《Multimodal Technologies and Interaction》：The Pedagogical Transfer Chain in the DigCompEdu Framework from a Teacher-Reported Perspective: A Predictive Analysis Using PLS-SEM and ANN
编辑推荐：
在线教育的稳步发展并未自动转化为教育质量的提升。教师培训通常仍侧重于数字工具的技术使用，而教师报告的支持学生数字能力（digital competence）的教学过程仍未被充分理解。本研究的目标是，以DigCompEdu框架为参考，考察教师数字能力的序列性和预
在线教育的稳步发展并未自动转化为教育质量的提升。教师培训通常仍侧重于数字工具的技术使用，而教师报告的支持学生数字能力（digital competence）的教学过程仍未被充分理解。本研究的目标是，以DigCompEdu框架为参考，考察教师数字能力的序列性和预测性结构。研究人员开展了一项定量横截面研究，样本为136名参与在线教育的大学教师。数据通过基于DigCompEdu的自报告问卷收集，并分两个阶段分析：偏最小二乘结构方程模型（PLS-SEM）和人工神经网络（ANNs）。PLS-SEM结果表明，教师报告构念之间存在一种序列关联模式：专业承诺（Professional Commitment, PC）与数字资源管理（Digital Resource Management, DR）正相关，而DR又与数字教学法（Digital Pedagogy, DP）及评价与反馈（Assessment and Feedback, AF）正相关。这些维度与学生赋能（Student Empowerment, SE）相关，而SE与教师报告的有助于促进学生数字能力（Facilitating Students' Digital Competence, FS）的实践之间呈现最强正相关。ANN敏感性分析在测试阶段显示出良好的预测性能（RMSE = 0.155），并将学生赋能识别为指定模型中标准化重要性最高的预测因子。这些发现表明，在线高等教育的教师发展可能受益于超越基本数字素养和平台管理，转向教学设计、形成性评价、包容性参与和学习者自主性。然而，结果应解释为所分析样本中教师报告的促进实践的证据，而非学生实际数字能力发展的直接证据。
**论文解读：基于DigCompEdu框架的教师数字能力教学转移链——PLS-SEM与ANN的预测分析**
**研究背景与问题**
在拉丁美洲，特别是厄瓜多尔，高等教育的数字化进程加速推进，但教育质量的提升并未同步实现。尽管国际组织（如UNESCO）和欧洲框架（如DigComp 3.0与DigCompEdu）为教师数字能力提供了指导，但教师培训仍多局限于数字工具的技术性使用，忽视了教师如何通过教学设计、评价反馈和学生赋能等教学过程来支持学生数字能力发展的内在机制。现有研究多描述自评水平，缺乏对DigCompEdu各维度间结构与预测关系的实证分析。尤其是在厄瓜多尔等资源不均、培训不系统的背景下，教师数字能力的发展受限于基础设施缺失、培训项目脱节以及缺乏系统性评估。因此，研究人员提出“教学转移链”这一分析隐喻，旨在从教师报告视角，考察专业承诺、数字资源管理、数字教学法、评价与反馈、学生赋能以及促进学生数字能力这一序列关联结构，以填补该领域的证据空白。
**研究开展与结论**
研究人员以厄瓜多尔某公立大学教育学院136名参与在线教育的教师为样本，采用基于DigCompEdu的自报告问卷进行横截面数据收集。通过两阶段分析：首先使用偏最小二乘结构方程模型（PLS-SEM）检验假设关联路径，然后利用人工神经网络（ANNs）进行非线性预测与敏感性分析。结论表明，教师报告的各维度间存在显著的正向序列关联：专业承诺（PC）与数字资源管理（DR）正相关（β=0.631）；DR与数字教学法（DP）及评价与反馈（AF）正相关（β=0.704和0.638）；DP和AF与学生赋能（SE）正相关（β=0.459和0.391）；SE与促进学生数字能力（FS）呈现最强正相关（β=0.732）。ANN敏感性分析显示SE的标准化重要性最高（100%），测试阶段RMSE=0.155，表明模型具有良好的预测稳定性。该研究发表在《Multimodal Technologies and Interaction》上，其重要意义在于揭示了教师数字能力不能仅被理解为技术熟练度，而应被视为一种通过教学决策逐步传递的序列过程，为在线高等教育教师发展从工具操作转向教学设计、形成性评价、包容性参与和自主性培养提供了实证依据。
**关键技术与方法**
研究人员主要采用了以下关键技术方法：（1）**偏最小二乘结构方程模型（PLS-SEM）**，用于检验DigCompEdu各维度之间的假设关联路径，通过5000次非参数自助法评估路径系数显著性，并计算R2和效应量f2；（2）**人工神经网络（ANNs）**，采用多层感知器（MLP）架构和反向传播算法，以PLS-SEM生成的潜变量指数得分作为输入节点，通过10折交叉验证（80%训练，20%测试）评估预测性能，并利用敏感性分析计算各预测因子的标准化重要性。样本来源为厄瓜多尔一所公立大学教育学院的136名在线教育教师。研究还使用了基于DigCompEdu Check-In问卷的自报告工具，包含22个项目，采用5点李克特量表。
**研究结果**
**4.1 描述性分析与信度**
通过计算各维度均值、标准差和Cronbach's α（均≥0.85），表明问卷具有可接受至高的内部一致性，为后续分析奠定基础。
**4.2 测量模型评估**
所有指标的外部载荷均超过0.708（0.811–0.934），方差膨胀因子（VIF）低于5（最大值4.332），表明指标可靠性良好且无多重共线性问题。组合信度（ρc）均>0.85，平均方差提取量（AVE）均>0.50（最低PC为0.694），满足收敛效度；异质-单质比率（HTMT）均低于保守阈值0.85，确认六个维度间具有良好判别效度。
**4.3 假设检验（直接效应）**
通过5000次自助法检验所有假设路径，结果均为正向且统计显著。H1：PC→DR（β=0.631，f2=0.661）；H2：DR→DP（β=0.704，f2=0.985）；H3：DR→AF（β=0.638，f2=0.688）；H4：DP→SE（β=0.459，f2=0.264）；H5：AF→SE（β=0.391，f2=0.192）；H6：SE→FS（β=0.732，f2=1.155）。这些结果表明教师报告的专业承诺与数字资源管理相关，进而与教学与评价实践相关，并最终通过学生赋能与促进数字能力实践相联。
**4.4 中介效应与转移路径（间接效应）**
特定间接效应分析揭示了两条显著序列路径：PC→DR→DP→SE→FS（β=0.149，p<0.001）和PC→DR→AF→SE→FS（β=0.115，p<0.001），说明专业承诺通过数字资源、教学法或评价实践以及学生赋能，间接关联于教师报告的促进数字能力实践。
**4.5 非线性预测与敏感性分析（ANN）**
ANN模型在训练阶段RMSE=0.149，测试阶段RMSE=0.155，显示可接受的预测稳定性。敏感性分析中，学生赋能（SE）的标准化重要性最高（100%），其次是评价与反馈（55.5%）、数字资源（52.5%）和数字教学法（43.6%），而专业承诺（PC）重要性最低（2.3%）。这证实了SE在教师报告模型中的突出预测地位。
**讨论与结论**
讨论部分指出，教师数字能力应被理解为序列性、中介化的教学过程，而非孤立技术技能。专业承诺作为基础维度，驱动教师主动选择和管理数字资源；数字资源作为教学中介，其价值取决于教学设计与评价的整合；学生赋能是连接教学评价实践与促进数字能力的核心枢纽。ANN结果进一步强化了SE的关键预测作用。研究强调，这些发现基于136名教师的自报告数据，不能直接推至学生实际能力发展，且受限于社会期望偏差、横截面设计和样本规模。未来研究需纳入学生数据、课堂观察和纵向设计。
**研究结论**
本研究通过分析136名大学教师样本中基于DigCompEdu的维度间序列关联，揭示了教师数字能力并非孤立维度，而是相互关联的教师报告构念。在该样本中，学生赋能（SE）与教师报告的促进学生数字能力（FS）的实践呈现最强正相关，并在ANN分析中获得最高标准化重要性，表明赋能导向的教学实践可能与教师感知的支持学生数字能力的能力尤为相关。然而，该结果应解释为教师报告的关联，而非学生实际数字能力发展的直接证据。总体而言，在线高等教育的教师发展项目可整合数字资源管理、教学设计、形成性评价、包容性参与和自主性培养，但这些启示受情境限制，需通过纵向、多机构且包含学生证据的研究进一步检验。
