《Frontiers in Psychology》：Techno-stress and teaching innovation among university teachers in the intelligent era: a path analysis of job burnout and AI self-efficacy
编辑推荐：
摘要背景：在智能技术深度融入教育实践的背景下，如何平衡技术应用带来的压力与教学创新的内在需求，已成为一个重要问题。工作倦怠反映了个体在长期技术压力下的情绪耗竭状态，而人工智能自我效能感（AI Self-Efficacy, AISE）体现了个体对自身使用AI工具
摘要背景：在智能技术深度融入教育实践的背景下，如何平衡技术应用带来的压力与教学创新的内在需求，已成为一个重要问题。工作倦怠反映了个体在长期技术压力下的情绪耗竭状态，而人工智能自我效能感（AI Self-Efficacy, AISE）体现了个体对自身使用AI工具能力的信心。目前，尚缺乏对二者如何共同关联于技术压力与教学创新之间关系的清晰解释。基于工作要求-资源模型（Job Demands-Resources Model, JD-R Model），本研究构建了一个链式中介模型，旨在系统考察各变量间的关系。方法：研究采用分层随机抽样方法，从共计819名大学教师中收集有效问卷数据，并基于协方差结构方程模型（CB-SEM）进行模型检验和路径效应分析。结果：结果显示，技术压力与教学创新呈显著负相关。中介分析结果表明，工作倦怠和AI自我效能感的中介效应分别占总效应的33.60%和20.00%，而由二者共同产生的链式中介效应占总效应的14.13%。在按性别和年龄划分的教师群体中，教学创新水平存在显著差异。结论：研究结果阐明了外部组织因素与内部心理因素协同驱动教学创新的机制，对促进智能时代大学教师的持续教学创新具有重要意义。
### 论文解读：智能时代大学教师技术压力与教学创新的链式中介机制
#### 研究背景与问题
在智能时代，人工智能（AI）等新技术深刻重塑教学环境和学科知识体系，同时满足学生个性化、多样化的教育需求，但这些变化也给大学教师的教学实践带来了不可避免的现实挑战。教学创新（Teaching Innovation）——教师通过引入新颖概念、程序、工具或策略以激发学生参与、提升学习效果并实现教育目标的有意识改进过程——已成为教师在快速演变的科技驱动教育生态中应对复杂情境、达成教育目标的关键途径。然而，AI技术与教学实践的深度融合催生了教师群体的技术压力（Techno-Stress），这种压力源于对数字素养的持续增长需求和技术发展的不确定性，导致教师焦虑和无助，进而阻碍教学创新推进。在此背景下，教师容易产生工作倦怠（Job Burnout），持续消耗其心理资源和创新动机，削弱尝试新教学策略的内在意愿。与之相反，AI自我效能感（AI Self-Efficacy, AISE）则能激发教师探索和运用AI工具的活力，为教学创新注入积极心理动力。尽管已有研究分别考察了技术压力、工作倦怠、AISE与教学创新之间的两两关系，但工作倦怠和AISE在技术压力与教学创新关系中的作用机制仍需进一步澄清，尤其二者之间的潜在链式效应在大学教师群体中尚待系统的实证检验和理论阐释。为此，本研究基于工作要求-资源模型（Job Demands-Resources Model, JD-R Model），构建了一个链式中介模型，通过揭示这一关系背后的心理过程，为智能时代维护教师心理韧性、激发教学创新活力提供新的理论视角和实践切入点。
#### 研究内容与结论
研究人员采用分层随机抽样方法，从中国10个省份的15所大学（涵盖综合性研究型大学、教学型本科院校和职业院校，包括公立和私立）中，邀请了823名在职教师参与在线问卷调查，最终获得819份有效问卷（有效回收率99.51%）。样本覆盖东部、中部、西部地区，目标比例分别为42%、31%、27%，以反映全国高等教育教师分布。研究使用了技术压力量表（Tarafdar等，2014，23个条目）、工作倦怠量表（Maslach和Jackson，1981，22个条目）、AI自我效能感量表（由Laver等（2012）的计算机自我效能感量表改编，Ding等（2025）验证，6个条目）以及教学创新量表（Liu等（2016）开发，Cui和Yin（2023）改编，5个条目）。所有量表在中国样本中均显示出良好的信效度。数据处理采用SPSS 27.0和AMOS 28.0，进行描述性统计、信效度评估、验证性因子分析（CFA）、共同方法偏差（CMB）检验、群组差异分析，并基于协方差结构方程模型（CB-SEM）进行假设检验和中介效应分析。技术压力和工作倦怠被指定为二阶潜变量，采用偏差校正百分位自助法（5000次重抽样）进行中介效应估计。
#### 研究结果
**3.1 描述性统计与相关检验**：各变量均符合正态分布。相关分析显示，技术压力与工作倦怠呈显著正相关（r=0.565, p<0.001），与AISE（r=-0.501, p<0.001）和教学创新（r=-0.431, p<0.001）呈显著负相关；工作倦怠与AISE（r=-0.528, p<0.001）和教学创新（r=-0.462, p<0.001）呈显著负相关；AISE与教学创新呈显著正相关（r=0.454, p<0.001）。
**3.2 信效度检验**：所有潜变量的Cronbach's α系数、组合信度（CR）均超过0.70，平均方差提取量（AVE）均超过0.50，表明内部一致性和收敛效度良好。区分效度通过异质-单质比率（HTMT）和Fornell-Larcker准则得到验证。二阶CFA模型拟合良好（χ2/df=1.413, SRMR=0.034, CFI=0.977, RMSEA=0.022），支持将技术压力和工作倦怠作为单维构念进行后续分析。
**3.3 共同方法偏差**：Harman单因子检验显示第一个因子解释36.298%的方差（低于40%）；更严格的未测量潜方法因子法表明，加入共同方法因子后模型拟合变化极小（Δχ2/df=0.003，ΔCFI<0.001），所有指标载荷仍显著且变化小于0.10，证实CMB不严重。
**3.4 共线性检验**：所有预测变量的方差膨胀因子（VIF）均低于3.3，表明不存在多重共线性问题。
**3.5 群组差异分析**：独立样本t检验和单因素方差分析显示，教学创新在性别（女性均值4.678高于男性3.212，p<0.001）和年龄（30岁以下组均值4.176最高，51岁及以上组3.646最低，p=0.001）上存在显著差异，而在教育背景、工作经验和职称上无显著差异。
**3.6 结构模型检验**：结构模型拟合良好（χ2/df=1.554, SRMR=0.053, CFI=0.967, RMSEA=0.026）。逆因果替代模型（AIC=3179.292, BIC=3918.461）拟合远差于本研究模型（AIC=2729.166, BIC=3473.043），排除反向因果关系。路径分析支持所有假设：H1技术压力→教学创新（β=-0.121, p=0.004）；H2技术压力→工作倦怠（β=0.596, p<0.001）；H3工作倦怠→教学创新（β=-0.211, p<0.001）；H5技术压力→AISE（β=-0.330, p<0.001）；H6 AISE→教学创新（β=0.226, p<0.001）；H8工作倦怠→AISE（β=-0.396, p<0.001）。模型解释教学创新50.4%的方差。
**3.7 中介效应分析**：技术压力对教学创新的总效应为-0.375（标准化）。直接效应为-0.121（32.27%）。三个间接效应中，技术压力→工作倦怠→教学创新路径占33.60%（β=-0.126, 95%CI[-0.187, -0.069]）；技术压力→AISE→教学创新路径占20.00%（β=-0.075, 95%CI[-0.120, -0.041]）；技术压力→工作倦怠→AISE→教学创新链式中介路径占14.13%（β=-0.053, 95%CI[-0.087, -0.029]）。所有中介路径置信区间均不包含零，支持H4、H7和H9。
#### 讨论与结论
讨论部分指出，技术压力与教学创新之间的显著负相关与Hernández（2025）的研究一致，但在中国大学教师中，技术压力更多与被动执行而非主动探索的制度情境相关，表现为以最低成本满足形式要求而非投入真正教学创新的倾向。技术压力与工作倦怠的正相关以及工作倦怠与教学创新的负相关表明，持续的技术压力伴随情绪和认知资源的持续消耗，是工作倦怠的重要共因，而长期倦怠降低了教师的心理能量储备和认知参与，从而减少对新教学方法的探索。技术压力与AISE的负相关以及AISE与教学创新的正相关显示，在科研和教学绩效双重评估压力下，教师AISE显著下降，而适当使用AI工具可提升工作满意度和自我效能感，进而促进教学创新。链式中介效应验证了工作倦怠和AISE在技术压力与教学创新之间的序列作用：高工作倦怠使教师难以投入时间和精力学习AI工具，导致低AISE，从而进一步抑制基于AI的教学创新。此外，教学创新在性别和年龄上的差异表明，女性教师在沟通、方法应用和AI相关领域表现更优，反映其对关系教学的敏感性；年龄方面，30岁以下教师和41-50岁教师（中年教师）的创新水平较高，后者可能处于数字素养与教学内容知识的最佳平衡点。
**研究结论**：基于工作要求-资源模型（JD-R Model），本研究系统考察了大学教师技术压力、工作倦怠、AI自我效能感（AISE）与教学创新之间的关系。结果表明，技术压力与教学创新呈显著负相关，工作倦怠和AISE在其中起部分中介作用，形成链式中介路径。不同性别和年龄的大学教师群体在教学创新上存在显著差异。研究结果支持了JD-R模型在智能教育情境中的适用性，并为促进大学教师专业发展和教学转型提供了理论支撑和实践参考。需要强调的是，本研究主要关注个体内部的认知和情感现象，未全面考察外部组织或情境因素的调节作用。未来研究应将宏观组织参数与微观心理运作相结合，以推进涵盖多层次分析的更全面理论架构。
