《Frontiers in Psychology》：The chain-mediating roles of generative AI literacy and TPACK in the relationship between AI support and teaching practice among university teachers
编辑推荐：
背景：生成式人工智能（Generative Artificial Intelligence, AI）的快速发展正在重塑高等教育生态系统，AI在教学中的应用日益广泛。然而，许多教师仍主要将AI用于提高工作效率，而非有意义地将其融入教学。本研究调查了中国山东省高校
背景：生成式人工智能（Generative Artificial Intelligence, AI）的快速发展正在重塑高等教育生态系统，AI在教学中的应用日益广泛。然而，许多教师仍主要将AI用于提高工作效率，而非有意义地将其融入教学。本研究调查了中国山东省高校教师的AI支持、生成式AI素养、整合技术的学科教学知识（Technological Pedagogical Content Knowledge, TPACK）与教学实践之间的关系。方法：研究人员通过问卷星在线发放结构化问卷，获得578份有效回复。数据采用描述性统计、皮尔逊相关分析、验证性因子分析（Confirmatory Factor Analysis, CFA）和结构方程模型（Structural Equation Modeling, SEM）进行分析。结果：结果显示所有变量均显著正相关。AI支持对生成式AI素养和实践教学均有显著正向影响。生成式AI素养对教师TPACK有显著正向影响，TPACK对教学实践有显著正向影响。此外，生成式AI素养和TPACK在AI支持与教学实践的关系中起显著的链式中介作用。结论：研究结果扩展了TPACK框架在AI增强教育情境下的应用，并为高等教育管理者和教师加强生成式AI素养、改进技术整合教学实践提供了实证依据。
研究背景与问题提出
在高等教育领域，生成式人工智能（Generative AI, GAI）在信息处理、学习能力及问题解决方面的快速发展使其成为技术赋能教育的新趋势，促进了教学创新与个性化学习。然而，现有研究较少关注教师是否具备将生成式AI有效整合于教学法及学科特定教学中的能力。尽管许多高校提供了包括教学平台、培训在内的各种AI支持（AI Support），多数教师仅将其视为提高效率的工具，未能实质性整合入教学实践。在中国山东，虽然政策推动AI融入高等教育全流程，但由于教师AI素养与技术整合能力不均，将AI转化为真实课堂教学仍存在障碍。传统教师能力模型如整合技术的学科教学知识（Technological Pedagogical Content Knowledge, TPACK）强调技术、教学法与内容的深度融合，而在生成式AI具备交互性、自主反馈等特征的背景下，其有效整合需依托深层融合能力。现有文献多关注技术自我效能等主观意愿因素，缺乏外部制度支持如何转化为教师专业能力进而落实为教学行为的机制探讨。基于此，本研究构建包含AI支持、生成式AI素养（Generative AI Literacy）、TPACK与教学实践（Teaching Practice）的链式模型，旨在厘清各变量间关系及内在机制。该研究发表于《Frontiers in Psychology》。
主要关键技术方法
研究人员聚焦于中国山东省一线高校教师，样本需承担课程设计与课堂教学职责。通过问卷星平台在线发放结构化问卷，回收659份，剔除无效后保留578份有效样本（有效率87.7%），测量教师感知的AI支持而非客观机构条件。研究工具为五点李克特量表，含AI支持（9题）、生成式AI素养（15题）、TPACK（12题）、教学实践（3题）四个构念，量表经专家评审、翻译回译及167人预测试检验信效度（Cronbach’s α为0.798~0.911，探索性因子分析累积方差解释率超70%）。数据分析采用SPSS 29.0与AMOS 28.0，依次进行描述性统计、皮尔逊相关分析、共同方法偏差检验（Harman单因子测试首因子方差解释率32.8%<40%，方差膨胀因子VIF<3.3）、验证性因子分析（CFA）评估测量模型及结构方程模型（SEM）检验假设路径与链式中介效应（Bootstrap偏差校正置信区间）。
研究结果
4.1 Common method bias test
通过Harman单因子测试与全共线性评估进行共同方法偏差检验，首因子解释方差32.8%低于40%阈值，所有潜变量方差膨胀因子（Variance Inflation Factor, VIF）值低于3.3，表明共同方法偏差未严重影响研究结果。
4.2 Measurement model assessment
4.2.1 Reliability
测量模型可靠性分析显示，AI支持、生成式AI素养、TPACK、教学实践的Cronbach’s α值为0.814~0.905（>0.70），组合信度（Composite Reliability, CR）为0.857~0.904（>0.70），表明构念内部一致性良好，适于后续分析。
4.2.2 Confirmatory factor analysis (CFA)
验证性因子分析拟合指标为χ2/df=2.220（<3），比较拟合指数（Comparative Fit Index, CFI）=0.973、塔克-刘易斯指数（Tucker-Lewis Index, TLI）=0.966、增值拟合指数（Incremental Fit Index, IFI）=0.973（均>0.90），近似误差均方根（Root Mean Square Error of Approximation, RMSEA）=0.045、标准化均方根残差（Standardized Root Mean Square Residual, SRMR）=0.042（均<0.08），测量模型与观测数据拟合良好，无需删题或修改。
4.2.3 Convergent validity
收敛效度分析显示，各构念平均方差萃取量（Average Variance Extracted, AVE）为0.647~0.758（>0.50），标准化因子载荷为0.754~0.903（>0.70，p<0.001），测量模型具满意收敛效度。
4.2.4 Discriminant validity
判别效度评估满足Fornell-Larcker准则，各构念AVE平方根均大于其与其他构念的相关性，证实四个潜构念具满意判别效度，彼此经验性区分。
4.3 Descriptive statistics and correlation analysis
描述统计与皮尔逊相关分析显示变量均值3.69~3.79，标准差0.80~1.15，偏度-0.804~-0.526、峰度-0.547~-0.096（±2内）近似正态。所有变量显著正相关（p<0.01）：AI支持与生成式AI素养（r=0.464）、TPACK（r=0.528）、教学实践（r=0.525）；生成式AI素养与TPACK（r=0.637）、教学实践（r=0.630）；TPAK与教学实践（r=0.627），为结构方程建模提供实证基础。
4.4 Structural model assessment
结构模型拟合指标χ2/df=2.342（<3.0），CFI=0.970、TLI=0.962、IFI=0.970（均>0.90），RMSEA=0.047（<0.08），结构模型与样本数据拟合良好，可进行路径分析与假设检验。
4.5 Hypothesis testing
结构路径分析显示：AI支持→生成式AI素养（β=0.46，p<0.001）支持H1；AI支持→教学实践（β=0.28，p<0.001）支持H2；生成式AI素养→TPACK（β=0.64，p<0.001）支持H3；TPACK→教学实践（β=0.50，p<0.001）支持H4。其中生成式AI素养对TPACK的标准化效应最强（β=0.64）。
4.6 Chain mediation analysis
链式中介分析采用Bootstrap偏差校正置信区间，AI支持→生成式AI素养→TPACK→教学实践的链式中介效应显著（β=0.147，95% BC CI [0.079, 0.257]，p=0.026），区间不含0，支持H5。
讨论与结论翻译
讨论部分指出，AI支持与教师AI素养及教学实践正相关，印证社会认知理论（Social Cognitive Theory, SCT）环境要素，高校应通过丰富AI资源、优化政策激励与精准培训提升支持；生成式AI素养是TPACK发展的重要基础（β=0.64最大），扩展TPACK至生成式AI情境；TPACK正向关联教学实践，仍是生成式AI时代技术整合的有效框架；生成式AI素养与TPACK在AI支持与实践间起链式中介，建议高校采取AI基础设施支持、素养提升、TPACK发展与教学实践优化的协同策略推进数字化智能化转型。
结论部分翻译：本研究聚焦山东省高校教师，探讨AI支持、生成式AI素养、TPACK与教学实践的关系。研究发现AI支持直接与教学实践关联，并通过生成式AI素养和TPACK间接关联。理论上，研究通过揭示AI增强教育情境下制度AI支持、教师专业能力与教学实践的联系，扩展了社会认知理论的适用性；此外，结果表明生成式AI素养可能作为教师技术整合能力的重要前置因素，细化了TPACK框架的应用。实践上，结果为高校制定加强教师生成式AI素养及促进技术整合教学实践的策略提供了实证依据。本研究存在局限：样本仅取自一省，普适性待验；横断面设计无法确定因果，链式中介应解释为统计关联而非时间或因果机制，需未来纵向或实验研究检验；自陈问卷虽控偏差但仍可能存在共同方法偏差与社会期望偏差，未来可结合课堂观察、访谈等多源数据三角互证；未来可扩大地理样本并纳入AI接受度、AI自我效能等变量扩展模型。
