Faculty Adoption of Generative Artificial Intelligence in a Canadian Higher Education Institution
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
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.
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 | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 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 découle