Modeling the relationships between secondary school students’ AI learning attitude, AI literacy and AI career interest
Notice bibliographique
Résumé
The importance of artificial intelligence (AI) literacy has grown significantly, and there is a rapidly increasing demand for AI professionals. However, AI faces a talent shortage, and the widening gender gap exacerbates this issue. Given the crucial role of secondary schools in nurturing students’ interest in AI and shaping their career paths, this study sought to investigate the link between secondary school students’ attitude toward AI learning, their AI literacy, and their interest in AI careers while examining possible gender differences. We used the AI Learning Attitude Survey, AI Literacy Survey, and AI Career Interest Survey to collect data from 622 secondary school students who were selected with a stratified sampling method. The survey data were then analyzed using structural equation modeling. The findings revealed that: (1) female students demonstrate lower levels of AI learning attitude, AI literacy, and AI career interest compared to their male counterparts, whereas no gender differences were found in the model of learning attitude-AI literacy-career interest; (2) positive AI learning attitude and AI literacy predict higher AI career interest, with learning attitude positively influencing AI literacy; (3) AI literacy significantly mediates the relationship between AI learning attitude and AI career interest. The findings highlight the necessity for K-12 schools to introduce both formal and informal AI education initiatives at an early stage. By fostering inclusive and supportive environments, schools can inspire all students, especially girls, to boost their AI literacy and consider career opportunities in this field. Such efforts will play a vital role in advancing diversity, equity, and inclusion within the AI sector.
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 | 0,001 |
| 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 | 0,001 | 0,004 |
| 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 ».