人工智能在教育领域创新扩散的影响因素研究——基于TOE理论框架

□ 张乐乐 顾小清

一、问题的提出

人工智能作为引领新一轮科技革命和产业变革的重要驱动力，正深刻改变着人们的生产、生活和学习方式，推动人类社会迎来人机协同、跨界融合、共创分享的智能时代（新华社,2019）。为推动我国人工智能教育应用的深度发展，国务院出台《新一代人工智能发展规划》、教育部出台《高等学校人工智能创新行动计划》《教育信息化2.0行动计划》等系列政策文件予以指导。在实践应用层面，部分区域和学校积极运用人工智能系统和设备辅助教师的课堂教学和学生的个性化学习，但应用程度较为浅显，存在数据采集粒度粗、数据平台之间不融通等问题。究其原因，一方面，就技术本身而言，由于人工智能自动收集和数据处理的方法、工具还不成熟，导致目前应用到教育领域的数据集还不够完善（赵丽等,2022），离全面应用人工智能技术开展精准识别、精准分析的课堂教学研究还有一段距离；另一方面，从教师的角度来看，目前绝大多数一线教师对于如何将人工智能与实践教学进行融合创新仍处于探索阶段。人工智能技术的负担可能会成为阻碍其适应和扩散的重要因素。面对这些现实问题，我们发现人工智能在教育中要实现真正应用道路漫长且充满挑战。然而，已有研究表明，技术的创新应用能否在战略上被重视、在实践中被采纳，最终取决于用户和受益者对该项技术创新性优势的认知。从长远来看人工智能技术能否在教育领域“大放光彩”，需重点探究影响其被采纳扩散的因素，以期为人工智能教育的大规模、常态化应用提供依据。

一项新技术的持续发展与应用会受到各方面因素的影响。通过对国内外学者在创新技术采纳扩散方面的研究进行调查，结果发现技术采纳理论的发展较为成熟，其中托纳茨基和弗莱舍（Tornatzky&Fleischer,1990,p.2）提出的“Technology-Organization-Environment”理论框架（以下简称“TOE”）影响最为广泛，能够系统考察技术属性、组织因素和环境因素对技术创新应用的影响（翟元甫,2020,p.23）。并且，该模型已被用于不同领域对信息技术创新采纳的影响因素研究之中。在教育领域，也有研究者基于TOE理论框架对云计算技术的创新采纳与扩散的影响因素进行实证研究。如希兰等人（Hiran&Henten,2020）在TOE-DOI框架下，分析了技术因素、组织因素、环境因素和社会文化因素对高等教育部门采纳云计算技术的差异化影响；辛格等人（Singh&Mansotra,2019） 将TOE、TAM、DOI和HOT-fit四种理论进行整合，探讨了相对优势、兼容性、可靠性、安全性、组织规模、管理者的支持等因素对云计算技术在印度学校教育体系中的影响效果。目前学界尚未有研究者基于TOE理论对人工智能技术的创新扩散影响因素进行研究。本研究以TOE理论框架为指导，从教师视角出发，深入剖析“技术—组织—环境”三大维度对人工智能教育应用创新采纳与扩散的影响，尝试回答两个问题：①TOE理论框架下，人工智能在教育领域创新采纳与扩散的关键影响因素是什么？②人工智能技术在教育中被采纳扩散有哪些路径？

二、理论基础与模型构建

（一）TOE理论

TOE理论框架是托纳茨基等人（Tornatzky et al.,1990,p.2）在1990年提出来的，主要用于研究创新技术如何被采纳和应用的问题。经过逐步发展，现已应用于移动供应链（Chan&Chong,2013）、电子商务（Oliveira&Martins,2010）、科技资源平台（杨寅等,2018）等领域。该理论将影响创新技术的采纳扩散主要归纳为技术（Technology）、组织（Organization）和环境（Environment）三大因素。其中，技术因素主要包括相关技术本身所附有的特性，以及技术与组织的适配性（谭海波等,2019）；组织因素主要是指组织自身的情况，包括管理者的支持、组织规模、组织准备、沟通过程以及组织内部资源的数量等；环境因素主要指组织所处的外部环境，通常涉及政府的政策法规、文化问题、外界的压力等方面（Baker,2012）。

（二）模型构建

近年来，随着人工智能技术的不断发展，人工智能教育应用在全球范围内引起了广泛关注，美国、日本、芬兰、新加坡等国纷纷出台了人工智能教育应用的战略发展规划，以推动人工智能与教育的融合创新发展，促进未来教育的“数字化”变革。为此，本研究对国外人工智能教育应用的政策文件进行了系统梳理与分析（如表1所示），以期为人工智能在教育领域的创新扩散研究提供借鉴与思考。其中，美国《国家人工智能倡议法案》明确要求政府加大人工智能的研发投入，开放人工智能资源，提高资源对研发人员和学生学习探究的价值，确保数据安全和公民的隐私保护（National Office of Science and Technology Policy,2019）。美国政策倾向于从技术的角度强调人工智能教育资源的建设和新技术的创新研发，注重人工智能伦理安全，增强公民对人工智能技术的信任；从组织的角度来说，提倡设立奖学金和培训计划，注重对未来人工智能研究人才与新型劳动力的培养。《日本振新战略2016——面向第4次产业革命》提出，为了培养适应智能时代的技术创新人才，重点将人工智能相关的电脑编程课程纳入中小学必修课进行普及（段世飞&龚国钦,2019）。日本政策从组织角度强调中小学人工智能的教育创新应用，关注基础教育阶段编程课程的普及，培养学生的信息素养。《芬兰的人工智能时代》明确提出，要通过智能化的教育信息服务为公民提供更多的职业选择机会（Ministry of Economic Affairs and Employment of Finland,2017）。芬兰政策更偏向于从组织层面强调以人工智能技术支持终身学习的实现，从而减少结构性失业问题的出现。《新加坡人工智能战略》强调要不断提高智能技术的研发能力，实现可解释的人工智能和相关技术的突破。同时，新加坡国家研究基金会以设立奖学金的形式，注重对人工智能领域专业人才的培养（陈骞,2018）。可见，新加坡政策从技术角度，采取相关措施重点实现人工智能的技术突破，保持重要的技术优势；从组织层面强调专业人才的培养，努力提升学习者在计算机科学、智能机器人、算法、编程等方面的学习兴趣和实践能力（王佑镁等,2019）。《人工智能在英国：准备、意愿和能力》中强调基础教育阶段学生不仅需要掌握人工智能相关的理论知识，还需理解人工智能技术的使用和伦理道德规范（House of Lord,Select Committee on Artificial Intelligence,2018）。英国政策侧重于从组织角度强调人工智能技术与教育的融合，并在师资队伍和课程资源建设等方面与高校建立合作关系。综上所述，各国政策文件从国家人工智能的发展、创新人才的培养等方面提出了宏观的对策举措，对本研究创新扩散模型中技术、组织和环境要素的提出具有一定的参考价值。

表1 部分国家人工智能教育政策及内容

首先，在技术方面，依据已有的研究成果发现，机器学习、预测技术和神经网络技术已成为人工智能教育应用中较为广泛的技术。其中，机器学习和预测技术重点应用于学生的学习行为表现、在线学习辍学率等方面的预测研究（黄国祯等,2022）；神经网络技术主要分析学习者的学习情绪状态，从而帮助学习者改进学习方法，调整学习策略。因此，本研究借鉴美国政策文件的要求，提出对技术方面的要素进行设计时，不仅应重点考虑人工智能在精准预测、个性化推荐等方面的技术优势，还应对技术的安全、可靠和可互操作性等方面有所涉及，以促进精准教学的发生。其次，在组织方面，借鉴日本、英国等国在人工智能课程开设和创新人才培养方面的要求，需重点考虑课程开设的准备工作，如师资队伍构建、基础设施建设和教育培训的组织等，以提升教师的信息素养，实现人工智能教育的创新应用。最后，在环境方面，各国积极制定系列政策文件，指导人工智能教育的发展，需考虑外部社会环境大背景，紧跟时代发展趋势，做好人工智能的教学研究工作。

本研究基于TOE理论模型，并结合各国在人工智能教育应用方面的政策要求，聚焦学、教、管、评等多样化的应用场景，综合考量人工智能技术创新扩散的影响因素，尝试构建人工智能技术在教育领域创新扩散的影响因素模型（如图1所示）。其中，技术因素主要包括兼容性、相对技术优势和安全性三个方面；组织因素主要包括管理者的支持、组织准备和教育培训三个方面；环境因素主要包括政府政策和潮流压力两个方面。

图1 人工智能技术在教育领域创新扩散的影响因素模型

基于上述影响因素模型，依据“人工智能教育应用”的主题，探究人工智能在教育领域创新扩散的影响因素及其作用程度。其中：①兼容性是指平台之间的相互对接，相关应用程序的导入、导出，无缝地提供定制服务（Hiran&Henten,2020）。本研究借鉴罗杰斯的兼容性观点，认为兼容性不仅是系统平台的互联互通，还包括人工智能技术与教师使用目标的匹配程度。②相对技术优势是指一项新技术的竞争性主要来源于相对于其他替代产品的优势（Gangwar et al.,2015）。智能时代，人工智能技术的相对优势主要体现为智能化、精准化和科学化的特点，为教师和学习者提供有效的教学服务与支持，促进知识的更新、流通与共享。③技术的安全性能够为用户提供使用保障，直接影响用户对技术的使用态度（于兆吉&宋鹏,2017）。人工智能技术给人们的学习和生活带来了便利，但同时也出现了复杂的数据安全和伦理道德等问题（杜静等,2019）。尤其在人工智能教育应用的过程中，数据伦理安全越有保障，教师使用其开展教学活动的意愿也就越强烈。④管理者的支持是指管理者对技术的创新应用所能为公司创造价值方面的看法或行动（Intan et al.,2009）。学校管理者对人工智能技术的重视程度或支持力度直接影响教师对人工智能的接受应用情况。⑤组织准备是组织对应用新技术的准备情况，有研究者将组织准备概括为财务准备和技术准备（Musawa&Wahab,2012）。本研究将其界定为人工智能教育应用中所配套的基础设施、专项经费和专业人才等。⑥教育培训在企业管理层面被认为是公司指导其员工在质量和数量方面提升技术和工具有效使用的一种方式（Schillewaert et al.,2005）。研究表明，教育培训能够为员工完成任务提供指导与帮助，减少他们使用相关技术或工具而产生焦虑和压力心理（蒋雪凤,2020,p.20）。通过对教师开展人工智能教育应用方面的相关培训，能够促进其对人工智能技术的理解与应用。⑦政策法规作为人工智能技术创新应用的行动指南，在区域、学校、教师层面，对于推动人工智能教育应用具有积极的促进作用。⑧潮流压力是指用户对一项新技术的使用意愿在很大程度上受周围环境或者同行的影响（Schroeder et al.,2010）。同样，在教育领域，教师使用人工智能技术主要受周围趋势的影响（如学校领导的安排、同行的推荐、企业的宣传、专家的讲座培训等）。具体假设如下：

H1：兼容性对人工智能在教育领域的采纳扩散具有正向影响。

H2：相对技术优势对人工智能在教育领域的采纳扩散具有正向影响。

H3：安全性对人工智能在教育领域的采纳扩散具有正向影响。

H4：管理者的支持对人工智能在教育领域的采纳扩散具有正向影响。

H5：组织准备对人工智能在教育领域的采纳扩散具有正向影响。

H6：教育培训对人工智能在教育领域的采纳扩散具有正向影响。

H7：政策法规对人工智能在教育领域的采纳扩散具有正向影响。

H8：潮流压力对人工智能在教育领域的采纳扩散具有正向影响。

三、实证分析

（一）问卷设计

本研究以问卷调查的形式作为数据收集的主要工具和方法。研究参照瑞拉达尼等（Ramdani et al.,2009）的研究量表和于兆吉等（2017）的相关研究结论，设计了“人工智能技术在教育领域创新扩散的影响因素调查问卷”。问卷的结构主要分为两个部分：第一部分是调查受访者的基本信息；第二部分是人工智能在教育领域创新扩散的影响因素量表（如表2所示），采用李克特五级量表，由“非常不同意”到“非常同意”。本次调查的群体是使用过人工智能技术的教师，主要采用线上方式进行，共发放问卷400份，回收问卷400份，经过筛选剔除随意填写的9份问卷，最终有效问卷为391份。

表2 相关变量的概念界定、测量题项及来源

（二）数据统计与分析结果

1.人口学基本信息统计与差异分析

（1）基本信息统计

在参与调研的391名教师中，男教师99人，女教师292人。学历以硕士研究生为主（77%），其次是博士研究生（13%），本科（10%）学历较少。任教学段分布以高中（54%）和初中（34%）为主；教龄在2～5年的占比较大，为60%，其次是2年以下的，占比为27%，具体情况如表3所示。从教龄可知，年轻教师对新鲜事物的接受能力比较强，更愿意尝试使用新技术改变教学方式，探索新的教学模式。从所教学段和学历可知，人工智能技术在高中的应用程度比较高，教师的学历基本都是研究生水平。

表3 教师基本信息情况统计表

（2）人口学差异检验分析

为了进一步探究不同类型的教师在技术、组织和环境因素的影响下所呈现的差异化水平，本研究采用差异检验的方法，从性别、学历、教龄等方面检验教师对人工智能技术创新采纳意愿的影响。根据“性别”因子，研究主要采用独立样本t检验，分析不同性别教师对人工智能技术在教育领域所被采纳的态度。结果表明，不同性别的教师对于人工智能技术在教育领域被采纳的态度并不存在显著差异（p=0.543＞0.05）。

针对学历、教龄、学段因子，研究将收集的样本进行了方差齐性检验，发现不同学历（sig.=0.066＞0.05）、不同教龄 （sig.=0.000＜0.05）、不同学段（sig.=0.000＜0.05）的教师对人工智能技术在教育领域被采纳扩散的意愿中，仅“学历”因子满足单因素方差分析中方差相等的要求。故采用单因素ANOVA方法进行差异分析比较，结果发现，不同学历的教师（p=0.035＜0.05）对人工智能技术在教育领域被采纳扩散的态度存在显著差异，并且兼容性（p=0.001＜0.05）、相对技术优势（p=0.000＜0.05）、安全性（p=0.004＜0.05）、管理者的支持 （p=0.004＜0.05）、组织准备（p=0.049＜0.05）等维度均存在显著差异。进一步通过事后多重比较的LSD法，发现硕士与本科、博士之间存在显著性差异，本科与博士之间差异不显著，表现次序为：博士＞硕士＞本科。

2.问卷信效度检验

本研究采用SPSS 26.0软件中Cronbach’sα系数对问卷的信度进行检验。经过分析，问卷的整体数据α值为0.97（大于0.8），表明量表具有很好的信度。同时，技术维度、组织维度、环境维度和采纳扩散维度的 Cronbach’s系数分别为 0.91、0.92、0.92 和0.81。每个子维度的信度系数也均大于0.8，说明问卷测量指标的内部一致性较好，样本可信。

效度检验主要是对问卷中的量表进行KMO值和Bartlett球形检验，得出整体KMO值为0.98（大于0.8），Bartlett球形检验结果显著（近似卡方9965.154，自由度528，显著性p=0.000＜0.05），说明量表的效度较高，适合做因子分析。进一步检验采用最大方差旋转法，得到旋转后的因子载荷，各测量指标的因子负荷均大于0.6，说明问卷具有良好的信效度，可进一步对构建的模型进行验证。

3.结构方程模型检验

（1）模型构建

本研究借助AMOS 26.0软件对TOE理论框架中技术因素、组织因素和环境因素对创新采纳的影响程度进行检验。结合问卷的设计和结构方程模型的应用，外生潜变量为兼容性、相对优势、安全性、管理者支持、组织准备、教育培训、政策法规、竞争压力和潮流压力，外生变量共23个；内生潜变量为创新采纳，内生变量共3个。根据各个变量之间的假设关系构建了人工智能在教育领域创新采纳的影响因素模型图。

（2）模型拟合和评价

参照模型评估标准，通过绝对拟合指标和增值拟合指标评估路径的拟合度，以解释不同结构变量的参数情况，具体如表4所示。结果显示，X2/df为1.611，介于0～1之间，GFI、NFI、CFI、IFI的值均大于0.9，符合理想拟合度要求，AGFI为0.88接近理想范围，总体来说模型的拟合效果较好。

表4 模型拟合度参数列表

（3）结构模型参数评估

本研究通过兼容性、相对优势、安全性、管理者支持、组织准备等变量作用于采纳的路径系数来评估人工智能技术在教育领域创新扩散的影响和显著性水平（如图2所示）。从各变量作用于创新扩散的标准化回归系数来看研究模型中的兼容性（β=0.01，p＞0.001）、相对技术优势（β=0.28，p＜0.001）、安全性（β=0.33， p＜0.001）、管理者支持（β=0.23， p＜0.001）、组织准备 （β=0.27，p＜0.001）、教育培训（β=0.40，p＜0.001）、政策法规 （β=0.48，p＜0.001）、潮流压力（β=0.55，p＜0.001）。除了兼容性的路径系数较小，其他变量的回归系数均在0.23～0.55之间，满足回归系数大于0.19的可信度要求（Iacobucci,2010）。综上所述，该结构模型能够较好地反映人工智能技术在教育领域创新扩散的真实情况。

图2 结构方程模型及检验结果

（4）模型路径与显著性水平

根据邱皓政和林碧芳（2009,pp.92-110）的建议，显著水平为0.01时，CR值≥2.58表示具有良好的鉴别度；显著水平为0.001时，CR值≥3.29表示具有良好的鉴别度。由表5可知，假设H2、H3、H4、H5、H6、H7、H8 的 CR 值分别为 3.337、4.339、4.425，3.171、5.262、5.415、6.320，p 值也均小于0.001，因此，这7个假设均成立。H1的CR值为0.468，p值大于0.05，因此兼容性与采纳扩散参数之间没有显著差异，两变量之间的假设不成立，需要删除该路径。

表5 模型的路径和显著性水平结果

四、结论与建议

研究结果表明，相对技术优势、安全性、管理者的支持、组织准备、教育培训以及政策法规、潮流压力这些因素对人工智能在教育应用中创新扩散具有显著影响，而技术的兼容性对其在教育领域创新扩散没有显著影响。其中，各影响因素对人工智能技术创新扩散的影响程度依次为：潮流压力＞政策法规＞教育培训＞安全性＞相对技术优势＞组织准备＞管理者支持。学历变量正向影响教师对人工智能教育创新扩散的态度，但性别、教龄和学段对人工智能创新扩散的态度并不存在显著影响。

（一）研究结论与讨论

1.人工智能在教育领域创新扩散的影响因素分析

潮流压力对人工智能技术在教育领域创新扩散的影响程度最大，说明在教育领域中人工智能技术要实现采纳扩散主要依赖于外界环境的“干扰”。人工智能与教育的融合发展是智能时代的重要趋势，人机协同的创新教学将成为未来教育的主要发展方向（杨现民等,2018）。研究结果表明，外界的支持和潮流压力直接影响了教师对人工智能的判断、决策和接受。并且周围势力能够极大地促进用户对新技术的采纳。因此，潮流压力和周围势力是影响人工智能技术在教育领域创新采纳的主要因素。

政策法规对人工智能技术在教育领域创新扩散的影响程度仅次于潮流压力，可见国家、区域、学校在人工智能教育方面的政策文件宣传、落实比较到位，教师能够充分理解、领悟相关政策的核心内容与关键任务。但在具体的实践过程中，可能存在理论与实践脱节的现象，相关的政策文件仅从宏观视角提出人工智能对课堂教学、人才培养的影响，缺乏将人工智能与教学应用场景相结合的具体描述，导致教师在实践过程中未能充分理解、把握政策的深层内涵。例如，在教育评价场景中，通过对学习者学习行为、学习结果数据全方位的采集，提炼学习者的相关行为特征，以实现对学习者多维度的综合评价（张治&徐冰冰,2022）。然而，教师对学习行为的哪些数据进行提炼以反映学习者的特征，并且从哪些维度对学习者进行全面的综合评价，还存在一些困惑，从而影响其对新技术的创新扩散程度。

教育培训对人工智能技术在教育领域创新扩散的影响程度虽然排在第三，但在组织因素中的影响却是最深的。已有研究表明，为了减少教育工作者在人工智能教育应用方面的认知误区，需对其应用情况达到理解、设计甚至开发的程度（张坤颖&张家年,2017）。教育培训作为人工智能在教育领域有效应用的前提条件，只有教师掌握了人工智能的相关原理、知识与技能，才能高效地开展人工智能教学活动。同时，也验证了只有当教师信息素养得到提升，他们才会更愿意尝试运用新技术改变传统教与学的结论。

技术的安全性作为技术因素中影响程度最深的变量，是教师采纳人工智能技术应用于教学的重要考虑因素。人工智能因其自身的特性而带来了以往任何技术所未有的新问题——道德伦理，这将对人类社会各个方面产生重大影响。在教学方面，涉及学习，就要了解学习者个体的学习状态，捕捉学习者的神态、表情、动作，必然会出现有些人不愿意让别人获取自身隐私数据的现象（肖睿等,2020）。因此，为了提升数据安全治理能力，国家除了需从技术层面强化数据的保护以外，还应从法律法规层面进行严格的约束与规范（张坤颖&张家年,2017），以缓解教师内心的担忧，鼓励教师接受新技术、合理运用新技术于教育教学之中，实现技术变革教育的目标。

相对技术优势对人工智能创新扩散的影响程度排在安全性之后，主要原因可能是由于我国人工智能的教育应用还处于初级探索阶段，人工智能技术本身仍在不断进化过程中。教师在实践教学过程中仅应用了人工智能的一些基本功能，对于更深层次的技术优势尚未充分挖掘与探索，从而导致目前人工智能教育应用方面的研究较为粗线条，甚至还存在片面化、狭隘化的问题（李宏堡等,2019）。因此，技术的相对优势尚未有效凸显，使得其对人工智能技术在教育领域创新扩散的影响程度要弱一些。

组织准备对人工智能创新扩散的影响程度较为靠后，间接反映了目前大多数学校的人工智能教育应用还刚刚起步，尚未形成完善的组织架构体系，存在课程设置不合理、师资力量不足、基础设施不完善、专项经费不充分等问题。正如布莱恩·阿瑟（2018,pp.13-17）在新技术取代旧技术较为缓慢的原因中指出的，由于新技术的发展需要改变周围的组织结构，成本较高，因此不会很快替换。又如，2022年教育部印发的《义务教育课程方案和课程标准》，在强调课程科学性、系统性的同时，更加注重学生核心素养的培养，这就对教师的知识、教法及运用信息技术整合教学的能力等提出了新要求。学校要培养与新课标相符合的新型教师队伍，在硬件设施方面和组织管理方面均会有较大的调整，难度系数非常大，导致教师在教育教学过程中采纳新技术的意愿不强烈。

已有研究显示，人工智能在教育中的应用离不开教育管理者信息素养的提升。教育管理者的信息意识主要是对相关数据背后的算法进行模型预测，并开展决策判断（杨晓哲&任友群,2021）。管理者的支持是人工智能教育应用的前提条件，但其影响程度排在后面的主要原因可能是目前很多学校的管理者对人工智能教育应用的规划、愿景仅停留在理论层面，对于学校教师利用技术开展教学实践的过程尚未进行相关的指导与支持，导致教师对技术的使用意愿不强烈。

2.人口学变量对人工智能在教育领域创新扩散的影响分析

性别对于人工智能技术在教育领域被采纳的态度并不存在显著差异。虽有学者认为男性在应用人工智能时表现出更为浓厚的兴趣（Volman&van Eck,2001），但是人工智能在教育中的应用并非要求教师像技术开发人员一样，需熟练掌握自然语言处理、机器学习等技术，而是需要教师运用这些技术带来的优势助力教学效果的提升，这是一种新型的“人机协同”教学方式。教师性别对人工智能在教育领域的创新扩散并不存在显著性差异。

学历对人工智能技术在教育领域被创新采纳的态度存在显著差异，具体表现为博士＞硕士＞本科。这可能是因为接受过高学历教育的职前教师，会更早接触人工智能的相关知识与技能，更容易感知人工智能给教育带来的价值内涵（李世瑾&顾小清,2021）。同时，人工智能技术能够为教师提供精准的教学支持服务，减轻教师的教学负担，学历越高的教师越期待人工智能的教育实践能够真正赋能教学过程，实现教学提质增效的目的。

教龄对于人工智能技术在教育领域被采纳的态度并不存在显著差异，主要原因可能是本研究的调查对象是在教学过程中使用过人工智能技术的教师，并且在调查的样本中教龄主要集中在5年以内。这表明调查对象的教龄均不长，他们对于人工智能在教育中的应用态度或价值趋向基本保持一致，渴望利用人工智能技术改变传统的教学模式，提升教学效果。

学段对于人工智能技术在教育领域被采纳的态度并不存在显著差异。这主要与我国目前处于“弱人工智能”阶段有关，不管是在基础教育阶段，还是在高等教育阶段，人工智能的教育应用均较为初级，受经费、设备、专业人才的制约，导致一些技术尚未充分应用到教育教学的全过程。因此，各学段对人工智能教育领域的采纳扩散并未出现显著差异。

（二）应对策略与建议

近十年，随着机器学习算法的深入应用，数据样本量的逐渐扩大，人工智能迈向了智能感知阶段，模拟人类的“听”“说”“看”，并做出逻辑判断，形成了人机协同的创新教学模式。为此，在教育领域要促进人工智能与教育教学的深度融合，就必须结合人工智能技术创新扩散机制。从技术方面，重点利用技术的创新优势，开展人工智能在教育中的相关实践应用，深层次挖掘其在不同层面的拓展研究，如与脑科学结合，进行神经网络分析，推动教育的数字化转型；从组织方面，不断完善组织管理架构，与高校、企业和政府形成合力，努力构建科学、多元的服务保障体系，提升教师队伍的培养质量；从环境方面，以社会发展为导向，出台相关的政策法规，为人工智能的教育应用指明方向。

1.以数据安全为重点，提升技术服务水平

研究表明，人工智能在教育中的应用能否被采纳扩散，技术维度的安全性应给予优先考虑。人工智能技术的智能化、精准化、数据化等特性，在促进教师教学方式、学生学习方式转变和教学评价改革等方面具有巨大的推动作用。其中，技术的智能化、精准化背后需要大量的数据予以支持，这不可避免地会造成一些数据隐患问题。因此，数据的安全性成为人工智能教育应用关注的“焦点”。本研究以数据安全为重点，在技术维度主要从几个方面考虑：第一，建立统一的技术准入规范和数据标准，完善技术的可持续服务体系，规范智能技术在教育中的应用，形成有效的技术服务保障机制；第二，以保护师生隐私为前提，充分利用数据挖掘、神经网络分析等技术，对教与学全过程、多模态数据进行采集分析，为学生提供个性化的学习指导，为教师开展教学提供数据支撑，实现更加精准有效的教与学服务，展现人工智能技术的相对优势；第三，提升平台的功能与服务支撑能力，加强多平台的衔接与融合（张乐乐&曾海军,2021），将不同来源、不同类型的教育数据进行整合，促进多平台数据和资源的互通共享，系统地呈现教育场景信息，满足不同用户的使用需求。同时，注重场景的识别，利用技术的适配和迭代生成新场景，加强场景的应用探索，促进技术与教学的深度融合，满足教、学、管、评等多样化的需求（黄荣怀,2022）。

2.以科学管理为核心，推进组织创新发展

人工智能在教育中的应用需要以技术条件为基础，以学校组织为重要实践场。研究表明，教育培训是影响学校教师对人工智能技术创新采纳的重要因素，其中组织准备和管理者的支持影响程度较弱。基于此，本研究建议从几个方面进行考虑：第一，与地方高校建立合作关系，依托专家智库资源，对学校教师定期组织人工智能教育理论方面的培训，及时提供人工智能与教育教学融合方面的理论指导，促进教师专业发展。第二，建立多元化的服务保障体系，将技术服务、专家咨询服务等纳入组织体系中，并针对教师教学过程中的问题，提供专家指导和企业的优质保障服务。同时，通过政策引领、经费投入、人才引进、校企合作等方式，推进学校网络、数据平台等基础设施建设，提升教师队伍的培养质量，为人工智能创新发展提供充分的组织准备。第三，鼓励学校管理者积极参与信息化领导力培训，在吸纳理论知识的同时，学会依据本校的实际发展状况，转变管理理念，深入谋划学校的信息化建设与发展之路，用心、用力、用智推动学校教育管理的现代化。

3.以政策法规为指引，营造良好的教育生态

人工智能在教育领域的创新扩散不仅受到技术和组织等内部因素的影响，同时也受政策法规和潮流压力等外部因素的制约。研究表明，潮流压力和政策法规是影响人工智能技术在教育领域创新扩散程度最深的因素。本研究建议从几个方面考虑：第一，围绕人工智能教育应用方面的相关问题，制定更加全面、有效的法律规范，尤其是在信息的隐私安全、伦理道德、数据的收集和管控等方面要加强立法，规范、约束不合法行为；第二，完善数字技术应用伦理规范，建立常态化的数字伦理制度，包括数字伦理听证制度、数字伦理风险评估、数字伦理危机应对机制等，重视人工智能教育应用伦理规范的相关研究，探索构建人工智能教育应用的伦理道德框架（吴砥等,2022）；第三，学校需加大人工智能伦理安全教育的宣传力度，定期开展相关活动，让教师和学习者树立正确的价值导向，扬善避恶，形成“科技向善”的理念，营造良好的教育氛围。

4.以社会发展为导向，促进各领域的交叉融合

随着人工智能技术的发展，其与社会发展的关系越来越紧密。除了在教育领域具有创新扩散的价值以外，人工智能技术已渗透到社会发展的各个方面，从新型社会产业到农业生态，再到数字生活经济和教育新生态，均发生了颠覆性变革（顾小清等,2021）。基于此，本研究建议从几个方面考虑，以积极推进人工智能教育应用的采纳扩散：第一，系统挖掘人工智能在社会其他领域的应用方向和实践行动，促进跨领域的融合发展，为人工智能教育应用提供科学指引。如人工智能在社会新产业中，重点对机器学习、神经网络等方面进行广泛应用，当前脑神经网络分析已被引入教育领域，对促进人工智能教育的快速发展具有重要的推动作用。第二，及时了解人工智能在其他领域的发展现状，为教育领域复合型人才的培养指明方向。如人工智能在农业中的应用，解决了劳动力短缺、农作物生产量低等问题，因此在农业专业人才培养方面应更加注重计算机科学、气候、水资源等方面的交叉融合研究。第三，聚焦社会多领域的前瞻性发展，构建人工智能教育新生态，要以人工智能社会思维为基础，立足于社会整体系统的功能和体系架构，重构聚焦于大规模个性化学习、多模态综合素养测评、优质教育均衡发展等方面的教育系统新生态。

五、总结

本研究基于TOE理论框架，对人工智能在教育领域采纳扩散的影响因素进行探讨。其中，教师的性别、教龄、所教学段对人工智能技术在教育中创新采纳并不存在显著差异；学历对人工智能技术在教育领域被采纳的态度存在显著差异。同时，潮流压力、政策法规、教育培训、安全性、相对技术优势、组织准备、管理者支持这些因素对人工智能在教育领域创新扩散均具有正向影响。

此外，本研究还存在一些不足：一是研究的样本普适性不够，未来可以考虑拓展研究的范围；二是本研究重点验证了人工智能在教育领域创新扩散的影响因素，未来可以考虑对人工智能技术在其他领域采纳扩散的影响因素进行比较分析，介入更多潜在影响因素变量。