Linguistic Competence and Technophobia: Digital Anxiety in the Construction of Teaching Performance
Notice bibliographique
Résumé
The technophobia experienced by pre-service teachers in terms of digital malaise has increasingly emerged as a serious hindrance to their learning technology-facilitated instruction. This paper investigates the correlations among language proficiency, technophobia and teaching performance in a teacher training environment. Questionnaire responses from undergraduates in education programmed with both STAI-based data and open-ended questionnaire responses were the source of the data analyzed. The results showed that the cause of pre-service teachers’ technophobia is primarily based on situational constraints (i.e., poor access to digital infrastructure and insufficient institutional support) (50% of the responses), followed by personal factors in terms of fear of failure, low self-confidence, and unwillingness to use technology (45%). A further minority (5%) indicated that both influences played a role in shaping their opinions. The repercussions of cyberstress are obvious, such as reduced creativity, avoiding the use of technology in teaching practice, and an inclination to stick to traditional ways, leading to stagnation of interactive and innovative pedagogy. On the contrary, the research points to mitigating discourses that rely on accessible digital tools (Canva, Google Classroom, Quizizz), which provide situational affordances for larger participation, a positive self-bias empowering effect and a gradual reduction in anxiety. Through a discourse-based approach, language use is an important resource for pre-service teachers use to frame their digital anxiety experiences and reshape their teaching abilities. The study finds that addressing technophobia depends on institutional support and approaches to empowerment of student agency in the construction of digital pedagogical proficiency.
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 | 0,001 | 0,007 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».