Enhancing Novice EFL Teachers' Competency in AI-Powered Tools Through a TPACK-Based Professional Development Program
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
As artificial intelligence (AI) continues to advance rapidly, its application in educational settings is increasingly expanding. However, a substantial gap persists in the number of novice English as a Foreign Language (EFL) teachers who are well-prepared to integrate technology in learning activities. This research created a professional development (PD) program grounded in the technological pedagogical content knowledge (TPACK) framework to tackle this issue and enhance the AI-related teaching skills of novice EFL teachers. The study employed a quasi-experimental design, with 20 participants in the experimental group and 20 in the control group, to assess the impact of the PD program on various aspects of AI teaching competence, including AI-powered tools knowledge test, teaching skills related to AI-powered tools, and AI-powered tools teaching self-efficacy. The research utilized several instruments, such as AI-powered tools self-efficacy scale, a rubric for evaluating AI-powered tools lesson plans, an AI-powered tools knowledge test, and semi-structured interviews. The findings demonstrated that the TPACK-based PD program a) enhanced the AI-powered tools knowledge of novice EFL teachers, b) improved their ability to integrate AI-powered tools into their teaching practices, and c) boosted their self-efficacy in teaching with AI-powered tools. These results underscore the impact of this program for bolstering novice EFL teachers' proficiency in using AI-powered tools and provide valuable insights for the development of effective PD programs for EFL educators.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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