Sources d’influence de l’autoefficacité relative à un enseignement intégrant les TIC chez des enseignants du primaire
Notice bibliographique
Résumé
Dans un contexte éducatif où l’intégration des technologies est prisée, on peut s’interroger sur la compétence des enseignants à intégrer les technologies de l’information et de la communication (TIC) (Mueller et al. , 2008; Chai et al. , 2011). Parmi les facteurs d’ordre personnel pouvant influencer le développement de cette compétence se trouve l’autoefficacité (Klassen et al. , 2011; Wheatley, 2005). Cependant, les études qui s’intéressent aux facteurs d’influence de cette autoefficacité, dont celles de Bursal et Yigit (2012), de Kreijns et al. (2013) ainsi que de Robertson et Al-Zahrani (2012), affichent des résultats différents. Cet article présente donc une étude sur l’autoefficacité relative à un enseignement intégrant les TIC chez des enseignants du primaire. Plus précisément, il traite du niveau d’autoefficacité de ces enseignants et des sources d’influence de l’autoefficacité. Les résultats relatifs au niveau d’autoefficacité indiquent que la majorité des neuf enseignantes interrogées sont plutôt en accord avec le fait qu’elles sont en mesure d’intégrer les TIC dans leur enseignement et avec l’idée qu’un enseignement qui intègre les TIC apporte des retombées positives. Pour ce qui est des sources, ce sont l’expérience active de maîtrise ainsi que les états physiques et émotionnels qui semblent avoir une incidence plus marquée sur l’autoefficacité des participantes, alors que l’expérience vicariante et la persuasion verbale semblent y contribuer dans une moindre mesure. Ces résultats sont discutés à la lumière de la théorie sociocognitive de l’autoefficacité et d’études antérieures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».