Sources d’influence de l’autoefficacité relative à un enseignement intégrant les TIC chez des enseignants du primaire
Bibliographic record
Abstract
Dans un contexte éducatif où l’intégration des technologies est prisée, on peut s’interroger sur la compétence des enseignants à intégrer les technologies de l’information et de la communication (TIC) (Muelleret al., 2008; Chaiet al., 2011). Parmi les facteurs d’ordre personnel pouvant influencer le développement de cette compétence se trouve l’autoefficacité (Klassenet al., 2011; Wheatley, 2005). Cependant, les études qui s’intéressent aux facteurs d’influence de cette autoefficacité, dont celles de Bursal et Yigit (2012), de Kreijnset al.(2013) ainsi que de Robertson et Al-Zahrani (2012), affichent des résultats différents. Cet article présente donc une étude sur l’autoefficacité relative à un enseignement intégrant les TIC chez des enseignants du primaire. Plus précisément, il traite du niveau d’autoefficacité de ces enseignants et des sources d’influence de l’autoefficacité. Les résultats relatifs au niveau d’autoefficacité indiquent que la majorité des neuf enseignantes interrogées sont plutôt en accord avec le fait qu’elles sont en mesure d’intégrer les TIC dans leur enseignement et avec l’idée qu’un enseignement qui intègre les TIC apporte des retombées positives. Pour ce qui est des sources, ce sont l’expérience active de maîtrise ainsi que les états physiques et émotionnels qui semblent avoir une incidence plus marquée sur l’autoefficacité des participantes, alors que l’expérience vicariante et la persuasion verbale semblent y contribuer dans une moindre mesure. Ces résultats sont discutés à la lumière de la théorie sociocognitive de l’autoefficacité et d’études antérieures.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".