《Digital》：Teachers’ Readiness to Integrate Artificial Intelligence into Classroom Practice: Development and Psychometric Validation of the TRi-AI Scale Using Factor Analysis, Measurement Invariance, and Network Psychometrics
编辑推荐：
人工智能（Artificial Intelligence, AI）在课堂实践中的日益整合，催生了对有效评估教师AI整合 readiness 的测量工具的需求。本研究开发并对教师整合人工智能 readiness（Teachers’ Readiness to in
人工智能（Artificial Intelligence, AI）在课堂实践中的日益整合，催生了对有效评估教师AI整合 readiness 的测量工具的需求。本研究开发并对教师整合人工智能 readiness（Teachers’ Readiness to integrate Artificial Intelligence, TRi-AI）量表进行了心理测量学验证，将 readiness 概念化为一个多维构念，包含认知条件、情感条件、承诺、自我效能、伦理考量和担忧。共有645名在职中小学教师参与了本研究。探索性因子分析与验证性因子分析的结果支持了假设的六因子结构。最终量表包含36个条目，χ2(579) = 1098.950, p < 0.001, CFI = 0.943, TLI = 0.938, RMSEA = 0.037, 90% CI [0.034, 0.041], SRMR = 0.044。信度、收敛效度、区分效度以及跨性别的实用测量不变性证据证实了该工具的心理测量学充分性。此外，探索性图分析（Exploratory Graph Analysis）、条目稳定性分析（Item Stability Analysis）和网络比较检验（Network Comparison Test）为所提出的框架的稳健性提供了补充性心理测量学证据。TRi-AI 量表被认为是一种可靠且有效的多维工具，可支持未来研究与教育实践。
**论文解读：教师AI整合readiness的多维测量——TRi-AI量表的开发与心理测量学验证**
**1. 研究背景与问题**
随着人工智能（Artificial Intelligence, AI）技术在教育领域的快速渗透，教师面临着是否、何时以及为何将AI引入教学实践的决策。已有研究多聚焦于AI技术本身的能力，而忽视了教师在认知、情感、伦理等多方面的准备状态。尽管已有研究从技术接受模型（Technology Acceptance Model, TAM）、自我效能、AI能力等角度探讨教师对AI的接纳，但这些视角多集中于单一理论领域，未能将认知、情感、动机、效能、担忧与伦理等维度整合到一个统一的框架中。因此，缺乏一个全面、多维且经过心理测量学验证的工具来评估教师的AI整合readiness，成为制约该领域深入研究与教育实践的关键瓶颈。
**2. 研究目的与设计**
为弥补上述空白，研究人员基于前期针对STEM教育和教育机器人开发的教师readiness理论框架（TRi框架），将readiness概念化为包含认知条件（Cognitive Conditions）、情感条件（Affective Conditions）、承诺（Commitment）、自我效能（Self-efficacy）、担忧（Worries）和伦理考量（Ethical Considerations）六个相互关联维度的多维构念。研究招募了645名来自希腊的中小学在职教师（其中男性175人，占27.1%；女性470人，占72.9%），通过在线问卷收集数据。研究采用探索性因子分析（Exploratory Factor Analysis, EFA）、验证性因子分析（Confirmatory Factor Analysis, CFA）、测量不变性检验以及网络心理测量学方法（如探索性图分析Exploratory Graph Analysis, EGA、条目稳定性分析Item Stability Analysis, ISA、网络比较检验Network Comparison Test, NCT），全面评估量表的内部结构、信度、效度及跨性别的一致性。
**3. 关键技术方法**
研究主要采用了以下关键技术方法：1）因子分析：将总样本随机分为两个子样本，一半用于EFA（主轴因子法，promax斜交旋转，平行分析确定因子数），另一半用于CFA（采用稳健加权最小二乘估计器WLSMV，因数据不满足多元正态性）；2）测量不变性检验：通过多组CFA依次检验形态、度量、标量、严格及结构不变性，并使用Δχ2、ΔCFI、ΔTLI、ΔRMSEA等指标判断；3）网络心理测量学：使用EGA基于玻璃算法（glasso）和扩展贝叶斯信息准则（EBIC）估计高斯图形模型，采用walktrap社区检测算法识别维度结构；ISA通过500次bootstrap重抽样评估条目分配的稳定性；NCT则通过置换检验比较男女教师网络的结构和全局强度差异。
**4. 研究结果**
**4.1 因子分析结果**
EFA结果显示，Kaiser-Meyer-Olkin指数为0.950，Bartlett球形检验显著（χ2(630) = 11506.407, p < 0.001），表明数据适合进行因子分析。EFA提取出六个因子，累计解释70.10%的方差，各条目无超过0.40的交叉载荷。CFA结果支持六因子模型，拟合指数达到可接受标准：χ2(579) = 1098.950, p < 0.001，CFI = 0.943，TLI = 0.938，RMSEA = 0.037，90% CI [0.034, 0.041]，SRMR = 0.044。这表明理论假设的六维结构得到实证支持。
**4.2 信度与效度**
内部一致性信度采用Cronbach's alpha和McDonald's omega评估，六个因子的α值介于0.857至0.952之间，ω值介于0.877至0.963之间，表明信度良好。收敛效度通过平均方差抽取量（Average Variance Extracted, AVE）评估，各维度AVE值在0.507至0.834之间，均超过0.50的推荐阈值。区分效度通过异质-单质比率（Heterotrait-Monotrait ratio, HTMT）评估，所有HTMT值在0.263至0.830之间，低于0.85的临界值，证明六个维度虽相关但彼此区分。其中认知条件与情感条件之间的HTMT值最高（0.830），接近阈值，提示这两个维度关系较为密切。
**4.3 测量不变性**
针对性别的测量不变性检验显示，形态与度量模型之间差异不显著，而标量、严格和结构模型的Δχ2显著；但ΔCFI、ΔTLI和ΔRMSEA的变化均小于推荐截断值（ΔCFI < 0.01，ΔTLI < 0.01，ΔRMSEA < 0.015），因此支持实际测量不变性（practical invariance），表明量表在男女教师中具有相似的测量属性。
**4.4 网络心理测量学结果**
EGA通过walktrap算法识别出六个社区，与EFA和CFA得出的六因子结构完全一致。ISA显示，在500次bootstrap复制中，所有条目的稳定性得分均高于0.95，表明条目分配高度稳定。中心性指标分析揭示了各维度中的核心条目：例如，在担忧维度中，Worries_02（“我对AI用于教学的可靠性存有疑虑”）具有最高的中心性；在自我效能维度中，SEff_06（“即使需要覆盖大量教学大纲，我仍有足够时间实施AI活动”）在betweenness和expected influence上突出；在情感条件中，Affect_01（“我喜欢在课堂教学中实施AI活动”）影响力最强；在伦理考量中，Ethics_02a（“我担心隐私和数据保护问题”）重要性突出。性别分组的网络分析显示，男性和女性教师的网络结构总体相似，但存在描述性差异：例如，在伦理考量维度中，女性在Ethics_02b（“我担心AI系统中的偏见”）上中心性更高，而男性在Ethics_02a（“我担心隐私和数据保护”）上更中心。NCT结果则表明，男女教师的网络结构（M = 1.341, p = 0.782）和全局强度（S = 9.525, p = 0.614）均无显著差异，进一步支持跨性别的网络不变性。
**5. 讨论与结论**
讨论部分指出，本研究的主要发现是，通过分析上截然不同的心理测量学方法（因子分析与网络分析）获得了对理论六维结构的一致性支持。这表明教师AI整合readiness是一个多维构念，包含知识、情感、承诺、效能、担忧和伦理考量等多个相互关联但独立的成分。研究结果与先前将教师readiness视为多维的文献一致，并将TRi框架从STEM教育和教育机器人领域扩展至AI领域。实践上，TRi-AI量表可帮助教师教育者、学校管理者和政策制定者识别教师在不同维度上的支持需求，从而设计更有针对性的专业发展项目。研究局限性包括横断面设计、依赖自我报告、性别样本不平衡（女性占72.9%），以及缺乏内容效度和重测信度证据。未来研究建议在更大、更多样化、人口学特征更平衡的样本中进一步验证，并采用专家评审等方法补充效度证据。
研究结论部分（原文翻译）如下：鉴于教师在将AI转化为教育实践中的核心作用，一个具有理论基础的、用于评估教师将AI整合至课堂环境readiness的工具，可能有助于更系统地探究支持或阻碍成功实施的因素。本研究开发并心理测量学验证了TRi-AI量表。来自互补心理测量学方法的证据一致支持所提出的六维框架，而网络心理测量学分析进一步提供了关于其各成分之间关系的见解，从而支持将教师readiness概念化为一个整合的心理构念，而非独立技术性倾向的集合。TRi-AI量表为研究人员和实践者提供了一个综合工具，并为未来研究和循证教育实践奠定了坚实基础。
