پیوندهای مفید
آمار
| تعداد نشریات | 15 |
| تعداد شماره‌ها | 246 |
| تعداد مقالات | 2,509 |
| تعداد مشاهده مقاله | 4,499,512 |
| تعداد دریافت فایل اصل مقاله | 3,316,522 |
نقش میانجی مهارت تلفیق فناوری در ارتباط بین میزان سواد هوش مصنوعی و عملکرد حرفه‌ای معلمان دوره ابتدایی | ||
| فناوری آموزش | ||
| مقاله 2، دوره 20، شماره 3 - شماره پیاپی 80، تیر 1405، صفحه 367-380 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/tej.2026.12833.3344 | ||
| نویسندگان | ||
| مریم پورجمشیدی* ؛ محمدرضا وافی نیر | ||
| گروه علوم تربیتی، دانشکده علوم‌انسانی، دانشگاه بوعلی سینا، همدان، ایران | ||
| تاریخ دریافت: 29 آذر 1404، تاریخ بازنگری: 25 اسفند 1404، تاریخ پذیرش: 20 اردیبهشت 1405 | ||
| چکیده | ||
| پیشینه و اهداف: در عصر دیجیتال، معلمان به‌عنوان ارکان اصلی نظام آموزشی، با چالش‌های نوظهوری در زمینه تلفیق فناوری‌های نوین با شیوه‌های تدریس روبه‌رو هستند. باوجود تأکید اسناد بالادستی و استانداردهای جهانی بر ضرورت ارتقای عملکرد حرفه‌ای معلمان، شواهد نشان می‌دهد که بسیاری از آنان هنوز در بهره‌گیری مؤثر از ابزارهای هوشمند ناتوان‌اند. ظهور هوش مصنوعی به‌عنوان یک فناوری تحول‌آفرین، نیازمند شکل‌گیری نوع جدیدی از سواد در میان معلمان است؛ سوادی که فراتر از مهارت‌های فنی ساده بوده و شامل توانایی درک، ارزیابی و استفاده خلاقانه از هوش مصنوعی در فرایند یاددهی - یادگیری باشد. بااین‌حال، مسئله اصلی این است که آیا صرف برخورداری از دانش نظری درباره هوش مصنوعی می‌تواند مستقیماً به بهبود عملکرد حرفه‌ای معلمان منجر شود یا این تأثیر نیازمند متغیرهای میانجی است؟ پژوهش‌های پیشین نشان داده‌اند که شکافی میان دانش نظری و عمل آموزشی وجود دارد که ممکن است با متغیر «تلفیق فناوری» پر شود. براین‌اساس، هدف اصلی پژوهش حاضر بررسی رابطه میان سواد هوش مصنوعی و عملکرد حرفه‌ای معلمان دوره ابتدایی با تأکید بر نقش میانجی مهارت تلفیق فناوری به‌منظور ارتقای کیفیت آموزش در مدارس است. روش‌ها: پژوهش حاضر از نظر هدف، کاربردی و از نظر ماهیت، کمی و از نوع توصیفی - همبستگی مبتنی بر مدل‌سازی معادلات ساختاری است. جامعه آماری پژوهش شامل کلیه معلمان شاغل در مدارس دوره ابتدایی شهرستان کبودرآهنگ در سال تحصیلی ۱۴۰۵-۱۴۰۴ بود که تعداد آن‌ها ۶۰۰ نفر گزارش شد. حجم نمونه با استفاده از جدول کرجسی و مورگان، ۲۳۴ نفر برآورد شد و نمونه‌گیری به روش در دسترس انجام شد که در نهایت ۲۳۵ پرسش‌نامه کامل جمع‌آوری و تحلیل شد. داده‌ها با استفاده از سه ابزار شامل پرسش‌نامه استاندارد سواد هوش مصنوعی؛ پرسش‌نامه استاندارد عملکرد حرفه‌ای معلمان و پرسش‌نامه تلفیق فناوری محقق ساخته بر اساس مدل SAMR جمع‌آوری شد. روایی محتوایی ابزارها از منظر متخصصان موضوعی و از طریق تحلیل عاملی تأییدی، و پایایی آن‌ها با استفاده از آلفای کرونباخ به ترتیب ۹۳/۰، ۹۳/۰ و ۹۵/۰ (سواد هوش مصنوعی، عملکرد حرفه‌ای و تلفیق فناوری) تأیید شد. تجزیه‌وتحلیل داده‌ها با استفاده از نرم‌افزارهای آماری SPSS و SmartPLS و با بهره‌گیری از آزمون‌های تی تک نمونه‌ای، ضریب همبستگی پیرسون و مدل‌سازی معادلات ساختاری انجام شد. یافته‌ها: نتایج توصیفی نشان داد که میانگین نمرات سواد هوش مصنوعی (65/2) و تلفیق فناوری (83/2) پایین‌تر از حد متوسط و میانگین عملکرد حرفه‌ای (76/3) بالاتر از حد متوسط است. در بخش یافته‌های استنباطی، نتایج مدل‌سازی معادلات ساختاری حاکی از آن بود که رابطه مستقیم بین سواد هوش مصنوعی و عملکرد حرفه‌ای معلمان معنادار نیست (ضریب مسیر 102/0، آماره تی 381/1). اما سواد هوش مصنوعی اثر مستقیم و مثبت قوی بر میزان تلفیق فناوری دارد (ضریب مسیر 489/0، آماره تی 778/9). همچنین، تلفیق فناوری اثر مستقیم و معناداری بر عملکرد حرفه‌ای معلمان نشان داد (ضریب مسیر 402/0، آماره تی 014/7). مهم‌ترین یافته پژوهش، تأیید نقش میانجی‌گری کامل متغیر «سطح تلفیق فناوری» در رابطه بین سواد هوش مصنوعی و عملکرد حرفه‌ای بود (ضریب مسیر غیرمستقیم 197/0، آماره تی 658/5). ضریب تعیین مدل نیز نشان داد که حدود ۲۱ درصد از تغییرات عملکرد حرفه‌ای توسط متغیرهای مدل تبیین می‌شود. نتیجه‌گیری: یافته‌های پژوهش نشان می‌دهد که سواد هوش مصنوعی به‌تنهایی و بدون واسطه، قادر به ارتقای عملکرد حرفه‌ای معلمان نیست. این نتیجه بیانگر آن است که دانش نظری درباره هوش مصنوعی تنها زمانی به بهبود کیفیت تدریس، ارزشیابی و مدیریت کلاس منجر می‌شود که از مجرای «تلفیق عملی فناوری» عبور کند. به‌عبارت‌دیگر، تلفیق فناوری نقش موتور محرکی را دارد که پتانسیل شناختی (سواد) را به عملکرد بالفعل تبدیل می‌کند. باتوجه‌به پایین‌بودن سطح سواد و تلفیق فناوری در جامعه موردمطالعه، پیشنهاد می‌شود برنامه‌های توسعه حرفه‌ای معلمان از تمرکز صرف بر دانش‌افزایی عبور کرده و بر کارگاه‌های عملی «نحوه تلفیق ابزارهای هوشمند در تدریس» متمرکز شوند. محدودیت اصلی این پژوهش، انجام آن در یک منطقه جغرافیایی خاص و استفاده از ابزارهای خود گزارش‌دهی بود که تعمیم‌پذیری نتایج را بااحتیاط روبه‌رو می‌کند. | ||
| کلیدواژه‌ها | ||
| سواد هوش مصنوعی؛ عملکرد حرفه‌ای؛ تلفیق فناوری؛ مدل SAMR؛ آموزش ابتدایی | ||
| موضوعات | ||
| فناوری آموزش- دوره ابتدایی | ||
| عنوان مقاله [English] | ||
| The mediating role of technology integration skills in the relationship between Artificial Intelligence literacy and professional performance of primary school teachers | ||
| نویسندگان [English] | ||
| M. Pourjamshidi؛ M.R. Vafi Nair | ||
| Department of Educational Sciences, Faculty of Humanities, Bu-Ali Sina University, Hamadan, Iran | ||
| چکیده [English] | ||
| Background and Objectives: In the digital age, teachers, as the pillars of the educational system, face emerging challenges in integrating modern technologies into teaching practices. Despite the emphasis of upstream documents and global standards on the necessity of improving teachers’ professional performance, evidence suggests that many are still unable to effectively utilize smart tools. The emergence of Artificial Intelligence (AI) as a transformative technology necessitates the formation of a new type of literacy among teachers; a literacy that goes beyond simple technical skills and includes the ability to understand, evaluate, and creatively use AI in the teaching-learning process. However, the main issue is whether possessing theoretical knowledge about AI alone can directly lead to improved professional performance, or if this effect requires executive mediators. Previous studies have indicated a gap between theoretical knowledge and educational practice, which might be bridged by the variable of 'technology integration.' Accordingly, the main objective of this study is to investigate the relationship between AI literacy and the professional performance of primary school teachers, emphasizing the mediating role of technology integration skills (based on the SAMR model), to provide a model for enhancing the quality of education in schools. Methods: The present study is applied in terms of purpose and quantitative, descriptive-correlational, based on structural equation modeling in terms of nature. The statistical population included all teachers working in primary schools of Kabudarahang County in the academic year 2025-2026, totaling 600 individuals. The sample size was estimated at 234 using the Krejcie and Morgan table, and sampling was conducted using the convenience method; 280 questionnaires were distributed and, after preliminary screening, 235 complete questionnaires were collected and analyzed. Data were collected using three instruments: the AI Literacy Questionnaire, the Teachers’ Professional Performance Questionnaire, and a researcher-made Technology Integration Skills Questionnaire based on the SAMR model. Content validity was confirmed by subject-matter experts and further supported by confirmatory factor analysis, while reliability was established using Cronbach’s alpha (0.93, 0.93, and 0.95 for AI literacy, professional performance, and technology integration, respectively). Data analysis was performed using SPSS and SmartPLS statistical software through one-sample t-tests, Pearson correlation coefficient, and structural equation modeling. Findings: Descriptive results showed that the mean scores of AI literacy (2.65) and technology integration skills (2.83) were lower than the average, while the mean of professional performance (3.76) was higher than the average. In the inferential findings section, the results of structural equation modeling indicated that the direct relationship between AI literacy and teachers’ professional performance was not significant (path coefficient 0.102, t-statistic 1.381). However, AI literacy had a strong positive direct effect on technology integration skills (path coefficient 0.489, t-statistic 9.778). Also, technology integration skills showed a significant direct effect on teachers’ professional performance (path coefficient 0.402, t-statistic 7.014). The most important finding of the research was the confirmation of the full mediating role of the 'technology integration skills' variable in the relationship between AI literacy and professional performance (indirect path coefficient 0.197, t-statistic 5.658). The coefficient of determination of the model also showed that approximately 21% of the changes in professional performance are explained by the model variables. Background and Objectives: In the digital age, teachers, as the pillars of the educational system, face emerging challenges in integrating modern technologies into teaching practices. Despite the emphasis of upstream documents and global standards on the necessity of improving teachers’ professional performance, evidence suggests that many are still unable to effectively utilize smart tools. The emergence of Artificial Intelligence (AI) as a transformative technology necessitates the formation of a new type of literacy among teachers; a literacy that goes beyond simple technical skills and includes the ability to understand, evaluate, and creatively use AI in the teaching-learning process. However, the main issue is whether possessing theoretical knowledge about AI alone can directly lead to improved professional performance, or if this effect requires executive mediators. Previous studies have indicated a gap between theoretical knowledge and educational practice, which might be bridged by the variable of 'technology integration.' Accordingly, the main objective of this study is to investigate the relationship between AI literacy and the professional performance of primary school teachers, emphasizing the mediating role of technology integration skills (based on the SAMR model), to provide a model for enhancing the quality of education in schools. Methods: The present study is applied in terms of purpose and quantitative, descriptive-correlational, based on structural equation modeling in terms of nature. The statistical population included all teachers working in primary schools of Kabudarahang County in the academic year 2025-2026, totaling 600 individuals. The sample size was estimated at 234 using the Krejcie and Morgan table, and sampling was conducted using the convenience method; 280 questionnaires were distributed and, after preliminary screening, 235 complete questionnaires were collected and analyzed. Data were collected using three instruments: the AI Literacy Questionnaire, the Teachers’ Professional Performance Questionnaire, and a researcher-made Technology Integration Skills Questionnaire based on the SAMR model. Content validity was confirmed by subject-matter experts and further supported by confirmatory factor analysis, while reliability was established using Cronbach’s alpha (0.93, 0.93, and 0.95 for AI literacy, professional performance, and technology integration, respectively). Data analysis was performed using SPSS and SmartPLS statistical software through one-sample t-tests, Pearson correlation coefficient, and structural equation modeling. Findings: Descriptive results showed that the mean scores of AI literacy (2.65) and technology integration skills (2.83) were lower than the average, while the mean of professional performance (3.76) was higher than the average. In the inferential findings section, the results of structural equation modeling indicated that the direct relationship between AI literacy and teachers’ professional performance was not significant (path coefficient 0.102, t-statistic 1.381). However, AI literacy had a strong positive direct effect on technology integration skills (path coefficient 0.489, t-statistic 9.778). Also, technology integration skills showed a significant direct effect on teachers’ professional performance (path coefficient 0.402, t-statistic 7.014). The most important finding of the research was the confirmation of the full mediating role of the 'technology integration skills' variable in the relationship between AI literacy and professional performance (indirect path coefficient 0.197, t-statistic 5.658). The coefficient of determination of the model also showed that approximately 21% of the changes in professional performance are explained by the model variables. | ||
| کلیدواژه‌ها [English] | ||
| AI Literacy, Professional Performance, Technology Integration, SAMR Model, Primary Education | ||
| مراجع | ||
|
https://doi.org/10.21922/srjhsel.v10i49.9753
[3] Kotherja O, Kotherja M. Teacher motivation: a factor for classroom effectiveness and school improvement. Eur J Educ Stud. 2020;7(1).
[4] Andriani DE. [Mutu guru dan implikasinya terhadap mutu pendidikan]. J Manaj Pendidik. 2009;5(1).
[6] Garcia RV, Espacio NB. Teaching practices in social sciences and acquisition of 21st century skills of senior high school students. Int J Sci Archit Technol Environ. 2025;2(5). https://doi.org/10.63680/pluhij656jhg6hthh
[7] Canales A, Maldonado L. Teacher quality and student achievement in Chile: linking teachers’ contribution and observable characteristics. Int J Educ Dev. 2018;60:33–50. https://doi.org/10.1016/j.ijedudev.2017.09.009
https://doi.org/10.51380/gujr-40-01-10
https://doi.org/10.1177/2059436416667129
[12] Birla R, Sunaina. The challenges of media education in the digital era. J Commun Manag. 2023;2(4):281–8. https://doi.org/10.58966/JCM20232411
https://doi.org/10.23860/JMLE-2024-16-1-3
https://doi.org/10.4018/979-8-3373-2262-9.ch006
https://doi.org/10.1109/TLT.2024.3392830
https://doi.org/10.1177/00224871251325083
https://doi.org/10.47606/ACVEN/PH0347
https://doi.org/10.1007/978-3-031-36895-0_60
[20] Muhamad N, Huda M, Hashim A, Tabrani ZA, Ma’arif MA. Managing technology integration for teaching strategy: public school educators’ beliefs and practices. In: Joshi A, Mahmud M, Ragel RG, Kartik S, editors. ICT: applications and social interfaces. Singapore: Springer; 2024. (Lecture Notes in Networks and Systems; vol. 908). https://doi.org/10.1007/978-981-97-0210-7_31
[27] Kalinga T, Ndibalema P. Teachers’ technological competencies in enhancing teaching and learning in secondary schools in Tanzania. Educ Technol Q. 2023;(2):121–40. https://doi.org/10.55056/etq.434
https://doi.org/10.52155/ijpsat.v50.1.7178
https://doi.org/10.1007/s10639-025-13347-5
[31] Darandeh A. [Investigation of the relationship between executive emotional intelligence of managers and teachers’ performance in Damghan schools, 2009–2010] [master’s thesis]. Damghan: Islamic Azad University; 2010. [In Persian]
[33] Ahmadi N, Hosseini M, Rezaei K. [Analysis of technology application in education by primary school teachers based on the SAMR model]. J Educ Inf Technol. 2022;8(2):65–80. [In Persian]
| ||
|
آمار تعداد مشاهده مقاله: 968 |
||