专业知识补充了数学教师对人工智能的批判性行为意向中的一般技术接受

《Frontiers in Psychology》：Professional knowledge complements general technology acceptance in mathematics teachers’ critical behavioral intention toward AI

　　

引言：人工智能（AI）正在全球范围内变革教育。在数学教育中，AI正被快速整合，这使得教师对AI的批判性行为意向（CBI）日益重要。数学教师的CBI指其评估AI输出在数学准确性及与学生最近发展区（ZPD）相符的教学适切性方面的能力。当前的技术接受模型很少纳入学科特定因素。本研究通过增加数学教学知识（MKT）的两个核心维度，即专门内容知识（SCK）和内容与学生知识（KCS），并以感知信任（PT）为中介，扩展了统一技术接受与使用理论（UTAUT）模型。方法：对169名数学教师进行了问卷调查，并采用偏最小二乘结构方程模型（PLS-SEM）检验模型。结果：在基线UTAUT模型中，绩效期望（PE）和努力期望（EE）均显著预测CBI。在完整模型（整合SCK、KCS和PT）中，仅PE保留显著直接影响。KCS显著影响PT，进而预测CBI；SCK无此效应。完整模型解释了CBI 56.3%的方差。讨论：为更好地在数学教学中利用AI，教师专业发展应确保扎实的SCK，同时更强调KCS，且AI系统设计应增强PT，而非仅仅优先考虑可用性和操作效率。

**数学教师对人工智能批判性行为意向的核心机制：专业知识与感知信任的整合——基于UTAUT与MKT的扩展模型解读**

**一、研究背景与问题提出**

人工智能（AI）正深刻改变全球教育格局，尤其在数学教育领域，ChatGPT、DeepSeek、希沃白板等应用为个性化学习、即时反馈和学生数学潜能培养提供了新机遇。然而，大量研究表明，大语言模型（LLMs）在从小学到国际数学奥林匹克及高等数学各层次均存在明显的推理局限，且无法保证教学支持的数学有效性与教学适切性，例如偏离预期教学策略或向学生泄露答案。因此，AI能否在数学教学中发挥积极有效作用，很大程度上取决于教师批判性使用此类工具的意愿和能力。教师需要评估AI输出的数学准确性、教学适切性以及与学生的最近发展区（ZPD）的契合度。

与一般技术接受不同，批判性行为意向（CBI）涉及一种反思性、评价性的取向，在数学教学的专业情境中尤为重要。现有技术接受模型（如TAM、UTAUT）大多测量一般行为意向，较少关注CBI，且未纳入学科特定因素。数学教学知识（MKT）框架中的专门内容知识（SCK）和内容与学生知识（KCS）对于教师批判性使用AI至关重要：SCK使教师能判断AI输出的数学正确性，KCS使教师能判断AI输出的教学适切性（是否处于学生ZPD内）。然而，尚未有研究将MKT整合进UTAUT模型，探讨SCK和KCS如何通过感知信任（PT）影响教师的CBI。为此，本研究在UTAUT基础上，增加SCK和KCS作为PT的前因，并以PT为中介，构建扩展模型，旨在揭示数学教师对AI的CBI的核心驱动机制。该研究发表在《Frontiers in Psychology》。

**二、主要关键技术方法**

本研究采用横截面问卷调查设计，通过便利抽样招募中国中小学数学教师，利用问卷星平台在线发放问卷，并通过微信社交平台分享链接（2026年春季，开放一周）。有效样本为169份（回收180份，剔除无效后保留率93.9%）。测量工具基于已有英文量表开发，经两位双语研究者翻译和改编，所有题项采用6点李克特量表（1=非常不同意，6=非常同意）。共24个题项，测量8个潜变量（PE、EE、SI、FC、SCK、KCS、PT、CBI），每个变量3个题项。数据分析采用偏最小二乘结构方程模型（PLS-SEM），使用SmartPLS 4.0版本，遵循Hair等（2019）的两步程序：先评估测量模型（指标信度、内部一致性信度、收敛效度、区分效度、共线性），再评估结构模型（路径系数、决定系数R²、预测相关性Q²、模型拟合SRMR）。中介效应检验采用偏差校正自助法（5000个子样本）。

**三、研究结果**

**3.1 描述性统计与测量模型**

所有测量题项的外载荷均超过0.708（范围为0.788~0.942），各构念的Cronbach's α和组合信度（CR）均超过0.70，平均方差萃取量（AVE）均超过0.70，表明指标信度、内部一致性信度和收敛效度良好。区分效度通过异质-单质比率（HTMT）评估，最高HTMT值为0.861（PE与SI之间），低于0.90阈值，表明各构念间具有良好的区分效度。

**3.2 结构模型与假设检验**

**3.2.1 基线模型**

仅包含UTAUT四个构念（PE、EE、SI、FC）作为CBI的直接预测变量。结果显示，PE（β=0.344，p=0.003）和EE（β=0.203，p=0.029）显著正向预测CBI，而SI（β=0.144，p=0.298）和FC（β=0.046，p=0.702）不显著。基线模型解释CBI 44.3%的方差（R²=0.443）。

**3.2.2 完整模型**

在基线模型基础上加入SCK、KCS和PT。所有预测变量的方差膨胀因子（VIF）均低于5（范围1.920~3.768），表明无严重共线性。直接效应结果：PE显著正向预测CBI（β=0.198，p=0.033），支持H1；EE（β=0.083，p=0.412）、SI（β=0.024，p=0.837）、FC（β=0.001，p=0.996）均不显著，不支持H2、H3、H4。KCS显著正向预测PT（β=0.672，p<0.001），支持H6；SCK对PT的预测不显著（β=0.085，p=0.282），不支持H5。PT显著正向预测CBI（β=0.518，p<0.001），支持H7。中介效应：KCS通过PT对CBI的间接效应显著（效应值=0.348，p<0.001，95% CI [0.195, 0.524]），支持H9；SCK通过PT的间接效应不显著（效应值=0.044，p=0.285，95% CI [?0.034, 0.126]），不支持H8。完整模型解释PT 53.8%的方差（R²=0.538），解释CBI 56.3%的方差（R²=0.563）。PLS predict结果显示所有内生潜变量指标水平的Q² predict值均为正（0.322~0.433），表明模型具有满意的预测相关性。模型拟合度SRMR=0.086，低于0.10的宽松阈值，拟合可接受。

**四、讨论与结论**

**4.1 讨论总结**

本研究通过整合UTAUT模型、MKT的SCK和KCS维度以及PT，揭示了数学教师对AI的CBI的核心机制。主要发现：在基线模型中PE和EE显著，但在完整模型中仅PE保留显著直接效应，EE、SI、FC均不显著，说明引入专业知识与信任机制后，传统UTAUT预测因子作用发生变化。KCS显著驱动PT并进而影响CBI，而SCK无此效应，表明教师对AI的信任是情境化的，取决于教师能否判断AI输出是否适合学生ZPD，而非仅仅依赖数学正确性。SCK作为基线能力，大部分教师已具备，因此不再区分信任差异。PT是连接专业知识与CBI的核心中介机制，完整模型解释CBI超过56%的方差。

**4.2 研究结论翻译**

本研究整合了UTAUT模型、MKT框架的SCK和KCS维度以及PT，揭示了数学教师对AI的批判性行为意向的核心机制。主要结论如下：

第一，引入数学教师的专业知识和信任机制后，努力期望（EE）从基线模型中的显著变为完整模型中的不显著，而绩效期望（PE）始终保持显著直接效应；社会影响（SI）和便利条件（FC）在两个模型中均不显著。这表明，对于本样本中的数学教师而言，感知易用性的影响被基于知识的信任所取代。

第二，在MKT的两个维度中，内容与学生知识（KCS）成为信任的关键驱动因素，因为它使教师能够将AI输出与学生的最近发展区（ZPD）对齐并搭建学习支架；专门内容知识（SCK）虽必要，但不再进一步区分信任。这表明数学教师对AI的信任是情境化的，取决于他们能否判断AI生成内容是否适合学生ZPD内的认知需求。

第三，感知信任（PT）是连接数学教师专业知识与批判性行为意向（CBI）的核心中介机制。该模型解释了CBI超过56%的方差，证实了信任在专业教育技术接受中的核心作用。

本研究将UTAUT从“一般行为意向”扩展到“批判性行为意向”情境，并首次将MKT作为专业特定信任前因引入UTAUT框架。实践上，教师培训应强调KCS发展，AI设计应建立信任而不仅仅是展示易用性。总之，对于中小学数学教师对AI的CBI，基于KCS的PT是核心机制。这表明在专业教育情境中，技术使用研究应从“外部驱动因素”转向“内部认知因素”。