Understanding the Drivers of Project-Based Learning Effectiveness and Implementation in Academic English: Self-Efficacy and Technology as Key Factors
Notice bibliographique
Résumé
This study aims to examine the factors influencing teachers' willingness to implement Project-Based Learning (PBL) in academic English courses. Specifically, it explores the impact of teachers' familiarity with PBL, their perceived benefits, and institutional support on their perceptions of PBL's effectiveness and their willingness to adopt it. The study also investigates the role of teachers' self-efficacy as a mediator and access to technology as a moderator in these relationships. A quantitative research design was employed, utilizing a survey questionnaire to collect data from academic English course teachers at T University in China. The sample consisted of 250 teachers, selected through purposive sampling. Structural Equation Modeling (SEM) with SmartPLS was used to analyze the data and test the proposed relationships between the variables. The findings revealed that teachers' familiarity with PBL, perceived benefits, and institutional support significantly influenced their perceptions of PBL's effectiveness and their willingness to implement it. Teachers' self-efficacy was found to mediate these relationships, while access to technology moderated the effect of self-efficacy on both perceived effectiveness and willingness to implement PBL. These results highlight the importance of teacher perceptions and institutional support in the successful adoption of PBL. This study contributes to the understanding of the factors that shape teachers' willingness to implement PBL, particularly in the context of academic English courses. By addressing the mediating and moderating roles of self-efficacy and technology, it provides valuable insights for educational institutions aiming to foster innovation in 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».