教师技术知识对人工智能赋能下教学效果的影响：以教学创新为中介的实证研究

摘要

随着教育信息化的快速发展，人工智能技术在教育领域的应用日益广泛，为教育教学带来了深刻变革。然而，当前关于教师技术知识如何影响人工智能赋能下的教学效果的研究尚显不足。因此，本研究聚焦于人工智能在高校专业课教学辅助中的创新应用，旨在探讨教师技术知识（特别是AI-TPACK能力结构）对教学效果的影响，以及教学创新在这一过程中的中介作用。基于此，本研究采用混合研究方法，结合量化分析和质性分析，全面探究了教师技术知识对人工智能赋能下教学效果的影响。通过问卷调查、访谈调查和数据分析，深入了解了师范生的AI-TPACK能力结构现状，并分析了教师技术知识对教学效果的具体影响，同时探讨了教学创新在其中的中介作用。

本研究结果显示，师范生的AI-TPACK能力结构整体处于中等偏上水平，但各知识水平仍存在提升空间。教师技术知识（AI-TK、CK、PK）对教学效果有显著正向影响，且通过教学创新产生部分中介效应，AI-TK、CK和PK对教学效果的标准化回归系数分别为0.277、0.361和0.544，均显著。教学创新在教师技术知识与教学效果之间起到了显著的中介作用，中介效应值为0.076，p值为0.001。本研究不仅丰富了TPACK理论在人工智能赋能教育背景下的内涵，还为提升教师的教育技术能力和教学效果提供了有力支持。同时，研究提出的教学创新中介效应为教育实践提供了新的视角和思路，对于推动教育教学创新与发展具有重要意义。

关键词：教师技术知识；人工智能；教学效果；教学创新

Abstract

With the rapid development of educational informatization, the application of artificial intelligence technology in the field of education is increasingly extensive, which has brought profound changes to education and teaching. However, the current research on how teachers' technical knowledge affects the teaching effect of artificial intelligence is still insufficient. Therefore, this study focuses on the innovative application of AI in the teaching assistance of specialized courses in universities, aiming to explore the influence of teachers' technical knowledge (especially AI-TPACK ability structure) on teaching effects, and the intermediary role of teaching innovation in this process. Based on this, this study uses a mixed research method, combined with quantitative analysis and qualitative analysis, to comprehensively explore the influence of teachers' technical knowledge on the teaching effect enabled by artificial intelligence. Through questionnaire survey, interview survey and data analysis, the current situation of AI-TPACK ability structure of normal university students was deeply understood, and the specific influence of teachers' technical knowledge on the teaching effect was analyzed, and the intermediary role of teaching innovation was discussed.

The results of this study show that the AI-TPACK capacity structure of normal university students is generally above the average level, but there is still room for improvement in each knowledge level. Teachers' technical knowledge (AI-TK, CK, PK) had a significant positive effect on teaching effect, and had some mediation effect through teaching innovation. The standardized regression coefficients of AI-TK, CK and PK on teaching effect were 0.277,0.361 and 0.544, respectively, which were significant. Teaching innovation plays a significant mediating role between teacher technical knowledge and teaching effect, with a mediation effect value of 0.076 and a p-value of 0.001. This study not only enriches the connotation of TPACK theory in the context of AI-enabled education, but also provides strong support for improving teachers' educational technology ability and teaching effect. At the same time, the intermediary effect of teaching innovation provides a new perspective and idea for educational practice, and is of great significance for promoting the innovation and development of education and teaching.

Key words: teacher technical knowledge, artificial intelligence, teaching effect and teaching innovation

第一章绪论

1.1 引言

本研究聚焦于人工智能在高校专业课教学辅助中的创新应用，旨在探索AI技术如何助力提升专业课教师备课、备考及日常评估的效率与质量。自2017年《新一代人工智能发展规划》发布以来，政策持续推动AI与教育的深度融合。至2023年，国务院印发的《关于推进IPv6技术演进和应用创新发展的实施意见》进一步明确了加快人工智能深度应用的目标。如今，AI技术已广泛渗透于教学辅助、管理自动化及个性化学习等多个方面，展现出巨大的应用潜力。本课题基于TPACK框架，即专业课教师需具备学科内容知识（CK）、教学法知识（PK）和技术知识（TK）的综合能力，采用问卷调查、访谈及数据分析等多种研究方法，深入探究教师技术知识在AI赋能教学中的作用，以及教学创新如何作为中介变量影响教学效果。研究构建了包含教师技术知识、教学创新与教学效果的理论模型，并通过实证数据验证其有效性。研究发现，特定的AI工具能够显著提升专业课教师的备课效率，精准定位备考需求，并实现日常评估的科学化与个性化。同时，教学创新在促进教师技术知识向教学效果转化过程中起着关键作用，为专业课教师的专业发展提供了新路径。

1.2 研究背景

1.2.1 教育信息化发展的必然趋势与教师技术知识的更新需求

随着信息技术的飞速发展，教育信息化已成为全球教育改革的重要趋势。自2012年教育部发布《教育信息化十年发展规划（2011-2020）》以来，我国教育领域逐渐认识到信息技术与教育深度融合的重要性。这一融合不仅改变了传统的教学方式和手段，更对教师的知识结构和教学能力提出了新的要求。2018年《教育信息化2.0行动计划》的发布，标志着教育事业正式进入2.0时代，教师应用信息化手段进行教学已成为常态。在这一背景下，教师的角色逐渐从知识的传授者转变为学生学习过程的引导者和支持者，需要教师具备更高的信息素养和技术应用能力。2023年是全面贯彻党的二十大精神开局之年，是实施“十四五”规划承上启下的关键一年，国务院印发的《关于推进IPv6技术演进和应用创新发展的实施意见》进一步推动了AI技术在教育领域的广泛应用。在教育强国建设目标的指引下，教育系统正积极探索AI赋能教育教学的创新模式。根据《2023年全国教育事业发展统计公报》数据显示，全国高等教育专任教师总数为207.49万人，而体育专业教师占比不到20%，高校如何在协同体育教师资源和体育教师技术知识的优势前提下，有效提升体育教学效果，人工智能成为解决问题的关键

TPACK（Technological Pedagogical Content Knowledge）理论为教师知识结构的划分提供了新的思路，它强调了技术知识、教学知识和学科知识三者之间的有机融合。在教育信息化的推动下，教师的TPACK水平成为衡量其教学能力的重要指标。特别是对于国际中文教师而言，由于其教学对象的特殊性，智能教学更为普及，这就要求教师不仅具备扎实的语言知识和教学技能，还需要熟练掌握各种在线教学资源和平台的使用方法，以提高教学的效率和效果。因此，提升教师的TPACK水平，使其能够适应人工智能等新技术在教学中的应用，已成为当前教师教育领域的重要任务。

1.2.2 课堂教学质量提升的核心地位与教师技术知识的关键作用

近年来，教育部发布《关于实施第二批人工智能助推教师队伍建设行动试点工作的通知》，提出进一步推进人工智能等新技术融入教师队伍建设过程，提升教师智能教育素养，加强教师队伍建设，打造一支高水平专业化创新型教师队伍，支撑教育强国战略与教育现代化建设。《教师教育振兴行动计划（2018-2022）》、《教育部关于实施卓越教师培养计划2.0的意见》等政策则提出利用信息技术等多种手段，改善教师学习状况，提升及时知识结构水平，推动教师培养质量的持续改进和提高。智能教育是一项系统工程，教师是其中的关键要素和核心保障。但从目前来看，教师的专业能力尚不能满足智能教育的发展要求。为使智能技术在教育教学过程中真正发挥有效作用，则应从根本出发，更新改善教师的知识结构和能力水平。教师作为这一系统构建的起点和基础，有必要就此做出主动适应和有效应对，及时有效更新和提升自身的整合技术知识水平。课堂教学质量是教育教学的核心问题，直接关系到学生的学习效果和成长发展。然而，随着智能教学的普及和发展，教学质量问题也日益凸显。智能教学虽然具有灵活性和便利性的优势，但也存在着师生互动不足、学生参与度不高、教学效果难以评估等问题。因此，如何提升智能教学质量，确保学生能够获得与传统课堂相当的学习效果，已成为当前教育领域亟待解决的问题。

教师技术知识的研究自20世纪80年代开始，教师的技术知识在提升课堂教学质量中发挥着关键作用。一方面，教师需要掌握各种在线教学工具和平台的使用方法，以便能够灵活运用这些工具进行教学设计、资源开发和互动交流。另一方面，教师还需要具备将技术与教学深度融合的能力，即TPACK能力，以便能够根据学生的学习需求和特点，设计出更加符合智能教学特点的教学方案和活动。通过提升教师的技术知识水平和TPACK能力，可以有效改善智能教学的质量和效果，提高学生的学习满意度和成就感。

1.2.3 教学创新与教师技术知识的相互促进关系

近年来，随着科技的飞速发展，人工智能（AI）技术已逐渐渗透到各行各业，其与教育领域的多元融合成为主流应用趋势，自2017年《新一代人工智能发展规划》发布以来，一系列政策文件相继出台，明确提出了加快人工智能深度应用的目标。2018年国务院发布《关于全面深化新时代教师队伍建设改革的意见》指出，时代的发展凸显了知识和人才的重要性，教育和教师队伍的作用和地位受到重视，教师应顺应时代发展，主动适应人工智能等新兴技术变革影响，及时提升自身的综合素质、专业化水平和创新能力。

教学创新是推动教育改革和发展的重要动力。在人工智能等新技术的赋能下，教学创新成为可能。教师可以利用新技术手段，如智能教学系统、虚拟现实技术等，创造出更加生动、有趣、互动的教学环境，激发学生的学习兴趣和积极性。同时，教学创新也对教师的技术知识提出了更高的要求。教师需要不断学习和掌握新技术的方法和应用，以便能够将其融入到教学过程中，实现教学的个性化和差异化。教师的技术知识与教学创新之间存在着相互促进的关系。一方面，教师的技术知识为教学创新提供了可能和基础。只有掌握了足够的技术知识，教师才能够灵活运用新技术手段进行教学设计和实施。另一方面，教学创新也推动了教师技术知识的更新和提升。在教学创新的过程中，教师会遇到各种新技术挑战和问题，需要不断学习和探索新的技术方法和应用，以提高自己的教学能力和水平。因此，研究教师技术知识对人工智能赋能下教学效果的影响，以及教学创新在这一过程中的中介作用，对于推动教育改革和发展具有重要意义。

1.3 问题陈述

（1）教师技术知识如何影响人工智能赋能下的教学效果，以及如何通过提升教师技术知识来推动教育信息化的进一步发展？

已成为不可逆转的趋势。这一趋势对教师提出了更高的要求，不仅需要他们掌握传统的教学技能，还需要他们具备运用信息技术进行教学的能力。特别是在人工智能技术的推动下，教师的教学方式和方法正在发生深刻变革。然而，当前教师的技术知识水平参差不齐，难以满足智能教育的需求。因此，本文旨在探讨教师技术知识如何影响人工智能赋能下的教学效果，以及如何通过提升教师技术知识来推动教育信息化的进一步发展。本文将重点分析教师技术知识的现状，以及其在智能教学环境中的应用情况，为教师的专业发展和教育信息化的推进提供理论支持和实践指导。

（2）人工赋能下的课堂教学质量是否存在不同，赋能前后教师技术知识对课堂教学质量的具体影响发生怎样的变化？

课堂教学质量是教育的生命线，而教师技术知识是提升教学质量的关键因素。在智能教学环境中，教师需要掌握各种在线教学工具和平台，以及如何将技术与教学深度融合的TPACK能力。然而，当前教师在技术知识的应用上仍存在诸多不足，如师生互动不足、学生参与度不高等问题。本文将通过实证研究，探讨教师技术知识对课堂教学质量的具体影响，以及如何通过提升教师技术知识来有效解决这些问题，从而确保智能教学能够达到甚至超越传统课堂的教学效果。

（3）如何通过提升教师技术知识来推动教学创新，以及教师技术知识如何借助教学创新进一步提升教学效果

教学创新是推动教育改革和发展的核心动力，而教师技术知识则是教学创新的重要基础。在人工智能技术的赋能下，教学创新成为可能，但同时也对教师提出了更高的技术要求。本文将深入分析教师技术知识与教学创新之间的相互促进关系，探讨如何通过提升教师技术知识来推动教学创新，以及教师技术知识如何借助教学创新进一步提升教学效果。同时，本文将通过实证研究来验证这一中介作用关系，为教育改革和发展提供新的思路和方法。

1.4 研究目的

（1）探究教师技术知识对人工智能赋能下教学效果的影响及推动教育信息化发展的路径

本研究旨在深入探讨教师技术知识在人工智能赋能下的教学环境中所扮演的角色。随着教育信息化的不可逆转趋势，教师不仅需要掌握传统教学技能，还需具备运用信息技术进行教学的能力。然而，当前教师的技术知识水平存在显著差异，难以满足智能教育的需求。因此，本研究将重点分析教师技术知识的现状，探究其如何影响人工智能赋能下的教学效果。通过实证研究，揭示教师技术知识与教学效果之间的内在联系，提出通过提升教师技术知识来推动教育信息化进一步发展的具体路径，为教师的专业发展和教育信息化的推进提供理论支撑和实践指导，助力教育体系的现代化转型。

（2）比较人工赋能前后教师技术知识对课堂教学质量的影响变化

本研究将关注人工赋能下课堂教学质量的差异，特别是赋能前后教师技术知识对教学质量的具体影响变化。在智能教学环境中，教师需要掌握各种在线教学工具和平台，并具备将技术与教学深度融合的TPACK能力。本研究将通过实证研究，对比分析赋能前后教师在技术知识应用上的差异，以及这些差异如何影响课堂教学质量。通过本研究，提出有效提升教师技术知识应用能力的策略，解决师生互动不足、学生参与度不高等问题，确保智能教学能够达到甚至超越传统课堂的教学效果。

（3）探讨提升教师技术知识推动教学创新及提升教学效果的机制

教学创新是推动教育改革和发展的核心动力，而教师技术知识是教学创新的重要基础。本研究将深入分析教师技术知识与教学创新之间的相互促进关系，探讨如何通过提升教师技术知识来激发教学创新。同时，关注教师技术知识如何借助教学创新进一步提升教学效果，形成良性循环。通过实证研究，验证这一中介作用关系，揭示其内在机制，为教育改革和发展提供新的思路和方法，推动教育体系不断创新，适应时代发展的需要。

1.5 研究目标

（1）明确教师技术知识在人工智能赋能下教学环境中的作用机制

本研究目标在于深入剖析教师技术知识在人工智能赋能的教学环境中如何影响教学效果。通过实证研究，揭示教师技术知识的现状及其在智能教学环境中的应用情况，明确技术知识如何与教学效果产生内在联系。旨在提出一套通过提升教师技术知识来优化教学效果的策略，为教育信息化的推进提供理论支撑和实践路径，助力教育体系向智能化、现代化转型。

（2）对比赋能前后教师技术知识对课堂教学质量的影响

本研究旨在通过对比分析人工赋能前后教师在技术知识应用上的差异，探究这些差异如何具体影响课堂教学质量，提出针对性的策略，帮助教师有效提升技术知识应用能力，解决师生互动不足、学生参与度不高等问题，确保智能教学能够达到甚至超越传统课堂的教学效果，为智能教学环境的优化提供实证依据。

（3）探究教师技术知识推动教学创新及提升教学效果的内在机制

本研究将深入探讨教师技术知识与教学创新之间的相互促进关系，揭示教师技术知识如何借助教学创新进一步提升教学效果的内在机制。通过实证研究验证这一中介作用关系，为教育改革和发展提供新思路和方法，推动教育体系不断创新，适应人工智能时代的教学需求，促进教育质量的全面提升。

1.6 研究问题（即研究假设）

（1）教师技术知识对人工智能赋能下教学效果的影响假设

教师技术知识，包括人工智能技术知识（AI-TK）、学科知识（CK）和教学法知识（PK），是教师在人工智能赋能教学环境中进行有效教学的基础。已有研究表明，教师技术知识的提升能够显著增强其在智能教学环境中的适应能力，从而提高教学效果。研究发现，职前教师的技术知识（TK）水平与其教学效果显著相关，职前教师的TK（技术知识）、CK（学科知识）和PK（教学法知识）水平对其TPACK水平有显著影响（Schmidt，2009）。在人工智能赋能的教学环境中，教师掌握AI-TK能够更好地利用智能教学工具和技术手段，优化教学设计，提高教学效率和质量。同时，扎实的CK和PK能够帮助教师将技术知识有效融入教学内容中，使教学更加符合学生的学习需求，从而提升教学效果。

H1：教师技术知识（AI-TK、CK、PK）水平对人工智能赋能下的教学效果有显著正向影响

H1a：教师AI-TK知识能力对人工智能赋能下的教学效果有显著正向影响

H1b：教师CK知识能力对人工智能赋能下的教学效果有显著正向影响

H1c：教师PK知识能力对人工智能赋能下的教学效果有显著正向影响

（2）教师技术知识的影响因素假设

教师的价值信念和技术应用能力对其整合科学技术的课堂实践具有显著影响。学校技术支持、技术态度和技术能力是教师AI-TPACK能力发展的三大外部因素（Vongkulluksn，2018）。它们相互作用、共同影响教师的AI-TPACK能力发展。学校技术支持提供资源和环境支持，技术态度激发学习动力，技术能力提供实践基础。教学信念、技术感知等因素对教师的TPACK水平有显著影响，这支持了外部因素对AI-TPACK能力的正向作用（赵磊磊，2017）。单一知识能力是构成AI-TPACK能力的基础要素。教师对AI-TK、CK和PK等单一知识能力的掌握程度直接影响其AI-TPACK能力的整体水平。复合知识能力是AI-TPACK能力的核心要素。教师对PCK、AI-TCK和AI-TPK等复合知识能力的掌握程度直接决定了其AI-TPACK能力的整体水平。职前教师的TPACK各要素之间存在显著相关性（Cox&Graham，2009），这支持了复合知识能力对AI-TPACK能力的正向作用。

H2：教师AI-TK、CK、PK等单一知识能力对其AI-TCK、AI-TPK、PCK复合知识能力有显著直接影响

H3：学校技术支持、技术态度和技术能力对教师AI-TPACK能力有显著影响

H4：教师AI-TK、CK、PK等单一知识能力对其AI-TPACK能力有显著影响

H5：教师AI-TCK、AI-TPK、PCK等复合知识能力对其AI-TPACK能力有显著直接影响

（3）教学创新为中介的假设

教学创新是推动教育进步和提升教学效果的关键因素。在人工智能赋能的教学环境中，教学创新尤为重要。教师的技术知识不仅直接影响其教学效果，还通过促进教学创新间接提升教学效果。教师掌握AI-TK、CK和PK等技术知识后，能够更灵活地运用这些知识进行教学方法和手段的创新，如采用智能化教学手段、设计个性化学习路径等。这些创新的教学方法能够激发学生的学习兴趣，提高学习参与度，从而提升教学效果。已有研究支持了教学创新在技术知识与教学效果之间的中介作用。教师的技术整合能力与其教学创新意图显著相关，而教学创新意图又进一步影响教学效果（Anderson&Maninger，2007）。这表明，教师的技术知识通过激发其教学创新意图，进而对教学效果产生积极影响。在人工智能赋能的教学环境中，这一中介作用可能更为显著，因为智能技术为教师提供了更多的创新空间和可能性。

H6：教师技术知识（AI-TK、CK、PK）水平通过教学创新对人工智能赋能下的教学效果产生显著正向影响

教师技术知识的掌握程度直接影响其进行教学创新的能力。掌握AI-TK的教师能够利用智能技术探索新的教学方法和手段，如利用大数据分析学生的学习行为，进行精准教学；掌握CK和PK的教师则能够更好地将技术知识与学科知识相结合，设计出符合学生认知特点的教学方案。这些技术知识为教学创新提供了坚实的基础和丰富的素材。

H6a：教师技术知识（AI-TK、CK、PK）水平对教学创新有显著正向影响

教学创新是提升教学效果的重要途径。在人工智能赋能的教学环境中，创新的教学方法能够激发学生的学习兴趣和积极性，提高学习效率和质量。例如，采用智能化教学手段可以实现个性化教学，满足不同学生的学习需求；设计个性化学习路径可以帮助学生更好地掌握知识和技能。这些创新的教学方法能够显著提升教学效果，促进学生的学习进步和发展。

H6b：教学创新对人工智能赋能下的教学效果有显著正向影响

1.7 研究范围

本研究聚焦于人工智能赋能教育背景下，教师技术知识如何影响在人工智能赋能下的教学效果，并探讨教学创新在这一过程中的中介作用。为此，本研究选取了不同高校大三年级与大四年级的师范生（准教师）作为研究对象。这些师范生已系统学习了不同类型的教育学、心理学、教育技术和教学法相关课程，不仅掌握了扎实的学科基础知识，还具备一定的技术知识和教学知识，可以作为准教师的研究样本。他们在课程学习和教学技能训练过程中，已在不同类型的人工智能技术支持下进行，如智能教学系统、图形图像识别系统和智慧教室等，对人工智能技术融入教学过程有着深刻的感受和理解，能够充分认识到人工智能技术在教育教学中的作用和影响。为确保研究的科学性和有效性，本研究采用了问卷调查和访谈相结合的方法。首先，通过问卷星平台进行了小样本的网络问卷调查，目的是检验由英文量表编制形成的问卷的信度和效度，并根据调查结果对问卷进行了适当的修改和完善，以确保研究问卷的可靠性和有效性。

本研究采用了修改验证后的问卷进行了大范围的正式调查，广泛收集了准教师的有效数据。为了更深入地了解师范生的AI-TPACK能力结构发展现状，并随机抽取了六位师范生进行了深入的访谈。最终，研究将访谈结果与数据分析结果相结合，综合分析了师范生教师技术知识对人工智能赋能下教学效果的影响，以及教学创新在这一过程中的中介作用，并对提出的研究假设进行了验证。

1.8 关键术语的操作定义

1.8.4 AI-TPACK 能力结构

整合人工智能技术的学科教学知识（AI-TPACK）是由闫志明等人基于原有的TPACK理论，结合人工智能技术的发展，提出的一个新理论框架。该框架将人工智能技术知识与教师专业知识体系相融合，使TPACK中的技术知识（TK）演变为人工智能技术知识（AI-TK），教学技术知识（TPK）演变为整合人工智能技术的教学知识（AI-TPK），技术学科知识（TCK）演变为整合人工智能技术的学科知识（AI-TCK），从而形成了AI-TPACK模型（见图1.2）。

图1.2 AI-TPACK 模型

Fig. 1.2 The AI-TPACK model

AI-TPACK各要素的结构、含义和内容具体如下表所示：

表1.1 AI-TPACK要素构成表

Tab. 1.1 Composition table of AI-TPACK elements

要素结构	要素含义	要素内容
人工智能技术知识（AI-TK）	对人工智能技术的理解与认识	对相关人工智能平台、资源、工具等内容的了解程度，以及应用人工智能的思维方式
学科知识（CK）	实际教学过程中教师教和学生学的学科知识内容	学科的核心事实、概念、理论和过程
教学知识（PK）	教与学的过程、实践和方法的深层次知识	学生学习、教学方法、课堂管理、教学方案和教学评价等相关知识
学科教学知识（PCK）	面对具体问题，依据学习者不同特点进行学科内容组织和表征的理解	特定学科的主要内容、表达方式、学习重难点和教学策略等相关知识
整合人工智能技术的教学知识（AI-TPK）	教学过程中应用人工智能技术所产生教学变化的动态理解	人工智能技术与教学和学习过程中的相互支持和限制的理解，以及据此提供合适教学策略和活动的知识
整合人工智能技术的学科知识（AI-TCK）	人工智能技术与学科内容相互影响和相互限制方面的知识理解	根据学习者特点，应用人工智能技术调整学科内容，为学习者提供个性化学习内容
整合人工智能技术的学科教学知识（AI-TPACK）	利用人工智能技术、针对特定学科内容开展教学的知识	应用人工智能技术表达学科概念、进行教学、解决学生问题和强化学生学习水平的知识

1.8.1 TPACK 的定义

1986年，舒尔曼在美国教育研究协会会刊上首次提出学科教学知识（简称PCK）这一专用术语，能否清晰界定学科内容知识和教学法知识二者之间的关系，对于教师而言具有重要意义，而这两种知识的有机结合就是学科教学知识。他指出特定类型知识并不能有效促进整个教学过程良性发展，而是着重强调学科内容知识和教学方法知识的深度融合，对于有效开展教学具有积极的意义。以舒尔曼提出的学科教学知识PCK为基础，美国学者科勒和米什拉于2005年提出了TPACK，即整合技术的学科教学知识。它是由三个核心元素和四个复合元素组成。TPACK并非简单地将学科内容、教学法和技术三个独立的知识要素进行简单组合，而是要求教师对每个要素都有深刻的理解，并将技术嵌入到具体的学科内容教学过程中。TPACK不是单一的学科内容、教学法和技术知识，而是通过这三者之间的动态关系而构建起来的。如图1.1所示。

图1.1 TPACK框架及其知识要素

Fig.1.1 TPACK framework and its knowledge elements

1.8.2 TPACK框架的三个核心知识要素

（1）学科内容知识（CK）

学科内容知识主要指各学科内容的概念、规律、思想等，是学科的基础知识，具有较强专业性，是教师在课堂上呈现的主要知识（李惠芳，2017）。

（2）教学法知识（PK）

教学法知识指的是涉及教学过程的实践或方法所涉及的深层次知识，构建了教育目标实现和教育价值实现的知识框架，表现为教师对于教学方法知识的掌握和运用，以及如何在教学过程中进行有效教学与指导，促进学生对于知识的理解。

（3）技术知识（TK）

技术知识指教师所掌握的操作技术工具的知识和技能，包括使用计算机进行教学能力、搜索互联网教学资源的能力、制作多媒体课件的能力等，教师要不断地学习相关的信息技术，将其在实操教学中加以运用。

1.8.3 TPACK框架的四个复合知识要素

（1）学科教学知识（PCK）：

学科教学法是将学科知识和教学法知识两个单一要素知识进行整合，具体是指教师将教学内容以学生易理解、易接受的形式表达出来，学生对知识进行自主加工和吸收。根据不同学科的特点，教师采取恰当的教学方法和策略，把所掌握的学科专业知识传授给学习者，使他们能够快速理解并增强自信心。

（2）整合技术的学科内容知识（TCK）：

整合技术的学科内容知识是将学科内容知识和技术知识进行深度整合，教师在充分理解学科内容知识的基础上，充分利用信息技术手段辅助课堂教学，将知识更生动地呈现在学习者面前。然而，并非所有知识都可用技术手段完整地呈现，技术也无法全面涵盖各类知识，学科知识和技术知识存在相互影响与限制的关系。

（3）整合技术的教学法知识（TPK）：

整合技术的教学法知识是将教学法和技术知识相融合，根据采取的教学方法，选择最可行的信息技术，使该教学法能够发挥其最大功效，从而提升教学效果。

（4）整合技术的学科教学知识（TPACK）：

教师在具体的教学情景下，根据教学内容和所使用的教学法，选择最适合的技术来促进学生对于知识的理解，即在学科教学法知识的基础上融入了技术知识。

1.9 概念框架

本文研究内容共分为5个主要部分：

第一部分：绪论部分。本文开篇即明确了研究的重要性和背景。在引言中，简要介绍了人工智能技术在教育领域的应用趋势，以及教师技术知识和教学创新在当前教育环境中的关键地位。研究背景部分详细阐述了人工智能赋能下的教学变革、教师技术知识的重要性，以及教学创新在人工智能教学中的应用现状。随后，明确提出了研究要解决的问题、研究目的、研究目标和研究问题，界定了研究范围，并对关键术语进行了操作定义。最后，构建了概念框架，为全文的研究提供了理论支撑和结构框架，并在章节总结中对本章内容进行了概括。

第一部分：文献综述部分。本部分对人工智能赋能下的教学效果、教师技术知识和教学创新进行了全面的文献综述。首先，对比了人工智能教学与传统教学的区别，分析了人工智能在教学中的应用现状及影响其实践性的因素。接着，探讨了利益相关者对人工智能教学的看法，以及人工智能教学的有效性或无效性。特别地，还关注了人工智能在中国高等教育中的应用情况。然后，深入剖析了教师技术知识的定义、维度、在教学中的应用形式、影响因素，以及与教师身份和教学效果的关系。最后，总结了教学创新的必要性，以及在人工智能赋能下的实践现状，并介绍了研究的理论基础，为后续研究提供了坚实的文献支撑。

第一部分：研究方法部分。本部分详细介绍了研究的设计和实施过程。首先，明确了采用混合研究方法，包括教学实验设计、教学模块的开发与验证等程序。接着，说明了样本选择的方法与标准，以及研究工具的选择和运用，如测试、问卷调查、访谈、课堂观察和反思性周记等。然后，进行了效度分析和信度分析，确保了研究数据的可靠性和有效性。最后，详细描述了数据收集程序和数据分析程序，并考虑了伦理考量，如提前通知、向参与者披露研究者身份和隐私保护等，确保了研究的合规性和伦理性。

第一部分：研究结果与讨论部分。本部分对研究数据进行了深入的分析和讨论。首先，介绍了量化研究阶段的数据编码、正态性检验、同质性检验、内部一致性信度、结构效度等分析结果，揭示了教师技术知识的变化和教学效果的变化。接着，进入了质性研究阶段，通过访谈的初步研究，探讨了教师对教学创新机会的感知、教师技术知识的表现，以及影响教学效果的干预因素。最后，分析了教学创新的中介效应，即教师技术知识如何通过教学创新影响教学效果，为全文的研究提供了实证支持和深入讨论。

第一部分：结论与建议部分。本部分对全文的研究进行了总结和归纳。首先，重申了研究的主要结论，包括对教学创新机会的感知、教师技术知识的表现，以及在人工智能赋能下，教师技术知识通过教学创新对教学效果的影响等。接着，提出了促进教师教学创新和教学效果的干预措施，为教育实践提供了具体的建议和指导。最后，总结了研究的理论贡献和实践贡献，指出了研究的局限性，并提出了未来的研究方向和建议，为后续的深入研究提供了参考和借鉴。

图1 技术路线图

1.10 章节总结

本文明确了研究的重要性和背景，简要介绍了人工智能技术在教育领域的应用趋势，以及教师技术知识和教学创新在当前教育环境中的关键地位，详细阐述了人工智能赋能下的教学变革、教师技术知识的重要性，以及教学创新在人工智能教学中的应用现状。随后，明确提出了研究要解决的问题、研究目的、研究目标和研究问题，界定了研究范围，并对关键术语进行了操作定义。最后，构建了概念框架，为全文的研究提供了理论支撑和结构框架，并在章节总结中对本章内容进行了概括。

第二章文献综述

2.1 引言

人工智能赋能下的教学不仅为传统教学模式带来了前所未有的变革，也为教学创新提供了新的思路和机遇。为了深入探讨人工智能在教学中的应用效果及其背后的机制，本章节将全面综述人工智能赋能下的教学效果、教师技术知识和教学创新等方面的研究成果。通过对比人工智能教学与传统教学的区别，分析人工智能在教学中的应用现状及影响其实践性的因素。通过探讨这些区别和因素，我们可以更好地理解人工智能教学所带来的变革和挑战。其次，深入剖析教师技术知识的定义、维度、在教学中的应用形式、影响因素，以及与教师身份和教学效果的关系。教师作为教学创新的关键角色，其技术知识水平对人工智能教学的效果具有重要影响。本章节的综述为后续章节的深入研究和实证分析奠定坚实基础。

2.2 人工智能赋能下的教学效果

2.2.1 人工智能教学与传统教学的区别

随着人工智能技术的飞速发展，教育领域正经历着前所未有的变革。人工智能教学作为一种新兴的教学模式，正逐渐渗透到教育的各个层面，对传统教学模式产生了深远的影响。众多学者对此进行了深入研究，探讨了人工智能教学与传统教学之间的区别与联系。人工智能时代的教育呈现出无边界的时空样态、非稳态的知识样态和融合性的发展样态，这对传统教学方式、教学内容和教师身份角色提出了挑战（郑文，2024）。他们认为，职前教师教育变革需要开展智能教育，以保证师范生善用数字化工具，升级知识教育，并追求智慧教育。高校智慧教学转型过程中存在的“愚”区，如智慧技术繁杂、教师主体遮蔽等，这些问题使得智慧教学没有充分发挥“智慧”的功能（李志峰，2022）。他们提出，培养智慧之师，促进人机协同运作，回归以人为本，是智慧教育时代智慧教学化智为慧的破解之道。学者通过量化方法分析了影响人工智能教学效果的因素，发现组织支持、课堂文化等因素对教学效果有显著影响（李世瑾，2022）。他们建议，应协同多元力量，关注实践差距，优化设计内容，以科学推动人工智能教育实践。部分学者对智慧教学进行了实践审思，指出智慧教学虽然提高了教学效率和质量，但也存在学生社会性培养弱化、身心健康受影响等问题（邢西深，2022）。他们提出，应加强学生的品德修养教育，理清技术的应用边界，开展混合式教学。从教学论范式的角度探讨了技术向度下的教学变革，认为人工智能技术的应用推动了教学理论形态的转型，但教学论范式的转变是有限度的，必须坚守育人的初心（张济洲，2021）。智能教育场域中教师专业资本是教师重构专业身份的能动力量，包含智能教学人力资本、社会资本和决策资本（刘晓琳，2021；胡钦太，2021；孙建文，2021；田宏杰，2020）。

综上所述，学者们普遍认为人工智能教学与传统教学在教学模式、教学内容、教师角色等方面存在显著差异。人工智能教学强调技术的融合应用、个性化教学和精准化教学，而传统教学则更注重知识的传授和教师的主导作用。然而，学者们也指出，人工智能教学并非万能的，其发展过程中仍存在诸多问题和挑战。因此，在推进人工智能教学的同时，也应充分考虑其局限性和潜在风险，确保教育的健康发展和学生的全面发展。

2.2.2 人工智能在教学中的应用

随着信息技术的飞速发展，人工智能（AI）已逐渐渗透到教育的各个领域，为教学模式、方法和评价带来了前所未有的变革。众多学者对此进行了深入研究，探讨了人工智能在教学中的应用及其潜在影响。学者研究人工智能赋能的CSE笔译能力量表在教学评价中的应用，使用生成式人工智能工具ChatGPT作为评分员，与人工评分员共同评价笔译能力，并通过多层面Rasch模型验证了人工智能评分的效度。研究发现，ChatGPT经训练后可依据分项评分量表对译文进行有效评分，且与人工评分的一致性较高，证明了其在翻译教学评价中的可行性（吕晓轩，2024）。学者探究了生成式人工智能在社会性科学议题（SSI）论证教学中的应用。以“文心一言”为例，他详细分析了生成式人工智能在SSI论证教学各个环节中的作用，并总结了使用注意事项，为SSI教育提供了新的教学思路（郑好，2024）。学者探讨了生成式人工智能在生物学教学中的应用，指出生成式人工智能可以为教师提供丰富的生物学教学素材，促进跨学科实践活动的开展，改善学生的表达与论证能力，还能生成微观事物模型具象化学生想象（吴浩，2024）。通过对生成式人工智能在高中地理思维型课堂教学中的应用进行初探及反思，学者提出了以人工智能为教学支撑、以渐进追问和思维互动为教学过程、以学生地理思维进阶为教学评价重点的教学要求，并通过具体案例展示了人工智能在地理思维型课堂中的应用（侯瑜，2024）。学者以《大学思辨英语教程·精读》为例，研究了生成式人工智能在外语专业教学中的应用，考察了生成式人工智能对教学内容和教学模式的影响，并展示了其在教学中的应用场景和潜在价值（孔蕾，2024）。学者以《乡土中国》为例，探讨了生成式人工智能技术背景下整本书阅读教学如何识变和求变，指出ChatGPT能够发挥智能助手、移动学伴和创意引擎等作用，推动阅读教学的时空拓展和减负增效（李芳芳，2024）。通过回顾近三十年国内外关于人工智能在语言教学领域的应用研究，从前沿技术方法、典型应用场景等方面进行了综述，为人工智能支持的语言教学提供了研究启示与实践参考（郑春萍，2024）。学者构建生成式人工智能赋能中学地理教学的路径，从课前、课中、课后三个场景出发，提出了具体的教学方法和思路（陈琳，2023）。学者通过对人工智能技术在外语教学中的应用进行了探究，并评价了相关著作《人工智能技术驱动的初中英语课堂教学实践》（黄林林，2023）。

综上所述，学者们普遍认为人工智能在教学中的应用具有广阔的前景和巨大的潜力。它不仅可以提供丰富的教学资源和个性化的学习体验，还能促进教学模式和方法的创新，提高教学评价的科学性和准确性。然而，同时也应看到人工智能在教学应用中存在的问题和挑战，如数据隐私、技术依赖等。因此，在推进人工智能与教学深度融合的过程中，需要充分考虑其利弊，加强相关法规和政策的建设和完善，确保教育的健康发展和学生的全面发展。

2.2.3 影响人工智能教学实践性的因素

随着人工智能技术的飞速发展，其在教育领域的应用日益广泛，为传统教学模式带来了深刻的变革。人工智能辅助教学、智适应学习系统等新兴教育模式逐渐走进课堂，成为提升教学效果、培养学生能力的重要手段。然而，这些新兴技术的应用并非一帆风顺，其教学实践性受到多种因素的影响。为了深入探讨这些因素，众多学者进行了广泛的研究，力图揭示影响人工智能教学实践性的内在机制和外在条件。学者通过问卷调查和访谈，发现小学教师对人工智能辅助教学使用意愿与教龄、教师职称、学校地理位置无显著相关，而个人因素、技术因素及学校因素与使用意愿呈正相关（赵闻敏，2024）。这表明，提高教师的自我效能感、增强工具的实用性以及提供合理的培训，将有助于提升教师采用人工智能的意愿。针对职业院校教师的研究显示，感知有用性、满意度、感知娱乐性和自我效能感均对人工智能教学应用行为意向具有显著的正向影响（方旭，2024）。这一发现强调了感知有用性和满意度在推动教师采用人工智能技术中的重要作用。学者则关注了体育专业信息化教学能力的影响因素，指出信息化手段能够丰富体育教学内容和方法，提升教学效率（郭松，2024）。他强调了体育教育专业学生信息化教学能力培养的重要性，并提出了相应的提升策略。通过研究中小学生的人工智能学习意愿，发现有用性感知、期望确认等因素对学生学习意愿有显著影响（方旭，2023）。此外，通过研究中小学教师对人工智能教学应用的持续性采纳影响因素，发现有用性感知是最直接也是最主要的影响因素（罗雅婷，2023）。学者通过元分析，发现智适应学习系统对学习效果具有中等程度的正向促进作用，并揭示了实验周期、样本容量、学段和知识水平等因素对学习效果的影响（尚佩瑶，2021）。学者以安徽某重点中学为例，对教师人工智能教学行为意向进行了研究，发现感知行为控制、行为态度、有用性感知和易用性感知等因素与教师人工智能实际行为正相关（方旭等，2019）。

综上所述，学者们从不同角度、不同层面深入探讨了影响人工智能教学实践性的因素。个人因素（如自我效能感、过往经验）、技术因素（如便利性、易用性）、学校因素（如学校支持、氛围）以及学生因素（如学习意愿、满意度）等均在不同程度上影响着人工智能教学实践的推进。这些研究成果为教育工作者提供了宝贵的参考和启示，有助于他们更好地理解和应用人工智能技术，提升教学效果。未来，随着人工智能技术的不断发展和教育实践的深入探索，相信会有更多学者加入到这一研究领域中来，共同推动人工智能教育与教学实践的深度融合与发展。

2.2.4 利益相关者对人工智能教学的看法

在人工智能技术迅猛发展的今天，其在教学领域的应用日益广泛，不仅为教育带来了前所未有的机遇，也引发了一系列复杂的挑战。其中，利益相关者在人工智能教学中的角色和看法成为了学术界关注的焦点。不同学者从不同角度探讨了利益相关者如何影响人工智能教学的发展，以及他们在此过程中所面临的机遇与风险。大模型技术是生成式人工智能价值链的核心，其开发部署引发的风险存在于整个价值链之中（刘金瑞，2024）。他强调，治理大模型风险必须依靠沿价值链上下游利益相关者的协同共治，包括明确大模型提供者的信息提供义务，建立多方风险共评机制，确立透明度制度等。这一观点揭示了利益相关者在人工智能教学风险共治中的关键作用。从思想政治教育评价机制的角度出发，探讨了人工智能时代下思想政治教育评价参与主体的地位及利益博弈。她认为，人工智能的应用为思想政治教育评价机制提供了创新机遇，但同时也需要明晰各利益相关者的角色和利益诉求，以构建基于多方教育行动者和多样化治理手段的思想政治教育评价机制（李真真，2024）。通过解读UNESCO IESALC发布的《在高等教育中利用人工智能时代：高等教育利益相关者入门指南》，指出人工智能在高等教育中的应用带来了经济、社会、伦理、环境等多维度的变革和挑战。他们强调，高等教育利益相关者必须积极应对这些挑战，探寻负责任地将人工智能融入高等教育的路径（王舒楠，2024）。通过分析人工智能在医学高校图书馆应用的主要利益相关者，包括政府、医学高校、图书馆员、读者和人工智能厂商等。他们通过文献调研和电话咨询，确定了人工智能在医学高校图书馆的应用场景与典型案例，并提出了应用推广的对策建议（林金银，2023）。基于利益相关者理论，对人工智能医疗技术临床应用评估需求进行了研究，研究发现，研发生产方、决策管理方和临床应用方等利益相关者普遍认为，人工智能医疗技术具有较好的应用前景，并关注其安全性、临床需求和有效性的评估（李清，2023）。学者探讨了人工智能的价值矛盾与应对路径，指出价值诉求的多样性使得人工智能蕴含着不同的价值目标（贾璐萌，2020）。他们提出，通过技术层面和社会层面的共同应对，可以限制价值矛盾及其造成的冲突，实现人工智能的主流价值目标与多样化价值诉求的融通。

综上所述，不同学者从不同领域和角度探讨了利益相关者在人工智能教学中的角色和看法。他们普遍认为，利益相关者在人工智能教学的发展中起着至关重要的作用，其利益诉求和行为决策将直接影响人工智能教学的效果和方向。因此，为了实现人工智能教学的可持续发展，必须充分考虑各利益相关者的需求和利益，构建多方协同共治的机制。未来，随着人工智能技术的不断发展和应用领域的不断拓展，利益相关者之间的关系将更加复杂和多元，需要更加深入的研究和探讨。

2.2.5 人工智能教学的有效性/无效性

随着人工智能技术的飞速发展，其在教育领域的应用日益广泛，为教学带来了前所未有的变革。人工智能不仅能够提供个性化的教学资源，还能促进学生的自主学习和合作学习，提高教学效果和学习效率。然而，人工智能在教学中的应用也引发了一系列关于有效性与伦理性的讨论。学者们从不同角度探讨了人工智能对教学的影响，以及利益相关者在其中的角色和看法。虽然人工智能技术能够提升教学的有效性，如提供差异化教学资源、促进学生沉浸式学习等，但也存在伦理风险，如师生关系异化为数据宰制、虚拟情境导致生活世界感知失真等。他强调，要实现人工智能赋能的优质教学，教师需要成为人机协同教学的合作者，并建立意识形态审查与风险防范机制（乔元正，2024）。通过LICC范式对七年级人工智能“智能皮影戏播放装置”一课进行了课堂观察，发现基于该范式的观察能为教师和学生提高课堂教与学的有效性指明方向。这表明，科学的教学观察方法对于提升人工智能教学的有效性至关重要（刘莉，2024）。人工智能视域下的课堂教学应坚持有效性与伦理性共存。他们分析了技术赋能对教学理念、内容、方法和评价的积极影响，同时也指出了技术融合过程中引发的伦理困境，如教学情感的忽视等。他们提出，应通过主体责任意识与教育本质坚守的内在约束，以及法律制度与伦理规则建设的外在规范来共同消解这些困境（李可会，2023）。学者通过探究人工智能在艺术设计学科课堂中的应用，认为人工智能辅助教育系统的开发与应用是趋势，但需要搭建更加综合且多维度的评价体系，以达到因材施教的效果（张毅博，2023）。这反映了利益相关者对人工智能教学有效性的期待和对个性化教学的追求。通过分析了人工智能在高中生物教学中的应用价值，提出了增强生物教学有效性的具体策略。他们强调，人工智能技术能够帮助学生构建完善的知识体系，激发学生兴趣，优化师生互动，从而提高学生的学科核心素养（姜丽英，2022）。学者研究了人工智能技术提升课堂教学质量的有效性，通过人脸识别、在线录播教学等手段来保证教学质量。他们认为，人工智能技术能够满足教师、学生和学校管理者的需求，对教学、管理和教研等方面将起重大的推进作用（潘美莲，2022）。学者探究了“AI+有限浸入式英语教学”模式在实际应用中的有效性，为二语习得理论与人工智能技术的创新性结合与应用提供了借鉴性思路（邓钦祝，2022；孙华飞，2020；王海英，2018；曹鲁辉，2018；伍妙琼，2013；范育红2012）。这显示了人工智能在语言教学领域的潜力和利益相关者对其有效性的认可。

综上所述，学者们对人工智能教学的有效性与伦理性进行了深入探讨，并提出了各自的观点。他们普遍认为，人工智能技术在教学中的应用能够显著提升教学的有效性，但同时也伴随着一系列伦理风险和挑战。利益相关者，包括教师、学生、学校管理者等，对人工智能教学的有效性持有期待，但同时也关注其可能带来的伦理问题。因此，在推进人工智能教学的过程中，应充分考虑利益相关者的需求和利益，建立科学的评价体系和风险防范机制，确保人工智能教学既有效又符合伦理规范。未来，随着人工智能技术的不断发展和应用领域的不断拓展，对人工智能教学有效性与伦理性的研究将更加深入和全面。

2.2.6 人工智能在中国高等教育中的应用

随着人工智能技术的迅猛发展，其在教育领域的应用日益广泛，对中国高等教育产生了深远的影响。学者们纷纷探讨人工智能如何改变教育范式、推动教育学知识体系的创新，以及高等教育应如何应对这一技术变革。人工智能的推出和应用使高等教育面临着教学、职业、应用为导向的过程性问题。他强调，必须从科技史、教育史与文化史的角度，系统分析高等教育与人工智能之间的交互关系，才能真正把握人工智能对于高等教育的意义与作用，进而有效推动人文与自然交互融合的高等教育范式（曾建华，2023）。教育学缺乏本学科特有的研究方法，而简历分析法的兴起为教育科学研究提供了新契机。在人工智能时代，生成式人工智能模型与大数据等方法的融合，使简历分析法在教育研究应用上迎来新突破（刘进，2024）。中国教育学知识体系具有本土性、独立性、融通性、稳定性和创新性等特征。在生成式人工智能技术的发展背景下，教育学知识体系拓展出新趋向，带来了知识生产范式的创新。陈洪捷等强调，在构建教育学自主知识体系时，要注重推动实践性知识生产，促进默会知识的显性化，并反思借鉴已有的教育理论（陈洪捷，2023）。学者基于深度访谈，建构了人工智能技术推动-市场拉动-环境驱动的人工智能创新过程模型，并对当前中国人工智能创新现状与问题进行了剖析（刘进，2019）。

综上所述，学者们对人工智能在中国高等教育中的应用持积极态度，同时也关注了其带来的挑战和问题。他们从不同角度探讨了人工智能对高等教育范式、研究方法、知识体系以及创新过程的影响，并提出了相应的建议和对策。这些研究不仅丰富了教育学理论，也为高等教育实践提供了指导。未来，随着人工智能技术的不断发展和应用领域的不断拓展，学者们将继续深入探索人工智能与高等教育的融合之路，为构建更加完善、具有中国特色的高等教育体系贡献力量。

2.3 教师技术知识

2.3.1 教师知识结构演化发展研究

（1）国外教师知识结构演化发展研究

教师知识是教师在日常教育实践活动中所应具备的专业知识的总称，教师知识结构则是多种教师知识整合而成的知识体系，其中不仅包含不同知识要素的简单叠加，还包括对教师知识各要素的主动重组与改造。国外关于教师知识结构的研究经历了由简单到复杂，一元到多元的过程。20世纪80年代，教师知识结构研究迅速兴起，有关教师应该具备怎样知识体系的研究逐渐受到研究者关注。

埃尔巴兹（Elbaz）于1984年率先对教师知识结构进行了系统研究，认为教师应具备实践类知识体系，该体系具体包括五类，即学科知识、课程知识、教学知识、自身的知识和学校教育环境（Elbaz，1984）。其中学科知识主要内容为特定学科领域内的概念、事实及其相互关系；课程知识主要内容为教师对课程内容的建构；教学知识主要内容为课堂管理、教学安排、学生的能力、需求与兴趣；自身知识主要内容为教师对自我专业发展的认知；学校教育环境主要内容为教师开展教学所发生的周围社会环境。埃尔巴兹对教师知识结构的研究引发了学界对教师知识的讨论，使得有关教师一般知识结构转向对教师实践知识的研究。

舒尔曼（Shulman）于1986年明确提出了学科教学法知识（Pedagogical Content Knowledge，简称PCK），构建了PCK模型，并将教师知识基础划分为七种类别知识，即学科知识、一般教学法知识、课程知识、学科教学法知识、学习者及其特点知识、教育环境知识、关于教育目的、目标和价值及其哲学和历史基础的知识（Shulman，1986）。其中学科知识主要内容为学科具体概念、规则和原理及其相互间的联系；一般教学法知识主要内容为课堂管理、组织原则与策略等；课程知识主要内容为教师开展教学活动所应用的课程资料；学科教学法知识主要内容为教师教授某学科内容所必备的特有教学策略，是教师对自己专业理解的特殊形式；学习者及其特点知识主要内容为教师教授对象在身体、思想、认知和情感等方面的认识；教育环境知识主要内容为教学过程中小组或课程运作管理以及社会环境的特点；关于教育目的、目标和价值及其哲学和历史基础的知识主要内容为教师课程目标的确定和对学生的价值导向。舒尔曼学科教学法知识理论首次明确提出教师专业知识能力结构，是教师专业化标志，对后续教师知识结构研究产生巨大影响。

科克伦（Cochran）于1993年将舒尔曼的“学科教学法知识”概念演变为动态的“学科教学法知识”（Pedagogica lContent Knowing，简称PCK），构建了PCK教师知识结构发展模型，并将教师知识结构化分为一般教学法知识、学生知识、学科教学法知识和教学情景知识（Cochran，1993）。科克伦认为四种知识要素是教师知识结构的主要内容，并在教师教学过程中不断相互作用、相互融合，最终促进了教师知识结构的形成。但PCK教师知识结构发展模型更加强调教师知识的动态性发展和学生的能动性作用，为教师知识结构发展演化注入新思维。

（2）国内教师知识结构演化发展研究

我国于20世纪九十年代开始关注教师知识结构。其中衷克定等人从功能出发，将教师知识结构分为本体性知识、条件性知识和实践性知识，其中本体性知识主要内容为教师特定的学科知识；条件性知识主要内容为教师的教育学、心理学知识；实践性知识主要内容为教师在教学过程中所具有的课堂情景知识和解决难题的知识（衷克定，1998）。本体性知识是教学活动实体，条件性知识是本体性知识的理论支撑，实践性知识是本体性知识的实践指导。之后经过对教师知识结构的深入探究，辛涛等人再衷克定知识结构划分的基础上增加了文化知识，认为教师知识结构主要包含四种类型（辛涛，2009）。其中文化知识主要内容为除上述三种知识外的其余知识内容。并认为条件性知识是解决教学问题的原则，实践性知识是解决教学问题的方法，文化知识能够促进学生全面发展。

叶澜等人改变传统教师知识平面化的研究，认为教师知识结构是三层复合型结构，在基础层面主要内容为科学人文基本知识，以及工具性学科的扎实基础和熟练应用的技能；第二层为学科专门性知识与技能；第三层为教师进行教学活动研究的相关知识内容。三个层面知识相互渗透，有机整合，能够体现教师教学的科学性、艺术性和独特性（叶澜，2024）。邹斌等人认为教师知识可分为内容知识和实践性知识，内容知识是教师有意识学习内化形成的，可准确表现的外显性知识，即学科内容、教学方法和课程知识等内容；实践性知识也可称为默会知识，是教师在个人经验的基础上进行建构的，不可准确表述的内隐性知识，即教师的教学信念、沟通能力、教学机制、批判性精神等内容（邹斌，2005）。内容知识是区分教师专业化的主要条件，实践性知识塑造教师的价值取向，促进教师不断进步。

综合国内外教师知识结构研究发现，教师知识结构具有动态性、整体性和复杂性等特点，教师知识结构一直处于动态发展完善过程之中，随着教学实践的不断变化会增加新的知识内容，调整教师整体知识结构，以应对新的教学环境和教学需求。教师知识结构的不同要素功能各不相同，但要素间相互作用，交叉整合后还可产生新的知识要素和功能，共同构成最终的知识结构，这在一定程度支持了教师知识结构整体性和复杂性的特点。因此，随着智能教育的发展，有必要对教师队伍储备力量的师范生知识结构进行探究，构建新的师范生知识结构。

2.3.2 TPACK理论发展研究

随着技术的飞速发展，技术对教师知识结构的影响逐渐显现，随即学者将研究重点转移到技术对教师知识结构的影响方面，2005年，美国密歇根州立大学的科勒和米歇尔以舒尔曼提出的PCK理论为基础，构建出整合技术的教师知识框架模型，即TPCK（Technological Pedagogical Content Knowledge）模型，该模型成功地将教师利用技术进行有效教学的知识整合到了教师知识结构中。通过将技术知识引入原有的学科教学知识框架中，与学科内容知识、教学法知识相互作用，最终形成了七个知识要素与境脉相结合的整合技术的学科教学知识结构。后因该理论模型名称读音和拼写顺序问题，因此在一次学术会议讨论中，将其由TPCK更名为TPACK（Technological Pedagogicaland Content Knowledge）。随着技术对社会生活产生了广泛的重要影响，教师本身的技术应用能力受到广泛关注，TPACK理论在描述教师知识结构方面的作用引起学者的广泛关注。

（1）国外TPACK理论发展研究

自TPACK理论提出以来，其本质和结构一直随着时代不断发展。国外学者主要从内容定义、组成要素和结构框架三方面对TPACK进行理论研究。其中由鲁拉·安杰丽（Angeli，C.）和尼科斯·瓦拉尼德斯（Valanides，N.）两位研究者通过实证研究，认为教师TPACK结构是一种新型独立的知识体系，能够针对具体学习者在具体教学情境中将学科知识、教学知识和技术知识进行转化，从而形成的可被培养与评价的知识形态。安杰丽和瓦拉尼德斯等学者从认识论的视角，对TPACK进行批判和完善，并提出了基于转化观点的ICT-TPCK框架，该框架包含学科知识、教学知识、信息技术知识、关于学习者的知识以及教学境脉知识，其中学科知识、教学知识和教学静脉知识与科勒和米歇尔的TPACK框架中的学科知识、教学知识和教学静脉知识内容大致相同外，安杰丽和瓦拉尼德斯将技术知识明确限定为信息技术知识，并增加了包含学习者认知风格等内容的关于学习者的知识。

杨百翰大学研究团队的查尔斯·格雷哈姆（Graham,C.R.）和苏西·考克斯（Cox,S.）等人通过对TPACK框架的定义、知识结构和整合观点的合理性等内容进行批判，以PCK框架模型为基础，重新界定TPACK框架所包含七个知识要素，并对七个要素进行详细阐释，明确界定不同要素的边界，从而构建了TPACK的精确化模型。在TPACK精确化模型中，教学知识被精确定义为关注教师可能利用的一般教学活动的知识；学科知识被精确定义为特定主题的知识；技术知识被精确定义为使用新兴技术的知识；学科教学知识被精确定义为特定学科主题活动的知识；整合技术的学科知识被精确定义为利用新兴技术表示概念内容的知识；整合技术的教学知识被精确定义为利用新兴技术激励学生参与合作学习的知识；整合技术的学科教学知识被精确定义为教师协调使用新兴技术进行特定学科教学的知识。同时，TPACK精确化模型明确提出了教师TPACK结构框架中的暗含的技术变动本质，即当新兴技术被广泛接受时，教师的TPACK结构则会消失，结构框架中包含的技术知识则会转化为教学知识或内容知识，而当新兴技术尚未成为教师工具库中透明且无处不在的部分时，教师对TPACK的需求则会一直存在。

托马斯·瓦松（Thomas Wassong）和罗尔夫·比耶勒（Rolf Biehler）基于TPACK理论框架，将教学所需学科知识（CKT）扩展到TPACK理论框架之中，构建了CKT-TPACK框架。CKT-TPACK框架将教师各类知识要素以同心圆的形式进行表述，其中，学科内容知识、技术知识和教学知识等单一知识要素构成CKT-TPACK的外圈内容，其中普通内容知识、特殊内容知识和水平知识构成外圈的学科内容知识；学科教学知识、整合技术的教学知识和整合技术的学科知识等复合知识要素构成CKT-TPACK的中间层内容，其中内容与教学知识、内容与课程知识和内容与学生知识构成中间层中的学科教学知识；同心圆的核心则是整合技术的教学内容知识。CKT-TPACK框架将学科内容知识和学科教学知识划分的更为详细，同时更加简明地以同心圆形式表示教师知识结构，使研究者更加清楚教师知识结构间各要素的关系。

玛格丽特·尼斯（Margaret Niess）的研究与上述有关TPACK结构各要素研究不同，尼斯主要从TPACK知识出发，提出一个描述TPACK发展结果的框架，并详细描述了该框架包含的四个核心要素，即技术与学科教学结合目的的总体概念；技术与学科教学结合的教学策略和知识；学生利用技术对学科的理解、思考和学习以及技术与学科教学结合的课程和课程材料。后续研究过程中，尼斯对其提出的TPACK发展结果框架进行进一步阐释，并结合创新推广模型，提出了TPACK发展从知识、接受、适应、探索和推进的五个阶段。

（2）国内TPACK理论发展研究

国内有关TPACK研究始于二十一世纪初期，主要从TPACK的概念内涵、价值意义和模型构建三方面进行TPACK理论研究。其中北京师范大学何克抗教授在对美国“信息技术与课程整合”的途径与方法进行分析、梳理与总结后，强调TPACK框架结构在我国教师教育发展中的重要性，认为TPACK框架是教育信息化进程中支撑教师有效整合技术与教学的重要框架。并认为学科内容、技术和教学法三种要素之间的关系并不是简单叠加或组合，而是技术融入到具体学科教法之中，基于这种想法，何克抗认为TPACK理论框架是一种劣构知识体系，是教师应当具备的知识结构内容。

阮全友等人基于TPACK框架，从学生和教学目标的视角分别构建了整合技术的学科学习策略知识（Technologica Strategicand Content Knowledge，简称TSACK）和整合技术的学科方法论知识（Technological Methodological and Content Knowledge，简称TMACK），并认为TMACK是TPACK和TSACK综合知识（阮全友，2014）。在TSACK框架中，阮全友等人将教学知识转化为策略知识，将整合技术的教学知识转化为技术策略知识，将学科教学知识转化为策略内容知识；在TMACK框架中，阮全友等人将教学知识转化为方法论知识，将整合技术的教学知识转化为技术方法论知识，将学科教学知识转化为方法论内容知识。该研究认为相对于TPACK框架，TMACK框架更加强调教与学的优势整合，更适合指导具体实践。

刘冬萍等人通过梳理TPACK框架中存在的问题，将技术要素重新整合到PCK结构之中，构建出教师TPACK六边模型，该模型主要包含课程知识、学科教学定位知识、有关学生理解的知识、评价学习的知识、教学策略知识和有关技术使用的知识（刘冬萍，2021）。相对米歇尔等人提出的TPACK模型，该模型更加强调六个知识要素间的联系和相互作用，更加关注了技术在教育教学过程中的影响。杨鑫等人将TPACK理论框架与智慧教育时代背景相结合，通过分析智慧教育理论内涵，将育人导向的知识与教师知识结构相整合，构建出育人导向的技术学科教学知识（Goal-orientedTechnologicalPedagogicalContentKnowledge，简称G-TPCK）框架（杨鑫，2017）。该框架在TPACK七要素的基础上，将育人导向分别整合到传统的TPACK七要素中，并在单一要素层面增加了育人导向的知识。G-TPCK框架更加强调学科内容主义倾向的消解，更关注发展教师有效应用技术的专业能力和教学目的。

闫志明等人将人工智能技术与TPACK理论相融合，构建出AI-TPACK理论框架。该框架在TPACK理论框架的基础上，顺应智能教育时代背景，更加强调教师将人工智能技术和思维在教育教学过程中的整合应用能力（闫志明，2012）。虞江锋等人从开放大学教师视角，分析AI-TPACK的理论框架内容，明晰AI-TPACK理论框架的发展对开放大学教师专业发展具有重要意义（虞江锋，2022）。邓国民等人将人工智能伦理知识与TPACK理论框架相整合，构建出人工智能+学科教学伦理知识框架（AIPCEK）（邓国民，2015）。对比TPACK理论框架，AIPCEK框架更加复杂，除伦理知识外，该框架共包含七种复合型知识形态，即学科伦理知识、教学伦理知识、人工智能伦理知识、学科教学伦理知识、“人工智能+学科”伦理知识、“人工智能+教学”伦理知识以及“人工智能+学科教学”伦理知识。

此外，部分学者将TPACK框架与具体学科相结合，构建出针对具体学科的教师知识结构能力框架，如郭桂周等人将TPACK理论框架与科教学有机融合，构建出整合技术的科学教学法知识（TPASK）框架模型（郭桂周，2012）；戴锡莹将TPACK理论与数学学科有机融合，构建出数学教师教育技术知识结构——TPMK知识结构框架（戴锡莹，2012）；仵芳将TPACK理论与地理学科有机融合，构建出G-TPACK框架模型（仵芳，2016）；朱洪翠将TPACK理论与中学英语有机融合，构建出EFI-TPACK模型（朱洪翠，2017）；宋雨璇等人将TPACK理论框架与职业教育相结合，构建出职业教育教师的V-TPACK框架模型（宋雨璇，2020）。

综合国内外TPACK理论发展研究发现，TPACK理论框架并不是一成不变的，随着时代发展，不同技术在教育教学过程中逐渐应用，教育教学环境随之发生变化，学习者的需求不断增加，由此对教师TPACK理论框架结构也在发生变化。人工智能技术在教育领域的逐渐深入应用更加凸显了优化教师队伍TPACK结构的重要性，因此，在智能教育环境中，有必要基于AI-TPACK能力结构，探究师范生的知识结构水平发展现状。

2.3.3 TPACK测量方法研究

TPACK结构的复杂性和动态性等特征引起国内外研究者对TPACK测量与评价的重点关注，综合来看测量方法主要有三种，即以问卷调查为主量化研究方法，以内容分析、半结构访谈、课堂观察为主的质性研究方法，以及量化研究与质性研究混合的研究方法。

（1）国外TPACK测量方法研究

国外对TPACK的测量评价研究较早，其中科勒和米歇尔在提出TPACK理论框架时就曾以在职教师为对象，采用李克特七点式量表探究其TPACK现状，但该量表的信效度等数据并未在论文中明确显示，因此有多数研究者对TPACK测量量表进行制定。

施密特（Schmidt）于2009年制定了面向职前教师即师范生的TPACK测量量表，用以评估师范生的TPACK水平。该量表采用五点式李克特量表，共包含七个维度四十七道题项，量表信效度较高，能够更加客观标准的反映测量评价过程与结果（Schmidt，2009）。通过后续相关研究发展，施密特制定的TPACK测量量表应用较为广泛，受到多数研究者引用，为TPACK测量工具的开发与制定提供了重要参考。阿尔尚博（Archambault）等人于2010年制定面向中小学教师的TPACK调查量表，用以衡量在线中小学教师的教学知识结构。该量表采用五点式李克特量表，共包含七个维度二十四道题项，经过两年时间内的多次修订，该量表信效度较高，能够准确评价在线远程中小学教师的TPACK水平（Archambault，2010）。蔡敬新（Chai）等人于2012年将有意义网络学习与TPACK相结合，通过创建有意义网络学习调查量表，评价职前教师的TPACK五个知识要素现状。该量表共包含五个维度三十四道题项，明确制定了有关网络技术的测量题项，通过测量检验，该量表信效度可靠，适合测量评价职前教师的TPACK结构（Chai，2012）。

以量表为主要工具进行TPACK测量与评价的方式能够客观规范地测量被试对象的TPACK结构水平，但该方法容易忽略被试对象在教育教学过程中的思维、情感和态度等方面的表现，因此部分研究者改变量化研究方法，采用质性研究方法测评职前和在职教师的TPACK结构。

科勒和米歇尔等通过项目设计，组织观察了被调查对象在TPACK方面的主要关注重点，并对相关会议记录进行定量话语分析，从而探究了在项目发展不同阶段，在职教师TPACK的变化发展过程。格罗斯（Groth）等人通过收集具体课程教育教学过程中教师的教学教案、课程评论、教学记录以及教学课程录音等数据，采用质性研究方法对在职教师的TPACK结构进行讨论。该研究方法提供了一种以课程研究为基础的TPACK质性研究方法（Groth，2015）。哈里斯（Harris）等人通过制定基于职前教师的TPACK能力量规，以测量评价职前教师教与学方面的书面描述质量，从而判断职前教师TPACK能力现状；经过两年研究，哈里斯等人以TPACK能力量规为基础，对在职教师进行半结构化访谈，从而探究在职教师的TPACK能力现状（Harris，2020）。

此外，还有部分研究者将量化研究与质性研究相结合，进行有关TPACK的混合研究，其中穆扎（Mouza）等人通过自主开发调查问卷，对职前和在职教师进行结构化访谈，对其课程资料进行收集分析等量化与质性研究相结合的方法，对职前和在职教师进行TPACK测量与评价（Mouza，2018）。安杰丽通过课堂观察和收集相关课程资料，采用定性话语分析和定量文本分析等方法对教师ICT-TPACK现状进行测评，并制定了测量标准（Angeli，2020）。格雷姆（Graham）等人将开放式问题与具体量表相结合，以考察教师在培训前后的TPACK水平发展情况（Graham，2022）。

（2）国内TPACK测量方法研究

我国对TPACK测量方法的研究起步稍晚于国外，主要以量表测量、访谈、课堂观察等方法为主，其中量表工具的开发大多基于国外已有经典量表进行。如詹艺等人通过结合施密特和阿尔尚博等人开发的量表，进行改编，对我国数学学科教师TPACK结构现状进行测量（詹艺，2011）；黄东明等人以阿尔尚博等人开发的TPACK量表为基础，进行本土化改编，从而调查我国高中教师的TPACK现状（黄东明，2013）；赵磊磊、白雪梅等人以施密特等人开发的TPACK量表为基础，结合自我效能感量表和感知有用性量表，探究教师TPACK现状与技术感知和自我效能间的关系（赵磊磊，2021）。董艳等人以蔡敬新等人开发的有意义网络学习TPACK量表为基础，通过本土化改编，对我国师范生群体进行调查（董艳，2014）；段元美等人综合国外调查量表，结合我国教学实际制定了有关大四师范生的TPACK调查问卷，以探究我国大四师范生TPACK结构中各要素之间的关系（董艳，2015）。

除改编国外成熟的量表进行TPACK量化研究外，我国部分学者采用以访谈和课堂观察方法为主的质性研究方法对不同群体进行TPACK测量与评价。其中詹艺深入微型课堂教学过程，通过话语分析的方法，从班级和小组层面对师范恒TPACK知识结构发展过程中关注重点的变化过程进行探究（詹艺，2011）；陈君贤采用行动研究方法观察教师TPACK发展情况，通过分析教师教学过程中的话语内容，明晰新手教师TPACK发展变化情况（陈君贤，2018）；马建军等人以师范生微课开发案例为基础，采用深度访谈和参与式观察等方法，对收集到的有关师范生TPACK发展变化情况进行内容分析，从而测评师范生TPACK发展现状（马建军，2017）；魏智慧等人基于慕课教学情景，综合采用访谈法和案例研究方法，对高校教师在慕课教学过程中的TPACK发展变化情况进行探究（魏智慧，2020）。

此外，我国还有部分学者采用量化研究与质性研究相结合的方法测量职前或在职教师的TPACK能力现状。其中董同强等人以施密特等人开发的TPACK量表为基础，结合高职院校教师的访谈内容，对我国高职院校教师的TPACK绩效现状进行探究（董同强，2019）；王晓辞等人将施密特和阿尔尚博等人开发的量表进行改编整合，在问卷调查的基础上，利用访谈法和内容分析方法对师范生TPACK现状和具体影响因素进行测量与评价（2020）；徐小舒等人以结构式访谈和问卷调查的混合研究方法，探究ESP教师的TPACK能力现状（徐小舒，2020）。

综合国内外TPACK测量方法研究发现，不同群体的TPACK测量方法大体可分为量化研究方法、质性研究方法和混合研究方法。其中施密特等人开发的量表应用范围较为广泛。此外，多数学者认为TPACK理论较为复杂，若采用单一方法探究师范生或在职教师的TPACK现状，结果可能存在较大差异，因此，有必要在探究师范生AI-TPACK能力结构发展现状及其具体影响因素时避免单一研究方法的应用。

2.3.4 TPACK影响因素研究

TPACK结构框架包含知识要素较多，各要素间相互作用关系较为复杂，社会、文化和心理等因素均会对TPACK能力发展产生影响，明晰不同因素对师范生或教师TPACK能力的作用关系对于优化教师队伍知识结构尤为重要，因此，TPACK影响因素受到国内外研究者的关注。

（1）国外TPACK影响因素研究

国外有关TPACK影响因素的研究大多探讨了教师自身和外部等影响因素对其TPACK能力的作用关系，其中，乔伊斯（Joyce）等人采用问卷调查方法，探究了对教师人口统计变量对师范生TPACK的作用关系，研究发现性别对师范生TPACK发展变化过程具有一定影响，TPK和TCK对师范生的TPACK影响较为显著；教学经验等对师范生TPACK影响较为显著（Joyce，2007）。此外，部分研究者从教师对技术的态度、能力和使用频率等方面进行TPACK影响因素的研究。其中阿戈耶（Agyei）等人以师范生和在职教师为研究对象，采用问卷调查的方式进行TPACK影响因素探究，研究发现师范生和在职教师对技术应用的意愿、能力和工具对其TPACK水平产生影响（Agyei，2012）；学者采用问卷调查的方式探究教师TPACK影响因素，研究发现计倾向始终影响在职教师的TPACK水平，以建构主义为导向的教学是在职教师TPACK水平的显著负预测因素（Dong，2014）；通过对美国在职教师进行问卷调查，发现影响教师ICT自我效能感、技术价值信念和态度等心理因素对其TPACK有显著的影响（Cheng，2017）；学者以师范生为研究对象，采用问卷调查的方式探究TPACK影响因素，研究发现师范生TPACK水平与信息技术相关因素密切相关，如师范生对信息技术支持的看法、获取信息技术的机会以及应用信息技术的能力（Daan，2021）。

（2）国内TPACK影响因素研究

我国对TPACK影响因素的研究大体上可分为三个方面，一方面是年级、性别等人口学变量，一方面是教师态度、自我效能、以及政策培训等影响因素，另一方面则是TPACK内部各知识要素对TPACK的影响。其中宋雨璇等人以高职职业院校教师为调查对象，通过问卷调查发现影响教师V-TPACK能力的具体因素主要包括教师任教的学段、教师年龄、教龄以及教师信息化教学培训经验四个方面。徐倩以化学师范生为研究对象，通过问卷调查发现化学师范生TPACK水平在性别和年级方面并无显著性差异，性别、教龄、学历和职称等因素对在职教师TPACK水平并无影响；赵倩倩采用混合研究方法发现性别和年级对师范生TPACK水平产生影响；周佳采用问卷调查方法发现教龄和学历对教师TPACK水平具有一定影响。

部分研究者从外部影响因素探究TPACK影响因素，其中马建军等人以具体活动案例为基础，采用个人访谈、问卷调查和参与式观察等混合研究方法对师范生TPACK影响因素进行研究，发现师范生TPACK发展影响因素主要包含教师的技术能力、主观意愿、教学知识背景、技术资源的可用性等；陈灵灵等人采用结构化访谈和开放性问卷调查方法对化学师范生TPACK影响因素进行探究，研究发现影响因素主要有教师培训、教育政策、技术支持、教学环境、教学内容、教学对象、教师信念、教师能力等；杜亮亮以数学师范生为研究对象，通过问卷调查发现影响数学师范生TPACK的影响因素主要有教育技术课程设置、教育实习、人为和自我效能四个方面；魏述霞采用问卷调查方法探究数学师范生TPACK影响因素，研究发现影响因素主要有教育培训的内容、课时和师资力量对数字师范生TPACK影响较大；王宇熙通过问卷调查发现影响高职教师ICT-TPACK的因素主要有学校环境、自我效能和教师培训等方面。

此外，还有部分研究者以TPACK内部各知识要素为重点，探究各知识要素对不同群体TPACK的影响，其中赵磊磊采用问卷调查方法发现TK、PCK对TPACK具有直接的作用效应,PCK对师范生TPACK具有较强相关性；王辞晓采用质性研究方法对师范生TPACK影响因素进行探究，研究发现TK、TPK、TCK和PCK对师范生TPACK具有直接影响；禹行初采用问卷调查方法对学前教育专业师范生TPACK进行调查，研究发现TPK对学前教育专业师范生TPACK有一定影响。

综合国内外TPACK影响因素研究发现，有关TPACK影响因素的研究大多分为两个维度，即TPACK内部因素和外部因素，其中TPACK内部因素则包含构建TPACK框架的各个结构要素，即TK、CK、PK、TPK、TCK和PCK；外部因素则分为个体因素和环境因素，其中个体因素包含个体对技术应用的态度和应用技术的能力，环境因素则包含其所处环境对技术的支持、相关培训课程体系的建设等。因此，本研究立足智能教育视角，以师范生为研究对象，将影响师范生AI-TPACK能力结构发展的因素分为AI-TPACK内部因素和外部因素，其中内部因素包含构建AI-TPACK框架的各个结构要素，即AI-TK、CK、PK、AI-TCK、AI-TPK和PCK；外部因素则包含师范生对人工智能等技术应用的态度、师范生应用人工智能技术的能力以及师范生学校对人工智能等技术的支持和学校相关课程体系的建设。

2.4 教学创新

2.4.1 教学创新的必要性

在当今社会，教学创新已成为高等教育发展的重要驱动力。随着科技的飞速发展和社会的不断进步，传统的教学模式和方法已难以满足新时代对人才培养的需求。因此，各高校纷纷探索教学创新之路，以期提升教学质量，培养更多具有创新精神和实践能力的人才。在专创融合背景下，高校教师作为教学创新的核心要素，需要进一步提升其教学创新能力。他认为，要不断深化高校教师专创融合教学理念，引导教师从多个角度对专创融合教育模式进行深入思考，并积极参与到实践中。同时，高校教师还需要不断提升自身专业能力和创新思维，以适应新时代对人才培养的需求（柴奇，2024）。针对“双高”背景下高职青年教师教学创新能力的提升策略，研究发现目前高职青年教师的教学能力存在培养模式单一、专业发展内在动力不足等问题（王祝惠子，2023）。因此，通过加强师资培训、完善激励机制、鼓励科研创新等，以期提升青年教师的教学创新能力，推动高职教育的发展。学者以引擎技术基础课程为例，探讨了教学创新的实践路径，基于项目驱动、多元化教学资源整合等教学改革方法，通过引入项目案例和实践操作，将该课程从理论转化为实践，提高学生的实际运用能力和创新能力。她的研究为其他课程的教学改革提供了有益的借鉴（陈佳娉，2023）。高校教育在改革开放后进入了大众化阶段，教学质量在一定程度上出现下滑现象。为更好地贯彻落实我国建设人才强国和科教兴国战略，需要提高高等院校的教学质量，完善高校教学管理创新体制（李思，2015）。从协同创新的角度出发，探讨了高校实验教学改革的必要性，知识创新是国家经济发展的基础推动力，高校需要更加注重知识创新在教育中的地位，通过实验教学改革等方式培养学生的创新精神和实践能力（耿晓菊，2015）。

综上所述，各位学者从不同角度阐述了教学创新的必要性及对策。他们一致认为，教学创新是提升教学质量、培养创新人才的重要途径。高校应该积极探索教学创新之路，不断深化教学理念、完善教学管理模式、加强师资队伍建设、鼓励科研创新等，以适应新时代对人才培养的需求。同时，高校还应该注重实践教学和协同创新，通过项目驱动、实验教学改革等方式培养学生的实际运用能力和创新能力。相信在各位学者的共同努力下，高校教学创新将取得更加显著的成效。

2.4.2 教学创新在人工智能赋能下的实践

随着人工智能技术的飞速发展，其在教育领域的应用也日益广泛，为教学创新提供了前所未有的机遇。人工智能不仅改变了传统的教学方式和方法，还为教育教学带来了新的活力和可能性。众多学者纷纷探索人工智能赋能下的教学创新实践，以期提升教学质量，培养学生的创新能力和实践能力。在人工智能+背景下，旅游产业业态、技术技能发生深刻变化，教师教学和学生学习的生态也呈现新特点。他们提出，职业院校应树立需求导向、协同融合的价值理念，基于旅游产业数字化特点推进资源数字化、教与学变革、评价数字化、治理数字化，整体推动旅游管理专业教育教学模式变革（曾莉，2024）。人工智能技术不仅提升了教学质量，还满足了广大学生的不同学习需求，为学生带来了全新的学习体验（陈玉明，2024）。学者以“数码绘画”课程为例，探索了基于人工智能的应用型高校设计类课程教学创新路径。他们引入“AI+手绘”双头并举的创新教学内容，开展三阶段实践与多场景教学探索，构建了跟踪式点对点精准评价体系，验证了“AI+”在教学上的有效性和可行性（杜莹，2024）。学者以“公共艺术设计”课程为例，探索了生成式人工智能赋能设计美育的创新路径。他们通过将人工智能技术结合“传统设计”，实现从“设计知识”向“关联知识体系”、从“设计成果”向“设计过程”的转换，提升了学生的设计素养和创造活力（李红梅，2024）。针对应用型本科院校工艺美术专业的实践教学体系，提出了与人工智能技术相适应的创新体系。这一体系对提高学生的动手能力、创新精神，推动工艺美术专业教育与企业发展紧密结合具有重要意义（吕敬煌，2024）。学者提出了“人工智能+”导向的计算机语言类课程教学创新培养结构，以Web前端开发课程为例介绍了具体教学实践，说明了教学效果的显著提升（边小勇，2024）。学者以建筑学专业为例，探讨了人工智能在应用型本科教育教学中的应用模式，如个性化教学、虚拟现实辅助教学等，并提出了相应的发展路径（熊东旭，2024）。学者探究了人工智能在教学动画设计中的应用与创新路径，指出人工智能技术通过提升动画制作效率、实现个性化教学内容和增强互动性，显著提高了教学动画的教育效果（张卉，2024）。学者阐述了人工智能驱动高校思政课教学模式创新的基本原则，提出了加强人工智能应用的规范管理、思政课教师队伍建设等多维路径（上官文丹等，2024）。学者探讨了人工智能辅助环境艺术设计跨学科协同教学的创新策略，为环境设计教育的改革提供了理论和实践参考（谭美凤，2024）。

综上所述，各位学者从不同角度和领域探讨了人工智能赋能下的教学创新实践。他们一致认为，人工智能技术在教育教学中的应用为教学创新提供了广阔的空间和可能性。通过引入人工智能技术，可以改革传统的教学方式和方法，提升教学质量和效果，培养学生的创新能力和实践能力。同时，学者们也提出了在人工智能赋能下的教学创新实践中需要注意的问题和挑战，如技术应用的规范管理、教师队伍的建设等。未来，随着人工智能技术的不断发展和完善，其在教育教学中的应用将更加广泛和深入，为教学创新带来更多的机遇和挑战。教育工作者应积极探索和实践人工智能赋能下的教学创新，为培养更多具有创新精神和实践能力的人才贡献力量。

2.5 理论基础

2.5.1 技术接受模型（TAM）

技术接受理论是基于社会心理学中关于人类行为的研究，旨在探究个体接受新技术并产生使用行为的过程，以及影响这一过程的因素。1975年，菲瑟芬（Fishbein）和阿杰恩（Ajzen）提出了理性行为理论，该理论认为个体进行某种行为的意向会受到其态度和主观规范的影响，进而影响到个体在实际生活中的行为表现（Fishbein&Ajzen，1975）。随后，在1991年，菲瑟芬和阿杰恩结合大量实证研究，进一步提出了计划行为理论，将个人的信仰与其行为相联系，深化了对行为意向产生机制的理解（Fishbein&Ajzen，1991）。2000年，戴维斯在理性行为理论和计划行为理论的基础上，提出了技术接受模型（TAM）（Davis，2000）。该模型描述了个体行为意向与其实际技术使用情况的相互作用关系，并指出技术使用的关键预测因素是个体对应用技术的态度。根据戴维斯的技术接受模型理论，可以推断出，在教育教学过程中，技术应用的关键变量包括教师对技术在教学过程中应用的难易程度的认知，以及教师对技术作用效果的认可度。因此，本研究在探讨师范生AI-TPACK能力结构发展的影响因素时，主要基于技术接受模型理论。通过研究师范生对人工智能技术的接受程度和使用程度，来分析这些因素如何影响他们AI-TPACK能力结构的发展。

2.5.2 教学创新扩散理论（DID）

教学创新扩散理论是解释新技术、新理念在教育领域传播和被采纳过程的重要理论框架。该理论强调，创新（如人工智能技术等新兴技术）在教育实践中的推广和应用，不仅受到创新本身特性的影响，还受到社会系统、传播渠道以及个体接受者特征等多种因素的影响。教学创新扩散理论旨在探讨教学创新（如新的教学方法、技术、理念等）如何在教育领域传播，并逐渐被教师和教育管理者采纳和应用。该理论认为，创新扩散是一个复杂的过程，涉及创新认知、劝说、决策、实施和确认等多个阶段，并且受到社会系统、传播渠道和个体接受者特征等多种因素的影响。

教师的知识结构是其从事教育教学工作的前提条件，也是其理解和应用教学创新的基础。合理的教师知识结构应包含特定学科知识、教育学和心理学知识、教学经验累积的知识以及通识文化知识。在智能教育时代，教师知识结构应更加紧密地与人工智能等信息技术相结合，以适应教育现代化的需求。整合人工智能技术的学科教学知识（AI-TPACK）是适应智能教育时代需求的新型教师知识结构。它基于原有的TPACK理论框架，将人工智能技术知识与教师专业知识体系相结合，形成包括人工智能技术知识（AI-TK）、整合人工智能技术的教学知识（AI-TPK）和整合人工智能技术的学科知识（AI-TCK）在内的多维度知识体系。

2.6 章节总结

本章节对人工智能赋能下的教学效果、教师技术知识和教学创新进行了全面的文献综述。首先，对比了人工智能教学与传统教学的区别，分析了人工智能在教学中的应用现状及影响其实践性的因素。接着，探讨了利益相关者对人工智能教学的看法，以及人工智能教学的有效性或无效性。特别地，还关注了人工智能在中国高等教育中的应用情况。然后，深入剖析了教师技术知识的定义、维度、在教学中的应用形式、影响因素，以及与教师身份和教学效果的关系。最后，总结了教学创新的必要性，以及在人工智能赋能下的实践现状，并介绍了研究的理论基础，为后续研究提供了坚实的文献支撑。

第三章研究方法

3.1 引言

随着智能教育的快速发展，人工智能技术正逐渐渗透到教育领域的各个层面，为教育教学的变革带来了前所未有的机遇和挑战。教师，作为教育事业的中坚力量，其技术知识与教学能力的融合程度，对于推动人工智能技术在教育教学中的有效应用具有至关重要的作用。因此，本研究选择大三年级以上师范生（准教师）为研究对象，旨在深入探究其教师技术知识（特别是AI-TPACK能力结构）对教学效果的影响，以及教学创新在这一过程中的中介作用。通过本研究，期望能够为师范生的教育技术能力提升提供有力支持，为未来教育教学的创新与发展提供新的思路和方向。

3.2 研究设计

本研究采用混合研究方法，结合定量和定性数据，以全面、系统地探究师范生的AI-TPACK能力结构发展现状与其对教学效果的影响机制。

3.2.1 混合研究方法的程序

混合研究方法是一种将定量和定性研究相结合的研究设计，旨在通过多种数据收集和分析方法，获得更全面、深入的研究结果。本文基于现有经典量表和相关文献，设计问卷初稿，并通过小样本预调查来验证问卷的信效度和题项表述的清晰度，从而对问卷进行必要的修改和完善。根据研究标准和随机抽样原则，选择多所高校大三年级以上的师范生作为调查对象，通过在线平台发放问卷，并定期跟踪回收情况，确保回收率满足研究需求。其次，在访谈调查中，本研究选取在教学过程中积极尝试和应用人工智能技术的高校教师进行深入访谈，以全面了解师范生的教学实践和教学创新能力。结合问卷调查与访谈调查的结果，对大三年级以上师范生在人工智能赋能下的教学实践进行深入探究，评估其教学效果和教学创新能力。最后，综合运用定量分析和定性分析的方法，对问卷数据、访谈文本和课堂观察记录进行深入的分析和讨论，以形成综合的研究结论。

3.2.2 教学实验设计

教学实验设计是本研究的重要组成部分，旨在通过实践验证师范生在人工智能赋能下的教学效果。本研究选择多所高校大三年级以上的师范生作为实验对象，他们已具备一定的学科基础知识、技术知识和教学知识。在各高校的智慧教室或配备了人工智能教学系统的普通教室进行，确保教学环境的先进性和技术支持的充足性。师范生在教学课程中实践融合人工智能技术的教学方法，包括使用智能教学系统进行知识讲解、通过图形图像识别系统进行互动问答等。通过课堂观察、问卷调查和访谈调查等多种方式，对师范生的教学效果和教学创新能力进行全面评估。

3.2.3 教学模块的开发与验证

为了支持师范生在人工智能赋能下的教学实践，本研究还开发了相应的教学模块，并进行了验证。基于师范生的AI-TPACK能力结构和发展需求，设计融合人工智能技术的教学模块，包括知识讲解、互动问答、个性化学习计划等。利用智能教学系统、图形图像识别系统等人工智能技术，开发教学模块，确保其实用性和可操作性。在教学实验中，让师范生使用开发的教学模块进行教学实践，并通过课堂观察、问卷调查和访谈调查等方式，验证模块的有效性和可行性。

3.3 样本选择方法与标准

在智能教育背景日益凸显的当下，人工智能技术如智能教学系统、图形图像识别系统和智慧教室等已广泛渗透于各类教育机构，为教育教学的变革提供了强有力的支撑。师范生，作为未来教育的主力军，其技术知识与教学能力的融合程度，直接关系到人工智能技术在教育教学中的实际应用效果。鉴于此，本研究聚焦于大三年级以上师范生这一特定群体，他们不仅已系统学习了教育学、心理学、教育技术和教学法等相关课程，还具备了一定的学科基础知识、技术知识和教学知识，对技术与教学的融合有着较为深入的理解和实践经验。

样本选择的方法与标准严格遵循科学性和代表性的原则。首先，在样本的初步筛选上，为确保师范生年级的限定性，即只选择大三年级及以上的学生。这是因为，相较于低年级师范生，他们经历了更为全面的专业教育和实践训练，对人工智能技术在教学中的应用有着更为深刻的认识和体会。其次，样本的选取采用了随机抽样的方式，以确保研究的广泛性和代表性。通过问卷星平台，向目标群体发放网络问卷，既方便了数据的收集，也保证了样本的多样性。

在问卷设计方面，本研究先是进行了小范围的预调查。这一步骤至关重要，它不仅帮助我们检验了由英文量表编制而成的问卷在本土文化背景下的信效度，还能够根据预调查的结果对问卷进行必要的修改和完善。信效度的检验确保了问卷的可靠性和有效性，为后续的正式调查奠定了坚实的基础。经过修改验证后的问卷，其内容更加贴合师范生的实际教学情况，问题表述更加清晰准确，能够有效地反映出师范生在人工智能赋能下的教学知识、技能以及教学创新能力的现状。

基于上述样本选择方法与标准，本研究共进行了两次问卷调查。第一次为小样本预调查，选取了来自不同高校的100名大三年级以上师范生作为调查对象。通过预调查，对问卷的信效度进行了严格的检验，并根据反馈结果对问卷进行了适当的调整。这一步骤确保了问卷的科学性和适用性，为正式调查提供了有力的保障。第二次为正式调查，扩大了样本范围，共选择了多所高校大三年级以上310名师范生，作为问卷填写与教学课程的实践对象，确保了数据的充足性和可靠性。在调研的高校中，本文随机抽取了15位高校教师进行深入访谈。访谈内容围绕他们在人工智能赋能下的教学实践、技术知识的应用以及教学创新的能力等方面展开，旨在获取更为丰富和深入的信息。

本研究通过将访谈结果与数据分析结果相结合，探究教师技术知识对人工智能赋能下教学效果的影响，并对提出的研究假设进行了验证。这一实证研究不仅为理解教师技术知识在人工智能赋能下对教学效果的影响提供了有力的证据支持，也为未来教育教学的创新与发展提供了新的思路和方向。

3.4 研究工具

3.4.1 测量表

本文的研究工具共包含四个测量工具，首先是教师技术知识TPACK能力结构量表，本研究借鉴Schmidt、Canbazoğlu等人的TPACK测量量表工具，并结合AI-TPACK的内涵特点，设计了针对师范生的AI-TPACK能力结构量表。量表包括人工智能技术知识（AI-TK）、学科知识（CK）、教学知识（PK）、学科教学知识（PCK）、整合人工智能技术的学科知识（AI-TCK）、整合人工智能技术的教学知识（AI-TPK）以及整合人工智能技术的学科教学知识（AI-TPACK）等维度。每个维度设计4个题项，共28个题项，用于全面评估师范生的AI-TPACK能力结构。第二，师范生AI-TPACK能力结构发展影响因素量表，本研究借鉴Karaca技术能力量表，通过适当改编和删减，形成了师范生AI-TPACK能力结构发展影响因素量表。量表包括应用人工智能技术的态度（AT）、应用人工智能技术的能力（AB）、学校技术支持（STS）等维度。每个维度设计若干题项，共13个题项，用于探究影响师范生AI-TPACK能力结构发展的具体因素。第三，对于教学效果测量，本研究将师范生参与到教学过程中的评定成绩进行算术平均，按照学生填写得分进行赋值，分值区间为[1,5]，以此评估师范生通过AI-TPACK能力提升所取得的教学效果。此外，本文引入教学创新作为中介变量，设计题项以探究教学创新在AI-TPACK能力提升与研究效果之间的中介作用。研究问卷均采用李克特五级量表，对每个观察变量进行设计（非常不符合=1，比较不符合=2，基本符合=3，比较符合=4，非常符合=5）。通过上述问卷设计，本研究将全面、系统地探究师范生的AI-TPACK能力结构发展现状、影响因素、教学效果以及教学创新的中介作用，为师范生的教育技术能力提升提供有力支持。如表3-1所示：

表3-1 变量汇总表

维度	变量	子变量	题目数量	参考作者
自变量	教师技术知识	人工智能技术知识（AI-TK）	4	Schmidt et al. (2009)
		学科知识（CK）	4	Schmidt et al. (2009)
		教学知识（PK）	4	Schmidt et al. (2009)
		学科教学知识（PCK）	4	Canbazoğlu et al. (2013)
		整合人工智能技术的学科知识（AI-TCK）	4	Archambault et al. (2009)，Canbazoğlu et al. (2013)
		整合人工智能技术的教学知识（AI-TPK）	4	Schmidt et al. (2009)
		整合人工智能技术的学科教学知识（AI-TPACK）	4	Schmidt et al. (2009)
	外部影响因素	应用人工智能技术的态度（AT）	4	Karaca et al. (2013)
		应用人工智能技术的能力（AB）	4
		学校技术支持（STS）	5
因变量	教学效果	人工智能赋能前教学效果	5	成绩评定（正式课结束后，由学生多项打分）
因变量	教学效果	人工智能赋能后教学效果	5	成绩评定（正式课结束后，由学生多项打分）
中介变量	教学创新	人工智能赋能下的教学创新	4	Cropley（2008）
个人统计信息	人口统计特征	性别、年级、学校层次、从教经历	4	--

3.4.2 问卷调查

本研究采用问卷调查形式，问卷设计包含四个部分：师范生基本情况、师范生AI-TPACK能力结构量表、师范生AI-TPACK能力结构发展影响因素量表以及教学创新量表。通过借鉴和结合相关量表工具，设计了28个题项测量师范生的AI-TPACK能力结构，13个题项测量外部影响因素，以及4个题项测量教学创新，问卷采用李克特五级量表。本研究旨在全面、系统地探究师范生的教师技术知识TPACK与人工智能赋能后的教师技术知识AI-TPACK能力结构分别对教学效果的实际情况。此外，本研究引入教学创新作为中介作用，进一步探究教学创新在教师技术知识与人工智能赋能后的教学效果的中介效应，为师范生的教育技术能力提升提供有力支持。

3.4.3 访谈调查

本次访谈调查旨在深入了解高校教师在人工智能赋能下的教学实践、技术知识的应用以及教学创新能力的现状，进一步验证和补充问卷调查结果，探究教师技术知识（TPACK）对教学效果的具体影响，以及教学创新在这一过程中的中介作用。本次访谈选取了15位高校教师（如下表3-2所示），这些教师均在教学过程中积极尝试和应用人工智能技术的教师。采用半结构化访谈方式，结合访谈提纲进行深度交流。访谈可以通过面对面、电话、视频会议等多种形式进行，根据访谈对象的实际情况和偏好灵活选择。每位访谈对象的访谈时间预计为30-60分钟，访谈开始前提前与访谈对象沟通，介绍访谈目的、内容和方式，征得访谈对象的同意。准备访谈提纲（见附录A），确保访谈内容全面、系统。准备好录音设备或笔记工具，以便准确记录访谈内容。

表3-2 访谈教师信息表

编号	年龄	性别	职称	院校层次
1	35	男	讲师	本科层次高校
2	42	女	副教授	研究生层次高校
3	50	男	教授	综合性大学
4	38	女	讲师	师范类高校
5	45	男	副教授	本科层次高校
6	33	女	助理教授	理工科大学
7	48	男	教授	研究型大学
8	37	女	讲师	综合性大学（分院）
9	40	男	副教授	师范类高校（分院）
10	52	女	教授	本科层次高校
11	36	男	助理教授	理工科大学
12	44	女	讲师	研究型大学
13	49	男	副教授	综合性大学
14	39	女	教授（特聘）	师范类高校
15	47	男	讲师	本科层次高校（分院）

此外，本次访谈中根据多篇文献整理所得的8项教学效果评分项，进行筛选与打分，最终保留下5项教学效果评分项，见表3-3所示。

表3-3 教学效果评分项筛选

序号	教学效果评分项	重要性评分（1-5）	相关性评分（1-5）	可操作性评分（1-5）	综合评分	是否保留
1	学生知识掌握程度提升					保留
2	学生学习兴趣与积极性提高					保留
3	学生创新思维与问题解决能力					保留
4	课堂教学互动与参与度增加					保留
5	教学内容与实际生活					保留
6	学生自主学习能力提升					不保留
7	教学资源与工具的有效利用					不保留
8	教师教学满意度与职业倦怠感					不保留

3.4.4 课堂观察

在本次教学实践的课堂观察中，本文结合了问卷调查与访谈调查的结果，对大三年级以上师范生在人工智能赋能下的教学实践进行了深入探究。课堂观察作为实证研究的重要组成部分，旨在通过直接观察师范生在真实教学环境中的表现，进一步验证和补充问卷调查与访谈调查所获得的数据。观察对象为多所高校大三年级以上的师范生，他们在教学课程中实践了融合人工智能技术的教学方法。师范生已经系统学习了教育学、心理学、教育技术和教学法等相关课程，并具备一定的学科基础知识、技术知识和教学知识。观察背景为各高校的智慧教室或配备了人工智能教学系统的普通教室，确保了教学环境的先进性和技术支持的充足性。

课堂观察的主要目的是评估师范生在人工智能赋能下的教学效果，特别是他们在教学知识、技能以及教学创新能力方面的表现。观察师范生如何结合人工智能技术来设计和实施教学活动，以及他们对学科内容、教学方法和学生学习需求的理解。评估师范生在课堂中运用人工智能技术的熟练程度，包括技术操作、资源整合、课堂管理等方面的能力。观察师范生是否能够在人工智能技术的支持下，创新教学方法和策略，提高学生的学习兴趣和积极性，以及培养学生的创新思维和问题解决能力。

课堂观察采用了定性与定量相结合的方法。在定量方面，根据教学效果评分项（学生知识掌握程度提升、学习兴趣与积极性提高、创新思维与问题解决能力等）对师范生的教学表现进行打分。这些评分项是在访谈调查中根据多篇文献整理并筛选得出的，具有较高的重要性、相关性和可操作性。在定性方面，详细记录了师范生在课堂中的教学行为、学生反应和课堂氛围等具体情况。通过观察师范生的教学语言、肢体动作、表情变化等细节，深入了解了他们的教学风格和策略。同时，还注意收集了学生对教学的反馈意见，以更全面地评估教学效果。

通过观察发现师范生在人工智能赋能下的教学中表现出了较高的教学知识和技能水平。他们能够熟练运用人工智能技术来辅助课堂教学，如使用智能教学系统进行知识讲解、通过图形图像识别系统进行互动问答等。这些技术的应用有效地提高了课堂的互动性和参与度，激发了学生的学习兴趣和积极性。此外，研究还发现师范生在教学创新能力方面也有所提升。他们能够根据学生的学习需求和兴趣点，创新教学方法和策略，如设计基于人工智能的个性化学习计划、开展线上线下混合式教学等。这些创新举措不仅提高了教学效果，还培养了学生的创新思维和问题解决能力。

3.5 效度分析

问卷效度是衡量问卷有效性和正确性的关键指标，它评估的是问卷题项设置的合理性以及能否准确反映所测量的内容。效度越高，说明问卷设计越合理，测量结果越准确。一般来说，调查问卷的效度包括内容效度和建构效度两个方面。在内容效度方面，本研究基于现有经典量表，并结合相关领域专家及部分被试群体的反馈，对量表内容进行了修正，确保了问卷具有较好的内容效度。在建构效度方面，本研究采用了因素分析这一统计学方法来检验。

表3-4 效度分析

名称	因子载荷系数	共同度(公因子方差)
AI-TK	0.816	0.666
CK	0.807	0.651
PK	0.824	0.680
PCK	0.890	0.792
AI-TCK	0.854	0.730
AI-TPK	0.821	0.674
AI-TPACK	0.802	0.644
AT	0.833	0.712
AB	0.846	0.741
STS	0.842	0.723
KMO值	0.930	-
巴特球形值	1632.567	-
df	21	-
p值	0.000	-

从上表3-4可知，所有的正式研究问卷项目对应的共同度值都超过了0.6，这表明能够有效地提取研究项目的信息。在这些数据中，KMO值达到了0.930，超过了0.9；p值低于0.01，数据通过了效度检验，可用于进一步分析。

3.6 信度分析

量表的信度评估涵盖了各因子层面及整体量表的稳定性检验，其中Cronbach α系数是衡量信度的主要指标，系数值越高，问卷的稳定性越强。具体而言，Cronbach α≥0.7表明构面信度可接受，≥0.8表示构面理想且信度较高，≥0.9则意味着构面非常理想，信度极佳。本研究针对样本数据进行了信度分析，结果显示，量表各因子的Cronbach α值均超过0.8，显示出各构面信度理想且稳定性高，表明量表整体信度极高。具体信度统计量如下表3-6所示：

表 3-6 量表各维度信度统计

潜在变量	克隆巴赫Alpha	项数
AI-TK	0.831	3
CK	0.835	3
PK	0.845	3
PCK	0.929	4
AI-TCK	0.901	4
AI-TPK	0.912	4
AI-TPACK	0.936	4
AT	0.931	4
AB	0.936	4
STS	0.958	5

3.7 数据收集程序

本研究的数据收集程序严谨而系统，旨在确保研究数据的可靠性、有效性和广泛性。首先，通过问卷设计与预测试阶段，结合研究目的、现有文献和量表，精心设计了问卷初稿，并经过小样本预调查来验证问卷的信效度和题项表述的清晰度，从而对问卷进行必要的修改和完善。在正式问卷调查阶段，根据研究标准和随机抽样原则选择了310名多所高校大三年级以上的师范生作为调查对象，通过问卷星平台在线发放问卷，并定期跟踪回收情况，确保回收率满足研究需求，并将这部分师范生作为人工智能赋能后教学实践的研究对象。随后，对回收的问卷数据进行清洗和整理，剔除无效问卷，将有效数据录入统计软件进行进一步分析。此外，还通过访谈调查和课堂观察两种方式收集更深层次的数据，访谈了15位在教学过程中积极尝试和应用人工智能技术的高校教师，以全面了解师范生的教学实践和教学创新能力。

3.8 数据分析程序

数据分析程序则是本研究中处理和分析这些宝贵数据的关键环节。在数据编码与录入阶段，对问卷中的开放性问题和访谈文本进行了内容分析编码，将文本信息转化为数值信息，并录入统计软件进行进一步分析，同时确保数据录入的准确性和完整性。接着，在数据清洗与预处理阶段，对录入的数据进行清洗，剔除了异常值、缺失值和重复值，并进行了描述性统计分析以了解数据的基本分布和特征。此外，还对数据进行了必要的转换和标准化处理，确保数据的可比性和一致性，并对数据进行了分组和分类以方便后续的分析和讨论。最后，在数据分析方法阶段，综合运用了定量分析和定性分析的方法，包括描述性统计分析、相关性分析、回归分析以及内容分析等，对问卷数据、访谈文本和课堂观察记录进行了深入的分析和讨论，以形成综合的研究结论。

（1）描述性统计分析

描述性统计分析是数据分析的第一步，它以数字和图表的形式来理解、分析和总结数据。描述性统计主要涵盖数据的集中趋势（如均值、中位数、众数）、离散程度（如方差、标准差、极差、四分位距）、分布形态（如偏态、峰态）以及数据频次等关键要素。通过描述性统计，研究者可以了解数据的基本特征，发现异常值，探索数据的特征与趋势，为后续的统计推断与建模做准备。

（2）相关性分析

相关性分析是数据分析中非常重要的一环，它用于研究两个或多个变量之间的相关程度。本文选择皮尔逊相关系数进行相关性分析，皮尔逊相关系数衡量两个变量之间的线性关系程度。取值范围为-1到1，当相关系数接近1时，表示正相关性非常强；接近-1时，表示负相关性非常强；接近0时，表示没有线性关系。通过相关性分析，研究者可以了解变量之间的关联程度，为后续的回归分析或其他统计方法提供基础。但需要注意的是，相关性并不代表因果关系，两个变量之间的相关性只是表明它们之间存在某种联系或关联。

（3）回归分析

回归分析是一种统计方法，用于研究一个或多个自变量（独立变量）与因变量（依赖变量）之间的关系。通过建立数学模型，可以解释和预测因变量的变化。本文应用线性回归分析，假设自变量和因变量之间的关系是线性的，即可以用一条直线来描述。

（4）中介回归分析

中介回归分析是回归分析中的一种特殊类型，它用于探究一个或多个中介变量如何影响自变量和因变量之间的关系。中介变量是位于自变量和因变量之间的变量，它解释了自变量如何影响因变量，即自变量通过中介变量间接影响因变量。在中介回归分析中，研究者首先会建立自变量与因变量之间的直接关系模型（即总效应模型）。然后，引入中介变量，建立自变量与中介变量、中介变量与因变量之间的关系模型（即中介效应模型）。通过比较总效应模型和中介效应模型，可以评估中介变量在自变量和因变量之间关系中的作用大小和显著性。中介回归分析有助于揭示自变量和因变量之间关系的内在机制，为研究者提供更深入的理解。同时，它也可以为实践应用提供指导，如通过操控中介变量来干预自变量和因变量之间的关系。

3.9 伦理考量

在进行本研究的过程中，本文严格遵守了学术研究的伦理规范，确保所有参与者的权益得到充分保护。

3.9.1 提前通知

在正式开展问卷调查、访谈调查和课堂观察之前，本文提前向所有潜在的参与者发出了通知。通知中明确说明了研究的目的、内容、方法以及参与研究可能带来的益处和风险。通过提前通知，本文确保了参与者有足够的时间和信息来做出是否参与研究的决定，从而充分尊重了他们的知情权和选择权。

3.9.2 向参与者披露研究者身份

在与参与者进行交互的过程中，本文始终坦诚地披露了研究者的身份和背景。无论是问卷调查、访谈调查还是课堂观察，本文都明确告知了参与者本文的研究机构、研究目的以及个人身份，以便他们能够更好地了解研究的性质和目的，并对本文产生信任感。这种透明的做法有助于建立与参与者之间的良好关系，提高研究的可靠性和有效性。

3.9.3 隐私保护

本文深知隐私保护的重要性，因此在研究过程中采取了严格的隐私保护措施。对于问卷调查中收集到的个人信息和数据，本文进行了严格的保密处理，确保这些信息不会被泄露给第三方。在访谈调查和课堂观察中，本文也同样注重保护参与者的隐私，避免在公开场合或未经允许的情况下提及他们的个人信息或敏感内容。此外，本文还对研究数据进行了匿名化处理，以确保参与者的身份和隐私得到最大程度的保护。

在本研究中严格遵守了伦理规范，提前通知参与者、坦诚披露研究者身份以及采取严格的隐私保护措施，以确保研究的合法性、合规性和伦理性。这些做法不仅体现了本文对参与者权益的尊重和保护，也为研究的顺利进行和结果的可靠性提供了有力保障。

3.10 章节总结

本章详细阐述了研究的整体设计与实施过程，在研究设计部分，明确了混合研究方法的程序，设计了教学实验，并开发了相应的教学模块进行了验证。样本选择严格遵循科学性和代表性原则，通过随机抽样方式选取了多所高校大三年级以上的师范生作为调查对象。研究工具方面，本研究采用了多个量表来全面评估师范生的AI-TPACK能力结构、发展影响因素以及教学效果，同时引入了教学创新作为中介变量。数据收集程序严谨而系统，通过问卷设计与预测试、正式问卷调查、访谈调查和课堂观察等多种方式，确保了数据的可靠性、有效性和广泛性。在数据分析程序部分，详细描述了数据编码与录入、数据清洗与预处理以及数据分析方法等步骤，综合运用了定量分析和定性分析的方法对收集到的数据进行了深入的分析和讨论。此外，本章还强调了伦理考量在研究中的重要性，提前通知参与者、坦诚披露研究者身份以及采取严格的隐私保护措施，确保了研究的合法性、合规性和伦理性。这些做法不仅体现了对参与者权益的尊重和保护，也为研究的顺利进行和结果的可靠性提供了有力保障。整体而言，本章为研究的顺利开展和后续分析奠定了坚实的基础。

第四章研究结果与讨论

4.1 引言

本研究的问卷调查工作严谨而全面，旨在深入探究师范生的AI-TPACK能力结构、影响因素及教学效果。问卷设计精心构思，包含了四个核心部分：首先是师范生基本情况，通过收集性别、年级、学校层次及从教经历等基本信息，为后续分析提供基础数据支持；其次是师范生AI-TPACK能力结构量表，通过28个题项全面评估师范生在人工智能技术知识、学科知识、教学知识等多个维度上的能力水平，确保对师范生技术融合教学能力的全方位考察；再次是师范生AI-TPACK能力结构发展影响因素量表，设计了13个题项，从应用人工智能技术的态度、能力到学校技术支持等多个角度，探究影响师范生AI-TPACK能力发展的外部因素，为提升师范生教育技术能力提供针对性建议；最后是教学创新量表，通过4个题项测量师范生在人工智能赋能下的教学创新能力，进一步丰富和完善研究内容。此外，教学效果的测量数据为正式课结束后逐一收集计算。

问卷采用李克特五级量表形式，确保数据收集的准确性和可靠性。本次正式问卷发放共选择了多所高校大三年级以上310名师范生，并将其教学课程的实践对象，确保了数据的充足性和可靠性。通过数据统计，本研究将全面、系统地探究师范生的AI-TPACK能力结构发展现状、影响因素、教学效果以及教学创新的中介作用，为师范生的教育技术能力提升提供有力的数据支持和理论支撑，推动教育教学创新与发展的不断深入。

4.2 量化研究阶段

4.2.1 描述性分析

为了解研究样本的具体信息，本研究首先对310个调查对象的个人信息进行统计，主要包含调查对象的性别、年级、学校层次和从教经历等信息。本研究中样本师范生学校层次包含重点一本高校、普通一本高校和普通二本高校。统计结果如表4-1所示。

表4-1 调查对象基本信息统计表（n=310）

变量	类别	样本数（名）	所占比例（%）
性别	男	55	17.7
性别	女	255	82.3
年级	大三	65	21
	大四	85	27.4
	研一	48	15.5
	研二	52	16.8
	研三	43	13.9
学校层次	博士研究生	17	5.5
	重点一本高校	120	38.7
	普通一本高校	95	30.6
	普通二本高校	95	30.6
从教经历	是	165	53.2
从教经历	否	145	46.8

根据统计结果表4-1所示，被调查的样本对象中，男生有55人，所占比重为17.7%；女生有255人，所占比重为82.3%，总体来看，师范生中女生较为偏多。从师范生所在的年级阶段来看，大三年级的师范生有65人，占比为21.0%；大四年级的师范生有85人，占比为27.4%；研究生一年级的师范生有48人，占比为15.5%；研究生二年级的师范生有52人，占比为16.8%；研究生三年级的师范生有43人，占比为13.9%；博士研究生有17人，占比为5.5%；调查的对象涵盖大三以上不同年级。从师范生所在的学校层次来看，重点一本高校师范生有120人，占比38.7%；普通一本高校师范生有95人，占比30.6%；普通二本高校师范生有95人，占比30.6%；调查的师范生群体涵盖不同学校层次。从从教经历来看，有165名师范生具有相关实习、教学等从教经历，占比53.2%；有145名师范生从教经历较为欠缺，占比46.8%。

通过对师范生AI-TPACK能力结构各组成因子水平进行描述性统计分析发现，师范生的整体AI-TPACK能力结构中七类知识均处于中等较高水平，但各知识水平仍存在较大的提升空间。具体统计结果如表4-2所示。

表 4-2 师范生 AI-TPACK 各因子描述统计量

维度	样本数	最小值	最大值	均值	标准差
AI-TK	310	1	5	4.38	1.1
AI-TPK	310	1	5	4.55	0.92
AI-TPACK	310	1	5	4.58	0.95
AI-TCK	310	1	5	4.65	0.97
CK	310	2	5	4.68	0.9
PK	310	2	5	4.8	0.83
PCK	310	3	5	4.98	0.82

师范生整体AI-TPACK的平均得分为4.58，大于4，说明师范生的AI-TPACK整体水平居于中等偏上。AI-TPACK各结构之间存在一定的水平差异，具体差异表现为PCK>PK>CK>AI-TCK>AI-TPACK>AI-TPK>AI-TK。其中，与学科教学相关的PCK、PK和CK均具有相对较高的水平，说明师范生经过师范教育中相关学科课程学习与训练，能够较好地掌握与学科教学相关的单一知识内容。均值较低的师范生AI-TPACK组成因子为AI-TK，说明在智能教育背景下，师范生的人工智能技术知识水平较低，有关人工智能技术知识掌握情况相对较为薄弱。需在日常的学习过程和教学训练中重视师范生人工智能技术的锻炼，提升师范生的人工智能技术知识水平。与AI-TK相关的AI-TCK和AI-TPK均值分别为4.65和4.55，大于AI-TK均值，说明师范生有关人工智能技术知识水平虽然有待提升，但在日常教学过程中，师范生可以较为有效地将人工智能技术知识与学科知识或教学知识进行初步整合。师范生利用人工智能技术开展特定学科教学的复合水平相对较低，仍需进一步完善提升。

4.2.2 正态性检验

正态性检验是指利用观测数据判断总体是否服从正态分布的检验，它是统计判决中重要的一种特殊的拟合优度假设检验。常用的正态性检验方法有正态概率纸法、夏皮罗一威尔克检验法(Shapiro-Wilktest)，科尔莫戈罗夫检验法（Kolmogorov Chapman），偏度-峰度检验法（Jarque-Bera）等。本文选择偏度-峰度检验法（Jarque-Bera）作为本文正态性检验的方法

表4-3 二级指标标准化处理数据Jarque-Bera检验

二级指标	χ2	df	p值
AI-TK	0.75	2	0.69
CK	1.57	2	0.46
PK	1.13	2	0.59
PCK	1.14	2	0.58
AI-TCK	1.18	2	0.56
AI-TPK	0.93	2	0.63
AI-TPACK	1.02	2	0.61
AT	0.85	2	0.67
AB	0.35	2	0.84
STS	0.70	2	0.71

从上表4-3可知，针对数据进行Jarque-Bera检验结果显示10个变量全部均具备正态性特质。可进行下一步分析。

4.2.3 同质性检验

表4-4 师范生 AI-TPACK 情况调查问卷同质性检验

题项	极端组比较决断值	题项与总分相关	同质性检验	因素负荷量	未达标指标数
AI-TK1	6.355	0.520**	0.288	0.537	0
AI-TK2	6.495	0.570**	0.308	0.555	0
AI-TK3	7.629	0.594**	0.284	0.533	0
AI-TK4	6.676	0.576**	0.311	0.557	0
CK1	6.942	0.591**	0.371	0.609	0
CK2	7.812	0.638**	0.398	0.631	0
CK3	7.937	0.636**	0.375	0.612	0
CK4	7.043	0.613**	0.373	0.611	0
PK1	4.901	0.595**	0.257	0.507	0
PK2	6.408	0.523**	0.269	0.519	0
PK3	5.455	0.567**	0.238	0.488	0
PK4	7.555	0.539**	0.226	0.476	0
PCK1	7.647	0.629**	0.336	0.58	0
PCK2	6.702	0.633**	0.353	0.594	0
PCK3	7.799	0.606**	0.318	0.564	0
PCK4	8.167	0.593**	0.38	0.616	0
AI-TCK1	8.364	0.667**	0.435	0.66	0
AI-TCK2	12.26	0.608**	0.428	0.654	0
AI-TCK3	8.49	0.741**	0.511	0.715	0
AI-TCK4	9.45	0.721**	0.449	0.67	0
AI-TPK1	11.703	0.705**	0.417	0.646	0
AI-TPK2	10.928	0.772**	0.452	0.673	0
AI-TPK3	10.774	0.767**	0.491	0.701	0
AI-TPK4	7.296	0.750**	0.458	0.677	0
AI-TPACK1	7.921	0.645**	0.386	0.621	0
AI-TPACK2	5.829	0.648**	0.39	0.625	0
AI-TPACK3	8.199	0.593**	0.385	0.621	0
AI-TPACK4	7.599	0.684**	0.408	0.639	0
AT1	7.695	0.631**	0.338	0.581	0
AT2	8.192	0.688**	0.365	0.604	0
AT3	6.133	0.712**	0.378	0.615	0
AT4	9.538	0.643**	0.329	0.574	0
AB1	9.881	0.679**	0.371	0.609	0
AB2	8.788	0.757**	0.419	0.647	0
AB3	9.837	0.679**	0.385	0.62	0
AB4	8.964	0.693**	0.402	0.634	0
STS1	8.515	0.707**	0.362	0.602	0
STS2	9.552	0.655**	0.364	0.603	0
STS3	11.159	0.734**	0.395	0.629	0
STS4	12.501	0.752**	0.352	0.593	0
STS5	7.72	0.769**	0.42	0.648	0

同质性检验分析是评估量表题项间一致性和内在关联性的重要步骤，对于师范生AI-TPACK能力结构发展情况调查问卷而言，这一分析尤为关键。本研究观察了量表各题项与总分的相关系数。所有41个题项与总分的相关系数均未小于0.4，这表明每个题项都与整体量表保持着较高的同质性。这种高度的相关性确保了量表在测量师范生AI-TPACK能力时的准确性和可靠性。其次，信度检验的结果也进一步支持了量表的同质性。整体克隆巴赫α系数达到了0.956，这一数值远高于一般接受的信度标准，表明量表具有极高的稳定性和一致性。最后，共同性值均高于0.20，因素负荷量均大于0.45。这些数据表明，量表中的每个题项都能有效地解释共同特质的变异量，并且与总量表密切相关。这种高度的共同性和因素负荷量确保了量表在测量师范生AI-TPACK能力时的有效性和准确性。

4.2.4 内部一致性信度

本研究对包含38个观察变量的测量模型进行了信效度检验，旨在确保测量模型的有效性，从而保障研究结论的可靠性。在信度检验方面，采用了克隆巴赫信度系数（Cronbach α）和组成信度（CR）作为评估指标。克隆巴赫信度系数大于0.8表示量表信度良好，介于0.7和0.8之间则表示量表信度可接受；组成信度大于0.7说明量表题项内部一致性较好。测量模型中所有潜在变量的克隆巴赫信度系数均超过0.8，组成信度均超过0.7，这表明测量数据内部一致性较高，测量模型信度较好。

表4-5 信度检验

潜在变量	克隆巴赫信度系数	组成信度（CR）
AI-TK	0.837	0.843
CK	0.834	0.842
PK	0.831	0.831
PCK	0.889	0.892
AI-TCK	0.875	0.878
AI-TPK	0.869	0.871
AI-TPACK	0.89	0.891
AT	0.907	0.929
AB	0.922	0.922
STS	0.928	0.908

4.2.5 结构效度

在效度检验方面，本研究采用了平均方差萃取量（AVE值）来评估测量模型的收敛效度。根据已有研究，AVE值大于0.5时，结果被视为较理想。本研究的分析结果显示，所有潜在变量的AVE值均超过了0.5，这表明测量模型具有良好的收敛效度。此外，研究还进一步分析了各潜在变量之间的区别效度。通过比较各潜在变量的AVE平方根与它们之间的相关系数，我们发现所有潜在变量的AVE平方根均大于它们之间的相关系数，这说明测量模型在区别不同潜在变量方面表现良好。

表4-6 测量模型的收敛和区别效度分析

潜在变量	AVE	AI-TK	CK	PK	PCK	AI-TCK	AI-TPK	AI-TPACK	STS	AB	AT
AI-TK	0.643	0.802
CK	0.642	0.550***	0.801
PK	0.622	0.321***	0.715***	0.789
PCK	0.673	0.301***	0.692***	0.644***	0.82
AI-TCK	0.643	0.651***	0.557***	0.438***	0.499***	0.802
AI-TPK	0.628	0.599***	0.469***	0.360***	0.428***	0.728***	0.793
AI-TPACK	0.671	0.404***	0.414***	0.347***	0.462***	0.631***	0.692***	0.819
STS	0.723	0.396**	0.354**	0.319**	0.33**	0.501**	0.605**	0.483**	0.85
AB	0.748	0.384***	0.365***	0.263***	0.302***	0.529***	0.615***	0.498***	0.705***	0.865
AT	0.711	0.430***	0.508***	0.418***	0.534***	0.477***	0.527***	0.512***	0.339***	0.39**	0.843

4.2.6 教学效果的变化

为了反映人工智能赋能前后对师范生AI-TPACK能力结构的影响，本研究进行了差异性分析。通过独立样本t检验，比较了师范生在人工智能赋能前和赋能后其AI-TPACK各维度水平的发展差异。统计发现，人工智能赋能前后，师范生在七个依变量检验的t统计量均未达到显著水平，显著性概率值均小于0.05。这表明人工智能赋能前后，师范生在AI-TK（人工智能技术知识）、CK（学科知识）、PK（教学知识）、PCK（学科教学知识）、AI-TCK（整合人工智能技术的学科知识）、AI-TPK（整合人工智能技术的教学知识）与AI-TPACK（整合人工智能技术的学科教学知识）的能力差异有显著不同，即人工智能赋能对师范生AI-TPACK能力结构有显著影响。

表4-7 人工智能赋能前后差异比较

检验变量	分组	个数	平均数	标准差	t 值
AI-TK	赋能前	310	4.56	0.948	0.382***
AI-TK	赋能后	310	4.44	1.092	0.382***
CK	赋能前	310	4.78	0.942	0.558***
CK	赋能后	310	4.71	0.863	0.558***
PK	赋能前	310	4.83	0.815	0.829***
PK	赋能后	310	4.86	0.814	0.829***
PCK	赋能前	310	4.99	0.811	0.809***
PCK	赋能后	310	5.02	0.808	0.809***
AI-TCK	赋能前	310	4.64	0.901	0.584***
AI-TCK	赋能后	310	4.71	0.947	0.584***
AI-TPK	赋能前	310	4.55	0.952	0.614***
AI-TPK	赋能后	310	4.62	0.894	0.614***
AI-TPACK	赋能前	310	4.58	0.938	0.703***
AI-TPACK	赋能后	310	4.63	0.919	0.703***

4.2.7 教师技术知识对教学效果的影响分析

通过对师范生（准教师）在人工智能赋能教学背景下的分析，探究了各知识能力因子与教学效果（TE）之间的关系，以及学校技术支持、教师技术态度和能力对教师AI-TPACK能力结构的影响。

表4-8 模型显著性检验和标准化回归系数

潜在变量	因变量	非标准化回归系数	标准误	Z值	P值	标准化回归系数	结论
AI-TK	TE	0.232***	0.052	4.492	<0.001	0.277	成立
CK	TE	0.390***	0.07	5.555	<0.001	0.361	成立
PK	TE	0.444***	0.055	8.06	<0.001	0.544	成立
AI-TK	AI-TCK	0.131***	0.043	3.067	0.002	0.19	成立
AI-TK	AI-TPK	0.163***	0.051	3.212	<0.001	0.217	成立
CK	PCK	0.252***	0.043	5.850	<0.001	0.306	成立
CK	AI-TCK	0.197***	0.051	3.855	<0.001	0.262	成立
PK	PCK	0.338***	0.058	5.784	<0.001	0.380	成立
AI-TK	AI-TPACK	0.199***	0.053	3.788	<0.001	0.206	成立
CK	AI-TPACK	0.457***	0.061	7.488	<0.001	0.466	成立
PK	AI-TPACK	0.308***	0.054	5.717	<0.001	0.344	成立

在本研究中，主要探讨了AI技术知识（AI-TK）、内容知识（CK）和教学法知识（PK）对教师技术效能（TE）、以及它们对更细化的技术领域知识如AI技术内容知识（AI-TCK）、AI技术教学法知识（AI-TPK）、整合技术的学科教学知识（PCK）和整合AI技术的学科教学知识（AI-TPACK）的影响，通过回归分析得到了一系列具有统计学显著性的结果。首先，从教师效果（TE）的角度来看，AI技术知识（AI-TK）、内容知识（CK）和教学法知识（PK）均对其产生了显著的正向影响。具体来说，AI-TK对TE的非标准化回归系数为0.232，且在0.001水平上显著，标准化回归系数为0.277，表明AI技术知识的掌握程度每增加一个单位，教师技术效能将相应提升0.277个单位。同样，CK和PK对TE的影响也极为显著，标准化回归系数分别为0.361和0.544，说明内容知识和教学法知识在教学效果的提升中扮演着至关重要的角色。进一步地考察了AI技术知识、内容知识和教学法知识对更细化的技术领域知识的影响。结果显示，AI-TK对AI技术内容知识（AI-TCK）和AI技术教学法知识（AI-TPK）均有显著的正向影响，标准化回归系数分别为0.19和0.217。这表明，教师对AI技术的掌握程度越高，他们在将AI技术融入教学内容和教学方法方面的能力也越强。内容知识（CK）对整合技术的学科教学知识（PCK）和AI技术内容知识（AI-TCK）的影响也同样显著。CK对PCK的标准化回归系数为0.306，说明内容知识的掌握程度对教师在教学中整合技术的能力有着重要的影响。同时，CK对AI-TCK的标准化回归系数为0.262，表明内容知识还有助于教师更好地理解和掌握AI技术与教学内容的融合。最后，教学法知识（PK）对PCK和AI-TPACK的影响也极为显著。PK对PCK的标准化回归系数为0.380，说明教学法知识的掌握程度对教师在教学中有效整合技术起着至关重要的作用。而PK对AI-TPACK的标准化回归系数为0.344，则进一步证明了教学法知识在教师将AI技术融入教学实践中的重要性。

综上所述，教师技术知识（AI-TK、CK、PK）水平对人工智能赋能下的教学效果有显著正向影响，H1假设成立；教师AI-TK知识能力对人工智能赋能下的教学效果有显著正向影响（β=0.277，z=4.492，p=0.000），H1a假设支持。教师CK知识能力对人工智能赋能下的教学效果有显著正向影响（β=0.390，z=5.555，p=0.000），H1b假设支持。教师PK知识能力对人工智能赋能下的教学效果有显著正向影响（β=0.190，z=3.067，p=0.002），H1c假设支持。教师AI-TK、CK、PK等单一知识能力对其AI-TCK、AI-TPK、PCK复合知识能力有显著直接影响，H2假设支持。其中，AI-TK对AI-TCK（β=0.466，z=7.488，p=0.000），显著正向影响；AI-TK对AI-TPK（β=0.344，z=5.717，p=0.000），显著正向影响；CK对PCK（β=0.404，z=6.138，p=0.000），显著正向影响；CK对AI-TCK（β=0.242，z=4.604，p=0.000），显著正向影响；PK对PCK（β=0.325，z=5.525，p=0.000），显著正向影响。学校技术支持、技术态度和技术能力对教师AI-TPACK能力有显著影响，假设H3支持。学校技术支持对AI-TK（β=0.277），AI-TPK（β=0.217），显著正向影响；对PCK和AI-TCK路径不显著；教师技术态度对AI-TK（β=0.361），CK（β=0.544），PK（β=0.380），AI-TPK（β=0.206），PCK（β=0.212），AI-TPACK（β=0.194），均显著正向影响；教师技术能力对AI-TCK（β=0.306），AI-TPK（β=0.262），显著正向影响。教师AI-TK、CK、PK等单一知识能力对其AI-TPACK能力有显著影响，假设H4支持。AI-TK对AI-TPACK（β=-0.198，z=-2.564，p=0.010），显著负向影响。教师AI-TCK、AI-TPK、PCK等复合知识能力对其AI-TPACK能力有显著直接影响，H5假设支持。AI-TCK对AI-TPACK（β=0.322，z=4.600，p=0.000），显著正向影响；AI-TPK对AI-TPACK（β=0.493，z=6.337，p=0.000），显著正向影响。

4.2.9 教学创新的中介效应

本文引入教学创新，探究教师技术知识TPACK通过教学创新（TI）对教学效果（TE）产生显著影响。TPACK对教学创新（TI）的影响：在表4-9的模型2中，TPACK的系数为0.321，标准误为0.144，t值为2.232，p值为0.026*，表明TPACK对教学创新有显著正向影响。表4-10提供了TPACK通过教学创新对教学效果的中介作用检验结果。总效应（c）为0.699**，表明TPACK对教学效果有显著正向影响。中介路径的a效应（TPACK对TI的影响）为0.426**，b效应（TI对TE的影响，虽未直接给出，但通过a*b中介效应值可以推断）与a相乘得到的中介效应值为0.076，且p值为0.001，表明中介效应显著。直接效应（c’）为0.623**，仍然显著，说明TPACK对教学效果的影响部分是通过教学创新中介的，即存在部分中介效应，假设H6成立，即教师技术知识TPACK通过教学创新（TI）对教学效果（TE）产生正向显著影响

表4-9 教学创新的中介作用分析表

	模型1				模型2				模型3
	B	标准误	t	p	B	标准误	t	p	B	标准误	t	p
常数	0.354	0.166	2.126	0.034*	0.614	0.133	4.617	0.000**	0.661	0.033	2.299	0.000**
TPACK	0.191	0.043	4.124	0.000**	0.321	0.144	2.232	0.026*	0.384	0.048	8.021	0.000**
TI					0.181	0.042	4.314	0.000**	0.389	0.047	8.237	0.000**
AI-TK*TI									0.008	0.050	0.150	0.001**
CK*TI									0.013	0.071	0.412	0.001**
PK*TI									0.054	0.042	0.732	0.001**
R2	0.366				0.474				0.474
调整R2	0.365				0.471				0.469
F值	F(1，345)=199.475，p=0.000				F(2，344)=154.747，p=0.000				F(3，343)=102.879，p=0.000

表4-10 中介作用检验结果汇总

项	c总效应	a	b	a*b中介效应值	a*b（Boot SE）	a*b（z值）	a*b（p值）	a*b（95% BootCI）	c’直接效应	检验结论
TPACK=>TI=>TE	0.699**	0.426**	0.178**	0.076	0.022	3.378	0.001	0.050 ~ 0.137	0.623**	部分中介

4.3 质性研究阶段

4.3.1 访谈的初步研究

在访谈中，教师们纷纷介绍了自己的教学背景。他们教龄各异，所教科目涵盖广泛，教学风格也各具特色。关于人工智能技术在教学中的应用，教师们表示，他们主要使用了智能教学平台、在线互动工具、自适应学习系统等人工智能技术。这些技术通过提供个性化学习资源、实时反馈学生学情、辅助课堂管理等方式，有效融入了课堂教学。教师们普遍认为，人工智能技术提高了教学效率，增强了学生的学习兴趣，但同时也带来了技术操作复杂、数据隐私保护等挑战。对于如何获取和掌握这些技术知识，教师们表示主要通过参加学校组织的培训、自主学习在线课程、与同行交流等方式。

当谈到AI-TPACK能力结构时，教师们对AI-TK（人工智能技术知识）、CK（学科知识）、PK（教学知识）等维度有一定了解，但对AI-TCK（人工智能技术与学科知识的整合）、AI-TPK（人工智能技术与教学知识的整合）以及AI-TPACK（人工智能技术与学科教学知识的全面整合）的理解和应用相对较少。教师们通过举例说明了在教学中如何尝试整合这些知识和技术，如利用智能教学平台进行个性化教学、使用在线互动工具增强课堂互动性等。他们认为，提高AI-TPACK能力有助于更好地发挥人工智能技术在教学中的潜力，提升教学效果。

在谈到人工智能赋能下的教学效果时，教师们表示，学生的学习成绩有所提高，学习兴趣更加浓厚，课堂氛围也更加活跃。他们在教学过程中进行了多种创新尝试，如利用人工智能技术进行精准教学、开展在线协作学习等。教师们认为，教学创新在人工智能赋能下的教学效果中起到了重要的中介作用，它促进了技术与教学的深度融合，提高了教学的针对性和有效性。同时，教师们也希望学校能在技术支持、培训资源、政策激励等方面提供更多的支持，以帮助他们更好地应用人工智能技术，提升教学效果。

4.3.2 教师对教学创新机会的感知

在访谈中，教师们普遍对人工智能技术在教学中带来的创新机会表示了高度的认可和积极的态度。他们认为，人工智能技术的引入为教学创新提供了前所未有的契机。教师们提到，通过利用智能教学平台、在线互动工具等人工智能技术，他们能够开展更加个性化、差异化的教学，满足学生多样化的学习需求。同时，人工智能技术还为课堂教学带来了新的活力和互动性，使得课堂氛围更加活跃，学生的学习兴趣也更加浓厚。教师们表示，他们非常珍惜这些教学创新的机会，并积极探索如何将人工智能技术与教学创新相结合，以提升教学效果。

4.3.3 教师技术知识的表现

在访谈中，本文还重点考察了教师们的技术知识表现，特别是与AI-TPACK能力结构相关的知识。教师们对AI-TK（人工智能技术知识）有一定的了解，并能够熟练操作一些基本的人工智能教学工具。同时，他们也具备扎实的学科知识（CK）和教学知识（PK），能够将这些知识与人工智能技术相结合，进行有效的教学。然而，教师们也表示，在AI-TCK（人工智能技术与学科知识的整合）、AI-TPK（人工智能技术与教学知识的整合）以及AI-TPACK（人工智能技术与学科教学知识的全面整合）方面，他们还有一定的提升空间。他们希望通过参加更多的培训和学习，提高自己的AI-TPACK能力，以更好地应对人工智能赋能下的教学挑战，并充分发挥人工智能技术在教学中的潜力。

4.4 章节总结

本章通过量化研究和质性研究相结合的方式，全面探讨了教师技术知识（特别是AI-TPACK能力结构）对人工智能赋能下教学效果的影响。在量化研究阶段，通过描述性统计分析、正态性检验、同质性检验、内部一致性信度检验和结构效度检验，本研究深入分析了师范生的AI-TPACK能力结构现状、影响因素及教学效果。研究结果显示，师范生的AI-TPACK能力整体处于中等偏上水平，但各知识水平仍存在提升空间。同时，教师技术知识（AI-TK、CK、PK）对教学效果有显著正向影响，且通过教学创新（TI）产生部分中介效应。在质性研究阶段，通过访谈调查，本研究进一步了解了教师对教学创新机会的感知以及教师技术知识的表现。教师们普遍对人工智能技术在教学中带来的创新机会表示认可，并积极尝试将其融入课堂教学。然而，他们在AI-TCK、AI-TPK、AI-TPACK等复合知识能力方面的理解和应用相对较少，需进一步提升。教师们认为，提高AI-TPACK能力有助于更好地发挥人工智能技术在教学中的潜力，提升教学效果。同时，他们也希望学校能在技术支持、培训资源等方面提供更多支持，以帮助他们更好地应用人工智能技术。

第五章结论与建议

5.1 引言

本研究聚焦于人工智能在高校专业课教学辅助中的创新应用，通过混合研究方法，全面探讨了教师技术知识（特别是AI-TPACK能力结构）在人工智能赋能下对教学效果的影响，以及教学创新在这一过程中的中介作用。研究过程中，采用了问卷调查、访谈调查和课堂观察等多种数据收集方法，以确保结果的全面性和可靠性。通过对收集到的数据进行深入分析，揭示了教师技术知识对教学效果的显著影响，以及教学创新在其中的中介效应。本章将基于这些研究结果，进一步总结研究的贡献与局限性，并提出相应的改进建议，以期为未来的教育教学创新与发展提供有益的参考和启示。

5.2 研究总结

随着教育信息化的不断发展，人工智能技术在教育领域的应用日益广泛，为教育教学带来了前所未有的变革。在这一背景下，教师技术知识的更新与提升显得尤为重要。AI-TPACK（整合人工智能技术的学科教学知识）作为新时代教师必备的核心能力之一，对提升教学质量和效果具有关键作用。然而，当前关于教师技术知识如何影响人工智能赋能下的教学效果的研究尚显不足。因此，本研究旨在深入探讨教师技术知识（特别是AI-TPACK能力结构）对人工智能赋能下教学效果的影响，以及教学创新在这一过程中的中介作用。通过这一研究，我们期望能够为师范生的教育技术能力提升提供有力支持，为未来的教育教学创新与发展提供新的思路和方向。

本研究采用混合研究方法，结合量化分析和质性分析，全面探究教师技术知识对人工智能赋能下教学效果的影响。首先，通过问卷调查收集师范生的AI-TPACK能力结构数据，包括人工智能技术知识、学科知识、教学知识等多个维度。其次，利用访谈调查和课堂观察收集更深层次的数据，了解教师在实际教学中的应用情况和创新实践。接着，通过数据分析程序，对收集到的数据进行描述性统计分析、正态性检验、同质性检验、内部一致性信度检验和结构效度检验。最后，通过回归分析探讨教师技术知识对教学效果的影响，并引入教学创新作为中介变量，验证其在教学效果中的中介效应。

研究结果显示，师范生的AI-TPACK能力结构整体处于中等偏上水平，但各知识水平仍存在较大的提升空间。教师技术知识（AI-TK、CK、PK）对教学效果有显著正向影响，且通过教学创新产生部分中介效应。具体来说，AI-TK、CK和PK对教学效果的标准化回归系数均显著，表明这些知识能力对教学效果的提升具有重要作用。同时，教学创新在教师技术知识与教学效果之间起到了显著的中介作用。此外，研究还发现，人工智能赋能对师范生的AI-TPACK能力结构有显著影响，促进了教师在教学中的技术融合与创新。这些结果为提升师范生的教育技术能力和教学效果提供了有力支持，也为未来的教育教学创新与发展提供了有益的参考。

5.3 研究结论

5.3.1 在人工智能赋能下，教师技术知识通过教学创新对教学效果的影响

本研究通过混合研究方法，深入探讨了教师技术知识（特别是AI-TPACK能力结构）在人工智能赋能下对教学效果的影响，并揭示了教学创新在这一过程中的中介作用。研究结果表明，师范生的AI-TPACK能力结构整体处于中等偏上水平，但各知识水平仍存在较大的提升空间。在人工智能赋能的背景下，教师技术知识（AI-TK、CK、PK）对教学效果具有显著的正向影响。具体而言，AI-TK、CK和PK对教学效果的标准化回归系数均显著，这表明这些技术知识能力对教学效果的提升起到了重要作用。进一步分析发现，教学创新在教师技术知识与教学效果之间起到了显著的中介作用。教师掌握更多的技术知识，能够更灵活地运用这些知识进行教学方法和手段的创新，如采用智能化教学手段、设计个性化学习路径等。这些创新的教学方法不仅激发了学生的学习兴趣和积极性，还提高了学习效率和质量，从而进一步提升了教学效果。

5.3.2 促进教师教学创新和教学效果的干预措施

基于上述研究结论，本研究提出了一系列促进教师教学创新和教学效果的干预措施。首先，应加大对教师技术知识的培训力度，特别是针对AI-TK、CK和PK等关键知识能力的培训。通过定期的培训和学习，帮助教师掌握更多的技术知识，提升其在教学中的技术融合能力。其次，应鼓励和支持教师进行教学创新实践。学校和教育管理部门可以设立教学创新基金，为教师提供必要的经费和资源支持；同时，可以组织教学创新大赛等活动，激发教师的创新热情和积极性。通过这些措施，推动教师在实际教学中不断探索和创新教学方法和手段，提升教学效果。此外，学校还应加强技术支持和保障，为教师提供先进的智能教学工具和平台。这些工具和平台不仅能够帮助教师更好地进行教学设计和管理，还能够为学生提供更加个性化和高效的学习体验。同时，学校还应建立完善的技术支持体系，确保教师在使用这些工具和平台时能够得到及时的帮助和支持。

5.4 研究的贡献

5.4.1 理论贡献

本研究在理论层面做出了重要贡献，首先，本研究丰富了TPACK理论在人工智能赋能教育背景下的内涵。TPACK理论作为教师专业发展的重要理论框架，强调了技术知识、教学知识和学科知识三者之间的有机融合。然而，在人工智能快速发展的今天，传统的TPACK理论已难以满足新时代教育教学的需求。本研究通过引入AI-TK（人工智能技术知识）这一新的维度，扩展了TPACK理论的外延，使其更加适应智能教育的发展趋势。同时，本研究还深入探讨了AI-TK、CK（学科知识）、PK（教学法知识）等单一知识能力与AI-TCK（整合人工智能技术的学科知识）、AI-TPK（整合人工智能技术的教学知识）、PCK（学科教学知识）等复合知识能力之间的关系，进一步丰富了TPACK理论的内容。其次，本研究揭示了教师技术知识对人工智能赋能下教学效果的影响机制。通过实证研究，本研究发现教师技术知识对教学效果具有显著的正向影响，且这种影响是通过教学创新这一中介变量实现的。这一发现不仅填补了现有研究的空白，还为后续研究提供了新的视角和思路。同时，本研究还构建了包含教师技术知识、教学创新与教学效果的理论模型，并通过实证数据验证了其有效性，为相关领域的研究提供了理论支持。最后，本研究为理解教师技术知识在智能教育中的角色提供了新的理论框架。在智能教育背景下，教师的角色已经从传统的知识传授者转变为学生学习过程的引导者和支持者。本研究通过探讨教师技术知识对教学效果的影响，以及教学创新在这一过程中的中介作用，为理解教师在智能教育中的角色提供了新的理论框架。这一框架不仅有助于我们更深入地理解教师在智能教育中的作用，还为提升教师的专业能力和教学效果提供了理论支撑。

5.4.2 教学实践贡献

本研究在教学实践层面也做出了积极贡献，首先，本研究为提升教师的技术知识水平提供了实证支持。通过实证研究，本研究发现教师技术知识对教学效果具有显著的正向影响。因此，提升教师的技术知识水平是提升教学效果的重要途径。本研究为教师培训提供了实证依据，指出了培训的重点和方向，即应重点提升教师的AI-TK、CK和PK等单一知识能力，以及AI-TCK、AI-TPK和PCK等复合知识能力。其次，本研究为教学创新提供了实践指导。通过实证研究，本研究发现教学创新在教师技术知识与教学效果之间起到了显著的中介作用。因此，鼓励和支持教师进行教学创新是提升教学效果的关键。本研究为教学创新提供了实践指导，指出了创新的方向和路径，即应鼓励教师运用智能教学工具和平台，探索新的教学方法和手段，以满足学生的学习需求和兴趣。最后，本研究为教育管理者和政策制定者提供了决策参考。通过实证研究，本研究揭示了教师技术知识对教学效果的影响机制，以及教学创新在这一过程中的中介作用。这为教育管理者和政策制定者提供了决策参考，即应加大对教师技术知识培训的支持力度，鼓励和支持教学创新，以提升整体教学效果和教育质量。同时，本研究还强调了学校技术支持、技术态度和技术能力对教师技术知识发展的重要性，为教育管理者和政策制定者在制定相关政策时提供了有益的参考。

5.5 研究的局限性

尽管本研究在理论和实践层面都做出了重要贡献，但仍存在一些局限性。首先，本研究的研究对象主要是师范生（准教师），他们的教学经验和实际情况可能与在职教师存在一定的差异。因此，本研究的结果可能无法完全适用于在职教师群体。其次，本研究的数据主要来源于问卷调查和访谈，缺乏对学生学习效果和学习体验的直接观察。这可能导致研究结果存在一定的主观性和偏差。此外，本研究在探讨教师技术知识对教学效果的影响时，主要关注了AI-TK、CK和PK等单一知识能力以及AI-TCK、AI-TPK和PCK等复合知识能力，可能忽略了其他可能影响教学效果的因素。最后，本研究在探讨教学创新的中介作用时，主要关注了其在教师技术知识与教学效果之间的中介效应，可能忽略了其他可能的中介变量或路径。

5.6 研究建议

针对本研究的局限性，未来研究可以进一步扩展研究对象，将在职教师纳入研究范围，以更全面地了解教师技术知识对教学效果的影响。其次，未来研究可以采用多种研究方法相结合的方式，如课堂观察、案例分析等，以更准确地评估教学效果和学习体验。此外，未来研究还可以进一步探讨其他可能影响教学效果的因素，如学生的学习动机、学习态度等，以更全面地理解教学效果的影响因素。最后，未来研究可以进一步探讨其他可能的中介变量或路径，如教师信念、学校文化等，以更深入地理解教学创新在教师技术知识与教学效果之间的中介作用。

5.7 总体总结

本章对本研究进行了全面的总结，回顾了研究背景、目的、方法、结果及贡献与局限性。研究结果表明，师范生的AI-TPACK能力结构整体处于中等偏上水平，但仍有较大的提升空间。教师技术知识（AI-TK、CK、PK）对教学效果有显著正向影响，且这种影响是通过教学创新这一中介变量实现的。这一发现不仅丰富了TPACK理论在人工智能赋能教育背景下的内涵，还为教师技术知识的培训和教学创新提供了实证支持。同时，研究还提出了一系列促进教师教学创新和教学效果的干预措施，包括加强教师技术知识培训、鼓励教学创新实践以及加强技术支持和保障等。然而，本研究也存在一定的局限性，如研究对象主要为师范生、数据收集方法较为单一等。未来研究可以进一步扩展研究对象和方法，以更全面地了解教师技术知识对教学效果的影响。

参考文献

[1]Dominik Petko, Punya Mishra, Matthew J Koehler. TPACK in context: An updated model[J]. Computers and Education Open, 2025, 8 100244-100244.

[2]Al R. Sicat, Airalie Faith T. Manese, Andrei Francis T. Mendoza, Joan M. Sales, Jonathan N. San Juan, Karen S. Sarmiento, Josephine Luz D. Pineda, Dynah D. Soriano. Pre-service teachers’ technological pedagogical and content knowledge (TPACK): their readiness for online instruction[J]. Educational Research and Evaluation, 2025, 30 (1-2): 58-73.

[3]Andrea López, Alejandra Meneses, Maximiliano Montenegro. Pre-service Teachers’ TPACK and Its Relationship to Technology Integration in Science Learning Activities[J]. Journal of Science Education and Technology, 2025, (prepublish): 1-16.

[4]Orit Oved, Dorit Alt. Teachers’ technological pedagogical content knowledge (TPACK) as a precursor to their perceived adopting of educational AI tools for teaching purposes[J]. Education and Information Technologies, 2025, (prepublish): 1-27.

[5]Pınar Güner, Çiğdem Kılıç, Eyüp Sevimli, Semirhan Gökçe. Mapping routes from teacher identity to TPACK: mediating roles of technostress, belief and competency[J]. Social Psychology of Education, 2025, 28 (1): 28-28.

[6]Jeneveb T. Malusay, Sylvester T. Cortes, Jay M. Ontolan, Tess P. Englis, Gabriel M. Pagaran, Rhey L. Dizon. Strengthening STEM education through a professional development program on enhancing teachers' TPACK in selected calculus topics[J]. Frontiers in Education, 2025, 9 1487350-1487350.

[7]Mao Li, Colleen Vale, Hazel Tan, Jo Blannin. Factors influencing the use of digital technologies in primary mathematics teaching: Voices from Chinese educators[J]. Education and Information Technologies, 2025, (prepublish): 1-36.

[8]Mao Li, Elham Manzari. AI utilization in primary mathematics education: a case study from a southwestern Chinese city[J]. Education and Information Technologies, 2025, (prepublish): 1-34.

[9]Zehavit Kohen, Liron Schwartz Aviad, Tomer Peleg. Who moved my triangle? Pre- and in-service teachers inquiring in a mathematics lab[J]. International Journal of Mathematical Education in Science and Technology, 2025, 56 (1): 130-158.

[10]Natasha Anne Rappa, Qiuying Xie, Sandra Hesterman. Teachers’ Experiences of Facilitating Play-based Learning Online for Young Children During the COVID-19 Pandemic in China Through the Lens of the TPACK Framework[J]. Asia-Pacific journal of research in early childhood education, 2025, 19 (1):

[11]Krisnaresanti Aldila, Naufalin Lina Rifda, Rokhayati Hijroh, Fajrianto. Identifying Problems in Entrepreneurship Learning at Vocational High Schools: TPACK and Sustainable Development Goals Alignment[J]. E3S Web of Conferences, 2025, 609

[12]Hashituky Telesphore Habiyaremye, Celestin Ntivuguruzwa, Philothere Ntawiha. Mathematical knowledge for teaching among Rwandan Teacher Training Colleges: data collected for a doctoral program[J]. Cogent Education, 2024, 11 (1):

[13]Nurhikmah Hasyim, Arismunandar, Ranta Butarbutar, Abdul Malik Ramli, Imam Dedikasi Malik Nur. Mind mapping of teachers’ readiness for online teaching and learning: A reflective study of urban and suburban areas[J]. Cogent Education, 2024, 11 (1):

[14]Brian Shambare, Thuthukile Jita. TPACK: a descriptive study of science teachers’ integration of the virtual laboratory in rural school teaching[J]. Cogent Education, 2024, 11 (1):

[15]Fetylyana Nor Pazilah, Harwati Hashim, Melor Md Yunus. Refining the TPACK framework: a Fuzzy Delphi approach to 21st-century competency and self-efficacy constructs[J]. Cogent Education, 2024, 11 (1):

[16]Bishnu Khanal, Kamal Raj Devkota, Kamal Prasad Acharya, Krishna Prasad Sharma Chapai, Dirgha Raj Joshi. Evaluating the competencies of university teachers in content, pedagogical, and technological knowledge[J]. Cogent Education, 2024, 11 (1):

[17]Issah Baako, W. K. Abroampa. Context matters: exploring teacher and learner contexts in ICT integration in slum public basic schools in Ghana[J]. Cogent Education, 2024, 11 (1):

[18]Masoumeh Shiri, Karim Baigutov. Exploring the influence of teachers' academic rank in advancing inclination to TPACK in art education: Case study: Faculty of Arts, Department of Art Education, Abai Kazakh National Pedagogical University, Kazakhstan[J]. Social Sciences & Humanities Open, 2025, 11 101252-101252.

[19]Nikko Karlo B. Villareal, Myra Luz M. Homillano. Examining Agricultural Teachers' TPACK Competencies: A Study of Demographic Influences in the Philippines[J]. Asian Journal of Education and Social Studies, 2024, 50 (12): 237-248.

[20]Ebrahim Mohammadpour, Yahya Maroofi. The disparity between performance-based and self-reported measures of TPACK: Implications for teacher education and professional development[J]. Computers in Human Behavior Reports, 2025, 17 100554-100554.

[21]Anne Kathrin Hirsch, Charlott Rubach. Exploring the Interplay Between Teaching Strategies and Digital Competencies Beliefs Among Pre-Service Teachers: A Longitudinal Study[J]. Education Sciences, 2024, 14 (12): 1342-1342.

[22]Yiming Yang, Qi Xia, Chuanbin Liu, Thomas K.F. Chiu. The impact of TPACK on teachers’ willingness to integrate generative artificial intelligence (GenAI): The moderating role of negative emotions and the buffering effects of need satisfaction[J]. Teaching and Teacher Education, 2025, 154 104877-104877.

[23]Dominik Petko, Matthew J Koehler, Punya Mishra. Placing TPACK in context: Looking at the big picture[J]. Computers and Education Open, 2024, 7 100236-100236.

[24]Fatih Karataş, Bengü Aksu Ataç. When TPACK meets artificial intelligence: Analyzing TPACK and AI-TPACK components through structural equation modelling[J]. Education and Information Technologies, 2024, (prepublish): 1-26.

[25]Hannes Seifert, Anke Lindmeier. Developing a Performance-Based Assessment to Measure Pre-Service Secondary Teachers’ Digital Competence to Use Digital Mathematics Tools[J]. Journal für Mathematik-Didaktik, 2024, 45 (2): 25-25.

[26]Stephen Baidoo, Abraham Tetteh. Examining College of Education Physical Education Teachers Knowledge and Skills in ICT Integration in Physical Education[J]. Asian Journal of Advanced Research and Reports, 2024, 18 (12): 1-9.

[27]Musa Adekunle Ayanwale, Sibusiso D. Ntshangase, Owolabi Paul Adelana, Kunle Waheed Afolabi, Umar A. Adam, Stella Oluwakemi Olatunbosun. Navigating the future: Exploring in-service teachers' preparedness for artificial intelligence integration into South African schools[J]. Computers and Education: Artificial Intelligence, 2024, 7 100330-100330.

[28]Tian Yang, Chuanmei Dong. What influences teachers’ implementation of ICT in early childhood education? A qualitative exploration based on an ecological-TPACK framework[J]. Computers and Education Open, 2024, 7 100228-100228.

[29]刘玉屏, 武晓琴. 职前中文教师整合技术的学科教学知识发展实证研究——基于线上实习总结的认知网络分析[J]. 四川师范大学学报(社会科学版), 2024, 51 (06): 139-150+203.

[30]Amina Charania, Simon Cross, Freda Wolfenden, Sohini Sen, Lina Adinolfi. Exploring teacher characteristics and participation in TPACK-related online teacher professional development in Assam, India[J]. Computers and Education Open, 2024, 7 100227-100227.

[31]Ahlam Mohammed Al Abdullatif. Modeling Teachers’ Acceptance of Generative Artificial Intelligence Use in Higher Education: The Role of AI Literacy, Intelligent TPACK, and Perceived Trust[J]. Education Sciences, 2024, 14 (11): 1209-1209.

[32]Mingxing Yang, Joanna Joseph Jeyaraj, Norhakimah Khaiessa Binti Ahmad, Wei Yang. Characteristics of Chinese Higher Education EFL Teachers' Behaviors Based on Technological Pedagogical Content Knowledge (TPACK)[J]. Journal of Language Teaching and Research, 2024, 15 (6): 1967-1977.

[33]Chen Shiquan, Zhou Meng. Reconstruction of Teachers' Knowledge Structure Driven by "AI+ Middle School Geography Education"—On the Integration of TPACK Framework and Its Development Model[J]. Frontiers in Educational Research, 2024, 7 (10):

[34]Jinhai Liu, Qin Dai, Jihe Chen. Factors affecting teachers’ use of digital resources for teaching mathematical cultures: An extended UTAUT-2 model[J]. Education and Information Technologies, 2024, (prepublish): 1-30.

[35]Mao Li. Integrating Artificial Intelligence in Primary Mathematics Education: Investigating Internal and External Influences on Teacher Adoption[J]. International Journal of Science and Mathematics Education, 2024, (prepublish): 1-26.

[36]Nasser Mansour, Ziad Said, Mustafa Çevik, Abdullah Abu Tineh. Science and Mathematics Teachers’ Integration of TPACK in STEM Subjects in Qatar: A Structural Equation Modeling Study[J]. Education Sciences, 2024, 14 (10): 1138-1138.

[37]孙丽娟, 李琪. 智能时代外语教师课程思政教学能力实证研究[J]. 外语电化教学, 2024, (05): 87-92+117.

[38]Peixia Shao, Zilong Pan, Chen Meng, Min Liu. Revealing pre-service teachers’ reflections regarding online practicum through the lens of TPACK[J]. Education and Information Technologies, 2024, (prepublish): 1-35.

[39]Brian Shambare, Thuthukile Jita. Understanding science teachers’ TPACK for virtual lab adoption in rural schools in South Africa: a mixed-methods approach[J]. Frontiers in Education, 2024, 9 1426451-1426451.

[40]Marjorie Sarah Kabuye Batiibwe. Application of interactive software in classrooms: a case of GeoGebra in learning geometry in secondary schools in Uganda[J]. Discover Education, 2024, 3 (1): 179-179.

[41]Drew Polly. Examining TPACK Enactment in Elementary Mathematics with Various Learning Technologies[J]. Education Sciences, 2024, 14 (10): 1091-1091.

[42]Alina Kadluba, Anselm Strohmaier, Christian Schons, Andreas Obersteiner. How much C is in TPACK? A systematic review on the assessment of TPACK in mathematics[J]. Educational Studies in Mathematics, 2024, 118 (2): 1-31.

[43]Franziska Tschönhens, Iris Backfisch, Tim Fütterer, Andreas Lachner. TPACK in action: Contextual effects of pre-service and in-service teachers’ knowledge structures for technology integration[J]. Computers and Education Open, 2024, 7 100219-100219.

[44]Yael Feldman Maggor, Ron Blonder, Giora Alexandron. Perspectives of Generative AI in Chemistry Education Within the TPACK Framework[J]. Journal of Science Education and Technology, 2024, (prepublish): 1-12.

[45]朱敬, 龙慧. 从TPACK到技术实践智慧：全日制现代教育技术专业硕士培养的数字化转型旨向[J]. 中国电化教育, 2024, (06): 102-107+127.

[46]Piret Luik , Merle Taimalu , Karin Naruskov , Karmen Kalk. Does knowledge according to the TPACK framework have an impact on student teachers’ beliefs? A path analysis[J]. Education and Information Technologies, 2024, 29 (17): 1-22.

[47]吴振谦, 郑文娟, 马叶灵. 产教融合背景下基于TMACK的教师知识结构和教学推理[J]. 高等工程教育研究, 2024, (03): 161-168.

[48]刘唤, 杨晓娟. TPACK理论视角下STEM教师的知识结构及其量表的开发与验证[J]. 现代教育技术, 2024, 34 (04): 122-131.

[49]张晓蕾, 程庆梅, 杜刚, 李媛媛, 向若兰. 我国职业教育教师的TPACK认知水平评估[J]. 中国电化教育, 2024, (04): 112-119.

[50]Mirjam Schmid, Eliana Brianza, Sog Yee Mok, Dominik Petko. Running in circles: A systematic review of reviews on technological pedagogical content knowledge (TPACK)[J]. Computers & Education, 2024, 214 105024-.

[51]黄庆双. 中小学教师TPACK转化为数字素养的作用机制研究:一个链式中介模型[J]. 现代远距离教育, 2023, (06): 43-52.

[52]张铭锐, 闫志明, 孙铭璐, 刘方媛, 张昕. 教师知识图谱：人工智能赋能教师专业发展的必由之路[J]. 现代教育技术, 2023, 33 (08): 38-47.

[53]刘婷婷, 李洪修, 郭梦. 后疫情时代国际中文教师TPACK培养的现实困境与变革之路[J]. 民族教育研究, 2022, 33 (06): 164-172.

[54]张婧婧. “互联网+”时代高校教师TPACK发展路径探析——评《“互联网+”时代高校教师教学知识发展研究》[J]. 中国科技论文, 2023, 18 (01): 129.

[55]刘宏伟, 王湘玲. 整合技术的翻译教师教学能力量表研制与检验[J]. 外语界, 2022, (05): 71-79.

[56]罗强. 智能时代教师知识结构的发展框架及其实现路径[J]. 现代教育技术, 2022, 32 (07): 31-39.

[57]Schmidt Nicole. Unpacking second language writing teacher knowledge through corpus-based pedagogy training[J]. ReCALL, 2022, 35 (1): 40-57.

[58]刘清堂, 于爽, 吴林静, 卢国庆, 张妮. 欠发达地区信息技术教学应用的影响因素研究[J]. 中国电化教育, 2022, (04): 108-115.

[59]张萌. 高校英语教师TPACK知识对混合教学技术工具使用的影响[J]. 外国语文, 2022, 38 (02): 140-151.

[60]魏志慧, 林东华, 刘玉梅, 胡啸天. 基于叙事行动研究的开放大学教师专业发展——以TPACK为框架[J]. 中国电化教育, 2022, (02): 122-129.

[61]Çebi Ayça, Bahçekapılı Özdemir Tuğba, Reisoğlu İlknur, Çolak Canan. From digital competences to technology integration: Re-formation of pre-service teachers’ knowledge and understanding[J]. International Journal of Educational Research, 2022, 113

[62]Li Li. Learning Together Online: Insights into Knowledge Construction of Language Teachers in a CSCL Environment[J]. IRANIAN JOURNAL OF LANGUAGE TEACHING RESEARCH, 2021, 9 (3): 39-62.

[63]张笑言, 郑长龙. 化学教师知识研究的热点与趋势——基于CiteSpace可视化分析[J]. 化学教育(中英文), 2021, 42 (11): 65-70.

[64]魏志慧, 胡啸天, 邵晓婷. 慕课教学实践如何促进高校教师TPACK发展[J]. 现代远程教育研究, 2021, 33 (03): 53-62.

[65]杨新荣, 熊勤, 梁贯成. 21世纪国际教师知识研究的热点与前沿进展——基于2000—2019年国际核心期刊的文献计量分析[J]. 比较教育学报, 2021, (02): 118-133.

[66]刘冬萍, 张海, 崔宇路, 王以宁. 课堂切片与诊断：基于TPACK“六边模型”的图谱分析新视角[J]. 远程教育杂志, 2021, 39 (02): 95-102.

[67]杨丽娜, 陈玲, 张雪, 柴金焕. 基于TPACK框架的精准教研资源智能推荐研究与实践[J]. 中国电化教育, 2021, (02): 43-50.

[68]丛波, 金有为. 信息化2.0时代高校体育教师信息化教学能力提升研究[J]. 沈阳体育学院学报, 2021, 40 (01): 40-48.

[69]邓国民, 李云春, 朱永海. “人工智能+教育”驱动下的教师知识结构重构——论融入伦理的AIPCEK框架及其发展模式[J]. 远程教育杂志, 2021, 39 (01): 63-73.

[70]Sojanah J., Suwatno, Kodri, Machmud A.. Factors affecting teachers’ technological pedagogical and content knowledge (A survey on economics teacher knowledge) [Faktor yang memengaruhi technological pedagogical dan content knowledge guru (Survei pada guru ekonomi)][J]. Cakrawala Pendidikan, 2021, 40 (1): 1-16.

[71]孟翀. 技术整合理论何以引领教学创新——HPC理论赋能教学的审思[J]. 南京师大学报(社会科学版), 2021, (01): 120-129.

[72]Mishra Punya, Warr Melissa. Afterword: Expanding KSA to Systems and Culture[J]. Computers in Human Behavior, 2020, 117 (prepublish): 106673-.

[73]Kennesaw State University, Faculty of Instructional Technology, 585 Cobb Avenue Kennesaw Hall, MD Box #0127, Kennesaw, GA, 30144-5591, USA, University of Florida, Faculty of Educational Technology, 2423 Norman Hall (Office: 2-270), PO BOX 117048, Gainesville, FL, 32611, USA, University of Florida, Post-Doctoral Associate College of Education, 2423 Norman Hall, Gainesville, FL, 32611, USA. The impact of teacher education courses for technology integration on pre-service teacher knowledge: A meta-analysis study[J]. Computers & Education, 2020, 156

[74]陈菁, 李丹丽. 中介调节视角下高校英语教师技术教学内容知识的发展[J]. 外语与外语教学, 2020, (05): 22-32+148.

[75]阮庆元, 梁荣君. 基于TPACK指向科学本质的教学模型构建——以“地球的形状”为例[J]. 物理教师, 2020, 41 (09): 32-35.

[76]王琦. 国际汉语职前教师的TPACK、技术态度、技术整合自我效能关系研究[J]. 西北师大学报(社会科学版), 2020, 57 (05): 127-135.

[77]宋雨璇, 董艳, 蔡翔英. 基于V-TPACK模型的职教教师信息化教学素养研究[J]. 职教论坛, 2020, 36 (08): 91-98.

[78]张思, 邓露, 邓伟, 夏丹, 上超望. 网络研修社区中教师对话反思的认知网络分析——以语文“齐心协力教师工作坊”为例[J]. 电化教育研究, 2020, 41 (07): 42-47.

[79]魏宏聚, 任玥姗. 学科教学知识的三个认识转向[J]. 当代教育科学, 2020, (04): 13-18.

[80]胡典顺. 整合技术的学科教学知识:从教师专业素养到教师教学实践[J]. 教育科学研究, 2020, (03): 93-96.

[81]陈凯, 顾莹, 项佳敏. 职前科学教师TPACK的自我效能感研究[J]. 黑龙江高教研究, 2020, 38 (03): 105-111.

[82]Aleksandra Kaplon-Schilis, Irina Lyublinskaya. Analysis of Relationship Between Five Domains of TPACK Framework: TK, PK, CK Math, CK Science, and TPACK of Pre-service Special Education Teachers[J]. Technology, Knowledge and Learning, 2020, 25 (1): 25-43.

[83]熊西蓓, 郑格, 李燕华. 少数民族师范生整合技术的学科教学知识(T PACK)调查研究[J]. 电化教育研究, 2020, 41 (03): 122-128.

[84]徐小舒, 孙以琳, 蔡基刚. 我国高校专门用途英语教师技术教学内容知识能力框架研究[J]. 外语与外语教学, 2020, (01): 51-60+147-148.

[85]徐鹏, 王以宁. 整合技术的卓越教师知识能力结构研究[J]. 中国电化教育, 2020, (02): 89-93+101.

[86]方涛, 黄梅. 基于TPACK研究手持技术在中学化学课堂教学的应用现状[J]. 化学教育(中英文), 2019, 40 (23): 60-67.

[87]董艳, 和静宇, 司刊的尔, 徐唱. 促进TPACK知识提升的高中教师技术应用能动性研究[J]. 中国电化教育, 2019, (10): 117-123.

[88]李念平, 童永川, 何仕乾. TPACK框架下教师新课程标准培训的设计与实施[J]. 教学与管理, 2019, (24): 62-64.

[89]徐鹏. 人工智能时代的教师专业发展——访美国俄勒冈州立大学玛格丽特·尼斯教授[J]. 开放教育研究, 2019, 25 (04): 4-9.

[90]周莹, 莫宗赵. 我国TPACK研究的回顾、反思与展望[J]. 黑龙江高教研究, 2019, 37 (08): 59-64.

[91]刘凌燕. TPACK框架下的教师角色转型研究[J]. 教育理论与实践, 2019, 39 (19): 39-42.

[92]蔡慧英, 谢作如, 李渔迎, 顾小清. 创客教育教师准备好了吗——智能时代创客教师知识发展的影响因素探析[J]. 远程教育杂志, 2019, 37 (03): 86-94.

[93]穆肃, 唐冬梅, 乔金秀. 从优课看教育信息化进程中教师专业知识发展[J]. 电化教育研究, 2019, 40 (05): 98-103+110.

[94]Jamie L. Sickel. The Great Media Debate and TPACK: A Multidisciplinary Examination of the Role of Technology in Teaching and Learning[J]. Journal of Research on Technology in Education, 2019, 51 (2): 152-165.

[95]于开莲, 赵南, 张慧. 幼儿园教师整合技术的领域教学知识(TPACK)调查研究[J]. 电化教育研究, 2019, 40 (03): 118-123.

[96]陈振宁, 桑国元. 青南藏区基础教育阶段教师TPACK知识的实证研究[J]. 青海民族研究, 2019, 30 (01): 185-190.

[97]尤蕾蕾. 基于TPACK框架下的电解质概念教学研究[J]. 化学教学, 2018, (12): 45-50.

[98]吴玉玲, 邱思莲, 李沐阳. 英语师范生学科素养测量研究[J]. 外语教学, 2018, 39 (05): 61-65.

[99]杨宝忠, 孟晶. 小学数学新教师TPACK现状——以天津市某区为例[J]. 数学教育学报, 2018, 27 (04): 53-57.

[100]Ali Bostancıoğlu, Zoe Handley. Developing and validating a questionnaire for evaluating the EFL ‘Total PACKage’: Technological Pedagogical Content Knowledge (TPACK) for English as a Foreign Language (EFL)[J]. Computer Assisted Language Learning, 2018, 31 (5-6): 572-598.

[101]Hsueh-Hua Chuang, Chao-Ju Ho, Chih-Yuan Weng, Han-Chin Liu. High School Students’ Perceptions of English Teachers’ Knowledge in Technology-Supported Class Environments[J]. The Asia-Pacific Education Researcher, 2018, 27 (3): 197-206.

[102]蒙继元. 整合技术的学科教学知识框架下英语教师专业实践能力的提高[J]. 教学与管理, 2018, (15): 58-60.

[103]邓峰, 陈灵灵, 李艾玲, 余淞发. 化学师范生的TPACK与化学认识信念及其关系研究[J]. 化学教育(中英文), 2018, 39 (10): 49-54.

[104]邓国民. 教师整合技术与伦理的学科教学知识框架[J]. 黑龙江高教研究, 2018, (02): 99-103.

[105]刘洋洋, 何敏学. 体育教师TPACK的结构与生成:从知识场到学习共同体[J]. 沈阳体育学院学报, 2018, 37 (01): 113-117+137.

[106]冉新义, 蔡睿. 中等职业学校“双师型”教师TPACK知识结构分析——基于对福建省5所中职学校的调查[J]. 职业技术教育, 2017, 38 (34): 38-44.

[107]赵磊磊, 兰婷. 欠发达地区教师自我效能感与TPACK的关系及启示[J]. 教育理论与实践, 2017, 37 (29): 34-37.

[108]白鑫刚. 教师TPACK教学实践能力培养模式构建与路径选择[J]. 黑龙江高教研究, 2017, (10): 108-112.

[109]吴焕庆. 以协同知识建构为核心的教师TPACK提升路径研究——一项基于设计的研究[J]. 电化教育研究, 2017, 38 (10): 118-123.

[110]皇甫倩. 美国新型教师TPACK测评工具的研究述评及启示[J]. 外国教育研究, 2017, 44 (08): 36-50.

[111]尚力沛, 程传银. 体育教师TPACK发展研究[J]. 体育文化导刊, 2017, (07): 124-129.

[112]赵磊磊. 农村教师技术感知、自我效能及TPACK的关系研究——基于SEM的实证分析[J]. 全球教育展望, 2017, 46 (07): 88-99+128.

[113]董艳, 陈丽竹, 胡秋萍, 王宏丽. 职前教师TPCLK调查与多元化培养策略[J]. 现代远程教育研究, 2017, (04): 70-77.

[114]马建军, 刘要悟. 整合技术的学科教学知识(TPACK)理论之发展脉络及应用前景[J]. 外国中小学教育, 2017, (06): 72-76.

[115]朱洪翠. 中学英语教师EFL-TPACK素养研究——基于江苏省2015年初中英语教学观摩研讨会的课例分析[J]. 基础教育, 2017, 14 (03): 78-85.

[116]郑晓蕙, 陈曦乐. 基于职前教师TPACK发展的课程建设——以学科教学(生物)专业“TPACK发展训练”课程为例[J]. 课程.教材.教法, 2017, 37 (06): 100-105.

[117]邓国民, 李辉, 罗敏. TPACK英文研究文献知识图谱:起源和发展脉络[J]. 中国远程教育, 2018, (02): 60-69.

[118]胡建平. 基于SPOC建设的高职教师信息与传播技术能力分析及其提升路径研究[J]. 黑龙江畜牧兽医, 2017, (10): 231-234.

[119]吴秀圆, 施枫. 在设计中学习:技术增强型社会教师发展的新视角[J]. 中国电化教育, 2017, (04): 116-121.

[120]聂晓颖. 职前教师TPACK能力培养的瀑布模型构建研究——以数学学科为例[J]. 电化教育研究, 2017, 38 (04): 122-128.

[121]邓峰, 陈博殷, 钱扬义. 中学化学骨干教师TPACK知识的实证研究[J]. 化学教育, 2017, 38 (05): 44-49.

[122]姜霞, 王雪梅. 我国外语教师知识研究:回顾与展望——基于外语类和教育类CSSCI期刊论文的分析[J]. 外语界, 2016, (06): 31-39.

[123]缪巧玲, 马燕, 范文翔, 邓巧妹. 职业院校教师TPACK能力现状调查与培养策略——以重庆市为例[J]. 职业技术教育, 2016, 37 (36): 51-57.

[124]余冬梅, 余晖. 西部农村中学英语教师TPACK现状调查研究[J]. 教学与管理, 2016, (33): 26-29.

[125]郝琦蕾, 刘阳阳, 华文青. 小学教师TPACK现状的调查研究——以天津滨海新区小学为例[J]. 基础教育, 2016, 13 (05): 91-100.

[126]顾艳霞, 钱旭鸯. 国内外TPACK测量方法的研究现状及思考[J]. 远程教育杂志, 2016, 34 (05): 97-104.

[127]张新颜. 初中数学教师TPACK结构的探索研究[J]. 数学教育学报, 2016, 25 (04): 79-83.

[128]周玲, 黄德群. 基于教学过程的乡村教师TPACK(整合技术的学科教学知识)发展模式研究——以韶关市中小学教师信息技术能力培训为例[J]. 中小学教师培训, 2016, (08): 9-13.

[129]张廷艳, 王利. 师范生TPACK的调查研究——以数学师范生为例[J]. 西南师范大学学报(自然科学版), 2016, 41 (06): 221-225.

[130]马香莲. “互联网+”时代教师专业发展的重新解构[J]. 现代教育技术, 2016, 26 (06): 41-46.

[131]吴忭, 胡艺龄, 顾小清. 高校新教师信息技术与课程整合能力实证研究——基于上海市属高校教师职前培训项目[J]. 现代远程教育研究, 2016, (03): 77-83+103.

[132]Mark W. Olofson, Meredith J.C. Swallow, Maureen D. Neumann. TPACKing: A constructivist framing of TPACK to analyze teachers' construction of knowledge[J]. Computers & Education, 2016, 95 188-201.

[133]左敬亮, 方勤华, 程垚松. 美国“数学教师TPACK标准和发展模型”——数学教师有效使用技术的新焦点[J]. 数学教育学报, 2016, 25 (02): 44-48.

[134]娄珀瑜, 李红娟, 冉鸣. TPACK视野下“整合技术的化学教学知识”的案例研究——以“氨”为例[J]. 化学教育, 2016, 37 (07): 53-58.

[135]陈建. 物理教师的TPACK结构及其发展[J]. 教育探索, 2016, (03): 133-137.

[136]Margaret L. Niess, Emily H. van Zee, Henry Gillow Wiles. Knowledge Growth in Teaching Mathematics/Science with Spreadsheets[J]. Journal of Digital Learning in Teacher Education, 2014, 27 (2): 42-52.

[137]Shannon Guerrero. Technological Pedagogical Content Knowledge in the Mathematics Classroom[J]. Journal of Computing in Teacher Education, 2010, 26 (4): 132-139.