《Frontiers in Psychology》：Hybrid modeling of science and math teachers' psychological preparedness for AI- integrated teaching environment: EGA perspective of instructional proficiency, professional motivation, technophilia and needs of training
编辑推荐：
为探究教师在AI融合教学环境中的心理准备度，本研究采用27项心理准备度量表与单条目测量工具，对922名科学与数学教师进行了评估。通过探索性图分析(EGA)揭示了心理准备度的三维结构：认知-情感准备、技术-专业能力和制度支持。研究结果为教师AI整合准备度提供了一个心理测量学上可靠的多维框架，强调了个体和系统性因素对适应性教育实践的影响，对设计针对性专业发展计划具有重要意义。
人工智能(AI)正在以前所未有的速度融入当代教育体系，尤其是在科学与数学教育领域，深刻地改变着教学实践。自适应学习路径、自动化评估、学习分析和智能教学支持等AI赋能技术，为提高教育质量和有效性带来了巨大的机遇。然而，这些技术能否成功应用，其关键决定因素在于教师们是否做好了心理上的准备，以应对AI融合教学环境的挑战。现实中，教师的这种准备程度参差不齐，并未被充分理解。现有的研究虽然认识到教师的准备度是一个涵盖认知、情感和情境因素的多维心理构念，但往往孤立地探讨这些因素，对于它们如何共同、交互地塑造教师在AI融合教学中的准备状态，却缺乏深入洞察。特别是在科学与数学教育中，AI应用对教师的教学决策、数据解读和教学适应能力提出了更高要求，传统的线性模型和基于回归的方法难以捕捉教师心理准备度的动态、互联本质。为了填补这一研究空白，一项发表于《Frontiers in Psychology》的研究采用了基于探索性图分析(Exploratory Graph Analysis, EGA)的混合建模方法，旨在揭示教师心理准备度的潜在维度，并考察教学精通(Instructional Proficiency)、职业动机(Professional Motivation)、技术倾向(Technophilia)和感知到的培训需求(Perceived Training Needs)如何相互作用，共同塑造科学与数学教师对AI融合教学环境的心理准备状态。
为了回答上述问题，研究人员开展了一项严谨的实证研究。首先，他们从苏伊士运河大学教育学院伦理委员会获得了研究许可。研究样本包括922名教师，其中691名科学教师和231名数学教师，主要通过在线问卷调查收集数据。研究所用的核心工具是“AI教学整合心理准备度”27项李克特量表，用于评估教师在认知、情感和情境方面与AI驱动教学实践的互动准备程度。此外，还采用了五个单条目测量（职业动机、教学精通、技术倾向、培训需求和技术满意度），均使用10点计分。数据分析综合运用了多种高级统计技术：1) 使用带有WLSMV估计的多组验证性因子分析(Multi-group CFA)来检验量表在科学和数学学科间的因子结构和测量不变性；2) 采用探索性图分析(EGA)结合Walktrap社区检测算法，来识别心理准备度的潜在网络结构和维度；3) 通过500次Bootstrap(自助法)重抽样来评估EGA所得维度结构的稳定性；4) 计算了研究变量间的双变量皮尔逊相关系数以检验假设关系。这种将潜变量（通过项目打包）与单条目测量节点结合的“混合建模”方法，使得研究既能捕捉稳定的心理构念，又能保留具体、可操作的心理属性。
研究结果
5.6.1 AI教学整合心理准备度的结构及跨组不变性
多组验证性因子分析结果表明，在剔除3个低负荷项目后，27项量表优化为由五个“包”组成的模型。该模型在科学和数学教师群体中都显示出可接受至良好的整体拟合度，所有标准化因子负荷强劲且显著，各因子间的协方差均为正且显著。更重要的是，通过依次检验形态不变性、弱不变性（度量不变性）和强不变性（尺度不变性），证实了该五“包”模型的因子结构在两个学科群体间完全不变。这为进行有意义的跨组比较和心理构念的等值性提供了强有力的心理测量学支持。
5.6.2 教师心理准备度的描述性分析
对研究变量的初步分析显示，参与者在对AI融入教学的准备度、动机和技术倾向上表现出中等至较高水平。其中，“准备度”变量均值较高，表明教师认为自己有相当能力在教学中整合AI工具。而“培训需求”和“技术满意度”变量显示出较高的变异性，表明教师在认可现有技术资源充足性的同时，也清醒地意识到正式专业发展机会的缺口。
5.6.3 探索性图分析
应用EGA分析揭示了一个三维网络结构，表明AI整合的心理准备度并非单一构念，而是由相互关联又概念不同的维度组成。维度1包含“准备度”和“动机”，反映了一种内在的认知-情感取向。维度2包含“教学精通”和“技术倾向”，强调了教学专长与积极技术心态之间的协同作用。维度3包含“培训需求”和“技术满意度”，代表了准备度的外部或制度层面，反映了教师对资源充足性、现有技术的满意度以及持续专业发展需求的认知。
5.6.4 使用Bootstrap EGA的维度稳定性
通过500次Bootstrap抽样对三维解的稳健性进行评估，结果显示三维配置的出现频率最高（66.2%），中位维度数为3，95%置信区间为[2.04, 3.96]。这证实了所识别的维度并非抽样变异的产物，而是在重复抽样中持续出现的稳定心理构念。
5.6.5 研究变量间的双变量相关
在开展网络分析前进行的双变量相关分析为假设3提供了初步支持。数据显示，“技术倾向”与“教学精通”呈中度正相关，表明对技术热情更高的教师倾向于认为自己更精通AI整合教学。“培训需求”与“教学精通”呈微弱但显著的负相关，表明感知到的培训需求越高，自我报告的精通水平略低。这些发现与理论预期一致，支持了所使用的单条目测量的构念效度。
研究结论与讨论
本研究表明，教师对AI融合教学的心理准备度本质上是多维的。EGA识别出的三个变量“社区”为此提供了清晰的理论框架：第一个社区（内在动机与自我感知准备度）突出了认知-情感参与在驱动教师主动采纳AI工具中的基础性作用，这与建构主义原则相契合。第二个社区（教学精通与技术倾向）强调了教学专长与积极技术倾向之间的相互依存关系，这与社会学习和互联学习理论相一致，展示了教师的内容掌握程度和对数字创新的热情如何促成协作性、技术中介学习网络的有效协调。第三个社区（培训需求与技术满意度）则强调了准备度的外部或制度性维度，凸显了专业发展和资源充足性对维持有效AI整合的关键影响，这与认知负荷理论产生共鸣，因为有结构的支持可以减少教师认知资源的额外负担。
这些发现具有重要的理论和实践意义。理论层面，它们支持将教师心理准备度视为一个动态、多层面的网络系统，其中个人动机、专业能力、技术倾向和情境支持相互作用。实践层面，研究强调需要采取整体、持续的教师专业发展举措。有效的干预措施应同时解决技术技能、教学能力、动机和应用AI工具信心之间的相互作用。辅导、协作学习社群和持续支持对于帮助教师将技术可供性转化为有意义的教学策略至关重要。此外，心理准备度在促进教育公平与包容性方面扮演核心角色。自信且准备充分的教师能更好地提供差异化教学，确保AI资源的公平获取，并监控潜在的算法偏见，从而支持多样化学习者，营造包容的课堂环境。
该研究也存在一些局限性，如横截面设计无法推断因果关系、自我报告数据可能存在的偏差、项目打包可能掩盖项目层面的动态细节、样本的文化和制度背景可能限制其普适性等。未来的研究应通过纵向、混合方法以及在多样化情境下的调查，来验证这些发现，并探索准备度网络的时序演变，同时进一步考察教师准备度如何与资源获取、学生多样性和算法偏见相互作用，以促进公平有效的学习体验。
