文献：Wang, R., et al. (2026). Examining the relationships between artificial intelligence literacy, AI-TPACK, job satisfaction and well-being among teachers through structural equation modeling. Acta Psychologica, 248. DOI 10.1016/j.actpsy.2026.107297。期刊 IF 2.7（Q2），Elsevier 出版。

研究问题：AI 大规模进入课堂之后，教师培训普遍聚焦于“教老师怎么用工具”，但一个更深层的问题悬而未决：教师的 AI 能力究竟通过什么机制，转化为职业层面的获得感与生活层面的幸福感？ 过去的研究往往分开考察——AI 素养研究关注教师的能力结构，工作满意度与幸福感研究关注职业心理结果，两者很少被放进同一个模型里检验。论文要回答的核心问题是：教师 AI 素养、AI-TPACK（AI 支持下的技术—教学—内容整合知识）、工作满意度与幸福感之间，是否存在一条可检验的传导路径——AI 素养能否经由 AI-TPACK 这一教学知识整合环节，依次通向工作满意度与整体幸福感？

论证思路：研究以 TPACK 理论框架为理论基础：教师的 AI 素养是“会用、会判断、会负责”的一般性能力基础，但只有把 AI 工具知识真正整合进具体的教学内容与教学方法（即 TPACK 意义上的整合知识，AI 时代扩展为 AI-TPACK），一般性能力才转化为可用的教学专长。作者据此提出链式假设——AI 素养 → AI-TPACK → 工作满意度 → 幸福感（图 1 概念模型）：AI 素养先提升教师的 AI-TPACK 水平；整合程度更高的教师在教学实践中更有胜任感，从而获得更高的工作满意度；职业满足感进一步外溢为整体幸福感。研究收集 350 名教师的问卷数据，用结构方程模型（SEM）同时估计整条路径链的直接与间接效应（图 2 结构模型），通过模型拟合指数与路径系数判断假设是否得到数据支持。

一、路径链：从 AI 素养到幸福感的三级传导

研究的核心是一个四节点链式模型，每个环节回答“能力如何变成体验”的一个关键转换：

AI 素养 → AI-TPACK → 工作满意度 → 幸福感

• 第一环：AI 素养 → AI-TPACK。AI 素养（对 AI 原理的理解、工具使用、批判评估与伦理意识）是教师面对智能技术的一般性能力储备；AI-TPACK 则是这种储备在“学科—教学”情境中的落地形态。作者的关键假设是：素养不会自动变成教学专长，二者之间需要“整合”这一转化环节——素养高的教师更容易把 AI 融进自己学科的内容组织与课堂方法，从而形成更高水平的 AI-TPACK；
• 第二环：AI-TPACK → 工作满意度。AI-TPACK 水平高的教师，在日常教学中更能驾驭 AI 辅助备课、个性化反馈与课堂创新，体验到更强的教学胜任感与控制感，这些体验是工作满意度的重要来源；
• 第三环：工作满意度 → 幸福感。职业满意感并不止于工作场景——它通过减少职业耗竭、增强自我价值感与生活掌控感，外溢为教师对整体生活的积极评价，即幸福感。

这条链条把两个常被分开讨论的议题——“教师 AI 能力建设”与“教师职业幸福”——接续起来：AI 培训的终点不是工具熟练度，而是教师作为一个完整的人的职业与生活体验。

二、理论基础：从 TPACK 到 AI-TPACK

TPACK（Technological Pedagogical Content Knowledge，技术—教学—内容知识）框架由 Mishra 与 Koehler 提出，是教师技术整合研究的经典理论。它主张有效的技术化教学不是“技术知识 + 教学知识 + 内容知识”的简单相加，而是三者的交叉整合：教师需要知道如何用技术表征具体学科内容（TCK）、如何用技术支持特定教学策略（TPK），并最终形成情境化的整合知识（TPACK）。

AI 时代给 TPACK 带来新挑战：生成式 AI 等工具不是静态的“教学辅助设备”，而是具有生成、对话与自主行为能力的“新型认知伙伴”，其能力边界、输出可靠性与伦理风险都在快速变化。因此学界把 TPACK 扩展为 AI-TPACK——教师整合 AI 工具与学科内容、教学方法的知识与能力。本文的理论定位正在于此：AI-TPACK 不是 AI 素养的别名，而是 AI 素养在教学情境中转化出来的专业知能。这一区分让研究能够回答“为什么同样是 AI 熟练的教师，教学效果与职业体验却大不相同”——差别不在工具熟练度，而在知识整合程度。

三、研究设计与方法：350 名教师的 SEM 检验

• 样本：350 名在职教师的有效问卷数据（具体学段、地域与抽样方式以原文为准）；
• 测量：AI 素养、AI-TPACK、工作满意度与幸福感四个构念，均采用成熟自陈量表；
• 分析框架：结构方程模型（SEM）。先依据理论构建概念模型（原文 Figure 1），再以样本数据估计结构模型（原文 Figure 2）——检验潜变量之间的路径系数、模型整体拟合（如 χ²/df、CFI、TLI、RMSEA、SRMR 等常用指数），并对间接效应（中介效应）进行检验，以判断“AI 素养 → AI-TPACK → 工作满意度 → 幸福感”的传导是否显著成立。

SEM 在此处的优势是同时处理测量误差与多段路径：相比逐步回归，它能在一个模型里估计整条链条的传导关系，并量化“经由 AI-TPACK 的间接效应”占总效应的比重——这正是检验“AI-TPACK 是连接素养与职业结果的关键桥梁”这一命题所需要的统计工具。

四、核心发现：AI 能力建设的职业价值

基于 350 名教师样本的结构方程检验，核心发现指向一条贯穿始终的结论：教师 AI 素养确实能够转化为职业结果，但转化需要经过 AI-TPACK 这一教学整合环节。具体而言：

• AI 素养正向预测 AI-TPACK：素养水平越高的教师，越倾向于也越有能力把 AI 整合进学科内容与教学策略（具体路径系数以原文为准）；
• AI-TPACK 是连接素养与职业结果的中介桥梁：AI 素养对工作满意度与幸福感的作用，很大程度上经由 AI-TPACK 传导——这提示“会用 AI”本身并不直接带来职业满足，“把 AI 用好于教学”才是价值转化的关键节点；
• 工作满意度承接并放大职业价值：AI-TPACK 提升工作满意度，而工作满意度进一步正向预测整体幸福感，形成完整的链条；
• 职业意义：研究为“教师 AI 能力建设具有职业价值”提供了经验证据——AI 素养与 AI-TPACK 不只是“跟上时代”的要求，它们与教师最关心的职业满意与生活幸福直接挂钩，从而把 AI 培训从“行政任务”重新定义为“教师福祉投资”。

五、教师发展启示

1. 培训不能止步于工具操作。如果培训只教“怎么用某个 AI 工具”，素养提升很难穿过 AI-TPACK 这道门抵达职业结果。教师发展项目应把重心放在学科情境中的整合——例如分学科示范“如何用 AI 重构某个单元的备课与评价”，让教师在真实教学任务中完成知识整合；
2. 以 AI-TPACK 为培训设计与评估的靶点。课程设计可围绕“AI—内容—方法”的交叉维度展开，评估也应测量教师的整合知能（AI-TPACK），而非仅测工具熟练度或态度；
3. 把教师幸福纳入 AI 政策议程。本研究把 AI 能力与幸福感放进同一条因果链，提示学校管理者：AI 推进的速度与支持方式会影响教师的职业体验。适切的支持（时间、范例、同伴协作）能让 AI 引入成为“赋能”而非“加压”；
4. 面向不同学科与学段的差异化研修。AI 与不同学科内容的整合方式差异很大，校本研修宜按学科组、按学段设计 AI-TPACK 提升路径，而非一刀切的全员通识培训。

精读笔记

核心论点：教师 AI 素养并不直接“兑现”为职业结果，而是经由 AI-TPACK——AI 素养在学科教学情境中转化出的整合知能——依次传导至工作满意度与整体幸福感；AI 能力建设因此具有明确的职业价值与幸福意涵。

方法要点：

• 以 TPACK 理论为基础，把 AI-TPACK 操作化为“素养 → 教学整合 → 职业结果”链条中的关键中介构念；
• 350 名教师样本 + 结构方程模型（SEM），用一个模型同时估计直接路径、间接路径与模型拟合（原文图 1 概念模型、图 2 结构模型）；
• 链式中介设计使“AI-TPACK 连接素养与职业结果”这一机制命题得到直接检验，而非停留在两两相关。

局限与边界：

• 横断面问卷设计，路径关系本质上是“相关 + 理论假设”的推断，因果方向（如工作满意度是否反向增强 AI 使用投入）需纵向数据确认；
• 350 名教师样本规模中等，且样本的地域、学段与学校类型代表性可能有限，结论外推需谨慎；
• 四构念均为自陈测量，AI-TPACK 与幸福感可能存在共同方法偏差；AI-TPACK 的具体测量条目与维度划分以原文为准；
• 研究未纳入可能的调节变量（如技术压力、学校组织支持、学科差异），链条的边界条件有待进一步考察。

可延伸方向：

• 纵向追踪或多波设计，检验“素养 → 整合 → 满意 → 幸福”的时间先后性与因果方向；
• 干预实验：设计 AI-TPACK 取向的教师研修并追踪其对工作满意度与幸福感的远期效应，直接检验“培训—福祉”链条；
• 多群组比较：按学科、学段、教龄或城乡背景分组，考察链条在不同教师群体中的稳定性；
• 与教师技术压力、倦怠等负面路径研究对接，构建“AI 引入—积极与消极双路径”的整合模型；
• 引入课堂观察、学生评价等客观数据，验证 AI-TPACK 自陈测量与真实教学行为的一致性。

原文地址

• DOI：10.1016/j.actpsy.2026.107297
• 期刊：Acta Psychologica（Elsevier），2026, Vol. 248；IF 2.7（Q2）
• 图表来源：原文 Figure 1（研究概念模型）、Figure 2（结构模型结果）