Navigating the Educational Frontier: Assessing Engineering Professors' Adoption of Education 4.0 Methods
Notice bibliographique
Résumé
Education 4.0 is a new paradigm that is already transforming the learning experience. The fourth industrial revolution unveiled vast opportunities for Artificial Intelligence and Internet of Things. Employing those smart techniques paves the way for an advanced education system where customized lifelong learning is universally accessible. However, realizing the full benefits of Education 4.0 hinges on enhancing the capabilities of educators to ensure they can navigate such sophisticated technologies and methods. This study aims to explore the variables affecting the readiness to utilize the knowledge and skills of Education 4.0 amongst engineering professors in the University of Jeddah. In total, 22 faculty members across various ranks and disciplines participated in the study. The results revealed the level of educators’ familiarity with Education 4.0 methods such as personalized learning, blended learning and virtual/augmented reality. In addition, the benefits and obstacles of each method is documented. The results also indicate that there is a positive correlation between academic rank and familiarity with Education 4.0, suggesting that faculty members with higher academic ranks tend to have a better understanding of these modern teaching methods. The present study has also identified a number of recommendations to enhance the underlying factors that influence the adoption of Education 4.0 in the college. Future research could evaluate the extent to which educator’s familiarity with Education 4.0 contribute to better student engagement and therefore a better participatory learning environment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».