感知生成式人工智能教学智能与职前教师专业认同:专业能动性与AI替代威胁的双刃中介路径及教师–AI互补信念的调节作用

《Frontiers in Psychology》:Perceived generative AI teaching intelligence and pre-service teachers' professional identity: double-edged pathways through professional agency and AI replacement threat

【字体: 大 中 小 】 时间:2026年09月28日 来源:Frontiers in Psychology 3.8

编辑推荐:

  生成式人工智能(GenAI)正越来越多地被用于教师教育中的课程规划、反馈与评估支持。然而,感知到的GenAI教学智能与职前教师专业认同之间的关系仍不清楚。本研究检验了一个双刃模型,该模型通过专业能动性与AI替代威胁将感知智能与专业认同联系起来,并以教师–AI互

  
生成式人工智能(GenAI)正越来越多地被用于教师教育中的课程规划、反馈与评估支持。然而,感知到的GenAI教学智能与职前教师专业认同之间的关系仍不清楚。本研究检验了一个双刃模型,该模型通过专业能动性与AI替代威胁将感知智能与专业认同联系起来,并以教师–AI互补信念作为这些路径的调节变量。在一项基于任务的被试间实验中,598名职前教师被随机分配到高智能或低智能GenAI教学支持条件。互补信念和基线专业认同在暴露前测量;感知智能、专业能动性、替代威胁和任务后认同在暴露后评估。研究人员采用验证性因子分析(CFA)和基于5,000次Bootstrap重抽样的条件过程分析检验模型。高智能条件下的参与者报告了更高的能动性和替代威胁,但任务后专业认同的条件间差异未达到统计显著。感知智能与专业能动性和替代威胁均呈正相关,而能动性和替代威胁分别与专业认同呈正相关和负相关。较强的互补信念与更强的能动性路径和更弱的替代威胁路径相关。这些发现与接触高水平GenAI后出现的两种对立认同相关过程一致。教师教育应在将GenAI融入教学实践时支持专业判断并明确人–AI角色边界。
研究背景与问题

生成式人工智能(GenAI,基于大语言模型的内容生成系统)正进入教师工作的核心,可起草教案、生成解释与课堂活动、支持学习者诊断、编制评价项目并提供反馈。由于教案设计、诊断和反馈是教学专业能力得到认可的活动,GenAI可能改变未来教师对专业价值与边界的评价。职前教师(pre-service teachers,正在接受教师培养的学生)的专业认同在课程学习、实习、与教师教育者互动及预期入职中形成。已有研究支持关于GenAI专业影响的矛盾观点,但存在三方面缺口:已有研究只识别正向能动性机制而未同时考察威胁路径;已有双刃模型主要涉及创造力、学校适应、创新教学或工作投入,较少提供职业认同层面对立路径共存的量化证据;对何种既有角色信念使AI能力被解释为互补或替代仍不清楚。为此,研究人员构建了一个双刃模型,将感知GenAI教学智能(perceived intelligence of GenAI in teaching, PIGT)概念化为与专业认同相关的能力评估,通过教师专业能动性(teacher professional agency, TPA)和AI替代威胁(AI replacement threat, ART)形成两条方向相反的间接路径,并以教师–AI互补信念(teacher–AI complementarity beliefs, TACB)为调节变量。

研究概况与结论

研究人员在中国41所提供教师教育课程的高校中,通过教师教育课程招募598名职前教师,开展基于任务的被试间随机实验。参与者先完成人口学、先前GenAI经验、感知AI素养、基线专业认同与互补信念测量,再被随机分配至高智能或低智能GenAI教学支持条件,随后完成同一七年级“有效学习策略”教学设计任务,最后测量PIGT、TPA、ART与任务后专业认同。结果显示:高智能条件显著提高TPA与ART,但任务后专业认同的条件间差异不显著;PIGT与TPA和ART均正相关;TPA与专业认同正相关,ART与专业认同负相关;TACB正向调节PIGT→TPA路径,负向调节PIGT→ART路径。这表明,感知到的AI能力可同时作为专业资源和职业威胁,其专业意义取决于未来教师对角色边界的信念。研究将GenAI研究从采纳与技术表现拓展至专业自我评价,整合了专业能动性与职业威胁两种对立过程,并以TACB作为基于角色分配的情境条件。

关键研究方法

研究方法:研究人员开展了一项基于任务的被试间随机实验,样本队列来源于中国41所高校教师教育课程的598名职前教师。通过提供同一教学任务(七年级“有效学习策略”)下标准化生成的高智能或低智能GenAI教学支持材料,控制随机暴露;任务前测量互补信念与基线认同,任务后测量感知智能、能动性、替代威胁与任务后认同。使用验证性因子分析(CFA)检验测量模型,使用条件过程分析与5,000次Bootstrap重抽样检验中介和调节中介效应,并使用多重敏感性分析检验稳健性。

研究结果

4.1 数据筛选与初步检验

在667份回应中,69份因重复ID、缺失值、未通过注意力检查、作答模式不变或完成时间过短被排除,最终保留598份有效数据,其中高智能条件302人、低智能条件296人。随机化检验显示,两组在基线专业认同、感知AI素养、先前GenAI经验、性别、年级和专业分布上均无显著差异。

4.2 操纵检验

独立试点样本(N=54)中,高智能材料的感知智能评分显著高于低智能材料,Cohen's d=1.27。正式样本中,高智能条件的PIGT显著高于低智能条件(M=3.88 vs. M=2.94),Cohen's d=1.33,表明操纵成功产生了较大的感知教学智能差异。

4.3 条件水平结果检验

高智能条件的任务后专业能动性显著高于低智能条件(M=3.70 vs. M=3.43),AI替代威胁也显著更高(M=3.11 vs. M=2.88)。但任务后专业认同的条件间差异不显著(M=3.87 vs. M=3.80);控制基线认同的协方差分析同样未发现显著差异。这表明随机暴露同时提高了两种对立中介变量,但未在总体认同水平上产生可检测的净差异。

4.4 描述统计与相关

PIGT与TPA(r=0.345)和ART(r=0.217)均呈显著正相关;TPA与任务后专业认同正相关(r=0.477),ART与任务后专业认同负相关(r=-0.313);TACB与TPA和认同正相关、与ART负相关。相关模式支持PIGT同时关联两种方向相反的近端反应。

4.5 共同方法偏差

Harman单因子检验中第一个未旋转因子解释31.05%的总方差;全共线性方差膨胀因子(VIFs)为1.238至1.547;Amos共同潜因子比较中,23个标准化载荷平均变化0.004。诊断结果未显示存在主导的共同方法因子。

4.6 测量模型:信度与效度

五因子验证性因子分析模型拟合良好,χ2(220)=233.394,χ2/df=1.061,CFI=0.998,TLI=0.998,RMSEA=0.010,RMR=0.016。标准化载荷为0.765至0.840;Cronbach's α与组合信度(CR)为0.877至0.904;平均方差提取量(AVE)为0.607至0.670;异质-单质比率(HTMT)均低于0.85,支持区分效度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号