The Effects of Educational Artificial Intelligence-Powered Applications on Teachers’ Perceived Autonomy, Professional Development for Online Teaching, and Digital Burnout
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The transformative impact of advancements in educational technology, particularly those powered by artificial intelligence (AI), on the landscape of education and the teaching profession has been substantial. This study explores the repercussions of AI-powered technologies on teachers’ autonomous behavior, digital burnout, and professional development. The study involved a cohort of 320 high school teachers in China segregated into control and experimental groups. The experimental group received instructions on AI-integrated applications and how they might be used in education. However, the teachers assigned to the control group did not receive information on the use of AI educational applications. Three distinct questionnaires probing autonomous behaviors, digital burnout, and online professional development were administered, and the ensuing data were analyzed using independent sample t-tests. The findings elucidate a discernible positive impact of AI-integrated technology intervention on teachers’ professional development and autonomous behaviors. The incorporation of AI-enhanced tools facilitated an augmentation in teachers’ professional growth and bolstered their independent and self-directed instructional practices. Notably, using AI-integrated technology significantly reduced teachers’ susceptibility to digital burnout, signifying a potential alleviation of stressors associated with technology-mediated teaching. This research provides valuable insights into the multifaceted effects of AI-powered technologies on educators, shedding light on enhancing professional competencies and mitigating digital burnout. The implications extend beyond the confines of this study, resonating with the broader discourse on leveraging technology to augment the teaching profession and optimize the 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.
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 | 0,003 | 0,003 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle