Amaç: Bu araştırma, fizyoterapi ve rehabilitasyon öğrencilerinin teknostres düzeylerinin değerlendirilmesini, ilişkili olabilecek faktörler açısından incelenmesini ve sağlıkta yapay zekânın kullanımına yönelik farkındalıklarının belirlenmesini amaçlamıştır. Gereç ve Yöntemler: Araştırmanın örneklemini 461 fizyoterapi ve rehabilitasyon öğrencisi (yaş ortalaması, 20,73±2,59 yıl) oluşturmuştur. Öğrencilerin teknostres düzeyleri Teknostres Ölçeği ile sağlıkta yapay zekânın kullanımına yönelik farkındalıkları ise Yapay Zekâ Farkındalık Anketi ile değerlendirilmiştir. İki grup arasındaki ölçüm değerlerinin karşılaştırılmasında Mann-Whitney U testi, ikiden fazla grupta ölçüm değerlerinin karşılaştırılmasında Kruskal-Wallis testi kullanılmıştır. Bulgular: Öğrencilerin teknostres düzeylerinin orta derecede 26,00 (18,00/29,00) olduğu, kadın öğrencilerin teknostres düzeylerinin daha yüksek olduğu ve öğrencilerin teknostres düzeylerinin sınıf düzeyine ve günlük internet kullanım süresine göre değişiklik göstermediği görülmüştür (sırasıyla, p=0,01, p=0,16, p=0,94). Öğrencilerin %91,5'i mesleğe yönelik yapay zekâ ile ilgili gelişmeleri takip etmenin önemli olduğunu, %74,2'si ise yapay zekânın sağlık alanında kullanılması gerektiğini bildirmiştir. Bununla birlikte, %89,4'ü yapay zekâ uygulamalarının etik yönden de eğitilmesi gerektiğini; %59'u yapay zekânın kullanımın artmasının, gelecekte iş bulma durumunu tehlikeye sokacağını; %59,9'u ise yapay zekânın yaygınlaşması ile sağlık çalışanlarına olan ihtiyacın giderek azalacağını belirtmiştir. Sonuç: Öğrencilerin teknostres düzeyini yönetebilmeleri ve sağlıkta yapay zekânın kullanımına yönelik etik ve mesleki kaygılarının giderilebilmesi adına, teknostres ve yapay zekâ konularını içeren ilgili teorik ve/veya uygulamalı derslerin fizyoterapi ve rehabilitasyon ders öğretim planlarına entegre edilmesi yararlı olabilir.
Anahtar Kelimeler: Farkındalık; sağlık; stres; teknoloji
Objective: This study aimed to evaluate the technostress levels of physiotherapy and rehabilitation students, examine for possible related factors, and determine their awareness of the use of artificial intelligence in health. Material and Methods: The sample of the study consisted of 461 physiotherapy and rehabilitation students (mean age, 20.73±2.59 years). Students' technostress levels were assessed with the Technostress Scale, and their awareness of the use of artificial intelligence in health were assessed with the Artificial Intelligence Awareness Survey. Mann-Whitney U test was used to compare measurement values between two groups, and Kruskal-Wallis test was used to compare measurement values in more than two groups. Results: It was observed that students' technostress levels were moderately high at 26.00 (18.00/29.00), female students' technostress levels were higher, and students' technostress levels did not vary according to grade level and daily internet usage time (p=0.01, p=0.16, p=0.94, respectively). A total of 91.5% of the students stated that it is important to follow the developments in artificial intelligence for the profession, and 74.2% stated that artificial intelligence should be used in the field of health. However, 89.4% stated that artificial intelligence applications should also be trained ethically; 59% stated that the increased use of artificial intelligence will jeopardize employment in the future; 59.9% stated that with the widespread use of artificial intelligence, the need for healthcare workers will gradually decrease. Conclusion: In order to manage students' technostress level and to address ethical and professional concerns regarding the use of artificial intelligence in health, it may be useful to integrate relevant theoretical and/or applied courses including technostress and artificial intelligence into physiotherapy and rehabilitation course teaching plans.
Keywords: Awareness; health; stress; technology
- Baş M, Balaban F, Balcı S. Üniversite öğrencilerinin teknoloji destekli öğrenme ortamında Teknostres Düzeyleri Ölçeğinin Türkçeye uyarlanması: geçerlik-güvenirlik çalışması [Turkish adaptation of the level of Technostress in the Technology-Supported Learning Environment of University Students: a validity-reliability study]. EKEV Akademi Dergisi. 2021;(87):451-70. [Link]
- Gaudioso F, Turel O, Galimberti C. The mediating roles of strain facets and coping strategies in translating techno-stressors into adverse job outcomes. Comput Hum Behav. 2017;69:189-96. [Crossref]
- Şahin YL, Çoklar AN. Social networking users' views on technology and the determination of technostress levels. Procedia Soc Behav Sci. 2009;1(1):1437-42. [Crossref]
- Wang K, Shu Q, Tu Q. Technostress under different organizational environments: an empirical investigation. Comput Hum Behav. 2008;24(6):3002-13. [Crossref]
- Riedl R. On the biology of technostress: literature review and research agenda. ACM SIGMIS database: the DATABASE for Advances in Information Systems. 2012;44(1):18-55. [Crossref]
- Ertuğ C. Coronavirüs (Covid-19) pandemisi ve pedagojik yansımaları: Türkiye'de açık ve uzaktan eğitim uygulamaları [Coronavirus (Covid-19) pandemic and its pedagogical reflections: Open and distance education practices in Turkey]. Açıköğretim Uygulamaları ve Araştırmaları Dergisi. 2020;6(2):11-53. [Link]
- Alginahi YM, Ahmed M, Tayan O, Siddiqi AA, Sharif L, Alharby A, et al. ICT students, stress and coping strategies: English perspective a case study of Midsize Middle Eastern University. Trends in Information Management (TRIM). 2012;5(2):111-27. [Link]
- Qi C. A double-edged sword? Exploring the impact of students' academic usage of mobile devices on technostress and academic performance. Behav Inf Technol. 2019;38(12):1337-54. [Crossref]
- Penado Abilleira M, Rodicio-García ML, Ríos-de-Deus MP, Mosquera-González MJ. Technostress in Spanish University Students: Validation of a Measurement Scale. Front Psychol. 2020;11:582317. [Crossref] [PubMed] [PMC]
- Yılmaz Y, Yılmaz DU, Yıldırım D, Korhan EA, Özer Kaya D. Yapay zeka ve sağlıkta yapay zekanın kullanımına yönelik sağlık bilimleri fakültesi öğrencilerinin görüşleri [Artificial intelligence and the use of artificial intelligence in health: opinions of health sciences students]. Süleyman Demirel Univ J Health Sci. 2021;12(3):297-308. [Crossref]
- Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380(14):1347-58. [Crossref] [PubMed]
- Bozkurt ŞA, Hoşgör H. Sağlıkta yapay zekâ ve robotlar hakkında kimler ne düşünüyor? Kuşaklar üzerine bir araştırma [What do people think about artificial intelligence and robots in healthcare? A study on generations]. J Social Sci Res. 2023;12(1):13-25. [Link]
- Reddy S, Fox J, Purohit MP. Artificial intelligence-enabled healthcare delivery. J R Soc Med. 2019;112(1):22-8. [Crossref] [PubMed] [PMC]
- Çalışkan M, Çoklar AN. Öğretmen adaylarının teknostres düzeylerinin belirlenmesi [Determining the technostress levels of teacher candidates]. Anadolu Univ J Educ Fac. 2022;6(3):341-54. [Crossref]
- Akman E, Durgun B. Öğretmenlerin mesleki motivasyon ve teknostres düzeylerinin incelenmesi [Examination of teachers' professional motivation and technostress levels]. Fırat Üniversitesi Sosyal Bilimler Dergisi. 2022;32(2):487-500. [Crossref]
- Öcal EE, Atay E, Önsüz MF, Algın F, Çokyiğit FK, Kılınç S, et al. Tıp fakültesi öğrencilerinin tıpta yapay zekâ ile ilgili düşünceleri [The attitude of medical school students about artificial intelligence applications in medicine]. Türk Tıp Öğrencileri Araştırma Dergisi. 2020;2(1):9-16. [Link]
- Faul F, Erdfelder E, Lang AG, Buchner A. G*Power 3: a flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behav Res Methods. 2007;39(2):175-91. [Crossref] [PubMed]
- Wang X, Tan SC, Li L. Measuring university students' technostress in technology-enhanced learning: Scale development and validation. Australas J Educ Technol. 2020;36(4):96-112. [Crossref]
- Erdoğan A, Öztürk M, Erdogan P, Zor RK, Çinaroglu S, Öztorun K, et al. Technostress in medical students during pandemic-prompted distance education: adaptation of technostress scale based on person-environment misfit theory. Turk Online J Educ Technol. 2022;21(3):63-74. [Link]
- Çoklar AN, Bozyiğit R. Determination of technology attitudes and technostress levels of geography teacher candidates. lnt J Geogr Geography Educ. 2021;(44):102-11. [Crossref]
- Torales J, Torres-Romero AD, Di Giuseppe MF, Rolón-Méndez ER, Martínez-López PL, Heinichen-Mansfeld KV, et al. Technostress, anxiety, and depression among university students: a report from Paraguay. Int J Soc Psychiatry. 2022;68(5):1063-70. [Crossref] [PubMed]
- Kasemy ZA, Sharif AF, Barakat AM, Abdelmohsen SR, Hassan NH, Hegazy NN, et al. Technostress creators and outcomes among egyptian medical staff and students: a multicenter cross-sectional study of remote working environment during COVID-19 pandemic. Front Public Health. 2022;10:796321. [Crossref] [PubMed] [PMC]
- Madaan N, Wundavalli L, Satapathy S. Techno stress among medical freshmen: an exploratory study. J Educ Health Promot. 2020;9:178. [Crossref] [PubMed] [PMC]
- Wang Q, Zhong Y, Zhao G, Song R, Zeng C. Relationship among content type of Smartphone Use, Technostress, and Sleep Difficulty: a study of University students in China. Educ Inf Technol. 2023;28(2):1697-714. [Crossref]
- Wang X, Li B. Technostress among university teachers in higher education: a study using multidimensional person-environment misfit theory. Front Psychol. 2019;10:1791. [Crossref] [PubMed] [PMC]
- Penado Abilleira M, Rodicio-García ML, Ríos-de Deus MP, Mosquera-González MJ. Technostress in Spanish University Teachers During the COVID-19 Pandemic. Front Psychol. 2021;12:617650. [Crossref] [PubMed] [PMC]
- Young BJ. Gender differences in student attitudes toward computers. J Res Comput Educ. 2000;33(2):204-16. [Crossref]
- Çoklar AN, Sahin YL. Technostress levels of social network users based on ICTs in Turkey. Eur J Social Sci. 2011;23(2):171-82. [Link]
- Marchiori DM, Mainardes EW, Rodrigues RG. Do individual characteristics influence the types of technostress reported by workers? Int J Hum-Comput Int. 2019;35(3):218-30. [Crossref]
- Syvänen A, Mäkiniemi JP, Syrjä S, Heikkilä-Tammi K, Viteli J. When does the educational use of ICT become a source of technostress for Finnish teachers? Int J Media Technol Lifelong Learn. 2016;12(2):95-109. [Crossref]
- Sit C, Srinivasan R, Amlani A, Muthuswamy K, Azam A, Monzon L, et al. Attitudes and perceptions of UK medical students towards artificial intelligence and radiology: a multicentre survey. Insights Imaging. 2020;11(1):14. [Crossref] [PubMed] [PMC]
- Pinto Dos Santos D, Giese D, Brodehl S, Chon SH, Staab W, et al. Medical students' attitude towards artificial intelligence: a multicentre survey. Eur Radiol. 2019;29(4):1640-6. [Crossref] [PubMed]
- Erişen MA, Yılmaz FÖ. Sağlık yönetimi öğrencilerinin tıpta yapay zekâ ile ilgili bilgi, düşünce ve yaklaşımları [Knowledge, thoughts and approaches of healthcare management students on artfical intellgence n medcne]. J Artif Intell Health Sci. 2023;3(1):1-5. [Crossref]
.: Process List