《Frontiers in Psychology》：AI literacy and innovative work behavior among Chinese university teachers: indirect associations through AI-TPACK and moderation by organizational inertia
编辑推荐：
摘要
引言：人工智能正日益融入高等教育，由此引发了关于教师人工智能相关能力与创新工作行为之间关联的诸多问题。方法：本研究基于对中国510名大学教师的调查数据，考察了人工智能素养（artificial intelligence literacy, AIL）、
摘要
引言：人工智能正日益融入高等教育，由此引发了关于教师人工智能相关能力与创新工作行为之间关联的诸多问题。方法：本研究基于对中国510名大学教师的调查数据，考察了人工智能素养（artificial intelligence literacy, AIL）、人工智能技术教学内容知识（artificial intelligence technological pedagogical content knowledge, AI-TPACK）、创新工作行为（innovative work behavior, IWB）与组织惯性（organizational inertia, OI）之间的关系。结果：人工智能素养与AI-TPACK及创新工作行为均呈正相关，并识别出人工智能素养通过AI-TPACK影响创新工作行为的显著间接关联。组织惯性调节了人工智能素养与AI-TPACK之间以及人工智能素养与创新工作行为之间的关联，且在高组织惯性水平下这两种关联均趋于减弱。然而，AI-TPACK与组织惯性在预测创新工作行为中的交互作用未达到统计显著性。讨论：这些发现凸显了教师人工智能相关能力与组织情境对高等教育创新工作行为的共同相关性。
**论文解读：人工智能素养与大学教师创新工作行为的关系——基于AI-TPACK的中介效应与组织惯性的调节效应**
**一、研究背景与问题提出**
近年来，以ChatGPT为代表的生成式人工智能工具迅速进入大学课堂和日常学术工作，改变了信息生产与传播的方式。许多教师开始思考这些工具对教学的实际意义，但部分教育者对其角色与职责的变化感到不确定。随着学生逐渐依赖人工智能辅助学习，教师面临重新思考教学方法甚至知识传递方式的压力。在此背景下，人工智能素养（artificial intelligence literacy, AIL）成为学术热点。AIL已超越单纯的技能范畴，被界定为包含伦理立场、价值判断和批判性使用能力的复合素养。然而，现有研究大多聚焦企业员工，缺乏关于AIL与大学教师创新行为关系的扎实实证证据。由于专业背景和动机存在明显差异，企业情境的结论难以直接迁移至高等教育情境。因此，创新工作行为（innovative work behavior, IWB）需要置于教学环境中加以理解。同时，人工智能技术教学内容知识（artificial intelligence technological pedagogical content knowledge, AI-TPACK）作为TPACK框架的延伸，被视为教师整合人工智能知识、学科内容和教学方法的关键专业知能。尽管教师可能具备较高AIL，其创新行为的发生并非唯一取决于个体因素，组织结构中的决策缓慢、运作僵化等组织惯性（organizational inertia, OI）可能阻碍教师应用人工智能的意愿。基于此，本研究构建了一个有调节的中介模型，检验AIL是否通过AI-TPACK与IWB产生间接关联，以及这些关联是否随OI水平而变化。由于所有变量均为同时测量，该模型仅估计同期统计关联，而非确立时间或因果路径。
**二、研究方法与关键技术**
研究人员采用问卷调查法，于2025年7月通过专业在线调查平台“问卷星”（Wenjuanxing, Wjx）在中国收集数据。研究对象为510名来自中部、东部和东南部地区高校的大学教师，所有参与者均报告曾积极参与过至少一项人工智能支持的教学创新或教学改革活动。研究使用非概率便利抽样，问卷匿名填写并获知情同意。关键测量工具包括：Yuan等（2024）开发的24条目AIL量表（含认知、行为、规范三个维度）；Messmann和Mulder（2014）开发的20条目IWB量表（含机会探索、创意生成、创意提升、反思四个维度）；Mandal等（2025）开发的20条目AI-TPACK量表（含TK、GenAI-TPK、GenAI-TCK、GenAI-XK四个维度）；以及Liu等（2024）采用的9条目OI量表（含洞察惯性和行动惯性两个维度）。所有量表均经翻译和情境化调整后使用五级Likert计分。数据分析采用SPSS和AMOS软件：先进行验证性因子分析（CFA）评估测量模型，计算组合信度（CR）、平均方差抽取量（AVE）和异质-单质比率（HTMT）检验信效度；使用Harman单因子检验评估共同方法偏差；采用PROCESS宏Model 4检验间接效应，Model 59检验有调节的中介模型，并采用偏差校正bootstrap法（5000次重抽样）计算置信区间。
**三、研究结果**
**测量模型评估**
验证性因子分析显示四因子测量模型拟合良好（χ2/df = 1.107，CFI = 0.990，TLI = 0.990，RMSEA = 0.014，SRMR = 0.028）。各潜变量的CR值介于0.932至0.973之间，均高于0.70；AVE值介于0.598至0.606之间，均高于0.50，表明具备良好的构念信度和收敛效度。HTMT值介于0.466至0.562之间，均低于0.85的保守阈值，表明四个构念间具有良好的区分效度。
**共同方法偏差评估**
Harman单因子检验提取出四个特征值大于1的因子，第一个因子解释总方差39.407%，低于40%的常用阈值，表明严重共同方法偏差可能性较低。
**描述统计与相关分析**
主要变量的均值介于2.592至3.409之间，标准差介于0.915至0.952之间。AIL、IWB和AI-TPACK均值相对较高，OI均值较低。所有变量间均呈显著相关（p < 0.01）。
**中介效应检验**
PROCESS Model 4结果表明：AIL显著正向预测IWB（β = 0.461, p < 0.001）；AIL显著正向预测AI-TPACK（β = 0.557, p < 0.001）；同时纳入AIL和AI-TPACK时，二者均显著预测IWB（β分别为0.257和0.367，p均 < 0.001）。间接效应为0.205（95% CI [0.150, 0.262]），直接效应为0.257（95% CI [0.170, 0.343]），表明AI-TPACK在AIL与IWB之间起部分中介作用。
**有调节的中介效应检验**
PROCESS Model 59结果显示：AIL与OI的交互项显著预测AI-TPACK（β = -0.198, p < 0.001）；在预测IWB时，AIL与OI的交互项显著（β = -0.107, p < 0.05），但AI-TPACK与OI的交互项不显著（β = -0.074, p > 0.05）。简单斜率分析表明，在低OI水平（-1 SD）下，AIL对AI-TPACK和IWB的正向关联较强；在高OI水平（+1 SD）下，这些关联虽仍显著但较弱。因此，OI削弱了AIL与AI-TPACK及AIL与IWB之间的正向关联，但未显著调节AI-TPACK与IWB的关系。
**四、讨论与结论**
研究结果表明，AIL与大学教师的IWB呈正相关，且这种关联部分通过AI-TPACK实现。这提示教师的AI整合知识结构可能是解释人工智能素养转化为创新行为的重要机制。OI的调节作用表明，僵化的组织结构和变革抗拒可能抑制教师技术能力的教学应用。但AI-TPACK与OI的交互不显著，这可能是因为AI-TPACK作为教学特定的整合知识与教学实践关联更直接，解释力较少受组织环境干扰。研究结论为：在本次调查的大学教师样本中，AIL正向关联IWB，AI-TPACK在其中起显著间接关联作用；OI削弱了AIL与AI-TPACK及AIL与IWB的正向关联，但未显著调节AI-TPACK与IWB的关系。这些发现强调教师个体人工智能相关能力与组织情境对创新工作行为的共同作用。由于研究采用横断面和自报告设计，结论仅反映同期统计关联，不能推断时间或因果关系。未来研究可采用纵向、实验或干预设计，并纳入更多样化的样本以增强外部效度。该研究成果发表在《Frontiers in Psychology》上。
