《Frontiers in Psychology》：Professional agency as a psychological mechanism linking AI integration to language teacher identity
编辑推荐：
摘要：随着课堂AI（Artificial Intelligence）工具的广泛使用，技术整合日益成为教师工作中与身份（Identity）相关的方面。本研究以教师专业身份（Teacher Professional Identity）、能动性（Agency）和效能
摘要：随着课堂AI（Artificial Intelligence）工具的广泛使用，技术整合日益成为教师工作中与身份（Identity）相关的方面。本研究以教师专业身份（Teacher Professional Identity）、能动性（Agency）和效能信念（Efficacy Beliefs）的心理学视角为框架，考察高中英语教师的教学中AI整合（AI Integration）是否与语言教师身份相关联、专业能动性（Professional Agency）是否在该关联中起间接路径作用，以及AI整合与专业能动性的关联是否因教师的AI教学自我效能（AI Self-Efficacy for AI-Supported Teaching）而异。研究人员采用横断面在线问卷调查420名在职高中英语教师，收集其AI整合实践、专业能动性、AI教学自我效能及语言教师身份的报告数据，使用基于回归的有调节中介分析（Conditional Process Analysis）及Bootstrap置信区间检验假设。结果显示：AI整合与语言教师身份呈正相关；专业能动性与教师身份呈正相关，且AI整合通过专业能动性对教师身份产生显著间接关联；此外，AI自我效能调节AI整合与专业能动性的关联，较高AI自我效能者该正向关系更强，相应条件下通过专业能动性的条件间接关联亦随AI自我效能水平升高而增强。研究表明AI整合不仅是技术实践，更是教师行使影响力并巩固专业自我理解的心理意义情境，提示支持AI介导教学环境中的教师应同时加强效能信念与能动性相关心理资源。
论文解读：《Professional agency as a psychological mechanism linking AI integration to language teacher identity》发表于《Frontiers in Psychology》
一、研究背景与意义
当前人工智能（Artificial Intelligence, AI）已从后台分析工具发展为可直接用于教学设计、语言输入生成、形成性反馈和课堂交流的前端教学工具，尤其在语言教育中影响深远。然而现有AI in Education（AIEd）研究多聚焦系统功能、学习成效或教学设计，教师取向的研究常停留在技术接受度、态度与培训需求层面，较少从心理学角度探讨AI相关教学实践如何与教师核心专业自我——即教师职业身份（Teacher Professional Identity）——发生关联。语言教师身份（Language Teacher Identity）被理解为受个人倾向、情境期待与专业承诺共同动态建构的自我理解，当新技术改变"胜任教学"的定义与专业权威的表现方式时，教师需主动重构而非被动持有身份。专业能动性（Professional Agency，指教师在工作中做出选择、采取立场并有意塑造实践与身份的感受与能力）可能是连接具体技术行为（AI整合）与身份建构的心理机制。此外，根据自我效能理论（Self-Efficacy Theory），教师对AI支持教学的信心——AI教学自我效能（AI Self-Efficacy for AI-Supported Teaching）——可能决定AI整合并否转化为能动性体验。基于此，研究人员构建一个有调节中介模型：AI整合（X）→专业能动性（M）→语言教师身份（Y），AI自我效能（W）调节X→M路径，以明确AI整合经心理过程影响身份的关联模式及其边界条件。
二、主要研究方法概述
研究人员通过问卷星（Wenjuanxing）向在职高中英语教师发放在线问卷，最终获得有效样本420份（初始493份，剔除不完整及低质量作答）。测量工具均为5点Likert量表：AI整合参考Chiu(2022)技术整合量表改编为8题AI教学整合行为；专业能动性采用Heikonen等验证的教师课堂专业能动性量表（Teachers' Professional Agency in the Classroom），含协作环境、变革性实践与反思维度共10题；AI自我效能量表采用Chou等(2024)高中教师AI支持教学应用自我效能量表15题；语言教师身份采用Zeng和Liu(2024)教师职业身份量表13题（专业自我效能、专业知识、专业承诺）。控制变量含性别、教龄、最高学历、学校所在地及近12个月AI相关培训经历。数据分析使用IBM SPSS及Hayes PROCESS Macro Model 7进行有调节中介分析（Conditional Process Analysis），连续预测变量均值中心化，Bootstrap 5000次抽样估计间接效应及95%置信区间；通过验证性因子分析（Confirmatory Factor Analysis, CFA）检验改编AI整合量表单维结构，以Cronbach's α和校正题总相关（Corrected Item-Total Correlation）检验信度，Harman单因子检验考察共同方法偏差（Common Method Bias）。
三、研究结果
4.1 Sample characteristics（样本特征）
有效样本420人，女75.7%，男24.3%；年龄30–39岁占41.0%；教龄10–19年占37.1%；本科78.1%；城市校48.8%；39.0%无AI培训，35.2%参加1次，25.7%≥2次。
4.2 Descriptive statistics reliability and correlations（描述统计、信度与相关）
各量表Cronbach's α为0.884–0.923，校正题总相关合格。AI整合(M=3.421, SD=0.765)、AI自我效能(M=3.562, SD=0.684)、专业能动性(M=3.845, SD=0.652)、语言教师身份(M=4.124, SD=0.583)。零阶相关显示AI整合与专业能动性(r=0.425, p<0.001)、与教师身份(r=0.342, p<0.001)均正相关；专业能动性与教师身份相关最强(r=0.556, p<0.001)；AI自我效能与AI整合(r=0.582)、专业能动性(r=0.468)、教师身份(r=0.395)均显著正相关。CFA适配良好(CFI=0.971, TLI=0.962, RMSEA=0.053, SRMR=0.038)，支持AI整合量表单维性。
4.3 Common method bias diagnostic（共同方法偏差诊断）
Harman单因子检验首因子解释率34.125%（<40%经验阈值），焦点变量间相关未达冗余水平，结合程序性控制认为共同方法偏差不致严重扭曲主要发现。
4.4 Hypothesis testing of the moderated mediation model（有调节中介模型假设检验）
以专业能动性为因变量的回归：AI整合对其正向预测显著(b=0.165, p=0.003，支持H2)；AI自我效能主效应显著(b=0.184, p=0.002)；AI整合×AI自我效能交互项显著(b=0.098, p=0.035，支持H5)，ΔR2=0.008。以教师身份为因变量的回归：控制专业能动性后，专业能动性对教师身份正向预测显著(b=0.456, p<0.001，支持H3)；AI整合直接效应仍显著(b=0.115, p=0.003，支持H1)。模型整体支持专业能动性在AI整合与教师身份间的间接关联（支持H4）。
4.5 Simple slopes of the interaction effect（交互效应简单斜率分析）
在低AI自我效能(-1 SD)时，AI整合→专业能动性简单斜率b=0.098(p<0.05)；在高AI自我效能(+1 SD)时，b=0.232(p<0.01)，表明AI自我效能越高，AI整合与专业能动性正向关联越强。
4.6 Indirect effects conditional indirect effects and moderated mediation（间接效应、条件间接效应与有调节中介）
Bootstrap条件间接效应：低AI自我效能时间接效应=0.045(95%CI[0.012,0.088])；均值时=0.075(95%CI[0.039,0.120])；高AI自我效能时=0.106(95%CI[0.058,0.166])，间接效应随AI自我效能升高增强。有调节中介指数=0.045(95%CI[0.009,0.089])不含0，支持H6。专业能动性路径占模型隐含总关联的28.1%(低)、39.5%(均值)、48.0%(高)。
四、讨论与结论翻译（研究结论部分总结翻译）
研究表明教学中AI整合与语言教师身份呈正向关联；专业能动性在该关联中起显著中介作用；AI自我效能调节AI整合→专业能动性路径，使通过专业能动性的条件间接关联随AI自我效能升高而增强。这说明AI整合不只是技术采纳，而是教师可借以行使专业影响力、巩固专业自我理解的心理意义情境。研究结果提示，在AI介导教学环境中支持教师不仅要提供技术指导，也需着力培育其AI教学自我效能及能动性相关心理资源。未来需通过纵向设计进一步厘清变量间时序关系，开发更贴合生成式AI特性的整合量表，并纳入学校情境与更多个体差异变量以检验模型稳健性。
