探索高校教师的 AI 幸福感：社会支持、AI 素养与技术自我效能的结构方程模型

文献：Liu, Y., et al. (2026). Exploring university faculty’s AI well-being: A structural equation model of social supports, AI literacy and technological self-efficacy. Behavioral Sciences, 16(7). DOI 10.3390/bs16071168。

研究问题：人工智能正在全面渗透高校的教学、科研与行政——教师用它备课、批改、做文献综述、写基金申请，也用它应对课程考核与行政表格。然而，围绕 AI 入校的讨论大多聚焦两件事：学生的学术诚信，以及 AI 能否提升效率。一个更根本的问题反而被冷落：教师自己在使用 AI 过程中的心理福祉（well-being）如何？ AI 带来的学习压力、对职业被替代的焦虑、与日俱增的工具更新负担，都在真实地消耗教师的身心资源。论文要回答的核心问题是：社会支持（同事支持与机构支持）、AI 素养与技术自我效能，如何共同影响高校教师的“AI 幸福感”？ 更进一步：支持性环境与个人能力之间，究竟是谁在“托底”教师的心理健康？

论证思路：作者提出了一个面向 AI 时代的新构念——“AI 幸福感”（AI well-being），指教师在使用 AI 工具过程中体验到的积极心理状态与总体心理福祉，并将其作为结果变量。在自变量一侧，研究整合了环境资源与个人资源两个层面：环境层面是社会支持，细分为同事支持（同侪互助、经验分享、情感慰藉）与机构支持（学校制度、培训、技术保障与领导关怀）；个人层面是AI 素养（理解、使用、批判性评价 AI 的能力）与技术自我效能（相信自己能成功运用 AI 完成工作任务的信心）。研究以 523 名高校教师的问卷数据为基础，构建**结构方程模型（SEM）**检验上述前因对 AI 幸福感的直接作用（图1，原文 Figure 1），并考察环境支持与个人能力是否通过不同的心理机制共同促进教师在 AI 时代的身心健康与专业效能。

原文图1 SEM结果 — 图1（原文 Figure 1）结构方程模型分析结果（* p<0.05, *** p<0.001）

一、“AI 幸福感”：一个面向 AI 时代的新构念

幸福感的经典研究早已证明，心理健康不只是“没有疾病”，更是积极的情绪体验、心理需求的满足与功能的良好发挥。本文的价值在于把这一视角情境化到 AI 使用之中，提出“AI 幸福感”这一新构念——它刻画的是教师在接触、学习与使用 AI 的全过程中的心理状态：使用 AI 时是否感到胜任与自主？是否因 AI 的快速迭代而焦虑、倦怠？AI 是否让教师觉得自己的工作更有意义、还是更可有可无？

作者指出，以往的技术接受研究（如 TAM、UTAUT）关心的是“教师愿不愿意用 AI”，技术压力研究关心的是“AI 让教师有多累”，却缺少一个以教师整体心理福祉为中心的结果变量。AI 幸福感恰好补上这一环：它把“技术采纳”与“教师心理健康”两条文献线缝合起来，提醒研究者与管理者——评估 AI 进校园的成效，不能只看效率数字，还要看教师“用得开不开心、撑不撑得住”。

二、研究方法：SEM 与 523 名高校教师样本

样本：523 名高校教师的问卷数据，覆盖不同学科、职称与教龄群体；
测量：社会支持（同事支持、机构支持两个维度）、AI 素养、技术自我效能、AI 幸福感，均采用多题项量表，报告了信度与效度指标；
分析：结构方程模型（SEM）——先验证测量模型（信度、效度与区分效度），再检验结构模型中的假设路径；
结果呈现：图1（原文 Figure 1）以标准化路径系数标注各条假设路径，并用星号标识显著性水平（* p<0.05, *** p<0.001），读者可直接从图中读出“哪条路径显著、作用有多大”。

SEM 之所以适合本研究，是因为它能在一个统一模型中同时估计多条路径，并分离测量误差——这对“环境支持 + 个人能力 → 幸福感”这种多前因、单一结果的假设结构而言，是最贴合理论逻辑的检验工具。

三、核心发现：支持性环境与个人能力的双重路径

综合原文图1 的模型结果（* p<0.05, *** p<0.001），核心发现可以概括为”环境托底、能力赋能“的双重路径：

1. 社会支持显著正向预测 AI 幸福感。 无论是来自同事的互助与经验分享，还是来自机构的制度保障与培训支持，都对教师的 AI 幸福感有显著的正向作用——支持性环境让教师感到“不是一个人在学 AI”，从而缓解了技术引入初期最常见的孤独感与焦虑感。

2. AI 素养与 AI 幸福感显著正相关。 越理解 AI 能做什么、不能做什么、边界在哪里，教师在使用中就越少恐慌、越能掌控局面。素养在这里不只是“会用工具”，更是一种心理上的确定感——知道 AI 的局限，反而更安心。

3. 技术自我效能是关键的“心理资源”。 相信自己能成功运用 AI 完成教学科研任务的教师，在使用 AI 时体验到更高的胜任感与积极情绪，AI 幸福感更强。自我效能感恰好在“AI 素养”与“使用体验”之间起到承上启下的作用：懂 AI（素养）经由“我可以用好它”（自我效能）转化为良好的心理体验。

4. 环境与个人能力共同作用。 模型最重要的理论讯号是：支持性环境与个人能力并非二选一，而是互补的——机构与同事的支持为教师提供了外部安全网，AI 素养与技术自我效能则为教师提供了内部资源；两者共同把 AI 从“压力源”转化为“成长源”，促进教师在 AI 时代的身心健康与专业效能。

四、对高校 AI 引入政策与教师关怀的启示

对高校 AI 引入政策：AI 进校园不能只做“技术部署”，而要做“组织支持”。本文的结果提示，机构支持是教师 AI 幸福感的重要来源——学校在推出 AI 平台、发布 AI 使用要求的同时，应当同步配套稳定的培训体系、清晰的使用规范与容错空间，而不是只下达“必须用 AI”的指令。支持性制度是教师心理福祉的“外部安全网”。

对教师发展培训：AI 素养培训的目标不应只是“教会操作”，更应是“建立确定感”——让教师理解 AI 的能力边界与伦理风险，帮助他们从“被迫学习”转向“主动驾驭”；同时通过上手实践积累成功经验，提升技术自我效能，这是把外部培训内化为心理资源的关键一环。

对教师关怀工作：同事支持的作用提醒我们，同伴网络本身就是心理健康基础设施。院系可以组织 AI 使用经验分享、建立教师互助社群、设立“AI 答疑岗”，让教师之间形成互帮互学的氛围；学校也应把教师的 AI 使用压力纳入心理健康监测与关怀体系，警惕技术倦怠的隐性积累。

对 AI 治理的启示：评价 AI 引入成效的指标需要扩容——除了效率、质量与诚信之外，还应纳入“教师福祉”维度。只有当教师在使用 AI 中感到胜任、自主与联结，AI 赋能教育才不是一句空话。

精读笔记

核心论点：高校教师的“AI 幸福感”——即使用 AI 过程中的心理福祉——由环境与个人两层面的资源共同塑造：社会支持（同事支持 + 机构支持）提供外部安全网，AI 素养与技术自我效能提供内部心理资源；支持性环境与个人能力互补协同，共同促进教师在 AI 时代的身心健康与专业效能。AI 引入高校的评估框架应把教师心理福祉纳入其中。

方法要点：

提出并操作化“AI 幸福感”这一新构念，把技术接受研究与心理健康研究缝合起来
以 523 名高校教师为样本，样本规模对 SEM 路径估计提供了稳健基础
双维度刻画社会支持（同事/机构），区分环境资源与个人资源，理论层次清晰
SEM 在统一模型中同时估计多条路径并分离测量误差，适合“多前因 → 单结果”的理论检验；图1 以标准化路径系数 + 显著性星号完整呈现假设检验结果

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，因果结论需谨慎
自我报告数据存在共同方法偏差风险
“AI 幸福感”为新构念，其维度结构与量表仍需跨样本、跨文化的进一步验证
样本以高校教师为对象，向中小学教师、企业知识工作者等其他群体外推需谨慎

可延伸方向：

纵向追踪设计，检验“支持与素养提升 → AI 幸福感变化 → 教学科研表现”的时间序列
纳入调节变量（如学科差异、使用强度、机构 AI 政策强度），检验边界条件
引入实际使用行为数据（AI 使用日志、使用频率与场景），连接“幸福感—行为—成效”
干预研究：检验同伴互助项目、AI 素养工作坊对教师 AI 幸福感与倦怠的因果影响
跨文化比较：不同国家高校的制度环境如何调节社会支持对 AI 幸福感的作用强度

原文地址