Publishing AI-Focused Manuscripts in the Journal of Management Education 的中文标题为：在《管理教育期刊》上发表人工智能聚焦手稿

《Journal of Management Education》：Publishing AI-Focused Manuscripts in the Journal of Management Education

　　

《管理教育期刊》（Journal of Management Education）2026年第五期的这篇社论分为两个部分。在前半部分中，期刊副编辑罗伯特·L·邦纳（Robert L. Bonner）、范一峰（Yifeng Fan）和尚塔尔·范·埃施（Chantal van Esch）回顾了生成式人工智能（generative artificial intelligence, GenAI）在管理教育中不断演变的作用，并参与持续的讨论，探讨研究GenAI对管理教育教学与学习影响的手稿如何能够为《管理教育期刊》做出严谨的、具有理论依据的以及具有教学法意义的贡献。随后，梅兰妮·罗宾逊（Melanie Robinson）和詹妮弗·利（Jennifer Leigh）对本期的四篇文章——一篇研究论文、两篇评论文章和一篇访谈——进行了概述。

**《管理教育期刊》人工智能聚焦手稿的发表指南：贡献界定、常见陷阱规避与栏目匹配**

**一、研究背景与问题提出**

生成式人工智能（GenAI）的迅猛发展正在深刻重塑管理教育生态，其影响已渗透至课程设计、学习评估、学术诚信、学科专业知识、职场准备、学生自主性、教师身份认同以及管理教育根本目的等各个层面（S. J. Allen, 2020; D. B. Allen et al., 2022; Fischer & Dobbins, 2024; Hyde et al., 2024; Valcea et al., 2024）。管理教育工作者们正在积极探索和适应这一几乎无法被及时描述的技术变革。自《管理教育期刊》2024年发布"勇敢新课堂：管理教育中的教育技术导航"（Brave New Classroom: Navigating Educational Technology in Management Education）特刊以来，编辑部持续收到大量关于在课堂中使用生成式AI的投稿，这种现象反映出教育工作者群体的强烈好奇心与适应性，以及为快速变化的职业环境培养人才的迫切愿望。然而，这种集体性实验热情同时带来一个核心挑战：当众多教育工作者同时尝试相似工具时，单纯的新颖性已难以构成充分的学术贡献基础。许多稿件在撰写时看似具有开创性，但在评审时可能已经进入高度拥挤的研究对话之中。

**二、研究内容与核心指引**

针对上述问题，作为《管理教育期刊》的副编辑，研究人员提出了一套系统性的投稿前自检框架，引导作者在提交AI相关手稿前深入思考三个核心问题：第一，研究的贡献本质是什么；第二，是否避开了常见陷阱；第三，手稿应投向期刊的哪个栏目。研究人员通过四个维度界定了"贡献"的内涵：其一，AI探索应在理论或教学法层面实质性地改善学习效果——以Trinh等人（2024）结合TPACK与MDA框架重新设计统计学游戏化学习，以及Steinbauer（2024）利用开源虚拟现实模拟训练学生识别和应对职场骚扰为例，优秀的科技赋能型文章始终聚焦于"设计如何帮助学生攻克学习难点"而非仅是工具展示。其二，手稿可帮助教育者将AI作为管理现象进行教学——S. J. Allen（2020）关于数字思维与技术素养的论述、D. B. Allen等人（2022）关于未来工作课程的论证、Valcea等人（2024）从专业知识、创新与公平悖论角度构建的AI教学法框架，以及Hyde等人（2024）提出的避免工具依赖的GenAI整合策略，均属此类。其三，厘清人类判断在AI中介管理实践中的角色——教学设计的核心不在于让学生在人脑与AI之间做选择，而是以新颖方式训练学生对AI生成物进行评价、修订、情境化与批判性审视，但需注意此类稿件仅主张"学生应批判性评价AI输出"已不再充分，必须从新理论视角或文献出发阐明方法的真正创新。其四，对AI影响管理教育的理论化建构——这类概念性手稿应提供能帮助教育者重新理解现象的框架、批判或综述，如将AI融入经验学习理论、反思实践或评估范式等。

研究人员同时归纳了四类常见投稿陷阱：第一，缺乏教学法根基的新颖性炫耀——仅描述创新性AI应用却缺乏与学习理论及管理教育文献的实质关联；第二，文献定位薄弱——忽视AI问题与经验学习、判断力、知识迁移、反思、批判性思维及课程设计等长期学术议题的深层连接；第三，证据不充分——单纯展示学生参与度不足以支撑学习成效声明，优秀研究应如Walker和Larson（2025）提供量化质化双重证据、Steinbauer（2024）纳入试点数据那样，使证据与所声称的学习成果严格对齐；第四，缺乏持久贡献——应避免以技术权宜之计为核心贡献，而应植根于学术诚信、领导力发展、学生参与等持续对话之中。

在栏目匹配方面，研究人员明确：（1）具备具体可推广AI活动、作业、练习、模拟或模块的手稿适合"教学创新"（Instructional Innovation）栏目，需提供学习目标、实施细节、引导指南、潜在挑战及有效性证据；（2）严格测量AI干预对教学策略和学习影响的定性、定量或混合方法研究属于"研究论文"（Research Article）栏目；（3）构建模型、框架、批判或类型学的理论性工作归入"理论与概念论文"（Theoretical and Conceptual Article）栏目；（4）提出及时且论证充分的观点性文章可投向"评论"（Essay）栏目，但必须植根于管理教育学术文献而非单纯个人见解；（5）关注课程、项目、院系或机构层面AI教学变革实施过程的稿件适合"情境中的教学变革"（Instructional Change in Context）栏目，这一类别尤为契合AI背景下政策、身份、伦理与基础设施的协商性特征；（6）与学者、教育者、实践者或政策专家的对话式文章属于"访谈"（Interview）栏目，但需通过文献综述、评论、批判及对管理教育者的启示进行强框架化，且须事先提交不超过400字的提案至编辑部。

最后研究人员强调，AI相关研究若能在清晰回答"贡献为何""如何进入现有学术对话""属于哪个栏目"这三个问题的基础上展开，便能实现《管理教育期刊》一贯的最佳传统：推动领域从孤立实验迈向共享的、基于证据的、理论扎实且教学法可迁移的管理教育知识体系。这些指引的深层意义在于，在技术高速迭代的背景下，为AI时代管理教育研究的学术严谨性构建了清晰的质量边界，从而帮助作者在技术变革的浪潮中生产出具有持久学术价值的成果。该社论发表于《Journal of Management Education》。