“培训教师：教师教育中针对通用人工智能（genAI）的特定技术教学法知识（TPK）的系统性回顾”

《Computers and Education Open》：Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education

　　T. J. ó Ceallaigh | Stephen Murphy
摘要
生成式人工智能（GenAI）在教育中的日益普及对教师教育和教学设计产生了重大影响。本系统评价探讨了培养中学教师的教育者（TEs）所需的具体GenAI相关技术教学知识（TPK），这一领域在文献中尚未得到充分研究。虽然ChatGPT等GenAI系统为教学、学习和评估提供了新的可能性，但同时也带来了复杂的教学和伦理挑战，包括数据隐私、算法偏见、作者归属以及责任归属等问题，这些问题在高等教育机构（HEIs）的教师培养过程中尤为突出。GenAI的TPK不仅涵盖数字能力，还包括教学推理、伦理意识以及AI辅助的教学设计。为了研究这些知识维度的定义和支持方式，研究人员系统地查阅了英文发表的同行评审文献。最终有17项研究符合纳入标准，这些研究明确关注了教育者与GenAI的互动。研究结果指出了在发展GenAI相关TPK方面存在的持续挑战，尤其是在伦理决策、批判性AI素养以及机构对专业学习的支持方面。研究结论认为，加强教育者的GenAI特定TPK对于培养能够负责任且有效地整合AI的未来教师至关重要。高等教育机构通过制定连贯的战略、提供支持性政策以及持续的专业发展，在这一过程中发挥着核心作用。

引言
生成式人工智能（GenAI）是一类能够通过识别和应用大型数据集中的模式来生成原创内容的人工智能（AI）系统，它的出现和快速发展标志着教育领域的深刻变革[[1], [2], [3], [4]]。与早期侧重于数据驱动的个性化和预测分析的AI形式不同，GenAI借助深度学习和Transformer架构的突破，具备了生成类似人类内容、参与对话甚至模拟教学互动的能力[5,6]。自2022年底以来，GenAI平台的普及加剧了全球关于AI在教育中影响的讨论[7,8]。这些讨论不仅涉及一般的教育技术，还包括GenAI带来的具体教学、伦理和实践问题。随着GenAI越来越多地应用于课堂教学和机构中，其对教学、学习和评估的影响日益加深，教育生态系统亟需对此给予关注和行动。

在这种快速发展的背景下，教师教育和教育者（TEs）扮演着关键角色。教育者不仅负责指导未来的教育者，还承担着示范技术使用和教学方法的职责。他们同时承担着教授教育知识与实践教育的双重任务，这使得他们在引领GenAI转型中处于前沿。教育者必须理解GenAI的优势、风险及其伦理影响，不仅是为了自身的教学实践，也是为了充分准备未来的教师以应对智能系统塑造的教学环境。因此，教师教育项目越来越需要融入AI素养的培养，特别是那些对于有效和负责任地使用GenAI至关重要的教学能力[9,10]。然而，这项任务因技术的不断演变以及缺乏指导其融入课程和实践的既定规范或标准而变得更加复杂[11]。值得注意的是，GenAI并非单一统一的技术，而是一个涵盖多种工具的术语，每种工具都具有不同的功能、教学潜力和伦理影响。例如，大型语言模型、图像生成平台和AI辅助设计工具分别要求教育者具备不同形式的技术、教学和伦理知识[12]。因此，教育者的GenAI特定技术教学知识（TPK），即通过使用GenAI进行教学和学习的知识[12]，应被视为依赖于具体情境的动态知识，需要关注特定工具的优势和局限性，以及它们在教育环境中的伦理和认知影响。

尽管人们对GenAI的教育潜力和风险的认识日益增强，但对于教育者如何发展必要的TPK仍存在显著差距。本研究是一项系统评价，旨在探讨培养中学教师的教育者所需的GenAI特定TPK。虽然评价主要围绕GenAI特定TPK展开，但伦理考量也被视为这一知识体系不可或缺的一部分。这种定位与新兴的AI相关教师知识概念一致，这些概念越来越多地将教学决策、批判性评估和伦理推理视为在GenAI介导的教育环境中相互依存的因素。尽管关于GenAI在教育中应用的研究迅速增加，但专门针对教育者如何发展和应用GenAI相关TPK的系统综合研究仍然较少。现有的系统评价大多集中在一般AI素养[13]、伦理考量[14]或课堂层面应用[15]上，对指导教育者与GenAI互动的教学和专业框架关注不足。迄今为止，还没有全面的研究探讨GenAI如何重塑教师教育中的TPK，或教育者如何为未来教师准备其伦理和教学整合。因此，本研究是首批系统评价GenAI特定TPK的成果之一，填补了文献中的这一关键空白。通过梳理当前的研究趋势、挑战和影响，本研究为GenAI时代的课程设计、专业发展和机构政策提供了基础性证据支持。本文旨在探讨和综合现有关于教育者所需GenAI特定TPK的文献，以解决这一关键问题。具体而言，它试图回答以下研究问题：教育者需要哪些GenAI特定TPK来有效培养预备和在职的中学教师？关注中学教师是因为GenAI工具更有可能被整合到学科教学、高级评估实践和复杂的学科任务中，而这些在中学阶段更为普遍。此外，中学学生也更可能独立接触到GenAI工具，如学术写作支持、代码生成或学科特定辅导应用。因此，中学教师面临与伦理使用、评估有效性、内容适应性和学习自主性相关的更为直接和复杂的挑战[[16], [17], [18]]。因此，聚焦中学教师至关重要，因为中学教育强调复杂的推理、知识构建和元认知能力，这些能力在AI普及的世界中至关重要，而GenAI可以作为概述、批判和解释等任务的关键辅助工具[19]。

因此，明确预备和在职中学教师所需的GenAI特定TPK是基础性的。通过了解不同学科、年级和学习情境下中学教师的需求，我们可以推断出教育者自身必须具备的TPK，以便充分准备和支持学生。这种相互关系至关重要，因为定义GenAI特定TPK的能力为了解教育者所需的知识、技能和态度提供了重要见解。如果没有这种理解，为教育者配备整合GenAI所需的能力的工作将仍然是零散和不完整的。

这一探索既及时又至关重要。GenAI的日益复杂化引发了关于教育评估的未来、教学专业性的本质以及学习环境中技术的伦理界限的基本问题[20,21]。在GenAI支持的课堂上，传统的师生关系转变为更为复杂的教师-AI-学生关系[22]，需要新的互动形式、批判性评估和共同创造。然而，许多教育系统尚未明确界定教师（更不用说教育者）所需的AI相关能力[10]。这种不明确性使得教育者在面对GenAI时准备不足，加剧了对GenAI采用的不确定性和抵制。此外，如果没有针对性的专业发展和机构支持，教育者可能难以示范有效的和伦理的AI使用方式，从而限制了未来教师的准备程度。通过综合现有研究并识别文献中的空白，本文旨在为政策制定、课程设计和教师发展提供知识支持。随着GenAI继续重塑教学和学习的格局，培养有能力、有见识且积极参与的教师的需求比以往任何时候都更为迫切。

背景和理论框架
随着GenAI在教师教育中的普及，迫切需要探索能够支持其融入教学实践的框架。其中一个框架是TPACK，它基于Shulman[23,24]提出的教学内容知识（PCK）概念，强调教师如何调整和呈现学科内容以增强学生的理解。PCK结合了对学科内容（内容知识）的理解与教学专长（教学知识），以指导针对特定内容领域的有效教学方法的发展。Mishra和Koehler（2006）通过引入技术知识（TK），扩展了这一概念，形成了一个更为全面的模型，包括技术内容知识（TCK）、技术教学知识（TPK）和技术教学内容知识（TPACK）。这一综合框架有助于理解教师如何有效地将技术（如AI工具）融入教学实践中[12,25]。请参见图1以了解TPACK框架的概览。

虽然TPACK框架[12]长期以来一直指导着教师对技术、教学和内容之间相互作用的理解，但它并未完全涵盖GenAI所特有的适应性、自主性、反思性和伦理性维度，而这些维度对于应对AI生成的输出、算法偏见以及作者归属和责任问题至关重要。与传统工具不同，GenAI系统能够生成内容、反馈和教学材料，从而引发了关于作者归属、偏见、责任归属和学习者能动性的新问题。因此，有必要概念化GenAI特定的TPK，这种知识领域使教育者能够批判性和伦理性地将AI生成的输出融入教学和学习中。通过GenAI的视角来构建TPK，突显了教学判断、伦理推理和情境敏感性在准备AI增强型课堂中的重要性。

在TPACK框架[12]的基础上，Intelligent-TPACK[1]通过加入伦理推理、包容性和公平性维度，进一步扩展了该模型，强调教师将AI工具与教学意图和伦理责任对齐的能力。最近，Contextual Knowledge（XK）[25]被提出，以纳入AI在教育中的社会、伦理和长期影响。Enabling AI框架[26]则将AI整合置于更广泛的机构和政策背景下，强调了系统支持、批判性素养和专业发展的必要性。这些模型共同描绘了GenAI时代教师知识的演变趋势。这些模型强调了GenAI整合的学科特定性和伦理性维度，突显了其在各学科中提升教学的潜力。然而，这些模型的复杂性往往超出了现有机构系统提供针对性支持的能力，导致教育者缺乏明确的指导和专业发展机会。此外，尽管有这些概念上的进步，但目前尚无系统性的综合研究来探讨这些框架在教师教育中的解释、适应和应用情况。这一空白凸显了需要一项全面的评价，以整合关于GenAI特定TPK的新兴证据，为这一快速发展的领域提供所需的清晰度和方向。本研究特别关注技术教学知识（TPK）这一核心概念，因为它代表了GenAI与教学设计、教师判断和教学决策最直接交叉的领域。在此框架下，伦理推理被视为嵌入在教学判断和技术整合之中，而不是作为一个独立的分析领域。

伦理和教学挑战
GenAI通过生成多样、吸引人且高质量的内容，为课程创新和丰富学习提供了新的机会[20]。它还通过提供及时、具体和建设性的反馈，增强了教学效果[27,28]。在更广泛的教育背景下，GenAI支持个性化学习、适应性电子学习系统和更真实的评估过程[29]。然而，这些可能性只有通过教育者的教学专长和指导才能充分实现。特别是教育者作为培养未来教师的关键角色，在确保GenAI工具以有意义、伦理且教学上合理的方式被整合方面发挥着关键作用。尽管教育界普遍对GenAI持积极态度，但对它的技术基础和运作机制仍了解有限[30]。这种认知差距突显了发展教育者TPK的重要性，使他们能够示范和支持GenAI在教学和学习中的负责任使用。通用人工智能（GenAI）的出现凸显了持续进行教学改革的迫切需求，以确保教育实践保持响应性、伦理性和有效性[31]。因此，加强教师的技术教学知识（TPK）是让教育系统为人工智能增强型教学和学习做好准备的基础步骤。

**机构责任**
高等教育机构（HEIs）通常提供教学课程和专业发展计划来支持大学教师，包括那些从事教师教育的教师[32]。近年来，数字技术在教学中的整合一直是关注的焦点，这一趋势因新冠疫情而显著加速[[33], [34], [35]]。作为回应，许多高等教育机构更新了他们的专业发展内容，更加重视数字工具的使用。通用人工智能的出现为这一转变增添了紧迫性和复杂性，引发了关于其教学潜力及其挑战的讨论[36,37]。尽管各机构的应对措施各不相同，从谨慎的实验到全面实施都有，但几乎没有证据表明教师教育计划是如何具体为未来的教育工作者准备应对这种新的、由人工智能增强的现实的[38,39]。由于教师在塑造未来教师的数字教学能力方面起着核心作用，因此在通用人工智能的背景下发展他们的TPK变得至关重要。

**方法论**
尽管前一节回顾的关于通用人工智能的文献具有指导意义，但它对教师所需的知识要求提供的指导很少。本研究采用系统评价的方法来综合和评估该领域的现有研究，旨在加深对该领域的理解，识别关键主题和差距，并提出未来研究的方向。本节概述了用于考察教师有效使用通用人工智能所需的知识基础以及如何培养这些知识的整体研究设计，重点是对实证证据的系统评价。

**研究问题与研究设计**
本研究旨在探讨教师有效使用通用人工智能所需的知识基础，以及如何在不同的教育环境中发展这些知识。在分析数据时，研究还借鉴了前一节中概述的关键概念。研究围绕以下具体问题展开：
1. 文献如何定义和描述中小学在职及职前教师为有意义地整合通用人工智能到其教学中所需的具体技术教学知识（TPK）？
2. 因此，教师教育者（TEs）需要哪些形式的TPK来培养教师？
3. 如何在机构和专业层面上支持教师发展将通用人工智能有意义地整合到其教学中的特定TPK？

虽然这项评价是由这些预先设定的研究问题指导的，但对所包含研究中出现的显著模式持开放态度。特别是，包括公平性、问责制、透明度、隐私和负责任使用在内的伦理考虑，在研究中反复出现，成为概念化和实施通用人工智能特定TPK的核心维度。因此，这些伦理维度被分析性地视为跨领域发现，深化了对原始研究问题的解读。为了解决上述研究问题，采用了符合PRISMA指南[40]的系统化和结构化方法来识别和选择相关研究文献。Newman和Gough[41]将系统评价定义为“一种二次分析（次级研究）的研究方法，它汇集了初级研究的发现以回答研究问题”（第4页）。在搜索之前，预先制定了术语。为了识别相关术语，并遵循教育领域最近系统评价的方法[42]，采用了修改版的PICO框架（人群、干预、比较、结果）。鉴于对照组在教育研究中较少使用[43]，将其作为搜索标准会大大缩小适合评价的研究范围，并限制了指导分析的方法论和认识论视角的多样性。因此，采用了简化的PIO框架，将“干预”和“比较”元素合并为一个类别（见下表1）。另一方面，PIO框架使得能够纳入反映真实教育环境和结果的混合方法研究和探索性研究，而不是基于设计排除有价值的证据。这种方法与推荐对非临床学科调整PICO的方法论指南一致，并已在其他以教育为重点的系统评价中成功应用[42,44]。

**表1. 本研究的PIO框架**
| 组件 | 描述 |
|------|------|
| 人群 | 中小学在职/职前教师的教育者；中小学年龄段儿童的在职/职前教师 |
| 干预 | 任何涉及教师教育者与人工智能互动的研究 |
| 结果 | 特别是TPK相关的知识 |
| 技能 | 能力 |

如表1所示，研究对象包括中小学教师的教育者以及在职和职前的中小学教育者。这种选择基于这样的理由：通过确定在职和职前教师所需的TPK，我们也可以推断出教师为了有效准备和支持他们整合通用人工智能所需的TPK。自从大规模通用人工智能模型（如ChatGPT及相关工具）公开发布以来，学术界对探索其教学潜力、伦理影响及其对教学和学习实践的影响产生了浓厚的兴趣。因此，本研究考虑了2022年至2025年间发表的英文文章，以捕捉通用人工智能在教育中使用的最新发展、讨论和新兴趋势。最后一次搜索是在2025年4月进行的。当时系统地搜索了两个数据库（ERIC和EBSCO）。选择这两个数据库是因为它们在覆盖与教育和新兴技术（如通用人工智能）相关的教育研究方面具有广泛的认可度。ERIC特别提供了对教育研究文献的权威访问，而EBSCO提供了包括教育技术研究在内的多种跨学科学术期刊的访问。在设计搜索策略时，还考虑了其他数据库，如Scopus和Web of Science。然而，在初步探索后发现，从这些数据库检索到的记录与通过ERIC和EBSCO获得的记录有显著重叠。为了确保重点、避免重复并保持可行性，我们将最终搜索限制在这两个数据库内，同时确保对该主题领域的全面覆盖。为了确保透明度和可复制性，下面列出了在每个数据库中使用的确切搜索字符串。在ERIC和EBSCO中进行的搜索使用了反映研究关键概念的预先约定的术语，即技术教学知识（TPK/TPACK）、生成式人工智能（GenAI）、教师教育以及伦理、批判性和教学整合。通过试点搜索迭代地完善了搜索策略。最终使用的组合主搜索字符串如下：
("technological pedagogical knowledge" OR TPK OR TPACK OR "technological pedagogical content knowledge")
AND ("generative AI" OR "artificial intelligence" OR "AI tool*" OR "AI-augmented" OR "machine learning" OR "ChatGPT" OR "large language model*" OR LLM*)
AND ("teacher education" OR "teacher educator*" OR "pre-service teacher*" OR "in-service teacher*" OR "teacher training" OR "education faculty")
AND (ethic* OR "critical literacy" OR "AI literacy" OR "responsible AI" OR "pedagogical integration" OR "instructional design" OR "AI-augmented design" OR "faculty development" OR "professional development")

这个搜索字符串应用于标题、摘要和关键词字段（如果可能的话）。使用截断符号（*）来捕捉关键词的变化，并使用布尔运算符（AND/OR）来组合概念组。在两个数据库中保持相同的逻辑和术语，根据每个平台的搜索惯例进行了少量语法调整（例如，ERIC描述符术语，EBSCO字段标签）。

**资格标准和筛选程序**
筛选过程及相应的资格标准总结在表2中。在审查过程中应用了以下排除标准：
- 如果全文不可用；
- 如果样本涉及小学阶段的学生教师；
- 如果研究未在初始教师教育（ITE）或继续专业发展（CPD）背景下讨论人工智能，或者研究不位于中小学教育阶段；
- 如果研究目的不包括对专业发展的参考；
- 如果研究未收集实证数据；
- 如果研究未经同行评审。
符合纳入标准的研究通过仔细的筛选过程被识别出来。搜索结果被导入Mendeley Reference Manager，随后删除了重复条目。所有研究的标题/摘要都由研究团队的两名成员进行了审查。然后根据纳入标准对文章的全文进行了审查。研究人员之间的任何分歧通过协作讨论解决，直到达成共识。最终确定了17篇全文研究。完整的纳入/排除标准见表2。PRISMA流程图见图2。系统评价中包含的研究概述见表3。

**表2. 纳入/排除标准**
| 标准 | 包含 | 排除 |
|------|------|------|------|
| 可用性 | 来自数据库、作者等的全文可用 | 全文不可用 |
| 样本 | 中小学在职/职前教师的教育者；中小学年龄段儿童的在职/职前教师 | 小学阶段或初中阶段的教育者及在职/职前教师 |
| 学科 | 研究涉及人工智能和初始教师教育（ITE）、继续专业发展（CPD）及中小学阶段的教育者 | 研究未在ITE/CPD环境中涉及人工智能或不在中小学教育阶段 |
| 研究目的 | 研究目的包括与专业发展相关的教师教育 | 研究目的未包括对专业发展的参考 |
| 设计 | 定量和/或定性数据 | 研究未收集实证数据 |
| 报告 | 经过同行评审的论文，具有明确的方法论 | 报告不充分：背景、样本特征、研究质量（例如可信度）、分析技术 |
| 论文类型 | 同行评审的文章 | 论文、综述和书籍章节 |

**图2. PRISMA流程图**
**表3. 系统评价中包含的研究概述——生成式人工智能与教师技术教学知识（TPK）**
| 作者 | 年份 | 国家 | 研究类型 | 样本特征 | 与通用人工智能特定TPK相关的关键发现 |
|------|------|------|------|------|
| 1 | Aagaard, Bueie & Hjukse | 2022 | 挪威 | 定性（基于课程的专业发展案例研究） | 18名教师教育者和3名学校教师参加数字时代教师教育硕士课程 | 证明当教师协作设计和实施技术整合项目时，会出现类似于TPK的专业数字能力（PDC）。变革性能动性，而不仅仅是工具使用，发展了教师将教学法与数字认知变革相一致的能力。虽然不专注于通用人工智能，但它为强调批判性和情境敏感性的AI相关TPK奠定了基础。 |
| 2 | Barrett & Pack | 2023 | 美国 & 夏威夷 | 定量（调查研究） | 68名教育者和158名大学生 | 比较了教师和学生对ChatGPT在写作过程中的看法。教师和学生在可接受的使用方式上仅有轻微差异。发现普遍存在不确定性，并需要明确的教学框架和关于如何伦理和教学上整合通用人工智能工具的PD。表明通用人工智能特定TPK发展的早期阶段，注意到教师缺乏如何用AI转变写作教学法的指导。 |
| 3 | Celik | 2023 | 芬兰 | 定量（量表开发 + 结构建模） | 在职教师（人数未说明；芬兰全国样本） | 开发了Intelligent-TPACK框架，扩展了TPACK，增加了伦理知识组件。发现技术知识增强了對AI教学可能性的理解，但有效使用取决于TPK。引入了明确的通用人工智能特定TPK的实证模型，强调伦理是智能工具使用的重要组成部分。 |
| 4 | Dilek, Baran & Aleman | 2025 | 美国 & 乌拉圭 | 定性（说明性案例研究） | 参加在线“AI在教育”课程的教育者 | 实施了批判性共同发现教学法，以培养教师的人工智能素养。参与者通过反思性合作共同构建了对AI概念、伦理和课堂使用的理解。发现当教学法强调探究、反思和共同创造时，人工智能素养得到提升——这是通用人工智能特定TPK的核心要素，使教师能够批判性地塑造AI的教育角色。 |
| 5 | Dilling & Herrmann | 2024 | 德国 | 定性探索性研究 | 小学和初中数学的职前教师 | 探索了ChatGPT在构建数学证明中的应用。互动分析显示了“工具生成”的出现，教师开发了新的方案，将ChatGPT用于教学推理。证明了数学领域通用人工智能TPK的早期形成，教师学会了将LLM重新用于教学工具而非答案生成器。 |
| 6 | Eaton, S. E. | 2024 | 加拿大 | 定性（概念性文章/反思性分析） | 基于专业和政策背景的讨论；无实证样本 | 强调了谨慎的政策立场与职前教师直接参与通用人工智能之间的紧张关系。倡导实践性的、基于伦理的教师教育，将通用人工智能整合到教学法中。建议通用人工智能特定TPK需要重新定义剽窃、作者身份和共同创造作为“后剽窃”教学能力的一部分。 |
| 7 | Ghosh, S. S. | 2025 | 印度 | 定量（调查 + 结构方程建模） | 使用智能辅导系统的职前和在职语言教师 | 证明由通用人工智能驱动的辅导增强了教师的教学设计和学生评估素养。强调需要培训，将AI的适应性反馈机制与教学策略联系起来，这是一种结合个性化、数据素养和反馈设计的通用人工智能特定TPK。 |
| 8 | Guan, L., Zhang, Y., & Gu, M. |M.2025中国（香港特别行政区）定性研究（访谈、主题分析）24名职前K–12教师研究强调了需要重新定义教师身份和教学法以适应人工智能的协作。针对通用人工智能（GenAI）的特定教学实践（TPK）涉及将教师角色重新定义为人工智能整合课堂中的促进者和伦理中介。

9 Kamoun, F., El Ayeb, W., Jabri, I., Sifi, S., & Iqbal, F. 2024 突尼斯 & 阿联酋 定量研究（横断面调查）855名大学生 + 145名教职员工（工程与商业领域）研究显示教职员工在将ChatGPT融入教学方面的准备不足；学生则更为接受。呼吁在高等教育中开展关于通用人工智能的伦理、批判性和创造性使用的培训。针对通用人工智能的特定教学实践包括提高教职员工对对话式人工智能在促进学习对话、提供反馈和评估方面的能力的认识。

10 Kong, S.-C., Cheung, M.-Y. W., & Tsang, O. 2024 中国香港 混合方法研究（课程评估：定量测试 + 定性反思）128名参加人工智能素养课程的中学生开发并评估了一个结合问题解决和伦理教育的人工智能素养框架，通过基于项目的学习实现这一目标。研究表明元认知反思有助于理解人工智能伦理及其应用，这些是可转移到教师教育中的关键教学法要素。

11 Lee, D., Arnold, M., Srivastava, A., 等. 2024 澳大利亚 混合方法研究（调查 + 访谈）30名大学教育工作者探讨了教育工作者对高等教育中通用人工智能（ChatGPT）的看法。发现教学方法上的反应不一致，且缺乏机构支持。强调需要专业发展来提升教育工作者设计评估、确保诚信以及为学生准备进入人工智能密集型行业所需的能力。

12 Mathew, R. & Stefaniak, J. E. 2024 美国 混合方法研究（需求评估：调查 + 访谈）跨学科的大学教职员工研究发现教职员工在使用通用人工智能工具进行教学方面的知识和技能存在差距。在政策意识、伦理意识和教学整合方面存在表现差异。指出需要有针对性的专业发展，以建立针对通用人工智能的教学实践，包括课程设计、适应性评估和人工智能支持的反馈机制。

13 Moorhouse, B. L., & Kohnke, L. 2023 中国香港 混合方法研究（调查 + 访谈）604名跨学科的高等教育讲师研究了ChatGPT在大学教学中的早期应用情况。发现教育工作者正在尝试使用通用人工智能进行课程规划、内容创作和评估设计，但在教学整合和伦理方面仍存在不确定性。强调需要提升教学法素养，使教师能够将通用人工智能的功能（如反馈、个性化）与学习成果相匹配。指出通用人工智能特定教学实践仍处于发展初期阶段。

14 Navío-Inglés, M., Tirado-Olivares, S., del Olmo-Mu?oz, J., & Guzmán Mora, J. 2025 西班牙 混合方法研究（实验 + 调查 + 开放式问题）154名职前教师评估了人工智能生成文本与人工撰写文本的质量。发现职前教师认为人工智能生成的文本在结构性和连贯性上表现更好，但在情感表达方面较差。许多人无法识别出人工智能生成的内容，这凸显了批判性素养的不足。表明需要发展针对人工智能的特定教学实践，重点在于批判性评估、作者意识以及人工智能在写作教学中的使用方法。

15 Nyaaba, M., & Zhai, X. 2024 加纳 定性研究（专业发展网络研讨会的主题分析）307名教师教育工作者和管理人员参加了一场关于通用人工智能素养的专业发展培训。参与者在通用人工智能意识和应用准备方面存在很大差异。发现提示工程、伦理和基础设施方面存在不足。结论是教师教育中的通用人工智能特定教学实践应整合可解释的人工智能和提示设计教学法，以促进创新和评估实践。

16 Wang, H., Dang, A., Wu, Z., & Mac, S. 2024 美国 定性内容分析研究了美国前100所大学的相关政策和教学资源。大多数大学采取开放但谨慎的态度，强调学术诚信、伦理和教师的自主性。提供了通用人工智能教学法的框架：将工具使用与学习目标对齐，不断调整课程以减少误用，并采用多方面的评估方法。反映了通用人工智能教学实践在系统层面的发展。

17 Warr, M., & Heath, M. K. 2025 美国 定性研究（批判性技术审计）对大型语言模型（LLM）对学生文本的反馈进行了审计；从概念上分析了通用人工智能的“隐性课程”，即LLM如何在自动化写作评估中延续偏见。发现人工智能反馈反映了系统性的不平等（例如，边缘化群体的评分较低）。认为通用人工智能特定教学实践必须包括批判性技术怀疑论、对算法偏见的认识以及反思性教学法，以减少不公平的人工智能中介学习体验。

数据提取
两位作者使用从研究问题中制定的标准化编码框架和分类表进行了协作数据提取，并参考了Miles和Huberman的两阶段分析模型[45]。在第一阶段，对每项研究进行了垂直（案例内）分析，该分析基于包含研究特征、通用人工智能特定教学实践的概念化、教育者类型、教学实践的实施、挑战以及机构或专业支持的结构化分类方案。这一过程生成了各个研究的详细分析摘要。为了确保一致性，两位研究人员独立地对初始研究子集进行了编码，然后通过试点编码讨论比较结果，以完善类别定义并确保共同理解。通过共识解决了分歧，最终形成的框架见附录1，并应用于所有研究。在整个主题综合过程中持续进行交叉检查和迭代审查，以保持编码者之间的一致性。

在第二阶段，进行了横向（跨案例）分析，以比较和综合不同案例中的模式，涉及通用人工智能教学实践的伦理和批判性维度、人工智能增强型教学设计以及教师专业学习和支持。虽然编码框架最初是根据审查的指导问题和概念框架开发的，但分析也关注了不限于任何单一类别的反复出现的问题。诸如偏见、透明度、隐私、作者身份和责任等伦理问题在所有研究中都一致出现，因此被编码为跨领域的分析特征。这些问题的突出性反映了它们在文献中的出现频率和概念重要性。这种双层分析有助于综合解释通用人工智能特定教学实践在不同教育背景下的概念化、发展和制度支持方式。

局限性
本研究存在几个局限性。主要限制是纳入的研究数量较少。这反映了该领域的新兴性质，因为人工智能在教育中的整合仍然相对较新。样本量小也可能归因于严格应用PRISMA指南和纳入标准，这是确保方法论严谨性和与审查目标相关性的必要条件。尽管进行了严格的搜索，但由于在搜索过程中遗漏了某些同义词，一些相关研究可能被遗漏。此外，搜索范围仅限于ERIC和EBSCO数据库。选择这两个数据库是因为它们在教育和教育技术研究方面有很强的覆盖范围，初步探索表明与Scopus和Web of Science的结果有显著重叠。然而，这种限制可能排除了来自其他跨学科或国际存储库（如Scopus、Web of Science或Google Scholar）的相关研究，从而可能限制了研究的全面性。未来的研究可以通过扩大数据库覆盖范围和细化搜索词来捕捉更广泛的通用人工智能教学实践视角。

还存在出版偏见的风险，因为报告积极结果的研究比那些具有负面或中性结果的研究更有可能发表。纳入文章之间的异质性可能导致结果的普遍性受限，而数据库搜索与新研究发表之间的时间滞后也可能导致最新研究的遗漏。本研究采用主题分析来识别研究中的模式和概念关系。纳入的研究具有高度异质性，涵盖了不同的背景、方法论和理论视角，其中大多数是定性研究。因此，无法进行元分析或定量汇总效应大小或趋势。另一个限制是审查中使用的编码和综合过程。尽管两位作者共同开发并应用了结构化的编码框架以确保一致性和严谨性，但主题分析本质上是解释性的，因此在一定程度上受到研究者判断的影响。关于如何编码、分组和比较研究的决定不可避免地涉及分析解释，不同的研究者可能会强调数据中的不同模式或关系。此外，虽然编码框架使得系统化的跨案例比较成为可能，但将多样化研究归类为常见类别可能会掩盖一些个别研究中的情境、概念和方法论细微差别。鉴于纳入文献在设计、理论取向和教育背景方面的异质性，这一点尤为重要。

发现与讨论
研究结果按照审查的三个指导问题进行了主题性呈现。然而，在整个综合过程中，伦理问题在所有主题中反复出现。因此，讨论首先从最一致地塑造教学和实践要求的伦理和批判性问题开始。

通用人工智能特定教学实践的伦理和批判性维度
像ChatGPT这样的通用人工智能工具越来越多地被整合到教育环境中，但其使用引发了重大的伦理和批判性问题，特别是在偏见、责任和隐私方面[46,47,21]。表4总结了研究人工智能在教育中使用中的伦理和批判性维度的相关研究，按以下子主题组织：偏见与公平性、责任与透明度、隐私与数据伦理、学生对人工智能的过度依赖以及伦理素养的需求。总体而言，这些研究呼吁从反应性政策制定转向批判性、反思性和以公平为中心的人工智能教育。

表4. 关于教育中人工智能伦理和批判性使用的关键研究总结
| 子主题 | 作者 | 年份 | 核心发现 | 关键启示 |
| --- | --- | --- | --- |
| 偏见与公平性 | Warr & Heath (2025) | 发现教师教育中的人工智能评分/反馈存在系统性偏见；人工智能再现了与种族和学校背景相关的不平等 | 进行人工智能偏见审计，设计更公平的模型，并培养教育工作者批判性审查人工智能输出的能力 |
| Celik (2023) | “智能TPACK”框架中的伦理公平性和包容性强烈预测教师负责任地使用人工智能的意愿 | 将公平性、包容性和伦理纳入教师培训和人工智能整合框架 |
| Dilek, Baran & Aleman (2025) | 批判性共同发现方法揭示了人工智能在强化不平等中的作用，并引发了伦理反思 | 培养批判性人工智能素养，并挑战教育中的确定性或偏见性叙述 |

责任与透明度 | Nyaaba & Zhai (2024) | 教师教育工作者强调透明度和可解释的人工智能（XAI）对于建立伦理信任和采纳至关重要 | 在专业发展中包含XAI、提示工程和责任模块；明确人工智能使用中的角色/责任 |
| Celik (2023) | 透明度和责任被认为是人工智能教学法整合中的核心伦理评估维度 | 开发使人工智能决策过程对教育工作者可解释的工具和评分标准 |
| Wang et al. (2024) | 大学人工智能政策强调透明度、抄袭控制和责任，但存在很大差异 | 机构应标准化政策并向员工和学生明确传达责任 |

隐私与数据伦理 | Dilling & Herrmann (2024) | 学生对数据隐私、版权和模型幻觉表示担忧 | 在教学中纳入数据伦理教育，并提醒不要与LLM共享敏感信息 |
| Wang et al. (2024) | 数据隐私成为大学人工智能政策中的主要伦理问题 | 为教育人工智能工具制定明确的隐私和数据保护指南 |
| Kamoun et al. (2024) | 教职员工和学生往往不了解隐私影响，并过度依赖ChatGPT；缺乏正式培训 | 在人工智能教育中建立隐私素养和知情同意实践 |

学生对人工智能的过度依赖 | Dilling & Herrmann (2024) | 职前教师表现出对LLM准确性的过度依赖和误解 | 教授批判性评估并限制未经验证的使用；优先考虑人类推理而非自动化 |
| Kamoun et al. (2024) | 学生经常认为人工智能适用于作业；存在抄袭和依赖风险 | 加强学术诚信政策并重新设计评估 |
| Nyaaba & Zhai (2024) | 需要提示工程培训和创新评估以减少盲目依赖 | 促进引导性、反思性使用和持续技能发展 |

伦理素养的需求 | Kong, Cheung & Tsang (2024) | 人工智能素养课程提高了学生对伦理原则和社会影响的理解 | 实施基于项目的学习和反思，以培养伦理人工智能意识 |
| Dilek, Baran & Aleman (2025) | 共同发现学习增强了教育工作者对人工智能伦理的批判性和情感参与 | 鼓励关于人工智能在教育中作用的协作反思和对话 |
| Celik (2023) | 教师的伦理能力与技术/教学技能同样重要 | 将伦理纳入TPACK框架和专业标准 |
| Wang et al. (2024) | 大学政策越来越多地包括“负责任的人工智能使用”，尽管深度各不相同 | 超出合规要求，转向积极的伦理教育和教师发展 |

其中一个主要问题是偏见和公平性。由于这些工具是在反映现有社会偏见的大规模数据集上训练的，它们可能会无意中产生歧视性或文化不敏感的输出[48]。这在历史或文学等学科中尤其成问题[49,50]。另一个主要问题是责任和透明度。大型语言模型的不透明或“黑箱”性质使得教育工作者和学生难以追踪或理解具体输出是如何生成的[51]。这种缺乏透明度削弱了信任，并使人工智能的伦理使用变得复杂，尤其是在评分或教学反馈等高风险任务中[1,46,25]。在某些情况下，这可能会将责任从教育工作者身上转移开，并导致过度依赖缺乏严格监督的人工智能[51]。隐私和数据伦理问题也至关重要。人工智能工具处理用户数据的方式往往不透明，从而引发了对监控和数据滥用方面的担忧。许多高等教育机构现在建议不要将可识别或敏感的数据输入到通用人工智能（GenAI）工具中，而是提倡使用匿名化数据以保护用户隐私[49]。此外，学生如果过度依赖GenAI（例如用它来完成作业或生成想法），可能会对其认知发展和学习任务的伦理参与产生负面影响[52,26]。为了解决这些挑战，越来越重视在师范生和教师培训者（TEs）中培养人工智能素养。这不仅涉及对GenAI工具工作原理的技术理解，还包括能够批判性地反思其社会影响的能力。人工智能素养框架提高了人们对公平性、责任性和透明度的认识，使这些技术在教育环境中的使用更加负责任和明智[51,17]。

考虑到这些挑战，很明显，教师培训者（TPK）必须不断发展，以适应充满GenAI的教育环境的需求。TPK不再仅仅是了解如何将数字工具整合到教学中；现在还需要从批判性和伦理的角度来评估技术使用对学习、身份和公平性的更广泛影响。对于教师培训者来说，这意味着要细致地理解GenAI技术的工作原理、它们可能带来的好处和危害，以及需要采取的教学策略来降低风险。这包括不仅让预备教师能够有效使用GenAI工具，还要让他们学会思考性地使用这些工具，并在初始教师教育中嵌入关于偏见、责任和数据伦理的讨论。如果没有这种关键的TPK，未来的教师可能会过度依赖GenAI，或者完全拒绝使用它，从而错失让学生参与有意义、公平且符合伦理的学习体验的机会。

**人工智能辅助的教学设计**
这一主题探讨了近期研究如何关注教师教育中的人工智能辅助教学设计，这些研究分为四个相互关联的子主题（理解工具、解读政策、身份与自主性以及共同创作），以突出教育工作者如何在教学和学习中整合GenAI时处理教学法、伦理和专业方面的问题。请参阅表5，了解核心发现和关键影响。

| 子主题 | 作者 | 年份 | 核心发现 | 关键影响 |
|--------|------|--------|--------|
| 理解工具 | Celik (2023) | 提出了一个包含伦理维度的智能TPACK框架，以促进AI的整合。教师需要具备教学法和技术知识，以便解读AI决策并负责任地使用工具。 | 教师教育应发展特定于AI的教学法知识，包括AI的工作原理、其局限性以及伦理评估。 |
| | Dilling & Herrmann (2024) | 研究了使用ChatGPT生成数学证明的预备教师，发现他们的技术理解有限且对AI的工作原理存在误解。 | 提供关于AI功能的实践培训，并强调对AI输出的批判性评估。 |
| | Navío-Inglés et al. (2025) | 比较了AI生成的人类写作文本；预备教师通常认为AI在结构上更优秀，但未能识别作者身份。 | 加强人工智能素养，并提高批判性评估AI生成输出的能力，以防止盲目接受。 |
| | Moorhouse & Kohnke (2024) | 语言教师认为GenAI正在重塑课程、教学和评估方式，但对工具的使用缺乏信心。 | 提供专业发展，以建立信心和整合GenAI工具的教学策略。 |

**解读政策**
| Lee et al. (2024) | 高等教育工作者对GenAI表示不确定，并呼吁制定明确的机构政策。不到四分之一的教师认为自己具备整合GenAI的能力。 | 大学必须明确AI政策，通过培训支持员工，并将AI的使用与学术诚信框架保持一致。 |

**身份与自主性**
| Guan et al. (2025) | 香港的预备教师在AI承担教学角色时面临教师身份的变化。他们将AI视为静态工具而非协作伙伴。 | 支持教师在AI丰富的环境中重新定义专业身份，并培养将AI作为教学伙伴的能力。 |
| Case, Liu & Mintz (2025) | 语言教师指出，AI生成的教学内容可能会掩盖教师的声音和教学创造力。 | 鼓励教师自主性和反思性实践，以平衡AI的效率与人类的教学价值观。 |
| Dilek, Baran & Aleman (2025) | “批判性共同发现”框架帮助教育工作者批判性地协商AI对身份、教学法和权力的影响。 | 培养反思性探究和批判性人工智能素养，以在自动化过程中保护教师的自主性和声音。 |

**共同创作**
| Eaton (2024) | 倡导在“后剽窃时代”重新定义剽窃的概念，其中AI与人类的共同创作成为知识创造的一部分。 | 教师教育必须重新定义作者身份和评估方式，将AI视为协作伙伴而非威胁。 |
| Navío-Inglés et al. (2025) | 学生无法区分AI和人类写作，这引发了关于作者身份、原创性和智力自主性的问题。 | 发展处理AI辅助创作和学术责任的伦理写作框架。 |

**专业知识差距**
研究显示，教师在整合GenAI方面存在显著的专业知识差距，特别是在将AI使用与教学目标对齐、培养批判性素养以及扩展专业发展机会以支持伦理和有效的教学实践方面。表6提供了关于教师教育中GenAI整合专业知识差距的核心发现和关键影响的概述。

| 子主题 | 研究（作者，年份） | 核心发现/重点 | 关键影响 |
|--------|----------------|------------|-------------------|
| 与教学目标的对齐 | Celik (2023) | 发展了包含伦理和教学法组件的智能TPACK框架。发现教师常常将技术和教学理解分开。 | 需要提供特定于AI的TPK培训，使工具使用与明确的教学目标和伦理意识保持一致。 |
| | Dilling & Herrmann (2024) | 预备数学教师对大型语言模型（LLMs）的理解肤浅，且难以将AI使用与学习成果对齐。 | 明确指导如何将AI的功能与特定学科的教学法和推理联系起来。 |
| | Wang et al. (2024) | 对大学GenAI政策的分析发现缺乏针对学科的具体指导。 | 机构应创建与学科对齐的GenAI教学框架，促进教学法诚信。 |
| | Moorhouse & Kohnke (2024) | 教师认为GenAI正在重塑课程，但缺乏将其嵌入教学框架的清晰方法。 | 支持教师将GenAI与课程设计、学习成果和评估相结合。 |

**批判性素养**
| Guan et al. (2025) | 预备教师机械地使用AI，缺乏概念理解和批判性人工智能素养。 | 培养教师对AI的认识论和伦理维度的批判性反思。 |
| | Kamoun et al. (2024) | 教师和学生对ChatGPT的输出缺乏足够的批判性评估；超过60%的教师未接受过相关培训。 | 发展批判性数字素养框架，挑战对AI的盲目依赖，促进有根据的怀疑态度。 |
| | Eaton (2024) | 强调需要超越基于恐惧的限制，积极接触AI工具。 | 将AI伦理和作者身份的讨论纳入课程，培养反思性和批判性参与。 |

**专业发展机会**
| Aagaard et al. (2022) | 引入“变革性自主性”概念，帮助教育工作者应对数字认识论的转变。 | 培训教育工作者通过批判性探究来行使自主权，重塑教学实践。 |

尽管GenAI工具可以支持个性化学习路径、促进差异化教学，并通过提供即时解释、示例和反馈来增强学生参与度[11,1,53,54,49]，但为了有效利用这些优势，教师必须能够在特定学科领域有目的地整合GenAI。这要求他们清楚地了解这些工具在何处能真正支持学习，以及在何处使用这些工具可能不合适或与学科目标和细微差别不符[1,16,55]。此外，教师还需要能够解读政策文件，并批判性地评估评估情境中GenAI使用的适当程度[56,25]。然而，这些机会也伴随着重大的教学压力。教育工作者常常需要在AI的生成能力和维护学生的自主性、创造力以及深度学习参与度之间取得平衡[16,57,54]。特别是预备教师可能会感到矛盾，认为AI生成的内容可能会削弱他们的教学身份或自主性[11,58]。与AI的共同创作这一新兴现象进一步复杂化了这一问题，它挑战了传统的学术诚信和原创性定义。因此，教育工作者越来越需要从惩罚性的剽窃模型转向承认AI辅助学习现实的合作式教学方法[51,58]。在数学等更技术性的领域，人们正在探索GenAI在支持基于证明的推理方面的实用性。例如，ChatGPT已被用于帮助预备教师构建几何证明。虽然这在引导学习者完成复杂推理任务方面显示出潜力，但也暴露了人们对AI底层机制的浅层理解以及不加批判地接受AI输出的倾向[50]。

总之，这些见解强调，尽管GenAI在改进教学设计方面具有巨大潜力，但其有效使用需要有意的教学规划、批判性反思以及与教育目标的契合。将GenAI整合到课程设计中要求教师发展扎实的TPK，这不仅包括技术能力，还包括能够批判性地评估何时以及如何以教学上合理、伦理上负责且符合学科特点的方式使用AI工具。教师必须为未来的教师准备处理作者身份、学生自主性和AI偏见等问题，同时培养包容性和反思性实践。

**专业知识差距**
研究表明，教师在整合GenAI方面存在显著的专业知识差距，特别是在将AI使用与教学目标对齐、培养批判性素养以及扩展专业发展机会以支持伦理和有效的教学实践方面。表6提供了关于教师教育中GenAI整合专业知识差距的核心发现和关键影响的概述。

**结论**
这些发现突显了加强教师TPK的紧迫性。为了有效准备未来的教师，教师不仅需要理解GenAI的工作原理，还需要具备其伦理、教学和情境整合的能力[58]。这包括参与像智能TPACK这样的扩展框架[1]和XK[59]，这些框架考虑了GenAI的更广泛的社会和伦理影响。机构在塑造GenAI在教师教育中的伦理和教学整合方面发挥着关键作用。研究（见表7）展示了大学如何定义责任、应对新兴挑战，并实施战略解决方案，以支持教师和学生有效且公平地采用GenAI。

**机构支持与策略**
机构在规范GenAI在教师教育中的伦理和教学整合方面发挥着重要作用。以下表格总结了相关研究，说明了大学如何定义责任、应对新兴挑战，并实施战略解决方案，以支持教师和学生有效且公平地采用GenAI。

**表7. 关于教师教育中GenAI整合的机构支持和策略的关键研究概述**
| 子主题 | 作者 | 年份 | 核心发现 | 关键影响 |
|--------|--------|--------|--------|
| 角色与责任 | Wang et al. (2024) | 研究了美国各机构的GenAI相关政策和资源。 |研究发现，大多数大学采取了开放但谨慎的态度，强调伦理使用、数据隐私和学术诚信。机构应明确界定教师和学生的责任，制定透明的数据管理政策，并为通用人工智能（GenAI）的使用制定特定学科的指导方针。Eaton（2024）指出了在教师教育中整合GenAI方面缺乏协调的机构政策和领导力。大学和教师教育项目应明确教育者、政策制定者和学生在AI使用中的角色，以避免实践和政策上的脱节。

**挑战：**

Dilling & Herrmann（2024）指出，职前教师对AI的理解有限，且数学教育中GenAI整合的机构支持不足。缺乏机构基础设施和指导阻碍了GenAI的有效采用，导致教育者之间的信心水平不一。Warr & Heath（2025）揭示了GenAI的“隐性课程”，表明机构政策可能会通过不加批判的采用而复制社会不平等。机构必须面对AI采用中的系统性偏见，并将批判性审计和以公平为导向的评估纳入政策中。Dilek等人（2025）发现，机构叙事往往优先考虑效率而非教师的自主性，限制了教师在AI决策中的话语权。机构应在创新与参与式治理之间取得平衡，确保教师成为AI整合的共同设计者。

**解决方案：**

Mathew & Stefaniak（2024）进行了需求评估，确定了教师在知识、政策理解和技术整合方面的不足，并提出了基于数据的职业发展和与机构使命相结合的战略性AI规划。Dilek等人（2025）引入了“批判性共同发现”教学法，通过参与式互动使教师能够掌握AI工具。应促进重视反思性实践和共同创造AI素养的机构文化。

高等教育机构（HEIs）在塑造GenAI如何被采用和整合到教育实践中起着关键作用。虽然许多机构已经开始制定GenAI相关政策，但仍然普遍缺乏全面的策略和治理框架，导致实施不一致和教师指导不明确。一些高等教育机构采取了谨慎但开放的态度，发布了关注学术诚信、伦理使用和数据隐私的政策。为解决这些不足，高等教育机构越来越多地通过研讨会、教学大纲模板、咨询和教师发展计划来开展能力建设工作，旨在提高AI素养并支持GenAI在教学中的伦理、技术和教学法整合。然而，要实现有意义和可持续的整合，GenAI必须系统地嵌入到初始教师教育（ITE）项目中，而不仅仅是局限于孤立的工作坊或一次性模块中。它应该被整合到核心组成部分中，如特定学科的教学方法、评估设计和信息通信技术（ICT）整合模块中。这些模块的内容应该是实践性的，为教师和职前教师提供实际技能，例如提示工程、评估AI生成的结果以及在课堂环境中应用伦理考虑。

对于教师来说，机构战略直接影响他们的教学实践知识（TPK）的发展。获得结构化的专业发展机会、明确的政策和跨学科合作可以增强他们有效且合乎伦理地整合GenAI的能力。当高等教育机构投资于全面的框架时，他们不仅为教师提供了尖端的TPK，还支持培养批判性、伦理性和情境敏感的教学实践。这种程度的机构支持对于确保GenAI成为推动创新的同时维护教学法诚信和专业责任的教师教育不可或缺的一部分至关重要。

总体而言，研究结果表明，GenAI在教师教育中的有效整合本质上是跨学科的，需要教育理论、AI伦理、教学设计和教师发展的融合。解决这些教学法、伦理和机构方面的挑战需要教育者、技术专家、政策制定者和课程设计者之间的合作。这种跨学科的参与不仅增强了教师准备，还为建立将伦理治理与课堂创新和专业学习联系起来的连贯框架提供了基础。因此，这项研究的意义超出了教师教育领域，为多个教育领域提供了关于负责任和公平使用AI的见解。

**结论：**

GenAI在教育中的整合正在重塑教师教育和教学实践的格局，带来了重大机遇，同时也带来了复杂的伦理、教学法和专业挑战。重要的是，本综述中强调的伦理维度不应被视为一个独立或事后强加的研究方向，而应被视为GenAI特定TPK的一个新兴且不可或缺的组成部分。正如本研究所示，教师在塑造GenAI在课堂上的理解、采用和实施方式中起着关键作用。然而，研究结果凸显了需要重新概念化TPK，超越单纯的工具熟练度。在GenAI渗透的教育环境中，TPK必须基于伦理意识、批判性反思和情境敏感性。教师不仅需要具备技术能力，还需要有能力审视GenAI工具不可避免地引发的问题，如偏见、责任和学术诚信。尽管这项研究为教师的教学实践知识提供了重要见解，但其结论的普遍性受到研究样本量和GenAI教育研究的初期阶段的限制。需要进一步的实证研究来验证和扩展当前的理解，以适应不同的教育环境和教师教育设置。持续的调查对于建立更坚实的证据基础至关重要，以指导教师和机构在伦理和有效整合GenAI方面提供支持。

GenAI的伦理和批判性使用强调了教师教育项目不仅要关注GenAI能做什么，还要关注它应该以教学上合理和社会上负责任的方式做什么。这要求课程和思维方式的变革，使教师能够以好奇心和怀疑的态度来对待AI技术。在小学后阶段，GenAI工具越来越多地被整合到学科专业教学、高级评估实践和复杂的学科任务中，因此教师面临更加紧迫和微妙的挑战，包括工具使用的伦理性、评估的有效性、学科特定的适应性以及保持学习者的自主性。解决这些挑战需要明确GenAI特定的TPK，职前和在职的中小学教师都必须发展这些知识。理解这些需求对于教师必须具备的TPK提供了关键见解。随着GenAI的快速发展，这项研究为应对其带来的教学法和伦理挑战提供了积极的响应，为高等教育机构和教师提供了指导，帮助他们在教师教育中负责任和有效地整合GenAI。通过预见这些变化，研究强调了将伦理和理论见解转化为具体教育实践的重要性，指导教师教育项目如何有意义地将GenAI整合到课程和教学法中。

为了准备小学后阶段的教师应对GenAI改进的课堂，教师教育项目必须整合特定于AI的教学框架，使工具使用与伦理、学科和学习目标保持一致。通过Intelligent-TPACK [1] 和 Contextual Knowledge [59] 等框架将AI素养嵌入到初始教师教育中，可以为培养能够应对AI整合复杂性的反思性实践者提供途径，同时保持学生的自主性、创造力和公平性。此外，GenAI支持个性化学习和教学设计的潜力突显了有意图和特定学科整合的重要性。必须支持教师做出明智的教学选择，了解何时以及如何使用GenAI工具，以增强学习而不损害教育价值。这包括让未来的教师了解AI生成结果的局限性，评估其可靠性，并设计保留教学、批判性思维、同理心和专业判断等基本人类要素的学习体验。GenAI整合的伦理维度必须成为GenAI特定TPK发展的核心。随着教师教育越来越多地整合AI支持的工具，伦理推理应被视为与技术熟练度同等重要的基础能力。在教师教育课程中明确嵌入伦理学是确保未来教师能够批判性地评估AI系统、解决偏见、透明度和责任问题以及维护公平、包容性和学术诚信原则的关键。

研究还揭示了教师中持续存在的专业知识空白，表明传统的专业发展模式在应对GenAI的复杂性方面存在不足。如果没有针对性和持续的机会来培养与AI相关的教学专业知识，教师可能难以为学生树立伦理和有效的实践榜样。因此，机构策略必须通过将GenAI培训嵌入核心模块、提供实践经验以及促进跨学科合作来优先发展教师的TPK。这些策略可以通过基于案例的学习来实现，让职前教师沉浸在AI支持的课堂场景中，同时结合教育、计算机科学和伦理学的跨学科模块，以培养对GenAI教学法和伦理维度的全面理解。AI素养研讨会和微证书可以进一步提高教师批判性评估和负责任地应用GenAI的能力。伦理和批判性参与应成为这些举措的基础，包括AI偏见审计、可解释AI（XAI）任务（即旨在澄清GenAI功能和操作的举措）、提示工程以及关于公平、责任和隐私的明确指导。最终，GenAI在教师教育中的未来取决于高等教育机构能否提供连贯、资源充足且基于伦理的整合框架。这需要从临时响应转向全面的系统方法，将技术创新与教学法诚信相结合。强大的机构框架和参与式治理可以确保透明度、数据保护和AI整合的共享所有权。通过有意识的投资于能力建设、课程重新设计和政策制定，高等教育机构可以确保教师不仅能够应对技术变革，还能成为塑造公正、反思性和面向未来的教育系统的积极领导者。

随着GenAI的不断发展，这项研究为高等教育机构和教师提供了应对其带来的教学法和伦理挑战的主动响应。它强调了将伦理和理论见解转化为具体教育实践的重要性，指导教师教育项目如何有意义地将GenAI整合到课程和教学法中。为了准备小学后阶段的教师应对GenAI改进的课堂，教师教育项目必须整合特定于AI的教学框架，使工具使用与伦理、学科和学习目标保持一致。通过Intelligent-TPACK [1] 和 Contextual Knowledge [59] 等框架将AI素养嵌入到初始教师教育中，可以为培养能够应对AI整合复杂性的反思性实践者提供途径，同时保持学生的自主性、创造力和公平性。此外，GenAI支持个性化学习和教学设计的潜力突显了有意图和特定学科整合的重要性。必须支持教师做出明智的教学选择，了解何时以及如何使用GenAI工具，以增强学习而不损害教育价值。这包括让未来的教师了解AI生成结果的局限性，评估其可靠性，并设计保留教学、批判性思维、同理心和专业判断等基本人类要素的学习体验。GenAI整合的伦理维度必须成为GenAI特定TPK发展的核心。随着教师教育越来越多地整合AI支持的工具，伦理推理应被视为与技术熟练度和教学法设计同等重要的基础能力。在教师教育课程中明确嵌入伦理学是确保未来教师能够批判性地评估AI系统、解决偏见、透明度和责任问题以及维护公平、包容性和学术诚信原则的关键。

研究还揭示了教师中持续存在的专业知识空白，表明传统的专业发展模式在应对GenAI的复杂性方面存在不足。如果没有针对性和持续的机会来培养与AI相关的教学专业知识，教师可能难以为学生树立伦理和有效的实践榜样。因此，机构策略必须通过将GenAI培训嵌入核心模块、提供实践经验以及促进跨学科合作来优先发展教师的TPK。这些策略可以通过基于案例的学习来实现，让职前教师沉浸在AI支持的课堂场景中，同时结合教育、计算机科学和伦理学的跨学科模块，以培养对GenAI教学法和伦理维度的全面理解。AI素养研讨会和微证书可以进一步提高教师批判性评估和负责任地应用GenAI的能力。伦理和批判性参与应成为这些举措的基础，包括AI偏见审计、可解释AI（XAI）任务（即专门用于澄清GenAI功能和操作的举措）、提示工程以及关于公平、责任和隐私的明确指导。最终，GenAI在教师教育中的未来取决于高等教育机构能否提供连贯、资源充足且基于伦理的整合框架。这需要从临时响应转向全面的系统方法，将技术创新与教学法诚信相结合。强大的机构框架和参与式治理可以确保透明度、数据保护和AI整合的共享所有权。通过有意识的投资于能力建设、课程重新设计和政策制定，高等教育机构可以确保教师不仅能够应对技术变革，还能成为塑造公正、反思性和面向未来的教育系统的积极领导者。随着GenAI的不断发展，我们的教学法框架也必须不断发展，以伦理为基础，以批判性探究为指导，致力于包容性和有意义的学习。

这项研究的跨学科基础跨越了教育理论、AI伦理、教学设计和教师发展，为其在多个教育领域的实践和政策提供信息。通过整合这些领域的观点，它不仅为教师教育做出了贡献，还为课程创新、伦理治理和AI增强教育中的专业学习提供了更广泛的讨论。其见解可以为政策制定者、课程设计者和机构领导者提供指导，帮助他们开发将技术进步与伦理诚信和教学法目的相结合的连贯框架。因此，这项研究为高等教育机构、教师和政策制定者提供了几个可操作的启示，以负责任的方式在教师教育中整合GenAI。高等教育机构应通过基于案例的学习和跨学科模块将GenAI嵌入课程中，这些模块结合教育、计算机科学和伦理学，并由促进透明度、数据保护和学术诚信的政策支持。教师教育项目必须优先考虑伦理和批判性参与，通过整合AI素养研讨会、偏见审计、可解释AI（XAI）任务以及关于公平、责任和隐私的明确指导。专业发展应提供持续的实践经验，使教师能够示范反思性和负责任的AI使用，同时培养职前教师的自主性、能力和伦理判断力。政策制定者和机构领导者必须协调治理、基础设施和资源，确保框架能够平衡创新与公平。这些策略共同推动了从合规向可持续、基于价值的GenAI整合的转变。

由于本文侧重于为小学后阶段的教师做准备的教师教育，以下关于未来研究的建议旨在推进这一背景下的GenAI知情TPK。未来研究应优先考虑实证和纵向研究，探讨教师和职前教师如何发展批判性TPK，特别是在理解和解决与AI相关的偏见、透明度和责任方面。将AI伦理学嵌入教师教育课程中仍是一个未充分探索的领域，为加强这一方面的TPK提供了途径。还需要进一步研究GenAI如何支持特定学科的教学设计，同时保持学生的自主性和学术诚信，这些是教学法上合理的TPK的核心方面，而实证证据仍然有限。诸如Intelligent-TPACK和Contextual Knowledge (XK) 等理论框架应进一步发展和测试，因为它们扩展了传统的TPK，包括AI特有的伦理、社会和情境考虑。此外，关于机构和政策层面的支持因素的研究，包括持续的专业学习、治理框架和跨学科合作，可以阐明系统支持如何影响TPK的发展。最终，研究应探讨通用人工智能（GenAI）如何影响师范生的参与度、写作能力和学习行为，从而为教师培训者（TPK）提供指导，帮助他们更深入地思考和反思人工智能的使用方式。通过明确初等教育阶段所需的与GenAI相关的教师培训内容，并将其与教师的职前准备和职业发展相结合，我们可以逐步构建一个更加紧密、更具未来适应性的教师教育体系。这个体系需要教师具备批判性思维、伦理意识，并基于GenAI驱动的世界现实来进行教学实践。

**CRediT作者贡献声明：**
- T. J. ó Ceallaigh：撰写——审稿与编辑、撰写——初稿、方法论、数据整理、概念构建。
- Stephen Murphy：撰写——初稿、方法论。