Leaders’ Preparedness for Managing Technological Changes in Teaching and Learning in the Selected Tanzanian Public Universities
Notice bibliographique
Résumé
Technological changes have seemingly become inexorable rather than the exception for academic institutions. It has been argued that an organisation's ability to adapt to a changing environment depends on its preparedness for change. This article delineates the extent of preparedness for managing technological changes in teaching and learning among mid-level academic leaders (MLALs) in higher education. The survey was administered to MLALs (n=76), undergoing changes relating to the use of innovative teaching and learning technologies (ITLTs). The rating method and Yeh Index of Perception (YIP) score were used to determine the extent of preparedness for technological changes among MLALs, and it was found to be on average. The results from the ANOVA test shows there was a significant difference in the mean scores for the dimensions of preparedness for changes (p<0.05). The results conclude that preparedness for changes is determined by multi-dimension indicators as suggested by diverse managerial competences and status of readiness for changes held by MLALs. The results suggest that MLALs have a relatively low competence level for motivating the adoption and implementation of technological changes in teaching and learning. Besides, the leaders had a low belief that proposed technological changes for innovative teaching and learning were beneficial to them. These results can be used further to design the training and strategies for managing technological changes in education. Therefore, the study proposes sensitisation prior to any implementation of technological changes in education.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».