The impact of attitude toward artificial intelligence on teaching satisfaction: The mediating role of teachers’ self-efficacy of teaching innovation skills among chinese faculty in Thai universities
Notice bibliographique
Résumé
With the expansion of Sino–Thai higher education cooperation, many Chinese faculty members are teaching in Thai universities. The integration of artificial intelligence (AI) into teaching offers opportunities for innovation but also presents challenges, especially in cross-cultural contexts. Understanding how Attitude toward Artificial Intelligence (AIA) influence Teaching Satisfaction (TS) through Teachers’ Self-Efficacy of Teaching Innovation Skills (TISE) is therefore essential. This study surveyed 475 Chinese faculty in Thai universities to examine the relationships among AIA, TISE, and TS. Structural equation modeling (SEM) was employed to assess the proposed mediation model, in which AIA was hypothesized to exert an indirect effect on TS via TISE. Reliability and validity analyses were conducted to ensure the robustness of the measurement instruments. Findings show that AIA has a weak but significant direct effect on TS (β = 0.084, p < .05), but a much stronger total effect (β = 0.441, p < .001). AIA significantly predicts TISE (β = 0.573, p < .001), and TISE strongly predicts TS (β = 0.658, p < .001). Mediation analysis indicates that TISE accounts for 81.6% of the total effect of AIA on TS, confirming a dominant partial mediation. The model demonstrates good fit indices (χ²/df = 3.959, RMSEA = 0.079, CFI = 0.936, SRMR = 0.042). Investigation of AI adoption among cross-cultural faculty represents the key contribution of this study to the literature, validating the TISE scale, and extending theoretical perspectives on faculty development. Practical recommendations include strengthening AI-related training, establishing institutional support mechanisms, and refining faculty evaluation to improve teaching satisfaction and facilitate the intelligent transformation of higher education in Thailand.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».