ICT Teachers’ Acceptance of “Scratch” as Algorithm Visualization Software
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p>This study aims to investigate the acceptance of ICT teachers pertaining to the use of Scratch as an Algorithm Visualization (AV) software in terms of perceived ease of use and perceived usefulness. An embedded mixed method research design was used in the study, in which qualitative data were embedded in quantitative ones and used to explain the results. The data were collected from 214 pre-service ICT teachers studying in four large public universities. Data was gathered through a questionnaire adapted from David’s Technology Acceptance Survey (1989) and through open-ended questions. T-test and Pearson correlation, as well as descriptive statistics, were used to analyze quantitative data and constant analysis techniques were used to analyze qualitative data. Both kinds of data were mixed and are presented in the results section. The results show that pre-service ICT teachers mainly have positive and similar Scratch acceptance scores in terms of usefulness and ease of use. The factors explaining participants’ perceived usefulness are identified as visual interface (37%), pedagogy(36%), and computational thinking (27%). The majority of the participants also found Scratch to be easy to use. Pre-service ICT teachers explained that what makes AV software easy to use is color separation (40%), drag and drop (30%), and familiar interface (30%). Additionally, no significant difference between the acceptance scores of the participants was found in terms of gender, years of programming experience, programming background, and the high school they graduated from as indicators of programming experience. Results congruent with previous studies regarding Scratch were found by the current study.</p>
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle