《Computers & Education: X Reality》：Assessing teachers’ readiness for AI-driven XR integration: Scale development and multigroup validation in ethnic minority boarding high schools in Viet Nam
编辑推荐：
为了解决教师是否准备好有效且符合伦理地将人工智能（AI）和扩展现实（XR）技术整合到教学中的关键问题，研究人员在越南少数民族寄宿制高中开展了一项大规模调研。他们开发并验证了一个名为“教师对AI驱动XR整合的准备度”（TRAXRI）的多维度模型，发现教师的态度、绩效期望和自我效能感是影响其整合准备度的最强预测因素，而伦理与隐私意识也具有显著的新兴影响。这项研究不仅为理解和评估教师对沉浸式智能教学技术的接纳意愿提供了有效工具，也为制定针对特定文化背景和资源受限学校的教师能力建设策略提供了实证依据。
人工智能（AI）与扩展现实（XR）——涵盖虚拟现实（VR）、增强现实（AR）和混合现实（MR）的统称——的融合，正在深刻重塑教育的未来。这种结合催生了智能、自适应、以人为中心的学习生态系统，有望超越空间和语言界限。然而，技术的光环背后，一个根本性问题日益凸显：教师们准备好了吗？他们是否有足够的能力、信心和意愿，将这些前沿技术有效且负责任地融入日常教学实践？这个问题在资源有限、文化多样、技术基础设施可能不足的学校环境中显得尤为紧迫，例如在发展中国家为少数民族学生提供教育的寄宿制学校。如果不关注教师的准备情况，XR和AI的广泛应用不仅难以发挥其潜力，反而可能加剧数字鸿沟，让技术红利仅惠及资源充足的学校和教师。
正是在这样的背景下，一项聚焦于越南少数民族寄宿制高中的研究应运而生。研究人员敏锐地意识到，尽管AI驱动的XR应用在全球教育领域迅速扩展，但教师的准备度参差不齐，且针对中小学教师、特别是文化特殊背景学校的研究存在显著空白。现有评估工具多侧重于数字技能，而忽视了关键的背景、文化和伦理变量。因此，理解并评估教师在认知、情感、教学和伦理等多个维度的准备状态，对于确保XR技术真正促进教育公平与质量至关重要。
为了填补这些理论和实证上的空白，Phi Dinh Khuong 和 Lam Thuy Duong 开展了一项研究，旨在开发和验证一个专门用于评估教师对AI驱动XR整合准备度的多维模型——教师对AI驱动XR整合的准备度（TRAXRI）。该研究以整合型科技接受与使用理论（UTAUT2）为基础，并扩展了教学和伦理维度。研究模型包含六个前置构念：绩效期望、努力期望、便利条件、对AI-XR的态度、自我效能感以及伦理与隐私意识，这些共同预测教师对AI驱动XR整合的准备度。研究数据来自越南各地1740名少数民族寄宿制高中的中学教师，并采用偏最小二乘法结构方程模型（PLS-SEM）进行分析。
研究发表在《Computers & Education: X Reality》期刊上，其核心发现揭示了教师准备度的关键驱动因素。
为了系统地探究上述问题，研究者运用了严谨的量化研究方法。他们首先基于UTAUT2理论，并融入教学和伦理维度，开发了包含六个前置构念和一个结果构念的TRAXRI理论模型，并提出了六个研究假设。研究工具是一份包含25个测量项（经后效度检验后保留24项）的自陈式问卷，所有题项均使用李克特五点量表。数据收集于2025年5月至8月间进行，通过线上和纸质两种形式，最终获得1740名越南少数民族寄宿制高中教师的有效样本。数据分析则采用了SPSS 26.0和SmartPLS 4.0软件，通过探索性因子分析（EFA）和验证性因子分析（CFA）检验量表的信效度，并利用PLS-SEM检验结构模型的路径关系，同时进行了多群组分析（MGA）以考察模型在不同教师子群体（如性别、教学经验）间的稳定性。
研究结果
- •
4.1. 受访者的人口统计学特征：参与调查的1740名教师中，女性占58.2%，男性占41.8%。教学经验分布广泛，其中具有11-20年经验的教师占比最高（36.4%），所有参与者均来自越南的少数民族寄宿制高中。
- •
4.2. 构念的描述性统计：所有构念的均值在4.01至4.31之间（5分制），表明教师对AI-XR整合普遍持有积极看法。其中，绩效期望和对AI-XR的态度均值最高。
- •
4.3. 测量构念的信度和收敛效度：所有构念的克朗巴赫α系数（Cronbach's α）介于0.841至0.894之间，组合信度（CR）介于0.875至0.922之间，平均方差萃取量（AVE）介于0.699至0.776之间，均超过了推荐阈值，表明测量模型具有良好的内部一致性和收敛效度。
- •
4.4. 构念的区分效度（Fornell-Larcker和HTMT准则）：根据Fornell-Larcker准则，所有构念的AVE平方根均大于其与其他构念的相关系数。同时，所有异质-单质比值（HTMT）均低于0.85的阈值。这两项结果共同证实了构念间具有良好的区分效度。
- •
4.5. 结构模型评估：结构模型分析显示，所有六个假设路径（H1-H6）均正向且显著（p < 0.01），模型对教师准备度的方差解释率高达71%（R2= 0.71）。其中，对AI-XR的态度影响最强（β = 0.33），其次是绩效期望（β = 0.28）和自我效能感（β = 0.21）。努力期望（β = 0.19）、便利条件（β = 0.16）和伦理与隐私意识（β = 0.10）也具有显著影响。
- •
4.6. 多群组分析（MGA）：多群组比较表明，TRAXRI模型在不同教师子群体中基本稳定。但研究也发现了一些细微差异：拥有10年及以上教学经验的教师，其努力期望和自我效能感对准备度的影响更强；而女性教师中，态度对准备度的影响略高于男性教师。区域间的比较则未发现显著差异。
研究结论与讨论
本研究成功开发并验证了TRAXRI模型，证实了它是一个可靠且有效的工具，可用于评估教师在资源受限、文化多元的学校环境中对AI驱动XR技术整合的多维度准备状态。研究发现，教师的情感与认知评价（对AI-XR的态度）、对技术教学价值的信念（绩效期望）以及对自身能力的信心（自我效能感）是决定其准备度的最关键因素。这表明，推动AI-XR在教学中的应用，核心在于提升教师对这些技术的情感接受度和教学价值认同，并增强他们运用技术的自信心。
相比之下，技术易用性（努力期望）和制度性支持（便利条件）虽然也至关重要，但更多扮演着支持性和使能性的角色，它们降低了采纳门槛，但并非最核心的驱动力量。一个尤为重要的发现是，伦理与隐私意识虽然影响系数相对较小，但其显著的正向影响意味着，在沉浸式、数据密集的AI-XR学习环境中，教师的伦理敏感性和数据保护意识是促进其负责任地使用技术、建立信任的重要补充因素，而非阻碍。
在理论层面，这项研究将传统的技术接受模型（如UTAUT2）扩展到了AI-XR这一新兴且复杂的教学领域，并明确纳入了伦理维度，从而提供了一个更全面理解教师“教学准备度”而非仅仅是“技术准备度”的框架。它强调，教师的准备度是一个融合了技术熟练度、教学法理解、情感倾向和伦理考量的整体性构念。
在实践层面，研究结果为教育政策制定者、学校管理者和教师培训者提供了清晰的行动指南。针对少数民族寄宿制高中这类特殊教育环境，专业发展项目应超越单纯的技术技能培训，致力于：1) 通过沉浸式体验和成功案例分享，塑造教师对AI-XR的积极态度；2) 设计循序渐进的实训，在可控环境中逐步构建教师的应用自我效能感；3) 确保提供稳定可靠的基础设施和技术支持（便利条件），减轻教师的操作负担；4) 将数据伦理、隐私保护和包容性设计等内容纳入培训课程，培养教师的“伦理准备度”。
当然，研究也存在一些局限，例如采用横截面调查设计、样本集中于特定类型学校等。未来研究可以通过纵向追踪、结合课堂观察等混合方法，进一步探索教师准备度如何转化为实际的教学行为和学生学习成果，并检验TRAXRI模型在不同文化、学科和教育阶段中的普适性。
总而言之，这项研究揭示了一个核心洞见：在人工智能与扩展现实技术重塑教育的浪潮中，教师的准备状态是决定技术能否转化为包容、有效且合乎伦理的教学实践的关键枢纽。TRAXRI模型及其发现，为在资源不均等的教育场景中，系统化地培养和支持教师，使其成为智能沉浸式学习的称职引领者，提供了宝贵的理论依据和实践路径。
