AI 支持与高校教师教学实践之间生成式 AI 素养与 TPACK 的链式中介作用

文献：Zhang, H., et al. (2026). The chain-mediating roles of generative AI literacy and TPACK in the relationship between AI support and teaching practice among university teachers. Frontiers in Psychology, 17. DOI 10.3389/fpsyg.2026.1932185。

研究问题：生成式 AI 正在快速进入高校课堂，但一个关键的实践难题仍未解决——学校层面的 AI 支持（政策、平台、培训、资源），究竟通过什么机制转化为教师日常教学中的真实应用？ 组织投入了算力、平台与培训，教师却未必真的把 AI 用进教学；而有些教师即使支持有限，也能主动探索。这提示支持与教学实践之间并非简单的一一对应，中间隔着“会用什么、信什么、懂什么”的心理与知识环节。论文要回答：AI 支持是否通过“生成式 AI 素养 → TPACK”的链式传导，间接影响高校教师的教学实践？

论证思路：研究以组织支持与教师技术整合的理论脉络为基础，把生成式 AI 素养视为教师“愿用、会用”的心理—能力基础，把 TPACK（整合技术的学科教学知识）视为教师“用得专业”的知识基础，构建了一个四环节的链式中介模型——AI 支持（机构/资源支持）→ 生成式 AI 素养 → TPACK → 教学实践。研究面向高校教师收集了 578 份有效问卷，用结构方程模型（SEM）检验各环节的直接路径与链式中介效应，并借助图 1 所示的结构模型呈现变量之间的假设关系与最终检验结果，把“组织支持如何落地为教学行为”这一黑箱拆解为可检验的传导链条。

一、链式中介框架：从组织支持到教学实践的四环节传导

链式中介（chain mediation）不同于单一中介的关键，在于它承认多个心理与知识环节依次衔接，前一环的结果构成后一环的起点。本文的传导链条可以分解为三段依次发生的转化：

AI 支持 → 生成式 AI 素养：机构层面的支持（培训体系、AI 平台与工具、经费与激励、技术支持人员）为教师创造了接触与练习生成式 AI 的条件，是素养形成的外部土壤。没有支持，素养主要靠教师“自学成才”，速度与覆盖面都会受限。
生成式 AI 素养 → TPACK：教师先“会用一个 AI 工具”，才能进一步思考“这个工具在我的学科里能做什么、何时该用、如何与教学法整合”——即从通用素养走向学科化的教学知识。生成式 AI 素养是 TPACK 发展的前置条件。
TPACK → 教学实践：TPACK 是教师把技术、教学法与学科内容三者融会贯通的知识结构，它直接决定教师能否在真实课堂中把 AI 用得“恰到好处”——在哪个环节用、怎么提示、如何评价 AI 输出。知识基础越扎实，越可能转化为稳定的教学实践。

这一框架把“组织支持”与“教学实践”之间的遥远距离，拆解为素养（心理—能力）与知识（TPACK）两级中介，也让干预有了明确的落点。

二、TPACK 理论：AI 时代教师的知识基础

TPACK（Technological Pedagogical Content Knowledge，整合技术的学科教学知识）由 Shulman 的学科教学知识（PCK）思想发展而来，强调教师需要把三种知识——技术知识（TK）、教学法知识（PK）、学科内容知识（CK）——有机整合，而非简单叠加。

在生成式 AI 的新情境下，TPACK 的内涵被进一步激活：

技术知识（TK）：从“会用办公软件”升级为“会设计提示词、会判断 AI 输出质量、会处理幻觉与版权风险”；
学科内容知识（CK）：教师必须清楚 AI 在哪些学科任务上可靠、哪些地方会出错，才能决定“信多少”；
教学法知识（PK）：AI 不是课堂的装饰，而是要嵌入提问、练习、评价、反馈等具体教学环节的设计。

本文把 TPACK 放在链式中介的枢纽位置：它承接素养、输出实践。这一设计隐含的判断是——TPACK 是生成式 AI 进入教学的关键知识基础：素养解决“敢不敢用、会不会用”，TPACK 解决“用在哪里、用得对不对”。只给工具不给知识整合能力，AI 支持就可能停留在浅层使用。

三、研究方法与核心发现

样本：578 名高校教师的有效问卷，覆盖多所高校、多个学科背景，为路径估计提供了稳健的样本基础。
测量：AI 支持（机构/资源支持感知）、生成式 AI 素养、TPACK、教学实践四个核心构念，均采用成熟或经过修订的量表测量。
分析：结构方程模型（SEM）检验整体模型拟合与假设路径；对直接效应、单一中介效应与链式中介效应进行分解，并通过偏差校正的 Bootstrap 方法检验间接效应的显著性。

基于图 1 所示的结构模型，核心发现可以概括为三点：

1. 链式中介成立：AI 支持通过“素养 → TPACK”两级传导影响教学实践。 研究支持“AI 支持 → 生成式 AI 素养 → TPACK → 教学实践”的完整链条，说明组织支持对教学实践的影响并非直接发生，而是依次经由教师个体能力（素养）与知识结构（TPACK）的转化。这从经验上解释了“投入了支持却看不到课堂变化”的常见困境——链条中任何一个环节薄弱，都会削弱最终效果。

2. 生成式 AI 素养是组织支持转化为 TPACK 的必经关口。 AI 支持对 TPACK 的促进作用，很大程度上以教师先形成生成式 AI 素养为前提：教师只有真正理解、会用生成式 AI，才能在学科教学中把它整合为专业知识的一部分。素养环节相当于“支持进入教师认知系统”的闸门。

3. TPACK 是链式传导的枢纽与教学实践的直接前提。 在四环节链条中，TPACK 最贴近教学实践一端，是知识基础转化为行为表现的关键一跃。这也意味着，即便学校提供了充分的 AI 资源，若教师缺乏 TPACK 层面的整合能力，教学实践仍难以实质性提升——知识整合能力是组织资源落地的“最后一公里”。

四、对高校 AI 教学支持体系设计的启示

支持体系应从“给资源”升级为“建链条”。 链式中介的启示在于，支持的效果取决于整条传导链，而非某一环节的投入强度。只有平台与算力、缺少素养培训，链条会断在第一环；只有通识培训、缺少学科化的 TPACK 工作坊，链条会断在第二环。学校应把“资源投放—素养培育—TPACK 发展—课堂应用”视为一条完整的能力建设链，系统设计。

素养培育要“学科化”而非“通用化”。 生成式 AI 素养培训若停留在“什么是大模型、怎么提问”的通用层面，难以自动转化为 TPACK。更有效的做法是以学科教学场景为载体——例如让教师在自己的课程里设计 AI 辅助的教学环节，在真实任务中同时发展素养与 TPACK。

把 TPACK 发展作为教师发展的专门议程。 对教育管理者而言，应设立面向 AI 时代的 TPACK 研修机制：示范课、集体备课、AI 教学设计竞赛、跨学科教研共同体等，帮助教师完成从“会用 AI”到“把 AI 用得专业”的跃迁。

建立分层支持与过程监测。 578 名教师的样本提示教师群体的异质性：不同学科、不同经验水平的教师，链条上的薄弱环节不同。支持体系宜提供分层菜单（通识资源、学科工作坊、专家结对），并以素养与 TPACK 的阶段性评估为依据动态调整，而非一刀切地“配齐硬件、发通知培训”。

精读笔记

核心论点：高校的 AI 支持并不直接决定教师的教学实践，而是经由“生成式 AI 素养 → TPACK”的链式中介逐步转化——素养是支持进入教师认知的关口，TPACK 是知识转化为教学行为的关键枢纽。以 578 名高校教师为样本，研究为“组织支持如何落地为课堂应用”提供了可检验的心理与知识机制解释。

方法要点：

链式中介模型把“组织支持→教师行为”这一宏观问题拆解为可分别检验的微观传导环节，比单一中介更贴近真实转化过程
结构方程模型适合同时检验多条路径与整体模型拟合；Bootstrap 检验间接效应，为链式中介的显著性提供了稳健依据
578 的样本规模足以支持四构念、多路径的结构模型估计，是路径分析可靠的样本基础

局限与边界：

横断面问卷设计，链式关系的方向性依赖理论假设，因果结论需谨慎
各构念均为自我报告测量，存在共同方法偏差风险，教学实践也缺乏课堂行为等客观证据的印证
样本以高校教师自报为主，结论向中小学教师、其他文化背景或非正式学习情境推广需谨慎
生成式 AI 工具迭代极快，量表的构念界定与题目表述可能随技术形态变化而需要修订

可延伸方向：

纵向追踪设计，检验“支持 → 素养 → TPACK → 实践”各环节的时间先后与动态演化
引入课堂观察、教学作品、AI 使用日志等行为数据，替代或补充自我报告的教学实践测量
考察学科、教龄、学校类型等变量的调节作用，识别链条上不同群体各自的薄弱环节
开展干预实验，检验“学科化 TPACK 研修”能否系统性提升链条末端的教学实践水平

原文地址