Components and Indicators of Learning Management Competency for Promoting Creative Thinking Among Art Department Teachers in Schools Under the Provincial Administrative Organization
Notice bibliographique
Résumé
This research aimed to: 1) study the components and indicators of learning management competency for promoting creative thinking skills among art department teachers, and 2) examine the model fit of these components and indicators with empirical data. The sample consisted of 130 art department teachers from schools under the Provincial Administrative Organization, determined using a 10:1 parameter ratio and selected through multi-stage random sampling. The research instrument was a questionnaire for developing components and indicators of learning management competency, with an index of item-objective congruence (IOC) ranging from 0.80 to 1.00, discrimination values using Pearson Product Moment Correlation between 0.37 and 0.82, and a reliability coefficient (Cronbach’s alpha) of 0.97. Data were analyzed using confirmatory factor analysis (CFA). The findings revealed that: 1) Through document synthesis and related research, three components of learning management competency were identified: curriculum, learning management, and assessment and evaluation, comprising 13 indicators. 2) The model fit indices showed strong alignment with empirical data: χ² = 43.485, df = 46, χ²/df = 0.945, p = 0.578, GFI = 0.951, CFI = 1.000, NFI = 0.957, RMR = 0.028, and RMSEA = 0.000. These results validate the instrument’s effectiveness for assessing learning management competency in promoting creative thinking skills among art department teachers.
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 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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».