The impact of digital technology training on developing academics’ digital competence in higher education context
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.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».