基于场论的人工智能辅助社会支持与学前教育教师专业身份分析

《Acta Psychologica》：Field-theoretical analysis of AI-enabled social support and teacher professional identity in preschool teacher education

　　严莉|艾哈迈德·扎姆里·海拉尼
马来西亚科学大学教育研究学院，11800，槟城，马来西亚

**摘要**
通过有效的社会支持来增强职前教师的职业认同感，是解决幼儿教育领域教师流动问题的重要方法。本研究从社会学场论的角度探讨了基于人工智能的社会支持对教师职业认同感（TPI）形成的预测效应，并分析了其背后的心理机制。研究采用了来自中国的1553名职前幼儿园教师的样本，通过在线调查收集数据以生成实证证据。基于方差的部分最小二乘结构方程模型（PLS-SEM）分析显示，基于人工智能的社会支持与教师职业认同感之间存在显著的正相关关系。此外，分析还证实了这种支持通过自我效能感和教学信念这一中介机制发挥间接的预测作用。从理论上讲，该研究将基于人工智能的社会支持重新定义为一种可转化的场资本，这种资本有助于减轻从学生到新手教育者的关键转型过程中的惯习滞后现象。从实践角度来看，研究建议教师教育项目应超越单纯提供技术支持，帮助职前教师以批判性方式应对人工智能带来的教学挑战和伦理问题。最终，这样的结构性干预有望促进教师职业认同感的培养并提高教师留任率。

**1. 引言**
教师职业认同感（TPI）的形成是职前教师专业化研究中的关键议题（Garcia, 2025）。TPI包括对职业的情感和认知内化，以及强大职业认同感的培养（Chavez Rojas et al., 2023），还包括为实现职业目标（如工作满意度和教学投入）而持有的态度和行为倾向（Murdoch & Lim, 2022; Wang & Zhang, 2021）。幼儿园教师面临的社会认可度、职业发展机会和制度支持有限，这些因素显著影响了他们的职业认同感（Wiltshire, 2024; Yang et al., 2024）。在幼儿教育这一情感和认知要求极高的教育领域，早期干预教师职业认同感对于促进学术参与、职业抱负和幸福感至关重要（Lipscomb et al., 2022）。

当代的教师培训是在数字化环境中进行的，这要求重新评估技术对教师培训和发展的影响（Wijaya et al., 2024）。人工智能在教师培训项目中的快速整合需要区分被动式规则驱动的人工智能和生成式人工智能（Lampropoulos & Papadakis, 2025）。生成式人工智能能够提供高度适应性和精确的形成性反馈，这标志着教育范式的重大变革（Tu & Lu, 2025）。然而，目前的相关研究主要集中在认知技能的获取上，而人工智能的社会情感方面及其作为身份形成支架的潜力尚未得到充分探索。尽管人工智能为教学和学习带来了前所未有的好处，提升了绩效预期（Wijaya et al., 2025），但它本质上是一把双刃剑，过度依赖它可能会带来技术依赖和基本以人为中心的竞争力丧失等风险（Wijaya et al., 2024）。因此，需要强大的内在认知机制来平衡这些潜在风险。

为了应对这一复杂的发展环境，社会学场论提供了一个严谨的分析框架。在此框架下，基于人工智能的社会支持被视为一种综合性的技术资源，包括主动的、自动化的和指导性的支持（Wijaya et al., 2025）。这种类型的技术支持是一种可转化的技术资本，能够增强传统的支持系统，包括情感支持和工具性支持系统（Kolomaznik et al., 2024）。虽然之前的研究已经确定了外部支持系统的影响，但支持系统如何转化为稳定职业认同感的心理机制尚未完全阐明。具体而言，这一心理过程高度依赖于自我效能感（即作为教师的胜任感认知，Bandura, 1997; Bas, 2022）以及教学信念（Berger & Lê Van, 2019）。

本研究通过提出一种资本转化的顺序模型，填补了理论空白，并借鉴了社会学场论在数字环境中的应用。研究还旨在通过实证方法探讨外部基于人工智能的社会支持与职前幼儿园教师内部心理结构之间的关系。研究认为，外部基于人工智能的社会支持能够增强自我效能感，进而增强教学信念，最终促进教师职业认同感的形成（Pan et al., 2025）。该研究通过将基于人工智能的社会支持概念化为超越领域的资本，为理解其在教育环境中的作用做出了重要贡献。同时，研究还揭示了自我效能感和教学信念之间的间接预测关系，将身份形成置于当代教育生态系统的结构化关系之中。

**2. 背景与文献综述**
**2.1. 背景**
当前中国的教育政策重点关注幼儿教育的专业化，以改善教育资源的可及性和降低教师流动率（Jiang et al., 2022; Xue & Li, 2024）。《2024-2035年教育强国建设纲要》中提出了培养高素质教师队伍的目标（Lin & Guan, 2025）。当代学术框架强调数字化转型和在教师培训中整合负责任的人工智能，将其视为教学专业性的重要方面（Funa & Gabay, 2025; Li et al., 2024）。虽然本科课程为教学法和实践奠定了基础，但人工智能支持的活动（尤其是在教案开发方面）显著增强了教学中的形成性反馈渠道（Ji & Li, 2025）。然而，职前教师对其职业的认可度和支持不足，加之教师职业地位较低，这些因素影响了他们对职业的投入（Flores, 2023; Wiltshire, 2024）。

从场论的角度来看，身份建构是一个涉及大学、实习和虚拟空间等交叉领域的过程。在这种关系模式中，通过人工智能提供的技术支持是一种可转化的技术资本，能够增强基本的人类支持结构（Lan, 2024）。此外，各种系统压力和资源分配不均使得教师职业认同感的形成变得具有挑战性（Chen et al., 2025; Zhu et al., 2025）。虽然传统社会支持是重要的外部资源之一，但其内化高度依赖于自我效能感和教学信念（Li & Khairani, 2025）。在这一复杂机制中，人工智能作为重要的促进因素，提供了形成性反馈、知识和低风险的教学练习机会（Jing, 2025）。因此，需要实证研究来揭示人工智能支持如何通过心理资源的顺序中介作用间接预测教师职业认同感的形成。

**2.2. 文献综述**
**2.2.1. 场论**
场论将职业实践和身份视为位于结构化社会空间或场中的现象，其中立场选择受到支配性观念和相关资本分配不均的影响（Bourdieu & Wacquant, 1992）。这种对职业实践和身份的理解与近期关于高等教育和教师培训系统中身份建构的实证分析相呼应（Reissner & Armitage-Chan, 2024）。在当代教师教育体系中，这些传统的结构力量正越来越多地与系统平台化和数据驱动的安排相结合（Pan et al., 2025）。这些数字平台为获取关键的教学资源、形成性反馈和职业认可提供了中介，从而重新定义了资本在教育实践领域中积累和转化的条件（Fadillah et al., 2026）。

在这个动态的社会技术系统中，必须以高度严谨和具体的方式理解基于人工智能的支持作为可转化技术资本的作用。这种类型的数字资本能够积极增强传统的情感、信息性和工具性支持结构，从而扩大职前教师可获得的资本范围和深度（Aldraiweesh & Alturki, 2025）。值得注意的是，这种支持结构增强了教学表现的认可度、反馈和知识管理，为特定领域的职业认可和强大教师身份提供了有利环境（Edisherashvili et al., 2022）。

**2.2.2. 教师职业认同感（TPI）**
教师职业认同感（TPI）是指个体在内化与教学相关的角色、价值观和责任时形成的自我概念（Beijaard et al., 2023; Rushton & Reiss, 2021）。根据社会认同理论，它是个人意愿与社会文化内化相互作用的结果（Wong & Liu, 2024）。这一过程使职前教师能够融入专业群体，同时构建独特的教学取向（Gracia et al., 2021）。它不是固有的特征，而是促进职前教师动机和投入的主要认知参照点（Rodrigues & Mogarro, 2019）。

职前教师职业认同感的构建是一个多维度、迭代的过程，涉及信念、态度和情感承诺，这些因素共同指导他们的教学实践（Yim & Mercer, 2025）。职前教师从学习者向专业人员的转变是一个复杂而多方面的过程（Huang & Wang, 2024）。他们可能同时持有学习者、学徒和职前教育者等多种身份，因此需要认知整合（Junker et al., 2025）。这涉及解读过去的经验，并理解内在价值观与外部要求之间的关系，以应对职前教师实践的复杂性（Erdem, 2020; Hanna et al., 2020）。

**2.2.3. 社会支持与教师职业认同感**
传统上，社会支持被定义为来自人类社会网络的情感、信息和工具性支持（Kassis et al., 2019）。实证研究表明，社会支持在促进教师自我效能感和减轻压力方面发挥着重要作用（Chen, He, & Yang, 2023; Chen, Ji, & Jiang, 2023; Zhao et al., 2023）。最近的西方文献从教师培训与职业认同感的角度探讨了社会支持的作用，发现社会支持有助于跨文化能力的转移（Lampropoulos & Papadakis, 2025）。这些研究虽然来自不同的文化背景，但得出了高度一致的结果，表明尽管支持的具体形式可能有所不同，但关系性支架的潜在机制普遍能够提升教师效能感并巩固教师职业认同感。

然而，当代教师培训项目要求从生态系统角度进行理解（Fadillah et al., 2026）。最新实证证据表明，在中国师范院校中整合数字学习工具能够显著提升职前教育者的教育准备和教学能力，前提是这些技术与其学术任务相匹配（Wang, Wijaya et al., 2022）。Nass等人（1994）提出的“计算机作为社会行动者”（CASA）理论为人工智能作为社会支持的来源提供了理论依据。该理论认为人类天生倾向于将智能技术视为社会行动者（Gambino et al., 2020）。因此，基于人工智能的社会支持（如提供形成性反馈的生成式技术）作为社会技术支持框架发挥着重要作用（Wijaya et al., 2025）。它不是独立的数字干预，而是补充人类社会网络的重要支持机制（Aldraiweesh & Alturki, 2025），为职前教师在虚拟环境中提供了掌握经验（Han, 2025）。

从全球角度来看，无处不在的基于人工智能的支持是一把双刃剑（Wijaya et al., 2024）。虽然基于人工智能的支持可以减轻认知负担并加速任务完成，但也存在降低独立思考能力和学术诚信等风险（Wijaya et al., 2024）。因此，这种支持必须策略性地设计，以辅助而非替代自主的教学决策（Katsampoxaki-Hodgetts et al., 2025; U?ra? et al., 2025）。为了更深入地探讨这些复杂性，本研究采用了社会学场论（Bourdieu & Wacquant, 1992）。人工智能技术的生态系统支持在家庭、大学、实习和在线环境中完全实现了作为可转化技术资本的功能。人工智能技术提供的生态系统支持在生态学上影响着人类认知和计算机反馈如何转化为专业自我理解（Aldraiweesh & Alturki, 2025）。随着职前教师面对社会技术支持的双重现实，本研究理论化地认为，从社会支持到教学专业身份（TPI）的预测路径受到自我效能感和教学信念的影响（Li & Khairani, 2025）。心理结构起到了缓冲作用，使教育工作者能够在控制发展风险的同时，充分利用人工智能技术的教学优势（Wieduwilt et al., 2021）。

2.2.4 自我效能感作为中介
自我效能感是指个体对自己成功完成未来任务的信心，是教学专业身份（TPI）发展的关键心理结构（Bandura, 1997; Ger?ek & ?zveren, 2025）。在教师培训项目中，自我效能感包括职前教师对自己成功教学、管理班级和吸引学生的信心（Buri? & Kim, 2020）。对于自我效能感高的职前教师来说，它预示着面对具有挑战性的教学任务时会有较高的专业投入和坚持性（Chen et al., 2021）。相反，对于自我效能感低的职前教师来说，它预示着更高的压力和专业怀疑，从而抑制了连贯的教学专业身份的形成（Brown et al., 2021）。这一点在幼儿教育的职前教师中尤为明显，因为他们实践经验较少，且该行业缺乏社会支持（Kwon et al., 2021）。实证证据还表明，自我效能感是外部社会支持与教师身份形成之间关系的关键中介因素（Chen et al., 2021）。自我效能感较高的职前教师往往具有更高的自我效能感，这能够有力地预测教师身份的形成（Kassis et al., 2019）。因此，自我效能感的发展是一个关键结构，它预测了职前教师在获得外部心理社会支持的情况下能够成功内化专业角色，从而提供稳定的教师身份（Chen et al., 2020）。

2.2.5 教学信念作为中介
教学信念涵盖了隐性和显性的教学与学习观念，已被确定为职前教师的重要认知结构（Berger & Lê Van, 2019; Li, 2022）。这些认知锚点反映了塑造个人责任感的社会文化和日常社会影响，指导个人对其专业义务的解读（Sansom, 2020）。因此，它是教学专业身份（TPI）形成的关键结构（Beijaard et al., 2023）。强化的教学信念有助于职前教师整合理论与实践，表达教育价值观，并将自己视为有效的教育专业人士（Bukor, 2015）。这些认知结构影响了教师对所面临挑战的感知以及形成专业自我概念的反思过程（Gracia et al., 2021）。相反，破碎的教学信念与更高的不确定性、较低的动机水平和情感疏离有关。这些脆弱性对教师教学专业身份的形成有深远影响，并增加了教师流失的风险（Vidovi? & Domovi?, 2019; Yim & Mercer, 2025）。重要的是，教学信念被实证证据认为是将外部社会支持与专业成熟联系起来的重要中介因素（Berger & Lê Van, 2019）。这些信念使基本价值观合法化，确认建构主义立场，并减轻情感压力（Wieduwilt et al., 2021）。从职业建构理论来看，这些信念提供了将机构知识和个人价值观联系起来的关键解释框架，从而预测持续的身份发展和专业投入（Li, 2022）。

2.2.6 自我效能感和教学信念的顺序中介作用
尽管实证证据清楚地表明社会支持与教学专业身份（TPI）之间存在强烈的正相关，但社会支持如何影响教师专业成熟的心理过程需要更明确地说明。最近的研究明确指出，自我效能感和教学信念是将外部社会支持转化为教师专业成熟的关键心理因素（Cai & Lian, 2022; Chen et al., 2021）。然而，这些心理因素与社会支持和教学专业身份（TPI）之间交互作用的顺序预测过程需要在当代文献中进一步探讨。自我效能感是指教师成功执行教学任务的能力（Bandura, 1997），在教师培训过程中受到外部验证的显著影响（Tschannen-Moran & Hoy, 2001）。强大的社会支持会提高职前教师的自我效能感，进而增强他们的主动教学参与度和教学专业身份（Brown et al., 2021; Flores, 2020）。同时，职前教师拥有的自我效能感越高，他们可能采用以学习者为中心的教学信念也越高（Li, 2022; U?ra? et al., 2025）。这些概念框架随后影响了高度稳定的教学专业身份（TPI）的形成（Berger & Lê Van, 2019）。基于上述研究的综合，本研究提出了一个顺序中介模型，其中人工智能支持的社会支持被概念化为积极影响自我效能感的发展，进而预测强化的教学信念的形成，最终影响教学专业身份（TPI）的形成。这种预测中介模型与社会学场论一致，强调有效的身份发展依赖于外部社会技术资本与关键心理资源的结合。

2.3 假设发展
根据布尔迪厄的场论，外部资源被视为可转换资本，可以预测职前教师的专业习惯（Wu et al., 2026）。具体来说，人类网络和人工智能支持被视为整合的社会技术资本，通过职前教师的专业习惯间接预测教学专业身份（TPI），其中包括自我效能感和教学信念。因此，所提出的模型评估了特定领域资本向习惯性倾向的转换，从而预测职前教师的教学专业身份（TPI）。为了实证检验这种顺序转换，提出了十一个理论驱动的假设。从理论角度来看，外部社会技术支持被视为一种关键类型的资本资源，被职前教师内化以影响他们的教学专业身份（TPI）（Cole & Duffy, 2024）。从实证角度来看，最近的研究支持数字支架作为职前教师专业成熟的强大且积极的预测因素（Tu & Lu, 2025; Wang, Wijaya, et al., 2022）。因此，提出的预测假设如下：
H1 社会支持与职前教师的教学专业身份（TPI）形成呈正相关。
此外，资本转换还需要内在的认知锚点（Wu et al., 2026）。理论上，环境资源支持个人的自我效能感和教学信念（Berger & Lê Van, 2019）。实证支持始终显示，支持与自我效能感（Kassis et al., 2019）和教学信念（Wieduwilt et al., 2021）呈正相关。更重要的是，自我效能感和教学信念都是教学专业身份（TPI）的强预测因素（Li & Khairani, 2025）。因此，提出以下结构路径关系：
H2 社会支持与职前教师的自我效能感呈正相关。
H3 自我效能感与职前教师的教学专业身份（TPI）形成呈正相关。
H4 自我效能感与职前教师的教学信念呈正相关。
H5 社会支持与职前教师的教学信念呈正相关。
H6 教学信念与职前教师的教学专业身份（TPI）形成呈正相关。
最后，关于中介关系，资本转换过程被概念化为一个顺序过程（Wu et al., 2026）。从理论角度来看，环境社会技术资源通过自我效能感发挥作用，然后再影响教学信念。从实证角度来看，顺序中介模型表明，自我效能感和教学信念是环境支持与职前教师专业身份之间关系的显著心理中介。因此，提出以下假设：
H7 自我效能感中介社会支持与职前教师教学信念之间的正相关。
H8 自我效能感中介社会支持与职前教师教学专业身份（TPI）形成之间的正相关。
H9 教学信念中介社会支持与职前教师教学专业身份（TPI）形成之间的正相关。
H10 教学信念中介自我效能感与职前教师教学专业身份（TPI）形成之间的正相关。
H11 自我效能感和教学信念顺序中介社会支持与职前教师教学专业身份（TPI）形成之间的正相关。

2.4 概念框架
基于关于教学专业身份（TPI）形成的先前文献，本研究提出了一个综合模型（图1）。来自家庭、导师和同伴的支持是职前专业人士专业发展的关键环境因素（Yim & Mercer, 2025; Zimet et al., 1988）。人工智能支持作为可转换的技术资本，适用于家庭、大学、实习和在线领域，影响信念的有效性和对专业的自我理解（Aldraiweesh & Alturki, 2025）。先前的文献支持来自家庭和同伴以及重要他人的支持对情绪健康、专业信心和专业投入的有效性（Gholami et al., 2021）。当前模型提出了两个内在中介因素来影响教学专业身份（TPI）的形成。自我效能感是指教师执行教学任务的信心，预测参与度和认知解释（Chen et al., 2021）。教学信念代表了教师对教学、学习和学习者的看法，并为理解教师在课堂中的角色提供了框架（Berger & Lê Van, 2019）。在本研究中，假设社会支持会对自我效能感和教学信念产生顺序效应，从而导致教学专业身份（TPI）的形成。

3. 方法
3.1 研究设计
本研究采用了定量横断面设计，以评估社会支持通过自我效能感和教学信念预测职前幼儿园教师教学专业身份（TPI）形成的顺序中介模型。研究使用了结构化问卷来收集数据，这些问卷包含先前已被证明有效的量表，针对具有理论和实践经验的最后一年的职前教育工作者。为了评估直接和间接的预测效应，使用了基于方差的偏最小二乘-结构方程建模（PLS-SEM）。分析使用SmartPLS 4.0.9.2和5000次自助法迭代进行。这种方法论框架提供了检查专业身份形成过程中涉及的心理过程的强大手段。

3.2 参与者和数据收集
3.2.1 参与者
实证数据来自中国河北省的一组本科院校，这些院校都设有学前教育项目。这个群体代表了中国人群中的广泛人口统计变量（表1）。为了确保分析的严谨性，最初根据学术和社会技术变量进行了目的性抽样（Campbell et al., 2020）。这包括：(a) 完成为期六个月的幼儿园教育监督实习课程，(b) 有资格参加国家教师资格考试，(c) 在教学实习活动中使用生成式人工智能平台，这是教育技术必修模块的一部分。这些严格的先决条件保证了这些看法是基于丰富的社会技术经验而非猜测。通过关注职业入门阶段的特定人口群体，定义了一个适合分析的队列来探索身份形成。此外，使用了分层目的性抽样策略以确保男性参与者的统计功效足够。通过针对教师教育项目中的男性职前教师，获得了较大的样本量，以便进行结构方程建模（SEM）。这一人口群体在幼儿教育领域经常被低估。因此，观察到的性别分布应被视为方法论决策，而不是参与机构中的自然现象。
表1. 受访者特征（N = 1553）
特征 组别 百分比
性别 女性 80 25 16.0%
男性 75 148 84.0%
兄弟姐妹数量 0 30 19.4 25
1 50 93 28.2%
家庭所在地 城市 59 43 82.2%
农村 95 96 18.8%
专业 幼儿教育 155 3 100%
学习年份 高年级 155 3 100%
国家教师资格考试（NTCE） 是 131 18 44.4%
否 24 2 15.6%
教学实习经验 是 155 3 100%
考虑到抽样标准的规定，通过机构行政渠道系统地向1850名高级职前教师发送了调查邀请。这导致了1553份有效的调查回复，有效调查回复率为83.9%。值得注意的是，在数据收集时，84.4%的最终样本已经获得了NTCE证书，这证实了他们的准备程度较高。

3.2.2 数据收集
数据收集工具使用了标准化问卷，结合了以下现有数据量表：感知的社会支持（Aldraiweesh & Alturki, 2025; Zimet et al., 1988）、自我效能感（Tschannen-Moran & Hoy, 2001）、教学信念（Berger & Lê Van, 2019）和教学专业身份（TPI）（Zhang et al., 2016）。问卷还包括一个额外部分，用于收集人口统计数据，包括性别、兄弟姐妹数量、家庭所在地以及是否持有证书。问卷中的五个主要量表每个都配有一个五点李克特量表，范围从1（表示“强烈不同意”）到5（表示“强烈同意”）。参与者在研究开始前通过电子方式表示同意，该研究已获得伦理委员会的全面批准。3.3. 仪器 英语版本的仪器经过了彻底的翻译和回译，以确保跨文化语义的可比性（Brislin, 1970）。两名双语专家进行了翻译，一名盲审语言学家进行了回译。为了确保概念上的相似性，一个专家团队检查了所有的语义差异。此外，心理评估还确保了表面有效性（Allen et al., 2023）。一组幼儿教育专家和一组预备教师样本在回译后检查了所有仪器，以确认其可读性、情境适用性以及对目标人群的高度相关性。3.3.1. 社会支持 社会支持的测量是通过一个包含15个项目的综合量表来进行的。该综合量表基于多维感知社会支持量表（MSPSS）（Zimet et al., 1988），该量表包含三个子量表，每个子量表包含四个项目，用于测量来自家庭、朋友和重要他人的支持。为了适应数字维度并使量表与当代教师培训相关，根据技术接受量表（Aldraiweesh & Alturki, 2025）添加了三个关于人工智能支持的项目。综合量表显示出良好的内部一致性，Cronbach's alpha系数支持这一点：家庭支持为0.900，朋友为0.886，重要他人为0.889，人工智能支持为0.858。从理论上讲，将人类支持和人工智能支持整合在一个总体框架下得到了计算机作为社会行为者（CASA）理论（Nass et al., 1994）以及当代社会技术系统理论（Gambino et al., 2020）的支持。由于人类自然地将交互式技术视为合法的社会行为者，因此人工智能支持的平台必然扩展了人类社会网络的支持框架。因此，在一个整体框架中考察支持是生态学上有效的，因为单独分析每个维度会人为地将预备教师的数字支持体验分隔开来，而实际上他们将人类支持和人工智能支持自然地结合起来以促进专业成长。为了防止统计估计过程中的构念污染，人工智能支持被谨慎地作为一个独立的潜在子构念来操作。基于已建立的社会技术系统理论，这些补充项目经过了严格的专家内容有效性评估。随后的探索性和验证性因子分析，以及严格的一致性和区分性有效性评估，在应用结构模型之前实证支持了新测量的结构独立性。3.3.2. 自我效能 为了测量自我效能，使用了Tschannen-Moran和Hoy（2001）创建的教师效能感量表（TSES）。该量表包括12个项目，测量三个不同的构念：教学策略、学生参与度和课堂管理。该量表显示出较高的内部可靠性，子量表的alpha值分别为0.860、0.868和0.865。3.3.3. 教学信念 教学信念的测量使用了基于Berger和Lê Van（2019）研究的四项目量表。该工具有两个教学信念维度，即建构主义信念和直接传递信念。每个构念有两个项目。可靠性通过Cronbach's alpha系数得到维持，建构主义信念为0.833，直接传递信念为0.859。3.3.4. 教师专业身份（TPI）TPI是通过Zhang等人（2016）开发的职业身份量表来测量的。该量表在中国教育系统中显示出良好的有效性。它有15个项目，测量三个主要构念：内在价值身份、外在价值身份和自愿行为身份。内部一致性非常高，Cronbach's alpha值为0.919、0.877和0.863。3.4. 数据分析 使用SPSS 26.0软件进行了初步数据筛选、描述性统计和相关性分析。所有李克特类型的项目都被视为区间数据进行分析。使用偏度、峰度和马氏距离度量来检查数据集的正态性和潜在异常值。还进行了共同方法偏差（CMB）分析作为诊断检查。在运行结构模型分析之前进行的Harman单因素测试显示，第一个未旋转的主成分仅解释了数据集总方差的39.6%，远低于表明潜在CMB的50%阈值（Podsakoff et al., 2003）。这种诊断检查进一步通过结构模型分析中的完全共线性诊断得到了验证；内部模型的所有方差膨胀因子（VIF）都远低于3.3的阈值（Kock, 2015）。结构模型分析使用了基于方差的部分最小二乘结构方程建模（PLS-SEM）方法，而不是基于协方差的结构方程建模（CB-SEM）。做出这一方法选择有几个关键原因。首先，虽然CB-SEM更适合理论验证研究，但PLS-SEM更适合希望预测新兴教育技术框架中关键因素的探索性研究（Li et al., 2024）。其次，PLS-SEM在处理包含多个潜变量和链式顺序中介效应的复杂结构方程模型方面表现更好（Hair et al., 2021）。也许对于这项研究更重要的是，PLS-SEM允许在放宽多变量正态性假设的同时，最大化解释内生变量的方差，从而使该算法在调查分析中更加稳健（Wang, Wijaya et al., 2022）。最后，PLS-SEM以其处理较小样本的能力而闻名，但在大型数据集（N = 1553）上也表现良好，特别是在评估没有CB-SEM分布限制的复杂预测模型时。标准的PLS算法用于计算路径系数、决定系数和预测有效性度量。使用5000次重抽样的偏差校正自助法来确定人工智能支持、TPI、自我效能和教学信念之间所有直接和顺序中介效应的统计显著性。为了建立稳健的跨组可比性，使用了测量模型不变性（MICOM）程序来确认性别子组之间的组合不变性，所有原始相关c值都超过了5%的分位数阈值，主要是1.000（Henseler et al., 2015）。还估计了一个完全中介的替代模型，比较指标确认部分中介模型比替代模型更适合解释和预测TPI的目标构念（R2 = 0.461 vs. 0.427；Q2predict = 0.334 vs. 0.316；RMSE = 0.817 vs. 0.828），从而巩固了实证发现的结构有效性（Hair et al., 2021）。3.4.1. 测量模型的可靠性和有效性 通过部分最小二乘（PLS）估计评估了测量模型的可靠性和构念有效性。所有项目的标准化因子载荷范围从0.787到0.936，超过了最低要求0.70。综合可靠性范围从0.905到0.935，而平均方差提取（AVE）范围从0.671到0.876。这表明所有子量表都具有出色的内部一致性和构念有效性。同样，基于Fornell-Lacker标准，区分有效性也得到了支持。如表2所示，所有测量工具都具有出色的可靠性和有效性。表2. 验证性因子分析的结果。变量项目载荷VIFCronbach's alphaAVECR社会支持SS10.9033.0120.9000.7700.930SS20.8732.488SS30.8682.397SS40.8652.387SS50.8642.3060.8860.7460.921SS60.8612.274SS70.8652.327SS80.8642.290SS90.8652.3470.8890.7510.923SS100.8672.325SS110.8652.341SS120.8682.360SS130.8862.1730.8580.7780.913SS140.8772.106SS150.8842.165自我效能SE10.8572.1520.8600.7040.905SE20.8251.896SE30.8422.015SE40.8311.932SE50.8402.0310.8680.7170.910SE60.8372.003SE70.8672.259SE80.8432.057SE90.8371.9790.8650.7120.908SE100.8482.075SE110.8482.089SE120.8422.041教学信念PB10.9282.0350.8330.8570.923PB20.9232.035PB30.9362.3080.8590.8760.934PB40.9362.308教师专业身份TPI10.8592.7760.9190.6740.935TPI20.8823.183TPI30.7872.039TPI40.8052.195TPI50.8032.164TPI60.8092.203TPI70.7972.101TPI80.8272.0790.8770.6710.911TPI90.8222.015TPI100.8212.028TPI110.8101.928TPI120.8151.999TPI130.8982.3570.8630.7850.916TPI140.8872.220TPI150.8732.097注：SS=社会支持，SE = 自我效能，PB=教学信念，TPI = 教师专业身份。3.4.2. 结构模型评估 为了评估所提出的顺序中介模型，使用PLS-SEM和SmartPLS 4.0.9.2软件进行了基于方差的SEM分析。在分析中，针对四个主要预测效应：社会支持与TPI形成的直接关系、自我效能作为中介的作用、教学信念作为中介的作用，以及社会支持通过自我效能和教学信念的顺序内化在TPI形成中的中介作用。使用5000次重抽样的非参数偏差校正自助法来确定所有考虑的结构效应的统计显著性。这种方法有助于严格评估单一和顺序中介效应，提供了关于外部社会技术支持与认知资源与专业成熟度之间关联的洞察性发现（Hair et al., 2021）。3.4.3. 模型拟合 为了评估模型拟合度，应用了标准化均方根残差（SRMR），这是PLS-SEM方法中最重要的和最可靠的模型拟合度度量（Henseler et al., 2015）。评估结果显示，饱和模型的SRMR为0.029，估计模型的SRMR为0.053，两者都显著低于0.080的临界值，反映了整体模型拟合度的优秀水平。此外，精确拟合的差异指标，特别是平方欧几里得距离（d_ULS），分别为1.047（饱和）和3.544（估计），都在复杂结构模型的可接受阈值范围内（Henseler et al., 2015）。总体而言，上述指标表明所提出的顺序中介模型在社会支持、自我效能、教学信念和TPI之间的相互关系方面具有稳健性和数学适用性。4. 结果 4.1. 相关性分析 表3显示了所提出结构模型的描述性统计和变量之间的相关性。结果显示，所有主要变量之间都有很强的正相关性。首先，社会支持与自我效能（r = 0.632, p < .01）、教学信念（r = 0.626, p < .01）和TPI（r = 0.579, p < .01）有很强的正相关性。此外，自我效能也与教学信念（r = 0.694, p < .01）和TPI（r = 0.571, p < .01）有很强的正相关性。教学信念也与TPI（r = 0.625, p < .01）有很强的正相关性。这项研究的初步发现支持了潜在构念之间的相互关联性，并为研究提出的结构关系提供了坚实的基础。表3. 变量描述性统计与相关性（N = 1553）。变量MSD1234社会支持61.2011.421自我效能42.597.190.632??1教学信念15.623.090.626??0.694??1教师专业身份55.299.770.579??0.571??0.625??1注。??p < .01（双尾）。4.2. 假设检验（直接路径） 本节提供了所提出路径的实证验证。严格遵循上述理论框架，测试了直接预测路径（H1, H2, H3, H4, H5, H6）。H1：社会支持与预备教师的TPI形成呈正相关。H2：社会支持与预备教师的自我效能呈正相关。H3：自我效能与预备教师的TPI形成呈正相关。H4：自我效能与预备教师的教学信念呈正相关。H5：社会支持与预备教师的教学信念呈正相关。H6：教学信念与预备教师的TPI形成呈正相关。如表4所示，结构模型分析确认所有直接路径都是正向且统计显著的。社会支持显著预测了自我效能（H2: β = 0.632, t = 42.370, p < .001）和教学信念（H5: β = 0.312, t = 13.372, p < .001），同时显示了与TPI形成的显著直接预测关系（H1: β = 0.253, t = 9.148, p < .001）。这两个研究假设通过自我效能展示了双重预测能力，预测了TPI的发展（H3: β = 0.169, t = 5.860, p < .001）和教学信念（H4: β = 0.497, t = 24.082, p < .001）。研究表明，教学信念建立了主要联系，预测了TPI的发展（H6: β = 0.349, t = 12.465, p < .001）。研究证据完全证实了H1、H2、H3、H4、H5、H6中的所有基线假设。表4. 结构路径分析的结果。假设的关系路径系数（β）标准差t值P值H1社会支持 -> 教师专业身份0.2530.0289.148p < .001支持H2社会支持 -> 自我效能0.6320.01542.370p < .001支持H3自我效能 -> 教师专业身份0.1690.0295.860p < .001支持H4自我效能 -> 教学信念0.4970.02124.082p < .001支持H5社会支持 -> 教学信念0.3120.02313.372p < .001支持H6教学信念 -> 教师专业身份0.3490.02812.465p < .001支持4.3. 中介效应分析（间接路径） 本节介绍了关于假设中介机制（H7, H8, H9, H10, H11）的实证发现。H7：自我效能中介了社会支持与预备教师教学信念之间的正相关。H8：自我效能中介了社会支持与预备教师TPI形成之间的正相关。H9：教学信念中介了社会支持与预备教师TPI形成之间的正相关。H10：教学信念中介了自我效能与预备教师TPI形成之间的正相关。H11：自我效能和教学信念顺序中介了社会支持与预备教师TPI形成之间的正相关。社会支持对TPI形成的总间接预测效应达到0.325，其95%的偏差校正置信区间为[0.288, 0.363]，证明了两个变量之间的中介关系既显著又在统计上得到证实。本研究中测试的所有特定间接路径都显示了积极结果，因为它们在p < .001时保持了统计显著性，置信区间严格排除了零，如表5所示。表5。结构模型中的中介效应。假设的关系

原始样本（O）
样本均值（M）
标准差（STDEV）
t值
偏差
校正偏差后的97.5%置信区间

H7
社会支持 -> 自我效能 -> 教学信念
0.314
0.314
0.0162
0.090
0.284
0.345

H8
社会支持 -> 自我效能 -> 教师职业认同
0.107
0.107
0.0185.802
0.071
0.144

H9
社会支持 -> 教学信念 -> 教师职业认同
0.109
0.109
0.0129.029
0.087
0.134

H10
自我效能 -> 教学信念 -> 教师职业认同
0.173
0.173
0.0161
0.882
0.143
0.205

H11
社会支持 -> 自我效能 -> 教学信念 -> 教师职业认同
0.109
0.109
0.0111
0.336
0.090
0.131

总间接效应
社会支持 -> 教师职业认同
0.325
0.325
0.0191
6.895
0.288
0.363

具体来说，社会支持与教学信念之间存在强烈的预测关系，因为自我效能在这两个变量之间起到了中介作用（β = 0.314，t = 20.090，95%置信区间 [0.284, 0.345]），这证实了H7。社会支持通过自我效能的中介作用对教师职业认同（TPI）的形成有积极影响（β = 0.107，t = 5.802，95%置信区间 [0.071, 0.144]），这证实了H8。社会支持与TPI形成的关系是通过教学信念作为中介的间接路径实现的（β = 0.109，t = 9.029，95%置信区间 [0.087, 0.134]），这证实了H9。自我效能通过教学信念的中介作用对TPI的形成有显著的间接影响（β = 0.173，t = 10.882，95%置信区间 [0.143, 0.205]），这证实了H10。社会支持对TPI形成的关系展示了有效的顺序中介过程，其中自我效能和教学信念都起到了中介作用（β = 0.109，t = 10.336，95%置信区间 [0.090, 0.131]），这证实了H11。实证证据表明，外部社会技术支持与TPI的巩固之间存在直接关系，这种关系是通过自我效能和教学信念的内部发展实现的，这证实了所提出的认知路径。

标准化路径系数显示了图2中社会支持、自我效能和教学信念如何预测TPI的形成。从社会支持到TPI的直接路径具有显著性（β = 0.253，p < 0.001），表明存在稳健的预测关系。从社会支持到自我效能的路径（β = 0.632，p < 0.001）以及从自我效能到TPI的路径（β = 0.169，p < 0.001）也显示出显著结果，这验证了自我效能作为中介因素的作用。社会支持系统预测了教学信念（β = 0.312，p < 0.001），进而预测了TPI的巩固（β = 0.349，p < 0.001），这表明教学信念起到了中介作用。连接社会支持与自我效能（β = 0.632，p < 0.001）以及自我效能与教学信念（β = 0.497，p < 0.001）和教学信念与TPI（β = 0.349，p < 0.001）的路径都显示出统计显著性，这证明了顺序中介的存在。研究结果通过强有力的实证证据证实了所有11个假设。

下载：下载高分辨率图片（397KB）
下载：下载全尺寸图片

图2. 社会支持与TPI之间关系的中介模型

5. 讨论
本研究显示，人工智能支持的社会支持与预备幼儿园教师的TPI巩固之间存在直接关系。此外，通过自我效能和教学信念的机制，这种支持形式与从学术准备到专业实践的关键过渡期间外部社会技术因素和内部认知因素的整合呈正相关。从布尔迪厄的场论视角来看，身份的构建是一个涉及家庭、高等教育、实习场所和数字平台的多领域现象，每个领域都有其独特的认知框架和资本形式。

5.1 社会支持与TPI
本研究证实，社会支持是预备教师TPI的重要预测因素，这与先前的研究结果一致（Zhao等人，2023年）。来自父母、教育工作者和同行的情感支持、信息支持和工具性支持不仅增强了情感参与度和职业承诺（Li & Khairani，2025年），还培养了内化TPI所需的专业规范和价值观所需的情感韧性（Yim & Mercer，2025年）。从场论的角度来看，支持取决于家庭、大学、实习场所和在线平台等重叠领域内的位置，每个领域都有其特定的认知框架和资本结构。在这些配置中，人工智能支持的社会技术支持作为一种可转换的技术资本，显著增强了传统形式的支持（Daza等人，2024年）。父母和教育工作者的支持不仅提供了认可，还提供了对职业要求、期望和能力的更深入理解（Kwok等人，2022年）。父母的鼓励和家庭学术资源促进了好奇心和长期发展的稳定基础，支持了早期身份构建中的认知清晰度和职业连贯性（Weatherby-Fell等人，2019年）。在这种配置中，人工智能导师、个性化的知识检索和课程脚本工具提供了跨领域的支架，加深了对角色要求的理解，减少了认知负担，并将家庭学习与大学和实习的期望联系起来，这些都在每个领域的评估标准中得到了体现（Zhai & Nezakatgoo，2025年）。当学术指导和职业导向的反馈与领域特定的专业知识对齐时，它们不仅阐明了教学的社会和伦理维度（Zhao等人，2023年），还显著增强了预备教师执行专业职责的信心（Garcia，2025年）。人工智能支持的微教学和课堂话语分析，以及模拟环境，支持了快速的规划、实施和反馈循环（Alwaqdani，2025年；Lan，2024年）。重复且可识别的掌握经验在大学和实习领域积累了象征性资本，并加强了支持转化为效能信念的过程，这些信念是TPI的基础（Cole & Duffy，2024年）。相反，社会支持的缺乏，特别是在就业市场不确定或制度压力下，可能会削弱自我效能和动机（Wiltshire，2024年）。建设性的社会强化，加上有针对性的情感和学术支持，可以有效缓解焦虑，减轻感知到的不足，从而在外部制度或市场压力下保持坚持（Flores，2020年）。这种动态强调了社会环境在增强自我认知、职业乐观主义和TPI方面的作用。同时，不均衡的基础设施、受限的数据访问或狭窄的评估标准可能会优先考虑主导的认知框架，并再现领域特定的不平等（Ma & Lei，2024年）。因此，需要机构层面的保障措施，以确保公平访问、数据治理、透明度和人类监督，从而使人工智能支持补充而非替代专业判断（Alwaqdani，2025年；Kayaalp等人，2025年）。然而，这种多层次和生态系统复杂性需要明确理论的边界条件。虽然实证证据表明社会技术支持与职业认同之间存在顺序中介过程，但资本转换过程并非完全独立于宏观环境。基于多层次技术支持框架（Fadillah等人，2026年），关键的情境变量可能会调节资本转换机制。具体来说，人工智能采用和基础设施系统的差异可能会显著增强或阻碍人工智能支架的有效性（Liu等人，2025年）。最终，培养一个有韧性的职业身份需要教育机构协调一个连贯的跨领域生态系统，将人类指导与人工智能支持相结合。这种关系和技术资本的系统性整合确保了社会支持有效地巩固了效能，并促进了可持续的TPI发展（Mikeladze等人，2024年）。

5.2 自我效能作为中介
实证结果表明，人类支持的人工智能支持与预备教师的自我效能高度正相关（Chen, He, & Yang，2023年）。此外，综合的社会技术支持与更高水平的自我效能正相关，而自我效能又与进步的教学信念正相关（Li & Khairani，2025年）。尽管当前的横断面数据仅证实这些结构在结构模型中高度相关且具有顺序预测性（Kline，2023年），但本研究从理论上推断，这一路径反映了与我们场论框架一致的深刻资本转换过程。根据社会身份理论，自我效能描述了人们能够成功执行专业活动的信念，使他们能够将外部支持转化为内在的专业信心（Narayanan等人，2023年；Hui等人，2025年）。布尔迪厄的场论框架为这一巩固过程提供了额外的理解。这种支持过程通过家庭、大学实习和在线环境进行，当它通过当地认知框架得到验证时，就变成了文化社会和象征资本（Chen & Gu，2025年；Zeng & Liu，2024年）。实证上，多来源的更强支持通过系统地评估关键的自我效能来源，预测了更稳健的TPI（Kassis等人，2019年）。家庭成员、导师和同龄人提供了关键的情感支持和认知支持，帮助人们在涉及怀疑和最低工作信心的第一身份发展阶段保持正确的角色评估（Hui等人，2025年）。人工智能支持的模拟和课程交付的形成性分析以及结构化的知识检索算法通过加速直接学习和间接学习过程，创造了更好的学习机会（Zeng & Liu，2024年；Zhang等人，2024年）。这些数字工具显著提高了社会说服方法的有效性，这对于创造效能至关重要（Kohnke等人，2025年）。这些结果证实，人工智能支持作为一种强大的技术资本，显著重构了预备教师的专业习惯（Aldraiweesh & Alturki，2025年）。与仅来自人类网络的传统社会资本不同，这种技术资本提供了即时、适应性的反馈，加速了教学能力的内化（Wijaya等人，2025年）。通过证明这种资本转换严格通过自我效能中介（Li等人，2024年），当前的研究成果将场论从一个描述性框架提升为一个强大的解释引擎，用于理解数字中介环境中的身份形成。具有高自我效能的预备教师在学术挑战中表现出更好的韧性，因为他们使用深度反思学习和主动教学方法来发展统一的教学绩效指标系统（Buri? & Kim，2020年）。中介过程根据中国的社会系统运作，因为在这种背景下，专业信心的发展需要人们与其主要的社会联系人合作。社会支持是预备教师维持自我价值的重要方式，通过这种方式他们发展了对未来潜力的信念（Tan等人，2021年）。当教育机构使用人工智能生成的性能指标时，这种适应性专长的发展变得可以理解，因为这些指标在多个领域创造了价值，但其好处取决于可访问的数字资源和有效的人类管理（Huang & Wang，2024年；Kohnke等人，2025年）。因此，通过将协作性同伴反思与人工智能支持的分析驱动的辅导相结合，教师培训计划可以构建一个整体的社会技术生态系统。这种策略有效地将外部支架转化为稳健的自我效能，从而维持了一个有韧性和适应性的职业身份（Kohnke等人，2025年）。

5.3 教学信念作为中介
教学信念作为关键中介，将社会支持与TPI的发展联系起来（Chen, He, & Yang，2023年；Li，2022年）。社会支持增强了这些信念，因为它帮助预备教师建立他们的专业信心，同时他们的基本教育价值观得到了适当的认可。教师和学生通过他们对教学和学习应如何发生的根本信念发展了他们的基本心理框架（Gracia等人，2021年；Hui等人，2025年）。布尔迪厄的场论框架展示了人们如何通过家庭、大学实习和数字环境发展他们的信念。这些领域的教育系统使用不同的认知框架和资本结构来决定哪些教学范式是合法的，以及它们随后如何作为公认的专业立场得以实施（Chen, Ji, & Jiang，2023年）。TPI的巩固通过内部公司信念与实际实施以及既定的制度标准和全球社会环境之间的复杂互动发生（Vidovi? & Domovi?，2019年）。教学信念是决定预备教师如何在教育变革时期体验情境影响并塑造其职业发展的主要因素（Beijaard等人，2023年；Li & Khairani，2025年）。认知框架的发展过程通过三个主要组成部分进行持续转变，包括批判性反思和有针对性的反馈以及导师支架，现在得到了人工智能支持工具的支持（Kohnke等人，2025年）。关于课堂话语和微教学模拟的形成性分析可以揭示隐性的教学假设，并提出替代的课程设计（U?ra?等人，2025年）。大学和实习的评估标准将算法输出视为技术和象征资本，教育工作者可以将其转化为发展专业信念的稳定资源（Aldraiweesh & Alturki，2025年）。高度支持性的环境产生了与预备教师职业目标相匹配的更强信念系统（Li & Khairani，2025年）。家庭成员、同龄人和指导者进行了重要的讨论，这些讨论促进了关于不同教学方法的深入思考，帮助预备教师建立他们的职业身份并保持对工作的投入（Aykac等人，2017年；Li，2022年）。使用人工智能进行教学案例创建和以学习者为中心的形成性反馈开发使教师能够探索更多的教学方法，同时减少了他们同时比较不同方法的需要（Kohnke等人，2025年）。由于特定领域的观念偏好狭窄的绩效标准，深层风险依然存在。算法对“高分数”教学模式的推广威胁到教学实践的同质化，并抑制了合法的教学多样性（Wijaya等人，2024年）。创建公平的获取途径需要透明的算法标准，并需要持续的人类监督，以确保基于AI的支持系统能够在所有基本学习情境中促进信念的发展（Wijaya等人，2024年）。因此，教师教育项目应建立全面的指导系统，将人类指导与基于AI的评估相结合，以保护教学多样性。这种整体整合巩固了基本的教育信念，作为将外部社会支持转化为强大专业身份的关键认知路径（Wang、Zhu等人，2022年）。

5.4 自我效能感和教学信念的顺序中介效应
实证证据强烈表明，通过社会支持可以增加TPI的形成，因为社会支持首先提高了自我效能感，进而促进了先进教学方法的发展（Chen等人，2021年）。多源支持系统提供了情感认同、有针对性的鼓励和信息指导，帮助教学专业人员增强他们的教学能力。这一过程通过主要身份人物提供的验证身份信号建立了早期的身份发展（Yang等人，2024年；Yim & Mercer，2025年）。自我效能感的提升带来了两个结果：它使人们能够学习基本的教学方法，同时更好地理解教学材料，并建立对有效教学的理解，这有助于他们在从学术研究过渡到实践经验的过程中保持专业身份（Hui等人，2025年）。这种顺序的心理转化过程可以通过布尔迪厄的场论方法更好地解释（Chen等人，2021年）。预测路径的有效性取决于社会技术资源如何通过家庭、大学、实习和数字环境进行分配，以及当地评估系统对这些资源的认可（Chen、He & Yang，2023年；Chen、Ji & Jiang，2023年）。基于AI的社会技术支持系统作为双重宝贵资源，组织可以通过其输出在不同领域之间转移，教育机构将其视为学习成就的有效证明和机构评估基准（Kohnke等人，2025年）。基于AI的反馈与虚拟模拟以及动态知识管理系统的结合为职前教师提供了从大学学术学习到实际教学情境的更便捷路径，促进了他们基本效能的发展（Aldraiweesh & Alturki，2025年）。

职前教师对社会认可的反应更为强烈，因为他们缺乏实际工作经验，当他们的工作受到负面外部评价时，会感到专业上的无能（Hui等人，2025年）。这些新教师的自我效能感将发展成为先进的建构主义教学方法，创造出以学生为中心的学习环境，这与内在动机和职业奉献精神相联系（Berger & Lê Van，2019年）。内化过程的顺序导致了对积极角色理解的强烈发展，增加了课堂参与度，并促进了持续的学术和专业身份发展（Chen、He & Yang，2023年；Chen、Ji & Jiang，2023年）。人类认可与基于AI的证据的结合为在集体主义导向社会中工作的专业人士提供了更高的身份发展和更便捷的过渡路径，因为在这样的社会中，关键人物和组织的公开认可具有重要意义（Tan等人，2021年）。这个系统的完整顺序过程之所以能够运作，是因为制度环境建立了既支持又限制其功能的动态条件。提供广泛支持的协作文化使职前教师能够在教学培训的挑战性时期保持专业满意度（Hui等人，2025年）。因此，为了防止教学多样性被算法标准化，教育机构必须实施严格的伦理准则，并在人类学习社区中整合受保护的数据分析（Wijaya等人，2024年）。这一经过伦理验证的社会技术框架确保了顺序中介过程成功地形成了强大且个性化的专业身份。

6. 结论
研究表明，社会支持作为综合力量，决定了职前幼儿园教师如何发展他们的专业身份。研究结果创建了一个强有力的顺序框架，表明多源支持首先提高了自我效能感，然后这种提升导致了先进教学方法的发展，最终在从学术研究到培训的关键过渡期间建立了专业身份。该机制显示了外部社会技术支持系统与内部心理框架之间的持续互动，这证明了积极培养效能感的教育环境的重要性，并使教学立场明确化。结果提供了一个基于证据的框架，用于阐明宏观结构背景与微观心理过程之间的联系。社会支持的构建得到了扩展，包括基于AI的社会技术支持系统，为家庭单位、教育机构、实践环境和虚拟学习环境提供混合形式的支持。制定正式认可项目输入的项目标准将使教育机构能够将外部支持形式转化为真实的掌握学习体验，帮助发展不适用于标准化教学方法的综合信念框架。教育机构应实施贯穿整个大学设施和实践环境的指导计划。在教育机构正式认可多样化的教学方法后，应实施基于分析的辅导和微教学模拟，以帮助专业人士进行全面的专业发展。最终，有效的教育支持形式使教师能够对自己的教学能力充满信心，同时保持基本的教学信念，并塑造他们的长期专业发展。这种战略对齐为教育机构提供了一种有效且可持续的方法，以培养幼儿园职前教师的TPI和能力，使他们能够成功应对当代教育系统。

7. 局限性
本研究也存在某些局限性，指出了进一步研究的方向。使用横断面设计限制了做出明确因果关系的能力（Kline，2023年）。尽管本研究显示了明确的预测关系，但需要进一步的纵向研究来验证所提出的资本转化过程模型。此外，仅通过包含两个项目的子量表来测量教学信念，虽然减少了受访者的认知负担，但限制了结构的稳健性，并要求谨慎解释。因此，未来的研究必须使用扩展的、完全验证的量表来可靠地捕捉这种多维度性。其次，尽管该项目涵盖了广泛的本科幼儿园教育机构，但它仅基于河北省这一地理区域，这限制了研究的普遍性。此外，尽管这项研究主要基于毕业班级，但它略微偏离了全国女性学生的平均水平。未来的研究应在不同经验水平上进行分层抽样。第三，特定的文化环境不可避免地对全球普遍性产生内在限制。在集体主义和等级制度价值观占主导地位的教育系统中，内化社会技术支持的过程可能与高度个人主义文化中的不同。由于文化因素对教学信念的验证和专业身份的形成有重大影响，因此需要进行跨文化研究，以系统地评估通过AI实现的资本转化机制。最后，尽管研究模型基于多个变量，但也应注意其他变量（如指导质量、实习深度和机构文化）可能在专业身份的形成中发挥关键作用。因此，未来的研究应使用更包容的社会技术路径框架。

8. 含义
8.1 理论意义
本研究通过根本扩展社会学场论的概念边界，推进了对TPI形成的理论理解。虽然传统的身份范式主要将社会支持限制在人际互动中，而传统的技术接受模型将数字工具视为单纯的实用工具，但本研究开创了一种整合的生态学方法。它将基于AI的支持概念化为一种强大的可转换技术资本，这种资本无缝渗透到家庭、大学、实习和数字领域。此外，该研究通过揭示连接外部环境支持和内部身份巩固的复杂内在机制，显著推进了身份发展理论。通过验证一个复杂的顺序中介模型，研究表明，综合的社会技术支持最初培养了自我效能感，随后精炼了基本的教学信念，最终催化了强大的TPI。这一过程驱动的解释将孤立的心理变量转化为一个连贯的理论引擎，证明身份是一个动态协商的认知构建，而不是静态的结果。最后，未来的研究可以关注这些机制在中国集体主义原则下的表现，展示来自多个领域的社会认可如何塑造专业习惯和长期职业承诺。

8.2 政策和实践意义
在行政层面，教育政策制定者必须从非正式的鼓励框架转向正式认可的、课程整合的提供方式。这种转变需要强制要求人类指导、家长参与和同伴协作反思之间的结构化协同作用。在操作层面，教师培训计划应实施结合人类指导和算法支持的共同指导系统。通过投资于基于分析的辅导和微教学模拟，大学可以为职前幼儿园教师提供高度精确、可操作的反馈。这种战略整合显著增强了他们的自我效能感，并弥合了理论课程与教学实践之间的差距。从治理角度来看，为了防止教学多样性被算法同质化，机构治理委员会必须实施严格的透明度协议和伦理准则。持续的评估机制对于随时间监控资本转化至关重要，以防止过度依赖技术和抑制教学创新等不利后果。最终，通过在充满活力的学习社区中制度化受伦理保护的数据分析，教育系统可以构建一个可持续的跨领域生态系统，使早期儿童教育工作者具备适应性、自信和高度韧性。

CRediT作者贡献声明
Yan Li：撰写——原始草稿、可视化、验证、监督、软件、资源、项目管理、方法论、正式分析、数据管理、概念化。
Ahmad Zamri Khairani：撰写——审阅与编辑。

同意参与
在调查开始之前，已从所有参与研究的个人那里获得了数字形式的知情同意。所有参与都是完全自愿且匿名的。

伦理声明
所有涉及人类参与者的程序均按照《赫尔辛基宣言》的伦理标准进行。该研究方案获得了沧州师范大学的全面机构伦理批准。

关于写作过程中生成式AI和AI辅助技术的声明
生成式AI未被用于内容生成或起草。工具仅用于语言润色。所有概念框架、数据分析和手稿合成都是原创的。

资金声明
本研究未获得任何公共、商业或慈善部门的特定资助。