《Computers and Education Open》：Perceived utility moderates motivational intervention effects in learning to teach responsibly with GenAI
编辑推荐：
本研究针对职前教师在整合人工智能（AI）进行教学时，常面临技术、教学与伦理知识难以融合，进而影响其负责任决策能力的问题。研究人员开展了一项实验，探讨了带支架的效用价值干预对职前教师知识整合与习得的影响。研究发现，干预本身并无普遍性显著效果，但探索性分析表明，效用价值干预对初始感知效用价值高的职前教师的知识整合产生负面作用。这一结果凸显了根据学习者个体初始动机调整教学支持的重要性，对推动AI在教育中负责任地融合具有重要意义。
生成式人工智能正在深刻地改变教育领域，为形成性评估、个性化反馈和自适应学习系统带来了巨大潜力。然而，这类技术并非中立工具，其概率性的输出可能复制社会偏见、传播错误信息，并以难以检测和控制的方式损害隐私，是一种具有社会技术属性的系统。这为教师教育提出了新的挑战，未来的教师不仅需要理解人工智能的技术功能（技术知识，TK），还需要在具体的教学情境（教学法知识，PK）中反思其伦理影响（伦理知识，EK），以实现负责任的、由AI增强的教学。
然而，现实是职前教师往往缺乏这种综合性的理解，他们的专业知识常常是碎片化、缺乏跨领域连贯性的。这使得他们难以理解为何以及如何将这些知识领域联系起来，限制了他们在AI支持的教育情境中进行负责任推理的能力。如何帮助职前教师有效地整合技术、教学法和伦理知识，形成一个有机的专业知识整体（GenAI-TPEK），成为了一个亟待解决的问题。动机干预，特别是那些能够提升学习内容效用价值的干预，被认为可能支持学习过程中的知识整合。但是，这种干预的效果是否普遍有效？其效用是否取决于学习者自身的初始动机水平？为了解答这些问题，研究人员设计并实施了一项严谨的实验研究。
为了系统探究效用价值干预对职前教师知识整合的影响，研究人员精心设计了一项单因素实验研究，参与者为158名德国某大学教育学硕士课程的职前教师。整个研究流程基于一个自适应的在线平台进行。首先，所有参与者完成了一项包括人口学信息、领域知识前测和初始感知效用价值（衡量其对学习内容有用性的主观评估）的预调查。随后，参与者被随机分配到三种实验条件之一：无支架的效用价值干预组（UV）、带支架的效用价值干预组（UVS）或无干预的控制组（Control）。
关键的干预环节在于，两个实验组的参与者在进入主要学习环境前，观看了一段专家陈述视频。视频中，一位技术知识专家和一位伦理知识专家分别强调了将技术与伦理知识相结合对未来教师职业实践的重要性，并在最后进行了对话，强调整合这两个领域知识的价值。视频之后，两组参与者都需要完成一项自我反思的写作任务，要求他们将视频内容与个人生活和未来职业联系起来。两组的关键区别在于任务的“脚手架”支持程度：UVS组的写作任务被分解为结构化的子提示，引导他们逐步反思，例如先识别视频中的关键论点，再思考其个人相关性，最后联系未来职业；而UV组的任务则是一个开放式、无结构的单一提示，只要求他们自由撰写反思。
干预结束后，所有参与者进入一个关于AI在教学中应用的数字超文本学习环境，学习涵盖技术、伦理和教学法三个知识领域的内容。学习结束后，他们都需要完成一个带有详细步骤示范的工作样例，以支持后续的知识整合任务。最后，参与者完成后测，评估内容包括领域特定知识（通过多项选择题）和整合知识（通过开放性问题，要求结合技术、伦理和教学法分析教育场景中的真实挑战）。整个研究过程持续约45分钟。
本研究主要采用了定量分析方法来检验假设。首先，为确保数据质量，研究者排除了未通过注意力检查的参与者，并对各组参与者的初始条件进行了基线比较，确认分组随机有效。其次，为检验干预的普遍效果，研究者使用协方差分析框架下的计划性对比分析，分别比较了“实验组（UV+UVS） vs. 控制组”以及“UVS组 vs. UV组”在领域知识、整合知识及感知效用价值后测得分上的差异。为了探索干预效果是否受个体差异调节，研究者还进行了探索性的调节效应分析，考察初始感知效用价值对干预效果（实验组 vs. 控制组）在整合知识后测得分上的影响。所有分析均在R软件中进行。
研究结果并未支持研究者最初提出的两个核心假设。H1：效用价值干预的一般效应 分析显示，无论是否提供支架，接受效用价值干预的职前教师，在控制前测知识水平后，其后测的领域特定知识得分、整合知识得分以及感知效用价值水平，与控制组相比均无统计学上的显著差异。H2：支架式效用价值干预的效应 同样，比较带支架的干预组（UVS）与无支架干预组（UV）时，也未能发现支架化写作任务在提升知识或感知效用价值方面有显著优势。
然而，深入的探索性分析揭示了比主效应更为复杂和有趣的模式。调节效应分析发现，初始感知效用价值与实验条件之间存在显著的交互作用，。具体而言，对于初始感知效用价值较低的职前教师，效用价值干预（UV+UVS）似乎有助于提高他们的后测知识整合表现，使其表现优于同等动机水平的控制组参与者。然而，对于初始感知效用价值已经很高的学习者，情况则不同：在干预条件下，他们的后测知识整合得分反而呈现轻微的下降趋势，显著低于同等高动机水平的控制组参与者。这意味着，对于已经认为学习内容非常有用的学生，额外的效用价值反思任务可能不仅没有益处，甚至可能产生轻微的负面干扰。Johnson-Neyman技术进一步确认了这种反转趋势，在初始感知效用价值低于约0.78和高于约4.0的区域，干预效果出现了从正向到负向的显著变化。
研究讨论部分对上述结果进行了深入阐释。研究者认为，缺乏普遍性干预效应 可能源于多重因素：样本整体对GenAI-TPEK学习的初始感知效用价值偏高（平均值M = 3.41，标准差SD = 0.48，范围1.75–4.00），这可能导致了“天花板效应”或“冗余效应”，即对于已经高度认可其价值的参与者，额外的动机激发任务显得多余，甚至可能因占用认知资源而产生干扰。此外，学习环节中向所有参与者统一提供的工作样例作为强有力的认知支持，可能在一定程度上抵消或掩盖了动机干预的独立效果。较短的干预时长（嵌入45分钟的讲座中）也可能限制了动机变化的产生和巩固。
调节效应的发现 则具有重要的理论和实践意义。它表明，效用价值干预并非“一刀切”的普适性良方，其效果强烈依赖于学习者的初始动机状态。这一发现与期望-价值理论的观点一致：提升效用价值的干预对初始感知价值较低的学习者最具“成长空间”和激励潜力；而对于初始价值已很高的学习者，此类干预可能不再必要，甚至可能因造成认知负荷与动机的错配而适得其反。这凸显了在教学设计中考虑学习者个体差异（即“禀赋-处理交互作用”）的极端重要性。
本研究在理论上的重要贡献在于，它超越了传统TPACK框架，明确将伦理知识（EK）提升为与技术知识（TK）和教学法知识（PK）同等重要的独立知识领域，提出了“GenAI-TPEK”这一整合性专业知识框架。研究不仅从概念上论证了其必要性，还通过实验设计，将知识整合操作化为一个可被测量和支持的认知-动机过程。这回应了学界对将伦理反思系统性地、动态地嵌入教师AI素养培养的呼吁，强调了负责任地使用AI需要教师在实践中动态地、情境化地编织技术、伦理与教学推理。
基于研究发现，研究者对教育实践提出了具体建议。首先，动机干预需要量身定制。教育者应评估学习者的初始动机水平，避免对高动机群体实施可能产生反效果的通用型动机激发活动。未来的支持系统可以考虑开发自适应机制，根据学习者的实时状态动态调整干预策略。其次，重视任务投入的质量而非干预形式本身。本研究中，写作任务的质量（作为投入度的代理指标）与知识整合后测表现显著正相关，这提示支持深度、高质量的自我反思过程可能比干预形式的细微差别（如是否提供结构化支架）更为关键。教育设计应聚焦于如何促进这种深度加工。
当然，本研究也存在一些局限性。研究仅测量了知识整合的最终“产品”，未能在学习过程中实时追踪其认知加工机制。实验设计中，视频引导和任务分段等多种支架元素被组合使用，这虽然反映了真实教学场景的复杂性，但也使我们无法分离出每种支架的独立贡献。此外，研究情境嵌入在单次讲座中，时长有限，未来需要开展纵向研究，以观察动机和专业知识的长期演变轨迹。
总而言之，这项研究揭示了关于AI教育中动机干预的一个重要洞见：单纯的动机支架本身并不总能普遍提升学习效果，其效用是有条件的，尤其依赖于学习者的初始动机水平。它为AI时代教师教育的专业发展提供了关键启示：培养教师负责任地使用生成式人工智能，不仅需要设计融合技术、伦理与教学法的整合性课程内容，更需要采用精细化的、适配学习者个体特征的教学支持策略。盲目推行“一刀切”的动机干预可能事与愿违，而基于学习者禀赋的动态、个性化支持，才是有效促进复杂知识整合、培养未来教师AI批判性素养的关键。这项发表在《Computers and Education Open》上的研究，以其严谨的实验设计和深刻的实践洞察，为推动人工智能在教育领域的负责任融合（Responsible Integration）提供了宝贵的实证依据和理论框架。
