《Frontiers in Psychology》：Perceived AI teaching integration and AI-related teaching innovative behavior among young and silver-aged faculty in Chinese universities: resource compensation, professional identity threat, and configurational evidence
编辑推荐：
摘要引言：人工智能（AI）正日益嵌入大学教学，但教师将AI相关感知转化为AI相关教学创新行为的心理过程仍未被充分理解。基于工作需求-资源模型（Job Demands–Resources model），本研究检验了AI赋能教学资源补偿和职业认同威胁作为连接感知A
摘要引言：人工智能（AI）正日益嵌入大学教学，但教师将AI相关感知转化为AI相关教学创新行为的心理过程仍未被充分理解。基于工作需求-资源模型（Job Demands–Resources model），本研究检验了AI赋能教学资源补偿和职业认同威胁作为连接感知AI教学整合与AI相关教学创新行为的竞争路径。研究进一步比较了年轻教师和银龄教师，并使用组态分析补充了以变量为中心的方法。方法：通过问卷星对中国高校教师进行匿名在线调查。分析样本包括45岁及以下的年轻教师和60岁及以上的银龄教师。结构方程模型（SEM）检验了直接和中介关系以及多组差异。模糊集定性比较分析（fsQCA）检验了与高AI相关教学创新行为相关的组态。结果：感知AI教学整合与AI相关教学创新行为正相关。在SEM模型中，资源补偿路径是唯一统计上显著的间接路径，而职业认同威胁未显示出显著的线性间接关联。在测量模型拟合度适中的限制下，多组分析未提供间接效应在两组间存在显著差异的证据。探索性fsQCA结果提示了与高AI相关教学创新行为相关的条件模式可能存在差异，但由于报告的解一致性中等，这些模式应谨慎解释。讨论：这些发现提供了初步证据，表明在本样本中AI可能被体验为教学资源而非直接的职业认同威胁。大学可通过强调AI的教学价值、减轻工作量以及提供对教师职业阶段背景敏感的支持条件，来促进AI支持的教学创新。
**论文解读：感知AI教学整合与教学创新行为——基于资源补偿与职业认同威胁的组态视角**
**研究背景与问题**
近年来，人工智能（AI）技术已深度嵌入高等教育领域，智能辅导系统、自适应学习环境、学习分析、自动反馈及AI辅助评估等工具极大拓宽了数字系统支持的教学任务范围。然而，技术可用性并不等同于教学创新。AI相关教学创新行为（AI-related teaching innovative behavior）是指教师在与AI支持的教学情境中生成、推广、实施和完善新教学理念的主动过程，其超越单纯工具使用，要求教师将技术可能性转化为具有教学意义的变革。当前研究多聚焦于AI采纳，对教师如何将AI感知转化为创新行为的心理机制理解不足。为此，本研究基于工作需求-资源模型（Job Demands–Resources model），提出两条竞争性心理路径：AI赋能教学资源补偿（AI-enabled teaching resource compensation）和职业认同威胁（professional identity threat），并考察感知AI教学整合（perceived AI teaching integration）与AI相关教学创新行为的关系。同时，研究将年轻教师（≤45岁）与银龄教师（≥60岁）作为两个分析性职业阶段队列，探索其异同，并采用组态分析（configurational analysis）补充传统变量中心方法的局限。该论文发表于《Frontiers in Psychology》。
**主要技术方法**
研究人员通过问卷星（Wenjuanxing）平台进行匿名在线调查，目标人群为中国高校承担本科或研究生教学任务的在职教师，最终有效样本包括257名年轻教师（≤45岁）和271名银龄教师（≥60岁）。主要分析方法包括：结构方程模型（Structural Equation Modeling，SEM）用于检验直接和中介关系以及多组差异；模糊集定性比较分析（fuzzy-set Qualitative Comparative Analysis，fsQCA）作为探索性补充，用于识别与高AI相关教学创新行为相关的条件组态。所有变量均采用5点李克特量表测量，感知AI教学整合由表现期望（performance expectancy）、付出期望（effort expectancy）和促进条件（facilitating conditions）三个维度构成，源于技术接受与使用统一理论（UTAUT2）。职业认同威胁量表改编自Jussupow等人（2022）的测量工具，AI赋能教学资源补偿为研究者自编的三条目量表，AI相关教学创新行为改编自Luke?和Stephan（2017）的创新行为量表。
**研究结果**
**5.1 共同方法偏差与测量质量**
通过Harman单因子检验和未测潜在方法因子分析，共同方法偏差不构成主导威胁。六因子测量模型拟合度可接受（χ2/df=3.81，CFI=0.893，TLI=0.883，RMSEA=0.073，SRMR=0.055），所有标准化因子载荷介于0.663-0.865之间，克隆巴赫α系数（Cronbach’s α）在0.784-0.935之间，组合信度（CR）在0.789-0.936之间，平均方差抽取量（AVE）在0.556-0.655之间，表明各构念具有良好的内部一致性和收敛效度。
**5.2 描述性统计与区分效度**
表现期望均值最高（M=3.82，SD=0.66），职业认同威胁均值最低（M=2.44，SD=0.84）。AI相关教学创新行为与表现期望、付出期望、促进条件及AI赋能教学资源补偿均呈正相关（r分别为0.532、0.589、0.678、0.618），与职业认同威胁呈弱负相关（r=-0.072）。所有异质-单质比率（HTMT）均低于0.90，表明区分效度良好。
**5.3 结构模型与平行中介效应**
结构模型拟合度良好（χ2=1.407，df=1，CFI=0.999，RMSEA=0.028，SRMR=0.015）。感知AI教学整合与AI相关教学创新行为直接正相关（β=0.508，p<0.001），支持H1。感知AI教学整合与AI赋能教学资源补偿正相关（β=0.499，p<0.001），补偿又与创新行为正相关（β=0.364，p<0.001），资源补偿的间接效应显著（β=0.182，95% CI [0.131, 0.233]），支持H2a、H2b、H2c。感知AI教学整合与职业认同威胁负相关（β=-0.139，p=0.007），但威胁与创新行为关系不显著（β=0.009，p=0.803），间接效应不显著（β=-0.001），H3a支持，H3b、H3c未获支持。
**5.4 测量不变性与多组中介分析**
年轻教师与银龄教师之间的测量不变性检验显示，从形态不变到度量不变（ΔCFI=0.001）及标量不变（ΔCFI=0.007）的增量变化均低于0.01，表明测量结构稳定。多组分析表明，资源补偿的间接效应在年轻教师（0.143，p<0.001）和银龄教师（0.224，p<0.001）中均显著，但组间差异不显著（差值为0.081，95% CI [-0.037, 0.204]）。职业认同威胁的间接效应在两组中均不显著，组间差异也不显著（差值为-0.004，95% CI [-0.029, 0.018]），因此H4a、H4b未获支持。
**5.5 探索性fsQCA结果**
必要性分析显示，无单一条件达到0.90的必要性一致性阈值，其中AI赋能教学资源补偿在银龄教师中最高（0.846）。充分性分析表明，全样本和年轻教师的高创新解模式相似：表现期望、付出期望、促进条件和资源补偿各自与高AI相关教学创新行为相关联。银龄教师解则不同：付出期望未作为单一高创新组态出现，而是包含表现期望、资源补偿、低付出期望与高促进条件组合、高促进条件与低职业认同威胁组合。由于整体解一致性中等，这些结果被解释为探索性模式而非确定充分条件。
**讨论与结论**
**讨论部分总结**
感知AI教学整合与创新行为的正相关关系表明，教师对AI有用性、易用性和制度支持的积极评估是创新的基础，但需结合具体教学情境。资源补偿路径是唯一统计显著的间接路径，说明教师感知AI能节省时间与精力用于个性化指导时，更可能从事创新行为。职业认同威胁未显著中介，可能因为教师区分AI辅助与专业替代，威胁效应具有条件性。年轻与银龄教师在平均间接效应上无显著差异，但fsQCA提示组态可能存在差异：年轻教师可能更依赖全面低摩擦的技术环境，银龄教师则更看重资源补偿和促进条件，而不必感知易用性。
**研究结论翻译**
研究发现，感知AI教学整合与AI相关教学创新行为正相关，且AI赋能教学资源补偿是正向中介路径，而职业认同威胁未显示出显著线性间接关联。多组分析未发现年轻教师与银龄教师在间接效应上的显著差异，但探索性fsQCA结果提示两组在高创新行为相关的条件组态上可能存在差异。这些发现为初步证据表明，在本样本中AI可能被体验为教学资源而非直接职业认同威胁。大学应在推广AI教学创新时强调AI的教学价值与工作减负，并提供对教师职业阶段背景敏感的支持条件。
