什么影响了人工智能教育的教学效果？*——基于教师技术认知和教学实践层面的分析

2022-08-25李世瑾顾小清

现代教育技术 2022年8期

李世瑾顾小清

李世瑾顾小清[通讯作者]

（华东师范大学教育信息技术学系，上海 200062）

目前，人工智能已被逐步应用于教育实践，而教学效果决定了人工智能教育的实践进程。为保障人工智能教育的有序推进，文章以1638位中小学教师为研究对象，从技术认知和教学实践两个层面，采用量化方法分析了人工智能教学效果的影响因素，以及不同性别、学历、教龄、学段、学科教师在教学效果方面的差异化表现。研究发现，影响人工智能教学效果六个因素的效应水平依次为：组织支持＞课堂文化＞能力感知＞价值感知＞活动内容＞教学设计；不同性别、教龄、学段教师的教学效果存在显著差异，但在学历、学科上的差异表现未达到显著水平。基于研究结果，文章从协同多元力量、关注实践差距、优化设计内容等角度针对人工智能教育实践的开展提出建议，以期科学推动人工智能教育实践，提升人工智能教育的教学效果。

人工智能教育；教学效果；技术认知；教学实践

新一代人工智能为教育生态注入了新动能，同时也激发了教育工作者参与智能化实践的热情和信心。然而，理性看待人工智能教育的实践效果，其现实表现并不尽如人意。一项元分析结果表明，智能导学系统对学生成就的正向效应值仅为0.09[1]。若借助智能技术干预，会让表现不佳的学生感到恐惧，甚至加剧学生的同质化倾向[2]。此外，人工智能教育实践还存在一定的风险，如李世瑾等[3]从管控视角阐释了智能技术还原教育世界的本体风险、认识风险、价值风险和伦理风险，并从复杂性治理范式、多主体协同机制、多元创新方法论等层面提出了应对智能教育风险的出路；吴河江等[4]指出了人工智能教育应用的潜在风险类型，并提出了有效规避策略。此外，还有学者运用复杂系统科学理论，提出人工智能教育面临实践质量不充分、基础理论研究较薄弱、实践应用领域不均衡等问题[5]。基于现有研究不难发现，有关人工智能教育的实践效果审视聚焦于方法推介或风险阐释层面，鲜有研究从量化视角回应其影响因素与效应水平。因此，本研究采用问卷调查法，从教师技术认知和教学实践两个层面，分析人工智能教学效果的影响因素，并探究不同性别、学历、教龄、学段、学科教师在教学效果方面的差异化表现，以期为推动人工智能教育实践提供合理依据和有效参照。

一研究设计

1 调查问卷编制

本研究编写了“中小学人工智能教育的教学效果”调查问卷，采用李克特五点量表计分，内容分为两部分：第一部分为基本情况调查，包括性别、学历、教龄、学段、学科等人口学信息，以及教师对人工智能教育的了解程度、技术操作熟练度和实践态度等应用情况；第二部分为人工智能教学效果的影响因素调查，分别从“技术认知”和“教学实践”层面进行系统分析。

①技术认知层面：技术认知是教师对人工智能教学的主观认识和实践倾向，其中，能力感知与价值感知是影响教师开展人工智能教学的关键因素[6][7]。能力感知是教师认为自身具备开展人工智能教学的能力程度，而价值感知是教师相信开展人工智能教学对自身工作绩效和教学目标的实现程度。基于此，本研究借鉴Davis[8]、Venkatesh[9]等设计的技术接受度量表，围绕能力感知和价值感知两个子维度，共设计了6道测试题。

②教学实践层面：教学实践是教师开展人工智能教学的真实体验，以及实践进程中面临的行动挑战。结合人工智能教学实践的内涵，本研究参照改革教学观察协议（Reformed Teaching Observation Protocol，RTOP）[10]，分别从人工智能教学设计、活动内容、课堂文化、组织支持四个子维度，共设计了14道题。其中，人工智能教学设计强调使用智能化教具，帮助学生创造性地解决复杂问题；活动内容重视通过陈述性和程序性的组织方式，勾勒人工智能应用的具体情境，培养学生的人工智能素养；课堂文化关注人工智能教学的愉悦氛围，包括积极的交流互动和良好的师生关系；组织支持则是人员队伍、智能装备、经费保障和管理制度对人工智能教学的支持力度。

③教学效果：教学效果关注教师、学生和应用效益等方面的变化情况，基于人工智能教学效果的界定范畴，本研究参照Wang等[11]设计的人工智能教学问卷，围绕教学效率、学业成就、智能应用效益设计了3道题目。

2 问卷信效度检验

经计算，调查问卷各维度的信度系数均在0.9以上，说明问卷具有较好的内部一致性。效度检验方面，KMO值为0.969，Bartlett’s球形检验的c2值达到0.05显著水平，即测试题的相关矩阵之间存在共同因素，适合进行因子分析。进一步采用主成分分析法，并经过方程最大化正交旋转，从问卷的原始指标萃取出6个主因子，分别对应能力感知、价值感知、教学设计、活动内容、课堂文化、组织支持，此时因子荷量均在0.600以上，总体方差解释为69.976%，满足统计学因素负荷量大于0.45和累积解释变量大于60%的要求，说明该问卷效度良好。

3 数据收集过程

本研究采用整群抽样和方便抽样相结合的方式确定调查对象：首先采用整群抽样法从34个省级行政区随机抽取东部、中部和西部15个样本省级行政区作为一级抽样单位，然后从15个样本省级行政区随机抽取48个地级市作为二级抽样单位，最后按照方便抽样原则抽取96所中小学作为三级抽样单位。在整个抽样过程中，本研究将“开展人工智能教育实践”作为遴选标准。2021年7月，本研究采用网络问卷形式，开展了为期四周的数据采集工作，共收回1758份问卷，其中有效问卷1638份，有效率约达93%。

图1 人工智能教学效果的测评分析框架

4 数据分析过程

数据分析过程如下：首先，根据有效调查问卷确认教师开展人工智能教学的基本情况；然后，从技术认知和教学实践两个层面，探讨能力感知、价值感知、教学设计、活动内容、课堂文化和组织支持对教学效果的具体影响；最后，探究不同性别、学历、教龄、学段、学科教师在各影响因素和教学效果方面的差异化表现，具体如图1所示。

二研究结果

1 教师开展人工智能教学的基本情况

本研究中，中小学教师的基本情况包括性别、学历、教龄、学段、学科等人口学信息，以及教师对人工智能教育的了解程度、技术操作熟练度和实践态度等应用情况，如表1所示。

2 人工智能教学效果的影响因素

本研究首先分析了样本数据的相关性，发现能力感知、价值感知、教学设计、活动内容、课堂文化、组织支持两两之间均显著相关，且这六个因素与教学效果的相关系数分别为0.753、0.736、0.759、0.822、0.839、0.628。之后，本研究采用多元线性回归与路径分析，探索各因素对教学效果的影响水平，结果发现：能力感知（=0.000＜0.05）、价值感知（=0.000＜0.05）、教学设计（=0.031＜0.05）、活动内容（=0.001＜0.05）、课堂文化（=0.000＜0.05）、组织支持（=0.000＜0.05）对人工智能教学效果均有显著影响，且共同解释教学效果总变异量的78.7%。

3 不同性别、学历、教龄、学段、学科教师的差异化表现

①不同性别教师的差异化表现：男教师和女教师在教学效果上存在显著差异（=0.003＜0.05），且男教师表现更佳（t=3.011）。具体来说，不同性别教师在能力感知（=0.001＜0.05，t=3.446）、价值感知（=0.000＜0.05，t=3.670）、教学设计（=0.008＜0.05，t=2.641）、活动内容（=0.019＜0.05，t=2.356）、课堂文化（=0.027＜0.05，t=2.209）、组织支持（=0.015＜0.05，t=2.443）等维度均存在显著差异，且男教师的表现水平均优于女教师。

②不同学历教师的差异化表现：不同学历教师在教学效果上的差异表现未达到显著水平（=0.279＞0.05），但不同学历教师在能力感知（=0.031＜0.05）、价值感知（p=0.009＜0.05）、教学设计（=0.023＜0.05）、活动内容（=0.003＜0.05）、课堂文化（=0.006＜0.05）、组织支持（=0.003＜0.05）等维度均达到显著差异水平。进一步通过事后多重比较，可以发现：能力感知、价值感知、教学设计、活动内容、课堂文化等维度的效应水平为博士＞硕士＞本科＞专科，而组织支持维度的效应水平依次为博士＞硕士＞专科＞本科。

③不同教龄教师的差异化表现：不同教龄教师在教学效果上存在显著差异（=0.000＜0.05），且效应水平依次为2年以下＞2～5年＞11～15年＞6～10年＞16年以上。具体来说，不同教龄教师在能力感知（=0.000＜0.05）、价值感知（=0.000＜0.05）、教学设计（=0.000＜0.05）、活动内容（=0.000＜0.05）、课堂文化（=0.000＜0.05）、组织支持（=0.000＜0.05）等维度均存在显著差异。进一步通过事后多重比较，可以发现：能力感知维度的效应水平依次为2年以下＞2～5年＞11～15年＞6～10年＞16年以上，价值感知维度的效应水平依次为2～5年＞11～15年＞2年以下＞6～10年＞16年以上，教学设计、活动内容维度的效应水平依次为2～5年＞2年以下＞11～15年＞6～10年＞16年以上，而课堂文化、组织支持维度的效应水平依次为2年以下＞2～5年＞11～15年＞6～10年＞16年以上。

④不同学段教师的差异化表现：不同学段教师在教学效果上存在显著差异（=0.000＜0.05），且效应水平依次为小学＞初中＞高中。具体来说，不同学段教师在能力感知（=0.003＜0.05）、价值感知（=0.000＜0.05）、课堂文化（=0.031＜0.05）三个维度存在显著差异，但在教学设计（=0.767＞0.05）、活动内容（=0.285＞0.05）、组织支持（=0.185＞0.05）三个维度不存在显著差异。进一步通过多重比较，可以发现：能力感知、价值感知维度的效应水平依次为小学＞初中＞高中，课堂文化维度的效应水平依次为初中＞小学＞高中。

⑤不同学科教师的差异化表现：不同学科教师在教学效果上的差异表现未达到显著水平（=0.320＞0.05）。具体来说，不同学科教师在教学设计（=0.236＞0.05）、活动内容（=0.539＞0.05）两个维度不存在显著差异，但在能力感知（=0.000＜0.05）、价值感知（=0.021＜0.05）、课堂文化（=0.045＜0.05）、组织支持（=0.000＜0.05）四个维度存在显著差异，且体育、信息技术、物理和通用技术学科的教师表现较佳。

三研究讨论

1 教师的技术认知和教学实践对人工智能教学效果有正向影响

根据研究结果可知，教师技术认知和教学实践层面的六个因素均能正向影响人工智能教学效果，且效应水平依次为组织支持＞课堂文化＞能力感知＞价值感知＞活动内容>教学设计。这意味着要提高教学效果的首要任务是提供充分的组织支持，创设智力流动的文化环境。也就是说，当使能条件越丰富时，教师的努力期望愈加明显，实践成效也越显著[12]。这是因为，人工智能教学是前进性和曲折性的统一体，当组织支持或课堂文化越理想时，教师就越能感知到人工智能教学的现实必要性，也就越容易产生实践动力和信心，从而获得更高水平的教学效果。

能力感知和价值感知对人工智能教学效果的影响次之，其原因可能在于教师的能力感知越充分，就越倾向于创新设计教学内容和活动流程，主动走出传统教学的舒适区。在这个过程中，教师对人工智能教育的价值感知和实践信念也较高，期待通过持续投入时间和精力，促使教学实践发生颠覆性创新。因此，我们应充分激发教师能力认知的积极心理和效能期待，并驱动教师开展人工智能教学，从而循序渐进地提升人工智能教学效果。

活动内容和教学设计也正向影响人工智能教学效果，即可以通过选择、组织、设计合理的活动内容和教学支架，来保障教学实践的有效性。Mayer[13]强调基于科学的教学设计原则，能够塑造学生积极、努力的人格倾向与心理范式，帮助不同认知水平的学生在刺激联结中建立技术应用的融合模式，最终实现对技术知识的内化与重组。因此，科学界定人机协同的技术规则，选取合理的课程资源和智能工具，正是人工智能教育实践科学落地的关键。

2 不同性别、学历、教龄、学段、学科教师的差异化表现分析

根据研究结果可知，在性别方面，男教师的教学效果更加显著，且在各影响因素上的表现均优于女教师。这是因为，源自技术感知优势，男教师对人工智能教学表现出更为浓厚的兴趣，且更愿意付出足够的努力，探索人工智能知识和教学实践策略[14]。因此，在中小学人工智能教学实践的进程中，必须高度关注女教师的消极表现，可利用同侪影响和榜样示范等途径，调节女教师对人工智能技术应用的感知偏颇，从而缩小不同性别教师智能化教学效果的差距。

在学历方面，不同学历教师的教学效果并不存在显著差异，但在各影响因素上的表现存在显著差异，且博士、硕士学历明显优于本科、专科学历。这是因为，人工智能教学实践尚处于探索阶段，不同学历教师群体的认知水平和精力投入整体处于中间状态，故教学效果整体不存在显著差异。但由于博士、硕士学历的教师已经体验过人工智能实践项目或具有人工智能学习经历，因此其更容易适应人工智能教学实践流程，也更愿意探索智能化实践策略。

在教龄方面，不同教龄教师在各影响因素及教学效果上均存在显著差异，且效应水平依次为2年以下＞2～5年＞11～15年＞6～10年＞16年以上。通过对比可知，教龄处于5年以内的教师多为新晋年轻教师，他们期待快速提升教学绩效，加上年轻教师比较擅长创新探索与创意实现的活动设计，故能够取得相对满意的教学效果。而教龄处于10年以上的教师多为年长型教师，他们由于长期受传统教学理念的熏陶，容易对人工智能教学产生恐惧甚至排斥心理，同时受职业倦怠的影响，其努力程度和绩效期待也随之降低，故在人工智能实践教学中表现不佳。

在学段方面，不同学段教师在能力感知、价值感知、课堂文化、教学效果上存在显著差异，且相较于高中教师，小学、初中教师的表现更佳。这是因为，学习是情境性活动，关注实践共同体合法的边缘性参与[15]。也就是说，小学和初中阶段强调学生探究意识及创意想法的萌生，故教师期待通过人工智能实践活动，激发学生积极创新的动机意识。而高中阶段的教学任务及课业负担更为繁重，教师普遍重视学生学科知识和专业技能的习得，以及教学活动的“有效输出”。在这种情境下，教师的主观意愿和实践信念也随之弱化，很难获得相对满意的教学效果。

在学科方面，不同学科教师的教学效果并不存在显著差异，但在能力感知、价值感知、课堂文化、组织支持上存在显著差异，且排名前三的学科为体育、信息技术、通用技术。究其原因，可能在于人工智能的发展热潮起源于体育竞技产业[16]，体育教师由于长期受智能体育的专业熏陶，更愿意持续投入足够精力，设计兼具创意与成效的活动流程；而信息技术、通用技术教师作为国内人工智能课程资源的骨干设计者，能够依托原有创新经验，将人工智能元素有效融入教学设计和组织活动，因此主观层面的能力感知、价值感知、课堂文化、组织支持等表现相对较佳。

四中小学开展人工智能教育实践的建议

基于上述中小学人工智能教学效果影响因素与差异化表现的讨论结果，本研究针对中小学人工智能教育实践的开展提出以下建议：

1 协同多元力量，丰富人工智能教学的组织文化

本研究发现，组织支持和课堂文化正向影响教学效果，且影响系数分别位居前两位。由于人工智能教学是一项系统化工程，因此协同多元力量、完善组织保障机制、优化课堂实践氛围是提升人工智能教学效果的坚实基础。一方面，要发挥高等院校、教育研究所、企业、中小学校等支持联盟的资源优势，建立人工智能实践共同体；加强职前、职后教师培训支持，通过在高等教育课程体系中增设人工智能教育实践项目，让“准教师”尽早了解人工智能教育知识，定期举办人工智能教育专题研讨活动，或通过真实项目、在线虚拟培训方式，让职后教师充分体悟人工智能教学设计流程。另一方面，要营造轻松、智能的学习氛围，鼓励不同学科背景、经验水平的教师协同反思教学问题，并基于“建立愿景→改善心智→自我超越”的教学变革路径，实现从“边缘参与”到“充分参与”的角色认知转化。此外，还要通过创新教学的弹性激励，如通过提升薪酬、遴选人工智能“明星教师”或“种子教师”等途径，持续激发教师的努力期望。

2 关注实践差距，提升人工智能教学的胜任感知

任何新兴技术在应用进程中都不可避免地会受到实践主体的质疑，本研究所发现的能力感知和价值感知正向影响教学效果就证实了这一点。基于此，有必要强化中小学教师的主观积极性，并培养其集体感：首先，要充分发挥舆论平台的积极导向作用，激发一线教师的实践动力，尤其是女性、教龄偏长、学历偏低的教师群体，鼓励教师努力将知识储备与教学经验外化为行动举措，提升其开展人工智能教学的胜任感知。其次，借助人工智能实践共同体的帮扶机制，帮助不同教师树立高度认同感与实践价值观，同时依托多元主体协同力量和关键脚手架等，持续激发教师的创新人格特质与实践信心。最后，尊重教师的话语权和行动力，持续为其主观层面的“胜任感知词典”（即胜任特征集群、成功与错误行为示例和行动等级描述等），提供情感包容的心理养分支持。例如，参照“素养=（知识+能力）态度”结构模型[17]，分别从人工智能创意知识、人工智能智力管理、人工智能教学设计等层面，提升教师胜任感知的文化涵养。

3 优化设计内容，打造人工智能教学的教练群体

本研究已证实，教学设计和活动内容正向促进教学效果。实际上，行动科学研究者早已认识到，教学不应仅停留于观念层面，还必须从实践行动层面明晰具体的教学设计及其相对应的行为操作[18]。首先，要注重内在提升，以教师熟悉的课堂场域为抓手，将人工智能知识建构“明学于心、实践于行”，持续拓展教师的人工智能教学设计力[19]。通过观摩人工智能示范课堂，让教师在真实情境中分析、建构、内化整合人工智能的学科教学知识（AI-PACK），促使教师产生人工智能教学实践的“心流体验”，形成主动适应人工智能教学的感知力、行动力和洞察力。其次要重视外部陶冶，即拓展人工智能实践场景，丰富一线教师对智能化气息的感知。通过建立人工智能实验室，或在科创中心、创意工作坊、走廊、屋顶或绿色空间等融入人工智能技术，滋养人工智能与学校场域融合共生的文化底蕴。需强调的是，人工智能教学设计和活动内容的重点并非是要求教师熟练掌握相关技术原理，故应避免智能认知的负荷超载，尤其是应保证女性和教龄偏长的教师能在足够了解人工智能教育应用的前提下，积累智能化教学经验并提出实践策略。

五结语

人工智能的教育应用并非一蹴而就，本研究通过分析教学效果的影响因素，以及不同性别、学历、教龄、学段、学科教师的差异化表现，进一步明确了中小学人工智能教育的推进方向与行动举措。未来，研究团队将持续推进以下工作：①研究样本虽遍布我国东部、中部和西部，但主要集中在上海、北京、天津、河南、四川、宁夏等地域，研究结论的适用范围可能受限于地域情境。未来将扩大样本数量，开展更大规模的实证调查研究，以形成更具普遍意义的推进策略。②人工智能教学效果的影响因素，远比研究涉及的变量及其变量关系复杂。后续将采用动态建模和仿真实验的方法，引入更多实践变量，调节变量的影响路径与作用机理。③结合学校发展情境对人工智能教练群体进行专门培训，同时整合已验证的有效教学干预方案，形成“最小风险”“可重复、可共享”的人工智能有效教学提升路径与整体实施策略。

[1]Steenbergen H S, Cooper H. A meta-analysis of the effectiveness of intelligent tutoring systems on K-12 students’ mathematical learning[J]. Journal of Educational Psychology, 2013,(4):970-987.

[2]Lin H C K, Chen M C, Chang C K. Assessing the effectiveness of learning solid geometry by using an augmented reality-assisted learning system[J]. Interactive Learning Environments, 2013,(6):799-810.

[3]李世瑾,胡艺龄,顾小清.如何走出人工智能教育风险的困局:现象、成因及应对[J].电化教育研究,2021,(7):19-25.

[4]吴河江,涂艳国,谭轹纱.人工智能时代的教育风险及其规避[J].现代教育技术,2020,(4):18-24.

[5]徐莉,梁震,杨丽乐.人工智能+教育融合的困境与出路——复杂系统科学视角[J].中国电化教育,2021,(5):78-86.

[6][11]Wang S Y, Yu H T, Hu X F, et al. Participant or spectator? Comprehending the willingness of faculty to use intelligent tutoring systems in the artificial intelligence era[J]. British Journal of Educational Technology, 2020,(5):1657-1673.

[7]Federica I. Preservice teachers’ perceptions of artificial intelligence tutors for learning[D]. Columbus: Ohio State University, 2020:73-82.

[8]Davis F D. Perceived usefulness, perceived ease of use, and user acceptance of information technology[J]. MIS Quarterly, 1989,(3):319-340.

[9]Venkatesh V. Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model[J]. Information Systems Research, 2000,(4):342-365.

[10]Piburn M, Sawada D. Reformed teaching observation protocol(RTOP): Reference manual[OL].

[12]Luckin R, Cukurova M. Designing educational technologies in the age of AI: A learning sciences-driven approach[J]. British Journal of Educational Technology, 2019,(6):2824-2838.

[13]Mayer R E. What should be the role of computer games in education?[J]. Policy Insights from the Behavioral and Brain Sciences, 2016,(1):20-26.

[14]Wellner G, Rothman T. Feminist AI: Can we expect our AI systems to become feminist?[J]. Philosophy & Technology, 2019,(2):191-205.

[15]Brown J S, Collins A, Duguid P. Situated cognition and the culture of learning[J]. Educational Researcher, 1989,(1):32-42.

[16]Yu Y, Gao P. Application of computer-aided intelligent training in sports control[J]. Advanced Materials Research, 2010,(4):588-591.

[17]蔡清田.素养:课程改革的DNA[M].台北:高等教育文化事业有限公司,2011:70.

[18]Geuss R. The idea of a critical theory[M]. Cambridge: Cambridge University Press, 1981:61-63.

[19]Terblanche N. A design framework to create artificial intelligence coaches[J]. International Journal of Evidence Based Coaching and Mentoring, 2020,(2):152-165.

What Affects the Teaching Effect of Artificial Intelligence Education?——Based on the Analysis of Aspects of Teachers’ Technology Cognition and Teaching Practice

LI Shi-jin GU Xiao-qing[Corresponding Author]

Nowadays, artificial intelligence has been gradually applied in the educational practice, and the teaching effect determines the practical process of artificial intelligence education.In order to ensure the orderly advancement of artificial intelligence education, this paper took 1638 primary and secondary school teachers as the research objects, and used quantitative methods to analyze the influencing factors of the teaching effect of artificial intelligence and teachers’ differentiated performance in different genders, education backgrounds, teaching ages, school periods and subjects, from the two perspectives of technology cognition and teaching practice. It was found that the six factors influencing artificial intelligence teaching effect, when listed from high to low according to their effect levels, were organizational support, classroom culture, ability perception, value perception, activity content and teaching design. The teachers’ teaching effects in different genders, teaching ages, and school periods showed significant differences. However, this differences in academic qualifications and subjects did not reach a significant level. Based on the research results, this paper put forward suggestions for the development of artificial intelligence practice education from the perspectives of coordinating multiple forces, paying attention to practice gaps, and optimizing design content, in order to scientifically promote artificial intelligence education practice and improve the teaching effect of artificial intelligence education.

artificial intelligence education; teaching effect; technology cognition; teaching practice