MétaCan
Menu
Retour à la cohorte
Enregistrement W2623788804 · doi:10.5430/ijhe.v6n3p154

Does Perceived Ease of Use Mitigate Computer Anxiety and Stimulate Self-regulated Learning for Pre-Service Teacher Students?

2017· article· en· W2623788804 sur OpenAlexvenueno aff
Myriam Schlag, Margarete Imhof

Notice bibliographique

RevueInternational Journal of Higher Education · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGender and Technology in Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAnxietyElectronic portfolioMoodPortfolioPsychologyUsabilityApplied psychologyClinical psychologyComputer scienceHuman–computer interaction

Résumé

récupéré en direct d'OpenAlex

The aim of this study is to contribute to a better understanding of challenges and factors which influence learning efficiency with electronic-portfolios. Based on the Technology Acceptance Model (TAM; Davis, Bagozzi, & Warshaw, 1989) we analyzed external variables (e.g., computer-anxiety) that influence technology acceptance and the actual system use in form of self-regulated learning. Additionally we included computer related attitudes and correlated them with external variables as well as measures of self-regulated learning. To foster learning efficacy with electronic portfolios the program Microsoft OneNote was used. A group of N = 32 preservice teachers worked on an electronic-portfolio in OneNote for 14 weeks.Results showed that computer-anxiety and the challenge of working with an electronic portfolio decreased over time. The more the computer was rated as a useful tool for learning and teaching, the less computer-anxiety, the more challenge and interest and better mood students reported. In contrast the more the computer was seen as uninfluential tool for working and learning, the more computer anxiety, hopelessness, anxiety and less positive mood, interest and joy to work on the electronic-portfolio has been reported. So, students’ computer related attitudes should be considered when working with an electronic-portfolio to better tailor instruction to learner needs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,273

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,381
Écart entre enseignants0,361 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Higher EducationMême sujetGender and Technology in EducationTravaux en français237 207