职前 STEM 教师 AI 教学准备度的影响机制：基于 PLS-SEM 与 fsQCA 的实证分析

文献：Chen, L., et al. (2026). The mechanisms influencing AI teaching readiness among preservice STEM teachers: An empirical analysis based on PLS-SEM and fsQCA. Frontiers in Psychology, 17. DOI 10.3389/fpsyg.2026.1868148。Frontiers in Psychology，IF 2.9（Q1）。

研究问题：人工智能正在重塑课堂教学形态，STEM 教师作为技术整合的关键人群，其“是否准备好把 AI 用于教学”直接决定 AI 教育的落地质量。然而已有研究多聚焦在职教师的 AI 使用意向，对**职前教师（师范生）**这一特殊群体的关注明显不足——他们尚未进入真实课堂，却将在未来几年内承担 AI 融入 STEM 教学的任务。论文要回答的核心问题是：哪些因素影响职前 STEM 教师的 AI 教学准备度？这些因素之间是简单的线性叠加，还是存在多条可等价实现的路径？

论证思路：论文采用”净效应 + 组态“的双重分析框架。一方面，以自我效能、TPACK（技术—教学—内容知识）、态度、机构支持等为前因变量，用偏最小二乘结构方程模型（PLS-SEM）检验各因素对 AI 教学准备度的独立净效应；另一方面，用模糊集定性比较分析（fsQCA）考察这些条件如何以组合方式共同产生高准备度——承认”殊途同归”（equifinality），即不存在唯一的成功配方，而是存在多条等价路径。研究以 **633 名职前 STEM 教师（师范生）**为样本，通过问卷调查收集数据。

原文图2 AI教学准备度结果 — 图2（原文 Figure 2）AI 教学准备度分析结果

一、方法：PLS-SEM 与 fsQCA 的互补设计

两种方法回答的问题并不相同，这正是本文方法设计的巧妙之处：

PLS-SEM 回答“每个因素有多重要”：在预测导向的结构方程框架下，分别估计自我效能、TPACK、态度、机构支持等变量对 AI 教学准备度的路径系数，检验其显著性、效应量与模型解释力（R²），识别具有普遍性的核心驱动因素；
fsQCA 回答“哪些因素组合足以产生高准备度”：基于集合论做必要性（某条件是否在一切高准备度案例中都出现）与充分性（哪些条件组合足以导致高准备度）分析，输出多条组态路径，并以一致性与覆盖率评估解的质量。

二者结合的意义在于：回归类方法假设因素之间可加、可替代，容易忽视条件间的互补与替代关系；fsQCA 则能捕捉“同一结果可由不同条件组合实现”的非线性逻辑。对 633 名参与者的数据分析正是沿着这两条线索展开——PLS-SEM 给出平均意义上的净效应图谱，fsQCA 给出面向不同人群的差异化路径图谱。

二、核心发现：净效应视角下的关键驱动因素

PLS-SEM 的结果显示，AI 教学准备度并非由单一因素决定，而是多个因素共同作用的结果，其中：

自我效能是重要的基础性驱动因素：当职前教师相信自己有能力使用 AI 工具、并能应对课堂中的技术意外时，其 AI 教学准备度显著更高；
TPACK 同样发挥关键作用：技术知识只有与学科教学知识融合（如“用 AI 辅助物理实验设计”“用 AI 生成数学问题情境”），才能转化为真实的课堂准备；
态度构成认知到行动的桥梁：对 AI 的积极信念与情感倾向，为技能转化为准备度提供动机基础；
机构支持提供外部条件：师范院校的课程安排、技术设施与实习机会等制度性支持，构成个体因素发挥作用的土壤。

值得注意的是，净效应模型只能告诉我们“平均而言谁更重要”，却无法回答“某类师范生即使某项条件较弱，是否仍有办法达到高准备度”——这正是组态分析要补充的视角。

三、组态路径：高 AI 教学准备度的多条等价路径

fsQCA 的结果揭示了比净效应更丰富的图景：存在多条等价路径（equifinal configurations）通向高 AI 教学准备度，不同职前教师可以“殊途同归”。

典型路径之间的差异体现为核心条件与边缘条件的重新组合。例如：

个体驱动型路径：高自我效能 × 高 TPACK × 积极态度组合——即使机构支持较弱，个体内部资源充沛的师范生仍能达到高准备度；
支持补偿型路径：强机构支持 × 积极态度组合——当课程与实习提供充分的外部脚手架时，可部分补偿自我效能或 TPACK 的不足；
知识奠基型路径：高 TPACK × 高自我效能组合——强调技术—教学—内容整合知识作为不可替代的基石。

这些路径的共存意味着：师范教育不需要追求统一的“最优培养模式”，而应根据不同学生的起点与所处环境，配置差异化的支持组合。图 2 汇总了 PLS-SEM 与 fsQCA 两部分的 AI 教学准备度分析结果，直观呈现了各条件的相对重要性以及组态路径的分布。

四、对师范教育 AI 课程设计的启示

课程目标从“会用工具”升级为“建立自我效能”：仅开设 AI 工具操作课不够，应通过真实教学设计任务、同伴示范与成功体验，让师范生相信自己“教得了 AI 课”；
把 TPACK 融入学科教学法课程：AI 素养不应是孤立课程，而应嵌入各学科教学法，帮助师范生在具体学科情境中思考“AI 能做什么、何时用、为何用”；
态度培养早于、并贯穿技能训练：通过 AI 教学案例研讨、伦理议题辩论与实习中的正向体验，塑造对 AI 的理性积极态度；
提供多元支持组合，而非单一标准路径：根据 fsQCA 的等价路径证据，为不同起点的师范生提供差异化组合（如对效能感低者加强成功体验与导师支持，对知识薄弱者强化 TPACK 训练），实现“因材施教”式的准备度提升；
将机构支持制度化：技术设施、课程标准与实习基地等外部条件，是补偿个体短板的重要杠杆，应纳入师范院校 AI 教育规划的整体设计。

精读笔记

核心论点：职前 STEM 教师的 AI 教学准备度由自我效能、TPACK、态度与机构支持共同塑造；不存在单一决定因素，而是存在多条可等价的组态路径——师范教育应据此设计差异化的培养组合，而非追求统一的“标准配方”。

方法要点：

PLS-SEM + fsQCA 方法互补是本文最大亮点：前者检验各因素的净效应（“谁重要”），后者检验条件组合的充分性（“怎样组合才够”），兼顾平均规律与个体差异
聚焦职前教师这一被忽视的群体，将 AI 教学准备度研究从在职教师拓展到师范生培养阶段
633 名参与者提供较充足的样本量，支撑结构方程与组态分析的稳定性要求
必要条件与充分条件分析的区分，使结论在“不可或缺”与“足以达成”两个层面都得到检验

局限与边界：

自评量表测量 AI 教学准备度，可能受社会期望偏差影响，缺少课堂行为层面的客观验证
横断面设计无法确证因果方向，自我效能与准备度之间可能存在双向关系
样本集中于特定地区或院校的师范生，结论向其他文化情境与学科（非 STEM 学科）推广需谨慎
组态分析中条件变量的取舍带有研究者判断，不同条件集可能得到不同解

可延伸方向：

追踪研究：检验职前阶段的高准备度能否预测入职后的真实 AI 教学行为
干预实验：依据组态路径设计差异化培养方案，验证“补偿型”路径是否真的有效
扩展对象：将职前教师拓展至非 STEM 学科与不同培养层次（本科/硕士/公费师范生）
跨文化比较：在制度支持差异较大的国家或地区间比较组态路径的异同

原文地址