从人工智能素养到人工智能整合的探究式科学教学：中国职前科学教师中人工智能-学科教学知识（AI-TPACK）与科学教学自我效能感的序列中介作用

《Frontiers in Psychology》：From AI literacy to AI-integrated inquiry-based science teaching: the serial mediating roles of AI-TPACK and science teaching self-efficacy among Chinese pre-service science teachers

　　

人工智能（AI）正日益融入科学教育，为可视化、模拟、数据解释、探究式学习和科学解释带来新机遇。然而，目前尚不清楚职前科学教师如何将人工智能素养转化为开展人工智能支持的探究式科学教学所需的专业知识与信心。基于人工智能-学科教学知识（AI-TPACK）和教师自我效能感视角，研究人员考察了人工智能-学科教学知识（AI-TPACK）与科学教学自我效能感（science teaching self-efficacy）在中国职前科学教师的人工智能素养与将人工智能整合进探究式科学教学意愿之间的序列中介作用。研究人员共调查548名高校中国职前科学教师，采用偏最小二乘结构方程模型（partial least squares structural equation modeling）分析数据。结果显示，人工智能素养正向预测人工智能-学科教学知识（AI-TPACK），人工智能-学科教学知识（AI-TPACK）正向预测科学教学自我效能感，科学教学自我效能感正向预测人工智能整合意愿。进一步分析支持一条经由人工智能-学科教学知识（AI-TPACK）与科学教学自我效能感，将人工智能素养关联到人工智能整合意愿的序列间接路径。研究结果表明，人工智能素养不会自动转化为整合人工智能进入教学的意愿；该关联通过情境化的技术、教学与内容知识以及积极的能力信念发挥作用。本研究将人工智能-学科教学知识（AI-TPACK）框架拓展至职前科学教师教育，并为系统培养职前科学教师的人工智能相关教学能力与整合信心提供实践启示。

研究背景方面，生成式人工智能（GenAI）与各类人工智能技术快速发展，为科学教育中的教案设计、科学解释、探究设计和教学资源生成带来新可能，也可支持可视化、模拟与探究活动。但已有研究指出，人工智能生成内容的准确性、学生对生成式人工智能的过度依赖，以及教师教育中缺乏结构化指导等问题值得关注。中国近年强化科学教育与人工智能赋能教育改革，2025年教育部办公厅发布加强中小学科学教育指导意见，2026年五部门联合发布“人工智能+教育”行动计划，未来科学教师被期待将人工智能工具用于学习、探究与跨学科问题解决。然而，关于中国职前科学教师如何形成人工智能支持探究式科学教学所需能力与信心，实证证据仍有限。已有文献多识别人工智能准备度与意愿的预测因素，少有研究解释人工智能素养如何通过学科教学知识、自我效能感与整合意愿发生机制性关联；人工智能-学科教学知识（AI-TPACK，将技术、教学、内容与伦理判断整合的教师人工智能教学知识框架）多被用作课程干预结果变量，其在中介机制中的作用未被充分检验；科学教学自我效能感在人工智能整合情境中的中介作用也研究不足。

研究人员开展的研究为：以548名中国职前科学教师为样本，考察人工智能素养经人工智能-学科教学知识（AI-TPACK）与科学教学自我效能感，关联到将人工智能整合进探究式科学教学意愿的序列中介模型，验证六条研究假设，并检验共同方法偏差、测量模型、结构模型与稳健性。

主要结论为：人工智能素养显著正向预测人工智能-学科教学知识（AI-TPACK）；人工智能-学科教学知识（AI-TPACK）显著正向预测科学教学自我效能感；科学教学自我效能感显著正向预测人工智能整合意愿；人工智能-学科教学知识（AI-TPACK）与科学教学自我效能感在人工智能素养与整合意愿间存在互补性部分中介与序列中介作用。意义在于，职前科学教师的人工智能教学准备不能仅靠通用人工智能素养，而要通过情境化的学科教学知识建设与教学信心建设实现；该研究将人工智能-学科教学知识（AI-TPACK）框架推进到职前科学教师教育机制研究，并为课程、教师教育与政策评估提供实证依据。论文发表于《Frontiers in Psychology》。

关键技术方法上，研究人员采用便利抽样，通过问卷星平台收集中国师范院校与综合大学职前科学教师数据，最终有效样本548人，专业涵盖科学教育、物理教育、化学教育、生物教育、地理教育。量表均为七点李克特自评，人工智能素养改编自Pingmuang等预服务教师人工智能素养量表，人工智能-学科教学知识（AI-TPACK）改编自Antonio的AI-TPACK Survey，科学教学自我效能感取STEBI-B个人科学教学效能维度，整合意愿改编自Ramnarain等题项；经翻译—回译与专家内容效度审查， pilot测试30人。数据分析采用偏最小二乘结构方程模型（PLS-SEM），用外载荷、Cronbach’s α、ρ_A、组合信度ρ_C、平均方差提取AVE、异质—同质比HTMT评估测量模型，用内VIF、路径系数、R²、调整R²、f²、Stone-Geisser Q²评估结构模型，并以5000次偏差校正bootstrap检验直接与间接效应，另做控制性别、年级、专业、院校类型、人工智能使用频率、培训与实习经验的稳健性分析。

研究结果如下。

4.1 描述性分析：研究人员对四个潜变量做均值、标准差、偏度与峰度分析，并做Harman单因子检验与全共线性VIF诊断；结果显示各构念均值4.68至5.15，科学教学自我效能感最高、整合意愿最低，首成分解释方差44.71%，全共线性VIF均低于3.30，未发现严重共同方法偏差。

4.2 测量模型评估：通过Cronbach’s α、ρ_A、ρ_C与AVE检验信度与收敛效度；Cronbach’s α为0.920至0.948，AVE为0.680至0.715，达到标准。HTMT值为0.468至0.619，低于0.85，人工智能素养与人工智能-学科教学知识（AI-TPACK）的HTMT为0.609，表明相关但可区分，判别效度充足。

4.3 结构模型评估：内VIF为1.000至1.809，无多重共线性；R²显示人工智能-学科教学知识（AI-TPACK）为0.325、科学教学自我效能感为0.370、整合意愿为0.355；f²显示人工智能素养对人工智能-学科教学知识（AI-TPACK）为大效应0.482，人工智能-学科教学知识（AI-TPACK）对科学教学自我效能感为中效应0.221，科学教学自我效能感对整合意愿为0.127；Q²均大于0，模型具有样本内预测相关性。

4.4 直接关联与假设检验：六条直接路径均正向显著。人工智能素养→人工智能-学科教学知识（AI-TPACK）β=0.570，支持H1；人工智能-学科教学知识（AI-TPACK）→科学教学自我效能感β=0.454，支持H2；科学教学自我效能感→整合意愿β=0.361，支持H3；人工智能素养→科学教学自我效能感、人工智能素养→整合意愿、人工智能-学科教学知识（AI-TPACK）→整合意愿也显著。

4.5 间接关联与中介模式：五条特定间接路径95%置信区间均不含0。人工智能素养→人工智能-学科教学知识（AI-TPACK）→整合意愿β=0.110，支持H4；人工智能-学科教学知识（AI-TPACK）→科学教学自我效能感→整合意愿β=0.164，支持H5；人工智能素养→人工智能-学科教学知识（AI-TPACK）→科学教学自我效能感→整合意愿β=0.093，支持H6。因直接效应仍显著且方向一致，判定为互补性部分中介。总间接效应0.283，总效应0.433。

4.6 稳健性分析：加入性别、年级、专业、院校类型、人工智能使用频率、人工智能培训、教学实习等控制变量后，各焦点路径方向与显著性不变，系数变动不超0.008；序列间接效应仍显著β=0.091。仅人工智能使用频率对科学教学自我效能感有微弱关联，女性人工智能-学科教学知识（AI-TPACK）略低；控制变量对整合意愿无显著直接预测。

讨论部分总结：研究人员指出，人工智能素养先通向人工智能-学科教学知识（AI-TPACK），再通向科学教学自我效能感，最终关联到整合意愿；人工智能-学科教学知识（AI-TPACK）在此不是孤立技术能力，而是连接通用人工智能素养、学科教学知识与教学信心的专业知识桥梁。该结果与前人课程干预提升人工智能-学科教学知识（AI-TPACK）的证据互补，也说明通用人工智能素养未必直接转为实际使用，必须经学科化与教学化转化。科学教学自我效能感是人工智能整合意愿的重要心理机制，教师不仅要有工具认知，还要相信自已能借助人工智能支持学生探究、数据与解释建构。序列中介模型把研究重心从“是否愿意用人工智能”推进到“人工智能素养如何通过专业知识与效能信念转化为教学意图”。

结论部分翻译：本研究考察了中国职前科学教师的人工智能素养如何通过人工智能-学科教学知识（AI-TPACK）与科学教学自我效能感，关联到将人工智能整合进探究式科学教学的意愿。结果支持所提出的序列中介模型：较强的人工智能素养关联到较强的人工智能-学科教学知识（AI-TPACK），后者进而关联到更高的科学教学自我效能感，并最终关联到更强的人工智能整合意愿。这些发现表明，为职前科学教师准备人工智能支持的科学教育，不仅需要提升通用人工智能素养。教师教育项目应帮助职前科学教师将人工智能素养情境化为学科特定的人工智能相关教学知识，并建立科学教学信心。通过突出人工智能-学科教学知识（AI-TPACK）与科学教学自我效能感的顺序作用，本研究为旨在培养职前科学教师在探究式科学教学中使用人工智能的理论导向教师教育实践提供了实证支持。此处考察的结果是教学意愿，反映心理准备，而非已展现的人工智能整合能力或课堂表现。