G, Grove J, Cheung JPY, Imaralu JO, Sotunsa JO, Bulnes Vides JP, Lawrence KS, Agha-Mir-Salim L, Saba L, Zhang L, Elfiky MMA, Hesseling MW, Guppy MP, Phatak MS, Al Saadoon MAA, Lai NM, Chavannes NH, Kimberger O, Povoa P, Goh PS, Grainger R, Nannan Panday RS, Forsyth R, Vento S, Lee SY, Yadav SK, Syed-Abdul S, Appenzeller S, Denaxas S, Garba SE, Flügge T, Bokun T, Dissanayake VHW, Ho V, Obadiel YA. The digital health competencies in medical education framework: an international consensus statement based on a Delphi study. JAMA Netw Open. 2025;8:e2453131.
Cai C, Zhu G, Zhou SM, Ng O, Duell J, Ho WK, Chen DM, Lee B, Li F, Liu S, Sudarshan V, Wang LR, Choi C, Fan X. A competency framework for medical AI education: mixed methods study. JMIR Med Educ. 2026;12:e91116.
Davis DA, Mazmanian PE, Fordis M, Van Harrison R, Thorpe KE, Perrier L. Accuracy of physician self-assessment compared with observed measures of competence: a systematic review. JAMA. 2006;296:1094-1102.
