XiaoMi-AI文件搜索系统
World File Search Systemteacher
引用本文：Pavlo Antonenko & Brian Abramowitz (2023) 在职教师对 K-12 科学教育中人工智能的（误）概念，教育技术研究杂志，55:1, 64-78，DOI：10.1080/15391523.2022.2119450
摘要 社会的未来取决于对人工智能 (AI) 和 AI 相关技能的明智看法，这一预测对 K-12 教育影响巨大。为了让学生更好地掌握 AI，需要将 AI 工具、技能和课程整合到 K-12 课程中。为了让教师发展知识和技能，并具有在教学中使用 AI 的自我效能，他们必须做好充分的准备，了解 AI 是什么（以及它不是什么）及其在 K-12 教育中的潜在作用。本研究探讨了教师对有意和非正式学习的（错误）概念。我们的研究为我们社会中 AI 的教师准备和在职专业发展以及在 K-12 教育中实施 AI 工具和流程提供了重要启示。
影响土耳其EFL教师倦怠程度的因素
一再报道了教师经历的倦怠的严重后果。因此，重要的是要确定教师的倦怠和潜在因素的水平。因此，当前的研究旨在调查Türkiye的外语（EFL）教师的倦怠水平，如果有四个因素（年龄，性别，教学经验的长度和学校类型）可以预测他们的倦怠程度。为此，采用了定量取向。通过便利抽样，在Türkiye不同地区工作的132位EFL教师自愿参加了这项研究。他们被要求填写Maslach的倦怠库存教育者调查，并提供一些人口统计信息。通过22个项目李克特型库存中的三个子量表获得了每个参与者的三个单独分数；情绪疲惫，人格化和个人成就。进行了多重回归分析和全因素方差分析，以揭示这四个因素对参与者感知倦怠的任何可能影响。结果表明，大多数EFL教师经历了高水平的个人成就。在四个变量中，年龄是倦怠的最可靠的先驱。但是，唯一具有统计学意义的相互作用是与人格化的互动。结果表明，EFL教师需要看到更多的专业努力结果，以改善他们的个人成就感。此外，随着老师的年龄增长，他们可能会从事活动，以帮助他们刷新专业的热情以防止人格化。
小学教师对
文化响应式教育（CRE）被发现是一种有效的教学方法，因为它重点介绍了所有学生，文化能力，社会政治方面的学术成就，并且已被证明在人口统计学多样的学校文化中被证明有效。这项研究的目的是揭示小学教师对生活研究课程中使用的文化响应式教育实践的看法。在此目标的范围内，在土耳其的教室中实施了在美国使用的文化响应式实践，在这些实践结束时，对教师对这些应用的看法进行了检查。在这项研究中，使用了现象学，一种定性研究方法之一。这项定性研究设计试图解释许多人在某个概念或事件的含义上的经验。这项研究的工作组由14位小学教师组成。为了收集研究的主要数据，使用半结构化访谈表对教师进行了访谈。这些收集的数据被传输到计算机，并在MaxQDA 2020软件的帮助下进行了分析。除了研究的主要数据外，还使用了社会计量学和社会图技术来收集其他数据。根据获得的数据，确定这些实践具有两个主要影响。这些主要影响之一是对学生的影响，另一个是对教师的影响。
硕士论文概要：利用人工智能作为工具来支持教师和学生
人工智能 (AI) 在我们日常生活中的应用日益广泛。现在，我们的智能手机、网站、个人设备等都使用了人工智能。从过去执行复杂任务到现在执行最简单的练习，我们可以看到人工智能将继续存在。人工智能在教育领域的应用是前景光明的领域之一，它有可能成为解决当前教育中一些主要问题的解决方案 (Pedro 等人，2019)。人工智能在教育领域的应用前景广阔，但值得注意的是，它的使用也带来了挑战，例如人工智能对教师和学生角色的影响。几乎没有证据表明如何将为教育开发的人工智能工具与教育理论结合使用，以加强和深化两者之间的协同作用 (Chen 等人，2020)。这项研究将与奥尔堡大学 (哥本哈根)、古卢大学 (乌干达) 和 CanopyLAB 公司 (丹麦) 合作进行。本论文的范围侧重于评估古卢大学教师和学生在 CanopyLAB 平台上通过该平台提供的 AI 功能创建和使用教育内容时在高等教育中对人工智能的实际应用。本论文报告旨在调查在全球北部（CanopyLAB - 丹麦）开发但在全球南部（古卢大学 - 乌干达）环境中使用的 AIED 工具的使用情况。本研究的局限性在于它没有涵盖 CanopyLAB 人工智能的开发或部署方式，并且不会根据用户反馈重新设计 CanopyLAB 平台。此外，不会与 CanopyLAB 公司直接合作，而是作为 CanopyLAB 平台的案例研究。人工智能不再是一个似乎只能在遥远的未来实现的领域。我相信这个项目具有重要意义，因为最近越来越多地使用人工智能来解决复杂和简单的问题和任务。本研究中使用的方法是案例研究。实施的方法是使用在线研讨会作为从参与者收集数据的方法。从文献综述和从古卢大学参与者收集的数据的分析来看，人工智能教学工具是一种教育软件或数字工具，教师可以使用它来教学、识别知识差距、开发和发布课程等。教学工具也可以有一个学生或学习者部分，学生可以使用。根据这篇论文的研究，性别和弱势群体的边缘化是导致不平等和偏袒的主要问题，因为 AIED 开发人员可能没有在确实需要的时候让这些社区参与进来，以产生良好的结果。为了缓解上述问题，让 AIED 的利益相关者参与进来是不可或缺的，因为需要他们的意见、反馈和关注。根据古鲁大学的研究，主要的障碍或瓶颈是全球南方国家在教育人工智能发展中的参与程度极低
在专业教师教育课程中开发基于成果的教学材料，以浪漫的灵活设置，Marilou Alciso 1 aq
摘要这项研究基于对所使用的各种教学材料的评估，其可用性和频率，教职员工和学生在使用教学材料方面面临的挑战以及开发教学材料的需求，在三个专业教师教育课程中开发了基于结果的教学材料。描述性研究设计用于收集数据，同时将发展研究设计用于开发基于结果的教学材料。研究人员使用4点李克特量表构建了问卷。在线调查表由来自菲律宾八打雁州立大学的38名教职员工和655名职前教师完成。使用描述性统计数据和Mann-Whitney U检验分析了收集的数据。结果表明，三个专业课程中使用了各种教学材料，并且根据适当性和适用性使用它们。在使用Mann-Whitney U测试所揭示的这些教学材料时，教师和职前教师在利用这些教学材料方面面临着类似的挑战。这些发现是开发三种基于结果的教学材料的基础，这些教学材料遵循活动，分析，抽象和应用的顺序。对教学材料进行了评估，并在内容和格式方面令人满意。提出的建议已纳入最终副本。关键字：灵活的设置，教学材料，基于成果的教育，职前教师，专业教师教育，教师教育。
在职教师的学习成果和参与度
教师参与在线学习是提高在线教师培训效果的关键因素。本文介绍了一种多模态学习分析方法，利用脑电波、眼动和面部表情数据预测在职教师在线同步培训中的参与度和学习成果。本研究分析了从在职教师（n = 53）获得的单模态和多模态数据在多大程度上预测他们的学习成果和参与度。结果表明，使用面部表情和眼动数据的模型对学习成果的预测效果最好。在教师参与度方面的表现各不相同：多模态模型（整合眼动、面部表情和脑电波数据）最擅长预测认知参与和情感参与，而模型（整合眼动和面部表情数据）最擅长预测行为参与。最后，我们将模型应用于在线同步培训的四个阶段，并讨论了教师参与度水平的变化。这项工作有助于理解多模态数据对于预测教师在线学习过程和促进在线教师专业发展的价值。
神经方法学和神经影像学在教师培训中的应用
神经方法学是一个我们在科学数据库和专业文献中几乎找不到的信息的概念。因此，本研究的总体目标是分析教学方法、神经方法学教学、教育包容性、技术和教师培训之间的关系。研究设计是非实验性的、描述性的、解释性的、相关的和回归的。为了方便起见，使用的样本是从西班牙、巴西、哥伦比亚和巴拉圭大学的大学教师中抽取的，共有 815 名参与者。研究工具是一个临时的李克特量表问卷，具有极好的可靠性（Cronbach's Alpha，.969），通过探索性因子分析对内容和结构进行了验证。相关性分析和自动线性建模提供了第一个结论，表明神经方法学为教师使用的技术提供了科学性，这是教育包容性的基础。神经影像学示例为我们在神经方法学领域开展的研究提供了一个思路。
利用人工智能解决教师短缺问题
摘要................................................................................................................................................ 3
神经方法学和神经影像学在教师培训中的应用
神经方法学是一个我们在科学数据库和专业文献中几乎找不到的信息的概念。因此，本研究的总体目标是分析教学方法、神经方法学教学、教育包容性、技术和教师培训之间的关系。研究设计是非实验性的、描述性的、解释性的、相关的和回归的。为了方便起见，使用的样本是从西班牙、巴西、哥伦比亚和巴拉圭大学的大学教师中抽取的，共有 815 名参与者。研究工具是一个临时的李克特量表问卷，具有极好的可靠性（Cronbach's Alpha，.969），通过探索性因子分析对内容和结构进行了验证。相关性分析和自动线性建模提供了第一个结论，表明神经方法学为教师使用的技术提供了科学性，这是教育包容性的基础。神经影像学示例为我们在神经方法学领域开展的研究提供了一个思路。