Perceptions and Challenges of Using Artificial Intelligence (AI) Among Primary School Leaders and Teachers: A Case Study at Kinabatangan Sabah
Notice bibliographique
Résumé
The Fourth Industrial Revolution (IR 4.0) has introduced significant transformations in the education sector through the integration of artificial intelligence (AI) technologies, which have the potential to enhance the effectiveness of teaching and learning processes, streamline school administration, and accelerate student assessment procedures. However, the level of AI adoption in Malaysian education remains limited, particularly in rural areas such as Kinabatangan, Sabah. This situation is influenced by various challenges, including inadequate infrastructure, and insufficient institutional support. Therefore, this study aims to explore the perceptions of primary school teachers and school administrators in Kinabatangan regarding the use of AI, identify the key challenges encountered, and analyse the factors influencing the acceptance and utilisation of AI within a rural education context. This study adopts a qualitative research approach using semi-structured interviews involving ten teachers and school administrators from several primary schools in Kinabatangan. The data collected are analysed using thematic analysis to identify recurring patterns and key themes related to the acceptance of AI and the challenges associated with its implementation in rural educational settings. The findings indicate varying levels of AI awareness among teachers and school administrators. While some participants perceive AI as a beneficial innovation, others remain hesitant or insufficiently prepared to adopt it in their professional practices. Key challenges identified include a lack of professional training related to AI, limitations in digital infrastructure such as poor internet connectivity, and difficulties in integrating AI technologies with traditional teaching methods. - The findings also suggest that administrative support plays a crucial role in determining the effectiveness of AI implementation, either facilitating or hindering its adoption. This study contributes to policymakers, school administrators, teachers, as well as parents and students by providing empirical insights into the challenges and potential of AI integration in rural education. The findings may also serve as a foundation for future strategies and initiatives aimed at strengthening the use of technology within the Malaysian education system.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».