教師生成式人工智能使用意向形成機制研究

[摘" "要] 生成式人工智能對教育有著廣泛且深遠的影響，但學(xué)界對教師GenAI使用意向的關(guān)注相對不足。文章以中小學(xué)教師為研究對象，基于認知評估理論及AIDUA模型，采用問卷調(diào)查、結(jié)構(gòu)方程模型等方法，初步探索教師對GenAI使用意向的形成機制。研究發(fā)現(xiàn)：教師雖然對GenAI的認知較少、使用經(jīng)驗有限，但對其使用持積極態(tài)度，支持將其融入教育教學(xué)，且并不擔(dān)心被取代；教師GenAI使用意向的形成機制表現(xiàn)為兩個維度（接受使用、拒絕使用）、三個階段（認知評估階段、情緒反應(yīng)階段、意向形成階段）的認知過程、心理機制和行為模式；“社會影響→感知人性→績效預(yù)期→接受使用GenAI”是較為普遍的教師GenAI接納意向的形成機制。人工智能焦慮是導(dǎo)致教師拒絕使用GenAI的主要因素之一。因此，為了提高教師對GenAI的接受度，需加強其專業(yè)發(fā)展、增加實踐機會，促進研發(fā)者與教育者合作，進而提升其對GenAI的績效預(yù)期，降低其使用焦慮，推動教育教學(xué)創(chuàng)新。

[關(guān)鍵詞] 教師； 生成式人工智能； AIDUA模型； 使用意向； 形成機制

[中圖分類號] G434" " " " " " [文獻標志碼] A

一、引" "言

自ChatGPT問世以來，生成式人工智能（Generative Artificial Intelligence，以下簡稱GenAI）正朝著多模態(tài)方向發(fā)展，據(jù)不完全統(tǒng)計，中國已發(fā)布79個10 億參數(shù)規(guī)模以上的大模型，全球范圍內(nèi)10 億參數(shù)規(guī)模以上的大語言模型總數(shù)已達200多個[1]。GenAI的快速迭代，在全球范圍內(nèi)受到廣泛關(guān)注，在教育領(lǐng)域也引起了強烈反應(yīng)，將推動教育數(shù)字化轉(zhuǎn)型，促進教學(xué)模式、教學(xué)過程、教學(xué)評價等全方位變革[2]。當前，學(xué)界對教師GenAI的使用意向關(guān)注較少，主要以技術(shù)接受類模型（Technology Acceptance Model，TAM）為分析框架，該類模型基于測評非智能技術(shù)接納度而開發(fā)，未涵蓋使用意向形成的內(nèi)在機制及復(fù)雜過程，且調(diào)查對象多為科學(xué)或計算機學(xué)科的教師，研究結(jié)論可能不適用于所有教師。

研究表明，新技術(shù)在教育領(lǐng)域的整合與傳播在很大程度上依賴于教師的支持[3]。在未曾了解教師真實意愿及其形成機制的前提下，盲目推進人工智能與教育的融合，無疑將影響其實踐質(zhì)量和未來的發(fā)展前景。本研究聚焦于中小學(xué)教師，以認知評估理論（Cognitive Appraisal Theory）、人工智能設(shè)備使用接受模型（AI Device Use Acceptance Model，AIDUA）為分析框架，構(gòu)建教師GenAI使用意向新模型，開發(fā)并應(yīng)用《教師生成式人工智能使用意向測評量表》，初步探索教師對GenAI使用意向的形成機制。

二、文獻綜述

（一）生成式人工智能概念界定

研究教師GenAI的使用意向，首先要明確其內(nèi)涵。GenAI的研究起源于深度學(xué)習(xí)技術(shù)的發(fā)展，特別是注意力機制（Attention Mechanism）的引入，使得模型（如Transformer）在機器翻譯等任務(wù)中表現(xiàn)出色[4]。此外，生成對抗網(wǎng)絡(luò)（Generative Adversarial Networds）、變分自編碼器（Variational Autoencoders）和自回歸模型等算法也在GenAI的發(fā)展中扮演了重要角色[5]。

參考中國國家互聯(lián)網(wǎng)信息辦公室[6]、聯(lián)合國教科文組織[7]、歐盟[8]、英國教育部[9]、美國教育部[10]等對GenAI的相關(guān)定義，其內(nèi)涵可概括為：一種可以基于預(yù)訓(xùn)練數(shù)據(jù)轉(zhuǎn)化模型（Pre-trained Transformer）和自監(jiān)督生成對抗網(wǎng)絡(luò)，生成高質(zhì)量文本、圖像、音頻、視頻及其他格式內(nèi)容的人工智能技術(shù)。其主要特征包括：多模態(tài)內(nèi)容生成能力、多輪次人機交互能力、超強的信息處理能力、跨領(lǐng)域知識問答能力、自動化學(xué)習(xí)能力[11-12]。

（二）教師生成式人工智能使用意向主要模型述評

檢索知網(wǎng)、Scopus、Web of Science、谷歌學(xué)術(shù)等中英文數(shù)據(jù)庫，共得到相關(guān)文獻26篇，其中，英文22篇，中文4篇。26篇文獻中，大部分是關(guān)于教師人工智能接受度的研究，僅有1篇涉及教師對GenAI融入教育的看法[13]。文獻中使用最多的理論為TAM類模型（17篇），此外還有少量文獻使用扎根理論、技術(shù)教學(xué)內(nèi)容知識分析框架（Technological Pedagogical Content Knowledge，TPACK）、動機—機會—能力理論（Motivation-Opportunity-Ability，MOA）等。TAM類模型主要包括：技術(shù)接受模型（Technology Acceptance Model，TAM）及其擴展版本（如TAM2、TAM3）、技術(shù)接受和使用統(tǒng)一理論（Unified Theory of Acceptance and Use of Technology，UTAUT）等。

盡管TAM、UTAUT等傳統(tǒng)模型經(jīng)過了大量實證檢驗，能較好地解釋用戶對技術(shù)的接納意愿，但將其應(yīng)用于GenAI使用意向的研究，存在以下不足：第一，由于TAM類模型不斷擴展，導(dǎo)致其過于復(fù)雜和冗長，較難操作和驗證；第二，傳統(tǒng)模型最初是基于非智能技術(shù)接納度測評而開發(fā)，忽視了GenAI類似人類智能的特征；第三，傳統(tǒng)模型通常未能涵蓋個體使用人工智能時所經(jīng)歷的復(fù)雜心理動態(tài)和多階段評估過程；第四，傳統(tǒng)模型的主觀指向性較強，僅從接受人工智能的向度分析，忽視了拒絕向度。

三、教師GenAI使用意向模型的構(gòu)建

（一）模型構(gòu)建的理論基礎(chǔ)

理查德·拉扎魯斯（Richard S. Lazarus）的認知評估理論（Cognitive Appraisal Theory）是情緒心理學(xué)中的一個重要理論。其核心觀點是：情緒是個體對環(huán)境刺激進行多輪次認知評估的結(jié)果，情緒反應(yīng)又進一步影響個體的態(tài)度和行為[14-15]。具體而言，當外部環(huán)境變化時，個體決策會經(jīng)歷以下過程：重要性評估階段、情緒反應(yīng)階段、行為意向形成階段。認知評估理論強調(diào)了認知評估在塑造情緒和應(yīng)對行為中的作用，為分析個體使用GenAI行為意向的形成提供了有價值的視角。

2019年，道恩·格索伊（Dogan Gursoy）等基于認知評估理論，開發(fā)了AIDUA模型，通過探索用戶在三個階段（初級評估、次級評估和結(jié)果階段）的體驗，闡釋其對人工智能的接受或拒絕過程（如圖1所示）[16]。在初級評估階段，用戶會根據(jù)社會影響、享樂動機和擬人性來評估使用人工智能的重要性。在次級評估階段，用戶將進一步基于人工智能的績效預(yù)期和努力預(yù)期，權(quán)衡利弊，從而對人工智能產(chǎn)生情緒。前期評估過程決定了結(jié)果階段，導(dǎo)致用戶愿意接受或拒絕使用人工智能。該模型已成功應(yīng)用于經(jīng)濟[16]、信息科學(xué)[17]、新聞傳媒[18]等多個領(lǐng)域。

AIDUA 模型相對于傳統(tǒng)技術(shù)接受模型，具有以下優(yōu)勢：第一，模型將擬人性變量納入其中，以體現(xiàn)GenAI的核心特征；第二，個體對人工智能的三個階段的評估過程，為深層次探索教師GenAI使用意向的形成提供了有價值的思路和視角；第三，模型同時包括了接受意向和拒絕意向，可以更全面地體現(xiàn)個體對GenAI的使用意向。

（二）變量選擇及闡釋

梳理已有文獻，影響教師使用GenAI的核心變量主要包括：社會影響、感知人性、準備條件、人工智能焦慮、績效預(yù)期、努力預(yù)期、情感、行為意向等因素。結(jié)合AIDUA模型及我國中小學(xué)教育教學(xué)特點，賦予其新內(nèi)涵。

社會影響：指個體感知到的所在社會群體規(guī)范對其使用技術(shù)的態(tài)度和壓力[19]。當個體沒有足夠的知識來作出明智決策時，群體規(guī)范是其決策過程的最重要信息來源之一[20]。研究表明，當技術(shù)應(yīng)用的社會反響越積極時，教師越傾向于接納新技術(shù)[21]。本文中的社會影響除了指教師所感知到的重要他人（領(lǐng)導(dǎo)、同事、學(xué)生、網(wǎng)絡(luò)媒體等）對其使用GenAI的態(tài)度和看法外，還包括網(wǎng)絡(luò)新聞媒體的影響。

感知人性：AIDUA模型中，擬人性指物體具有人類外觀、自我意識和情緒等人類特征的程度[22]。GenAI并不具有擬人化外觀，同時，個體也能意識到GenAI擬人性的表現(xiàn)僅是一種技術(shù)進步，并非具有自我意識[18]。因此，本文以感知人性代替擬人性，側(cè)重于強調(diào)個體對GenAI所表現(xiàn)出的類似人類智能和認知特性的感知和評價。

準備條件：指為引入和使用GenAI應(yīng)具備的條件[23]。準備條件分為兩個維度：從外在條件看，指教師所感知的支持其在工作中有效學(xué)習(xí)和使用GenAI的設(shè)備、資源、培訓(xùn)、服務(wù)等；從自身條件看，指教師應(yīng)具備的使用GenAI的相關(guān)態(tài)度、信念、知識、技能等[24]。

人工智能焦慮：指教師面對GenAI應(yīng)用于教育領(lǐng)域而出現(xiàn)的不安、沮喪、自我懷疑、憂慮等心理狀態(tài)[25]。當前我國中小學(xué)教師的人工智能焦慮處于較高水平[26]。因此，人工智能焦慮可能是阻礙教師使用GenAI的原因之一。

教師使用GenAI受多種因素的影響，最核心的變量為：績效預(yù)期、努力預(yù)期。績效預(yù)期與個體對技術(shù)使用的期望和目的有關(guān)[27]。努力預(yù)期指個體對學(xué)習(xí)和使用技術(shù)努力的感知。在假設(shè)模型中，績效預(yù)期和努力預(yù)期是情緒生成的直接前因。績效預(yù)期高，即教師認為GenAI能提供更優(yōu)質(zhì)的教學(xué)體驗和服務(wù)，可能會引發(fā)積極情緒；努力預(yù)期高，即教師認為使用GenAI需要付出更多努力，可能會引發(fā)消極情緒。

情緒：代表了個體對使用GenAI時所產(chǎn)生的情緒反應(yīng)[28]。情緒變量在模型中扮演著關(guān)鍵角色，是連接社會影響、感知人性、準備條件、人工智能焦慮等前因變量和行為意向的橋梁。積極情緒可能增加教師接受人工智能的意向，消極情感可能導(dǎo)致拒絕使用[29]。

行為意向：指一個人執(zhí)行或不執(zhí)行某項動作的意愿[30]。本研究中的行為意向分為兩個維度：接受使用和拒絕使用。接受使用指教師在工作中愿意使用GenAI；拒絕使用指教師在工作中反對使用GenAI。

（三）假設(shè)模型的構(gòu)建

以認知評估理論、AIDUA模型為主要參考，在系統(tǒng)梳理教師使用人工智能影響因素的基礎(chǔ)上，調(diào)整外生變量及研究假設(shè)，構(gòu)建新的假設(shè)模型（如圖2所示）。

基于假設(shè)模型，教師GenAI使用意向的形成可能需要經(jīng)歷三個階段：認知評估階段、情緒反應(yīng)階段、意向形成階段。認知評估階段：教師根據(jù)社會影響、感知人性、準備條件、人工智能焦慮等因素評估GenAI與教育教學(xué)的相關(guān)性和重要性；情緒反應(yīng)階段：基于初級評估，教師將進一步根據(jù)績效預(yù)期和努力預(yù)期來評估使用GenAI的收益和成本，進而產(chǎn)生相應(yīng)的情緒體驗；意向形成階段：教師所產(chǎn)生的情緒反應(yīng)將轉(zhuǎn)化為接受或拒絕使用GenAI的行為意向。

四、研究設(shè)計

（一）量表的編制

量表所有題項均來自高水平期刊文獻中的成熟量表，經(jīng)過“文獻系統(tǒng)梳理—專家問詢—預(yù)調(diào)查—修訂—正式調(diào)查—再修訂—驗證”等多次迭代，最終形成《教師生成式人工智能使用意向測評量表》。其中，第一部分圍繞性別、教齡、學(xué)歷、所在學(xué)校地區(qū)、任教學(xué)段、職務(wù)、了解人工智能的渠道、使用類型及頻率等教師的基本信息，調(diào)查其對GenAI的整體認知及使用經(jīng)驗。第二部分測量社會影響、感知人性、準備條件、人工智能焦慮、績效預(yù)期、努力預(yù)期、情緒等因素對教師GenAI使用意向的影響。量表整體采用李克特五點量表形式，1～5 選項分別對應(yīng)“非常不同意”“不太同意”“一般同意”“比較同意”“非常同意”。

（二）量表的信效度檢驗

在李克特量表中，常用的信度檢驗方法為Cronbach's α系數(shù)及分半信度系數(shù)。經(jīng)分析，量表的Cronbach's α 系數(shù)和分半信度系數(shù)分別為0.925 和0.804；各維度Cronbach's α系數(shù)為0.752～0.954，分半信度系數(shù)為0.769～0.945。結(jié)果說明問卷結(jié)構(gòu)的內(nèi)部一致性較好，測量結(jié)果可信且具有較強的解釋力。

效度檢驗包括內(nèi)容效度和建構(gòu)效度分析。內(nèi)容效度方面，參照國內(nèi)外成熟量表，結(jié)合中小學(xué)教育教學(xué)特點編制問卷，經(jīng)過多輪專家咨詢和教師修訂等環(huán)節(jié)，保證了測試題項的設(shè)計邏輯與內(nèi)容效度。建構(gòu)效度方面，需要對量表進行Bartlett's 球形檢驗和KMO 檢驗，確定問卷是否適合作因子分析。結(jié)果顯示，樣本數(shù)據(jù)的KMO 值為0.907，Bartlett's 球形檢驗的χ2 值為11586.691，（p=0.000lt;0.05），說明量表適合進行因素分析。

通過驗證性因素分析，測試題項的因子負荷量均處于0. 5以上，平均方差萃取AVE 值均大于0.5，且組合信度CＲ值均大于0.7，說明問卷具有良好的聚合效度。區(qū)分效度結(jié)果顯示，除了績效預(yù)期AVE的平方根值略小于其與感知人性的相關(guān)系數(shù)值外，其他變量的AVE平方根值均大于變量間的相關(guān)系數(shù)值，說明量表題項的區(qū)分效度良好。綜上所述，量表的測試因子與題項之間的對應(yīng)結(jié)構(gòu)合理，能較準確地測量教師對GenAI的使用意向。

（三）量表的發(fā)放與回收

調(diào)查采用整體抽樣和方便抽樣相結(jié)合的方法，通過網(wǎng)絡(luò)發(fā)放的方式，從我國東、中、西部抽取K-12階段的教師作為研究對象。共發(fā)放1264份，有效問卷955份，有效率為75.55%（見表1）。

五、研究結(jié)果及討論

首先，通過描述性統(tǒng)計、比較平均值分析，了解教師對GenAI的整體認知及使用意向；其次，對假設(shè)模型進行檢驗與修正；最后，闡釋教師GenAI使用意向的內(nèi)在機制。

（一）教師生成式人工智能整體認知及使用意向

本研究主要從教師對人工智能的了解渠道、使用類型及頻率三個方面調(diào)查其對GenAI的整體認知。結(jié)果表明：網(wǎng)絡(luò)媒體是教師了解GenAI的主要渠道（36%），其次是培訓(xùn)學(xué)習(xí)、娛樂活動（如游戲、電影、電視節(jié)目等）（18%）。在調(diào)查的955名教師當中，經(jīng)常使用的人工智能類型是智能備課、學(xué)習(xí)輔導(dǎo)、課堂管理等系統(tǒng)（42%），有74%的教師未使用過GenAI。概言之，教師對GenAI的了解渠道單一，認知較少，使用經(jīng)驗有限。

教師GenAI的使用意向主要從接受使用和拒絕使用兩個維度展開調(diào)查。整體而言，教師對GenAI接納度較高，均值為3.96，拒絕度相對較低，均值為2.78。可見，雖然教師對GenAI的認知少，經(jīng)驗有限，但對其使用持積極態(tài)度和看法，愿意學(xué)習(xí)并嘗試使用人工智能技術(shù)，支持將其融入教育教學(xué)。在拒絕使用維度中，教師認為，當前GenAI處理問題的方式并不人性化（均值為3.07），這可能是阻礙教師使用GenAI的原因之一，相信隨著人工智能技術(shù)的快速迭代，這一問題將能得到較好解決。

進一步對不同教師群體GenAI的使用意向進行比較。由于在調(diào)查樣本中，西部地區(qū)、學(xué)前及高中階段的教師較少，在區(qū)域及學(xué)段層面，僅比較了東部和中部、小學(xué)與初中階段的教師GenAI使用意向的差異性。接受使用維度：在性別層面，男性GenAI使用意向的均值（4.10）略大于女性（3.89），存在顯著差異；在地區(qū)層面，市區(qū)教師GenAI使用意向均值（4.03）略大于鄉(xiāng)村（3.89），存在顯著差異，市區(qū)與縣城教師之間不存在顯著差異；在學(xué)段層面，初中教師GenAI使用意向的均值（3.95）略大于小學(xué)教師（3.93），存在顯著差異。除此之外，不同區(qū)域、不同教齡的教師群體在接受GenAI意向方面均不存在顯著差異。反對使用維度：不同群體教師的GenAI使用意向的差異性均不顯著。

整體而言，人口學(xué)變量基本不影響教師對GenAI的使用意向。其原因可能在于，從國家政策來看，無論教師之間的性別、教學(xué)經(jīng)驗、教育程度等有何差異，教育部門都要求教師具備人工智能教育的數(shù)字能力或素養(yǎng)。

（二）模型的檢驗與修正

為了探究教師GenAI使用意向的內(nèi)在機制，需要通過結(jié)構(gòu)方程模型對假設(shè)模型進行檢驗與修正。修正后的模型如圖3所示，虛線帶箭頭的線條為新增路徑，實線帶箭頭的線條為假設(shè)模型中的預(yù)設(shè)路徑。經(jīng)檢驗，該模型具有較好的擬合效果，各項指標均達到結(jié)構(gòu)方程模型的擬合要求（見表2）。

為了與假設(shè)模型作比較，修正模型中的觀測變量和誤差項均未顯示在圖中。修正后的模型相對于假設(shè)模型，作了如下修正：

第一，在假設(shè)模型中，預(yù)設(shè)社會影響對績效預(yù)期產(chǎn)生直接正向影響（H1），對努力預(yù)期產(chǎn)生直接負向影響（H2）。經(jīng)檢驗，H1成立，H2不成立，社會影響作用于努力預(yù)期的標準化回歸系數(shù)僅為-0.056，其絕對值小于0.19的可信度要求，刪除“社會影響→努力預(yù)期”這條路徑。另外，假設(shè)模型中未考慮社會影響對感知人性和人工智能焦慮的影響。描述性統(tǒng)計表明，教師對GenAI的認知及使用經(jīng)驗有限，相關(guān)內(nèi)容知識（Content Knowledge）很大程度上來自社會話語。因此，增加“社會影響→感知人性”“社會影響→人工智能焦慮”兩條路徑。

第二，在假設(shè)模型中，預(yù)設(shè)準備條件對績效預(yù)期產(chǎn)生直接正向影響（H5），對努力預(yù)期產(chǎn)生直接負向影響（H6）。經(jīng)檢驗，準備條件作用于績效預(yù)期、努力預(yù)期的標準化回歸系數(shù)分別為0.122、-0.077，絕對值小于0.19，原假設(shè)不成立。其原因可能是：從外部條件看，當前的GenAI大多為開源工具，且有免費版本，無須額外設(shè)備及支持即可輕松使用。從內(nèi)部條件看，由于人工智能融入教育教學(xué)處于初始階段，教師并不確定該如何學(xué)習(xí)、怎樣使用人工智能[31]。因此，教師在形成GenAI使用意向的過程中，可能并不關(guān)心是否具備“準備條件”。在修正模型中刪除準備條件這一變量。

第三，在假設(shè)模型中，預(yù)設(shè)人工智能焦慮對績效預(yù)期產(chǎn)生直接負向影響（H7），對努力預(yù)期產(chǎn)生直接正向影響（H8）。經(jīng)檢驗，H7不成立，H8成立。如前文所述，教師感知的績效預(yù)期主要來自社會影響。研究同時表明，教師并不擔(dān)憂人工智能會取代自身，其主要顧慮是，隨著人工智能的普及，需要變革教育教學(xué)模式，這可能意味著增加額外的工作負擔(dān)[32]。因此，人工智能焦慮會對努力預(yù)期、接受或拒絕使用GenAI產(chǎn)生直接影響。在修正模型中，刪除“人工智能焦慮→績效預(yù)期”，增加“人工智能焦慮→接受使用GenAI”“人工智能焦慮→拒絕使用GenAI”兩條路徑。

第四，在假設(shè)模型中，未考慮績效預(yù)期對努力預(yù)期和接受使用GenAI意愿的影響。研究表明，相對于簡單減輕工作負擔(dān)，教師更關(guān)注新技術(shù)能否提高教學(xué)成效[33]。因此，績效預(yù)期比努力預(yù)期更有解釋力。在修正模型中，增加“績效預(yù)期→接受使用GenAI”“績效預(yù)期→努力預(yù)期”兩條路徑。

（三）教師生成式人工智能使用意向內(nèi)在機制分析

基于修正模型，教師GenAI使用意向的內(nèi)在機制可從兩個維度（接受使用、拒絕使用）、三個階段（認知評估階段、情緒反應(yīng)階段、意向形成階段）進行分析。

接受使用GenAI的內(nèi)在機制。認知評估階段：社會影響一方面直接影響績效預(yù)期，另一方面通過感知人性間接影響績效預(yù)期。具體而言，如果教師所在社交群體、網(wǎng)絡(luò)媒體積極看待、鼓勵使用GenAI，則教師更有可能認為使用GenAI是有效的。通過社會影響，教師了解到GenAI具有多種模擬甚至超越人類智能的特征，進而認為其能夠為工作減負增效。從回歸系數(shù)來看，“社會影響→感知人性→績效預(yù)期”要比“社會影響→績效預(yù)期”更普遍、有效。情緒反應(yīng)階段：同樣存在“績效預(yù)期→情緒”“績效預(yù)期→努力預(yù)期→情緒”兩條路徑。這意味著，教師會進一步評估GenAI是否會與其協(xié)同完成教育教學(xué)任務(wù)。如果認為GenAI可以促進工作減負增效，則會獲得積極情緒。從回歸系數(shù)看，“績效預(yù)期→情緒”這一路徑更有效、普遍。意向形成階段：存在“績效預(yù)期→接受使用GenAI”“情緒→接受使用GenAI”“人工智能焦慮→接受使用GenAI”等三條路徑。綜上所述，教師在對GenAI的感知、使用過程中，如果接受并認可其價值，獲得愉悅感和滿足感等情感體驗，且未產(chǎn)生較高的焦慮情緒，則更容易形成接受使用GenAI的行為意向，在三條路徑當中，“績效預(yù)期→接受使用GenAI”更為普遍。

拒絕使用GenAI的內(nèi)在機制。認知評估階段：社會影響通過人工智能焦慮間接影響努力預(yù)期。教師如果通過其所在社交群體、網(wǎng)絡(luò)媒體感知到的是GenAI的應(yīng)用需要改變原有的教育教學(xué)模式，則自然會處于較高的焦慮狀態(tài)，進而增加努力預(yù)期。情緒反應(yīng)階段：其路徑與上文相同——“績效預(yù)期→情緒”“績效預(yù)期→努力預(yù)期→情緒”。教師進一步根據(jù)績效預(yù)期和努力預(yù)期評估使用GenAI的收益和成本，這將影響他們的情感體驗。如果教師認為GenAI不僅與自身工作相關(guān)性不大，還會增加學(xué)習(xí)和使用成本，則會產(chǎn)生不滿、沮喪等消極情緒。意向形成階段：存在“人工智能焦慮→拒絕使用GenAI”“情緒→拒絕使用GenAI”等兩條路徑。如果教師在隱私侵犯、倫理違背、歧視與偏見、學(xué)習(xí)與使用等方面存在較高的人工智能焦慮，則可能會拒絕使用GenAI。如果教師對GenAI的體驗存在不滿、無趣、失望等消極情緒，則可能會拒絕使用GenAI。從回歸系數(shù)看，相對于消極情緒，人工智能焦慮是教師拒絕使用GenAI的主要影響因素。

六、結(jié)論及不足

（一）使用意向：教師對生成式人工智能的使用持積極態(tài)度

總體而言，教師雖然對GenAI的認知較少、使用經(jīng)驗有限，但對其使用持積極態(tài)度和看法，支持將其融入教育教學(xué)。這與已有研究基本一致，教師并不擔(dān)心人工智能會取代自身職業(yè)，且認為人工智能可以促進教學(xué)工作[34]。其原因在于，一方面，GenAI無須額外支持即可輕松使用；另一方面，教師認識到GenAI具有的類人性特征可以促進其工作提質(zhì)增效。

（二）內(nèi)在機制：表現(xiàn)為兩個維度、三個階段的認知過程、心理機制和行為模式

當前，學(xué)界對教師GenAI的使用意向關(guān)注較少，且主要以TAM類模型為分析框架。該類模型基于測評非智能技術(shù)接納度而開發(fā)，未涵蓋使用意向形成的內(nèi)在機制。本研究基于認知評估理論及AIDUA模型，以中小學(xué)教師為調(diào)查對象，初步探索了教師對GenAI使用意向的形成機制。研究發(fā)現(xiàn)：教師GenAI使用意向形成的內(nèi)在機制頗為復(fù)雜，表現(xiàn)為兩個維度（接受使用、拒絕使用）、三個階段（認知評估階段、情緒反應(yīng)階段、意向形成階段）的認知過程、心理機制和行為模式。從模型中各變量間的關(guān)系及回歸系數(shù)來看，教師對GenAI人性特征的感知、績效預(yù)期、行為意向等主要來自社會影響，“社會影響→感知人性→績效預(yù)期→接受使用GenAI”是更為普遍的教師GenAI接受使用意向的形成過程及內(nèi)在機制。當前導(dǎo)致教師拒絕使用GenAI的主要因素是人工智能焦慮。如前文所述，教師并非焦慮其職業(yè)被取代，而是擔(dān)憂隨之而來的教育教學(xué)變革，不確定該如何學(xué)習(xí)、使用人工智能。

為提高教師對GenAI的接受度，需提供更多的專業(yè)發(fā)展及使用GenAI的機會，增強其使用能力和信心；培訓(xùn)研修應(yīng)側(cè)重于通過實踐活動使教師在真實教學(xué)環(huán)境中使用GenAI技術(shù)；研發(fā)者與教育者需協(xié)同合作，開發(fā)易于使用、決策透明的人工智能工具，使教師用更少的時間和精力充分理解和利用人工智能進行教學(xué)創(chuàng)新。

（三）研究局限：還需通過后續(xù)研究進一步對模型進行優(yōu)化與驗證

本研究存在一定局限性。首先，從模型的適用范圍來看，本研究的調(diào)查對象以小學(xué)及初中教師為主，同時包含少量學(xué)前及高中階段的教師，后續(xù)研究還需進一步增加對學(xué)前及高中階段教師的調(diào)查。同時，模型是否適用于高校教師及師范生關(guān)于GenAI使用意向的測評有待進一步檢驗。其次，從模型的核心變量來看，僅包括社會影響、感知人性、人工智能焦慮、績效預(yù)期、努力預(yù)期、情緒、行為意向等因素，難以完全厘清教師使用GenAI的認知過程、心理機制和行為模式，還需通過后續(xù)的理論及實證研究，引入新的變量，對模型進行優(yōu)化、驗證。

[參考文獻]

[1] 王雯，李永智． 國際生成式人工智能教育應(yīng)用與省思[J]． 開放教育研究，2024，30（3）：37-44．

[2] 王帥杰，湯倩雯，楊啟光． 生成式人工智能在教育應(yīng)用中的國際觀察：挑戰(zhàn)、應(yīng)對與鏡鑒[J]． 電化教育研究，2024，45（5）：106-112，120．

[3] ISMAIL S A A， ALMEKHLAFI A G， AL-MEKHLAFY M H. Teachers' perceptions of the use of" technology in teaching languages in United Arab Emirates' schools[J]. International journal for research in education， 2010，27（1）：37-56.

[4] MENGHANI G. Efficient deep learning： a survey on making deep learning models smaller， faster， and better[J]. ACM computing surveys， 2023，55（12）：1-37.

[5] SAKIRIN T， KUSUMA S. A survey of generative artificial intelligence techniques[J]. Babylonian journal of artificial intelligence， 2023：10-14.

[6] 中國網(wǎng)信網(wǎng). 生成式人工智能服務(wù)管理暫行辦法[EB/OL]. （2023-07-13）[2024-01-21]. http：//www.cac.gov.cn/2023-07/13/c_1690898327029107.htm.

[7] UNESCO. Guidance for generative AI in education and research[EB/OL]. （2023-09-07） [2023-09-21]. https：//unesdoc.unesco.org/ark：/48223/pf0000386693.

[8] OECD. Initial policy considerations for generative artificial intelligenc[EB/OL]. （2023-09-18）[2024-01-21]. https：//www.oecd.org/en/publications/initial-policy-considerations-for-generative-artificial-intelligence_fae2d1e6-en.html.

[9] British Department for Education. Generative artificia intelligence in education[EB/OL]. （2023-03-29）[2024-01-04]. https：//assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1146540/Generative_artificial_intelligence_ in_education_.pdf.

[10] U. S. Department of Education. Artificial intelligence and the future of teaching and learning[EB/OL]. （2023-05-07）[2024-03-21]. https：//www2.ed.gov/documents/ai-report/ai-report.pdf.

[11] 苗逢春． 生成式人工智能技術(shù)原理及其教育適用性考證[J]． 現(xiàn)代教育技術(shù)，2023，33（11）：5-18．

[12] 劉邦奇，聶小林，王士進，等． 生成式人工智能與未來教育形態(tài)重塑：技術(shù)框架、能力特征及應(yīng)用趨勢[J]． 電化教育研究，2024，45（1）：13-20．

[13] KAPLAN-RAKOWSKI R， GROTEWOLD K， HARTWICK P， et al. Generative AI and teachers' perspectives on its implementation in education[J]. Journal of interactive learning research， 2023，34（2）：313-338.

[14] LAZARUS R S． Cognition and motivation in emotion[J]． The American psychologist，1991，46（4）：352-367．

[15] LAZARUS R S． Progress on a cognitive-motivational-relational theory of emotion[J]． The American psychologist，1991，46（8）：819-834．

[16] GURSOY D， CHI O H， LU L， et al. Consumers acceptance of artificially intelligent （AI） device use in service delivery[J]. International journal of information management， 2019，49：157-169.

[17] 王偉正，喬鴻，李肖俊，等． 基于AIDUA框架的生成式人工智能使用意愿研究[J]． 農(nóng)業(yè)圖書情報學(xué)報，2024，36（2）：36-50．

[18] MA X Y， HUO Y D． Are users willing to embrace ChatGPT？ Exploring the factors on the acceptance of chatbots from the perspective of AIDUA framework[J]. Technology in society， 2023，75：1-13.

[19] YILMAZ F G K， YILMAZ R， CEYLAN M. Generative artificial intelligence acceptance scale： a validity and reliability study[J]. International journal of human-computer interaction， 2023，12：1-13.

[20] ZHANG C M， SCHIE？覻L J，PL？魻？覻L L，et al． Acceptance of artificial intelligence among pre-service teachers： a multigroup analysis[J]. International journal of educational technology in higher education， 2023，20（1）：28-49.

[21] 李世瑾，顧小清. 中小學(xué)教師對人工智能教育接受度的影響因素研究[J]. 現(xiàn)代遠距離教育，2021，11（4）：66-75.

[22] KIM N， KIM W. Do your social media lead you to make social deal purchases？ Consumer-generated social referrals for sales via social commerce[J]. International journal of information management， 2018，39（4）：38-48.

[23] FRICK N R J， MIRBABAIE M， STIEGLITZ S， et al． Maneuvering through the stormy seas of digital transformation： the impact of empowering leadership on the AI readiness of enterprises[J]. Journal of decision systems， 2021，30（23）：235-258.

[24] WANG T， CHENG E C K. An investigation of barriers to Hong Kong K-12 schools incorporating Artificial Intelligence in education[J]. Computers and education： artificial intelligence， 2021，31（2）：1-11.

[25] LI J， HUANG J S. Dimensions of artificial intelligence anxiety based on integrated fear acquisition theory[J]. Technology in society， 2020（9）：1-10.

[26] 趙磊磊，張黎，章璐，等. 中小學(xué)教師的人工智能焦慮：現(xiàn)狀分析與消解路向[J]. 現(xiàn)代教育技術(shù)，2022，32（3）： 81-91.

[27] CHOCARRO R， CORTI？譙AS M， MARCOS-MAT？魣S G． Teachers' attitudes towards chatbots in education： a technology acceptance model approach considering the effect of social language， bot proactiveness， and users' characteristics[J]. Educational studies， 2023，49（2）：295-313.

[28] JIN S V， YOUN S. Social presence and imagery processing as predictors of chatbot continuance intention in human-AI-interaction[J]. International journal of human-computer interaction， 2023，39（9）：1874-1886.

[29] LE D， PRATT M， WANG Y， et al. How to win the consumer's heart？ Exploring appraisal determinants of consumer pre-consumption emotions[J]. International journal of hospitality management， 2020，88（10）：1-35.

[30] HIDAYANTO A N， HIDAYAT L S， SANDHYADUHITA P I， et al. Examining the relationship of payment system characteristics and behavioural intention in e-payment adoption： a case of Indonesia[J]. International journal of business information systems， 2015，19（1）：58-86.

[31] CHOUNTA I A， BARDONE E， RAUDSEP A， et al． Exploring teachers' perceptions of artificial intelligence as a tool to support their practice in Estonian K-12 education[J]. International journal of artificial intelligence in education， 2022，32（3）：725-755.

[32] WANG Y， LIU C， TU Y F. Factors affecting the adoption of AI-based applications in higher education[J]. Educational technology amp; society， 2021，24（3）：116-129.

[33] KENNEDY P. Learning cultures and learning styles： myth-understandings about adult（Hong Kong）Chinese learners[J]. International journal of lifelong education， 2002，21（5）：430-445.

[34] KIZILCEC R F. To advance AI use in education， focus on understanding educators[J]. International journal of artificial intelligence in education， 2024，34（1）：12-19.

Research on Formation Mechanism of Teachers' Intention to Use Generative Artificial Intelligence

ZHANG Yanjie

（Faculty of Education， Henan Normal University， Xinxiang Henan 453007）

[Abstract] Generative Artificial Intelligence （GenAI） has a widespread and profound impact on education， but the academic community has paid relatively little attention to" teachers' intention to use GenAI. The study took primary and secondary school teachers as the research object， and based on cognitive appraisal theory and the AIDUA model， adopted questionnaire survey and structural equation modelling to preliminarily explore the formation mechanism of teachers' intention to use GenAI. It is found that， although teachers have limited knowledge and experience with GenAI， they maintain a positive attitude towards its use， support its integration into education and teaching， and do not worry about being replaced. And the formation mechanism of teachers' GenAI use intention manifests as" a cognitive process， psychological mechanism and behavioral pattern with two dimensions （acceptance of use and rejection of use） and three stages （cognitive appraisal stage， emotional response stage and intention formation stage）. The \"social influence → perceived humanization →performance expectancy → acceptance of using GenAI\" pattern represents a more universal mechanism for the formation of teachers' intention to accept GenAI. AI anxiety is one of the main factors leading to teachers' rejection of GenAI use. Therefore， to enhance teachers' acceptance of GenAI， it is necessary to strengthen their professional development， increase practical opportunities， and promote collaboration between researchers and educators， thereby improving their performance expectations of GenAI， reducing their use anxiety， and promoting education and teaching innovation.

[Keywords] Teachers; Generative Artificial Intelligence; AIDUA Model; Intention to Use; Formation Mechanism

基金項目：2023年度河南省哲學(xué)社會科學(xué)規(guī)劃項目“教育數(shù)字化轉(zhuǎn)型背景下人工智能與教師專業(yè)發(fā)展融合路徑研究”（項目編號：2023BJY022）

[作者簡介] 張彥杰（1982—），男，河南鄭州人。副教授，博士，主要從事教師教育和智能教育研究。E-mail：zhangyj_suifeng@126.com。