文献：Kuzu, Ç. İ. (2025). Mathematics teachers’ AI literacy, anxiety, and perceptions of AI integration in mathematics education: A mixed methods study. BMC Psychology, 13. DOI 10.1186/s40359-025-03836-0。

研究问题：人工智能正在迅速进入数学课堂——从给出分步解题过程的大语言模型，到按学生水平推送练习的个性化学习平台，再到自动批改与即时反馈的评估工具。然而，教师是 AI 落地的最终“把关人”：他们是否具备理解与驾驭这些工具的能力（AI 素养），又是否因“机器可能取代教学”或“学生过度依赖”而心怀焦虑？论文要回答两组核心问题：其一，数学教师的 AI 素养与 AI 焦虑之间存在怎样的关系？ 其二，教师如何感知 AI 在数学教育中的整合——他们期待 AI 在解题、练习、评估中扮演什么角色，又顾虑什么？

论证思路：论文采用混合方法设计（mixed methods design），让“关系”与“机制”两层问题互相印证。定量阶段以问卷测量数学教师的 AI 素养与 AI 焦虑水平（主样本 251 名数学教师，另有 300 名教师构成的子样本），检验两个构念之间的关联，回答“是否相关、方向如何”；定性阶段通过访谈深入教师的真实经验，解释定量结果背后的机制，回答“为什么高素养者焦虑更低、教师究竟如何看待 AI 进入数学课堂”。这一设计遵循典型的**解释性序列（explanatory sequential）**逻辑：先以数据确认模式，再以叙事还原意义，最终把“素养—焦虑”的心理关联落实到“解题、练习、评估”这些数学学科特有的教学场景之中。

一、研究背景与切入点：为什么是“数学教师”

关于教师与技术的研究并不少，但多数停留在“教师对技术的总体态度”层面，缺少学科特异性。本文的切入点恰恰在于：数学学科与 AI 的相遇方式与众不同。

• 解题：数学问题有明确的结构与标准答案，AI（尤其是能输出分步演算过程的工具）可以即时给出完整解法，天然适配“示范—模仿”的教学逻辑；
• 个性化练习：数学学习高度依赖足量的分层练习，自适应练习平台能够根据学生的错误模式动态调整题目难度与类型，这是其他学科难以复制的整合场景；
• 评估：客观题、计算题甚至部分证明题的批改可以自动化，AI 能提供即时反馈与错误归因，直接改变传统“教师改作业—学生等反馈”的周期。

正是这种高匹配度，使数学教师站在了 AI 整合浪潮的最前沿，也使其焦虑与素养问题具有独特的紧迫性：如果连结构化程度最高的数学学科教师都抗拒或恐惧 AI，那么 AI 教育整合的普遍前景就需要重新审视。 论文将 AI 素养研究与数学教育研究对接，为这一交叉地带提供了实证证据。

二、混合方法设计：问卷量化与访谈深挖

定量部分以 251 名数学教师为主样本（并辅以 300 名教师构成的子样本），采用成熟的量表测量两个核心构念：

• AI 素养（AI literacy）：教师理解 AI 的基本原理、能力边界、伦理议题，并能在教学情境中有效选择与使用 AI 工具的综合能力；
• AI 焦虑（AI anxiety）：教师面对 AI 进入课堂时的紧张、不安与威胁感，包括对“被取代”“教错内容”“失去控制”的担忧。

统计上检验 AI 素养与 AI 焦虑的关联强度与方向，同时比较不同背景（教龄、学段、任教年级、既往 AI 使用经验等）教师群体的差异，为“谁更需要支持”提供画像。

定性部分通过访谈收集教师对 AI 整合的叙事性经验，重点覆盖三类数学教学场景——解题、个性化练习、评估，并追问教师感知到的障碍、期待与支持需求。访谈资料经系统分析后提炼主题，与定量结果互证：定量发现“素养高→焦虑低”的总体模式，定性资料则解释这一模式在具体课堂中如何展开——高素养教师如何把 AI 重新定义为工具而非对手，焦虑教师的具体担忧又源于何处。

三、定量发现：AI 素养与焦虑的负向关系

定量结果的核心是一条清晰的负向关系：数学教师的 AI 素养越高，其 AI 焦虑水平越低。这一发现意味着，焦虑并不是对 AI 本身的“本能反应”，而是与教师对 AI 的认知与掌控感密切相关——理解 AI 能做什么、不能做什么、边界在哪里，本身就是缓解焦虑的资源。图1 汇总了本研究的主要结果，直观呈现了素养、焦虑与整合感知之间的关联格局。

与之配套的发现还包括：

• 素养与感知联动：AI 素养较高的教师不仅焦虑更低，对 AI 整合的感知也更为积极——他们更倾向于把 AI 视为教学的补充工具，而非威胁；
• 焦虑的差异化分布：不同背景的教师群体焦虑水平存在差异，缺乏 AI 使用经验、教龄较长的教师往往处于更高焦虑的一侧，提示培训资源需要向特定群体倾斜。

需要强调的是，251 名主样本与 300 名子样本的交叉印证，使得“素养—焦虑”负向关系并非单一小样本的偶然结果，而具有一定的稳健性。

四、定性机制：教师眼中 AI 如何进入数学课堂

（一）被期待的整合场景：解题、个性化练习与评估

访谈揭示了教师对 AI 整合最积极的三类期待，恰与数学学科的天然契合点一一对应：

1. 解题支持：教师认可 AI 提供分步解法与多种思路的价值，认为它可以帮助学生看到“卡住之后如何继续”，也能为教师备课提供新解法参考；
2. 个性化练习：自适应练习平台按学生水平动态出题、即时反馈错误，被教师视为缓解“班级内水平差异大、难以兼顾”这一老大难问题的潜在工具；
3. 评估效率：自动批改与即时反馈减轻了机械性批阅负担，使教师得以把时间投向更需要人的判断力的环节——如分析错误模式、设计补救教学。

（二）顾虑与障碍：焦虑在课堂层面的具体化

但访谈同样呈现了焦虑的真实面孔，它们构成了 AI 整合的阻力：

• 学生依赖与基础能力流失：教师普遍担心学生直接用 AI 获取答案，跳过思考过程，导致计算能力、推理能力与“做数学”的意志力退化——这是数学教师最集中的忧虑；
• 正确性与可信度：AI 在数学推理上仍会犯错，教师担心“教错”——把不严谨甚至错误的解法传递给学生，损害学科严谨性；
• 教学自主与专业身份：部分教师感到 AI 介入可能削弱教师对课堂的主导权，甚至带来“被机器评判教学”的不适；
• 资源与培训缺位：缺乏适配数学场景的工具使用培训、缺少设备与网络条件，使“想用而不会用、不能用”成为现实障碍。

这些质性主题与定量结果互相咬合：焦虑不是抽象的，而是具体化为“怕学生退化、怕教错、怕失去控制、怕没人教我怎么用”——这正是“素养提升可以降低焦虑”这一定量结论的机制注脚。

五、讨论与对数学教师培训的启示

论文的讨论把定量关联与定性机制收拢为一条对实践的清晰建议链：

1. 把“素养培训”当作“焦虑干预”来做。既然 AI 素养与 AI 焦虑呈负向关系，那么教师培训的首要杠杆就是提升素养——尤其是针对高焦虑群体（无使用经验、年长教师）设计入门级、低门槛的培训，先解决“不知道 AI 能干什么”的认知空白，再谈整合。
2. 培训必须学科化。通用“AI 概论”式培训对数学教师帮助有限；有效的培训应直接落在解题、个性化练习、评估这三个数学教学场景中，演示“AI 如何辅助而非替代”的具体课例。
3. 正面回应顾虑，而非回避。培训与学校政策需要直面“依赖、正确性、自主性”三大担忧：例如建立“何时允许学生使用 AI、何时必须独立完成”的课堂规范，教授教师如何验证 AI 解法的正确性，并明确 AI 辅助下教师专业判断的不可替代位置。
4. 提供结构性支持。设备、网络、备课时长等资源条件是访谈反复出现的障碍，单靠教师个体努力无法消除——学校与教育行政部门需把 AI 整合的支持系统作为整体工程来设计。

精读笔记

核心论点：数学教师的 AI 素养与 AI 焦虑呈负向关系——素养越高，焦虑越低，且素养更高者对 AI 整合的感知更积极。教师对 AI 进入数学课堂的感知高度学科化：解题、个性化练习、评估是被期待的主要整合场景，而“学生依赖导致基础能力流失、AI 解法正确性、教学自主性、资源与培训缺位”是主要障碍。据此，论文主张把提升 AI 素养作为降低焦虑、推动整合的首要干预杠杆，且培训必须落在数学学科的具体教学情境中。

方法要点：

• 混合方法（解释性序列设计）：251 名数学教师主样本（另加 300 名子样本）的量化测量确立“素养—焦虑”关联，访谈的质性分析解释其机制，实现了“相关证据 + 意义解释”的双层证据链
• 学科情境化测量与访谈：把构念测量与访谈提纲锚定在解题、个性化练习、评估三个数学教学场景，避免泛化的“教师态度”研究
• 双样本交叉印证：主样本与子样本相互印证，提高了“素养—焦虑”负向关系的稳健性
• 混合方法的内在互补：定量回答“是否相关、方向如何”，定性回答“为何如此、在什么情境下如此”，两者互补而非简单并列

局限与边界：

• 横断面设计，“素养高→焦虑低”的方向基于理论推断，无法排除反向路径（如低焦虑者更愿意学习 AI 因而素养更高）或第三变量的影响
• 素养与焦虑均为自我报告测量，存在共同方法偏差与社会赞许性的可能
• 样本为特定地区/教育体系内的数学教师，结论向其他学科、学段与文化情境外推需谨慎
• 混合方法中定量与定性的整合深度受篇幅限制，“素养—焦虑”关联与质性主题之间的因果对接仍需更严格的检验
• AI 素养与焦虑的测量边界随技术快速迭代（如生成式 AI 的普及），量表的时效性可能限制结论的长期适用性

可延伸方向：

• 纵向追踪设计：检验“素养提升→焦虑下降→整合行为增加”的时间次序，区分短期接触与长期使用的影响
• 干预研究：评估“学科化 AI 素养培训”能否在实证上降低数学教师的焦虑、提高课堂整合质量，并追踪学生结果（成绩、推理能力、AI 依赖程度）
• 扩展比较：将数学教师与语文、科学等学科教师对比，检验“学科—AI 匹配度”对素养—焦虑关系的调节
• 深化机制：把技术接受模型（TAM）、TPACK 等框架与“素养—焦虑”关系整合，构建更完整的数学教师 AI 整合理论模型
• 关注学生端：学生使用 AI 完成数学作业的真实行为与教师担忧之间的匹配度，为“何时允许、何时禁止”的课堂规范提供实证依据

原文地址

• DOI：10.1186/s40359-025-03836-0
• 期刊：BMC Psychology, 2025, Vol. 13（IF 3.0，Q1）
• 图表来源：原文 Figure（研究结果图，开放获取）