《Computers and Education Open》：Activity theory as a lens on teachers’ adoption of AI technologies: A structural equation modeling
编辑推荐：
尽管人工智能（AI）技术在教育中的应用日益增长，但关于为何一些教育工作者倾向于采纳AI而另一些仍然不愿采纳的潜在机制仍不清楚。本研究调查了小学、中学和职前教师在K-12教育环境中使用AI工具的意图。基于活动理论（Activity Theory, AT），研究人
尽管人工智能（AI）技术在教育中的应用日益增长，但关于为何一些教育工作者倾向于采纳AI而另一些仍然不愿采纳的潜在机制仍不清楚。本研究调查了小学、中学和职前教师在K-12教育环境中使用AI工具的意图。基于活动理论（Activity Theory, AT），研究人员检验了六个假设，这些假设说明了与AT相关的组成部分与教师意图之间的复杂相互关系。因子分析和结构方程模型（Structural Equation Modeling, SEM）表明，AT组成部分可以被可靠测量，并对教师采纳AI驱动工具的意图具有解释力。在全样本分析（N = 557）中，个体（Individual）和社群（Community）组成部分在解释教师意图（Intention）方面均发挥了显著作用。目标（Objectives）和分工（Division of Labor）与个体直接相关，并与意图间接相关。社群与规则/法规（Rules/Regulations）和政府（Government）相关，后者与意图间接相关。研究人员还发现中学和小学教师之间存在显著差异。分工和社群对中学教师的影响更强。另一方面，目标和个体在小学教师使用AI工具的意图中发挥了更突出的作用。职前教师的结果与小学教师相似。总体而言，本研究突显了不同职业阶段和教学水平的教师可能采纳AI驱动工具的复杂机制。结论中讨论了理论和实践意义。
**研究背景与问题**
近年来，人工智能（Artificial Intelligence, AI）技术在教育领域的快速发展，使得理解教师为何采纳或拒绝AI工具成为迫切需求。活动理论（Activity Theory, AT）作为人机交互与教育技术领域的重要框架，虽被广泛用于分析技术使用，但现有研究多停留在概念或定性层面，缺乏对AT核心组件的量化实证检验，尤其在K-12教育场景中对教师采纳意向的机制认识不足。为此，本研究旨在通过结构方程模型（Structural Equation Modeling, SEM）量化AT组件与教师采纳意图的关系，并比较不同教学阶段（小学 vs. 中学）和职业阶段（职前 vs.在职）的差异，为学校领导者和政策制定者提供融合AI技术的实践指导。该论文发表在《Computers and Education Open》。
**关键技术与方法**（不超过250字）
研究人员从澳大利亚新南威尔士州（New South Wales, NSW）招募教育工作者，通过学校邮箱、滚雪球抽样和Qualtrics公司分发问卷，最终获得557份有效样本（含81名职前教师、126名小学教师、226名中学教师及49名其他教师）。数据收集采用改编自Hajimaghsoodi & Maftoon (2020)和Wang et al. (2020)的量表，经焦点小组修订后形成46个初始条目。通过探索性因子分析（Exploratory Factor Analysis, EFA）和验证性因子分析（Confirmatory Factor Analysis, CFA）确定六因子结构（个体、目标、分工、社群、规则/法规、政府），共24个条目，并检验结果变量“意图”（3个条目）。主分析采用协方差结构方程模型（Covariance-Based SEM），使用稳健极大似然估计（Robust Maximum Likelihood, MLR）处理多变量非正态性，模型拟合指标包括CFI、TLI、RMSEA和SRMR。
**研究结果**
**整体模型拟合与测量组件**
基于全样本（N = 557）的CFA显示六因子模型拟合良好（CFI = 0.944, TLI = 0.935, RMSEA = 0.055, SRMR = 0.042），所有因子载荷均显著（p < .001），各量表信度（Cronbach's α / McDonald's ω）和平均方差提取量（Average Variance Extracted, AVE）均达标，表明AT组件可可靠测量。
**结构模型结果**
**全样本分析（N = 557）**
所有假设路径均显著：目标（β = 0.467, p < .001）和分工（β = 0.398, p < .001）正向预测个体，个体（β = 0.660, p < .001）和社群（β = 0.298, p < .001）正向预测意图，规则/法规（β = 0.460, p < .001）和政府（β = 0.882, p < .001）正向预测社群。个体对意图的直接效应远大于社群。
**中学在职教师（n = 226）**
个体（β = 0.463, p < .001）和社群（β = 0.451, p < .001）对意图的预测强度相近，目标对个体的路径不显著（β = 0.252, p = .153），而分工对个体的路径更强（β = 0.486, p < .01）。政府通过社群的间接效应最大（β = 0.375, p < .001）。
**小学在职教师（n = 126）**
仅个体（β = 0.741, p < .001）直接预测意图，社群路径接近但不显著（β = 0.219, p = .054）。目标（β = 0.678, p < .001）显著预测个体，分工路径不显著（β = 0.235, p = .145）。仅目标通过个体的间接效应显著（β = 0.502, p < .001）。
**职前教师（n = 81）**
结果与小学教师相似：个体对意图的效应更强（β = 0.918, p < .001），社群路径不显著（β = 0.045, p = .489）。目标（β = 0.676, p < .001）和分工（β = 0.326, p = .001）均显著预测个体，两者通过个体的间接效应均显著（目标：β = 0.620, p < .001；分工：β = 0.299, p = .005）。
**讨论与结论**
讨论指出，AT组件可通过量化方法可靠操作化，个体和社群在预测意图中作用不同：个体（尤其是对AI的理解与使用）是主要驱动力，而社群的直接影响在中学教师中更强，可能与中学基于学科团队的结构有关。政府干预在所有群体中均通过社群发挥最大间接效应，反映教师对政府规范AI使用的强烈期待。研究强调了针对个体AI素养的专业发展、中学以社群为中心的策略、以及学校与政府层面建立明确AI使用规则的重要性。
**翻译研究结论**：本研究表明，个别教师对AI的理解、评价和应用——特别是用于增强教学和学习以及减少工作量——是采纳的主要驱动力。这些发现强调了有针对性的专业发展在个体层面提升AI素养的价值，以解决教育工作者的信心差距。不同教学水平和职业阶段的AI使用差异表明，以社群为中心的策略在中学环境中可能更有效。然而，在所有群体中，都存在对政府指导的明确需求，以塑造更广泛的社群态度并支持AI工具的使用，突显了在学校和政府层面建立AI使用明确界限的重要性。在没有国家政策的情况下，学校可能需要制定内部指南，以支持教育工作者将AI工具有效整合到他们的专业实践中。
