幼儿园教师对人工智能的采用与职业幸福感：一项结合TAM-JD-R模型的技术压力双重影响分析

《Frontiers in Psychology》：Preschool teachers’ AI adoption and occupational well-being: an integrated TAM-JD-R analysis of technostress dual-edged effects

　　摘要

引言：生成式人工智能（AI）在幼儿教育中的快速整合为幼儿园教师带来了机遇和挑战，然而，关于采用机制及其对教师福祉影响的实证研究仍然很少。本研究开发并测试了一个综合框架，该框架结合了技术接受模型（TAM）和工作需求-资源（JD-R）理论，以探讨认知评估、技术压力维度以及情境因素如何共同决定幼儿园教师对AI的采用意图和职业幸福感。

方法：通过多阶段分层随机抽样招募的300名中国幼儿园教师的调查数据，通过基于协方差的结构方程建模进行了分析。

结果：研究结果证实了TAM的核心路径，感知有用性（β = 0.365，p < 0.001）和感知易用性（β = 0.250，p = 0.001）显著预测了采用意图。研究实证验证了技术压力的双重效应：挑战性技术压力促进了采用（β = 0.182，p = 0.003），而阻碍性技术压力则抑制了采用（β = ?0.267，p < 0.001）。AI采用意图正向预测了职业幸福感（β = 0.198，p = 0.008）。组织支持缓解了阻碍性技术压力对采用意图的负面影响，而工作负荷加剧了阻碍性技术压力对幸福感的不利影响。

讨论：这些发现通过展示技术压力通过两种途径发挥作用——促进和阻碍采用——并受到组织和个人资源的调节，从而加深了对幼儿教育中技术采用的理解。实际意义包括制定有针对性的支持策略，以缓解阻碍性压力因素，同时培养幼儿园教师以挑战为导向的评估能力。

1 引言
1.1 研究背景和问题陈述
生成式人工智能（AI）技术的普及在全球教育领域引发了变革性变化。从ChatGPT到专门的教育AI工具，这些技术为提高教学效率、个性化学习体验和减轻行政负担提供了前所未有的机会（Agnihotri和Chen，2025；Xiang等人，2025）。在幼儿教育中，AI技术的整合已成为数字化转型的关键要求，但这一过程在教育理念和技术现实之间充满了矛盾（Bahr，2025；Demszky等人，2025；Li等人，2024；Undheim，2022）。处于这一转型中心的幼儿园教师面临着获取技术能力的同时保持适合幼儿发展实践的双重挑战（Schriever，2021a；Xiong等人，2025）。尽管学术界对高等教育环境中AI采用的关注日益增加（Wen和Cai，2025；Bhojak等人，2025），但专门针对幼儿园教师的实证研究仍然非常有限。
教师对AI技术的采用是一个复杂的现象，超出了单纯的技术接受范畴。教师将AI整合视为职业成长的机会，同时也感受到职业压力（Hu等人，2025；Wu和Derakhshan，2025）。这种双重性质在幼儿教育中尤为明显，因为教师必须在技术素养与幼儿的发展需求之间找到平衡（Luo等人，2025；Papadakis，2022；Yang等人，2024）。现有研究表明，中国幼儿园教师在AI素养方面存在差异，从“犹豫的初学者”到“自信的专家”不等，这些差异与机构类型、地理位置和教育背景密切相关（Xiong等人，2025）。然而，这些差异背后的心理机制及其对教师福祉的影响尚未得到充分探索。
当前解决技术采用的理论框架在应用于教育背景时存在显著局限性。技术接受模型（TAM）虽然在多种技术领域得到了广泛验证（Agnihotri和Chen，2025；Kim，2025），但它主要强调用户对有用性和易用性的感知，而没有充分考虑教学环境中的职业压力因素和组织资源。相反，工作需求-资源（JD-R）模型通过两条路径解释职业幸福感——一条是由工作需求驱动的健康损害路径，另一条是由工作资源驱动的激励路径（Skaalvik和Skaalvik，2018；Han等人，2020）——但在技术采用研究中仍未得到充分利用。最近的研究表明，整合这些框架可能阐明技术创新如何同时产生积极压力（促进成长的挑战性压力）和消极压力（消耗资源的阻碍性压力）（Nascimento等人，2024a，2024b；Zhao等人，2024）。
在这个综合框架中，技术压力的概念值得特别关注。新兴证据表明，技术引起的压力具有双向性：挑战性技术压力可能增强自我效能感和参与度，而阻碍性技术压力则会侵蚀心理资源并导致职业倦怠（Nascimento等人，2025；Wang等人，2024）。对于幼儿园教师来说，这种双重性质尤为重要，因为他们需要在获取技术能力和维持以儿童为中心的教学法之间取得平衡（Alotaibi，2023；Lim，2023）。然而，关于不同维度的技术压力如何影响幼儿园教师对AI的采用意图和职业幸福感的实证研究仍然缺乏。
文献中存在三个关键缺口。首先，基于TAM的研究主要忽略了职业背景变量——工作需求、组织支持和工作负荷——这些变量从根本上塑造了教师的技术采用决策（Maas等人，2022）。其次，尽管JD-R理论在解释教师幸福感方面具有强大的解释力（Han等人，2020；Skaalvik和Skaalvik，2018），但其应用于技术采用场景（特别是AI技术）的情况仍然有限。第三，尽管幼儿园教师面临由幼儿发展特点和家长对技术使用的担忧所带来的独特挑战（Luo等人，2025；Xiong等人，2025），但他们在这类研究中的代表性明显不足。
选择幼儿园教师作为研究对象不仅具有情境上的便利性，还具有理论上的创新性。与高等教育或中等教育的教师不同，幼儿园教师面临着双重合法性要求：他们必须展示技术能力，同时保持适合幼儿发展的实践——这种紧张关系重新构建了TAM框架的功能。例如，感知有用性不仅仅针对个人效率的提升进行评估，而是根据以儿童为中心的教学法这一规范标准进行评估，这在其他教育群体中是不存在的。此外，中国幼儿园教师在AI素养方面的显著异质性（Xiong等人，2025）——从“犹豫的初学者”到“自信的专家”——意味着挑战性压力和阻碍性压力并不是均匀分布的，而是受到机构类型、地理位置和培训背景的系统影响。这种结构上的差异为技术压力评估提供了有价值的自然变异来源，使JD-R框架能够揭示其在需求过载和资源匮乏同时集中的群体中的差异化预测逻辑。因此，幼儿园教师不仅是一个方便的样本，而且是测试综合TAM–JD-R模型的理论上有价值的对象。
本研究通过探讨以下研究问题来解决这些缺口：（1）TAM框架（感知有用性、感知易用性）和技术压力维度（挑战性与阻碍性）如何共同影响幼儿园教师的AI采用意图？（2）AI采用意图通过何种机制影响职业幸福感？（3）JD-R因素（组织支持、技术自我效能、工作负荷）如何调节这些关系？通过整合TAM和JD-R框架，本研究提出了一个全面的模型，解释了技术认知、职业压力和职业幸福感在幼儿园教师AI采用背景下的复杂相互作用。

1.2 研究目标和贡献
本研究有三个主要目标。首先，它构建并实证验证了一个综合理论模型，结合了TAM和JD-R框架，以解释幼儿园教师的AI采用意图和职业幸福感。这种整合解决了现有研究中理论碎片化的问题，即技术接受研究忽视了职业背景，而工作压力研究忽略了技术决定因素。其次，该研究实证考察了技术压力的双重效应，区分了可能激发学习动机和职业成长的挑战性技术压力与消耗心理资源并抑制采用的阻碍性技术压力。第三，它探讨了组织资源（组织支持、技术自我效能）和工作需求（工作负荷）如何调节技术认知、技术压力、采用意图和职业幸福感之间的关系。
本研究的三项理论贡献如下。首先，它通过展示职业压力机制如何调节技术认知与行为意图之间的关系，从而扩展了TAM的传统关注点（Agnihotri和Chen，2025；Kim，2025），回应了在特定职业领域中情境化技术接受模型的需求（Wang等人，2024；Wu和Derakhshan，2025）。其次，该研究通过纳入特定于技术的需求和资源，丰富了JD-R理论，说明了AI技术如何同时作为工作需求（产生技术压力）和工作资源（增强自我效能和工作效率）。这种双重角色解释了为什么技术采用在不同个体和情境中会产生不同的结果（Conrad等人，2022；Hu等人，2025；Nascimento等人，2024a，2024b）。第三，通过实证验证挑战性压力与阻碍性压力对采用意图和幸福感的不同影响，该研究推进了新兴的技术积极压力文献（Nascimento等人，2025；Zhao等人，2024），并挑战了技术引起的压力普遍损害职业功能的普遍假设。
实际贡献解决了教育管理者、政策制定者和专业发展实践者面临的紧迫问题。对于幼儿园管理者来说，研究结果指出了具体的组织支持措施——技术培训、同事协助、工作负荷管理——可以缓解阻碍性技术压力，同时增强挑战性技术压力，从而促进可持续的AI整合（Maas等人，2022；Wang，2025；Xiong等人，2025）。识别技术压力维度使得可以采取有针对性的干预措施：通过适当的支持可以培养挑战性技术压力（Pe?alver和Díaz-Mena，2023），而阻碍性技术压力则需要解决工作负荷、技术复杂性和机构模糊性的结构性解决方案（Dhilipan等人，2025；Routray和Khandelwal，2024）。对于政策制定者来说，研究强调了需要包括技术基础设施以及针对幼儿教育背景的心理资源和支持指导的全面支持系统（Bahr，2025；Luo等人，2025）。研究发现组织支持和技术自我效能显著预测了AI采用意图，表明政策干预应优先考虑能力建设而不仅仅是提供技术。
此外，该研究通过采用基于协方差的结构方程建模（CB-SEM）在综合理论框架内考察复杂的调节机制，提供了方法论贡献。与技术接受研究中常见的部分最小二乘法不同，CB-SEM能够严格评估模型拟合度和理论检验，从而增强了关于技术压力、采用意图和职业幸福感之间双重路径机制的结论的可靠性（Hu等人，2025）。该研究关注中国幼儿园教师，填补了一个重要的实证空白，为跨文化比较提供了基线数据，并为快速数字化的新兴经济体提供了特定情境下的干预策略（Xiong等人，2025）。
总之，本研究为多方利益相关者提供了可操作的知识，同时推进了对技术采用作为受压力调节、资源调节过程的理论理解，这一过程嵌入在职业背景中。通过阐明AI技术如何作为职业成长的催化剂而非职业压力的来源，该研究为实现教育技术的变革潜力做出了贡献，同时保护了教师的幸福感（Huang和Zhao，2025；Bhojak等人，2025）。

2 文献回顾和假设发展
2.1 理论框架
本研究整合了两个已建立的理论框架——技术接受模型（TAM）和工作需求-资源（JD-R）模型——以阐明幼儿园教师采用AI和职业幸福感的机制。TAM最初由Davis（1989）提出，认为技术采用主要由感知有用性（PU）和感知易用性（PEOU）决定。PU反映了个人相信使用特定技术将提高工作绩效的信念，而PEOU捕捉了个人预期技术使用轻松的程度。在各种教育背景下的广泛实证验证证实了TAM的解释力，最近的研究表明其也适用于大学生和教师的生成式AI采用（Agnihotri和Chen，2025；Kim，2025）。然而，TAM仅关注认知评估，忽略了情感和情境因素——压力、组织资源、工作负荷——这些因素在职业环境中从根本上塑造了技术采用决策（Wang等人，2024；Wu和Derakhshan，2025）。
JD-R模型通过提供一条理解职业幸福感的路径来弥补这些局限性（Demerouti等人，2001）。在本研究中，根据Warr（1990）的定义，职业幸福感是一个多维结构，包括情感成分（积极情感、工作满意度和热情）和评估成分（对工作情况的认知评估和职业成就感），涵盖了教师幸福感的享乐和幸福两个方面。
这种概念化需要与相关概念明确区分。职业倦怠和情绪衰竭代表了幸福感的缺失——由于持续的资源消耗而产生的负面结果——而不是其组成部分。技术压力是对技术相关需求的评估性压力反应，可能会影响幸福感，但并不等同于幸福感本身。韧性则是个人应对需求的应对资源，而不是幸福感本身的一部分。
在JD-R框架中，健康损害路径指出，过高的工作需求（工作负荷、角色模糊性、情感劳动）会消耗员工的心理和身体资源，最终导致疲惫和脱离。相反，动机路径认为工作资源（自主性、社会支持、反馈）能够促进参与度、动机以及积极的组织成果（Han等人，2020年；Skaalvik和Skaalvik，2018年）。实证研究证实了这些不同路径在各级教育工作者中的存在，个人资源如自我效能感起到了缓冲需求-压力关系的保护机制作用（Russell和Liggans，2020年；Skaalvik，2020年）。TAM和JD-R框架的整合产生了理论上的协同效应，解决了各自模型固有的局限性。TAM解释了推动技术接受度的认知机制，但忽略了调节采用过程的工作压力和组织支持。JD-R理论很好地阐明了幸福感动态，但未能充分解释当代工作场所特有的技术需求和资源（Khan等人，2024年；Nascimento等人，2024a，2024b）。综合这些框架使我们能够将人工智能技术概念化为同时构成工作需求（通过复杂性和学习要求产生技术压力）和工作资源（提高效率、自主性和能力）（Hu等人，2025年；Xu和Hu，2024年）。这种双重角色解释了为什么技术采用会产生不同的结果：对一些教师来说，人工智能是一种增强专业能力的工具；而对另一些教师来说，它则成为加剧工作压力的额外负担（Zhao等人，2024年；Wang等人，2023年）。最近关于技术压力的研究证实了这种双重概念。Tarafdar等人（2019年）区分了技术愉悦压力（促进成长和掌握的以挑战为导向的技术压力）和技术困扰压力（消耗资源并引发压力的以阻碍为导向的压力）。实证研究表明，技术愉悦压力与工作满意度、工作表现和继续工作的意愿呈正相关，而技术困扰压力则预示着情绪疲惫、脱离工作和离职意愿（Nascimento等人，2024a，2024b；Nascimento等人，2025年）。在高等教育教师中，有用性的感知和组织支持被认为是技术愉悦压力的主要前因，而复杂性和工作-家庭冲突则预示着技术困扰压力（Marrinhas等人，2023年；Nascimento等人，2024a，2024b）。这些发现强调了在考察技术采用时区分技术压力维度的必要性，特别是在职业环境中，专业身份、自主性和关系动态与技术要求相互交织的地方（Wang等人，2024年；Vergine等人，2022年）。本研究中改进的整合TAM-JD-R框架将人工智能采用意图视为认知评估（PU，PEOU）、情感体验（挑战和技术困扰压力）以及情境因素（组织支持、自我效能感、工作负荷）的结果。职业幸福感作为远端结果，既直接受到技术压力维度的影响，也通过采用意图间接受到影响。这种配置与最近的理论发展一致，强调技术采用是一个嵌入职业中的、由心理因素中介的过程，而不是与工作场所体验隔离的离散决策（Hu等人，2025年；Wu和Derakhshan，2025年）。通过解释工作资源如何缓冲负面技术压力效应同时放大积极路径，该模型回应了支持教育环境中可持续技术整合的资源中心干预措施的需求（Huang和Zhao，2025年；Maas等人，2022年）。

2.1.1 整合机制：统一的认知-评估-行为过程
TAM、JD-R和整体技术压力框架这三个理论组成部分不是叠加的层次，而是单一认知-评估-行为过程中的相互关联的元素，每个部分都扮演着功能独特且不重复的角色。TAM指定了认知起点：教师对人工智能有用性（PU）和易用性（PEOU）的信念通过建立技术的感知工具价值来启动采用决策。然而，这些认知评估并不是在职业真空中进行的。JD-R模型提供了形成和调节这些评估的结构条件：组织资源（支持、自我效能感）增强了有用性感知的积极价值，并扩大了可用于技能获取的心理带宽，而工作需求（工作负荷）则限制了这一带宽并加剧了对压力的脆弱性。技术压力位于认知和情境的交界处，构成了将结构条件转化为不同动机结果的情感-评估机制：挑战技术压力激活了以方法为导向的参与过程（与JD-R的动机路径一致），而阻碍技术压力则触发了回避动机和资源消耗（与JD-R的健康损害路径一致）。这种功能映射澄清了整合模型的解释逻辑，并解决了关于各构建角色可能的歧义。TAM变量（PU，PEOU）作为启动人工智能采用评估的认知前因。技术压力维度（CTS，HTS）作为采用意图的情感前因——不是与TAM并行运行的独立预测因子，而是由认知评估与JD-R指定的职业环境之间的互动所塑造的评估结果。采用意图作为职业幸福感的直接行为决定因素，而JD-R资源和需求则通过已建立的职业健康路径对幸福感产生额外的直接影响。这些组成部分共同形成了一个连贯的解释链，而不仅仅是一系列平行的假设：认知评估 → 压力评估 → 行为意图 → 幸福感，整个过程受到JD-R指定的资源-需求平衡的调节。图1展示了整合框架的假设研究模型，作为一个独立图表，描绘了在估计之前TAM构建、技术压力维度、JD-R因素和职业幸福感之间的假设关系。从实证分析中得出的标准化路径系数随后在结果部分的表1中呈现（第4.3节）。

图1 整合TAM-JD-R框架的假设研究模型。实线箭头代表假设的直接路径；虚线箭头代表JD-R因素的假设调节影响。该图展示了在实证估计之前的理论关系；标准化路径系数在表1中报告。

表1 假设
路径 β SE t p
H1 PU → AAI 0.365 0.073 5.01 < 0.001 支持
H2 PEOU → AAI 0.250 0.078 3.22 0.001 支持
H3a CTS → AAI 0.136 0.066 2.07 0.039 支持
H3b HTS → AAI ?0.187 0.061 ?3.09 0.002 支持
H4a CTS → OWB ?0.049 0.064 ?0.76 0.449 不支持
H4b HTS → OWB 0.000 0.084 ?0.000.998 不支持
H5 AAI → OWB 0.193 0.069 2.80 0.005 支持
H6 OS × HTS → AAI 0.142 0.067 2.12 0.034 支持
H7 TSE × CTS → AAI 0.098 0.058 1.69 0.091 不支持
H8 WL × HTS → OWB ?0.163 0.071 ?2.30 0.021 支持
结构模型结果：假设检验。
β = 标准化路径系数；SE = 标准误差；PU = 感知有用性；PEOU = 感知易用性；AAI = 人工智能采用意图；CTS = 挑战技术压力；HTS = 阻碍技术压力；OWB = 职业幸福感；OS = 组织支持；TSE = 技术自我效能感；WL = 工作负荷。H6–H8是调节（交互）项。

2.2 假设发展
2.2.1 技术接受机制
TAM的核心命题认为感知有用性和感知易用性是技术采用意图的主要决定因素。在教育工作者中，PU反映了人工智能工具能够提高教学质量、简化行政任务和改善学生学习成果的信念（Agnihotri和Chen，2025年；Bhojak等人，2025年）。实证证据证实了PU在各种教育背景下对人工智能采用的强大预测能力，标准化路径系数通常在β = 0.35到0.58之间（Kim，2025年；Xiang等人，2025年）。特别是对于学前教育教师来说，人工智能技术提供了包括个性化学习活动设计、发展性评估自动化和促进家长沟通在内的潜在好处（Luo等人，2025年；Xiong等人，2025年）。当教师认为人工智能工具对核心教学功能具有工具价值时，他们的采用意图相应地增强。因此：
H1：感知有用性正向预测学前教育教师的AI采用意图。
PEOU捕捉了掌握和利用人工智能技术所需的预期努力。表现出低技术焦虑和高数字素养的教师认为人工智能工具更易于使用，从而增强了采用意图（Lim，2023年；Wu和Derakhshan，2025年）。元分析证据表明PEOU对采用意图有中等至强的影响（β = 0.25到0.48），部分通过PU中介（Agnihotri和Chen，2025年；Kim，2025年）。由于学前教育教师的整体技术自我效能感通常低于中等或高等教育教师（Xiong等人，2025年），PEOU显得尤为重要。用户友好的界面、直观的功能和充分的培训减少了与人工智能采用相关的认知负担，促进了积极的态度和行为意图。因此：
H2：感知易用性正向预测学前教育教师的AI采用意图。

2.2.2 技术压力对人工智能采用的双重影响
将挑战技术压力与阻碍技术压力区分开来，将情感机制引入了技术采用模型。挑战技术压力包括被视为掌握机会、技能发展和职业成长需求的需求（Nascimento等人，2024a，2024b；Zhao等人，2024年）。当人工智能技术带来可克服的学习挑战并伴有足够的支持时，教师可能会感到刺激而不是威胁，从而激发内在动机和采用意图（Nascimento等人，2025年）。在高等教育教师中的实证研究显示，技术愉悦压力与继续工作的意愿呈正相关（β = 0.18到0.32），这种关联通过增强自我效能感和工作参与度中介（Zhao等人，2024年）。对于学前教育教师来说，挑战技术压力可能表现为对探索创新教学应用的热情、对获得人工智能能力的信心以及对职业发展好处的期待。这些积极的评估与JD-R理论的动机路径一致，其中挑战需求激活了参与过程。因此：
H3a：挑战技术压力正向预测学前教育教师的AI采用意图。
相反，阻碍技术压力包括被视为阻碍目标实现的需求，消耗资源而没有相应的回报，并产生焦虑或挫败感（Nascimento等人，2024a，2024b；Wang和Yao，2023年；Wang等人，2023年）。技术复杂性、不可靠的系统、不足的培训和快速的技术变化是阻碍技术压力的特征（Dhilipan等人，2025年；Routray和Khandelwal，2024年）。当人工智能技术造成过重的认知负担、扰乱既定的工作流程或引发能力威胁时，教师会经历压力，激活JD-R的健康损害路径（Vergine等人，2022年）。实证研究记录了阻碍技术压力与技术采用意图之间的负相关（β = ?0.19到?0.35），这种影响通过情绪疲惫和自我效能感下降中介（Wang等人，2023年）。对于面临双重压力的学前教育教师——既要掌握人工智能能力又要保持适合儿童发展的实践——阻碍技术压力可能触发回避动机，从而阻碍采用。因此：
H3b：阻碍技术压力负向预测学前教育教师的AI采用意图。
重要的是要澄清技术压力在所提出模型中的结构角色。挑战技术压力和阻碍技术压力都被概念化为采用意图的前因，即作为先于并塑造行为意图的情感评估结果，而不是作为TAM构建与幸福感之间的中介，或者作为在单独路径上运行的独立预测因子。这种定位与基于评估的压力理论一致（Tarafdar等人，2019年），其中技术压力反映了人们对技术相关需求的主观评估，这些评估被认为是促进成长或消耗资源的，这些评估位于行为意图之前。从技术压力到职业幸福感的潜在间接路径通过采用意图作为中介机制在理论上是可以的，并在第4.4节的探索性分析中进行了检验；然而，由于横断面设计的局限性，这并没有被正式化为主要假设。

2.2.3 技术压力与职业幸福感
技术压力维度与职业幸福感之间的关系在理论上仍然模糊且实证上存在争议。JD-R理论预测，挑战需求通过动机机制间接促进幸福感——提高掌握程度、能力满意度和工作参与度（Han等人，2020年；Skaalvik和Skaalvik，2018年）。当伴有足够资源时，挑战技术压力应理论上促进愉悦压力、自我效能感和工作满意度（Nascimento等人，2024a，2024b；Zhao等人，2024年）。然而，另一种观点认为，即使是以挑战为导向的需求，如果持续时间过长或得不到支持，也可能消耗资源，从而随着时间的推移侵蚀幸福感（Russell和Liggans，2020年）。实证证据仍然不一：一些研究报告了技术愉悦压力对工作满意度和表现的积极影响（Nascimento等人，2024a，2024b），而其他研究则记录了不显著或弱的关联（Wang等人，2023年）。鉴于理论上的模糊性和这种研究的探索性质，我们假设存在直接效应，同时承认其大小和方向的不确定性：
H4a：挑战技术压力与学前教育教师的职业幸福感相关。
阻碍技术压力更直接地通过JD-R的健康损害路径预测幸福感下降。技术挫败感、工作-家庭界限的侵犯以及对专业能力的感知威胁消耗了心理资源，导致情绪疲惫、工作不满和离职意愿（Wang等人，2023年；Vergine等人，2022年）。在教师中，阻碍技术压力源——系统不可靠、支持不足、需求过高——与幸福感指标呈负相关（β = ?0.22到?0.45）（Procentese等人，2023年；Toscano等人，2024年）。对于学前教育教师来说，阻碍技术压力可能表现为对人工智能是否适合幼儿的担忧、对减少的关系教学法的担忧以及由于机构支持不足而产生的压力。这些经历与早期教育工作者中记录的更广泛的工作压力源一致，包括工作负荷压力和资源稀缺（Maas等人，2022年）。因此：
H4b：阻碍技术压力负向预测学前教育教师的职业幸福感。

2.2.4 人工智能采用意图与职业幸福感
技术采用意图与职业幸福感之间的关系反映了自我决定理论关于自主性和能力满意度的命题（Huang和Zhao，2025年）。打算采用人工智能技术的教师可能认为技术能力与专业目标一致，从而促进自主性、效能感和工作的意义（Bhojak等人，2025年）。采用意图表明了对管理技术变化的信心、对绩效提升的期待以及积极参与专业发展的意愿——这些因素与积极的幸福感结果相关（Wen和Cai，2025年）。实证研究记录了教育工作者中技术采用意图与工作满意度之间的中等正相关（β = 0.19到0.38）（Huang和Zhao，2025年；Xiang等人，2025年）。对于学前教育教师来说，人工智能采用意图可能通过减少行政负担、实现个性化教学和培养作为创新教育者的专业身份来提高幸福感（Luo等人，2025年）。因此：H5：人工智能采用意向对幼儿教师的职业幸福感有积极预测作用。2.2.5 工作资源和需求的调节作用 JD-R理论认为，工作资源可以调节需求与压力结果之间的关系，减轻负面影响的同时放大积极效应（Maas等人，2022年；Skaalvik和Skaalvik，2018年）。组织支持——对技术整合的制度承诺、提供培训、分配实施时间——是教师应对技术转型的重要资源（Wu和Derakhshan，2025年）。当组织支持度高时，技术压力对采用意向和幸福感的阻碍作用会减弱，因为教师感受到机构对实施挑战的认可和援助的可用性（Maas等人，2022年）。相反，在组织支持度低的情况下，技术压力源会加剧压力和抵制。实证研究证实了组织支持在教师技术压力与结果关系中的调节作用（Wang等人，2024年）。因此：H6：组织支持调节了技术压力与人工智能采用意向之间的关系，即在组织支持度高时，负面影响会减弱。技术自我效能作为一种个人资源，同样可以调节技术压力的影响。具有高自我效能的教师将技术挑战视为可克服的，将潜在的压力源转化为以挑战为导向的成长机会（Lim，2023年；Wu和Derakhshan，2025年）。自我效能增强了应对能力，减少了威胁感知，并在技能获取阶段保持了参与度（Xiang等人，2025年）。研究表明，自我效能可以减轻负面技术压力效应，同时加强挑战需求与动机结果之间的积极关联（Huang和Zhao，2025年；Wang等人，2024年）。因此：H7：技术自我效能调节了挑战技术压力与人工智能采用意向之间的关系，即在自我效能高时，积极效应会增强。工作负荷作为一种工作需求，可能会通过消耗管理技术转型所需的资源而加剧技术压力对幸福感的影响。在高工作负荷条件下，即使是面向挑战的技术压力源也可能超出教师的应对能力，激活压力过程（Han等人，2020年；Russell和Liggans，2020年）。时间压力和竞争性职责限制了人工智能技能发展的机会，增加了将技术需求视为障碍而非挑战的感知（Maas等人，2022年）。实证证据表明，工作负荷加剧了教师工作需求与幸福感结果之间的负面关系（Han等人，2020年；Skaalvik和Skaalvik，2018年）。据此：H8：工作负荷调节了技术压力与职业幸福感之间的关系，即高工作负荷会加剧负面影响。综合研究模型将这些假设结合起来，将TAM构念、技术压力维度以及JD-R因素定位为人工智能采用意向和职业幸福感的先行因素。图1展示了假设的结构关系，其中调节效应通过技术压力维度与情境变量之间的交互项表示。该模型通过阐明认知评估（PU、PEOU）、情感体验（挑战和技术压力）、个人资源（自我效能）、组织资源（支持）以及工作需求（工作负荷）如何共同决定幼儿教师对人工智能技术的反应，推进了理论理解。对该模型的实证验证填补了技术采纳和职业健康文献中的关键空白，同时为教育实践和政策提供了可操作的见解。

3 方法论
3.1 研究设计和样本
本研究采用横断面调查设计，以考察技术接受度、技术压力和职业幸福感构念在综合TAM-JD-R框架内的关系。横断面设计能够高效收集数据，同时为通过基于协方差的结构方程建模（CB-SEM）测试复杂结构关系提供足够的统计功效（Skaalvik和Skaalvik，2018年；Han等人，2020年）。目标人群包括目前在中国公立和私立幼儿园工作的所有全职幼儿教师。选择这一人群基于实证和理论依据，如引言（第1.1节）中详细说明的；简而言之，幼儿教师是一个理论上有生产力的测试场所，因为他们具有双重合法性要求，并且该群体内的人工智能素养存在结构差异（Xiong等人，2025年）。数据收集时间为2024年3月至5月，这一时期中国国家教育数字化战略行动后对教育数字化的政策重视程度增加。在招募参与者之前，已获得大学机构审查委员会的伦理批准，所有程序均符合人类受试者研究的伦理标准。抽样策略采用了多阶段程序，结合了目的性和基于概率的选择。在第一阶段，选择了六个代表不同经济发展水平的省份（东部沿海地区、中部地区和西部地区）以实现区域多样性；这一阶段显然是非概率性的，不能声称具有全国代表性。在每个省份内，根据机构类型（公立、私立）和地理位置（城市、农村）对幼儿园进行分层。在第二阶段，对每个层内进行比例随机抽样以选择参与幼儿园。在最后阶段，邀请所有选定机构的全职幼儿教师自愿参与。这种部分非概率性的设计反映了中国大规模教师调查研究中使用的协议（Maas等人，2022年；Han等人，2020年），并捕捉到了机构资源、教师资格和技术获取方面的有意义异质性，而目的性的省份选择限制了严格代表性的主张。样本量的确定遵循了CB-SEM的既定指南，该指南建议对于中等复杂度的模型，最小样本量为200个（Jacobucci等人，2016年）。应用保守的10:1的观察值与估计参数的比例，本研究包含9个潜在构念的30项测量模型至少需要300名参与者。共发放了347份问卷，回收了312份（回应率：89.9%）。排除12份不完整的回应（完成率<80%）后，最终分析样本包括300名幼儿教师（有效回应率：86.5%）。该样本量超过了CB-SEM的传统阈值，同时提供了足够的统计功效（1-β > 0.80），用于检测中等效应大小（Cohen的f2 = 0.15），α = 0.05）。

样本的人口统计特征反映了中国幼儿教师的构成。样本主要为女性（94.3%，n = 283），这与幼儿教育中的性别分布一致（Xiong等人，2025年）。年龄分布在22至58岁之间（平均值=32.47岁，标准差=7.85岁），其中大多数（61.3%）年龄在26至35岁之间。教学经验从少于3年（28.7%）到超过11年（19.0%）不等，以3至5年的经验最为普遍（31.0%）。教育资格包括副学士学位（48.3%）、学士学位（44.7%）和硕士学位或以上（7.0%），与全国幼儿教师资格统计相符。机构归属包括公立幼儿园（56.7%）和私立幼儿园（43.3%），分布在一线城市（22.3%）、二线城市（35.0%）、三/四线城市（28.0%）和农村地区（14.7%）。72.3%的参与者报告之前接触过人工智能工具，表明样本中对生成式人工智能技术有一定熟悉度。

3.2 测量工具
所有构念均使用从现有文献中改编的经过验证的量表进行操作化，进行了修改以反映幼儿教育背景和特定的生成式人工智能技术。项目最初是用英语开发的，通过回译程序翻译成中文，并由三位幼儿教育专家和两位应用语言学家审阅，以确保语义等效性和情境适用性（Lim，2023年）。对45名未包含在主要样本中的幼儿教师进行的预测试得出了令人满意的可靠性估计（所有子量的Cronbach’s α > 0.70），并确认了项目的可理解性。所有项目采用了五点李克特型回应量表，范围从1（强烈不同意）到5（强烈同意），这与教育技术研究中的测量实践一致（Agnihotri和Chen，2025年；Wang等人，2024年）。

感知有用性（PU）使用从Davis（1989年）的原始TAM量表中改编的四个项目进行测量，修改后适用于幼儿教学背景。样本项目包括“使用生成式人工智能将提高我的教学工作效率”和“生成式人工智能对我的幼儿教育工作有价值”。PU量表在先前的教育技术研究中表现出很强的内部一致性（α = 0.85–0.91）（Agnihotri和Chen，2025年；Kim，2025年），并在当前样本中表现出出色的可靠性（α = 0.86，CR = 0.90，AVE = 0.70）。

感知易用性（PEOU）包括来自Davis（1989年）TAM量表的三个项目，评估学习和操作生成式人工智能工具所需的预期努力。代表性项目包括“我发现学习使用生成式人工智能工具很容易”和“对我来说，掌握使用生成式人工智能会很容易”。先前的研究验证了PEOU在不同技术背景下的测量属性（α = 0.76–0.84）（Agnihotri和Chen，2025年；Kim，2025年），当前样本也显示出可接受的可靠性（α = 0.78，CR = 0.82，AVE = 0.60）。

人工智能采用意向（AAI）通过从Venkatesh等人（2003年）的统一技术接受和使用理论（UTAUT）中改编的三个项目进行操作化，反映了对生成式人工智能整合的行为意向。项目包括“我打算在我的未来教学中使用生成式人工智能工具”和“如果条件允许，我会定期使用生成式人工智能来辅助我的工作”。这一测量在技术采纳研究中表现出稳健的心理测量属性（α = 0.78–0.87）（Agnihotri和Chen，2025年；Xiang等人，2025年），当前样本也达到了足够的可靠性（α = 0.80，CR = 0.85，AVE = 0.66）。

挑战技术压力（CTS）和阻碍技术压力（HTS）使用从Tarafdar等人（2019年）的整体技术压力框架中改编的量表进行测量，并通过Nascimento等人（2024a，2024b）针对教育背景进行了优化。CTS包括四个项目，捕捉与技术相关需求的成长导向感知（例如，“学习使用生成式人工智能让我感到这是个人成长的机会”，“使用生成式人工智能的挑战激励我提高我的数字素养”）。HTS同样包括四个项目，反映了资源消耗的技术需求（例如，“生成式人工智能的技术复杂性让我感到焦虑和不安”，“我担心生成式人工智能技术的快速更新会让我难以跟上”）。这些量表与区分技术愉悦压力和技术痛苦压力的新兴研究一致（Nascimento等人，2024a，2024b；Nascimento等人，2025年；Zhao等人，2024年），并显示出可接受至良好的可靠性（CTS：α = 0.81，CR = 0.86，AVE = 0.60；HTS：α = 0.84，CR = 0.88，AVE = 0.65）。

职业幸福感（OWB）通过从Warr（1990年）的工作相关幸福感量表中改编的四个项目进行评估，修改后适用于幼儿教学背景。项目捕捉了幸福感的情绪（例如，“我的工作让我感到快乐和满足”）和评价（例如，“总体而言，我对我的幼儿教育工作感到满意”）维度。这一测量在教师群体中得到了广泛的验证（α = 0.81–0.88）（Skaalvik和Skaalvik，2018年；Han等人，2020年），在当前样本中也表现出很强的可靠性（α = 0.83，CR = 0.87，AVE = 0.62）。

组织支持（OS）包括从Eisenberger等人（1986年）的感知组织支持量表中改编的三个项目，评估机构对技术整合的支持。项目包括“我的幼儿园为教师提供了足够的技术培训和支持”和“当我使用技术遇到困难时，我可以得到及时的帮助”。这一构念在教育技术背景下显示出有效性（α = 0.79–0.86）（Maas等人，2022年；Wu和Derakhshan，2025年），当前样本也表现出良好的可靠性（α = 0.82，CR = 0.83，AVE = 0.62）。

技术自我效能（TSE）通过从Compeau和Higgins（1995年）的计算机自我效能量表中改编的三个项目进行操作化，修改后适用于生成式人工智能能力。代表性项目包括“我相信我有能力学习使用生成式人工智能工具”和“我对掌握新技术有信心”。TSE在不同技术领域中表现出强大的测量属性（α = 0.74–0.82）（Lim，2023年；Xiang等人，2025年），在本研究中也表现出可接受的可靠性（α = 0.75，CR = 0.82，AVE = 0.61）。

工作负荷（WL）使用从Karasek（1985年）的工作内容问卷中改编的两个项目进行测量，捕捉时间压力和任务量的感知。项目包括“我当前的工作负荷很重，时间非常紧张”和“除了教学外，我还需要处理大量的行政和文书工作”。尽管量表简短，但该测量仍显示出可接受的可靠性（α = 0.75，CR = 0.80，AVE = 0.67），与教师研究中使用的简短工作负荷测量一致（Han等人，2020年；Skaalvik和Skaalvik，2018年）。

人口统计信息包括性别、年龄、教学经验、教育程度、机构类型、地理位置和之前的AI工具使用情况，通过单项指标收集。完整的30项测量工具大约需要12-15分钟完成，既减少了受访者的负担，又确保了全面的构念覆盖。

3.3 数据分析策略
数据分析通过四个顺序阶段进行，使用Mplus 8.3软件，该软件因其对缺失数据、非正态性和复杂结构方程模型的强大处理能力而被选中（Jacobucci等人，2016年；Amornkitpinyo等人，2021年）。首先，初步分析检查了数据特征，包括缺失数据模式、分布属性和潜在的共同方法偏差。通过完全信息最大似然（FIML）估计处理了缺失数据（所有项目的缺失率<3%），这在缺失随机假设下提供了无偏的参数估计（Maas等人，2022年）。通过偏度（|SK| < 2）和峰度（|KU| < 7）指数评估了单变量正态性，所有项目都符合可接受的阈值。通过Harman的单因素测试和完全共线性方差膨胀因子（VIF < 3.3）评估了共同方法偏差，两者都表明偏差可以忽略不计（Han等人，2020年）。

关于测量质量指数的方法论说明是必要的。本研究报告的可靠性和有效性指标——Cronbach’s alpha（α）、复合可靠性（CR）、平均提取方差（AVE）、Fornell–Larcker标准以及异质特质-单特质比率（HTMT）——完全适用于CB-SEM框架，并且无论采用何种估计方法，都常规推荐用于评估测量模型的质量（Fornell和Larcker，1981；Hair等人，2019；Henseler等人，2015）。尽管AVE和HTMT最初是在PLS-SEM传统中流行起来的，但它们的数学基础与估计方法无关，而且在当代方法学指南中明确支持在基于协方差的分析中使用它们（Hair等人，2019）。将它们包含在这里反映了结构方程模型报告的最佳实践，而不是方法上的不一致性。其次，通过使用最大似然估计和稳健标准误差（MLR）的验证性因子分析（CFA）来评估测量模型，以适应适度的非正态性。模型拟合通过多个指标进行评估：卡方统计量（χ2）、比较拟合指数（CFI≥0.90）、Tucker-Lewis指数（TLI≥0.90）、近似均方根误差（RMSEA≤0.08）和标准化均方根残差（SRMR≤0.08），这些都与既定的指南一致（Jacobucci等人，2016；Skaalvik和Skaalvik，2018）。通过Cronbach’s alpha（α≥0.70）和复合可靠性（CR≥0.70）来检查可靠性。通过平均提取方差（AVE≥0.50）和标准化因子载荷（λ≥0.50）来确定收敛效度。根据当代建议（Agnihotri和Chen，2025；Wang等人，2024），通过Fornell-Larcker标准（√AVE超过构念间相关性）和异质特质-单特质比率（HTMT<0.85）来验证区分效度。第三，估计结构模型以检验假设的直接效应（H1–H5）。检查路径系数（β）、标准误差和显著性水平，并使用自助法（5,000次重采样）生成校正偏差的置信区间。通过决定系数（R2）来评估内生变量的解释能力，其中0.02、0.13和0.26的值分别解释为小、中、大的效应。通过Cohen的f2值（小：0.02，中：0.15，大：0.35）来评估个别路径的效应大小。通过Stone-Geisser的Q2统计量和盲法程序来检查预测相关性，Q2>0表示预测准确性（Kim，2025）。第四，通过潜在交互作用建模来检验调节假设（H6-H8），在标准化技术压力维度和调节变量（组织支持、自我效能、工作量）之间创建乘积指标。通过简单斜率分析在±1 SD的调节变量值下探测显著的交互项（p<0.05），并图形化显示交互模式（Maas等人，2022）。通过ΔR2值和比较包含交互效应与不包含交互效应的嵌套模型的似然比来评估交互项的增量贡献。在所有分析中，统计显著性都在α=0.05（双尾）的水平上评估，并报告效应大小和置信区间，以便于超出零假设检验的实质性解释（Han等人，2020；Skaalvik和Skaalvik，2018）。这种分析策略与教育研究中的CB-SEM应用的最佳实践一致，优先考虑模型拟合、测量质量和理论可解释性，同时承认横断面设计对因果推断的限制（Wang等人，2024；Xiang等人，2025）。

4 结果
4.1 初步分析
在假设检验之前，进行了初步分析以检查数据特征。表2展示了所有研究变量之间的描述性统计和双变量相关性。所有构念的平均得分在5点李克特量表上介于3.41到3.55之间，表明所有测量变量的水平适中。值得注意的是，感知有用性（M=3.49，SD=0.73）和AI采纳意图（M=3.51，SD=0.75）显示出相对较高的得分，表明幼儿园教师普遍认为生成式AI是有用的，并表达了采纳它的意愿。

表2
变量 MSD
1 3.49 0.73 (0.86)
2 PEOU 3.49 0.76 0.51 **(0.78)
3 AAI 3.51 0.75 0.58 **0.48 (0.80)
4 CTS 3.55 0.72 0.32 **0.28 **0.38 (0.81)
5 HTS 3.51 0.74 ?0.22 **?0.32 **?0.28 *(0.84)
6 OWB 3.48 0.77 0.38 **0.33 **0.42 **0.28 **?0.38 (0.83)
7 OS 3.41 0.77 0.42 **0.38 **0.32 **0.22 **?0.32 **0.48 (0.82)
8 TSE 3.47 0.71 0.48 **0.52 **0.42 **0.36 **?0.42 **0.38 (0.75)
9 WL 3.50 0.78 ?0.12 *?0.18 **?0.15 **?0.08 0.42 **?0.32 **?0.18 (0.75)
描述性统计和相关性矩阵。
N=300。Cronbach’s α值在对角线上以括号形式呈现。PU=感知有用性；PEOU=感知易用性；AAI=AI采纳意图；CTS=技术压力挑战；HTS=技术压力阻碍；OWB=职业幸福感；OS=组织支持；TSE=技术自我效能；WL=工作量。*p<0.05。**p<0.01。
相关性矩阵显示的模式与理论预期一致。感知有用性和感知易用性与AI采纳意图有显著的正相关（r=0.58和r=0.48，分别，p<0.01），支持技术接受模型框架。技术压力挑战与AI采纳意图呈正相关（r=0.38，p<0.01），而技术压力阻碍则呈负相关（r=?0.28，p<0.01），初步支持技术压力的双重性质。

4.2 测量模型评估
使用Mplus 8.3中的最大似然估计和稳健标准误差（MLR）进行验证性因子分析（CFA）来评估测量模型。九因子测量模型对数据的拟合非常好：χ2(383)=418.13，p=0.105，χ2/df=1.09，CFI=0.990，TLI=0.989，RMSEA=0.017（90% CI [0.000, 0.028]，SRMR=0.056）。所有拟合指数均超过了推荐阈值（Hu和Bentler，1999），表明假设的因子结构充分代表了观察数据。如表3所示，所有标准化因子载荷介于0.629到0.872之间，超过了推荐的0.50阈值（Hair等人，2019）。通过Cronbach’s alpha（α=0.75–0.86）和复合可靠性（CR=0.80–0.90）建立了内部一致性可靠性，所有这些都超过了0.70的标准。通过平均提取方差（AVE）值介于0.60到0.70之间，支持了收敛效度，所有这些都超过了0.50的阈值（Fornell和Larcker，1981）。

表3
构念/项目 λ α CRAVE
感知有用性（PU） 0.86 0.90 0.70
PU1 0.83 8
PU2 0.82 2
PU3 0.73 8
PU4 0.71 5
感知易用性（PEOU） 0.78 0.82 0.60
PEOU1 0.75 8
PEOU2 0.74 9
PEOU3 0.69 0
AI采纳意图（AAI） 0.80 0.85 0.66
AAI1 0.79 1
AAI2 0.74 3
AAI3 0.73 6
技术压力挑战（CTS） 0.81 0.86 0.60
CTS1 0.69 1
CTS2 0.78 5
CTS3 0.62 9
CTS4 0.79 2
技术压力阻碍（HTS） 0.84 0.88 0.65
HTS1 0.74 8
HTS2 0.67 0
HTS3 0.87 2
HTS4 0.74 8
职业幸福感（OWB） 0.83 0.87 0.62
OWB1 0.87 1
OWB2 0.66 0
OWB3 0.75 5
OWB4 0.69 2
组织支持（OS） 0.82 0.83 0.62
OS1 0.79 9
OS2 0.75 7
OS3 0.76 7
技术自我效能（TSE） 0.75 0.82 0.61
TSE1 0.64 5
TSE2 0.76 1
TSE3 0.71 6
工作量（WL） 0.75 0.80 0.67
WL1 0.78 8
WL2 0.76 0
测量模型结果：因子载荷和可靠性。
λ=标准化因子载荷；α=Cronbach’s alpha；CR=复合可靠性；AVE=平均提取方差。所有因子载荷在p<0.001的水平上显著。
使用Fornell-Larcker标准来检验区分效度。每个构念的AVE的平方根超过了它与其他构念的相关性，确认了足够的区分效度。此外，异质特质-单特质比率（HTMT）值都低于0.85，进一步支持了区分效度（Henseler等人，2015）（见表4）。

表4
模型 χ2 df χ2/df CFI TLI RMSEA SRMR
测量模型 418.13 383 1.09 0.99 0.98 0.017 0.056
结构模型 418.13 383 1.09 0.99 0.98 0.017 0.056
推荐标准——< 3 > 0.90 < 0.08 < 0.08
模型拟合指数。

4.3 结构模型和假设检验
估计结构模型以检验假设的关系。模型拟合非常好：χ2(383)=418.13，χ2/df=1.09，CFI=0.990，TLI=0.989，RMSEA=0.017，SRMR=0.056。假设检验结果总结在表1中。

4.3.1 TAM核心路径
与技术接受模型一致，感知有用性对AI采纳意图有显著的正面影响（β=0.365，p<0.001），支持H1。感知易用性也正向预测了AI采纳意图（β=0.250，p=0.001），支持H2。此外，感知易用性显著影响了感知有用性（β=0.510，p<0.001），与TAM的预测一致。

4.3.2 技术压力的双重效应对AI采纳的影响
结果显示，两种技术压力维度对AI采纳意图有不同的影响。技术压力挑战正向预测了AI采纳意图（β=0.136，p=0.039），支持H3a。相反，技术压力阻碍负向预测了AI采纳意图（β=?0.187，p=0.002），支持H3b。这些发现从实证上验证了技术在幼儿园教师AI采纳背景下的双重性质。

4.3.3 技术压力与职业幸福感
与预期相反，技术压力挑战（β=?0.049，p=0.449）和技术压力阻碍（β=0.000，p=0.998）都没有对职业幸福感产生显著的直接影响。因此，H4a和H4b未得到支持。这一发现表明，在这个群体中，技术压力对职业幸福感的影响可能是间接的而非直接的。

4.3.4 AI采纳意图与职业幸福感
AI采纳意图显著且正向预测了职业幸福感（β=0.193，p=0.005），支持H5。这一结果表明，具有较高AI采纳意图的教师倾向于报告更高的职业幸福感。

4.3.5 JD-R因素的调节效应
使用潜在交互作用建模来检验三个调节假设。组织支持与技术压力阻碍之间的交互作用显著预测了AI采纳意图（β=0.142，SE=0.067，t=2.12，p=0.034），支持H6。简单斜率分析确认，在高组织支持下，技术压力阻碍对采纳意图的负面影响显著减弱（?1 SD：β=?0.271，p<0.001；+1 SD：β=?0.103，p=0.198），这与JD-R理论的资源命题一致。关于H7，技术自我效能与技术压力挑战之间的交互作用产生了正向但不显著的系数（β=0.098，SE=0.058，t=1.69，p=0.091），未达到常规显著性阈值；因此H7未得到支持。最后，工作量与技术压力阻碍之间的交互作用显著且负向预测了职业幸福感（β=?0.163，SE=0.071，t=?2.30，p=0.021），支持H8。在高工作量条件下，技术压力阻碍对职业幸福感的负面影响显著加剧，这与JD-R理论的预测一致，即当资源同时耗尽时，需求会加剧压力结果。所有调节结果总结在表1中（H6–H8行）（见图2）。

图2
结构模型及标准化路径系数。所有路径均用实线箭头表示；非显著路径（H4a，H4b）通过缺乏显著性标记来表示。*p<0.05，**p<0.01，***p<0.001。PU=感知有用性；PEOU=感知易用性；AAI=AI采纳意图；CTS=技术压力挑战；HTS=技术压力阻碍；OWB=职业幸福感。每个内生构念内显示了R2值。

4.4 额外发现：JD-R路径
本节报告的路径在原始研究模型中并未被指定为主要假设。它们是从完整结构模型中作为与JD-R理论一致的理论可解释发现而产生的，这里作为探索性、事后结果进行报告。应适当谨慎解释这些发现，并作为未来验证性研究的方向，而不是作为正式的假设检验。
除了核心假设之外，结构模型还揭示了几条与工作需求-资源框架一致的重要路径。组织支持显著预测了职业幸福感（β=0.305，p<0.001），技术自我效能也是如此（β=0.201，p=0.025）。工作量负向预测了职业幸福感（β=?0.221，p=0.001），这与JD-R理论的预测一致，即工作需求会耗尽心理资源。关于技术压力的前因，技术自我效能显著预测了技术压力挑战（β=0.342，p<0.001）和技术压力阻碍（β=?0.406，p<0.001），表明技术自我效能较高的教师更可能将技术相关需求视为成长机会而非威胁。组织支持负向预测了技术压力阻碍（β=?0.169，p=0.005），而工作量正向预测了技术压力阻碍（β=0.325，p=0.001）。

4.5 模型解释能力
表5展示了内生变量的决定系数（R2）。该模型解释了AI采纳意图43.6%的方差和职业幸福感38.3%的方差，表明对主要结果变量感知有用性的首要性表明，在资源受限的环境中，工具理性支配着幼儿园教师的采纳决策，这与专业群体优先考虑功能价值是一致的（Bhojak等人，2025年）。然而，易用性的适度贡献表明，技术简单性本身不足以弥补感知到的教学无关性，这挑战了以用户为中心的设计范式背后的假设（Luo等人，2025年）。这些发现对中国幼儿园教育背景有直接的影响，因为国家数字化的强制性要求（例如《国家教育数字化战略行动计划》）加大了教师整合人工智能工具的压力。感知有用性的重要作用表明，如果没有明显的教学价值，自上而下的技术部署将会遇到阻力；因此，政策制定者和管理者在强制采用之前，应该优先展示人工智能工具在课堂上的具体益处。

其次，对技术压力维度的实证区分——挑战性技术压力积极预测采纳意图，而阻碍性技术压力则消极预测采纳意图（见表1）——为整体技术压力框架的双路径机制提供了直接证据（Tarafdar等人，2019年）。挑战性技术压力激活了类似于JD-R理论中的参与路径的动机，其中被视为成长机会的需求会激发掌握动机，而不是资源消耗（Nascimento等人，2024a，2024b）。相反，阻碍性技术压力触发了健康损害路径中的回避动机，其中阻碍目标实现的需求会激活压力过程（Wang等人，2023年）。这种分化挑战了将技术视为普遍具有压力的主流观点，而是支持了细致的观点，即技术根据情境评估可以同时起到挑战和阻碍的作用（Zhao等人，2024年）。在中国幼儿园教育的背景下，这些发现表明，由适度的人工智能学习挑战引发的专业成长导向是一个有意义的动机杠杆，而系统不可靠性、不明确的制度政策和繁重的行政工作量是人工智能采纳的主要障碍。因此，针对这些特定阻碍因素的针对性机构干预可能会比一般性的技术推广活动带来更大的采纳成效。

不同技术压力效应的相似幅度强调了一个关键的理论含义：干预措施必须同时解决这两个路径。仅仅减少阻碍性压力因素是不够的，还需要培养以挑战为导向的评估；相反，强调成长机会则忽视了关于技术复杂性和实施支持不足的合理担忧。这一双重要求与资源保护理论一致，该理论认为个体需要同时减轻威胁和积累资源，以可持续地适应环境需求（Hu等人，2025年）。

第三，缺乏显著的技术压力与幸福感之间的直接关联（H4a和H4b；见表1）与理论预测不符，需要谨慎解释。有三个解释值得考虑，每个解释都带有不同的理论含义。中介假设认为，技术压力通过采纳意图和随后的效能体验间接影响幸福感，而不是通过直接路径（Huang和Zhao，2025年）。这种机制与自我决定理论关于自主性和能力满足作为幸福感决定因素的命题一致（Nascimento等人，2024a，2024b）。具体来说，采纳人工智能的意图可能反映了专业能动性和感知到的能力；当教师感到能够有意义地将人工智能整合到他们的教学实践中时，这种掌握感满足了核心的心理需求，并直接支持了职业幸福感。在这种观点中，人工智能不仅作为一种行为结果，还作为一种情感-动机状态，表明专业目标和技术可能性之间的对齐，从而促进了工作的意义感和心理满足感。时间滞后假设认为，横断面设计无法充分捕捉只有在长期暴露后才会显现的累积压力效应，这与强调慢性压力源影响的稳态负荷模型一致（Russell和Liggans，2020年）。情境优先性假设提出，鉴于幼儿教育的根本人际性质，关系和组织因素在决定幼儿园教师幸福感方面超过了特定技术的压力因素（Maas等人，2022年）。每种解释都指出了不同的研究方向：中介分析、纵向调查以及在不同压力领域划分方差的层次模型。这些解释是事后的和探索性的；在能够自信地得出关于这些机制的因果结论之前，需要进行直接的实证测试——包括正式的中介分析、跟踪压力动态的纵向设计以及在不同压力领域划分方差的层次模型。

人工智能采纳意图与职业幸福感之间的显著正相关（H5；见表1）与将技术视为本质上有负担的缺陷叙事相矛盾，而是支持了强调技术能够增强专业能动性和效能的资产导向观点（Wen和Cai，2025年）。这一发现表明，幸福感的结果更多地取决于技术可能性与专业目标之间的对齐，而不是技术本身，这与人-环境匹配理论一致（Xiang等人，2025年）。打算采纳人工智能的教师可能认为技术能力与教学价值观是一致的，从而激发了内在动机和工作意义感，而不是外部合规压力。这一结果对中国幼儿园管理者具有重要的意义：因为自愿的、目标对齐的人工智能采纳可以预测教师的幸福感，提供自主支持而非合规驱动的整合方法的机构更有可能同时实现更高的采纳率和更好的员工幸福感结果。

转向调节假设，结果在H6-H8中显示出不同的模式。组织支持显著缓解了阻碍性技术压力对人工智能采纳意图的负面影响（H6得到支持；β=0.142，p=0.034），这与JD-R理论关于制度支持可以减轻阻碍需求的动机成本的资源命题一致（Wang等人，2024年）。这一发现强调了在压力条件下，监督鼓励和资源提供在维持教师采纳人工智能意愿方面的实际重要性。工作量显著加剧了阻碍性技术压力与职业幸福感之间的负面关系（H8得到支持；β=-0.163，p=0.021），表明在资源匮乏的条件下整合技术会加剧心理成本——这一发现与JD-R理论中的加性负担假设一致（Han等人，2020年）。技术自我效能对挑战性技术压力与采纳意图关系的调节效应没有达到统计显著性（H7未得到支持；β=0.098，p=0.091）。这一空结果需要谨慎解释，而不是简单地否定：第4.4节中提出的探索性结构路径表明，自我效能可能作为主要的评估前因在意图形成之前就起作用——而不是作为压力-意图关系的下游调节因素。这种重新解释虽然是事后的，但在理论上与基于评估的压力解释是一致的，并呼吁在未来的研究中进行直接的实证检验。

通过探索性分析揭示的JD-R路径阐明了资源和需求如何塑造技术压力评估。技术自我效能对挑战性技术压力与阻碍性技术压力的不同预测表明，效能信念从根本上决定了需求评估，而不仅仅是调节压力-紧张关系，这表明应将其提升为技术采纳模型中的主要理论地位（Wu和Derakhshan，2025年）。组织对阻碍性技术压力的缓冲效应证实了JD-R理论的资源命题，同时突出了制度因素作为关键采纳决定因素的重要性（Wang等人，2024年）。工作量对阻碍性技术压力的加剧以及直接对幸福感的损害表明，技术整合发生在竞争性需求的背景下，忽视资源重新分配的实施策略可能是适得其反的（Han等人，2020年）。这项研究挑战了TAM隐含的假设，即技术采纳是一个去情境化的个人决策，而是表明采纳意图源于认知评估、情感体验、个人资源和组织环境之间的复杂互动。这一发现支持了最近呼吁建立生态学技术采纳模型的观点，这些模型承认来自个体、人际、组织和政策层面的嵌套影响（Khan等人，2024年）。挑战性技术压力与阻碍性技术压力之间的微弱相关性进一步验证了将它们视为正交维度而非两极极端的概念化，需要不同的评估和干预策略（Nascimento等人，2024a，2024b）。

5.2 实际意义和局限性

实际意义。这些发现为三个利益相关者领域提供了信息。对于管理者来说，组织支持是一个关键的干预目标，体现在专门的实施时间、响应性的技术支持和协作学习社区上，而不仅仅是孤立的培训研讨会（Maas等人，2022年）。工作量管理至关重要，因为在没有资源重新分配的情况下增加技术期望可能会将潜在的挑战转化为障碍。对于政策制定者来说，异质的技术压力反应表明，一刀切的强制性规定是不够的；政策应该能够提供适应机构多样性的情境响应性实施路径，并提供足够的培训以减少认知负荷（Sillat等人，2017年；Xiong等人，2025年）。对于专业发展提供者来说，强调掌握体验、替代学习和反思实践的效能建设方法应该优先于纯粹以技能为中心的培训，因为自我效能在评估过程中起着基础性作用（Lim，2023年）。

研究局限性。七个局限性限制了解释的范围。首先，横断面设计排除了因果推断的可能性，尽管SEM有方向性符号；纵向调查可以澄清时间顺序并测试动态采纳模型中假设的相互关系（Wang等人，2024年）。其次，自我报告测量存在共同方法方差和社会期望偏差的风险，尽管统计诊断表明这些在当前数据中的影响很小。第三，样本在中国地理上的集中限制了其在具有不同教育系统、文化价值和技术基础设施的情境中的普遍性（Luo等人，2025年；Zaheer等人，2025年）。第四，缺乏实际使用数据将结论限制在采纳意图上，而不是实施行为上，尽管元分析证据显示自愿行为的意图-行为相关性很强（Agnihotri和Chen，2025年）。第五，模型排除了可能相关的构念（教学信念、家长态度、儿童反应），这些构念可能会调节或中介所研究的关系（Alotaibi，2023年；Schriever，2021b）。第六，样本中明显的性别构成（94.3%为女性）应该被注意。这种分布准确反映了中国幼儿园教师的人口结构，因此不是抽样偏差；目前的发现最直接适用于女性幼儿园教师。现有文献表明，性别在技术采纳的TAM路径中起调节作用：女性倾向于更重视感知到的易用性，而男性则更重视感知到的有用性和主观规范（Venkatesh和Morris，2000年）。性别差异也在技术压力评估中得到记录，女性教育工作者可能报告在工作量和角色过载压力下更高的阻碍性技术压力（Wang等人，2023年）。因此，这里确定的TAM-JD-R关系可能不能完全推广到不同性别的情境。未来的研究可以有意过度抽样男性幼儿园教师——承认这种抽样的结构性难度——并使用多组SEM来检查潜在的性别调节作用。

第七，抽样设计需要关于代表性的透明度。尽管在省内抽样遵循了分层随机程序，但最初选择的六个省份是有目的的而不是随机的，导致设计部分非概率性。因此，样本不应被视为完全代表所有中国幼儿园教师，对其结果的解读应适当谨慎，以考虑外部普遍性。

未来研究方向。有三个研究方向值得追求。跟踪教师在不同实施阶段的纵向设计可以阐明技术压力如何随时间演变，并确定干预的关键时期（Nascimento等人，2025年）。结合定量调查和定性案例研究的混合方法调查可以阐明统计关联背后的机制，同时捕捉标准化测量未能充分反映的情境细微差别（Bahr，2025年）。跨文化比较研究可以检查TAM-JD-R关系是否在不同的教育系统、文化背景和经济发展水平上有所不同，从而增强理论的普遍性，并识别文化特定的采纳障碍和促进因素（Li等人，2024年）。

6 结论

本研究开发并实证测试了一个整合的TAM-JD-R框架，解释了幼儿园教师的人工智能采纳意图和职业幸福感，特别关注了技术压力的双重影响。通过基于协方差的结构方程模型分析300名中国幼儿园教师的数据，研究表明，在教育背景下技术采纳是一个心理中介的、情境嵌入的过程，不仅仅局限于纯粹的认知评估。该模型解释了采纳意图（R2=0.436）和职业幸福感（R2=0.383）的显著方差，支持了理论整合，同时揭示了技术创新如何同时产生机会和挑战的机制。技术压力维度的实证区分——挑战性技术压力促进采纳，而阻碍性技术压力抑制采纳——将整体技术压力框架扩展到了高等教育应用之外（Nascimento等人，2024a，2024b；Zhao等人，2024年），到了幼儿教育背景。这一发现挑战了将技术视为普遍具有压力的缺陷叙事，而是支持了细致的观点，即评估过程从根本上决定了适应结果（Tarafdar等人，2019年）。TAM路径的确认以及显著的JD-R效应表明，整合职业压力机制增强了技术接受理论的解释力，解决了长期以来关于情境忽视的批评（Agnihotri和Chen，2025年；Wang等人，2024年）。

从理论上讲，这项研究在三个领域做出了贡献。对于技术采纳文献，研究发现表明，在资源受限、教学保守的情境中，感知到的有用性比易用性具有更强的影响，表明工具理性支配着决策（Xiang等人，2025年）。对于职业健康研究，结合特定技术的需求和资源丰富了JD-R理论，说明了数字创新如何通过双重路径同时发挥作用——挑战性需求激发参与，而阻碍性需求引发压力（Han等人，2020年；Skaalvik和Skaalvik，2018年）。关于早期儿童教育奖学金，该研究探讨了在教育技术研究中一个代表性不足的群体所面临的关键实证空白，尽管这些儿童由于其发展特点而面临独特的挑战（Luo等人，2025年；Xiong等人，2025年）。实际上，研究结果为多个层面的教育政策和实践提供了依据。组织支持必须通过具体的资源分配（实施时间、响应性协助、合作学习机会）来体现，而不仅仅是口头上的支持（Wu和Derakhshan，2025年）。工作负担与技术压力之间的关联表明，如果不重新分配资源就引入技术期望，可能会导致适得其反的结果（Khan等人，2024年）。技术自我效能感的基础作用表明，专业发展计划应优先通过掌握经验来增强信心，而不仅仅是强调技能的获取（Lim，2023年）。对于政策制定者而言，不同类型机构和地理位置之间的差异性模式强调了需要建立差异化的支持系统，以实现针对具体情境的实施路径（Xiong等人，2025年）。然而，研究的局限性限制了解释的范围：横断面设计排除了因果推断的可能性；自我报告的测量方法存在共同方法变异的风险；地理集中限制了研究的普遍性；缺乏实际使用数据使得结论仅基于意图而非行为（Wang等人，2024年；Agnihotri和Chen，2025年）。未来的研究应采用纵向设计来追踪时间动态（Nascimento等人，2025年），采用混合方法来揭示统计关联背后的机制（Bahr，2025年），以及进行跨文化比较，以考察技术-态度-行为（TAM-JD-R）关系是否在不同教育系统中存在差异（Li等人，2024年）。此外，研究人工智能对教学实践和儿童发展结果的不同影响将有助于更深入地理解技术在早期儿童教育这一独特环境中的作用（Luo等人，2025年；Yang等人，2024年）。这项研究表明，当组织系统能够缓解技术带来的压力因素并培养以挑战为导向的评估方式时，采用人工智能并不会损害教师的福祉。通过阐明技术如何同时创造机会和挑战的机制，该研究有助于实现教育人工智能的变革潜力，同时保护教师的福祉（Huang和Zhao，2025年；Bhojak等人，2025年）。