一个专业的论文、出书、专利服务平台

品质、专业的

论文指导服务

中小学教师对人工智能教育接受度的影响因素研究

时间:2021-07-09分类:教育理论

  [摘要]作为教育改革的践行者,教师对人工智能教育的接受意愿和效能体验将影响其实践质量。然而,什么是教师接受人工智能教育的影响因素?国内学界尚未对此作出回应。鉴于此,以 1072 位中小学教师为研究对象,采用结构方程模型、差异检验及事后多重比较等方法,分析中小学教师接受人工智能教育的影响因素以及调节效应。研究发现:人工智能教育接受度的影响因素依次为绩效期望>努力期望>促成条件>社会影响>感知风险,学历、教龄和学科等变量正向调节接受度水平,性别的调节效应并不显著。基于实证结果,提出未来人工智能教育的推进策略:完善保障体系,提升人工智能教育的期望效价;优化资源文化,丰富人工智能教育的促成条件;强化价值认同,扩大人工智能教育的社会影响;规避技术陷阱,彰显人工智能教育的育人之本。

中小学教师对人工智能教育接受度的影响因素研究

  本文源自李世瑾; 顾小清, 现代远距离教育 发表时间:2021-07-09

  [关键词]中小学教师;人工智能教育;接受度;影响因素;UTAUT 模型

  一、问题的提出

  自 2016 年开启人工智能元年之后,以智能决策、深度学习、情感计算为核心的人工智能(Artificial Intelligence,简称 AI)激发了教育变革的热情和动力。美国《为人工智能的未来做好准备》明确提出,增设人工智能和数据技术课程,扩大人工智能专业人才的培训机会 [1]。英国《人工智能:未来决策的机遇与影响》指出,充分发挥种子基金、专业津贴等经费倾斜优势,大力推进人工智能教育创新应用[2]。德国《高科技战略 2025》强调,建立人工智能教育研究中心,重塑智能灵活的生态系统[3]。我国《新一代人工智能发展规划》提出,利用智能技术加快推动人才培养模式以及教学方法的改革,构建包含智能学习、交互式学习的新型教育体系[4]。目前,人工智能教育的实践态势可谓“如火如荼”。

  作为教育改革的践行者,教师对人工智能教育发展至关重要。余胜泉从理论层面阐释了智能教师扮演的 12 个角色[5],并提出“AI+教师”四类协作路径,即 AI 代理、AI 助手、AI 教师以及 AI 伙伴[6]。Edwardsa 等认为智能教师可以解决教师短缺问题,从教师特质、教学传递、社会交互和情感支持等方面解释了其应用路径[7]。Sharkey 探究了人机协作进程中的技术陷阱,如隐私安全、技术依赖、算法欺骗和情感缺失等风险[8]。杨绪辉等从技术现象学的“人性结构”视角,深刻剖析了智能时代教师的“缺陷”,以及人工智能技术对教师的“代具”表现,引领教师理性地看待人工智能技术的作用和价值[9]。闫志明等从智能时代教师的专业实践智慧出发,建构了整合人工智能技术的学科教学知识模型(AI-TPACK)[10]。

  可以发现,学界对人工智能赋能教师专业发展的本体价值和伦理风险已形成共识,但鲜有研究关注教师接受人工智能教育的真实意愿。实质上,在没有了解教师接受度水平及其影响因素的情况下,一味盲目推进人工智能教育,无疑将影响其实践质量及未来努力方向。鉴于此,研究以中小学教师为调查对象,主要回应如下问题:中小学教师对人工智能教育接受度的总体水平如何?具体影响因素有哪些?不同性别、学历、教龄、学科的中小学教师,又表现出何种差异?通过探究教师接受人工智能教育的影响因素及其内在机理,旨在为有效推广人工智能教育实践路径、优化教育体验以及提升实践成效提供科学证据。

  二、理论基础与研究模型

  接受是人的一种认同行为表征,既包括个体自我价值观的态度认同,也涵盖个体对新事物适应、接纳和内化的过程。简言之,接受是个体自发行为与内化行为的融合体。伴随大量新技术的涌现,教育工作者愈发重视技术赋能教育的合理性与适切性,也愈加关注何种技术才能真正被师生广泛认可。在此情境下,技术接受度模型成为比较活跃的研究课题,经过学者长期的实践探索,大致演化出三种进阶态势:模型框架建构阶段(1975—1993)、内在因素探索阶段(1993—2000)、系统因素发展阶段(2000 至今),如图 1 所示。

  可以发现,技术接受模型从最初对框架和内在因素的讨论,逐渐介入了外在变量的影响,尤其是 Venkatesh 等提出的整合型科技接受模型(Unified Theory of Acceptance and Use of Technology,UTAUT),系统整合了理性行为理论(Theory of Reasoned Action,TRA) 、技术接受模型(Technology Acceptance Model,TAM)、动机模型(Motivational Model ,MM)、计划行为理论(Theory of Planned Behavior,TPB) 、技术接受和计划行为整合模型(Combined TAM and TPB,C-TAM-TPB)、计算机使用模型(Model of PC Utilization,MPCU)、创新扩散论(Innovation Diffusion Theory,IDT)、社会认知理论(Social Cognitive Theory,SCT)等八个理论优点,其解释力高达 70%[11]。因此,研究基于 UTAUT 理论模型,结合个体接纳行为的内在意向和外在影响,综合考量中小学教师接受人工智能教育的影响因素。同时,结合教育领域人工智能应用隐忧的结论[12]、实证分析结果等[13],在 UTAUT 理论基础上增加感知风险因素,尝试改善模型的结构弹性和对复杂现实的适应性。此外,进一步将性别、学历、教龄和学科等人口学因素纳入研究模型中,系统审视不同教师群体接受人工智能教育的差异化表现,具体如图 2 所示。

  基于上述理论模型,研究借助结构方程模型,首先从社会影响、绩效期望、努力期望、感知风险和促成条件等因素出发,探究中小学教师接受人工智能教育的影响因素以及作用程度。其中:(1)社会影响(Social Influence,简称 SI)是教师受到外界群体感知的社会舆论因素,当技术应用的社会反响越积极时,个体越倾向于接纳新技术。(2)努力期望(Effort Expectation,简称 EE)是教师开展人工智能教育所需付出的努力程度,当个体持续投入的精力越多时,越有可能使用新技术。(3)绩效期望(Performance Expectation,简称 PE)是教师期待通过开展人工智能教育提升自身工作绩效的程度,当个体对技术应用的绩效期望越高时,其接纳意愿也将越明显。(4)促成条件(Facilitating Condition,简称 FC)是现有政策体制、教育装备和管理制度对人工智能教育实践的支持力度,当物质条件越丰富时,个体越愿意接纳新技术或新方法。(5)感知风险(Perceived Risk,简称 PR)是教师对技术应用进程中信息泄露、隐私侵犯等现象的惊慌或担忧,当风险感知越高时,个体越不愿意接纳新技术。然后,分别对性别、学历、教龄和学科等调节变量,进行差异检验及事后多重比较分析,进一步探究其作为中介因素对接受度的调节效应,从而形成可操作的科学推广策略。

  三、研究工具与施测过程

  (一)调查问卷编制

  研究参照 Venkatesh 等[14]、Chatterjee 等[15]研究量表,以及我国学者周炫余等[16]、王钰彪等[17]实证结论,同时结合中小学教师参与人工智能教育的实践情况,编制了“中小学教师人工智能教育接受度调查问卷”。其中,第一部分围绕性别、学历、教龄、学科等人口学问题收集教师的基本信息。第二部分测量社会影响、绩效期望、努力期望、促成条件和感知风险等因素,对教师接受人工智能教育的影响程度。问卷整体采用李克特五点量表形式,1-5 选项分别对应“非常不同意”、“不太同意”、“一般同意”、“比较同意”、“非常同意”。

  (二)问卷信效度检验

  信度检验采用克朗巴哈系数法,经分析,整体问卷的 Cronbach's 系数为 0.96,SI、EE、 PE、FC 和 PR 等具体维度的 Cronbach's 系数分别为 0.93、0.92、0.95、0.91、0.89 和 0.94。每个子维度信度系数均在 0.8 以上,说明问卷结构的内部一致性较好,测量结果可信且具有较强的解释力。

  效度检验包括内容效度和建构效度分析。内容效度方面,参照国际上经典的技术接受度量表,结合人工智能教学情境编制问卷,并经过两轮专家咨询和教师修订等环节,充分保证了测试题项的设计逻辑与内容效度。建构效度方面,首先进行 KMO 检验和 Bartlett 球形检验,发现样本数据的KMO值为0.858,且Bartlett’s球形检验的 2值为2835.715(P=0.000<0.05),表明测试题目符合良好的统计量标准,适合做因子分析。进一步采用验证性因子分析,测试题项的因子负荷量处于 0.7 以上,平均方差萃取 AVE 值均大于 0.5,且组合信度 CR 值均大于 0.7,说明问卷具有良好的聚合效度。区分效度结果显示,所有变量的平均方差萃取量均大于变量间的相关性,说明问卷测试题项的区分效度良好。综上,问卷的测试因子与测试题项之间的对应结构合理,能够较为准确地反映教师接受人工智能教育的行为意愿。

  (三)问卷发放与回收

  在保证地域均衡与现实条件的基础上,研究依托上海、北京、天津、宁夏等 82 所学校,采用问卷星平台向中小学教师发放电子问卷,调查时间为 2020 年 12 月至 2021 年 2 月。调查结束后,共收回 1139 份网络问卷,剔除随意填写的 67 份无效问卷,最终获得 1072 份有效问卷,有效率达 94%。

  四、数据统计与分析结果

  基于人工智能教育接受度研究模型,采用结构方程模型,分析中小学教师接受人工智能教育的影响因素;同时采用差异检验及事后多重比较等方法,进一步探究性别、学历、教龄、学科等变量作为中介因素的调节效应。

  (一)人口学基本信息统计

  参与调研的 1072 位中小学教师中,男性教师 373 人,女性教师 699 人。学历以大学本科(76%)为主,专科(14%)、硕士(9%)和博士学历(1%)的教师相对较少。教龄 2 年以下、2~5 年、6~10 年、11~15 年以及 16 年以上的分别占比 11%、12%、14%、10%以及 53%。学科分布以信息技术(60%)、语文(16%)和数学(14%)教师为主,其它学科教师(如英语、音乐、体育)相对偏少。具体人口学数据如表 1 所示。

  (二)接受度影响因素分析

  研究采用 AMOS26.0 结构方程模型,通过拟合度评估以及参数评估等过程,获得中小学教师对人工智能教育接受度的影响因素。

  1.接受度结构模型拟合度评估

  拟合度评估即评估模型的适合度,分析过程中需要考量不同结构变量的适配指数,适配指数越高,路径的可解释性越强,参数表征也将更有意义。参照模型评估标准,通过绝对拟合指标和增值拟合指标评估路径的拟合度[18],如表 2 所示。从绝对拟合指标来看,X 2 /df 的值小于 3,且 GFI、RMR 和 RMSEA 等测量值均在评估范围内。从增值拟合指标来看,AGFI 值为 0.935,且 NFI、CFI 和 IFI 数值均符合拟合度要求。综上,各项指标均优于临界值标准,即人工智能教育接受度结构模型的拟合度较好。

  2.接受度结构模型参数评估

  研究通过绩效期望、努力期望、感知风险、社会影响和促成条件等作用于行为意愿的路径系数,评估中小学教师对人工智能教育的接受程度,如图 3 所示。从各变量的标准化因素负荷量来看,各项数值处于 0.73~0.94 正常范围内,即各变量的因子建构效度良好。从各变量作用于行为意愿的标准化回归系数来看,感知风险的路径系数为负值,说明感知风险负向影响教师的行为意愿。其它变量的标准化回归系数均处于 0.24~0.61 之间,符合回归系数 0.19 以上的可信度要求[19]。综上,研究模型的标准化因素负荷量和回归系数均处于正常范围内,能够反映中小学教师对人工智能教育接受度的真实水平。

  通过结构方程路径分析,进一步检验研究模型中绩效期望、努力期望、感知风险、社会影响和促成条件等作用于行为意愿的路径参数。结果显示,中小学教师开展人工智能教育的行为意愿受到绩效期望(β=0.61,P<0.001)、努力期望(β=0.43,P<0.001)、促成条件(β=0.31, P<0.001)、社会影响(β=0.24,P<0.001)以及风险感知(β=-0.21,P<0.001)等因素的共同作用,且均达到 0.001 显著性水平。其中,绩效期望和努力期望对行为意愿具有较强的正向影响,社会影响和促成条件对行为意愿的正向影响较弱,感知风险的标准化回归系数为负值且绝对值较小,即感知风险对行为意愿具有负向影响,且感知风险越小,教师越倾向于接纳人工智能教育实践。

  (三)调节因素差异化检验

  研究采用差异检验及事后多重比较等方法,检验性别、学历、教龄、学科等因素的调节效应,进一步探索不同类型教师群体在社会影响、绩效期望、努力期望、感知风险和促成条件等接受度影响因素方面的差异化水平。

  1.性别调节效应检验

  研究采用独立样本t检验,分析不同性别教师接受人工智能教育的行为意愿。结果表明,相比女性教师,男性教师的实践倾向虽更积极(t=1.371),但两者在接受度方面并不存在显著性差异(P=0.171>0.05)。具体地,男性教师受到社会影响(t=1.654,P=0.099>0.05)、绩效期望(t=1.910,P=0.057>0.05)、努力期望(t=1.133,P=0.257>0.05)、感知风险(t=0.846, P=0.398>0.05)和促成条件(t=1.344,P=0.179>0.05)的影响更为明显,但较之女性教师各维度的表现,两者之间并不存在显著性差异,结果如表 3 所示。

  2.学历调节效应检验

  研究首先对 1072 个有效样本进行方差齐性检验,发现不同学历教师接受人工智能教育的行为意愿不满足方差齐性条件(sig<0.05),故采用 Welch’s ANOVA 方法进行差异分析。结果表明,不同学历教师在人工智能教育接受度方面具有显著性差异(P=0.029<0.05),但社会影响(P=0.848>0.05)、绩效期望(P=0.685>0.05)、努力期望(P=0.537>0.05)、感知风险(P=0.781>0.05)和促成条件(P=0.592>0.05)等维度并不存在显著性差异。进一步通过事后多重比较,发现大专学历教师分别与本科、硕士和博士学历教师两两存在显著差异性,本科与硕士学历教师之间差异不显著,结果如表 4 所示。

  3.教龄调节效应检验

  通过方差齐性检验分析,发现不同教龄教师接受人工智能教育的行为意愿均符合方差齐性要求(sig>0.05),故采用单因素方差分析进行比较。总体上,不同教龄教师在接受度方面具有显著性差异(P=0.000<0.05),且 11~15 年>2~5 年>2 年以下>6~10 年>16 年以上。具体地,不同教龄教师在社会影响(P=0.013<0.05)、绩效期望(P=0.001<0.05)、努力期望(P=0.004<0.05)和促成条件(P=0.002<0.05)等维度存在显著性差异,但感知风险(P=0.497>0.05)维度并不存在显著性差异。进一步通过事后多重比较,发现社会影响和努力期望维度的接受次序为 2~5 年>11~15 年>2 年以下> 16 年以上>6~10 年,绩效期望维度为 11~15 年>2 年以下>2~5 年>6~10 年>16 年以上,促成条件维度为 2~5 年>2 年以下>11~15 年> 16 年以上>6~10 年,具体结果如表 5 所示。

  4.学科调节效应检验

  不同学科教师接受人工智能教育的行为意愿符合方差齐性要求(sig>0.05),故采用单因素方差进行分析。总体上,不同学科教师在人工智能教育接受度方面具有显著性差异(P=0.000<0.05),且信息技术教师分别与语文、数学、英语、体育和音乐教师两两存在显著性差异,语文、数学、英语和体育教师两两之间的差异不显著。具体地,不同学科教师在绩效期望(P=0.019<0.05)维度存在显著性差异,但在社会影响(P=0.655>0.05)、努力期望(P=0.962>0.05)、感知风险(P=0.751>0.05)和促成条件(P=0.982>0.05)等维度不存在显著性差异。进一步通过事后多重比较,发现绩效期望和行为意愿维度的表现次序均为体育>信息技术>英语>语文>数学>音乐,具体结果如表 6 所示。

  五、结果分析与对策建议

  研究结果表明,中小学教师对人工智能教育接受度的影响因素依次为绩效期望>努力期望>促成条件>社会影响>感知风险。学历、教龄和学科等变量正向调节中小学教师的接受度,但性别对接受度的调节效应并不存在显著性差异。

  (一)研究结论与讨论

  1.人工智能教育接受度的影响因素分析

  绩效期望对教师行为意愿的影响系数最大,这意味着提高人工智能教育接受度,首要任务是提升教师的绩效期望。事实上,绩效期望是组织目标实现“有效输出”的映射,即通过权衡显性、隐性以及不确定因素的内在关联,所表现出的能动属性和行为特征[20]。由此看来,绩效期望本身具有的功利性和现实性色彩,能够保障人工智能教育目标、过程和结果的一体化进程。综上,通过持续刺激教师的绩效期望,其认同感知与实践动机也愈强烈。

  努力期望对教师行为意愿的影响系数仅次于绩效期望。可能的原因是,努力期望是个体参与实践时的努力程度,当个体对教育场域的智能化感知和完整性程度越高时,其获得的直观体验与效价期待愈明显,也愈有可能接纳人工智能技术,引导学生完成个性化练习。同时,当教师充分感知到智能技术强大的推理、判断和决策能力时,也更容易产生积极尝试的心理动机,并且在教学实践中持续投入努力。

  促成条件对教师行为意愿的影响系数虽排在第三,但却是人工智能教育得以实施的前提条件。只有具备政策支持或智能场域等现实条件时,才能有效激发教师开展人工智能教育的决心和热情。同时,当促成条件越丰富时,教师越容易应对实践进程中的困难与障碍。这与 Benitti 等研究结论相一致,即资源条件正向影响教师的智能感知和角色期待[21]。此外,当教师越愿意尝试人工智能教育实践时,其专业技能和智能素养提升得也越快。

  社会影响对教师的行为意愿具有显著正向影响,这符合 Akerlof 等同群效应研究结论[22]。这是因为,增加教师互动交流的范围和频率,能够促进人工智能教育经验的复制、再造、扩散和增值,形塑智能教育实践的积极效应。同时,通过良好的群体感知氛围以及优秀教师的带头示范作用,能够缓解教师的恐慌或退缩心理,鼓励更多教师参与到实践变革中。

  风险感知对教师的行为意愿具有负向影响,即教师的风险感知越低,越愿意开展人工智能教育实践。人工智能技术应用虽缩短了教学反馈的周期,但始终无法解决非结构化问题的及时反馈,加之技术场景的复杂化,很容易导致教师角色的“脱嵌”与“消匿”,进而引起退缩甚至恐慌的排斥心理。这启示我们,推进人工智能教育的同时,不可忽视技术本身的风险源,只有理性平衡育人目标和技术工具之间的张力,提供合理适度的引领示范和支持服务时,才能持续激发教师的实践动机。

  2.人工智能教育接受度的调节效应分析

  性别对人工智能教育接受度的调节效应并不显著。虽有部分学者认为,男性在使用智能技术时表现出更为浓厚的兴趣[23][24]。但是,开展人工智能教育并非要求教师重新学习图像识别、自然语言处理等技术原理,而是充分发挥认知智能、情感智能以及计算智能等技术优势,助力大规模个性化教育目标的实现。在这点上,男女教师并不存在显著性差异,均需在智能教育改革浪潮中理性觉解教师的角色特质与价值定位,积极探索智能场域下“AI+教师” 协同创新的合作方式。

  学历正向调节中小学教师对人工智能教育的接受度,具体表现为:博士及以上>硕士>本科>大专及以下,即教师的学历水平越高,越愿意尝试人工智能教育实践。可能的原因是,接受过高等教育的职前教师,会较早地接触人工智能相关知识,更容易感知人工智能教育的价值内涵。加之人工智能技术一定程度上缓解了教师的机械性工作,更加符合教师的角色认知与职业期待[25]。此外,智能诊断技术能够为教师提供精准干预方案,教师期待通过人工智能教育实践获得职业成就。

  教龄正向调节中小学教师对人工智能教育的接受度,具体表现为:11~15 年>2~5 年>2 年以下>6~10 年>16 年以上。可能的原因是,教龄为 11~15 年的教师具有丰富的教学经验,当面对智能教育变革时,能够建立充分的自信以应对教学进程中的困难与阻碍。教龄为 2~5 年、2 年以下和 6~10 年教师的行为意愿依次减弱,说明教师的教龄越短,越容易产生价值趋同,也越渴望抓住人工智能教育变革机会提升绩效。教龄为 16 年以上教师的行为意愿最弱,这与 Bulatevych 研究结论相一致[26],即教龄越长,教师越容易进入职业倦怠期,其社会群体感和职业期待也将逐渐削弱,容易排斥挑战性、发展性和压力性任务。

  学科正向调节中小学教师对人工智能教育的接受度,具体表现为:体育教师>信息技术教师>英语教师>语文教师>数学教师>音乐教师。这符合人工智能发展的历史逻辑,从 1951 年第一个会下西洋跳棋计算机程序的诞生,到 1997 年 IBM 计算机深蓝战胜国际象棋世界冠军卡斯帕罗夫,再到 2016 年 Alpha Go 战胜围棋世界冠军李世石,不难发现人工智能天然的实验场所正是体育产业,其“科技助力”的功能预期必将迎来智能体育的发展热潮[27]。因此,体育教师源于自身的学科视野和竞技思维,更能深刻意识到人工智能是体育产业转型升级的有效武器,也更愿意尝试人工智能教育实践探索。同时,由于国内人工智能课程通常由信息技术教师讲授或作为骨干人员参与设计,加之信息技术学科尤为重视创新技术应用,例如《普通高中信息技术课程标准(2017 年版)》将“人工智能初步”列为选择性必修模块,这在很大程度上促进了信息技术教师接受人工智能教育的信心与热情。而语文、数学、英语和音乐等传统学科教师,普遍关注学生基本知能和问题解决的技能习得,当面对具有风险和压力的人工智能教育时,接纳意愿也较前两者更小。

  (二)应对策略与建议

  基于研究结论,应充分利用教师感知的绩效期望和努力期望、外部促成条件和社会影响等着力点,以及学历、教龄和学科等正向调节变量,提高教师对人工智能教育的接受度,同时也需规避人工智能教育的技术陷阱,建构彰显育人之本的智能教育新生态。

  1.完善保障体系,提升人工智能教育的期望效价

  人工智能引领的创新教育形态,教师既要了解相关基础知识,也要具备人机协同的智能素养,还要平衡技术应用和教育目标之间的张力,这无疑对教师提出了更高的能力要求,尤其是学历偏低、教龄较长的教师群体,普遍持恐慌、甚至退缩的行为态度。面对这样的压力和挑战,必须完善保障体系,努力提升中小学教师开展人工智能教育的期望效价。

  首先,要从宏观战略层面提供制度保障,促进人工智能教育实践的常态化。新加坡的经验非常值得借鉴,新加坡总理办公室通过专业培训、薪酬倾斜等政策支持,提升了教师开展人工智能教育的自信心与满意度[28]。其次,学校管理层面应通过专家帮扶、经费支持等具体措施,消除学历较低、年龄偏大这一教师群体普遍存在的担忧和畏难情绪,通过扩大人工智能教育的实践影响,持续激发更多教师群体的实践动力与努力期望。再次,培训内容方面需加强人工智能教学实践的专业培训与心理疏导,即不仅通过项目实践、工作坊交流、主题报告等方式,带领教师体验智能化的教学流程,更要从思想意识上培养教师开展人工智能实践教学的积极心理。最后,文化氛围方面应尽力弥补教师因动机或自我效能感缺失而带来的教学懈怠,保持教师对人工智能教育的接受意愿。具体地,推行意志管理机制,培养教师面临困境时的情绪调整能力,并通过群体协作或互助活动维持其持续努力的内在动机。

  2.优化资源文化,丰富人工智能教育的促成条件

  研究结果表明,源自学科专业思维,中小学教师普遍对人工智能的理解局限于抽象算法或技术代码,自然以不懂为名产生抵触甚至恐惧心理,这种现象在语文、数学、英语等学科中尤为明显。这种情境下,亟需优化人工智能教育资源,丰富促成条件以扩大实践效应,帮扶信息技术以外的学科教师积极开展创新教育探索。

  其一,充分利用大数据、学习分析等技术平台,结合学科专业优势,建设具有特色的校本人工智能资源库,同时组建人工智能校际联盟,借助实践资源的共创、共享和共流优势,形 成 长 效 的 区 域 人 工 智 能 教 研 机 制 。 例 如 , 英 国 IBM 网 站(https://machinelearningforkids.co.uk/)专门设立了人工智能资源模块,通过案例研习指引不同学科教师开展特色化的人工智能实践教学,从而提升教师的人工智能素养和教学技能。其二,加强政府部门、学校机构和教师群体的联结,可借助区块链“共建、共享、共营、共治” 的内在机理,通过教学研修、工作坊等形式建立多元主体的协同成长机制。其三,技术应用从来都不是一蹴而就的,而是在环境互动中动态发展的。因此,积极创设人工智能校园文化,让教师随时随地处于智能化的情境感知中,全方位支持中小学教师对智能教学的认知体验,促进教师人工智能素养的形成。

  3.强化价值认同,扩大人工智能教育的社会影响

  尽管人工智能教育已广泛引起实践工作者的高度重视,但由于技术知识的缺失以及现行考核机制的约束,许多教师对人工智能教育仍持观望、质疑甚至抵触的态度。研究已证实,中小学教师对人工智能教育的接受度受到领导、同伴、家长等多元主体影响,因此,应有效利用舆论的正向引导作用,积极宣传人工智能教育应用的优势,进一步扩大其实践改革的价值认同与社会影响力。

  一方面,遵循“认知→说服→决策→执行→确认”的技术创新扩散路径,充分发挥主观规范的引导作用,通过阶段性教学任务与奖励机制,帮助教师积累人工智能教学经验和有效策略。另一方面,构建职前职中一体化的师资培训体系,比如在师范教育课程体系中增设人工智能相关课程和专项训练项目,让“准教师”尽早掌握人工智能相关的基础性知识,领会人工智能教学的理念和方法。例如,英国专门设立人工智能在线课程,通过人工智能专业知识讲授与教学实例操练,帮助职前教师尽早完成角色转型[29]。同时,提升人工智能教育的时代影响和社会地位,如教育部门加大人工智能校培和国培力度,并将培训学习纳入中小学教师职称评定等考核内容,通过动员教师参加培训并付诸实践的主观能动性,广泛提升更多教师群体的人工智能素养水平。

  4.规避技术陷阱,彰显人工智能教育的育人之本

  任何技术应用在其发展初期,都会不可避免地受到质疑和误解。同样,当教育生态融入智能技术设备时,许多中小学教师由于技术经验不足,容易产生“智能导师将会替代人类教师”的担忧和恐慌。正如结论所证实,风险感知对教师的行为意愿具有负向影响。因此,厘清人工智能教育的技术陷阱,形塑“AI+教师”融合共生机制,是推进人工智能教育健康发展的关键举措。

  一方面,参照人工智能技术应用的“公平、可靠、隐私与保障、包容、透明、内部监督与指导”等六大原则[30],制定相应的“AI+教师”协同教学法则。另一方面,技术的发展必将带来教学形态的改变,教师只有坚持“育人之本”的永恒理念,建构整合人工智能技术的知识体系,才能有效突围“技术茧房”的束缚,从而在更深的层面和更广的意义上提升教学成效。此外,建立技术风险预警机制,推动人工智能教育健康发展。这可效仿英国人工智能委员会的做法,从立法高度凸显人工智能伦理安全的重要性,强制要求相关学科师生必须研修人工智能伦理课程,养成伦理自觉和科学求真的行为惯习,真正发挥人工智能技术应用的优势和作用。

  六、结语

  本研究基于UTAUT模型,探索了中小学教师对人工智能教育接受度的影响因素。其中,绩效期望、努力期望、促成条件和社会影响对中小学教师接受人工智能教育具有正向影响,影响力分别为:61%、43%、31%和 24%。感知风险对教师的行为意愿具有负向影响,影响力达到 19%。同时,教师性别对人工智能教育接受度的调节效应并不存在显著性差异;学历调节效应为:博士>硕士>本科>大专;教龄调节效应为:11~15 年>2~5 年>2 年以下>6~10 年>16 年以上;学科调节效应为:体育教师>信息技术教师>英语教师>语文教师>数学教师>音乐教师。

  此外,研究仍存在以下不足:一是研究样本局限于上海、北京、天津、宁夏等地域,可能影响研究结论的普适性,未来将考虑更大范围的调查研究。二是人工智能教育接受度模型重点验证了绩效期望、努力期望、促成条件、社会影响和感知风险等影响因素,未来将持续追踪人工智能教育的实践新论,引介更多因素的潜在影响。三是人工智能教育接受度是一个复杂且动态发展的过程,研究团队将采用多模态技术,通过汇聚教师认知、情绪、生理等多维数据,持续追踪教师行为意愿的变化规律,以期为有效推进人工智能教育提供科学依据。

获取免费资料

最新文章