Investigation of Academic Staff’s Self-Efficacy Using the Educational Internet
Notice bibliographique
Résumé
The Covid-19 pandemic has had negative effects throughout the whole world, including education systems. To overcome this negativity, all educational institutions have turned to internet-based education. However, the educator’s self-efficacy is of more importance in this system. This study aimed to reveal the connection between the University academic staff’s genders, ages, titles (doctorate/non-doctorate), and work year characteristics and their self-efficacy beliefs about their educational Internet usage. The sample consists of 100 [51% (n = 51) female and 49% (n = 49) male] academic staff, who were selected according to convenience sampling in the Faculty of Education and Faculty of Sport Sciences at Uludag University. In this study, the “Educational Internet Usage Self-Efficacy Beliefs” scale, developed by Şahin (2009), was used to collect data. Descriptive statistics refer to number and percentage for qualitative variables; quantitative variables are summarized using mean, median, standard deviation, and minimum and maximum statistics. Univariate analyses used binary group comparisons with the Student’s t-test and relationships between numerical variables and Spearman correlation coefficients. Multiple regression analysis was used, in conjunction with the backward method, for the multivariate linear regression method. Analysis results alpha (Type I error) value was evaluated at the level of 0.05 significance. The mean level of self-efficacy belief of academic staff is 109,42. Since the highest score that can be obtained from the scale is 140, the relationships between scale score and age and duration of service variables are significant according to the univariate analysis, while differences in gender and PhD and non-PhD groups are not significant. When multiple linear regression analysis is applied with the backward stepwise method, age and academic title variables are significant in the model. Additionally, the mean scale scores of PhD academicians are higher than others.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».