Published June 9, 2022 | Version v1
Publication Open

A Radial Basis Function Neural Network Approach to Predict Preschool Teachers' Technology Acceptance Behavior

Creators

  • 1. Aurel Vlaicu University of Arad
  • 2. Cagayan State University

Description

With the continual development of artificial intelligence and smart computing in recent years, quantitative approaches have become increasingly popular as an efficient modeling tool as they do not necessitate complicated mathematical models. Many nations have taken steps, such as transitioning to online schooling, to decrease the harm caused by coronaviruses. Inspired by the demand for technology in early education, the present research uses a radial basis function (RBF) neural network (NN) modeling technique to predict preschool instructors' technology usage in classes based on recognized determinant characteristics of technology acceptance. In this regard, this study utilized the RBFNN approach to predict preschool teachers' technology acceptance behavior, based on the theory of planned behavior, which states that behavioral achievement, in our case the actual technology use in class, depends on motivation, intention and ability, and behavioral control. Thus, this research design is based on an adapted version of the technology acceptance model (TAM) with eight dimensions: D1. Perceived usefulness, D2. Perceived ease of use, D3. Perceived enjoyment, D4. Intention to use, D5. Actual use, D6. Compatibility, D7. Attitude, and D8. Self-efficacy. According to the TAM, actual usage is significantly predicted by the other seven dimensions used in this research. Instead of using the classical multiple linear regression statistical processing of data, we opted for a NN based on the RBF approach to predict the actual usage behavior. This study included 182 preschool teachers who were randomly chosen from a project-based national preschool teacher training program and who responded to our online questionnaire. After designing the RBF function with the actual usage as an output variable and the other seven dimensions as input variables, in the model summary, we obtained in the training sample a sum of squares error of 37.5 and a percent of incorrect predictions of 43.3%. In the testing sample, we obtained a sum of squares error of 14.88 and a percent of incorrect predictions of 37%. Thus, we can conclude that 63% of the classified data are correctly assigned to the models' dependent variable, i.e., actual technology use, which is a significant rate of correct predictions in the testing sample. This high significant percentage of correct classification represents an important result, mainly because this is the first study to apply RBFNN's prediction on psychological data, opening up a new interdisciplinary field of research.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

مع التطور المستمر للذكاء الاصطناعي والحوسبة الذكية في السنوات الأخيرة، أصبحت الأساليب الكمية شائعة بشكل متزايد كأداة نمذجة فعالة لأنها لا تتطلب نماذج رياضية معقدة. اتخذت العديد من الدول خطوات، مثل الانتقال إلى التعليم عبر الإنترنت، لتقليل الضرر الناجم عن فيروسات كورونا. مستوحى من الطلب على التكنولوجيا في التعليم المبكر، يستخدم البحث الحالي تقنية نمذجة الشبكة العصبية (NN) لوظيفة الأساس الشعاعي (RBF) للتنبؤ باستخدام تكنولوجيا معلمي مرحلة ما قبل المدرسة في الفصول الدراسية بناءً على الخصائص المحددة المعترف بها لقبول التكنولوجيا. في هذا الصدد، استخدمت هذه الدراسة نهج RBFNN للتنبؤ بسلوك قبول التكنولوجيا لمعلمي مرحلة ما قبل المدرسة، بناءً على نظرية السلوك المخطط له، والتي تنص على أن الإنجاز السلوكي، في حالتنا الاستخدام الفعلي للتكنولوجيا في الفصل، يعتمد على الدافع والنية والقدرة والسيطرة السلوكية. وبالتالي، يعتمد تصميم البحث هذا على نسخة معدلة من نموذج قبول التكنولوجيا (TAM) بثمانية أبعاد: D1. الفائدة المتصورة، D2. سهولة الاستخدام المتصورة، D3. المتعة المتصورة، D4. نية الاستخدام، D5. الاستخدام الفعلي، D6. التوافق، D7. الموقف، و D8. الكفاءة الذاتية. وفقًا لـ TAM، يتم التنبؤ بالاستخدام الفعلي بشكل كبير من خلال الأبعاد السبعة الأخرى المستخدمة في هذا البحث. بدلاً من استخدام المعالجة الإحصائية الكلاسيكية متعددة الانحدار الخطي للبيانات، اخترنا NN بناءً على نهج RBF للتنبؤ بسلوك الاستخدام الفعلي. شملت هذه الدراسة 182 معلمًا في مرحلة ما قبل المدرسة تم اختيارهم عشوائيًا من برنامج تدريب وطني لمعلمي مرحلة ما قبل المدرسة قائم على المشاريع والذين أجابوا على استبياننا عبر الإنترنت. بعد تصميم دالة RBF مع الاستخدام الفعلي كمتغير خرج والأبعاد السبعة الأخرى كمتغيرات إدخال، في ملخص النموذج، حصلنا في عينة التدريب على مجموع خطأ المربعات 37.5 ونسبة مئوية من التنبؤات غير الصحيحة 43.3 ٪. في عينة الاختبار، حصلنا على مجموع خطأ المربعات 14.88 ونسبة مئوية من التنبؤات غير الصحيحة 37 ٪. وبالتالي، يمكننا أن نستنتج أن 63 ٪ من البيانات المصنفة يتم تعيينها بشكل صحيح للمتغير التابع للنماذج، أي الاستخدام الفعلي للتكنولوجيا، وهو معدل كبير من التنبؤات الصحيحة في عينة الاختبار. تمثل هذه النسبة المئوية الكبيرة من التصنيف الصحيح نتيجة مهمة، ويرجع ذلك أساسًا إلى أن هذه هي الدراسة الأولى التي تطبق تنبؤ RBFNN على البيانات النفسية، مما يفتح مجالًا جديدًا متعدد التخصصات للبحث.

Translated Description (French)

Avec le développement continu de l'intelligence artificielle et de l'informatique intelligente ces dernières années, les approches quantitatives sont devenues de plus en plus populaires en tant qu'outil de modélisation efficace car elles ne nécessitent pas de modèles mathématiques compliqués. De nombreux pays ont pris des mesures, telles que la transition vers la scolarisation en ligne, pour réduire les dommages causés par les coronavirus. Inspirée par la demande de technologie dans l'éducation préscolaire, la présente recherche utilise une technique de modélisation de réseau neuronal (NN) à fonction de base radiale (RBF) pour prédire l'utilisation de la technologie par les instructeurs préscolaires dans les classes en fonction des caractéristiques déterminantes reconnues de l'acceptation de la technologie. À cet égard, cette étude a utilisé l'approche RBFNN pour prédire le comportement d'acceptation de la technologie des enseignants du préscolaire, basé sur la théorie du comportement planifié, qui stipule que la réussite comportementale, dans notre cas l'utilisation réelle de la technologie en classe, dépend de la motivation, de l'intention et de la capacité, et du contrôle comportemental. Ainsi, cette conception de recherche est basée sur une version adaptée du modèle d'acceptation de la technologie (TAM) avec huit dimensions : D1. Utilité perçue, D2. Facilité d'utilisation perçue, D3. Joie perçu, D4. Intention d'utilisation, D5. Utilisation réelle, D6. Compatibilité, D7. Attitude, et D8. Auto-efficacité. Selon le Tam, l'utilisation réelle est prédite de manière significative par les sept autres dimensions utilisées dans cette recherche. Au lieu d'utiliser le traitement statistique classique de régression linéaire multiple des données, nous avons opté pour un NN basé sur l'approche RBF pour prédire le comportement d'utilisation réel. Cette étude a inclus 182 enseignants du préscolaire qui ont été choisis au hasard parmi un programme national de formation des enseignants du préscolaire basé sur des projets et qui ont répondu à notre questionnaire en ligne. Après avoir conçu la fonction RBF avec l'utilisation réelle comme variable de sortie et les sept autres dimensions comme variables d'entrée, dans le résumé du modèle, nous avons obtenu dans l'échantillon d'entraînement une somme d'erreurs quadratiques de 37,5 et un pourcentage de prédictions incorrectes de 43,3 %. Dans l'échantillon de test, nous avons obtenu une somme d'erreurs quadratiques de 14,88 et un pourcentage de prédictions incorrectes de 37 %. Ainsi, nous pouvons conclure que 63 % des données classifiées sont correctement attribuées à la variable dépendante des modèles, c'est-à-dire l'utilisation réelle de la technologie, ce qui représente un taux significatif de prédictions correctes dans l'échantillon de test. Ce pourcentage important de classification correcte représente un résultat important, principalement parce qu'il s'agit de la première étude à appliquer la prédiction de RBFNN sur les données psychologiques, ouvrant ainsi un nouveau champ de recherche interdisciplinaire.

Translated Description (Spanish)

Con el continuo desarrollo de la inteligencia artificial y la computación inteligente en los últimos años, los enfoques cuantitativos se han vuelto cada vez más populares como una herramienta de modelado eficiente, ya que no requieren modelos matemáticos complicados. Muchas naciones han tomado medidas, como la transición a la educación en línea, para disminuir el daño causado por los coronavirus. Inspirada por la demanda de tecnología en la educación temprana, la presente investigación utiliza una técnica de modelado de red neuronal (NN) de función de base radial (RBF) para predecir el uso de tecnología por parte de los instructores de preescolar en las clases en función de las características determinantes reconocidas de la aceptación de la tecnología. En este sentido, este estudio utilizó el enfoque RBFNN para predecir el comportamiento de aceptación de la tecnología de los maestros de preescolar, basado en la teoría del comportamiento planificado, que establece que el logro conductual, en nuestro caso el uso real de la tecnología en clase, depende de la motivación, la intención y la capacidad, y el control del comportamiento. Por lo tanto, este diseño de investigación se basa en una versión adaptada del modelo de aceptación de tecnología (TAM) con ocho dimensiones: D1. Utilidad percibida, D2. Facilidad de uso percibida, D3. Disfrute percibido, D4. Intención de uso, D5. Uso real, D6. Compatibilidad, D7. Actitud, y D8. Autoeficacia. Según el Tam, el uso real se predice significativamente por las otras siete dimensiones utilizadas en esta investigación. En lugar de utilizar el procesamiento estadístico clásico de datos de regresión lineal múltiple, optamos por una NN basada en el enfoque RBF para predecir el comportamiento de uso real. Este estudio incluyó a 182 maestros de preescolar que fueron elegidos al azar de un programa nacional de capacitación de maestros de preescolar basado en proyectos y que respondieron a nuestro cuestionario en línea. Después de diseñar la función RBF con el uso real como variable de salida y las otras siete dimensiones como variables de entrada, en el resumen del modelo, obtuvimos en la muestra de entrenamiento una suma de errores cuadrados de 37.5 y un porcentaje de predicciones incorrectas de 43.3%. En la muestra de prueba, obtuvimos una suma de error de cuadrados de 14.88 y un porcentaje de predicciones incorrectas del 37%. Por lo tanto, podemos concluir que el 63% de los datos clasificados se asignan correctamente a la variable dependiente de los modelos, es decir, el uso real de la tecnología, que es una tasa significativa de predicciones correctas en la muestra de prueba. Este alto porcentaje significativo de clasificación correcta representa un resultado importante, principalmente porque este es el primer estudio que aplica la predicción de RBFNN sobre datos psicológicos, abriendo un nuevo campo interdisciplinario de investigación.

Files

pdf.pdf

Files (338.6 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:4ed63f3e3703dc03f1596d0dc792762c
338.6 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نهج الشبكة العصبية لوظيفة الأساس الشعاعي للتنبؤ بسلوك قبول التكنولوجيا لدى معلمي مرحلة ما قبل المدرسة
Translated title (French)
Une approche de réseau neuronal de fonction de base radiale pour prédire le comportement d'acceptation de la technologie des enseignants préscolaires
Translated title (Spanish)
Un enfoque de red neuronal de función de base radial para predecir el comportamiento de aceptación de la tecnología de los maestros de preescolar

Identifiers

Other
https://openalex.org/W4281785939
DOI
10.3389/fpsyg.2022.880753

Is supplement to
https://openalex.org/W4318756705 (Other)
https://openalex.org/W4281478295 (Other)
https://openalex.org/W3165991433 (Other)
https://openalex.org/W3111198828 (Other)
https://openalex.org/W2752817291 (Other)
https://openalex.org/W2738833882 (Other)
https://openalex.org/W2502973707 (Other)
https://openalex.org/W2271939485 (Other)
https://openalex.org/W2090371649 (Other)
https://openalex.org/W118430736 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Philippines

References

  • https://openalex.org/W1134614069
  • https://openalex.org/W1529266707
  • https://openalex.org/W1791587663
  • https://openalex.org/W1861866180
  • https://openalex.org/W1980276147
  • https://openalex.org/W1980569376
  • https://openalex.org/W1990521272
  • https://openalex.org/W1995078309
  • https://openalex.org/W1997429600
  • https://openalex.org/W2019851168
  • https://openalex.org/W2028952223
  • https://openalex.org/W2033943395
  • https://openalex.org/W2051673224
  • https://openalex.org/W2087736307
  • https://openalex.org/W2090990068
  • https://openalex.org/W2091241016
  • https://openalex.org/W2100379340
  • https://openalex.org/W2119681300
  • https://openalex.org/W2134049139
  • https://openalex.org/W2146567769
  • https://openalex.org/W2149037899
  • https://openalex.org/W2156371165
  • https://openalex.org/W2166982098
  • https://openalex.org/W2168569455
  • https://openalex.org/W2171508021
  • https://openalex.org/W2242021551
  • https://openalex.org/W2283297504
  • https://openalex.org/W2306047158
  • https://openalex.org/W2335137352
  • https://openalex.org/W2336959407
  • https://openalex.org/W2342209196
  • https://openalex.org/W2606013575
  • https://openalex.org/W2890772680
  • https://openalex.org/W2911800777
  • https://openalex.org/W2919974154
  • https://openalex.org/W2938347061
  • https://openalex.org/W2957412034
  • https://openalex.org/W2970533451
  • https://openalex.org/W2986701837
  • https://openalex.org/W2998931216
  • https://openalex.org/W3012844492
  • https://openalex.org/W3030122515
  • https://openalex.org/W3031615273
  • https://openalex.org/W3032315190
  • https://openalex.org/W3035781874
  • https://openalex.org/W3037440052
  • https://openalex.org/W3042009104
  • https://openalex.org/W3104707375
  • https://openalex.org/W3151380728
  • https://openalex.org/W3152663831
  • https://openalex.org/W3155339416
  • https://openalex.org/W3159978101
  • https://openalex.org/W3166091783
  • https://openalex.org/W3172500644
  • https://openalex.org/W3193378766
  • https://openalex.org/W3198005637
  • https://openalex.org/W3216100334
  • https://openalex.org/W3217530718
  • https://openalex.org/W4205246422
  • https://openalex.org/W4205510427
  • https://openalex.org/W4205623460
  • https://openalex.org/W4206249726
  • https://openalex.org/W4206492610
  • https://openalex.org/W4212838327
  • https://openalex.org/W4214944965
  • https://openalex.org/W4220736755
  • https://openalex.org/W4225709027
  • https://openalex.org/W833228260