Teachers Perceptions & Attitudes towards Artificial Intelligence (AI) Integration in Suburban School
Notice bibliographique
Résumé
In the digital transformation era, educators are exploring the potential of artificial intelligence (AI) to enhance learning. This study investigates teachers' perceptions and attitudes regarding artificial intelligence (AI) integration in suburban schools. A quantitative survey methodology was employed, using a structured questionnaire distributed via Google Forms to suburban school teachers. The questionnaire consisted of four sections: demographic information, perceived usefulness, perceived ease of use, and attitudes toward AI. Responses were measured using a five-point Likert scale to assess teachers' agreement levels with various AI-related statements. A total of 250 questionnaires were distributed between February 1 and May 30, 2024, yielding 205 valid responses (82% response rate). The study found that in terms of perception, suburban teachers generally view artificial intelligence (AI) as a valuable tool in their work. They believe artificial intelligence (AI) can help them personalize learning for students, address individual needs, improve their teaching skills, and reduce the time spent on administrative tasks. In the context of attitudes, teachers are particularly excited about how artificial intelligence (AI) can enhance creativity and problem-solving in the classroom and improve their overall teaching effectiveness. Their attitudes suggest enthusiasm for AI's potential to foster creativity and problem-solving in classrooms. These positive perceptions and attitudes highlight a readiness among teachers to integrate AI into their teaching practices.
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 | 0,000 | 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 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 ».