《Sage Open》：The Association Between Teachers’ Artificial Intelligence Literacy and Open Education Teaching Practices in China: A Moderated Mediation Analysis of Teachers’ Innovative Behavior and School Support
编辑推荐：
本研究旨在探讨中国教师人工智能素养（Artificial Intelligence Literacy, AIL）与开放教育教学（Open Education Teaching, OET）之间的关联，特别考察教师创新行为（Teachers' Innovative
本研究旨在探讨中国教师人工智能素养（Artificial Intelligence Literacy, AIL）与开放教育教学（Open Education Teaching, OET）之间的关联，特别考察教师创新行为（Teachers' Innovative Behavior, TIB）的中介作用以及学校支持（School Support, SS）的边界条件。基于中国开放大学512名教师的横断面调查数据，采用有调节的中介模型（PROCESS Model 15）进行数据分析。结果表明：（1）教师人工智能素养与开放教育教学呈正相关，且该关联被教师创新行为部分中介；（2）有趣的是，学校支持对该中介路径具有负向调节作用。具体而言，在高结构化学校支持条件下，人工智能素养转化为个体创新行为的路径显著减弱。研究人员借鉴“资源替代效应”（Resource Substitution Effect）认为，虽然强有力的学校支持提供了必要的基础设施，但过度标准化的资源可能无意中替代了教师自下而上的教学创新需求，使其陷入技术“舒适区”（comfort zone）。这些发现挑战了传统“支持越多越好”的假设，并为教育管理者在人工智能赋能教育时代设计差异化、增强自主性的支持体系提供了新见解。
**论文解读**
**一、研究背景与问题提出**
随着人工智能（Artificial Intelligence, AI）在全球教育领域的快速渗透，教师人工智能素养（AIL）已成为教育数字化转型的关键能力。在中国，“教育现代化2035”战略和智慧教育示范区的建设加速了这一进程，开放教育教学（OET）作为一种整合信息技术、促进资源共享、强调学习者中心的教学范式，被视为基础教育、职业教育和高等教育改革的重要方向。然而，OET的有效实施不仅依赖技术基础设施，更关键的是教师能否将AI工具应用于教学设计、评估与教学创新。以往研究虽证实了教师数字素养与教学创新之间的正向关联，但缺乏对AIL在OET情境中作用机制的系统实证考察，且多将教师创新行为（TIB）与学校支持（SS）视为独立因素，尚未构建整合的理论模型。此外，中国开放教育强调分布式协作、跨学科协调和个性化学习路径，这对教师的AI应用能力提出更高要求，而学校支持作为重要的组织情境因素，可能对AIL向教学实践转化产生调节作用。因此，本研究旨在回答两个问题：AIL与OET在中国情境下如何关联？TIB是否起中介作用？SS是否调节这一直接和间接路径？研究通过构建有调节的中介模型，整合社会认知理论与组织支持理论，以期揭示从个体能力到教学实践转化的复杂机制。
**二、研究设计与关键方法**
研究数据来源于中国30个省份开放大学教师，通过线上问卷平台“问卷星”收集，在2025年11月17日至18日两天内利用省级开放大学的行政通信网络快速发放，最终获得有效问卷512份，有效回收率约95.7%。关键研究方法包括：（1）测量工具：AIL采用改编自Ng等（2021）的19题量表，涵盖知识、技能、态度与伦理四维度；TIB采用Scott和Bruce（1994）的6题量表；SS采用Eisenberger等（1986）的8题量表；OET采用改编自dos Santos（2017）及Law和Perryman（2017）的12题量表。所有题项采用7点李克特量表，并经过翻译-回翻译程序确保语义对等。（2）统计策略：使用SPSS 26.0进行描述性统计、信度分析、相关分析和调节效应检验；AMOS 23.0进行验证性因子分析（CFA）和路径分析；PROCESS Macro v4.2（Model 15）检验有调节的中介效应，采用5,000次Bootstrap抽样。
**三、研究结果**
**3.1 验证性因子分析**
通过AMOS 23.0对测量模型进行验证，结果显示四因子模型拟合良好（χ2/df = 2.14, RMSEA = 0.047, CFI = 0.965），显著优于单因子模型（χ2/df = 13.48, RMSEA = 0.156, CFI = 0.452），表明共同方法偏差（CMB）不构成严重问题。所有标准化因子载荷介于0.718至0.864之间，各潜变量的平均方差抽取量（AVE）均大于0.50，收敛效度良好。
**3.2 可靠性分析**
AIL、TIB、SS、OET四个变量的Cronbach's α系数分别为0.974、0.908、0.943和0.960，均高于0.7的阈值，显示各量表具有优良的内部一致性信度。
**3.3 描述统计与相关分析**
变量间相关系数介于0.385至0.586之间，均呈显著正相关（p < 0.001）。各变量AVE平方根均大于与其他变量的相关系数，满足Fornell-Larcker判别效度标准；异质-单质比率（HTMT）均低于0.85，进一步支持判别效度。
**3.4 假设检验**
路径分析显示：AIL对TIB有显著正向影响（β = 0.542, p < 0.001），支持假设1；AIL对OET有显著直接效应（β = 0.432, p < 0.001），支持假设2；TIB对OET有显著正向影响（β = 0.284, p < 0.001），支持假设3；TIB在AIL与OET间的间接效应为0.154，95% Bootstrap置信区间[0.112, 0.198]不包含0，中介作用显著，支持假设4。调节效应分析显示，AIL×SS的交互项显著（β = -0.145, p < 0.01），TIB×SS的交互项同样显著（β = -0.162, p < 0.001），表明学校支持负向调节直接与间接路径，假设5和6得到支持。有调节的中介分析进一步表明，在低学校支持条件（-1 SD）下，间接效应显著（效应 = 0.218, 95% CI [0.156, 0.292]）；在高学校支持条件（+1 SD）下，间接效应降至不显著（效应 = 0.042, 95% CI [-0.015, 0.108]），调节中介指数为-0.088（95% CI [-0.142, -0.045]），假设7成立。
**3.5 敏感性分析**
按学校支持中位数将样本分为高、低支持子组。结果显示，在高支持子组中，TIB对OET的预测作用变得不显著（β = 0.142, p > 0.05），而低支持子组中AIL和TIB均显著预测OET。高支持子组调整R2仍为0.385，说明模型拟合稳健，个体层面预测力消失支持了“资源替代效应”的解释。
**四、讨论与结论**
本研究的核心贡献在于揭示了学校支持在AIL转化为OET过程中的抑制性边界条件。研究确认了AIL对TIB和OET的正向直接效应，以及TIB的中介作用，验证了社会认知理论中个体认知、行为与环境的交互机制。更重要的是，学校支持表现出负向调节作用，这一反直觉发现挑战了“支持越多越好”的传统假设。基于组织支持理论与“资源替代效应”，研究认为高强度的制度化支持为教师提供了完备的“安全网”，但也可能降低教师承担风险、进行自下而上教学探索的内在动力，使其陷入技术“舒适区”。研究建议教育管理者应区分基础性支持（硬件、网络、常规资源）与创新赋能支持（专项创新基金、实验时间、免评试点），并注重保护教师的专业自主权，同时应超越单纯技术使用频率的评价指标，关注技术对高阶思维、个性化学习与教育公平的实质性影响。
研究结论可归纳为三点：第一，教师人工智能素养不仅是技术技能，更是促进开放教育教学的根本性认知能力，显著正向预测OET实施效果；第二，教师创新行为是技术—教学转化过程中不可或缺的心理行为中介，AI素养的价值需通过教师主动的创新实践才能落地；第三，学校支持的作用具有情境性和复杂性，过度结构化支持会削弱AIL向OET的正向转化，减弱TIB的中介效能。因此，构建既能提供必要基础设施、又能维护教师专业自主性的学校支持生态，对于AI时代开放教育的可持续发展至关重要。
