高校教师人工智能教学创新行为：基于AI-TPACK框架、教学自我效能感、职业认同与AI素养的结构方程模型分析

《Frontiers in Psychology》：AI teaching innovation behavior among college teachers: a structural equation modeling analysis based on the AI-TPACK framework, teaching self-efficacy, professional identity, and AI literacy

　　

背景：随着生成式人工智能（Generative Artificial Intelligence, GenAI）日益进入高等教育，理解教师如何将GenAI整合进创新教学至关重要。既往研究主要关注使用AI工具的态度或意向。研究人员以AI-技术—教学—内容知识（AI-Technological Pedagogical Content Knowledge, AI-TPACK）框架、社会认知理论（Social Cognitive Theory, SCT）与职业认同理论（Professional Identity Theory, PIT）为指导，探讨GenAI支持的教学创新行为与教学自我效能感（Teaching Self-Efficacy, TSE）、职业认同（Professional Identity, PI）、AI素养（AI Literacy, AIL）的关系。 方法：八所综合性大学共898名中国高校教师完成标准化量表，测查AI-TPACK各维度、教学自我效能感、职业认同、AI素养与AI教学创新行为（AI Teaching Innovation Behavior, AI-TIB）。数据采用结构方程模型与多组分析。 结果：AI-TPACK维度中，除AI技术知识（AI-Technological Knowledge, AI-TK）与整合性知识（AI-TPACK）外，其余维度均显著关联AI教学创新行为。职业认同与AI素养在能力结构与创新行为间起部分中介作用，教学自我效能感的中介作用仅得到部分支持。多组分析显示，在低频率使用GenAI工具的教师中，职业认同与创新行为的关系更强。 讨论：上述发现为能力与心理相关因素和GenAI支持教学创新的关联提供实证证据，凸显职业认同、AI素养与教学自我效能感在促进创新教学中的作用，并为高校教师发展与AI融合实践提供启示。

研究背景方面，随着生成式人工智能（GenAI）在高等教育中广泛应用，教学正从“技术辅助”转向“智能重构”。GenAI可生成教学内容、提供自适应反馈并通过人机协作参与教学过程，教师不再是单纯技术使用者，而是GenAI支持教学创新的设计者与实施者。既有研究多依赖技术接受模型（Technology Acceptance Model, TAM）和整合型技术接受与使用理论（Unified Theory of Acceptance and Use of Technology, UTAUT），主要解释认知评价与行为意向，难以刻画教师把技术转化为GenAI支持教学创新实践的过程。传统TPACK也未充分涵盖评价AI生成内容、理解算法过程、管理人机协作等知识要求。因此，研究人员以AI-TPACK为核心框架，整合社会认知理论（SCT）与职业认同理论（PIT），考察高校教师的AI-TPACK如何通过AI素养（AIL）、教学自我效能感（TSE）与职业认同（PI）关联到AI教学创新行为（AI-TIB）。

研究人员开展的研究为：对八所中国高校898名教师施测AI-TPACK七维度、TSE、PI、AIL与AI-TIB量表，采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）建模，并做测量模型、结构模型与多组分析。结论上，AI-TPACK多数维度正向关联AI-TIB；PI与AIL部分中介能力结构到创新行为的关系；TSE中介作用仅部分成立；低频GenAI使用者中PI对AI-TIB的关联更强。该研究发表于《Frontiers in Psychology》，意义在于把“能力—认知信念—职业认同—创新行为”链条系统化，为高校教师数字转型与AI教学能力建设提供理论与实证依据。

主要关键技术方法概括：研究人员采用便利抽样，样本来自中国东部、中部、西部八所高校，含公办本科、民办本科与高职，覆盖不同学科与教龄的高校教师，最终保留898份有效问卷。测量使用已有汉化量表：AI-TPACK七维度量表、教学自我效能感简表（TSES-SF）、职业认同五因素量表（PIFFS）、AI素养量表（Ng等开发四维度）与AI教学创新行为量表。数据分析用SPSS 27.0与SmartPLS 4.0，按两阶段PLS-SEM评估测量模型内部一致性、收敛效度与判别效度（HTMT、Fornell–Larcker），再用5000次Bootstrap估计结构路径与间接效应，并做多组分析。

研究结果如下。

2 理论框架与研究假设。研究人员基于AI-TPACK、SCT与PIT提出七维度AI-TPACK经AIL、TSE、PI影响AI-TIB的多层中介模型，并假设各AI-TPACK维度正向关联AI-TIB、TSE、PI、AIL；PI、AIL、TSE彼此正向关联；TSE、PI、AIL分别中介AI-TPACK到AI-TIB的关系。

3 方法。样本与数据收集显示，2026年2月至3月通过问卷星发放，剔除无效卷后保留898人。测量工具显示，各量表Cronbach’s α在0.932至0.948之间，信度良好。数据分析显示，采用PLS-SEM是因为模型复杂、重在检验潜变量间理论关系。

4 结果。4.1 描述统计显示，各变量偏度绝对值低于2、峰度绝对值低于7，近似正态。4.2 共同方法偏差显示，Harman单因子解释33.31%方差，共同潜因子模型未显著改善拟合，共同方法偏差不严重。4.3 PLS-SEM结果显示，测量模型中CR均大于0.70、AVE均大于0.50，HTMT均低于0.85，判别效度可接受；但部分AI-TPACK维度间相关接近零甚至微负，说明各知识域发展可能不均衡。结构模型显示，VIF为1.003至1.863，无多重共线性；AI-TPACK中除AI-TK与AI-TPACK外，其余维度显著预测AI-TIB；PI、AIL部分中介；TSE中介仅部分支持；多组分析显示低GenAI使用频率组PI→AI-TIB更强。

讨论部分总结：研究人员指出，既往研究重采纳意向、轻创新行为，传统框架难覆盖GenAI特性。本文证明AI-TPACK并非自动转化为创新，而需通过AIL、TSE、PI等心理与认同机制。PI使教师把AI整合视为专业成长；AIL把AI相关知识转为教学判断与伦理风险管理；TSE把掌握经验转为尝试新教学的信心。低频使用者中PI作用更强，说明尚未高频依赖AI的教师更靠职业认同驱动创新，而高频使用者可能更多受工具惯性与流程化实践影响。

研究结论部分翻译：这些发现为能力与心理相关因素同GenAI支持教学创新之间的关联提供了实证证据。本研究凸显了职业认同、AI素养与教学自我效能感在促进创新教学中的作用，并为高校教师发展与高等教育中AI融合提供了实践启示。