The impact of digital technology training on developing academics’ digital competence in higher education context
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
Purpose A new normal regarding teaching and learning has been established after COVID-19. The present study aims to examine the effectiveness of digital technology training on developing academics’ digital competence in higher education context. A conceptual model was developed using stimulus–organism–response (SOR) theory. Additionally, this study investigates the mediating effect of transfer of learning and the moderating effect of innovative climate in the relation between trainer capability and academics’ digital competence. Design/methodology/approach In total, 24 digital technology training sessions were organized. Data were collected from the 24 digital technology training sessions with 384 participants and analyzed using SPSS PROCESS macro. Findings The results indicated that digital technology training content and trainer capability were positively associated with academics’ digital competence. Mediation analysis indicated that transfer of learning mediated the relation between trainer capability and digital competence. Moderated mediated analysis revealed that the relationship between trainer capability and transfer of learning is stronger under a higher innovative climate. Originality/value This study contributes to the literature by applying the SOR theory in the context of digital technology training, providing a novel theoretical perspective on how digital training influences academics’ digital competencies. The study offers empirical evidence on the underlying process regarding the effect of digital technology training on academics’ digital competence. The findings revealed that transfer of learning as well as innovative climate play important intervening roles in enhancing academics’ digital competence. Higher education institutions can implement policies to promote the transfer of learning and innovative climate, allowing academics to learn innovative digital technology.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle