Teacher Readiness for Deep Learning in Islamic Education: A Rasch Model Analysis of Challenges and Opportunities
Notice bibliographique
Résumé
The integration of deep learning in education has the potential to enhance pedagogical practices, personalized learning, and adaptive instruction. However, Islamic schools face unique challenges in adopting AI-driven educational models due to technological limitations, digital literacy disparities, and regulatory constraints. This study assesses the readiness of Islamic school teachers in Indonesia to implement deep learning-based curricula, analyzing knowledge, attitudes, barriers, and demographic influences on AI adoption. A structured questionnaire was administered to 1,120 teachers across madrasahs, pesantrens, and Islamic private schools, with data analyzed using the Rasch measurement model to ensure psychometric validity. Differential Item Functioning (DIF) analysis was conducted to examine variations in readiness across gender, age, education level, teaching experience, and ICT knowledge. The results reveal moderate teacher readiness, with significant gaps in deep learning comprehension and practical implementation. Female teachers, mid-career educators (36–45 years), and secondary school teachers exhibit higher AI readiness, while novice and older teachers face greater barriers. ICT literacy emerges as the strongest predictor of readiness, underscoring the need for targeted digital training programs. Findings highlight infrastructure deficits, professional development gaps, and policy misalignment as primary obstacles to deep learning adoption. While urban teachers demonstrate higher AI engagement, rural educators require greater institutional support. The study emphasizes the necessity of differentiated professional development programs that cater to teachers at different career stages and digital literacy levels. These insights provide critical implications for policymakers, educational leaders, and curriculum developers in designing AI-driven pedagogical strategies for Islamic schools. Future research should explore mentorship initiatives and hybrid training models to foster sustainable AI adoption in religious education settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».