نوع مقاله : مقاله پژوهشی
نویسنده
دانشیار آموزش زبان انگلیسی، گروه زبان و ادبیات انگلیسی، دانشکده ادبیات و علوم انسانی، دانشگاه گیلان، رشت، ایران
10.22049/jalda.2026.31100.1897
چکیده
با وجود نقش امیدوارکننده فناوری در آموزش، اضطراب فناوری (تکنواسترس) معلمان مانعی جدی برای ادغام فناوری در فرایند تدریس به شمار میآید. این پژوهش با هدف آزمون یک مدل ساختاری از تکنواسترس معلمان، دانش محتوایی تربیتی فناورانه (TPACK)، خودکارآمدی رایانهای، حمایت محیطی، تابآوری تحصیلی و فرسودگی شغلی انجام شد. برای دستیابی به این هدف، ۲۳۲ مدرس زبان انگلیسی به عنوان زبان خارجی «مقیاس خودکارآمدی رایانهای»، «پرسشنامه تعیین سطح تکنواسترس معلمان»، «پرسشنامه TPACK»، «پرسشنامه حمایت کلی»، «مقیاس تابآوری کانر–دیویسون» و «فهرست فرسودگی شغلی مزلک (۲۰۱۶)» را تکمیل کردند. تحلیل عاملی اکتشافی و تأییدی روی تمامی پرسشنامهها انجام شد و شاخصهای مطلوب روایی و پایایی را تأیید کرد که از زیرعاملهای موجود در سازهها حمایت نمود. مدلیابی معادلات ساختاری (SEM) نشان داد که: الف) TPACK و تابآوری معلمان زبان انگلیسی تکنواسترس آنها را بهطور منفی پیشبینی میکنند، در حالیکه فرسودگی شغلی تکنواسترس را بهطور مثبت پیشبینی میکند؛ ب) حمایت اداری و خودکارآمدی رایانهای از طریق نقش میانجیِ TPACK و تابآوری، تکنواسترس معلمان زبان انگلیسی را به صورت منفی پیشبینی میکنند؛ ج) فرسودگی شغلی معلمان بهعنوان یک میانجی میان حمایت اداری و تکنواسترس و همچنین میان خودکارآمدی رایانهای و تکنواسترس عمل میکند، بهطوریکه با متغیرهای برونزاد نهفته رابطهای منفی داشته و تأثیر پیشبینانهی معناداری بر متغیر درونزاد نهفته دارد؛ د) افزون بر این، TPACK و تابآوری بهطور غیرمستقیم بر فرسودگی شغلی معلمان اثر گذاشتند و نشان دادند که سطوح بالاتر TPACK و تابآوری با کاهش فرسودگی شغلی و تکنواسترس همراه است؛ ه) تکنواسترس با سن رابطه مثبت داشت، اما رابطه آن با جنسیت معنادار نبود. نتایج این تحلیل به ارائه توصیههای آموزشی برای مدرسان زبان انگلیسی، مربیان و سیاستگذاران انجامید.
کلیدواژهها
- اضطراب فنآوری (تکنواسترس)
- دانش محتوایی تربیتی فناورانه
- حمایت محیطی
- خودکارآمدی رایانه ای
- متغیرهای جمعیتشناختی
موضوعات
Aktan, O., & Toraman C. (2022). The relationship between technostress levels and job satisfaction of teachers within the COVID-19 period. Education Information Technology, 27(7), 10429-10453. https://doi.10.1007/s10639-022-11027-2
Califf, C., & Brooks, S. (2020). An empirical study of techno-stressors, literacy facilitation, burnout, and turnover intention as experienced by K-12 teachers. Computers and Education, 1(57), 103–121. https://doi.org/10.1016/j.compedu.2020.103971
Coklar, A., Efilti, E., & Sahin, L. (2017). Defining teachers’ technostress levels: A scale development. Journal of Education and Practice, 8(21), 103–115.
Connor, K., & Davidson, J. (2003). Development of a new resilience scale: The Connor-Davidson resilience scale (CD-RISC). Depression and Anxiety, 1(18), 76–82. https://doi.org/10.1002/da.10113
Daniilidou, A., Platsidou, M., & Gonida, E. (2020). Primary school teachers’ resilience: association with teacher self-efficacy, burnout, and stress. Electronic Journal of Research in Psychology, 1(98), 549–582. https://doi.org/10.25115/ejrep.v18i52.3487
Dong, Y., Xu, C., Chai, C., & Zhai, X. (2020). Exploring the structural relationship among teachers’ technostress, technological pedagogical content knowledge (TPACK), computer self-efficacy, and school support. The Asia-Pacific Education Researcher, 29(3), 147–157. https://doi.org/10.1007/s40299-019-00461-5
Fathi, J., & Saeedian, A. (2020). A structural model of teacher self-efficacy, resilience, and burnout among Iranian EFL teachers, Iranian Journal of English for Academic Purposes, 9(2), 2476–3187. https://doi.org/20.1001.1.24763187.2020.9.2.2.1
Fornell, C., & Larcker, D. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312
Hair, J., Hult, G., Ringle, C., & Sarstedt, M. (2022). A primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
Huffman, A. H., Wheelehan, J. D., & Payne, S. M. (2013). The influence of gender roles on technology self-efficacy. Computers in Human Behavior, 29(4), 1776–1783. https://doi.org/10.1016/j.chb.2013.02.007
Javidkar, S., Divsar, H., Saeedi, M., & Hadavizadeh, A. (2022). A path analysis of autonomy supportive teaching, EFL Learners’ willingness to communicate, self-regulation, academic engagement, and perceived locus of control. Journal of Modern Research in English Language Studies, 9(4), 25–49. https://doi.org/10.30479/jmrels.2022.16948.2032
Joo, Y., Lim, K., & Kim, N. (2016). The effects of secondary teachers’ technostress on the intention to use technology in South Korea. Computers & Education, 95(5), 114–122. https://doi.org/10.1016/j.compedu.2015.12.004
Koh, J., Chai, C., & Lim, W. (2017). Teacher professional development for TPACK-21CL: Effects on teacher ICT integration and student outcomes. Journal of Educational Computing Research, 55(2), 172–196. https://doi.org/10.1177/0735633116656848
Krishnan, S. (2017). Personality and espoused cultural differences in technostress creators. Computers in Human Behavior, 66(1), 154–167. https://doi.org/10.1016/j.chb.2016.09.039
Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 336–353. https://doi.org/10.1525/collabra.33267
Li, S. (2023). The effect of teacher self-efficacy, teacher resilience, and emotion regulation on teacher burnout: a mediation model. Frontier in Psychology, 1(4), 14–22. https://doi.org/10.3389/fpsyg.2023.1185079
Lowther, D., & Ross, S. (2000). Teacher technology questionnaire (TTQ). Memphis, TN: Center for research in educational policy. The University of Memphis.
Maslach C., Jackson S., & Leiter M. (2016). Maslach Burnout Inventory Manual. (4th ed.). Mind Garden.
Mun˜oz, O., Penalba, F., Sa´nchez, J., & Santos, O. (2017). Reducing techno-anxiety in high school teachers by improving their ICT problem-solving skills. Behavior & Information Technology, 36(3), 255–268. https://doi.org/10.1080/0144929X.2016.1221462
Nunnally, J. C., & Bernstein, I. H. (1994). The assessment of reliability. Psychometric Theory, 3(3), 248–292.
Özgür, H. (2020). Relationships between teachers’ technostress, technological pedagogical content knowledge (TPACK), school support, and demographic variables: A structural equation modeling. Computers in Human Behavior, 112, 406–415. https://doi.org/10.1016/j.chb.2020.106468
Polat, D., & İskender, M. (2018). Exploring teachers’ resilience in relation to job satisfaction, burnout, organizational commitment, and perception of organizational climate. International Journal of Psychology, 5(1), 1–13. https://doi.org/10.17220/ijpes.2018.03.001
Ringle, C., Sarstedt, M., Mitchell, R., & Gudergan, S. (2020). Partial least squares structural equation modeling in HRM research. International Journal of Human Resource Management, 31(12), 1617–1643. https://doi.org/10.1080/09585192.2017.1416655
Schmidt, D., Baran, E., Thompson, A., Mishra, P., Koehler, M., & Shin, T. (2009). Technological Pedagogical Content Knowledge (TPACK) The development and validation of an assessment instrument for preservice teachers. Journal of Research on Technology in Education, 42(2), 123–149. https://doi.org/10.1080/15391523.2009.10782544
Schumacker, R., & Lomax, R. (2004). A beginner's guide to structural equation modeling (2nd ed.). Lawrence Erlbaum Associates Publishers.
Shu, Q., Tu, Q., & Wang, K. (2011). The impact of computer self-efficacy and technology dependence on computer-related technostress: A social cognitive theory perspective. International Journal of Human-Computer Interaction, 27(10), 923–939. https://doi.org/10.1080/10447318.2011.555313
Skaalvik, E., & Skaalvik S. (2010). Teacher self-efficacy and teacher burnout: a study of relations. Teaching Education, 26(4), 1059–1069. https://doi.org/10.1016/j.tate.2009.11.001
Soriano-Alcantara, J.M., Guillén-Gámez, F.D. & Ruiz-Palmero, J. (2025). Exploring digital competencies: Validation and reliability of an instrument for the educational community and for all educational stages. Technology Knowledge Learning 30(1), 307–326. https://doi.org/10.1007/s10758-024-09741-6
Sulla, F., Ragni, B., D’Angelo, M., & Rollo, D. (2022). Teachers’ emotions, technostress, and burnout in distance learning during the COVID-19 pandemic. In Proceedings of Third Workshop on Technology-Enhanced learning environments for Blended Education–The Italian E-Learning Conference, 32(2), 1–13. https://doi.org/10.3389/fpsyg.2023.1185079
Teo, T., & Koh, J. (2010). Assessing the dimensionality of computer self-efficacy among pre-service teachers in Singapore: A structural equation modelling approach. International Journal of Education and Development using Information and Communication Technology, 6(3), 7–18.
Venkatesh, V., & Morris, M. G. (2000). Why don't men ever stop to ask for directions? Gender, social influence, and their role in technology acceptance and usage. MIS Quarterly, 24(1), 115–139. https://doi.org/10.2307/325098
Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934. https://doi.org/10.1177/0013164413495237
Yeşilyurt, E., Ulaş, A., & Akan, D. (2016). Teacher self-efficacy, academic self-efficacy, and computer self-efficacy as predictors of attitude toward applying computer-supported education. Computers in Human Behavior, 64, 591–601. https://doi.org/10.1016/j.chb.2016.07.038
Zhao, G., Wang, Q., & Wu, L. (2022). Exploring the structural relationship between university support, students’ technostress, and burnout in technology-enhanced learning. Asia-Pacific Education Research, 31(1), 463–473. https://doi.org/10.1007/s40299-021-00588-4
)