Developing the Smart Classroom Environment Model to Enhance Innovative Thinking and Digital Literacy
Notice bibliographique
Résumé
This research aims to 1) study the current state of learning environments that promote innovative thinking and digital literacy, 2) develop the SCID Model for smart classrooms, 3) examine the model’s effectiveness, and 4) evaluate and validate the model through expert review. The study is conducted in four phases: Phase 1 involves surveying the existing learning environment; Phase 2 focuses on developing the SCID Model and research tools; Phase 3 implements the model with students; and Phase 4 evaluates and validates the model. The research sample comprises 245 faculty members from Northeast Rajabhat Universities, seven educational technology experts, seven research instrument specialists, six expert panel members, and 23 undergraduate students enrolled in the Technology and Innovation for Learning course. Research tools include a learning environment questionnaire, in-depth interviews, the SCID Model, implementation tests, assessments of innovative thinking and digital literacy, and a satisfaction survey. Data analysis employs frequency, percentage, mean, standard deviation, dependent t-tests, and content analysis for qualitative data. Results reveal that the current smart classroom environments face significant challenges in physical, psychological, social, and technological aspects, with the highest demand for improvement. The developed SCID Model comprises input factors (physical environment), a learning process (psychological, social, technological environments), outputs (digital literacy skills), and outcomes (innovative thinking skills). Implementation showed significant improvements in students’ skills at the 0.05 level, with high satisfaction. Expert validation found 33.33% confirmed model completeness, while 66.66% suggested refinements.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».