职前教师对AI技术支持与学校智能环境支持的感知:通过AI自我效能感和自我调节学习与创新能力的基于模型的间接关联

《Behavioral Sciences》:Pre-Service Teachers’ Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning

【字体: 大 中 小 】 时间:2026年08月13日 来源:Behavioral Sciences 3.2

编辑推荐:

  随着人工智能(AI)深度融入教师教育,职前教师的创新能力已成为促进人机协作创新和实现智能教育转型的基石。本研究使用了来自中国12个省份的3003名职前教师的实证数据。研究人员采用了差异检验、分位数回归和结构方程模型来检验AI技术支持和学校智能环境支持与职前教师

  
随着人工智能(AI)深度融入教师教育,职前教师的创新能力已成为促进人机协作创新和实现智能教育转型的基石。本研究使用了来自中国12个省份的3003名职前教师的实证数据。研究人员采用了差异检验、分位数回归和结构方程模型来检验AI技术支持和学校智能环境支持与职前教师创新能力的关联。结果显示,职前教师的创新能力处于中等偏上水平,在个体、家庭和学校背景变量上存在显著异质性。两种支持均与创新能力正相关。然而,关联模式有所不同。AI技术支持与创新能力的关联总体上在中上分位数增加,而学校智能环境支持与创新能力的关联在低中分位数更强,随后下降。AI自我效能感(AI self-efficacy)和自我调节学习(self-regulated learning)均显示出显著的基于模型的间接关联,将这两种支持与创新能力联系起来。具体而言,在AI技术支持下,AI自我效能感的中介关联大于自我调节学习;在智能环境支持下,则出现相反的模式。本研究系统考察了AI技术支持和智能环境支持与职前教师创新能力的关联及中介路径。这些发现识别了与所提出框架一致的关联模式,并为优化AI赋能的教师创新培养提供了实证证据。
**论文解读:AI支持与职前教师创新能力的关联机制研究**

**研究背景与问题**

随着人工智能(AI)深度融入教师教育,职前教师作为未来的教育工作者,其创新能力成为推动人机协作创新和智能教育转型的关键。国际教师教育政策日益强调技术与教师创新能力的整合,例如英国《初始教师培训与早期职业框架》及经济合作与发展组织(OECD)《教学指南针》报告均指出教师需具备利用技术进行创新的能力。中国教育部等发布的《教师教育能力提升工程》及《教育强国建设规划纲要(2024-2035年)》也明确提出深化AI在教师队伍建设中的作用。然而,当前AI赋能教师创新面临多重困境:AI素养教师专业能力有限、人机协作教育实践能力不足、对AI的认知和经验局限,以及教师教育中AI支持系统亟待完善。在此背景下,本研究旨在系统考察AI支持(包括AI技术支持和学校智能环境支持)与职前教师创新能力之间的关联,并探索AI自我效能感与自我调节学习在其中的基于模型的间接关联,为AI时代创新型教师队伍的培养提供理论支撑和实践指导。该论文发表在《Behavioral Sciences》。

**主要技术方法**

研究采用横截面设计,样本来自中国内地12个省份高等教育机构的3003名职前教师(本科及专业硕士层次),通过多机构便利抽样招募。研究人员使用自编问卷测量五个变量:学校智能环境支持、AI技术支持、AI自我效能感、自我调节学习及职前教师创新能力,所有量表基于已有研究改编并经专家审查。数据分析方法包括:共同方法偏差检验(单因子模型及未测量潜在方法因子控制)、信效度检验(Cronbach‘s α、探索性因子分析、验证性因子分析)、描述性统计与差异分析(t检验、方差分析)、分位数回归(0.01至0.90分位点)、结构方程模型(最大似然估计)及Bootstrap中介效应检验(5000次抽样)。

**研究结果**

**4.1 描述性统计与差异分析结果**
通过描述性统计发现,职前教师创新能力总体处于中等偏上水平(M=3.79,SD=0.60),其中创新意愿(M=3.87)和创新准备(M=3.83)较高,创新实践(M=3.68)较低。差异分析显示,创新能力在城乡户籍、学科、年级、家庭收入、父母学历、AI使用频率和AI兴趣水平等背景变量上存在显著异质性。具体而言,城镇户籍、人文学科、高年级、家庭年收入超过5万元、父母为专科或本科、AI使用频率中等偏高、AI兴趣水平中等偏高的职前教师创新能力显著更高。AI兴趣水平对创新能力的效应量(η2)超过0.06,高于AI使用频率(η2>0.01),表明其关联更强。

**4.2 分位数回归分析结果**
通过分位数回归模型,研究人员考察了AI技术支持和学校智能环境支持与创新能力估计关联在不同分位点上的变化。结果显示,两种支持在所有分位点均与创新能力正相关,但模式不同。AI技术支持的估计关联在中上分位数(0.50-0.90)呈上升波浪模式,在中等至高水平创新能力处关联更强;学校智能环境支持的估计关联呈倒U形模式,在低中分位数(0.10-0.40)关联更强,随后下降。这一差异模式支持了假设7,即两种支持与创新能力的关联在条件分布上不同。

**4.3 结构方程模型检验结果**
通过结构方程模型,研究人员检验了“双驱动双中介”模型。所有拟合指数达标(χ2/df=9.624,RMSEA=0.054,CFI=0.953)。路径结果显示:AI技术支持显著正向预测创新能力(β=0.128)、AI自我效能感(β=0.609)和自我调节学习(β=0.423);学校智能环境支持显著正向预测创新能力(β=0.251)、AI自我效能感(β=0.176)和自我调节学习(β=0.338);AI自我效能感(β=0.329)和自我调节学习(β=0.313)均显著正向预测创新能力。所有路径p<0.001,支持假设1和假设2。学校智能环境支持的直接路径估计大于AI技术支持,进一步支持假设7。

**4.4 中介效应检验结果**
通过Bootstrap方法检验中介效应,发现AI自我效能感和自我调节学习在两种支持与创新能力之间均起部分中介作用。在AI技术支持路径中,AI自我效能感的中介效应(0.179,占总效应60.88%)显著大于自我调节学习(0.119,占51.07%),支持假设3和假设5,且中介效应差异显著。在学校智能环境支持路径中,自我调节学习的中介效应(0.083,占总效应29.64%)显著大于AI自我效能感(0.045,占18.60%),支持假设4和假设6,且中介效应差异显著。这一模式进一步支持假设7,即两种支持通过不同中介路径产生差异化的间接关联。

**讨论与结论**

讨论部分指出,创新能力在个体、家庭和学校背景变量上的差异反映了城乡教育资源分配不均、家庭文化资本影响及学校培养模式差异。AI技术支持与创新能力的上升波浪模式表明,其效应依赖于职前教师已有的创新能力水平,对中高水平者作用更强;学校智能环境支持的倒U形模式表明,其对低中等水平者作用更强,但并非边际效应递减,而是反映了不同创新能力水平下支持效应的异质性。AI自我效能感的中介作用在AI技术支持下更大,说明技术直接增强效能信念,进而促进创新;而自我调节学习的中介作用在学校智能环境支持下更大,说明环境通过促进自主学习过程来影响创新。研究同时指出,AI驱动的支持可能带来认知外包、数据隐私等风险,需培养批判性AI素养。

研究结论翻译如下:利用中国内地3003名职前教师的横截面调查数据,本研究考察了AI技术支持、学校智能环境支持、AI自我效能感、自我调节学习与职前教师创新能力之间的关联。研究发现,创新能力在个体、家庭和学校背景变量上存在显著差异。特别地,城乡户籍、AI使用频率、AI兴趣、家庭收入、父母教育水平、学科和年级与创新能力显著相关。AI技术支持和学校智能环境支持均与创新能力显著正相关。学校智能环境支持在指定模型中的标准化路径估计更大,且其与创新能力的估计关联在考察的分位数上呈倒U形模式。相比之下,AI技术支持的关联总体上在中上分位数呈上升波浪模式。这些模式描述了估计的横截面关联的异质性。此外,AI自我效能感和自我调节学习显示出显著的基于模型的间接关联,将两种支持与创新能力联系起来。本研究提供了与理解AI相关支持、心理因素、学习过程和职前教师教育中创新能力关联相关的相关性证据。它也为旨在支持职前教师创新能力的举措设计提供了见解。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号