Evaluating English Teachers’ Artificial Intelligence Readiness and Training Needs with a TPACK-Based Model
Notice bibliographique
Résumé
With the rapid development and widespread adoption of artificial intelligence (AI) tools, the implementation of instructional pedagogy has transformed significantly. English teachers need to understand how AI tools can improve their teaching and must acquire the necessary technical and pedagogical knowledge to effectively utilize AI technology. Although the integration of AI into language teaching shows potential benefits, there remains a dearth of comprehensive research on English teachers’ perceptions, readiness, and professional development requirements in relation to AI.To address these knowledge research gaps, our study aims to evaluate English teachers’ current understanding of AI tools and their training needs for integrating AI into the English language classroom. Our proposed model uses the technological pedagogical content knowledge (TPACK) framework, which incorporates English language teaching and information literacy contexts. This framework allows for a holistic assessment of teachers’ readiness for integrating AI within English language teaching practices.A study was conducted with a class of preservice English teachers in Hong Kong. An online survey was designed to assess the readiness of English teachers for applying AI tools in the classroom as well as their understanding and level of information literacy. This study helped identify and address potential issues with the survey before launching it to a wider audience. Our findings confirmed the validity and reliability of the instrument and indicated that preservice English teacher participants are generally prepared to integrate AI tools into the English classroom. Corelation analysis was also conducted to assess the relationships among the constructs and showed that technological pedagogical knowledge (TPK) and instructional literacy (IL) were significant predictors of the overall TPACK construct. The study suggested professional training in the selection, implementation and progress monitoring of specific AI tools for English Language teaching; pedagogy design; and the ability to search for appropriate resources for the English classroom. The framework can be enhanced by using a mixed-method approach and incorporating a qualitative study to triangulate the findings. An explanatory sequential design will be recommended to collect quantitative data first, then qualitative data will be collected for further analysis.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».