解构人工智能与教育领域的讨论：基于主题建模与fsQCA方法分析教学理念中的技术韧性动态关系

《COMPUTERS and EDUCATION》：Unpacking AI–Education Discourse: Topic Modeling and fsQCA of Technology–Resilience Dynamics in Pedagogical Perceptions

　　•结合LDA与fsQCA的整合主题模型方法，用于分析人工智能与教育领域的讨论内容•分析了28,137条社交媒体评论，以提取潜在主题与情感倾向•构建出包含四条因果路径的技术与韧性共同演化模型•将人工智能在教育中的作用重新定义为协同构建者，而非仅仅是辅助工具或挑战因素•为平衡技术投入与人类韧性提供基于证据的见解

引言
人工智能正在迅速成为全球教育体系中的变革性力量。从智能辅导系统到生成式语言模型，各类人工智能技术日益渗透到课堂、教学大纲以及教育决策过程中。这些发展因其提升教学与学习过程中的个性化水平、效率及可及性的潜力而广受认可（Luckin & Cukurova, 2019; Liu et al., 2024; Ikhsan et al., 2025）。通过自动化处理常规任务、支持差异化教学以及提供数据驱动的洞察，人工智能有望以前所未有的方式重塑教学环境。

然而，这种变革并非没有矛盾。越来越多的研究开始探讨人工智能在教育领域带来的意外后果。人们担忧教师自主权被削弱（Selwyn, 2019）、学习过程受到算法控制（Williamson & Eynon, 2020），以及现有的社会和认知不平等现象进一步加剧（Perrotta & Selwyn, 2020; Hammerschmidt & Posegga, 2025）。这些批评表明，人工智能并非中立的工具，而是一种技术资本——一种嵌入社会结构中的力量，能够影响并重塑教育的认知、人际关系以及情感层面。不过，这一观点也存在争议：一些学者警告不要将技术简单视为“资本”，而忽视了影响技术应用发展的制度与政治经济因素（Romele, 2021; Joyce et al., 2023）；另一些学者则强调人工智能更多具有工具性的功能特征（Ahn, 2025）。为应对这一争论，本研究采取中间立场，将人工智能视为一种社会技术工具，其影响通过日常实践、语言表达及具体应用方式体现出来。需要指出的是，技术资本的影响并非一律负面。例如，教师自主权的减弱可能同时促进跨学科意识的形成以及基于数据的教学方法转型（Luan et al., 2020; Chun et al., 2025）。因此，人工智能对教学、学习及教育管理的影响不能简单地归结为有益或有害的二元对立。更值得关注的是，人工智能是否已经开始重塑教育的认知框架与功能模式（Almuhanna, 2025; Zhong & Zhao, 2025），以及这种重塑是通过何种具体机制和路径实现的。

为揭示这些机制，除了研究制度政策或 Controlled实验外，还有必要审视公共话语——因为正是在那里，各种矛盾最初被提出并加以讨论。社交媒体平台为教师、学生和家长提供了实时表达焦虑、期望及规范诉求的独特空间。尽管这些表述看似只是个别案例，却往往能反映出认知、角色及教学实践在微观层面的变化趋势。公众对于教师职业被取代或受算法主导的未来发展的担忧，已超越单纯的情绪反应，成为技术认知与传统教学模式发生冲突时所产生的适应过程。因此，公共话语成为阐述和协商适应策略与功能转型的重要场所。基于此，本研究聚焦于教学观念的功能性转变，探讨在社交媒体环境中，人工智能技术如何与人们对教学角色及教育实施方式的认知变化相关联。这一概念指的是与人工智能整合相关的教学角色、日常实践及教育期望的功能性重构。这种转型与公共话语中的适应性认知密切相关，体现了日常交流中隐含的矛盾与灵活调整。我们将这种动态关系称为教学韧性。虽然韧性强调适应能力，但也可能存在将系统性问题个体化的风险。因此，我们的分析将微观教学韧性置于更广泛的结构性与话语背景之下，而非仅仅视为个体的属性。与政策改革或机构重组等宏观层面的变革不同，本研究所探讨的功能性转型被视为一种话语层面的过程，反映了教师、学生和家长在日常交流中如何表达自身的认知与情感调整。理解这一现象对于超越工具理性或技术决定论，重新思考人工智能与教育之间的关系至关重要。

目前关于人工智能在教育领域的研究主要集中于三个方面：（1）教学潜力，包括自适应学习、自动反馈及智能内容生成（Barbosa, 2024; Laak & Aru, 2025）；（2）伦理与治理问题，如监控、偏见及数据隐私问题（Komarudin, 2025）；（3）教师与学生的情绪及认知反应，重点研究信任、焦虑及知识权威问题（Popenici & Kerr, 2017; Ilyas et al., 2025）。尽管已有诸多研究成果，但仍存在三个明显不足。首先，人工智能作为能够重塑人们观念与日常实践的社会嵌入型工具——即技术资本——这一视角尚未得到充分理论阐释。其次，对于教学韧性的动态机制研究不足，尤其是缺乏对公共话语如何在技术变革背景下重新定义角色、构建身份及引发情感反应的探讨。第三，现有研究方法多依赖访谈或调查，难以捕捉大规模人工智能应用场景中语义模式与实际影响之间的复杂互动关系。

为弥补这些不足，本研究提出了一种创新框架，用以分析技术资本渗透与微观教学韧性之间的相互作用。我们探讨人工智能带来的教学变革如何在公共话语中体现为技术压力感知与教育回应感知之间的互动关系。随着人工智能逐渐渗透到教育领域，它不仅会重塑认知结构与人际关系网络（Hogendoorn, 2022），还会促使相关参与者调整、抵制或重新设想自己的角色，同时学科内容也会随之发生重组（Konsynski et al., 2024）。在微观层面，教师可能会失去教学权威，或逐渐依赖人工智能生成的内容（Zheng & Stewart, 2024; Zhang & Xu, 2025）；学生则可能在面对人机混合反馈时产生困惑、疏离感或面临伦理困境（Komarudin, 2025）；家长则可能对人工智能驱动的学习方式的可靠性及其未来影响感到担忧。这些变化并非单纯的技术调整，而是构成深层次的认知与情感挑战。它们要求我们重新理解：当教育参与者面临矛盾状况时，是通过抵抗、寻求一致性还是进行适应性调整来培养韧性（Park et al., 2023; Liu & Hu, 2025）。

为解决这些研究缺口，有必要识别出社交媒体环境中出现的各种话语与语义结构。尽管这类话语不可避免地会受到算法筛选及人口统计偏差的影响，但它仍能为了解用户如何公开解读在人工智能影响下可能出现的教学认知变化提供重要证据。通过将这些话语模式置于更广泛的制度与技术背景之下，我们的分析并非将其视为教育现实的简单反映，而是将其视为公共话语中功能转型如何被建构与解读的依据。与回顾性调查或小规模访谈不同，社交媒体能够捕捉到即时的情感反应、新出现的叙事框架以及大规模的规范协商过程。通过LDA分析，可以识别出潜在的语义结构，而fsQCA则有助于分析与话语层面转型相关的各种组合模式。尤为重要的是，以往针对教育领域的研究中，主题建模往往仅停留在主题描述层面，很少进一步进行组合分析。本研究通过将LDA得出的主题概率与情感指标作为fsQCA的分析条件，填补了这一方法论空白，从而能够识别出与功能转型相关的多种非线性组合模式（Ragin & Strand, 2008）。这两种方法相结合，为分析社交媒体话语中技术资本与微观教学韧性是如何被呈现、解读以及相互关联的提供了新的视角。这种基于话语的分析方法能够补充并拓展传统的调查或访谈手段，后者由于回忆偏差、社会期望效应以及样本规模有限等问题，往往难以捕捉到人工智能相关变革的即时性、规模效应及复杂的组合关系。

基于这种混合方法设计，本研究旨在回答以下问题：在社交媒体环境中，如何识别与技术资本及教学韧性相对应的话语与语义结构？在媒体话语中，哪些基于技术渗透、教学韧性及情感动态的组合模式与人们对教育的认知相关？通过这些问题，本研究希望构建一个更为细致的框架，借助话语层面的模式来理解人工智能在教育中的作用，将其视为推动教学发展的协同力量，而非仅仅是工具或外部变量。

分析框架：技术资本渗透与微观教学韧性
随着人工智能深度融入教育体系，技术已不再仅仅扮演工具性角色，而是开始展现出自身的能动性。“技术资本渗透”理论认为，技术不仅会改变教育的外部条件，还会重塑认知结构、话语框架以及制度逻辑，进而影响教师、家长和学生对自身角色的认知以及知识创造的方式（Williamson & Eynon, 2020; Selwyn, 2021）。

平台选择、初步调研与伦理考量
本研究从中国三大主流社交媒体平台——微博、抖音和哔哩哔哩收集数据。选择这些平台是因为它们拥有互补的用户群体与主题生态。微博是公共话语与议程设定的重要渠道；抖音通过短视频形式展现课堂实践场景；而哔哩哔哩则汇聚了青少年群体中的教育与技术相关讨论。三者结合，为我们提供了观察教育变革的全面视角。

主题提取与语义距离映射
如图2所示，经过在3至12个主题范围内的多次随机训练迭代后，包含八个主题的模型始终表现出最高的c_v一致性得分。因此，后续分析确定以八个主题作为研究基础。表3列出了这八个提取出的主题及其基于社交媒体评论语料库得出的核心语义解释，以便为下一阶段分析提供依据。

讨论
鉴于社交媒体数据具有话语分析的特性，以下解读侧重于探讨教学过程在在线话语中是如何被表达和公众如何看待的，而非对课堂实践的直接观察。因此，这些组合分析结果应被视为与社交媒体中所呈现的教育变革相关的公众解读模式。

布尔最小化法共得到了五种有效的组合模式（见表7）。

结论
本研究将人工智能视为一种技术资本，并探讨了它在社交媒体环境中与微观教学韧性之间的相互作用，以及这种相互作用如何影响教育认知的构建。通过将主题建模（LDA）与组合分析（fsQCA）结合，并利用杰卡德系数进行匹配，本研究建立了连接语义模式与组合路径的方法论桥梁。研究结果表明，存在着一种技术与韧性共同演化的关系。

CRediT作者贡献说明
张鸿峰：撰写——初稿、验证、软件使用、资源获取、项目管理、方法论设计、研究实施、资金筹集、正式分析、概念构建。丁立伟：撰写——审稿与编辑、可视化处理、验证、软件使用、研究实施。周金桥：撰写——审稿与编辑、可视化处理、软件使用、资源获取、方法论设计、正式分析。

未引用参考文献
Barbosa et al., 2024; Bozkurt and Oyman Bozkurt, 2025; Chen et al., 2025; Hammerschmidt et al., 2025; Montes-Landa et al., 2024; Ragin and Davey, 2017/2023; Stoyanov and Kirschner, 2023.

数据可用性说明
数据可向对应作者请求获取。

资金支持
本研究得到了澳门理工学院的支持（RP/FCHS-01/2023）。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

张鸿峰|丁立伟|周金桥