《Behavioral Sciences》：Exploring University Faculty’s AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy
编辑推荐：
随着人工智能（AI）技术日益融入高等教育，关于其对大学教师心理影响的担忧随之出现。虽然现有研究主要关注技术准备和数字能力，但在AI整合教学环境中教师福祉的社会心理基础仍未得到充分探索。本研究基于社会支持理论和自我决定理论，提出并检验了一个关于大学教师AI相关福
随着人工智能（AI）技术日益融入高等教育，关于其对大学教师心理影响的担忧随之出现。虽然现有研究主要关注技术准备和数字能力，但在AI整合教学环境中教师福祉的社会心理基础仍未得到充分探索。本研究基于社会支持理论和自我决定理论，提出并检验了一个关于大学教师AI相关福祉的结构模型。共有523名中国教师参与了一项横断面调查，测量了感知社会支持、组织支持、AI素养、技术自我效能感和AI福祉。采用结构方程模型（SEM）检验假设路径和中介机制。结果表明，社会支持和组织支持均显著正向影响AI素养和技术自我效能感。进而，AI素养和技术自我效能感显著预测AI福祉，并作为关键中介。在所有因素中，AI素养对AI福祉的总效应最强，其次是社会支持、组织支持和技术自我效能感。本研究有助于从理论上理解技术转型期间教师的心理适应，并为机构培养AI准备就绪和心理支持型学术环境提供了实践建议。
**研究背景与问题**
随着人工智能（AI）技术，包括生成式AI工具、智能辅导系统、自动评分和预测性学习分析，在高等教育中的广泛采用，教学、学习和机构运营格局发生了根本性重塑。然而，这种转变在带来教育效益的同时，也给教师带来了显著的心理、认知和情感负担。现有研究多集中于技术接受度、感知有用性和态度等外部因素，忽视了塑造教师福祉的深层社会心理过程，如情感、认知和动机维度。特别是，教师对AI工具的热情、自我效能感和情感反应在技术采纳和职业福祉中起关键中介作用，但尚未被充分理论化。为弥补这一空白，研究人员将研究焦点从技术采纳转向社会心理机制，探讨AI整合过程中教师福祉的形成路径。
**研究目的**
本研究旨在整合社会支持理论（Cohen & Wills, 1985）和自我决定理论（Deci & Ryan, 2000），构建并检验一个结构模型，以阐明社会支持、组织支持、AI素养、技术自我效能感与AI福祉之间的关系，聚焦于外部支持如何通过内部能力（AI素养和技术自我效能感）影响教师的心理福祉。
**主要技术方法**
研究人员采用横断面调查设计，于2025年1月在中国北京一所高水平研究型大学（“双一流”和“211工程”高校）收集数据。通过分层随机抽样，从工程、社会科学、人文艺术和自然科学等多个学院邀请教师参与，最终获得502份有效问卷（有效回收率96%）。问卷包含五个核心构念的测量量表：社会支持（8项，基于扩散创新理论）、组织支持（7项，基于扩散创新理论）、AI素养（15项，基于UNESCO 2024 AI能力框架）、技术自我效能感（4项，基于技术接受模型等）和AI福祉（5项，基于Seligman的PERMA模型）。所有量表采用五点李克特评分。数据分析采用结构方程模型（SEM），使用AMOS 26.0软件，包括测量模型评估（信度、收敛效度和区分效度）、结构模型评估（拟合指数和路径系数）和中介效应分析（偏差校正bootstrap法，2000次重抽样）。
**研究结果**
**4.1 测量模型评估**
所有五个构念均表现出良好的信度和效度：KMO值在0.837至0.948之间，Cronbach‘s α值在0.921至0.966之间，组合信度（CR）在0.881至0.966之间，平均方差提取量（AVE）在0.644至0.851之间，均超过推荐阈值。区分效度通过Fornell-Larcker准则得到确认，各构念AVE的平方根均大于其与其他构念的相关系数。Harman单因子检验显示第一因子解释方差为48.220%，低于50%，表明共同方法偏差风险较低。
**4.2 结构模型评估**
模型拟合良好：χ2/df = 2.84，GFI = 0.92，NFI = 0.96，IFI = 0.97，TLI = 0.97，CFI = 0.97，RMSEA = 0.06。所有假设路径均得到支持：社会支持对AI素养产生显著正向影响（β = 0.435，p < 0.001），对技术自我效能感产生显著正向影响（β = 0.272，p < 0.001）；组织支持对AI素养产生显著正向影响（β = 0.217，p < 0.001），对技术自我效能感产生显著正向影响（β = 0.281，p < 0.001）。AI素养对AI福祉的影响最强（β = 0.713，p < 0.001），技术自我效能感的影响较小但显著（β = 0.082，p < 0.05）。这些结果表明外部支持通过内部能力间接促进教师福祉。
**4.3 中介分析**
偏差校正bootstrap分析显示，社会支持对AI福祉的间接效应为0.332，组织支持对AI福祉的间接效应为0.178，均显著（95%置信区间不包含0）。AI素养和技术自我效能感作为中介变量，其中AI素养贡献了大部分间接效应，表明其核心作用。这一双中介机制揭示了外部支持通过提升教师认知和心理能力（AI素养和自信）来转化为福祉。
**讨论与结论**
**讨论部分**
本研究结果与整合社会支持理论和自我决定理论的概念框架一致。社会支持和组织支持作为保护性资源，缓冲心理压力并通过满足教师的关系需求和能力需求来促进内在动机和福祉。AI素养的主导中介作用强化了认知掌握作为心理适应基础机制的重要性。与自我效能感相比，AI素养体现了对AI原理、伦理含义和教学整合的更深层次理解，使教师能够应对技术复杂性并保持自主性。研究还指出，AI素养与AI福祉之间存在强关联，但两者在理论上有区别，且区分效度支持其经验可区分性。在国际比较视角下，虽然支持到福祉的路径可能具有普遍性，但其相对强度受文化和社会治理结构影响。在高度集权体系中，制度基础设施和政策激励可能是主要催化剂，而在更自由体系中，人际协作和自我调节机制可能更关键。实践上，机构应构建多层次支持系统，将AI素养发展视为教师专业化的核心维度，并嵌入以福祉为中心的AI治理策略。研究局限性包括横断面设计、量表精简性、样本单一（一所研究型大学）和工程学科占比偏高（51.79%），未来需采用纵向设计、多源数据、更平衡的跨学科抽样，并进一步细化AI素养与AI福祉的测量边界。
**结论部分**
总之，本研究证明，AI整合高等教育中的教师福祉由外部支持和内部心理资源共同塑造。社会支持和组织支持通过发展AI素养和技术自我效能感间接提升福祉，其中AI素养发挥最关键作用。通过整合社会支持理论和自我决定理论，本研究推进了一个多层次框架，以理解情境和认知因素如何在AI中介环境中共同促进心理适应。在中国背景之外，这些发现为全球关于以人为本和可持续AI教育的讨论做出了贡献，为构建支持性生态系统提供了理论和政策指导，使教育工作者能够在智能教学时代蓬勃发展。
