《Journal of Educational Computing Research》:Beyond AI Literacy: Exploring Pre-Service Teachers’ Pedagogical and Ethical Reasoning in Generative AI Integration in Education
编辑推荐:
生成式人工智能(Generative AI, GenAI)为创新教学提供了机遇,同时也引发了伦理关切。虽然职前教师被期望负责任地整合GenAI,但关于他们如何参与指导此类整合的推理过程,目前知之甚少。本研究通过涉及GenAI的案例情境,考察了职前教师的教学推理
生成式人工智能(Generative AI, GenAI)为创新教学提供了机遇,同时也引发了伦理关切。虽然职前教师被期望负责任地整合GenAI,但关于他们如何参与指导此类整合的推理过程,目前知之甚少。本研究通过涉及GenAI的案例情境,考察了职前教师的教学推理与伦理推理。来自芬兰两所大学的49名职前教师(N = 49)对GenAI相关的教学伦理案例进行了反思。研究人员采用舒尔曼(Shulman)的教学推理与行动模型(Pedagogical Reasoning and Action Model)和雷斯特(Rest)的四成分模型(Four-Component Model)对其反思进行了分析。研究结果表明,参与者的教学推理集中于将GenAI与课程对齐、调整输出以及批判性评估,而更深层次的反思则较少出现。伦理推理在公平案例和动机相关维度中表现最强,但在问责案例和政策相关维度中表现较弱。本研究有助于理解职前教师在GenAI整合中的教学推理与伦理推理,并为教师教育项目的发展提供参考。
**论文解读:超越人工智能素养——职前教师在生成式人工智能教育整合中的教学与伦理推理研究**
**一、研究背景与问题**
生成式人工智能(Generative AI, GenAI)在教育领域的应用为教师提供了设计创新学习活动、创建多元教学材料以及为学生提供个性化支持的机遇。然而,GenAI的整合同时也引发了透明度、公平性和数据隐私等重大伦理问题。尽管职前教师被期望能够负责任地整合GenAI,但关于他们如何参与指导此类整合的推理过程——即教学推理与伦理推理——的认知仍然有限。现有教师教育项目往往侧重于培养AI素养,即了解AI是什么及其工作原理,却未能为职前教师提供在教学和伦理层面有意义地参与GenAI的机会。这一缺口凸显了开展本研究的必要性,旨在探讨职前教师在面对GenAI相关课堂情境时,如何运用教学推理和伦理推理来指导其决策。
**二、研究目的与方法**
本研究旨在考察职前教师在参与GenAI相关案例情境时的教学推理与伦理推理。研究采用了基于案例的学习方法,设计了六个人教学案例和六个伦理案例,这些案例基于真实课堂情境,并适配芬兰基础教育背景。研究样本包括来自芬兰两所大学(奥卢大学和东芬兰大学)的49名职前教师(33名女性,16名男性),均为学士学位项目最后一年(三年级)的职前小学教师。研究通过在线交互式学习环境CASUS平台呈现案例,每个案例包含四张卡片:教师信息、教学情境描述、GenAI支持的解决方案以及反思提示。对于教学案例,研究人员设置开放式问题收集书面反思;对于伦理案例,则采用与伦理困境相关的多项选择题,每个案例包含三个反映伦理推理的选项和一个不反映伦理推理的选项。数据分析采用定性内容分析法,并分别运用舒尔曼(Shulman)的教学推理与行动模型(Pedagogical Reasoning and Action Model)和雷斯特(Rest)的四成分模型(Four-Component Model)作为编码框架,并对教学推理数据进行了卡方(χ2)独立性检验以考察案例类型的影响。研究中采用研究者三角验证法确保编码信度。作者在方法部分详细介绍了案例设计、参与者特征、数据收集和分析过程。该研究发表在《Journal of Educational Computing Research》。
**三、研究结果**
**教学推理的分布特征(RQ1):** 职前教师的反思分布于舒尔曼教学推理框架的六个范畴,其中理解(Comprehension, f=142)、转化(Transformation, f=212)、评估(Evaluation, f=127)和反思(Reflection, f=203)类别的回应最为频繁,而教学实施(Instruction, f=52)和新反思(New Reflection, f=6)则较少出现,其中泛化超越案例的二级代码(NR2)频次为零。
**案例类型对教学推理的影响(RQ1a):** 规划类案例中,参与者最常使用课程与目标对齐(C1, f=40)和策略选择与理由(T1, f=32)的推理;实施类案例中,验证与来源检查(E1, f=39)和批判性评估(R1, f=44)占主导;评估类案例则更多倾向于评估与反馈运用(E2, f=22)和具体改进规划(R2, f=35)。卡方检验显示案例类型与教学推理之间存在统计学显著关联(χ2(10, N=734)=35.83, p<.001),但效应量较小(Cramér's V=.156)。
**伦理推理的表现(RQ2):** 在透明度案例中,参与者最常选择审慎审查和质疑GenAI输出(O1.1, f=21;O2.1, f=10)以及告知学生GenAI的使用(O1.3, f=15)。在问责案例中,参与者倾向于将GenAI仅用于构思草稿并修订输出以确保课程对齐(O3.4, f=23),以及咨询校内专家如数字学习协调员(O3.3, f=16)。在公平案例中,参与者几乎一致选择调整提示并提供额外教师支持以确保包容性(O5.3, f=25),且有不少参与者选择与同事协作以探索公平策略(O5.4, f=21)。选择不反映伦理推理选项的情况十分罕见(仅在三例中各出现一次)。
**伦理推理的一致性程度(RQ2a):** 公平类案例的整体一致性最高(案例5为99%,案例6为85%),问责类案例整体一致性较低(案例3为72%,案例4为67%),透明度案例居中(案例1为77%,案例2为68%)。在维度层面,动机相关维度(M1具体保障与承诺、M2伦理优先于便利)的一致性最高(M1在除案例5外均超过90%,M2在公平案例中达100%和78%),而敏感性相关维度中的问题识别(S1)在案例2和案例4中仅达36%,判断维度中的政策或标准应用(J2)在案例4中仅达27%。
**四、讨论与结论**
研究表明,职前教师在GenAI相关案例中的教学推理呈现不均衡分布,在理解、转化、评估和反思方面参与较多,而实施相关推理较少,新反思几乎未出现。案例类型对教学推理有显著影响,但效应量有限。伦理推理方面,参与者在动机维度表现最强,在公平类案例中一致性最高,而在问责和政策应用方面表现较弱,这表明职前教师较难处理课堂之外的伦理责任,尤其是在需要理解和参与政策层面时。研究结论强调,教师教育项目应超越AI素养,明确培养职前教师的教学推理与伦理推理能力。案例式学习作为一种有效的教学策略,通过真实的课堂困境支持教学和伦理反思。本研究中开发的案例材料可作为教师教育情境中的实用教学资源,促进职前教师对GenAI整合中多元视角、教学决策和伦理责任的深度思考,从而支持更具批判性、反思性和伦理意识的人工智能教育应用。