《Sustainability》:AI-Driven Resource Optimization in Science Education: Assessing Pre-Service Teachers’ Readiness for Sustainable Teaching Practices and Environmental Literacy
编辑推荐:
将人工智能(AI)融入教育的最终目标是确保教育过程的长期稳定性、质量与可持续性,使其成为持续改进教与学的工具。然而,其可持续且负责任的整合在很大程度上取决于未来教师的积极心态与教学意愿。本研究考察了就读于学前教育、小学教育及学科科学教育专业的职前教师对AI整合
将人工智能(AI)融入教育的最终目标是确保教育过程的长期稳定性、质量与可持续性,使其成为持续改进教与学的工具。然而,其可持续且负责任的整合在很大程度上取决于未来教师的积极心态与教学意愿。本研究考察了就读于学前教育、小学教育及学科科学教育专业的职前教师对AI整合的态度与准备度,特别关注可持续科学教育与Green Lab理念。研究人员对斯普利特大学(University of Split)的251名学生开展了混合方法研究。数据采用探索性因子分析、标准方差分析(ANOVA)及Welch方差分析结合Tukey HSD与Games–Howell事后检验、IBM SPSS 20中的多元线性回归,以及定性内容分析进行处理。研究发现,感知有用性是所有群体接受AI的主要驱动因素。理科学生表现出最高水平的伦理与批判敏感性,但对AI在可持续科学教育中实际应用的评分最低,表现出谨慎态度并对系统可靠性存在明显顾虑。然而,具有与没有科学背景的学生在AI促进可持续科学概念方面的潜能认知上并无显著差异。此外,行为分析表明,与未使用者相比,即使是最初、偶发性的AI工具接触也显著提升了学生对其效用及可持续应用的认知,而增加使用频率并未带来额外增益。向可持续科学教育的转型需要超越技术素养,走向将教学有用性与伦理责任及可持续科学应用相整合的综合框架。未来研究应探索将职前教育工作者和方法论教师的创造性方法与理科学生的分析严谨性相结合的潜在模式。最终,本研究强调,教育政策必须在推进数字化的同时严格遵守伦理标准并确保人类监督的核心作用。
**研究背景与问题缘起**
人工智能(AI)的快速发展已深刻改变当代社会各领域,对教育的影响尤为显著。生成式人工智能(GenAI)如ChatGPT、Claude、Gemini等工具的普及,要求教育机构快速适应这一数字化变革。在此背景下,环境素养必须超越减少纸张浪费的传统范畴,涵盖AI驱动的资源优化(resource optimization)、"Green Lab"模拟以及技术自身环境足迹的认知。可持续教学实践使职前教师能够将生态责任融入未来教学流程,这与可持续发展目标(SDG)4(优质教育)和SDG 9(产业、创新和基础设施)的质量目标紧密相连。
然而,现有研究大多将职前教师视为单一群体,很少探究不同学术背景如何塑造其对可持续科学教学中AI应用的态度,这正是本研究力图填补的空白。研究人员旨在考察学前教育、小学教育和学科科学教育三类职前教师对AI整合入科学课程的准备度与态度,具体聚焦其对"Green Lab"资源优化和生态模拟中AI效用的认知、技术环境足迹的意识,以及数据隐私、认知自主保护和"人在回路"(human-in-the-loop)原则等伦理维度的看法,并探讨高等教育机构在为下一代教育领导者提供强制性伦理培训方面应发挥的作用。研究以技术接受模型、伦理素养框架和可持续性教ü框架作为分析工具,围绕三组研究问题展开:AI感知维度间的关系及其对可持续科学教育应用的预测作用(RQ1);学术背景在伦理责任认知上的差异化影响(RQ2);以及人口因素和使用频率对可持续教学中AI应用感知的影响(RQ3)。
**关键技术方法**
本研究采用混合方法设计,定量部分基于Miranda(2025)的问卷经双翻译法改编为克罗地亚语版本,涵盖AI总体认知、教学有用性、自然科学和可持续教育应用、以及可持续和负责任使用四个维度共31个题项(最终经探索性因子分析精简为27项),采用5点李克特量表计分;样本为斯普利特大学251名学生的便利样本,细分为学前教育(34.3%)、小学教育(37.5%)和理科教师教育(27.9%)三组。数据分析运用主轴因子法(Principal Axis Factoring)进行探索性因子分析(EFA)并结合最大方差斜交旋转,采用Kaiser–Meyer–Olkin(KMO)检验和Bartlett球形检验评估因子分析适宜性;组间比较使用单因素方差分析(ANOVA)及Welch方差分析,分别配以Tukey HSD和Games–Howell事后检验;预测关系采用多元线性回归分析;定性部分对三个开放性问题进行内容分析,经作者反复讨论形成主题类别。
**研究结果**
**3.1 探索性因子分析**
研究通过探索性因子分析确定了问卷的三因子结构,验证了工具的结构效度。数据极适合因子分析(KMO=0.920;Bartlett χ
2(465)=5159.922, p<0.001)。虽特征根大于1提示五因子解,但碎石图在第三成分后显示明显拐点,第四和第五因子贡献率极低,故确定三因子结构更为合理。最终27个题项凝聚为三个维度:因子一"感知有用性与教学潜能"(Perceived Usefulness and Pedagogical Potential of AI,特征根11.651,解释方差37.58%),反映AI改善教学、个性化指导和提升教育效率的积极认知;因子二"伦理–可持续与批判维度"(Ethical–Sustainable and Critical Dimension of AI,特征根4.397,解释方差14.19%),涵盖数据保护、公平性和长期后果的批判反思;因子三"可持续科学教育中的AI应用"(Application of AI in Sustainable Science Education,特征根1.796,解释方差5.80%),聚焦自然科学中AI的可持续贡献。三因子共解释57.56%的总方差,维度间呈中度相关(r=0.154–0.322),结构稳定且理论连贯。
**3.2 构念信度**
三个维度的内部一致性均达可接受水平:"感知有用性"维度Cronbach's α=0.922,题项–总分相关0.644–0.794;"伦理–可持续与批判维度"α=0.887,题项–总分相关0.542–0.805;"可持续科学教育应用"维度α=0.785,题项–总分相关经删除低负荷题项后处于合理范围。删除任何题项均不会提升α系数,表明各维度具有良好的同质性和稳定性。
**3.3 描述性因子分析**
学生在三个维度上的得分呈现差异化模式:伦理–可持续维度评分最高(M=4.25, SD=0.78),感知有用性次之(M=3.51, SD=0.86),可持续科学教育应用最低(M=3.04, SD=0.90),表明学生对AI应用于具体科学情境存有明显保留。
**3.4 不同专业组在三项关键因子上的差异**
单因素方差分析显示,三组学生在感知有用性上存在显著差异(F(2,248)=3.521, p=0.031, η
2=0.028),小学教育专业学生评分显著高于理科学生;伦理–可持续维度差异高度显著(F(2,248)=12.583, p<0.001, η
2=0.092),理科学生伦理敏感性显著高于学前和小学教育专业,后两者无显著差异;可持续科学教育应用差异显著(F(2,248)=7.409, p=0.001, η
2=0.056),理科学生评分显著低于其他两组。这种"理科悖论"——高伦理敏感性与低应用接受度并存——成为核心发现。
**3.5 科学课程负荷和学生年龄的影响**
独立样本t检验显示,是否修读科学课程对感知有用性无显著影响(t(205.57)=0.627, p=0.531),对可持续科学教育应用亦无显著影响(t(211.66)=1.271, p=0.207),但对伦理–可持续维度有显著影响,修课者得分更高(t(248.30)=?4.51, p<0.001, Cohen's d=0.56)。年龄分组比较表明,21岁及以上学生在三个维度上均显著高于低龄组,提示学术和职业成熟度对AI认知具有积极塑造作用。
**3.6 基于AI工具使用频率的差异**
Welch方差分析显示使用频率对感知有用性有显著影响(Welch's F(2,25.71)=5.75, p=0.009),标准方差分析显示对可持续科学应用亦有显著影响(F(2,248)=6.33, p=0.002),但对伦理–可持续维度无显著影响(F(2,248)=0.08, p=0.921)。Games–Howell和Tukey HSD事后检验表明:从未使用过AI工具者的感知有用性和可持续科学应用评分均显著低于偶发使用者和频繁使用者,但后两者之间无显著差异,呈现"首因效应"(initial exposure effect)而非线性剂量效应。
**3.7 人工智能感知维度间的相关**
Pearson相关显示,感知有用性与可持续科学教育应用呈强正相关,两者与伦理–可持续维度均呈中度至弱度正相关,表明技术效用和可持续应用在学生认知中紧密关联,而伦理评估则是更为独立的成分。
**3.8 多元线性回归分析**
以可持续科学教育应用为因变量的回归模型显著(F(2,248)=82.66, p<0.001, R
2=0.40),感知有用性是唯三显著的强正向预测因子(β=0.569, p<0.001),伦理–可持续维度未达统计显著(β=0.039, p=0.522),表明学生将AI应用于可持续性情境的倾向主要由其实用效用感知驱动,而非伦理关切。
**3.9 开放题定性分析**
针对"AI在未来职业中的关键优势",学生主要强调节省时间、简化备课、生成创意活动、组织工作规划、可视化及信息获取等实用价值;针对"关键挑战",担忧集中于信息不准确需验证、学生不批判接受答案、过度依赖削弱批判思维与创造力、隐私数据保护、版权问题以及社交疏离和AI能源足迹等;针对"AI如何助力可持续发展目标(SDGs)",观点呈现异质性,部分学生认可AI在解释复杂生态概念、可视化教学方面的工具价值,也有学生质疑AI系统本身的可持续性。
**讨论部分总结**
**4.1 感知有用性作为可持续性的驱动因素**
回归分析和相关模式共同确证,感知有用性是推动AI在可持续科学教育中接受度的首要因素。这提示学生可能优先采用实用主义框架而非抽象环境视角来评估AI;若AI被视为有效增强学习、简化学术过程的工具,学生更可能认可其促进可持续性的潜能。因此,感知有用性是AI融入可持续科学教育框架的关键前提。
**4.2 理科悖论:专业素养与批判性审慎**
研究中最引人注目的发现是理科学生与其余群体的反差:他们伦理敏感性最高,同时对AI在可持续科学教育中的应用评分最低。这一"理科悖论"(Faculty of Science Paradox)可能反映专业怀疑主义——更深自然科学背景使学生更敏锐地意识到AI局限性(如数据偏见、科学建模中的幻觉现象),以及对AI环境成本(数据中心巨大能耗和水耗)的潜在意识。其训练强调经验严谨性,使其对技术乐观主义持保留态度。这与阿联酋研究中"态度直接决定技术整合或拒绝"的发现相呼应,解释了为何技术知识较少但对包含性工具价值有认知的未来教育者可能表现出更高准备度,而技术更精熟的理科学生反而因怀疑态度而保守。
**4.3 伦理–应用鸿沟**
尽管理科学生伦理意识最高,但伦理维度并未成为应用的显著预测因子,揭示伦理认知与实践决策间的潜在鸿沟。这种差距可能反映对替代人类角色的广泛谨慎或抗拒。与Salerno大学研究一致,69%参与者认为AI无法达到人类反馈质量,这凸显将AI界定为补充工具而非替代品的必要性。当前伦理培训不足是主要障碍,需将技术素养与持续专业发展系统性连接,超越理论伦理走向AI驱动科学工作流中的标准实践整合。
**4.4 AI作为科学教育的潜在均衡器**
具有/没有科学背景的学生在AI应用认知上无显著差异,这一结果令人鼓舞,表明AI可能充当降低可持续科学概念理解门槛的桥梁,促进跨学科学习。GenAI工具知识并非应用的唯一或决定性因素,教师态度才是塑造从知识到实践转变的关键。未来教育应构建优先保障教师系统支持和开放获取高质量数字内容的数字环境。
**4.5 研究局限与未来方向**
本研究基于单一大学便利样本,外推性受限;依赖自我报告数据而非实际课堂行为。未来研究应采用纵向设计追踪感知向实践的演变,结合课堂观察等客观测量,并扩展至多区域大学比较分析。尽管探索性因子分析确立了构念效度,但样本量和目标人群限制未能进行验证性因子分析(CFA),未来需在更大独立样本上交叉验证三因子结构。
**研究结论**
向可持续科学教育的转型高度依赖于学生对AI资源优化实用效用的认知。只有当AI被视为可靠有用的工具时,其支持可持续性的角色才最为凸显。学前和小学职前教师主要关注GenAI的方法论和动机潜能,而理科未来教师则表现出更深的伦理批判敏感性,伴随更谨慎的态度和对技术可靠性的显著担忧。弥合这一差距需要为克罗地亚未来教育者提供系统性支持和伦理指南,将不确定性转化为建设性应用。
学生也明确指出,缺乏环境和数字素养及教学监督,AI可能成为削弱批判思维的捷径。最终,人类必须处于这一进程的中心,确保技术作为支持而非替代。为此,教师教育项目应融合职前教育工作者的方法论热情与理科学生展现的批判伦理严谨性。具体而言:高等院校应实施跨学科模块,将GenAI工具培训与媒介素养和伦理评价相结合;学前和小学教师课程应整合批判反思练习以平衡其方法热情;理科教师轨道则应纳入展示AI在实验室和课堂环境中安全实践优化的工作坊。通过项目式活动整合——如设计AI驱动课程计划的同时要求数字可持续性评估(计算碳足迹和算法透明度)——可同时培养环境素养和伦理意识。数字整合的终极目标不仅是技术采用,而是创建满足多元学生需求、促进可持续发展综合理解的互动环境。因此,未来教育者的培养必须超越技术素养,发展整合的环境与数字能力,以在数字时代负责任地塑造教育的未来。