7) Yapay Zekâ Destekli Öğrenmenin Öğrenci Motivasyonuna Etkisi

Yıl 2026, Cilt: 2, Sayı: 1, Sayfa 106-119, 11.12.2025

Nermin ÖZÜLKÜ E-mail: nerminozulkuu@gmail.com Akmescit Garip Altemel İlkokulu, Bünyan, Kayseri ORCID: 0009-0000-4876-5705	Meryem AKSOY E-mail: mrymksy81@gmail.com Yakup Atila İlkokulu, Bünyan, Kayseri ORCID: 0009-0006-0175-6653
Recep OK E-mail: recepok352@gmail.com Himmetdede Atatürk Ortaokulu, Kocasinan, Kayseri ORCID: 0009-0007-5673-7393	Aslı EMRE E-mail: asliemre1453@gmail.com Şehit Jandarma Onbaşı Abdi Altemel ÇPAL, Bünyan, Kayseri ORCID: 0000-0003-3930-9649

DOI: 10.5281/zenodo.17834032

TAM METİN

ÖZET

Yapay zekâ (YZ) uygulamaları çağdaş eğitim ortamlarında giderek daha fazla yer almakta, öğrenme süreçlerini kişiselleştirme ve etkileşimli hâle getirme potansiyeli sunmaktadır. Öğrenciler, etkileşim kurabildikleri, anında geri bildirim alabildikleri ve kendi hızlarında öğrenebildikleri dijital ortamlarda daha yüksek motivasyon gösterebilmektedir. Bu araştırmada, YZ destekli öğrenme ortamlarının ortaokul öğrencilerinin öğrenme motivasyonu üzerindeki etkisi incelenmektedir. Araştırma, ön test–son test kontrol gruplu deneysel desenle yürütülmüştür. Çalışma grubunu 7. sınıfa devam eden toplam 60 öğrenci oluşturmaktadır. Deney grubuna dört hafta boyunca YZ destekli öğrenme materyalleri ve geri bildirimler sunulmuş; kontrol grubuna ise halihazırda bulunan yapılandırmacı merkeze göre öğretim uygulanmıştır. Veriler “Ortaokul Öğrencileri İçin Öğrenme Motivasyonu Ölçeği” ile toplanmış, analizde ANCOVA ve etki büyüklüğü hesaplamaları kullanılmıştır. Bulgular, YZ destekli öğrenmenin öğrencilerin özellikle içsel motivasyon, ilgi ve öz düzenleme boyutlarında anlamlı düzeyde artış sağladığını göstermektedir. Sonuçlar, YZ tabanlı öğretim uygulamalarının öğretim tasarımında güçlü bir araç olduğunu ortaya koymaktadır. YZ destekli öğrenme araçları sınıf içi öğretimde destekleyici unsur olarak kullanılmalıdır. Özellikle geri bildirim sürecinin yoğun olduğu derslerde verim artışı sağlanabilir. Motivasyonu düşük öğrenciler için kişiselleştirilmiş öğrenme yolları hazırlanmalı ve YZ’nin adaptif özelliklerinden faydalanılmalıdır.

Anahtar Kelimeler: Yapay Zekâ, Öğrenci Motivasyonu, Deneysel Çalışma, Eğitim Teknolojisi, Öğrenme Psikolojisi.

Gönderim Tarihi: 14.10.2025

Kabul Tarihi: 10.11.2025

Elektronik Yayım Tarihi: 19.11.2025

ABSTRACT

Artificial intelligence (AI) applications are increasingly being incorporated into contemporary educational environments, offering the potential to personalize and make learning processes interactive. Students are more likely to exhibit higher motivation in digital environments where they can interact, receive instant feedback, and learn at their own pace. This study examines the effects of AI-supported learning environments on learning motivation of middle school students. The research was conducted using a pretest-posttest control group experimental design. The study group consisted of 60 7th grade students. For four weeks, AI-supported learning materials and feedback were provided to the experimental group, while the control group received instruction based on the existing constructivist-centered approach. Datas were collected using the “Learning Motivation Scale for Middle School Students,” and ANCOVA and effect size calculations were used in the analysis. The findings indicate that AI-supported learning significantly increases students’ intrinsic motivation, interest, and self-regulation dimensions, in particular. The results demonstrate that AI-based instructional practices are a powerful tool in instructional design. AI-supported learning tools should be used as a supplementary tool in classroom instruction. This can increase productivity, especially in courses with intensive feedback. Personalized learning paths should be developed for students with low motivation, and AI’s adaptive features should be utilized.

Keywords: Artificial Intelligence, Student Motivation, Experimental Research, Educational Technology

Submitted Date: 14.10.2025

Acceptance Date: 10.11.2025

Electronic Issue Date: 19.11.2025

KAYNAK GÖSTER

Özülkü, N., Aksoy, M., Ok, R., & Emre, A. (2025). Yapay Zekâ Destekli Öğrenmenin Öğrenci Motivasyonuna Etkisi. Akademik Eğitim Ve Araştırma Dergisi, 2(1), 90-103. https://doi.org/10.5281/zenodo.17834032

İNDEKS

KAYNAKÇA

Akın, A., & Çetin, B. (2009). Ortaokul öğrencileri için öğrenme motivasyonu ölçeğinin geliştirilmesi. Kuram ve Uygulamada Eğitim Bilimleri, 9(2), 669–680.

Alan, B., & Kırbağ Zengin, F. (2025). Yapay zeka tabanlı e-öğrenme ortamının öğrencilerin fen dersine yönelik tutumları üzerine etkisi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 14(3), 1253–1274.

Büyüköztürk, Ş. (2018). Sosyal bilimler için veri analizi el kitabı: İstatistik, araştırma deseni, SPSS uygulamaları ve yorum (24. baskı). Pegem Akademi.

Chen, Y., Wang, Y., & Lu, H. (2020). AI-based gamified learning and student engagement. Journal of Educational Technology, 17(3), 45–60.

Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2024). Teacher support and student motivation to learn with artificial intelligence (AI) based chatbot. Interactive Learning Environments, 32(7), 3240–3256.

Çat, A. K., & Huseynova, Z. (2024). Eğitimde yapay zekâ ve oyunlaştırma: Ortaokul öğrencilerinin yapay zekâ farkındalık düzeylerinin belirlenmesi. Eğitimde Yeni Yaklaşımlar Dergisi, 3(1), 145–160.

Deci, E. L., & Ryan, R. M. (2020). Self-determination theory: Basic psychological needs in motivation, development, and wellness. Guilford Press.

Dignath, C., & Veenman, M. (2021). The role of metacognition in learning with digital tools. Educational Psychologist, 56(2), 93–107.

Dong, L., & Wang, X. (2025). Examining the effect of artificial intelligence in relation to students’ academic achievement in classroom: A meta-analysis. Computers and Education: Artificial Intelligence, 8, 100400.

EBA Akademi. Yapay Zekâ Uygulamaları Eğitimi. https://akademi.eba.gov.tr/egitim-detay/yapay-zeka-uygulamalari-egitimi-18.

Gülle, A. (2021). Ortaokul öğrencilerinin okul motivasyonlarının, derse yönelik etkin katılım ve öğrenmeye yönelik sorumluluk açısından incelenmesi. Uluslararası İnovatif Eğitim Araştırmacısı, 1(1), 1–17.

Harackiewicz, J. M., Smith, J. L., & Priniski, S. J. (2016). Interest matters: The importance of promoting interest in education. Policy Insights from the Behavioral and Brain Sciences, 3(2), 220–227.

Harari, Y. N. (2023). AI and the future of learning. Educational Technology Review, 19(3), 55–70.

Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.

Hattie, J. (2015). The applicability of AI-based feedback in classrooms. Journal of Educational Research, 108(4), 281–295.

Hidi, S., & Renninger, K. A. (2006). The four-phase model of interest development. Educational Psychologist, 41(2), 111–127.

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.

Huang, S. (2024). Generative AI for language learning: Exploring its influence on learners’ motivational regulation. Computer Assisted Language Learning, 37(1), 45–67.

Huang, W., Jiang, J., King, R. B., & Fryer, L. K. (2025). Chatbots and student motivation: A scoping review. International Journal of Educational Technology in Higher Education, 22, 26.

Grimes, D. (2021). Evaluating the impact of an intelligent tutoring system on elementary students’ numeracy performance and motivation. Computers in the Schools, 38(3), 236–255.

Guan, X., Wang, Y., & Ma, Q. (2024). The effects of ChatGPT-assisted informal digital learning of English on learners’ proficiency, self-regulation, and motivation: A meta-analysis. Journal of Computer Assisted Learning, 40(2), 512–529.

Jafarian, N. R., & Kramer, A.-W. (2025). AI-assisted audio-learning improves academic achievement through motivation and reading engagement. Computers and Education: Artificial Intelligence, 8, 100357.

Keller, J. M. (2016). Motivational design for learning and performance: The ARCS model approach. Springer.

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports. Advance online publication.

Kim, M. (2022). Personalized learning with artificial intelligence: A systematic review. Computers & Education, 190, 104–603.

Kim, M., Lee, H., Park, Y., & Lee, J. (2023). Artificial intelligence–supported personalized learning and student motivation: A systematic review. Computers & Education, 194, 104676.

Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated learning in higher education. npj Science of Learning, 10, 21.

Li, Y., Chen, X., & Hou, H. (2023). Artificial intelligence in education: A review of learning performance, motivation, and engagement outcomes. Computers & Education, 196, 104703.

Lu, J., Zhang, Z., & Liu, H. (2021). Personalized learning systems and student motivation. Computers & Education, 174, 104–319.

Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education.

Marwiang, M., Prasertsang, M., & Junpeng, P. (2025). Enhancing students’ learning outcomes in mathematics through intelligent tutoring systems based on real-time feedback. Journal of Education and Learning, 14(6), 186–198.

Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78.

Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemporary Educational Psychology, 61, 101860.

Sarıer, Y. (2015). Türkiye’de öğrencilerin akademik başarısını etkileyen faktörler: Bir meta-analiz. Eğitim ve Bilim, 40(179), 235-250.

Schunk, D. (2021). Learning theories: An educational perspective. Pearson.

Schunk, D. H., Pintrich, P. R., & Meece, J. L. (2014). Motivation in education: Theory, research, and applications (4th ed.). Pearson.

Setiawan, R., Farisiyah, U., Zainal, M., & Widiyawanti, W. (2025). Harnessing AI-based learning media in education: A meta-analysis of its effects on student achievement. Participatory Educational Research, 12(1), 222–242.

Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 31–40.

Silitonga, L. M., Hawanti, S., Aziez, F., Furqon, M., Zain, D. S. M., Anjarani, S., & Wu, T.-T. (2023). The impact of AI chatbot-based learning on students’ motivation in English writing classroom. In Y.-M. Huang & T. Rocha (Eds.), Innovative technologies and learning (ICITL 2023), Lecture Notes in Computer Science (Vol. 14099, pp. 542–549). Springer.

Sun, L., & Zhou, L. (2024). Does generative artificial intelligence improve the academic achievement of college students? A meta-analysis. Journal of Educational Computing Research. Advance online publication.

Tan, L. Y., & Li, S. H. (2025). Artificial intelligence-enabled adaptive learning platforms: Pedagogical foundations and effects on learner autonomy. Computers & Education: Artificial Intelligence, 6, 100238.

Tavşancıl, E. (2019). Tutumların ölçülmesi ve SPSS ile veri analizi. Nobel Akademik Yayıncılık.

Wang, H., Lee, J., & Park, T. (2025). AI chatbots in higher education: A systematic review of learning outcomes, motivation, and engagement. Educational Technology & Society, 28(1), 1–14.

Yin, J., Goh, T.-T., Yang, B., & Yang, X. (2021). Conversation technology with micro-learning: The impact of chatbot-based learning on students’ learning motivation and performance. Journal of Educational Computing Research, 59(1), 154–177.

Yurt, E. (2022). Türkiye’de akademik motivasyon konusunda yapılan araştırmaların incelenmesi. Ahmet Keleşoğlu Eğitim Fakültesi Dergisi, 4(1), 95–112.

Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70.