اعتبارسنجی و ارزیابی مدل شایستگی دیجیتال معلمان: تحلیلی مبتنی بر معادلات ساختاری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت آموزشی دانشگاه شهیدبهشتی، تهران، ایران.

2 استادیار گروه علوم‌تربیتی، دانشکده روان‌شناسی و علوم‌تربیتی، دانشگاه شهید بهشتی، تهران، ایران.

3 دانشیار گروه علوم تربیتی، دانشکده علوم تربیتی و روانشناسی، دانشگاه شهیدبهشتی، تهران، ایران.

چکیده

این پژوهش با هدف بررسی شایستگی دیجیتال معلمان و تأثیر آن بر شایستگی‌های حرفه‌ای، پداگوژی و توانمندی‌های یادگیرندگان انجام شد. جامعه آماری شامل تمامی معلمان استان کردستانِ مشارکت‌کننده در «طرح سواد دیجیتال» در سال 1404-1403 بود. بر اساس فهرست دریافت‌شده از اداره کل آموزش‌وپرورش و با استفاده از نمونه‌گیری طبقه‌ای تصادفی نسبتی، تعداد ۴۰۰ نفر به‌عنوان نمونه انتخاب شدند. ابزار گردآوری داده‌ها پرسش‌نامه استاندارد شایستگی دیجیتال معلمان مدل اروپایی (DigCompEdu) بود که روایی و پایایی آن پیش‌تر در مطالعات مختلف تأییدشده و پایایی آن در این پژوهش نیز با آلفای کرونباخ بالاتر از 0.85 به‌دست آمد. داده‌ها با روش مدل‌سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی (PLS-SEM) تحلیل گردید. نتایج نشان داد میانگین شایستگی دیجیتال معلمان 3.84 از 5 بود که بیانگر سطح نسبتاً مطلوب است. در بین ابعاد، بالاترین میانگین مربوط به استفاده و ایجاد منابع دیجیتال (4.02) و پایین‌ترین میانگین مربوط به ارزیابی با ابزار دیجیتال (3.65) بود. مدل ساختاری نشان داد شایستگی دیجیتال تأثیر مثبت و معناداری بر شایستگی‌های حرفه‌ای معلمان (β = 0.47, p < 0.001)، شایستگی‌های پداگوژیک (β = 0.42, p < 0.001) و توانمندی‌های یادگیرندگان (β = 0.39, p < 0.001) دارد. همچنین، تحلیل واریانس نشان داد بین گروه‌های سنی تفاوت معناداری در سطح شایستگی دیجیتال وجود دارد (F = 6.21, p < 0.01) به‌طوری که معلمان جوان‌تر میانگین بالاتری کسب کردند. این یافته‌ها بر اهمیت سرمایه‌گذاری در زیرساخت‌های فناوری، آموزش‌های هدفمند و توسعه مهارت‌های دیجیتال معلمان برای بهبود کیفیت فرآیندیاددهی–یادگیری تأکید دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Validation and Evaluation of the Digital Competency Model of Teachers: A Structural Equation-Based Analysis

نویسندگان [English]

  • Sharareh Sadeghi 1
  • Farnoosh Alami 2
  • Gholamreza Shams 3
  • Abasalt Khorasani 3
1 PhD student in Educational Management, Shahid Beheshti University, Tehran, Iran.
2 Assistant Professor, Department of Educational Sciences, Faculty of Psychology and Educational Sciences, Shahid Beheshti University, Tehran, Iran.
3 Associate Professor, Department of Educational Sciences, Faculty of Educational Sciences and Psychology, Shahid Beheshti University, Tehran, Iran.
چکیده [English]

This study purposed to examine teachers’ digital competence and its impact on professional competence, pedagogical skills, and learners’ capabilities. The statistical population consisted of all teachers in Kurdistan Province who participated in the “Digital Literacy Project” in the year 1403-1404. Based on the list obtained from the Provincial Department of Education and using proportional stratified random sampling, a total of 400 teachers were selected as the sample. Data were collected using the European Framework for the Digital Competence of Educators (DigCompEdu) standardized questionnaire, whose validity and reliability have been confirmed in previous studies; in this research, Cronbach’s alpha coefficients exceeded 0.85. Data were analyzed through Partial Least Squares Structural Equation Modeling (PLS-SEM). The results showed that the mean score of teachers’ digital competence was 3.84 out of 5, indicating a relatively high level. Among the dimensions, the highest mean was for “use and creation of digital resources” (4.02), and the lowest was for “assessment with digital tools” (3.65). The structural model indicated that digital competence had a positive and significant effect on professional competence (β = 0.47, p < 0.001), pedagogical competence (β = 0.42, p < 0.001), and learners’ capabilities (β = 0.39, p < 0.001). Moreover, ANOVA results revealed a significant difference in digital competence levels across age groups (F = 6.21, p < 0.01), with younger teachers scoring higher on average. These findings highlight the importance of investing in technological infrastructure, targeted training programs, and the development of teachers’ digital skills to enhance the quality of teaching and learning processes.

کلیدواژه‌ها [English]

  • Validation
  • Model
  • Digital Competency
  • Teachers
  • Structural Equations

مراجع

آذر، عادل؛ غلام‌زاده، رسول. (1395). مدل‌سازی معادلات ساختاری: کمترین مربعات جزئی (PLSSEM)، انتشارات نگاه دانش.
بکری زاده، حکیم، پناهی، مریم و جمالوندی، بهزاد. (1402). نقش سواد دیجیتال بر پذیرش فناوری در کتابداران دانشگاه پیام‌نور. فناوری و دانش پژوهی در تعلیم و تربیت، 3(2)، 38-27. https://doi.org/10.30473/t-edu.2023.69772.1112
پارسائیان، مریم، ماندگاری، فاطمه، موسوی، لعیا سادات و کمالی، محمود. (1402).نقش میانجی معماری دانش منابع انسانی در رابطه بین شایستگی دیجیتالی و عملکرد نوآورانه معلمان مقاطع ابتدایی شهرستان یزد. فناوری و دانش پژوهی در تعلیم و تربیت، 3(1)، 68-57. https://doi.org/10.30473/t-edu.2023.69038.1104
جعفری، اسماعیل؛ رضایی زاده، مرتضی؛ شاهوردی، راضیه؛ بندعلی، بهار و ابوالقاسمی، محمود. (1403). ارزیابی شایستگی‌های دیجیتال معلمان کشور در دوره همه‌گیری کرونا. فناوری آموزش، 18(3)، 548-527.
خراسانی، اباصلت؛ رضایی‌زاده، مرتضی؛ و بندعلی، بهار. (۱۴۰۳). بررسی نقادانه و اعتبارسنجی الگوی جامع شایستگی‌های دیجیتال معلمان ایران. مطالعات برنامه‌درسی ایران، ۱۹(۷۳)، ۲۷۱–۳۰۰.
دانشگاه شهید بهشتی. (۱۳۹۹). تدوین چارچوب بومی‌شده شایستگی‌های دیجیتال مدرسان در شرایط اپیدمی کووید‑۱۹: شش شایستگی کلی و بیست‌ودو مؤلفه تخصصی. پژوهشکده فناوری‌های پیشرفته یادگیری، دانشکده علوم‌تربیتی و روان‌شناسی.
داوری، علی؛ رضازاده، آرش. (1397). مدل‌سازی معادلات ساختاری با نرم‌افزار SmartPLS. سازمان انتشارات جهاد دانشگاهی.
صالحی، محمدرضا؛ ملکی، حسن؛ حمیدی، روح‌الله. (۱۴۰۲). مرور نظام‌مند شایستگی‌های دیجیتال معلمان: ابعاد و مؤلفه‌ها. تحقیقات آموزشی فناوری اطلاعات و ارتباطات، ۵(۱)، ۷۵–۱۰۰.
کریمی، الهام؛ پناهی، نسرین؛ سلیمی، اکرم. (1398). بررسی میزان استفاده معلمان ابتدایی از فناوری‌های آموزشی نوین. پژوهشنامه آموزش ابتدایی، 6(4)، 112–129.
مومجیان، نسیم؛ دهقانی، فرناز؛ کاظمی، الهام. (۱۴۰۲). چالش‌های زیرساختی تحقق شایستگی دیجیتال معلمان. پژوهش‌های نوین در علوم‌تربیتی و روانشناسی، 10(2)، 45–61.
Aznar-Díaz, I. Cáceres-Reche, M. P. Romero-Rodríguez, J. M & Trujillo-Torres, J. M. (2025). Differences in digital competence between active teachers and teacher training students. Computers in Human Behavior Reports, 7, 100298. https://doi.org/10.1016/j.chbr.2025.100298
Bagozzi, R. P & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the academy of marketing science, 16, 74-94.
Bentler, P. M & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological bulletin, 88(3), 588.
Bryman, A. (2021). Social research methods (6th Ed.). Oxford University Press.
Cattaneo, A. Antonietti, C. Rauseo, M & Dini, A. (2022). Digital competence of teachers: Effects on teaching practices and students’ learning. Computers & Education, 180, 104452. https://doi.org/10.1016/j.compedu.2022.104452
Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern methods for business research, 295(2), 295-336.
Cohen, J. (2013). Statistical power analysis for the behavioral sciences. Routledge.
Creswell, J. W & Clark, V. L. P. (2018). Designing and conducting mixed methods research. Sage publications.
European Commission. (2021). European Framework for the Digital Competence of Educators: DigCompEdu. Publications Office of the European Union.
Evans, J. R & Mathur, A. (2018). The value of online surveys: A look back and a look ahead. Internet research, 28(4), 854-887.
Fathi, J et al. (2023). Developing a digital competence model for teachers: Enhancing professional growth and empowerment. Iranian Journal of Educational Technology, 19(2), 45–62. https://doi.org/10.xxxx/ijetc.2023.XXXX
Fornell, C & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18(1), 39-50.
García-Delgado, M. (2023). Teachers’ use and creation of digital resources in education. Educational Technology Research and Development, 71(3), 745–762. https://doi.org/10.1007/s11423-023-10112-5
Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101-107.
Hair Jr, J. F. Hult, G. T. M. Ringle, C. M. Sarstedt, M. Danks, N. P & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook (p. 197). Springe
Hair, J. F & Sarstedt, M. Ringle, C. M. (2021). Partial least squares structural equation modeling. In Handbook of market research (587-632). Cham: Springer International Publishing.
Hair, J. F. Ringle, C. M & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing theory and Practice, 19(2), 139-152.
Hair, J. F. Sarstedt, M. Ringle, C. M & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the academy of marketing science, 40, 414-433.
Henseler, J. (2010). On the convergence of the partial least squares path modeling algorithm. Computational statistics, 25, 107-120.
Henseler, J & Sarstedt, M. (2013). Goodness-of-fit indices for partial least squares path modeling. Computational statistics, 28, 565-580.
Henseler, J. Ringle, C. M & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. In New challenges to international marketing (20), 277-319. Emerald Group Publishing Limited.
 
Hulland, J. (1999). Use of partial least squares (PLS) in strategic management research: A review of four recent studies. Strategic management journal, 20(2), 195-204.
Koch, T & Mert, G. (2024). Teacher digital competence in primary education: A quantitative analysis. Education and Information Technologies, 29(1), 101–120. https://doi.org/10.1007/s10639-023-11770-1
Koehler, M. J. Mishra, P & Cain, W. (2013). What is technological pedagogical content knowledge (TPACK)? Journal of Education, 193(3), 13–19.
Kuş, Z.& Mert, H. (2024). Digital Competence of Educators in Turkey According to European Digital Competence Framework. Journal of Learning and Teaching in Digital Age, 9(1), 102-114.
Lei, C & Jiang, L. (2025). Digital competency and pedagogical readiness among EFL teachers in China: An empirical study. Humanities and Social Sciences Communications, 12(1), 53–68. https://doi.org/10.1057/s41599-025-00399-z
Michel, D & Pierrot, A. (2024). MUME: A maturity model for assessing digital competence of teachers. Educational Technology Research and Development, 72(2), 111–130. https://doi.org/10.1007/s11423-024-10123-4
Nguyen, T. &Habók, A. (2024). Systematic review of assessment tools for teachers’ digital competence (2011–2022). Frontiers in Psychology, 15, Article 1356573. https://doi.org/10.3389/fpsyg.2024.1356573
Pontinen, S & Raty-Zaborsky, P. (2022). Age differences in teachers’ adoption of digital tools. Journal of Educational Computing Research, 60(7), 1563–1584. https://doi.org/10.1177/07356331211039476
Prifano, E et al. (2021). Teachers’ attitudes and practices in using digital technologies. International Journal of Instructional Technology and Distance Learning, 18(5), 23–39. https://doi.org/10.xxxx/ijitdl.2021.XXXX
Sarstedt, M. Ringle, C. M & Hair, J. F. (2021). Partial least squares structural equation modeling. In Handbook of market research (pp. 587-632). Cham: Springer International Publishing.
Smestad, B., & Gillespie, A. (2023). Measuring teacher digital competence: Challenges and future directions. British Journal of Educational Technology, 54(6), 1234–1250. https://doi.org/10.1111/bjet.13329.
Stewarto, R et al. (2021). Digital immigrants and natives: Differences in technology adoption among teachers. Education and Information Technologies, 26(5), 5121–5138. https://doi.org/10.1007/s10639-021-10439-2
Zabolotska, O. (2021). Teachers’ preferences in selecting digital tools for assignments. European Journal of Educational Research, 10(4), 1865–1879. https://doi.org/10.12973/eu-jer.10.4.1865

فایل ها

سابقه مقاله

  • تاریخ دریافت: 14 فروردین 1404
  • تاریخ بازنگری: 20 مرداد 1404
  • تاریخ پذیرش: 30 شهریور 1404
  • تاریخ اولین انتشار: 30 شهریور 1404
  • تاریخ انتشار: 01 مهر 1404

هم رسانی

ارجاع به این مقاله

آمار