智能时代大学教师的技术压力与教学创新：工作倦怠与 AI 自我效能感的路径分析

文献：Wu, Q., & Yang, X. (2026). Techno-stress and teaching innovation among university teachers in the intelligent era: A path analysis of job burnout and AI self-efficacy. Frontiers in Psychology, 17, Article 1861301. DOI 10.3389/fpsyg.2026.1861301。

研究问题：智能技术深度嵌入教育实践之后，一个矛盾变得突出——技术应用带来的压力，与教学创新的内在要求，如何平衡？工作倦怠反映个体在长期技术压力下的情绪耗竭状态，AI 自我效能感则是个体对自己使用 AI 工具能力的信心。论文要回答：技术压力、工作倦怠、AI 自我效能感与教学创新四者之间，究竟存在怎样的传导路径？

论证思路：研究以工作需求—资源模型（Job Demands-Resources Model, JD-R）为理论基础，构建了一个链式中介模型——技术压力既直接抑制教学创新，又分别通过工作倦怠（负面路径）和 AI 自我效能感（资源路径）间接起作用，两条路径还可以串联：技术压力 → 工作倦怠 → AI 自我效能感 → 教学创新。研究采用分层随机抽样收集了 819 名高校教师的有效问卷，用基于协方差的结构方程模型（CB-SEM）做模型检验与路径效应分析。

一、理论基础：为什么用 JD-R 模型

工作需求—资源模型（JD-R）的核心假设：任何职业都有工作要求与工作资源两类特征。工作要求消耗精力，长期累积导致倦怠；工作资源提供支持与成长，激发投入与创新。技术压力正是一种典型的工作要求——智能工具更新快、学习成本高、随时在线的连通压力，都会消耗教师的心力资源；而 AI 自我效能感可以看作一种个人资源——相信自己能用好 AI 工具，会减轻技术压力的消极影响，甚至把压力转化为探索教学创新的动力。

作者指出，以往研究多把技术压力与教学创新作为“直接对立”的两端，或只检验单一中介。两个心理变量（倦怠与自我效能）如何共同构成传导链条，仍缺乏清晰解释——这正是本文的切入点。

二、研究方法与样本

样本：分层随机抽样，来自多所高校的 819 名在职教师（有效问卷）
测量：技术压力、工作倦怠、AI 自我效能感、教学创新四个量表
分析：CB-SEM 模型检验 + 路径效应分解（直接效应、间接效应、链式中介效应）
分组比较：性别、年龄等群体间的教学创新水平差异检验

样本的人口学分布如下（原文 Table 1）：

变量	类别	人数	占比（%）
性别	男	441	53.85
性别	女	378	46.15
年龄	30 岁以下	134	16.36
	31–40 岁	268	32.72
	41–50 岁	230	28.09
	51 岁及以上	187	22.83
学历	本科	144	17.58
	硕士	253	30.89
	博士	422	51.53
教龄	0–3 年	169	20.63
	4–7 年	231	28.21
	8–15 年	251	30.65
	16 年及以上	168	20.51
职称	讲师	279	34.07
	副教授	317	38.70
	教授	223	27.23

三、核心发现

1. 技术压力显著负向预测教学创新。 技术压力越大，教师越少开展教学创新——直接效应为负且显著（B = −0.280，p = 0.004），说明压力本身就会挤占创新空间。

2. 全部六条路径假设均获支持。 原文结构模型的路径检验结果（原文 Table 9）：

假设路径	B	β	SE	T	p	结果
技术压力 → 教学创新	−0.280	−0.121	0.096	−2.913	0.004	支持
技术压力 → 工作倦怠	0.601	0.596	0.044	13.762	<0.001	支持
技术压力 → AI 自我效能感	−0.356	−0.330	0.048	−7.383	<0.001	支持
工作倦怠 → AI 自我效能感	−0.423	−0.396	0.050	−8.534	<0.001	支持
工作倦怠 → 教学创新	−0.482	−0.211	0.100	−4.824	<0.001	支持
AI 自我效能感 → 教学创新	0.484	0.226	0.100	4.847	<0.001	支持

3. 效应分解：三条中介路径（原文 Table 10）。

效应	路径	B	β	占比	95% CI (LLCI–ULCI)
总效应	技术压力 → 教学创新	−0.864	−0.375	100%	−0.456 ~ −0.302
直接效应	技术压力 → 教学创新	−0.280	−0.121	32.27%	−0.213 ~ −0.030
间接效应	技术压力 → 工作倦怠 → 教学创新	−0.290	−0.126	33.60%	−0.187 ~ −0.069
	技术压力 → AI 自我效能感 → 教学创新	−0.172	−0.075	20.00%	−0.120 ~ −0.041
	技术压力 → 工作倦怠 → AI 自我效能感 → 教学创新	−0.123	−0.053	14.13%	−0.087 ~ −0.029

具体来看三条中介路径的方向与含义：

工作倦怠的中介效应占总效应的 33.60%：技术压力 → 情绪耗竭 → 创新意愿下降。压力先“烧干”心力，再传导为创新行为减少。
AI 自我效能感的中介效应占总效应的 20.00%：技术压力削弱教师对 AI 工具的自信（B = −0.356），而自我效能感反过来显著促进教学创新（B = 0.484）——这是压力之外的第二条通道。
链式中介效应占总效应的 14.13%：技术压力通过“工作倦怠 → AI 自我效能感”的串联路径影响教学创新——倦怠会进一步侵蚀教师对使用 AI 的信心（B = −0.423），形成“压力 → 耗竭 → 自我怀疑 → 创新停滞”的完整链条。

4. 群体差异。 不同性别、不同年龄的教师群体，教学创新水平存在显著差异。

三条中介路径合计解释了技术压力与教学创新总效应的 67.73%——压力对创新的影响，绝大部分不是“直接打过去”的（直接效应仅占 32.27%），而是通过倦怠与自我效能这两层心理机制传导的。

四、对高校教学实践的启示

对教师个体：AI 自我效能感是一条可干预的“缓冲带”——与其对抗技术压力本身，不如提升自己驾驭 AI 工具的信心。低自我效能感会在压力与倦怠之间形成恶性循环，而每一次“成功用 AI 解决一个教学问题”的小经验，都是在给这条资源通道充值。

对学校管理者：倦怠中介占比最高（33.60%），提示组织层面的支持要优先放在“减负”上——稳定可预期的技术环境、培训与容错空间，比单纯催促“多用 AI”更能保住教师的创新意愿。若只加压不减压，压力会先变成倦怠，再通过自我效能感的坍塌进一步摧毁创新。

对教育技术研究者：JD-R 框架下“工作要求—个人资源”的双通道解释力强，可迁移到其他新兴技术（如生成式 AI 助教、智能评估系统）对教师的长期影响研究中。

精读笔记

核心论点：智能时代的技术压力并不直接“杀死”教学创新，而是通过工作倦怠（耗竭通道）与 AI 自我效能感（资源通道）两条心理路径、乃至二者的串联链条传导——干预“中间层”比对抗压力本身更有效。

方法要点：

链式中介模型（JD-R 理论驱动）比单一中介更贴近真实心理过程
CB-SEM 适合验证理论驱动的路径结构；效应分解（直接/间接/链式）让结果可量化比较
分层随机抽样 + 819 样本量，为路径估计提供了稳健基础

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（作者在方法部分做了相应检验）
样本以中国高校教师为主，跨文化推广需谨慎

可延伸方向：

纵向追踪设计，检验“压力 → 倦怠 → 自我效能 → 创新”的时间先后性
把组织支持（学校技术培训、领导支持）作为调节变量纳入模型
结合生成式 AI 普及的新情境，重测 AI 自我效能感的测量维度

原文地址