Teacher's Perspective on Generative Artificial Intelligence-Driven Innovation of Vocational Undergraduate Teaching Models in Road and Bridge Engineering—An Empirical Study Based on Structural Equation Modeling
Notice bibliographique
Résumé
This study examines the role mechanism of generative artificial intelligence (GAI) in empowering the innovation of vocational undergraduate teaching modes in road and bridge engineering from the teachers' perspective. Integrating the Technology Acceptance Model (TAM), Constructivist Learning Theory (CLT), and Engineering Education Theory (EET), a multidimensional Structural Equation Model (SEM) is constructed, covering Teaching AI Literacy (TAL), Generative AI Use Behavior (GAU), Teaching Perception of Adaptation (TPA), Learning Engagement (LE), Learning Outcomes (LO), Engineering Problem Solving Skills (EPS), Teaching Satisfaction (TS), Ethical Risk Perception (ERP), and College-Company Collaboration Intensity (CCI) as a contextual moderating variable. Taking all 54 teachers of the road and bridge engineering program at Qinghai Vocational and Technical University as the empirical sample, the study showed that teachers' AI literacy significantly contributed to AI usage behavior and students' learning engagement; AI usage behavior further positively affected learning engagement by enhancing teachers' teaching perception of adaptation; and learning engagement significantly and positively impacted the students' learning outcomes, which in turn improved their engineering problem-solving ability and teaching satisfaction. The increase in learning engagement also considerably enhanced students' ability to perceive the ethical risks of AI. The intensity of school-enterprise collaboration (CCI) as a contextual variable was significantly and positively correlated with both teacher AI literacy TAL and generative AI usage behavior (GAU). This study has significant practical implications for the generative AI-driven reform of vocational undergraduate teaching modes and school-enterprise synergy in road and bridge engineering.
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 | 0,007 |
| 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 | 0,001 |
| 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) | 0,002 | 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 ».