Technology Acceptance Model of Immersive Microlearning in STEAM Education: Insights from a PLS-SEM Analysis
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
This study examines learners' acceptance of an immersive STEAM-based microlearning environment from the perspective of the Technology Acceptance Model (TAM), utilizing Partial Least Squares Structural Equation Modeling (PLS-SEM) as the primary analytical approach. While immersive technologies such as virtual reality (VR) and augmented reality (AR) have become increasingly integrated into educational contexts, limited research has explored their adoption within STEAM-focused microlearning settings designed to foster creativity. Drawing on a sample of 40 undergraduate students in Thailand, the study examined the interrelationships among five core TAM constructs: perceived ease of use (PEOU), perceived usefulness (PU), attitude toward using (ATT), behavioral intention to use (BI), and actual system use (USE). The findings reveal that PU significantly influences ATT (β = 0.799) and BI (β = 0.492), while PEOU has a strong effect on PU (β = 0.825) but a negligible direct impact on ATT (β = -0.029). The strongest predictor of actual system use was ATT (β = 0.652), suggesting that positive attitudes toward the learning environment are crucial for sustained engagement. Moreover, indirect effects underscore the mediating role of PU between PEOU and other TAM constructs. The model explained 51.5% to 68.1% of the variance in the endogenous variables, confirming its robustness in this educational context. These findings highlight the importance of emphasizing perceived usefulness and intuitive design in the development of immersive microlearning systems for STEAM education. Implications for instructional design and future research directions are also discussed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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