Bilgisayar ve teknoloji alanındaki tezlerde anket genellikle tek başına değil, bir ürünün, sistemin ya da teknolojinin yanında durur: bir uygulama geliştirilmiş, bir arayüz tasarlanmış, bir yapay zekâ aracı kullanıma sunulmuş, bir güvenlik politikası uygulanmıştır ve soru şudur: insanlar bunu benimsiyor mu, kullanabiliyor mu, güveniyor mu? Bu yazı genel tez anketi sürecini tekrar etmez; adımlar tez için anket hazırlama rehberinde anlatılmıştır. Burada alana özgü olana bakıyoruz: teknoloji tezlerinde anketle hangi konular çalışılır, literatürde hangi ölçek türleri dolaşımdadır, kullanım verisi ile öz bildirim nasıl birlikte düşünülür ve teknik kitleye anket uygularken hangi tuzaklar vardır.
Bilgisayar ve teknoloji alanında anketle çalışılabilecek konu fikirleri
Bilgisayar mühendisliği, bilişim sistemleri, yazılım mühendisliği, yönetim bilişim sistemleri ve bilgisayar ve öğretim teknolojileri bölümlerinde anket kullanan tezler kabaca üç biçim alır: bir teknolojinin benimsenmesini açıklamak, geliştirilen bir sistemin kullanılabilirliğini ya da kullanıcı deneyimini değerlendirmek ve belirli bir kitlenin teknolojiyle ilişkisini (güvenlik davranışı, mahremiyet kaygısı, dijital yeterlik) betimlemek. Aşağıdaki fikirler bir başlangıç noktasıdır; literatürde boşluk doldurup doldurmadığını danışmanınla konuşman gerekir.
- Teknoloji benimseme ve kabul: Üretken yapay zekâ araçlarının yazılım geliştiriciler tarafından benimsenmesinde algılanan yararlılık ile güven; küçük işletmelerde bulut muhasebe yazılımına geçiş niyeti; öğretmenlerin öğrenme yönetim sistemini kullanım sıklığı ile kolaylaştırıcı koşullar algısı.
- Kullanılabilirlik ve kullanıcı deneyimi: Geliştirilen bir mobil uygulamanın algılanan kullanılabilirliği ile görev tamamlama başarısı; e-devlet hizmetlerinde yaşlı kullanıcıların arayüz zorluk algısı; sesli asistanlarda hata sonrası güven onarımı.
- Bilgi güvenliği ve mahremiyet: Üniversite personelinin parola hijyeni ile güvenlik farkındalığı eğitimi alma durumu; sosyal medya kullanıcılarında mahremiyet kaygısı ile gizlilik ayarlarını değiştirme davranışı arasındaki ilişki (mahremiyet paradoksu); oltalama (phishing) e-postalarını ayırt etme öz yeterliği.
- Yazılım mühendisliği ve geliştirici deneyimi: Çevik ekiplerde psikolojik güvenlik ile teknik borç bildirme eğilimi; uzaktan çalışan geliştiricilerde kod inceleme doyumu; açık kaynak katkıcılarında motivasyon türleri ile katkı sürekliliği.
- Eğitim teknolojileri: Programlama öğrenen öğrencilerde bilgisayar öz yeterliği ile hata ayıklama kaygısı; artırılmış gerçeklik destekli bir ders materyalinin algılanan öğrenme katkısı.
- İnsan-yapay zekâ etkileşimi: Algoritmik karar sistemlerinde açıklanabilirlik algısı ile karara güven; yapay zekâ kaygısı ile mesleki gelecek beklentisi; sohbet robotlarıyla etkileşimde insan benzeri olma algısının yardım arama davranışına etkisi.
Konu seçerken alanın bir özelliğini unutma: teknoloji hızlı eskir. Beş yıl önce "yeni" olan bir sistem için geliştirilmiş kabul ölçeği, bugünkü kullanım biçimine uymayabilir. Bu yüzden konuyu ürünün adı üzerinden değil, ölçtüğün kavram üzerinden kurmak (ör. "X uygulaması" değil "sesli asistanlarda algılanan güven") tezin ömrünü uzatır.
Literatürde yaygın ölçek türleri
Aşağıda ölçeklerin ne ölçtüğü anlatılır; maddeleri yoktur. Hepsi için ölçek sahibinden ya da yayıncıdan izin almak, Türkçe uyarlamasının olup olmadığını taramak ve uyarlama yoksa uyarlama adımlarını izlemek gerekir. Bir ölçeğin adı ya da yazarı konusunda kesin değilsen özgün yayına ulaşmadan tezine yazma.
Teknoloji kabul ve benimseme modelleri
Bilişim sistemleri literatürünün en yaygın kuramsal çerçevesi Teknoloji Kabul Modeli (TAM) ve genişletilmiş biçimleridir; model, bir teknolojiyi kullanma niyetini algılanan yararlılık ve algılanan kullanım kolaylığı gibi inançlarla açıklar. Daha sonra birkaç kabul modelini birleştiren Birleştirilmiş Teknoloji Kabul ve Kullanım Kuramı (UTAUT) performans beklentisi ve çaba beklentisinin yanına sosyal etki ve kolaylaştırıcı koşulları koyar; tüketici bağlamı için genişletilmiş bir sürümü de vardır. Bu modellerin ölçekleri genellikle her yapı için birkaç maddelik (çoğunlukla üç ile altı) kısa alt boyutlardan oluşur ve araştırmacılar maddeleri kendi teknolojilerine göre uyarlar ("sistem" sözcüğünün yerine incelenen aracın adı konur). Bu uyarlama bile ölçek sahibinin izin koşullarına ve kendi örnekleminde yeniden geçerlik kanıtına bağlıdır.
Kullanılabilirlik ve kullanıcı deneyimi ölçekleri
Kullanılabilirlik, ISO 9241-11 standardında etkililik, verimlilik ve memnuniyet bileşenleriyle tanımlanır. Anketle doğrudan ölçülen taraf çoğunlukla memnuniyet, yani algılanan kullanılabilirliktir; etkililik ve verimlilik görev başarısı ve süre gibi gözlem verisiyle ölçülür. Literatürde yaygın kullanılan kısa bir araç, kullanıcı bir sistemi denedikten sonra uygulanan ve 0–100 arasında tek bir puan veren Sistem Kullanılabilirlik Ölçeği (SUS)'dir; bu puan yüzde değildir. Yaygın atıfta ortalamanın 68 civarında olduğu kabul edilir, ancak bu bir geçme notu değil, karşılaştırma noktasıdır. Görev sırasındaki zihinsel yükü ölçmek için literatürde sık kullanılan çok boyutlu bir öz bildirim aracı NASA Görev Yükü İndeksi (NASA-TLX)'dir. SUS genellikle bir test oturumunun sonunda, NASA-TLX çoğunlukla her görevden hemen sonra uygulanır; ikisi de somut bir kullanım deneyimine bağlıdır ve genel bir "teknoloji hakkında ne düşünüyorsun" anketine olduğu gibi eklenmez.
Güvenlik ve mahremiyet ölçekleri
Bilgi güvenliği davranışını açıklamak için literatürde yaygın kullanılan Koruma Motivasyonu Kuramı çerçevesine dayanan ölçekler algılanan tehdit ciddiyeti, savunmasızlık, tepki etkililiği, öz yeterlik ve tepki maliyeti gibi yapıları ölçer. Çevrim içi mahremiyet kaygısını toplama, hata, yetkisiz ikincil kullanım ve uygunsuz erişim gibi boyutlarla ölçen ölçekler bilişim sistemleri literatüründe yerleşiktir. Güvenlik farkındalığını bilgi, tutum ve davranış katmanlarında ölçen çok boyutlu anketler de vardır. Bu alanda öz bildirimin özel bir sorunu, katılımcının kendini "güvenli davranan biri" olarak sunma eğilimidir; aşağıda değineceğiz.
Bireysel farklar ve teknostres
Bilgisayar öz yeterliği, yeniliklere açıklık, teknostres (aşırı yük, karmaşıklık, güvensizlik gibi yaratıcıları), yapay zekâ kaygısı ve dijital okuryazarlık, teknoloji tezlerinde sık kontrol edilen bireysel farklardır. Teknostres ölçekleri genellikle iş bağlamı için geliştirilmiştir; öğrenci örneklemine taşımak uyarlama gerektirir. Akıllı telefon bağımlılığı ya da nomofobi gibi klinik çağrışımlı kavramları ölçeceksen, bu yapıların tanı aracı olmadığını tezinde açıkça yaz.
Örnek demografik ve betimsel sorular
Aşağıdaki sorular özgündür; herhangi bir ölçekten alınmamıştır ve kendi çalışmana göre değiştirilebilir. Yaş, cinsiyet, eğitim gibi genel kişisel bilgi formu soruları tüm alanlarda ortaktır; burada alana özgü olanlara yer verilmiştir.
| Değişken | Örnek soru | Yanıt biçimi |
|---|---|---|
| Deneyim süresi | Kaç yıldır profesyonel olarak yazılım geliştiriyorsunuz? | Yıl aralıkları |
| Rol | Şu anda ağırlıklı olarak hangi rolde çalışıyorsunuz? (geliştirici, test, veri, yönetim, öğrenci) | Tek seçim |
| Kullanım sıklığı | Son bir ay içinde incelenen uygulamayı ne sıklıkla açtınız? | Sıklık aralıkları |
| Kullanım geçmişi | Bu uygulamayı ilk kez ne zaman kullandınız? | Ay/yıl veya aralık |
| Cihaz | Uygulamaya en çok hangi cihazdan erişiyorsunuz? | Tek seçim |
| Yapay zekâ aracı kullanımı | Günlük işinizde kod üreten bir yapay zekâ aracını kullanıyor musunuz? Kullanıyorsanız ne sıklıkla? | Koşullu soru |
| Güvenlik eğitimi | Son iki yılda kurumunuzda bilgi güvenliği eğitimi aldınız mı? | Evet / Hayır / Emin değilim |
| Güvenlik olayı deneyimi | Daha önce hesabınızın ele geçirildiğini düşündüğünüz bir durum yaşadınız mı? | Evet / Hayır / Emin değilim |
| Öz değerlendirme | Bilgisayar becerilerinizi nasıl tanımlarsınız? (başlangıç, orta, ileri, uzman) | Tek seçim |
| Erişilebilirlik | Dijital cihaz kullanırken erişilebilirlik ayarı (büyük yazı, ekran okuyucu vb.) kullanıyor musunuz? | Evet / Hayır / Belirtmek istemiyorum |
Teknik kitleye soru yazarken kısaltmaları açık yaz ("API", "CI/CD" gibi terimler bir geliştiriciye açık, bir son kullanıcıya kapalıdır) ve kullanım sıklığını "günde kaç kez" biçiminde açık uçlu değil, birbirini dışlayan aralıklarla sor. "Emin değilim" seçeneği güvenlik sorularında özellikle önemlidir; katılımcı gerçekten bilmiyor olabilir ve bu yokluk kendi başına bir bulgudur. Kişisel bilgi formunu kurarken soru yazımı için genel ipuçlarına bakabilirsin.
Yöntem ipuçları
Öz bildirim ile kullanım verisini birlikte düşün
Teknoloji tezlerinin en güçlü yanı, anketin yanına gerçek kullanım verisi koyabilme olanağıdır: oturum sayısı, görev tamamlama süresi, hata sayısı, tıklama kayıtları. Katılımcıların "sık kullanıyorum" dediği ile günlük kayıtlarının gösterdiği çoğu zaman örtüşmez ve bu fark başlı başına tartışma konusudur. Kullanım kaydını anket yanıtlarıyla eşleştireceksen katılımcıya bunu onam metninde açıkça söylemen, eşleştirme için kullanılan kimliği en kısa sürede ayırman ve IP adresi, cihaz kimliği gibi verilerin kişisel veri sayılabileceğini unutmaman gerekir. Bu bir hukuki görüş değildir; kurumunun KVKK ve etik kurul yönergesine bak, ayrıntılar için etik kurul rehberine göz at.
Kendi geliştirdiğin sistemi değerlendiriyorsan
Tezinde geliştirdiğin bir uygulamanın kullanılabilirliğini ölçmek yaygın bir desendir; ancak katılımcılar geliştiricinin sen olduğunu biliyorsa yanıtlar nezaket yönünde kayar. Anketi mümkünse üçüncü bir kişinin uygulaması, katılımcıya yanıtların geliştiriciyi incitmeyeceğini onam metninde belirtmek ve anketi görev temelli bir testten hemen sonra vermek bu etkiyi azaltır. Sık atıf yapılan bir kurala göre kullanılabilirlik testinde beş kullanıcı sorunların çoğunu bulmaya yeter; bu kural tartışmalıdır, benzer kullanıcılardan oluşan tek bir grup ve yinelenen test turları varsayar ve bir nitel sorun bulma sayısıdır. SUS gibi bir puanı istatistiksel olarak karşılaştıracaksan ya da gruplar arasında fark arayacaksan örneklem gereksinimi tamamen farklıdır; güç analizi rehberine bak.
Örneklem çoğu zaman kendini seçer
Bir uygulamanın kullanıcılarına uygulama içinden ulaşmak, yalnız aktif kullanıcılara ulaşmak demektir; terk edenler, yani benimseme sorusunun en bilgilendirici grubu, örneklemde yoktur. Bu yanlılığı yok edemezsin, ama birden çok kanaldan toplayıp kanal bilgisini kaydetmek ve sınırlılıklarda dürüstçe tartışmak jüride soru önler. Dağıtım için yanıt oranı rehberine bak.
Deneysel desen: iki arayüz, iki sürüm
Arayüz sürümlerini ya da bir özelliğin varlığını karşılaştırıyorsan katılımcıları sürümlere rastgele ata, her katılımcının hangi sürümü gördüğünü bir değişkende kaydet ve aynı ölçeği her gruba uygula. İki grupta bağımsız örneklem t testi, üç ve daha fazla grupta tek yönlü ANOVA tipik tercihtir; grup varyansları eşit değilse Welch düzeltmeli sürümleri raporla ve etki büyüklüğü (Cohen d, eta kare ya da omega kare) ekle. Aynı katılımcı her sürümü deniyorsa (denek içi ya da tekrarlı ölçümler deseni) sıra etkisini dengelemen ve iki sürümde eşleştirilmiş örneklem testi, daha fazlasında tekrarlı ölçümler analizi kullanman gerekir.
Kabul modelini test ediyorsan
TAM ve UTAUT türü modeller yapılar arasındaki yolları test eder; bu literatürde yapısal eşitlik modellemesi, hem kovaryans temelli yaklaşım hem de kısmi en küçük kareler yaklaşımı (PLS-SEM) yaygındır. Böyle bir analiz için veri toplamayı planlarken yansıtıcı yapılarda genellikle yapı başına en az üç madde önerilir ve örneklem büyüklüğünü modelin karmaşıklığına göre önceden planlaman gerekir; raporlamada güvenirlik ve geçerlik için bileşik güvenirlik, ortalama açıklanan varyans ve ayırt edici geçerlik ölçütleri beklenir.
Kendi örnekleminde psikometrik kanıt
İzinli ve uyarlanmış bir ölçek kullansan bile her alt boyut için kendi verinde Cronbach alfa raporlaman beklenir. Alfa madde sayısı azaldıkça düşme eğilimindedir; teknoloji kabul ölçeklerinde ise yapılar kısa olsa da maddeler birbirine çok yakın ifadeler olduğu için alfa çoğu zaman yüksek çıkar. Yüksek alfa tek başına yapının sağlam olduğunu göstermez; asıl soru alt boyutların senin örnekleminde ayrışıp ayrışmadığıdır. Yerleşik bir yapıyı, özellikle maddeleri kendi teknolojine uyarladıysan, doğrulayıcı faktör analiziyle sınaman beklenir; açımlayıcı faktör analizi ön inceleme olarak yararlıdır.
anketformu.tr teknoloji tezinde nasıl yardımcı olur?
İzinli ölçeğinin PDF'ini yüklersen yapay zekâ maddeleri taslak olarak çıkarır, ters maddeleri ve alt boyutları yalnız PDF'te açıkça belirtilmişse işaretler, sen her birini özgün kaynakla karşılaştırıp onaylarsın. Maddeleri yapıştırırsan her satır bir madde olarak Likert matrisine dönüşür; ters maddeleri ve alt boyutları editörde kendin işaretlersin. Onam metni yeni ankette hazır gelir, istersen demografik bilgi formunu da eklersin; alana özgü soruları editörde kendin yazarsın. Koşullu soru mantığıyla yalnız yapay zekâ aracı kullananlara kullanım sıklığı sorusunu gösterebilirsin. Yanıtlar toplandıkça panelde Cronbach alfa ve madde istatistikleri, iki grup karşılaştırması (Welch t ya da Mann-Whitney U), Welch ANOVA, çapraz tablo ve açımlayıcı faktör analizi hesaplanabilir. Bu karşılaştırmalar sonuç olarak tek bir doğrusal ölçek ya da sayısal soruyu alır; Likert matrisindeki ölçek ve alt boyut puanlarını gruplara göre karşılaştırmak için puanları SPSS sözdizimiyle hesaplayıp analizi istatistik programında yaparsın. Doğrulayıcı faktör analizi, yapısal eşitlik modellemesi, korelasyon ve regresyon panelde yoktur; bunlar için veriyi SPSS uyumlu dosyalar, sözdizimi ve kod kitabıyla dışa aktarıp kendi yazılımında devam edersin. Ayrıntılar için analiz özellikleri sayfasına bak. Mürekkep, yazılı ya da sesli olarak anketi kurarken yanında olur; ölçeklerin ne ölçtüğünü, nasıl seçildiğini ve izin gereğini anlatır, ama hiçbir ölçeğin maddesini vermez. Maddeler her zaman senin izinli kaynağından gelir.