Does Successful Use of Digital Learning Materials Predict Teachers’ Intention to Use Them Again in the Future?
Notice bibliographique
Résumé
Do perceptions of success in using digital learning materials (DLMs) regularly (i.e., several times a week) strengthen (or weaken) teachers’ behavioural intentions to use DLMs again? And which psychological factors have a relationship with the intention to use DLMs again? These questions are important in light of stimulating teacher’s use of DLMs. To answer this question, teacher “flows” were analysed using crosstabs and multinomial logistic regression. These flows visualize how teachers go from a certain degree of perceived success to a certain strength of behavioural intention. Second, Hayes (2013) process method and structured equation modeling (SEM) techniques were applied to determine the mediating role of attitude, perceived norm, and perceived behavioural control of perceived success on the behavioural intention. The results suggested that the teachers’ strength in behavioural intention was in accordance with their perceived success for the case that their self-prediction was positive but that this strength became weaker when teachers’ self-prediction was negative. Attitude and perceived norm mediated the effects only when self-prediction was positive whereas perceived behaviour control did this in both cases. Also, there was a direct effect between perceived success and behavioural intention. It is important that teachers get a chance to experience success with the use of DLMs, enabled either by school leaders (regarding in-service teachers) or by teacher training institutions (regarding pre-service teachers). Only then we will see teachers’ willingness to use DLMs on a regular basis to grow.
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 | 0,015 | 0,031 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».