生成式人工智能對高校教師教學創新行為的雙刃效應

中圖分類號：G640 文獻標志碼：A文章編號：1673—8381（2025）04—0072—14

作為推動社會進步與產業升級的關鍵力量，人工智能技術正日益重塑人們的日常生活與工作[]。其中，生成式人工智能（Generative Arti-ficialIntelligence，GAI技術通過自主提供數據驅動的生成內容（包含文本、圖像、聲音、視頻和代碼等），為個體的行為決策提供信息支持[2]隨著GAI在各個行業工作場所中普及率和采用率的不斷提升，高等教育領域也開始積極應對人工智能技術帶來的廣泛影響[3-4]。各高校紛紛將GAI應用于教學和科研，由此來順應我國大力發展智慧教育的時代發展趨勢。在此背景下，高校教師不僅需要學習和使用人工智能技術賦能的教學應用軟件和平臺，更要具備將這些現代信息技術與傳統的課堂教學相結合的教學創新能力[5-7]。根據現有研究可知，只有當個體進行創新時，其與人工智能的優勢才是互補的，個體與人工智能的合作才能為組織帶來競爭優勢[8]因此，教師的教學創新行為對高校整體教育教學水平的提升至關重要。已有研究既從理論層面指出了高校教師在人工智能技術推廣與應用中的積極影響，也提出了當前高校教師在將GAI融入教學過程中所面臨的困境[9]。然而，高校教師從“感知\"到“思考”再到“行動”的認知發展階段邏輯，以及在GAI技術支持下教學創新行為的邊界條件效應，尚未經過縱向檢驗。特別是在GAI技術高頻使用的高校教師群體中，其創新動能減弱的現象仍缺乏實證研究的支持。

鑒于此，本研究利用“感知-思考-行動\"縱向理論框架，將基于GAI知識獲取與應用的技術效能感、基于GAI知識過載的技術壓力、GAI驅動的認知重構以及基于GAI技術的教學創新行為等變量納入其中。通過實證分析高校教師的正負面感知轉化為積極或消極教師教學創新行為的過程，本研究進一步驗證GAI驅動的認知重構在該框架中的中介作用。此外，本研究還試圖進一步檢驗GAI使用程度的調節效應，以揭示高校教師這一高頻使用群體中出現的創新動能減弱的悖論現象。

一、文獻綜述與研究假設

（一）“感知-思考-行動”范式

現有研究已對效能感、壓力及認知重構在教育情境中的影響因素（前因）與作用結果（后果）進行了探討，其主要內容可概括性歸納為表1。

根據海耶斯（KatherineHayles）的“感知-思考-行動\"（Sense-Think-Act，STA）理論范式可知，個體首先通過對外部環境及其變化的感知形成最直接的初步判斷，隨后運用認知對客觀事物的本質進行深入思考、分析和理解，最終采取行動決策以適應環境變化[18]。然而，現有關于高校教師的研究尚未涉及這一認知發展邏輯，亦未明確教師利用GAI技術開展教學創新行為的邊界條件。本研究梳理了現有關于效能感、壓力及認知重構在教育情境中的研究成果，如圖1所示，各個概念間的實線連接部分代表現有研究中已充分探討的內容，而虛線連接部分則表示尚未在現有研究中得到驗證的潛在路徑。從圖1可以發現，未得到驗證的潛在路徑主要有效能感一認知重構、效能感-創新行為、壓力-認知重構、壓力-創新行為，GAI技術使用程度在效能感-認知重構間的調節效應，GAI技術使用程度在壓力-認知重構間的調節效應等。

基于此，本研究遵循“感知-思考-行動\"理論 范式，將高校教師處理GAI知識的過程分為感

知、思考和行動三個階段[18]。本研究把基于GAI知識獲取與應用的技術效能感和基于GAI知識過載的技術壓力視為感知階段；GAI驅動的認知重構視為思考階段；教學創新行為視為行動階段。

（二）基于GAI知識和技術的正負面感知

認知負荷理論將個體的認知活動視為一種純天然的信息處理系統，其目的在于學習[19]當個體在學習新知識過程中構建新的認知結構并獲得了更多收益時，我們視其為有效的知識獲取[19]；當個體收到的信息超出了其有效處理的能力時，我們視其為知識過載[20]。本研究將這一理論應用于GAI領域。具體來說，充分發揮個體與GAI相互協作優勢的一個關鍵原則是“個體從機器中學習\"[21]。然而，學習GAI技術并非沒有認知成本，人機協作的副作用是“可能導致個體投入更多的認知努力\"[22]，從而超出個體工作記憶的容量。如果忽視這些認知成本，可能導致高校部署和下達教師們無法掌握和完成的GAI應用軟件和教學任務。因此，本研究將“知識獲取與應用”和“知識過載”視為教師在GAI學習和使用過程中產生正負面感知的重要前提。

根據壓力交易模型（Transaction-basedModelofStress，TMS）可知，個體當面對特定的壓力源時，會產生積極和消極的認知過程[23]本研究將GAI作為一個特定的壓力源。一方面，當個體主動且樂于獲取和應用新知識時，GAI技術帶給他們的認知收益會增加，從而抵消認知成本[2]。在此情境下，基于GAI技術的知識獲取工作能夠增強個體的成就感，并促進其效能感的提升。效能感源于心理學家班杜拉（AlbertBandura）的情境依賴性理論。班杜拉認為，個體在特定情境下對自己能否利用所擁有的技能去完成某項工作任務的自信程度和信念會影響個體的后續選擇[24]。高效能感的教師在面對新技術帶來的挑戰，以及將GAI所提供的新知識有效融入工作時，能夠展現更強的信念與信心[1][25]。另一方面，個體因新知識的頻繁涌入而超出其有效處理能力時，會導致認知負荷過載[1]。在此情境下，GAI技術所引發的知識過載現象對教師的認知能力和心理健康可能產生負面影響1，個體也由此感受到技術壓力。技術壓力最早使用于信息通信技術領域，指個體無法以積極方式適應或應對新技術而形成的壓力[26]。高校教師群體在面對GAI時也同樣存在技術壓力。鑒于此，本研究將高校教師的正負面感知分別歸納為“基于GAI知識獲取與應用的技術效能感”（以下簡稱“GAI技術效能感\"）和“基于GAI知識過載的技術壓力”（以下簡稱“GAI技術壓力\"）。

（三）基于GAI技術的正負面感知與教學創新行為

關于高校教師的教學創新行為，已有研究尚未直接基于人工智能技術背景對這一概念及其技術賦能形式作出明確界定。從已有文獻看，尹（MengYin）等主要從企業項目流程與銷售市場拓展角度提出了企業員工創新行為的概念，認為創新行為是通過創造性方式解決問題并為新問題提供解決方案[8]。結合我國高等教育實際，本研究將高校教師“基于GAI技術的教學創新行為\"（以下簡稱“教學創新行為\"定義為教師主動運用GAI技術整合教學資源、重構教學流程以及創新教學方法，從而開展的具有創新特質的教學實踐行為。對于企業員工創新行為的測量問題，尹等也構建了“人工智能技術驅動的創新行為\"測量量表[8]。本研究參考這一量表，對高校教師基于GAI技術的教學創新行為進行操作化定義并編制“高校教師基于GAI技術的教學創新行為\"測量量表。

關于高校教師基于GAI技術的正負面感知，現有研究尚未直接涉及，相關研究多是從傳統信息技術的視角進行探索。如塔拉夫達（MonideepaTarafdar）等認為，信息技術可以驅動創新[26]；蒂爾尼（Pamela Tierney）等認為，個體的創造性自我效能感是創新行為的一個重要預測因素[27]。具體來說，富有高GAI技術效能感的教師相信自己具備與GAI協同合作的能力，并據此針對教學任務或教學流程進行創新。但以往研究表明，學習新興技術及其相關知識可能導致知識過載風險，使個體容易產生技術壓力，從而抑制其創新行為[8][26][28]。由此可以看出，GAI技術壓力在一定程度上可以反映教師在與GAI協同合作時的工作不安全感，并引發工作倦怠甚至是離職意向，這會導致他們回避創新和教學創新行為。

基于以上分析，本研究得出“雙刃效應\"操作化公式：雙刃效應 =β 正向（效能感 $$ 創新）與 β 負向（壓力—"創新）同時顯著且方向相反。由此，本研究提出以下假設：

H1：GAI技術效能感對教學創新行為產生積極影響；

H2：GAI技術壓力對教學創新行為產生消極影響。

（四）GAI驅動的認知重構與教學創新行為

GAI驅動的認知重構理論源于戴維斯（Fred Davis）提出的技術接受模型（TechnologyAcceptanceModel，TAM）。該模型指出，個體認知是影響技術實際使用的關鍵前因變量[29]。正如瑞斯尼斯基（AmyWrzesniewski）等所指出的，在應對重大變革時，個體通常會對工作的意義及工作的身份產生認知上的變化[30]。而個體為了自身的幸福感、工作對象的幸福感或組織的幸福感，會主動改變自己對工作的看法，并重新思考自己工作的重要性，即認知重塑[31]。GAI技術在各個領域中的推廣可以被視為一種重大的技術變革，它改變了人們的工作任務和流程[32]。因此，高校教師需要重構他們的認知以適應新的工作環境。謝雷爾（RonnyScherer）等基于TAM模型并結合高校教師在數字技術背景下的實際情況進一步指出，教師對新興技術的深度認知，不僅能夠有效降低技術使用焦慮感，還能顯著提升技術整合能力，從而促使教師更主動地設計和實施基于數字技術支持的個性化教學方案[33]。另有學者認為，當個體充分認識到并認同信息技術的賦能效應及其變革潛力時，其技術采納意愿將顯著增強[31]。據此，本研究提出以下假設：

H3：GAI驅動的認知重構會對教學創新行為產生積極影響。

（五）GAI驅動的認知重構的間接作用

當個體因新知識獲取而具備較高自我效能感時，他們會將人工智能技術視為對工作的有益補充8。在這種情況下，個體對GAI的認知水平會逐漸提高，并逐漸認識到與GAI的協同合作能夠為工作帶來積極的結果[34]。換言之，高校教師將通過對GAI知識的不斷學習和應用，提升對GAI技術的客觀認知水平，增強其對人機協作的價值認同，并積極思考如何為學校創造更多價值。

根據認知負荷理論，當個體的認知負荷超過其記憶容量時，新知識會帶來認知壓力，從而顯著降低工作積極性[19]。在GAI技術日益普及的時代背景下，當高校教師感知到GAI帶來的學習和教學壓力時，他們將擔心自己無法掌握人工智能技術或即使付出努力也無法實現人機協作的目標。在此情況下，個體往往會產生排斥心理，有意或無意地拒絕改變固有的認知結構，不愿意投入更多精力去了解GAI技術，并拒絕在行動上進行創新[28]。尤其當高校教師在與GAI協作過程中出現過失敗的情況時，這種行為可能表現得更突出。基于上述分析，本研究提出以下假設：

H4：GAI技術效能感通過GAI驅動的認知重構對教學創新行為產生積極影響；

H5：GAI技術壓力通過GAI驅動的認知重構對教學創新行為產生消極影響。

（六）GAI使用程度的調節效應

馬（GuangyuanMa）等的研究結果表明，個體對AI技術的使用程度在其感知行為中起調節作用[35]。當教師使用程度較低時，GAI可能通過技術效能感來顯著提升其認知程度及價值認同。隨著GAI使用程度的不斷提高，教師對技術的新奇感與探索性降低，可能導致技術效能感對認知重構的邊際貢獻效應遞減。此外，教師過度依賴GAI易產生倦怠感，導致其原本通過知識應用獲得的效能感無法有效實現對GAI技術的深層認知重構。在這種情況下，GAI技術效能感對教師認知的驅動力將逐漸下降。

GAI使用程度對GAI技術壓力-GAI驅動的認知重構關系同樣呈現調節作用。基于戴維斯的技術接受模型可以推斷，隨著GAI技術應用熟練度的提升，教師通過適應性學習機制能夠對排斥心理逐漸脫敏，并形成更高的技術接受度與更強的掌控感，這有助于將原本因GAI知識過載引發的壓力轉化為推動認知適應的動力。此外，高頻使用GAI技術會使教師對壓力的緩沖有一定的心理預期，進而有效緩解GAI技術壓力對認知重構產生的負面效應。基于上述討論，本研究提出以下假設：

H6：GAI使用程度負向調節GAI技術效能感對GAI驅動的認知重構的積極影響；

H7：GAI使用程度負向調節GAI技術壓力對GAI驅動的認知重構的消極影響。

綜上所述，本研究以GAI技術效能感、GAI技術壓力為外因潛變量，以GAI驅動的認知重構為中介潛變量，以教學創新行為為內因潛變量，以GAI使用程度為調節潛變量，構建理論框架（見圖2）。

GAI使用程度：

GAI技術效能感： 在工作中，教師對GAI的

教師在知識獲取與應用的 使用頻率和依賴程度

情境下，對自己能否利用

GAI技術工具去完成教學

任務的自信程度和信念感 GAI驅動的認知重構： 教學創新行為：教師對GAI技術在教學工 在人機合作的教學過程作中的賦能效應及其變 中，采用新的理念、方法、革潛力的充分認知 技術等，以提高教學質量和效果

GAI技術壓力：

由于GAI知識過載所引發的

在教學方面的技術壓力感知（Sense） 思考（Think） 行動（Act）

二、測量工具設計與檢驗

（一）測量工具設計

根據上述理論框架，參考已有研究及其相關學者所設計的量表，本研究構建了包含教學創新行為、GAI技術效能感、GAI技術壓力、GAI驅動的認知重構、GAI使用程度等5個潛變量在內的預試量表。具體而言，對于潛變量教學創新行為，本研究借鑒尹等[8關于人工智能技術驅動的創新行為的測量量表，編制了5個測量題項；對于潛變量GAI技術效能感，借鑒尹等關于人工智能環境下的創造性自我效能感的測量量表，編制了5個測量題項；對于潛變量GAI技術壓力，借鑒塔拉夫達等[36]關于人工智能環境下個體技術壓力過載的測量量表，編制了7個測量題項；對于潛變量GAI驅動的認知重構，借鑒宋（YueSong）等[32]關于信息技術下的認知重塑的測量量表，編制了5個測量題項；對于潛變量GAI使用程度，借鑒唐（PokManTang）等[37]關于人工智能使用程度的測量量表，編制了4個測量題項。

為了確保研究量表的內容效度，在量表設計時，本研究采取了“翻譯-回譯\"方法對英文文獻中的量表題項進行翻譯和回譯。同時，為了確保測量題項能夠更好契合我國高校的具體情境以及我國教師的工作環境，我們邀請了5位本研究領域的專家，對編制后的量表及測量題項提出建議。在基本保持原量表原意的基礎上，我們對原量表測量題項的表述方式以及較為寬泛的語句進行適當修訂。如將原題項“我利用人工智能助手（人工智能技術）收集市場信息”修改為“我常常利用GAI技術獲取更多課程前沿知識或最新信息以重構課程教學內容”等。

預試量表共包括5個潛變量和26個觀測題項（指標），均采用李克特五點量表形式呈現，其中“1\"表示“非常不同意”，“5”表示“非常同意”（見表2）。為避免同源偏差問題，本研究對各潛變量的觀測題項采用多樣化的表述方式。

（二）測量工具檢驗

為進一步檢驗量表測量題項的區分度、結構效度和內部一致性，本研究通過簡單隨機抽樣，獲得預試樣本162份，利用預試數據對量表分別進行檢驗。在項目分析中，本研究刪除了不符合要求的題項（ （CRlt;3.00 、因子載荷 lt;0.60 ，具體為教學創新行為量表保留了4個題項，GAI技術效能感和GAI技術壓力量表均保留了5個題項，GAI驅動的認知重構量表保留了4個題項，GAI使用程度量表保留了3個題項。在因子分析中，KMO值為0.871，巴特利赫球形檢驗的卡方值在0.01水平上顯著，說明有公共因子存在，可以做因子分析。在抽取的5個公共因子中，各因子載荷均在0.700以上，累積方差解釋率為73.267% ，且原觀測題項（指標）的歸屬符合原理論設計。在Cronbach'sα信度檢驗中，各量表的信度系數值均在0.800以上。由此可知，修訂后的量表具有良好的信效度。

三、數據采集與實證分析

（一）數據采集

為了采集研究數據，本研究利用經檢驗后的量表，于2025年4月上旬至4月中旬，通過微信平臺小程序“問卷星”和實地調研相結合的方法在全國范圍內對高校在職教師進行了隨機抽樣調查。本研究共回收樣本956份，剔除填答時間低于1分鐘和部分單一選項的無效問卷52份后，得到有效樣本904份，有效率為 94.56% 。

（二）實證分析

1.測量模型的檢驗。本研究通過驗證性因子分析對測量模型進行檢驗，包括計算測量模型擬合指標、因子載荷、Cronbach's α 信度系數、組合信度以及平均變異數抽取量（AVE）。檢驗結果顯示，模型擬合優度統計量 χ²/df=3.214 ，P=0.001，GFI=0.877，AGFI=0.850，CFI= 0.921，NFI=0.890，IFI=0.922，TLI=0.913， RMSEA=0.070 ，各項指標均顯示模型適配能力較好。各保留題項的因子載荷均大于0.7，符合判定標準；各潛變量的Cronbach'sα系數和組合信度CR值均大于O.8，表明測量模型的組合信度較好；各潛變量對應的AVE值均大于0.6，說明收斂效度較好（見表3）；各個變量AVE算術平方根均大于其他因子間相關系數值，說明該測量模型具有較好的區分效度（見表4）。

2.同源偏差檢驗。在問卷設計過程中，課題組在問卷說明部分向參與者強調了匿名作答的重要性，并承諾所收集的數據僅用于學術研究。這一措施在一定程度上確保了參與者回答的真實性。隨后，本研究采用Harman單因子分析法，檢驗同源偏差對問卷價值的影響。第一個因子在旋轉后得到的第一個主成分占總方差的17.608% ，低于 40% ，表明問卷不存在同源偏差，可以進行假設檢驗分析。

3.參數估計與模型擬合。根據海耶斯（AndrewF.Hayes）等的觀點，采用多種檢驗方法進行實證研究的推斷統計分析是可行且有益的[38]。基于此，本研究首先運用AMOS24.0對不含調節變量的模型進行參數的標準化估計，對直接效應及中介效應展開檢驗，并借助PROCESS宏功能對模型中的調節效應進行深入分析。

根據模型參數的標準化估計結果（見圖3），擬合優度統計量顯示為 χ²/df=1.421（1lt; χ²/dflt;5），P=0.001（gt;0），GFI=0.959（gt; 0.9 ，AGFI=0.946（gt;0.8），CFI=0.989（gt; 0.9） ，NFI=0.963（gt;0.9），IFI=0.989（gt;0.9） ，TLI=0.986（gt;0.9），RMSEA=0.031（?0.08） 。上述各項指標均表明，整體模型的路徑與實際數據具有良好的匹配性。

（三）假設檢驗結果

1.直接效應檢驗。對變量直接效應的估計和檢驗顯示，GAI技術效能感對教學創新行為產生積極的直接影響，假設1得到驗證。GAI技術壓力對教學創新行為產生直接的消極影響，假設2得到驗證。GAI驅動的認知重構對教學創新行為產生積極的直接影響，假設3得到驗證（見表5）。

2.中介效應檢驗。本研究采用路徑分析和偏差矯正百分位Bootstrap法進行中介效應檢驗。檢驗結果顯示，GAI技術效能感和GAI技術壓力分別通過GAI驅動的認知重構對不同群體教師的教學創新行為產生積極或消極的間接影響 （Plt;0.05，95% 置信上下區間都不包含0）。由于GAI技術效能感和GAI技術壓力均對教學創新行為產生直接影響，因此“GAI技術效能感 GAI 驅動的認知重構 $$ 教學創新行為”和\"GAI技術壓力 GAI 驅動的認知重構 $$ 教學創新行為\"這兩條路徑的中介效應均為部分中介，假設4和假設5得到驗證（見表6）。

3.調節效應檢驗。本研究將所有潛變量分別求總分，并利用SPSS中的PROCESS插件對調節效應進行檢驗。結果顯示，GAI技術效能感對GAI驅動的認知重構有顯著的正向影響，說明教師的GAI技術效能感越強，越有利于其認知的重構。同時，由于交互項“GAI技術效能感 ×GAI 使用程度”的系數顯著為負，說明調節變量GAI使用程度弱化了GAI技術效能感對GAI驅動的認知重構的影響關系，假設6得到驗證。此外，雖然GAI技術壓力對GAI驅動的認知重構產生了顯著的負向影響，但由于交互項\"GAI技術壓力 ×GAI 使用程度\"對GAI驅動的認知重構的影響不顯著，假設7并未得到驗證（見表7）。

根據GAI使用程度，本研究將樣本分為低頻GAI使用程度和高頻GAI使用程度兩組，分別對兩組樣本進行分析（見圖4）。

由圖4可見，高頻GAI使用程度的斜率相較于低頻GAI使用程度的斜率更為平緩，這表明高頻GAI使用程度削弱了GAI技術效能感對GAI驅動的認知重構的積極影響。這表明隨著GAI使用程度的不斷加深，教師逐漸對技術工具產生依賴性，其內在驅動力趨于弱化，從而導致效能感對認知重構的作用逐漸減弱。

四、研究結論與對策建議

（一）研究結論

教師群體對人機協作的反應是一個復雜的多階段過程，即不同教師群體通過對GAI的了解或學習會產生正面感知或負面感知，而后憑借這些感知促使他們針對人工智能背景下的教學工作展開重新思考，并構建全新的認知體系，最終影響人機協作背景下的教學創新行為。

1.GAI的應用，擴大了高校教師群體的創新“鴻溝”，并導致潛在分化趨勢。數據表明，GAI技術效能感與GAI技術壓力對教學創新行為的效應強度差異顯著。具體來說，部分教師在學習和應用GAI過程中樹立起的技術效能感對教學創新行為有著較強的積極影響 （β=0.328） 。如“在借助GAI輔助教學時，我有信心能夠快速完成教案設計、課件制作或習題生成\"這一指標在GAI技術效能感因子上的載荷最大，達0.831，彰顯了高校教師在學習和應用GAI時的高效能感。另一部分教師可能已經感知到在學習和應用GAI時產生的問題和潛在風險（GAI技術壓力），因而對其教學創新行為產生了一定程度的消極影響 （β=-0.345） 。在GAI技術的學習與應用過程中，“GAI技術迫使我要完成超出自身能力范圍的各種教學或教學事務性工作量\"（這一指標在GAI技術壓力因子上的載荷最大，達0.830），成為這部分教師排斥GAI技術應用的主要原因。固化的教學習慣強化了教師對GAI技術的防御性認知，從而轉化為阻礙技術革新的重要因素。這充分表明技術賦能的非均衡性。GAI的個性化資源供給，例如多模態內容生成、智能交互等功能，進一步擴大了高校教師群體的創新“鴻溝”，導致潛在分化趨勢。高GAI技術效能感的教師通過技術適配實現了教學創新的迭代升級，例如GAI賦能的跨學科課程設計、GAI輔助的課堂個性化反饋；高GAI技術壓力的教師因技術復雜性的加劇陷入了被動應對狀態，導致教學創新行為呈現弱化態勢。

2.GAI驅動的認知重構的雙重中介效應，在高校教師群體中出現了認知轉化機遇與去技能化風險并存的局面。教師首先會對GAI學習收益和學習成本進行主觀上的判斷與衡量，引發他們對GAI技術在教學工作中賦能效應及其變革潛力的重新認知，并根據重新認知的結果采取相關行動。研究發現，GAI驅動的認知重構在

GAI技術效能感、GAI技術壓力與教學創新行為間呈現雙重中介效應。一是GAI驅動的認知重構在GAI技術效能感與教學創新行為之間的中介效應使高校教師出現認知轉化。擁有更高GAI技術效能感的教師更易將技術優勢轉化為對教學目標的重新認知，從而激發其對教學目標的系統性重構，其創新行為具有顯著的內生驅動特征。二是GAI驅動的認知重構在GAI技術壓力與教學創新行為之間的中介效應使教師出現了去技能化的風險。換言之，GAI技術壓力雖通過GAI驅動的認知重構對教學創新行為產生了抑制作用，但效應值極低（一0.059）。這表明GAI驅動的認知重構在本條路徑上所發揮的部分中介作用極為有限。而更強的直接效應（一0.345）表明，技術復雜性導致的排斥情緒會直接削弱教師的教學創新行為，導致這部分教師在教學工作中不應用、也不具備人機協作的技能，即“去技能化”。因此，這部分教師需通過外部支持，如GAI工具的簡化、心理疏導等方式緩解壓力，而非過度依賴教師自身的認知進行調整。此外，GAI驅動的認知重構的部分中介作用揭示了高校制度的重要性，即單純依賴教師個體認知升級難以實現GAI技術的創新和應用，需通過高校層面的制度設計（如激勵機制，將GAI教學成果納人職稱評審）和資源供給（如校本化GAI工具開發等）打造“個體-組織\"協同的創新生態系統。

3.GAI只有通過對教師的固有認知進行重構，才能激發其基于育人本質的創新動力。本研究基于“感知-思考-行動\"三階段理論范式，引入并驗證了GAI驅動的認知重構的中介效應，從個體自主性和適應性角度揭示了高校教師群體教學創新行為的前因以及潛在的影響機制，即高校教師的正面感知和負面感知都要通過自身的認知改變來影響自己的教學創新行為。高校教師群體的GAI驅動的認知重構對教學創新行為的顯著促進作用揭示了智能時代高校教學創新的核心命題，即技術工具必須通過高校教師這一主體的認知調適，才能成為激發其基于育人本質的創新性動力，進而實現課程的教學目標和學校的育人目標。首先，GAI的生成能力打破了教師作為“知識權威\"的傳統角色，推動教師從內容提供者轉向引導者和協作者，這一角色轉變需以GAI驅動的認知重構為基礎。其次，GAI的自主生成特性要求教師重構教學設計，并轉向采用互動式和動態式的教學模式。此過程依賴教師對GAI技術與教學目標的整合認知能力。最后，AI的算法偏見、隱私泄露等倫理問題迫使教師提高批判性認知能力，并在教學活動中引導學生自主探究能力的發展。

4.在高頻使用GAI技術的教師群體中創新動能呈弱化特征。調節效應的檢驗結果表明，調節變量GAI使用程度對GAI技術效能感與GAI驅動的認知重構間的影響關系具有顯著的削弱抑制作用，即隨著GAI使用程度的增強，效能感對認知重構的積極效用會減弱；調節變量GAI使用程度在GAI技術壓力與GAI驅動的認知重構的影響關系中未表現出顯著的調節作用。一方面，高頻使用GAI技術工具可能使教師沉浸于技術滲透的舒適區（例如快速生成課件、自動批改作業以及生成標準化教學方案等），他們基于GAI知識學習的效能感對認知能力的積極影響被對技術工具的過度依賴削弱，從而使GAI技術效能感的積極效用減弱并使其認知模式更易趨于僵化。短期內，技術賦能確實能夠顯著提高教師的教學效率，但長此以往，這種依賴性可能會抑制教師獨立思考能力及認知發展的內生動力。當技術操作本身取代教育實踐成為主要目的時，教師的角色便從教育設計者降格為技術系統的維護者。另一方面，高頻使用GAI技術工具難以緩解因GAI知識過載而產生的技術壓力對教師認知能力造成的消極影響。即便教師在GAI使用的頻率和熟練度上有所提升，由GAI知識過載引發的技術壓力仍會直接削弱教師對GAI技術的認知與接受能力。因此，單純依賴GAI使用程度的提升無法構建有效的心理免疫機制，必須借助外部干預手段來破解這一困局。

（二）對策建議

1.構建技術適應性培訓體系并定制跨學科培訓方案。高校要立足實際，構建“個體認知升級-組織制度適配”雙軌協同干預的技術適應性培訓體系，并搭配必要的保障措施。教師的主觀認知是影響其創新行為的重要前提，多種途徑的引導是高校教師正確認清人工智能技術發展趨勢及其在教學創新中地位的重要保障。高校要針對“個體認知升級”，構建基礎層、進階層和高階層技術適應性培訓體系，分別提升教師對GAI軟件和平臺的操作能力、對課程資源的利用能力以及對跨學科創新課程的開發能力。同時，高校必須將認知心理學課程嵌人教師培訓體系，以強化教師的動態認知調適能力。

高校不僅要定期組織開展人工智能通識講座，還應依據學科屬性進行定制化培訓。對于理工醫農類教師，高校要聚焦GAI技術可信度培訓；對于經管文法教類教師，側重GAI內容生成探討；對于體育藝術類教師，應打破思維定式，側重開發人機協同創造力。此外，高校可建立校企合作關系，通過向合作的企業獲取先進的技術支持和資源，引導教師更直觀地了解市場前沿動態；借助微信公眾號報道、校內展覽等方式，不定期分享利用GAI技術開展教學創新的成功案例，激發教師的GAI技術應用興趣；構建校內跨學科交流平臺，推動教師深入了解GAI技術對跨學科交流的意義。

2.構建配套的技術保障機制并降低教師的技術使用成本。在技術支持方面，高校應優先選用性能優異且操作簡便的GAI工具平臺，降低教師的使用門檻。在成本優化方面，高校需重點減少教師在技術適應和系統調試方面的時間與精力投入。在具體實施過程中，高校應優化教師培訓體系，以線上培訓為主、線下輔導為輔的混合模式提高培訓效率。培訓內容的設計既要注重人工智能輸出信息的可理解性，又要為教師預留充足的學習與實踐時間。此外，高校應指派專業人員對GAI應用系統提供持續的技術指導和維護，確保教師在使用過程中能夠獲得及時有效的幫助。

3.關注高校教師角色重塑、教學設計的轉型及元能力的提升。一是轉變教育角色認知。教師需要實現從傳統知識傳授者向現代教育設計者的角色轉型，深刻認識到GAI僅是教學輔助工具而非替代者，要始終掌握教育過程的主導權，從而有效消除技術應用帶來的焦慮情緒。高校教師還應主動反思GAI技術的教育適配性，避免盲目依賴。高校教師在使用GAI生成教學案例時，應結合學科特點進行人工篩選和修正；利用GAI處理課后作業批改等標準化工作，自身應專注個性化輔導、思辨能力培養等高價值活動。二是進行教學設計的轉型。教師應從單一教學環節（如僅課前利用GAI設計教學框架）逐步向系統化教學設計（如包含課前設計、課中互動、課后分析的完整GAI賦能教學設計）轉型，以避免認知負荷超載。三是提升自主學習的元能力。高校教師需主動把握學習機會，充分利用優質的數字化工具和智能平臺提升自我。如教師可通過在線教育平臺系統學習有關GAI的理論知識；善用官方數據庫深人研讀相關研究領域文獻；結合人工智能開放平臺如Deepseek、豆包等開展實踐訓練，將所學知識與課堂教學實際進行融合，積極探索GAI在教育創新中的實踐應用路徑。

4.構建適配組織制度的長效激勵機制。高校應打破“唯效率論”的思維定式，構建短期、中期、長期激勵機制，將GAI輔助教學成果納入教師職稱評審與績效考核，在實踐中推動教學改革創新，讓高校教師切實享受到智能技術的紅利。如短期（ （1～2 年）重點評估教師對智能工具的操作能力；中期 3～5 年）側重評估教師的技術認知水平；長期（5年以上）致力于培育“技術 + 人文\"雙向共生的教育生態。同時，高校應設立專項經費，資助建立GAI技術應用于教學改革的研究項目；資助或獎勵GAI技術應用于教學改革的論文發表；對通過應用GAI技術而取得教學創新成果的教師予以獎勵等，以此推動高校教師從主觀上建立與GAI協同工作的意識，并積極適應新興技術驅動下持續變化的教學和育人工作環境。

五、結語

本研究在教師教學創新領域引人“感知-思考-行動”三階段理論范式，結合認知負荷理論與壓力交易模型，系統探討了高校教師GAI技術應用對教學創新行為的影響。通過定量分析方法，本研究驗證了GAI影響下相關變量間的復雜關系以及跨學科背景下模型的適用性。然而，鑒于當前我國仍處于人工智能技術應用推廣的初期，教師們普遍對該技術的應用處于了解、探索與適應階段，加之受限于數據的時間與空間維度特征，本研究對教師在技術適應過程中GAI認知變化的滯后效應考察上存在一定局限性。未來研究可考慮采用三波時滯設計，即第一波檢測效能感與壓力，第二波（兩周后）檢測認知重構，第三波（期末）檢測創新行為，或者進一步結合實地考察與調查、焦點式訪談、案例剖析、比較研究等質性研究方法，深入探究其背后的深層次機制，如GAI技術應用中的關鍵事件如何觸發教師的動態認知調適過程等。同時，未來研究可基于縱向數據設計研究方案，深入比較教師創新行為在不同技術適應階段的差異，如解析GAI技術效能感的動態演變軌跡及其對教學創新行為的長期影響等。此外，未來研究可將高校制度支持度與創新文化成熟度等組織變量納人研究框架，構建個體與組織層面的交互模式，為理論深化與實踐改進提供更全面的支持。特別需要聲明的是，本研究只是基于橫截面、短時滯的自報告數據得出的結論，進一步外推時需要特別謹慎。

參考文獻

[1] SHAO Y，HUANG C，SONG Y，et al. Using augmentation-based AI tool at work： a daily investigationoflearning-basedbenefitand challenge[J].Journal of management，2024：1-39 [2025-04 - 2o]. https：// sage.cnpereading.com/ paragraph/article/？ doi= 10.1177/01492063241 266503.

[2] PLASS J L， KALYUGA S. Four ways of considering emotion in cognitive load theory[J]. Educational psychology review，2019，31：339-359.

[3] CHAN C K Y. A comprehensive AI policy education framework for university teaching and learning[J]. International journal of educational

technologyin higher education，2023，20：38-62.

[4]EAGER B，BRUNTON R. Prompting higher education towards AI-augmented teaching and learningpractice [J]. Journal ofuniversity teachingamp; learning practice，2023（5）：1-19.

[5]于丹“ 5G+ AI\"背景下高校教師信息化教學能 力提升路徑[J].數字通信世界，2024（7）：189－191. YU D. Improving the informatized teaching ability of university teachers in the context of \"5G + AI\"[J]. Digital communication world，

2024（7）：189-191.（in Chinese）

[6]SINGH S V，HIRAN K K. The impact of AI on teachingandlearninginhigher education technology [J]. Journal of higher education theory 8. practice，2022（13）：135 -148. [7］韓海燕 .5G+AI 時代高校教師教學能力提升路徑 研究[J].教育信息技術，2024（4）：8－11. HAN H Y. Research on the path of improving college teachers' teaching ability in the era of

5G + AIJ].Educational information technology，

2024（4）：8-11. （in Chinese）

[8]YIN M， JIANG S，NIU X. Can AI really help？ The double-edged sword effect of AI assistant on employees'innovation behavior[J]. Computers in human behavior，2024，150：1-12. [9」宋莉莉.AI時代高校思政課混合式教學的現實困 境及應對之策[J].北華大學學報（社會科學版），

2024（3）：121-125. SONG L L. Present situation and countermeasures of mixed teaching of ideological and political education in colleges and universities in AI era[J]. Journal of Beihua University（social sciences），2024（3）：121-125.（in Chinese）

[10]唐佳益，王雁.教師融合教育效能感研究的系統 性評價——近十年文獻的元分析[J].教師教育研 究，2022（6）：102-111. TANG J Y，WANG Y. A systematic review of the research on teachers‘inclusive education efficacy： a meta-analysis of the literature from

2011—2O21［J]. Teacher education research，

2022（6）：102-111.（in Chinese）

[11]周曉慧，劉妍希，陳欣，等.父母教育卷入對初中 生生活滿意度的影響：校內人際關系和學業自我效能感的鏈式中介作用[J」心理發展與教育，2023（5）：691-701.

ZHOUX H，LIU YX，CHEN X，et al.The impact of parental educational involvement on middle school students'life satisfaction： the chain mediating effects of school relationships and academic self-efficacy[J]. Psychological development and education，2023（5）：691 -70l.（in Chinese）

[12]賀瑋，顏京莉，劉桓秀，等.數字轉型視野下鄉村教師對國家中小學智慧教育平臺的持續使用意愿研究[J].現代教育技術，2024（8）：59-68.HEW，YANJL，LIUH X，etal.Researchonthe rural teachers' constant usage willingnesstoward the National Smart Education Platformfor Primary and Secondary Schools from theperspective of digital transformation[J]. Moderneducational technology，2024（8）：59- 68.（inChinese）

[13]劉莉莉，徐澤清.組織支持對普通學校教師融合教育態度的影響——教師融合教育自我效能感的中介作用和政策知識的調節作用[J].教師教育研究，2023（5）：96-104.LIU L L，XU Z Q. The effect of organizationalsupport on regular school teachers'attitudestoward inclusive education： the mediating role ofefficacy and the moderating role of inclusiveeducation policy knowledge[J]. Teacher educationresearch，2023（5）：96-104.（in Chinese）

[14]羅良針，葛賓，邱夢窈.特殊教育教師工作壓力對離職傾向的影響：情緒耗竭與職業承諾的鏈式中介作用[J].中國特殊教育，2023（1）：82－89.LUOL Z，GE B，QIU M Y. Work stress andturnover intension of special education teachers：the chain mediating effect of emotional exhaustionand career commitment[J].Chinese journal ofspecial education，2023（1） ：82-89.（in Chinese）

[15]饒愛京，萬昆，李榮輝.技術時代教師的數字壓力何以調適[J].中國電化教育，2025（3）：118-125.RAO A J，WAN K，LI R H. How to adjust todigital stress for teachers in the age of technology[J].China educational technology，2025（3）：118-125.（in Chinese）

[16]祁占勇，楊靈婷，鄭維鸞，等“雙減\"格局下教師工作滿意度：現狀、差異與影響因素——基于3392

名教師的實證調查[J].教育科學研究，2024（7）：5-12.

QIZY，YANG L T，ZHENG W L，et al. Teacher job satisfaction in the context of \"Double Reduction\"： current situation， differences and influencing factors----based on an empirical survey of 3392 teachers[J]. Educational science research，2024（7）：5-12.（in Chinese）

[17]于青青，曹鑫怡，史圣朋.從蘇格拉底到ChatGPT： 教學對話空間的縱深拓展——訪劍橋大學魯珀 特·韋格里夫教授[J].全球教育展望，2024（4）： 53-63. YU Q Q， CAO X Y， SHI S P. From Socrates to ChatGPT： expanding dialogic space in teaching and learning- aninterview with professor Rupert Wegerif from the University of Cambridge [J].Global education，2024（4）：53 - 63.（in Chinese）

[18] HAYLES N K. Computing the human [J]. Theory，culture amp; society，2005（1） ：131-151.

[19]SWELLER J. Cognitive load theory， learning difficulty，and instructional design[J]. Learning and instruction，1994（4） ：295-312.

[20]EPPLER M J，MENGIS J. The concept of information overload：a review of literature from organization science， accounting， marketing， MIS，and related disciplines[J]. The information society：an international journal，20o4（5）：1- 20.

[21]RAISCH S， KRAKOWSKI S. Artificial intelligence and management： the automation-augmentation paradox[J]. Academy of management review， 2021（1）：192-210.

[22]BOYACI T，CANYAKMAZ C，DE VERICOURT F. Human and machine： the impact of machine inputon decision makingundercognitive limitations[J]. Management science， 2023（2）： 1258-1275.

[23] LAZARUS R S， FOLKMAN S. Transactional theory and research on emotions and coping[J]. European journal of personality，1987（3） ：141-169.

[24]BANDURA A，ADAMS N E. Analysis of selfefficacy theory of behavioral change[J]. Cognitive therapy and research，1977（4）：287-310.

[25]WANG Y，CHUANG Y. Artificial intellience

self-efficacy： scale development and validation

[J].Education and information technologies， 2024（4） ：4785-4808.

[26] TARAFDAR M， TUQ，RAGU-NATHAN T S. Impact of technostress on end-user satisfaction and performance [J]. Journal of management information systems，2010（3） ：303-334.

[27] TIERNEY P， FARMER S M. Creative selfefficacy development and creative performance over time[J]. Journal of applied psychology， 2011（2）：277-293.

[28]JIA N， LUO X，FANG Z， et al. When and how artificial intelligence augments employee creativity [J]. Academy of management journal， 2024（1） ： 15-32.

[29]DAVIS F. User acceptance of information systems：the technology acceptance model （TAM） [R]. Michigan： University of Michigan，1987：5.

[30]WRZESNIEWSKI A，DUTTON J E. Crafting a job： revisioning employees as active crafters of their work[J]. Academy of management review， 2001（2）：179 - 201.

[31］DWIVEDI Y K，RANA N P，JEYARAJ A，et al. Re-examining the unified theory of acceptance and use of technology（UTAUT）： towards a revised theoretical model [J]. Information systems frontiers，2019，21：719-734.

[32] SONG Y，ZHANG M，HU J，et al. Dancing with service robots： the impacts of employee robot collaboration on hotel employees‘job crafting[J]. International journal of hospitality management，2022，103：1-11.

[33]SCHERER R，SIDDIQ F，TONDEUR J. The technology acceptance model（TAM）：a metaanalytic structural equation modeling approach to explaining teachers' adoption of digital technology in education[J]. Computers amp; education， 2019， 128：13 -35.

[34] KIM H，IM J，QU H，et al. Antecedent and consequences of job crafting： an organizational level approach [J]. International journalof contemporary hospitality management， 2018（3） ： 1863-1881.

[35] MA G， TIAN S， SONG Y，et al. When technology meets anxiety：the moderating roleof AI usage in the relationship between social anxiety，learning adaptability， and behavioral problems among Chinese primary school students [J].Psychology research and behavior manage ment，2025，18：151-167.

[36] TARAFDARM，TUQ，RAGU-NATHANTS. The impact of technostress on role stress and productivity [J]. Journal ofmanagement information systems，2007（1）：301-328.

[37] TANG P M，KOOPMANJ，MCCLEAN ST，et al.When conscientious employees meet intelligent

machines： an integrative approach inspired bycomplementarity theory and role theory [J].Academy ofmanagement journal，2o22（3）：1019 -1054.

[38] HAYES A F，SCHARKOW M. The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis： does methodreallymatter？ [J]. Psychological science，2013（10）：1918-1927.

（責任編輯 劉倫）

Abstract： From the subjective cognitive perspective of university teachers， this study is rooted in the paradigm of Sense-Think-Act. According to the results of empirical research， the efficacy perception derived from GAI knowledge acquisition and application or techno-stress caused by GAI knowledge overloading among various university teachers significantly drives or hinders their innovative teaching behaviors with GAI technology，which is characterized as a double-edged effect， resulting in the widening of the \" innovation gap\" among university teachers. This study demonstrates that the dual mediating effect of GAI-driven cognitive crafting has created both the opportunities for \"cognitive transformation\" and the risks of \"deskiling\".Only by reconstructing teachers' inherent cognition can generative artificial intelligence stimulate their innovative impetus based on the essence of nurturing people. In addition，the stronger the usage of GAI is，the weaker the positive effect of teachers' efficacy perception on cognitive crafting will be. In view of this， colleges and universities should promote in multiple aspects such as establishing a technical adaptability training system and customizing interdisciplinary training，building a supporting technical guarantee mechanism and optimizing the technical costs of teachers， paying atention to the role reshaping of university teachers， the transformation of teaching design and the improvement of meta-capabilities，and establishing a long-term incentive mechanism that suits the Organizational system，in order to stimulate and guide the teaching innovation behaviors of teachers.

Key words： generative artificial intelligence； efficiency perception; techno-stress; cognitive crafting; teaching innovation