Faculty Adoption of Generative Artificial Intelligence in a Canadian Higher Education Institution
Notice bibliographique
Résumé
The landscape of higher education (HE) continues to change rapidly with the incorporation of new artificial intelligence (AI) applications like generative artificial intelligence (genAI). These transformations can be attributed to the ubiquity, efficacy, and quality of genAI applications. GenAI will necessitate the need for HE instructors to adapt and use these technologies to sustain and enhance student learning. This paper reports quantitative findings influencing instructors’ intentions to adopt genAI into their pedagogies. The Artificial Intelligence Acceptance Measurement Survey (AIAMS) was developed and adapted from the revised Technology Acceptance Model Survey-2 (TAMS-2) that incorporates the main constructs from the Theory of Planned Behavior (TPB). The survey was administered to a sample of instructors from different programs working in a large Canadian urban polytechnic institution (n=87). Multiple regression analysis was conducted to identify the main determinants influencing instructors’ intention to adopt genAI in their teaching. Statistical findings reveal that instructors’ attitudes toward genAI were the only significant factor influencing their intent to adopt it in their teaching practices. It is crucial for those in HE to understand the factors that influence instructors’ intentions to integrate genAI into their teaching practices to support and realize its successful adoption. This understanding is also key for leveraging the full potential and capabilities of genAI to enhance educational outcomes.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».