Special Education Teachers' Perceptions of Using Artificial Intelligence in Educating Students with Disabilities
Notice bibliographique
Résumé
Background: Artificial intelligence technologies improve the learning environment; in the near future, they are expected to provide great benefits for students and teachers, in general, and for those with disabilities and their teachers, in particular. Objective: This research has aimed at identifying the perceptions of special education teachers about the use of artificial intelligence in teaching students with disabilities as well as identifying the impact of some variables, such as the number of years of experience, disability category, or the school stage, on these perceptions. Methods and Participants: The research was based on the descriptive approach. The research sample consists of 301 male and female teachers of students with disabilities from Riyadh, Kingdom of Saudi Arabia. It includes 138 males and 163 females, divided into a group of special education programs. The research used a questionnaire on the perceptions of special education teachers about the use of artificial intelligence in educating students with disabilities. Results: The research findings showed that these teachers' perceptions were mostly neutral, that there are differences in their perceptions due to the number of years of experience, and that there are no differences in their perceptions due to the disability category or school stage variable. Conclusions: As artificial intelligence is considered one of the modern variables in the field of education for people with disabilities in the Arab environment, it is expected to support personal education, assistive technologies, data-based decision-making when teaching people with disabilities, and promoting inclusion. The research also presented a questionnaire identifying special education teachers' perceptions of artificial intelligence.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».