《Frontiers in Psychology》：Understanding art and design teachers’ willingness to adopt artificial intelligence in teaching under resource constraints: a mixed-methods study on perceived usefulness, resource readiness, and creativity-related concerns
编辑推荐：
摘要
引言：人工智能（artificial intelligence, AI）在高等教育中的应用日益广泛，但创意学科教师采纳AI的意愿可能无法完全由技术接受模型（Technology Acceptance Model, TAM）的工具性逻辑所解释。在艺术与设
摘要
引言：人工智能（artificial intelligence, AI）在高等教育中的应用日益广泛，但创意学科教师采纳AI的意愿可能无法完全由技术接受模型（Technology Acceptance Model, TAM）的工具性逻辑所解释。在艺术与设计教育中，关于AI的判断可能还涉及对原创性、技能发展、基于过程的学习以及教学治理的顾虑。本研究考察了资源约束条件下艺术与设计教师采纳AI的意愿。
方法：采用解释性顺序混合方法设计（explanatory sequential mixed-methods design）。定量阶段收集了101份有效问卷，运用结构方程建模（structural equation modeling, SEM）并进行了5,000次bootstrap重抽样，检验了感知易用性（perceived ease of use, PEOU）、感知有用性（perceived usefulness, PU）、资源准备度（resource readiness, RR）、态度（attitude, AT）与行为意向（behavioral intention, BI）之间的关系。定性阶段对八位艺术与设计教师进行了访谈，以对定量发现进行情境化阐释。
结果：模型拟合结果不一（CFI = 0.935, TLI = 0.920, SRMR = 0.059, RMSEA = 0.096）。Bootstrap结果支持PEOU→PU、PU→BI、AT→BI和RR→PEOU的路径，而PU→AT和RR→PU未获支持。PEOU→AT呈现显著的负向关系，与假设方向相反。尽管RR→AT为正向，但其标准化系数超过1，且RR与AT之间的区分效度不足；因此，该路径未进行实质性解释。访谈结果表明，对原创性、技能退化、走捷径、版权、学术诚信和治理的顾虑可能影响教师将功能评价转化为整体态度的过程。
讨论：TAM的若干核心路径获得支持，但模型未得到完全验证。研究结果表明，艺术与设计教学中的AI采纳既涉及工具性判断，也涉及学科特定的专业、教学、伦理和资源考量。鉴于模型拟合和区分效度的局限性，研究结果应被视为初步的、情境特定的证据。
资源约束下艺术与设计教师人工智能教学采纳意愿研究：感知有用性、资源准备度与创造力相关顾虑的混合方法证据
一、研究背景与问题提出
随着人工智能（artificial intelligence, AI）技术在高教领域的迅速渗透，其在备课、反馈、课程资源生成和创意支持等方面的应用日益广泛。在艺术与设计教育领域，AI不仅涉及教学效率问题，更牵涉原创性判断、基础技能训练、创作过程真实性、作者责任归属以及课程评估等方面的深层价值议题。既有关于教师技术采纳的研究大多依托技术接受模型（Technology Acceptance Model, TAM），该模型以感知有用性（perceived usefulness, PU）和感知易用性（perceived ease of use, PEOU）为核心信念变量，经由态度（attitude, AT）影响行为意向（behavioral intention, BI）。然而，艺术与设计教育强调工作室制学习、迭代实验、批判性反馈和过程导向的判断，AI的低门槛和快速生成能力虽能拓展视觉探索空间，却也可能被视为绕开构思酝酿、试错反思和技能训练的捷径。因此，易用性未必能自动转化为积极态度，经典采纳逻辑能否直接适用于创意学科有待在具体教学情境中加以检验。
此外，AI教学还依赖于外部实施条件的支撑。该研究将资源准备度（resource readiness, RR）操作化定义为教师对AI教学资源的可获得性及其与课程需求匹配程度的感知，聚焦于相关资源能否支持具体的课程规划和教学实施。这一构念区别于对AI的一般态度、对其效用的整体判断和使用意向。研究基于此将RR纳入TAM模型，预设八条研究路径，旨在回答三个相互关联的研究问题：其一，RR、PEOU、PU、AT与BI之间的八条假设关系在样本中得到多大程度的支持；其二，艺术与设计教师如何理解原创性、技能发展、过程性学习与教学治理在塑造其AI教学态度中的作用；其三，定性主题如何解释、补充或挑战定量阶段观察到的关系模式。
二、技术方法与样本来源
该研究采用解释性顺序混合方法设计（explanatory sequential mixed-methods design），遵循QUAN→qual的序列连接逻辑。定量阶段以中国中部地区多所高校的艺术与设计教师为研究对象，通过线上问卷收集了101份有效问卷，问卷包含17个核心条目，涵盖PU（Q8–Q10）、PEOU（Q11–Q13）、RR（Q14–Q17）、AT（Q18–Q20）和BI（Q21–Q24）五个潜在变量，均采用五点Likert量表（1=非常不同意，5=非常同意）测量。定量分析采用最大似然估计（maximum likelihood estimation）进行结构方程建模，执行5,000次参数bootstrap重抽样以报告偏差校正95%置信区间和bootstrap标准误，并采用2,000次Bollen–Stine bootstrap检验模型拟合。区分效度评估比较了原始五因子模型、RR与AT合并的四因子模型、以及AT与BI合并的四因子模型，并报告了完整的HTMT矩阵。定性阶段对八位艺术与设计教师进行了目的性抽样访谈，受访者来自视觉传达设计、服装设计、艺术设计基础等不同专业方向，涵盖对AI接触程度和采纳立场各异的教师群体，采用主题分析（thematic analysis）方法，结合演绎编码（以RR、PEOU、PU、AT、BI为初始编码框架）与归纳编码（开放识别原创性、技能弱化、走捷径、过程真实性、版权、学术诚信和治理边界等主题），遵循Braun和Clarke（2006）的六阶段分析程序，并保留反例核查和分析备忘录以形成可追溯的审计轨迹。
三、研究结果
3.1 定量结果
测量模型方面，17个条目的标准化因子载荷介于0.762–0.933之间，五个构念的Cronbach's α介于0.835–0.929，组合信度（composite reliability, CR）介于0.859–0.934，平均方差萃取量（average variance extracted, AVE）介于0.643–0.781，整体表现出可接受的内部一致性和收敛效度。但区分效度存在局部问题：RR与AT的潜在变量相关系数为0.949，对应的HTMT值为0.944（95%百分位bootstrap CI [0.879, 1.003]），置信区间包含1，表明二者在本样本中难以完全区分；AT与BI的HTMT值为0.922（95% CI [0.839, 0.987]），虽未包含1但点估计超过0.90，应视为边界证据。
结构模型拟合方面，χ2(111) = 213.227，χ2/df = 1.921，CFI = 0.935，TLI = 0.920，SRMR = 0.059，RMSEA = 0.096（90% CI [0.076, 0.115]）。χ2/df、CFI、TLI和SRMR满足部分常用拟合标准，但RMSEA高于通常建议范围，整体模型拟合被判定为部分可接受而非良好。2,000次Bollen–Stine bootstrap检验未拒绝模型（p = 0.226），但该结果并未消除RMSEA所提示的近似拟合不足的隐患。
假设检验方面，H1（PEOU→PU）获得支持（β = 0.548，偏差校正95% CI [0.084, 0.810]），表明教师越认为AI工具易于理解和使用，越可能认识到其教育价值。H3（PU→BI）获得支持（β = 0.311，95% CI [0.032, 0.557]），感知有用性与行为意向直接正相关。H4（AT→BI）获得支持（β = 0.646，95% CI [0.375, 0.917]），态度的标准化系数点估计高于PU→BI路径，但两者未进行正式比较，该差异仅作描述性报告。H6（RR→PEOU）获得支持（β = 0.761，95% CI [0.566, 0.902]），教师越感知AI教学资源可获得且可适配课程，越倾向于认为AI教学能够在实践中落实。H2（PU→AT）未获支持（β = 0.311，95% CI [?0.066, 0.682]），H7（RR→PU）未获支持（β = 0.306，95% CI [?0.023, 0.722]），二者置信区间均跨越零。H5（PEOU→AT）呈显著负向关系（β = ?0.389，95% CI [?0.832, ?0.101]），与原始正向假设相反。H8（RR→AT）虽呈正值（β = 1.005，95% CI [0.772, 1.417]），但标准化系数超过1且RR与AT区分效度不足，未被视为可靠支持。敏感性分析方面，删除Q14后模型拟合有所改善（CFI = 0.955, RMSEA = 0.083），但RR–AT的HTMT仍为0.926，H8路径系数仍达0.978；排除七位直线作答者后结果类似。因此，敏感性分析未能解决构念重叠问题，主分析保留原始条目且不对H8作确证性解释。
3.2 定性结果
主题一揭示了教师对AI教学实用价值的双重认知：多数教师认可AI在提升备课效率、加速信息搜集、丰富课堂教学形式和提供创作灵感方面的作用，但同时强调AI仅应作为辅助和参考工具，不能替代核心训练和最终创作成果。这一发现有助于解释为何PU在概念上被教师接受，但PU到AT的直接路径却未能在结构模型中形成稳定而显著的连接。
主题二聚焦于易用性的双刃剑效应。一方面，教师承认AI能快速生成图像、减少重复劳动、降低某些操作门槛，从而增强对AI实际功能的感知；另一方面，低门槛在创意教学中可能被解读为一种警示信号——学生可能跳过思考、试错、反思和修改过程，将学习简化为“快速生成—直接使用”。这为PEOU与AT之间的方向性差异提供了情境化的解释性线索。
主题三围绕原创性、技能弱化与走捷径问题展开，这是访谈中出现频率最高、关注度最集中的议题。教师普遍强调学生必须保持原创思维和创作能力，担心过度依赖AI会导致独立思维能力、手绘表达能力、视觉判断能力和深思熟虑习惯的退化。教师总体上支持AI在草图构思和概念阶段的有限辅助使用，反对其替代学生的核心创作表达。
主题四揭示了治理与学术诚信作为形成积极态度的前提条件。教师对AI的态度不仅取决于教学效果，还受制于版权争议、作者身份模糊、评价失真和学术诚信风险等治理层面的考量。此处的“态度”并非简单的喜好与否，而是教师对AI是否具备教学可控性的综合判断——即AI是否有边界、是否可解释、能否纳入课程评估和学术规范。
主题五表明资源准备是采纳的先决条件。教师普遍表示，如果学校能提供账号、数据库、高性能计算机、软件订阅、开放资源库、清晰案例和模块化支持，会更倾向于学习并使用AI。这种“先获取资源、后实施教学”的叙事与RR对PEOU的正向关系相吻合。访谈还揭示了培训、制度安排和学校开放性等更为广泛的外部情境因素，但这些因素不属于RR量表的直接测量范围。
四、讨论与结论
研究表明，TAM的若干核心路径获得了支持——PEOU→PU、PU→BI、AT→BI和RR→PEOU——但PU→AT和RR→PU未获bootstrap分析支持，PEOU与AT之间出现显著的负向关系，而RR→AT因系数异常和区分效度不足而无法被可靠解读。定性证据表明，教师并非将功能性与便利性自动等同于教育合法性，而是同时评估低门槛是否可能助长学生走捷径、损害原创性和技能发展，或模糊作者责任、课程评估和学术诚信的边界。这一价值过滤过程是当前通过混合方法整合形成的初步解释，而非经过因果验证的机制。
理论上，该研究为TAM在创意教学中的情境化应用提供了初步证据，而非确立了稳定的边界机制。感知有用性和态度均与行为意向直接正相关，其中态度所涵盖的整体可接受性与合法性判断对持续使用意向的关联更为紧密。资源条件主要影响实施的可行性感知，而非自动回答AI是否具有教育价值的问题。实践上，学校和管理者不应仅凭效率优势强制要求教师采纳AI，而应针对教师关于原创性、基础技能发展、学习过程真实性和学术诚信等核心关切作出回应；培训应从单纯传授AI操作技能转向帮助教师在创意教育中恰当定位AI的辅助、参考和启发功能；资源可获得性和课程匹配性应作为促进应用的关键前提优先推进；学校应建立更清晰的治理与诚信框架，通过更新课程政策、作业要求、作者署名规范和评价机制来增强教师在教育中保持对AI使用控制的信心。
研究结论基于101份问卷和8位教师的访谈，模型拟合部分可接受、区分效度尚不充分、样本规模有限，因而研究结果不应泛化到更广泛的教师群体。未来研究应在独立的大样本中重新验证测量模型和结构路径，采用认知访谈和预测试修订RR条目措辞，基于具体资源清单和促进条件比较替代性操作化方式，并通过纵向或实验设计检验易用性与态度之间反向关系的潜在机制。总体而言，艺术与设计教师的AI采纳并非单纯由效率驱动的决策，而是工具信念、专业价值、教学目标、伦理治理与资源条件共同塑造的判断过程。
