随着ChatGPT、DALL·E等生成式人工智能（GenAI）工具迅速进入高等教育领域，传统的教学内容创作、评估与分发模式正被重新定义。尤其在管理教育等前沿学科中，GenAI既被视为变革的催化剂，也对固有教学范式构成挑战。然而，当前研究多聚焦学生端的接受度，而教育者作为教学实践的核心决策者，其如何理解、评估并采纳GenAI的工具却鲜被深入探讨。现有技术接受模型（TAM）与整合性科技接受模型（UTAUT）虽能解释个体层面的使用意向，却难以捕捉教育者在复杂制度环境、任务特性与职业身份交织下的真实决策过程。这一空白不仅影响GenAI在教育场景的有效整合，更直接关乎未来毕业生AI素养的培养与劳动力市场需求的对接。
为回应上述问题，一项发表于《International Journal of Management Education》的研究通过质性访谈，深入剖析了20位来自欧洲与北非高校教育者的GenAI采纳逻辑。研究创新性地融合了工作特性模型（JCM）、任务-技术匹配（TTF）与制度理论（Institutional Theory），构建了一个能同时解释“动机为何”（JCM）、“任务为何”（TTF）及“情境何在”（制度理论）的三维框架。
研究采用半结构化访谈法，对具有5年以上教学经验的教师进行深度访谈，并通过主题分析法提炼关键模式。主要技术方法包括：基于最大差异抽样策略选取跨学科、跨地域的样本；使用NVivo软件进行编码与主题映射；通过成员核查与审计轨迹确保研究信效度。
研究结果
4.1. 技能多样性与GenAI采纳
教育者倾向于将GenAI用于重复性低技能任务（如生成测验题目、起草邮件），而在涉及复杂教学设计的核心任务中持保留态度。一位西班牙资深教师强调：“我用它起草评分标准，但整个课程设计仍由我完成。”这表明GenAI被视作辅助工具而非替代品，当任务需要高技能多样性时，教育者更倾向于维护自身专业权威。
4.2. 任务认同与GenAI采纳
任务与职业身份绑定程度越高，GenAI的应用阻力越大。例如，批改作业被视为“与学生的对话”，而非单纯的技术操作。法国教授指出：“纠正论文超越技术层面，是我与学生的交流。”此类任务因承载教育者的专业认同，被主动隔离于自动化之外。
4.3. 任务重要性与GenAI采纳
高教学或伦理权重的任务（如论文指导）普遍抵制GenAI介入。心理学教师坦言：“指导学生论文是重大责任，AI的介入会显得不诚实。”相反，低风险任务（如格式调整）则更易被委托给AI。任务重要性由此成为界定GenAI适用边界的伦理标尺。
4.4. 任务-技术匹配（TTF）与GenAI采纳
GenAI在行政事务、内容生成等常规认知任务中展现高匹配度，但在需要情境理解、情感交互的非例行任务中适配性不足。教育者多采用“协同创作”模式：AI生成初稿，人工进行语境化修正。这一发现呼吁将TTF从静态的“匹配/不匹配”二元框架，拓展为动态的“人机任务协调”过程。
4.5. 制度支持与GenAI采纳
制度支持的有效性取决于其是否具参与性、伦理透明性与资源可及性。参与政策共商、获得同行培训的教师对GenAI实验更积极；反之，自上而下的模糊指令易引发抵触。北非教师质疑：“学校要求用AI创新，但培训在哪里？政策在哪里？”可见，制度若缺乏信任基础，其推广易流于形式。
4.6. 伦理意识与GenAI采纳
公平性、偏见、学术诚信等伦理顾虑是采纳的最大障碍。西班牙教师提出灵魂拷问：“若学生用AI写论文，我究竟在评量学生还是机器？”伦理支持的缺位直接抑制教育者的探索意愿，即便技术本身已具可用性。
结论与意义
本研究通过教育者视角揭示：GenAI的采纳绝非技术效能或易用性的单维度问题，而是任务身份、教学哲学、制度信任与伦理边界共同作用的复杂决策。理论层面，研究提出“教学角色完整性”概念，深化了JCM在知识工作者场景的应用；将TTF重构为价值驱动的动态协商过程；强调制度支持需以信任与参与为基石。实践层面，高校需摒弃“一刀切”政策，转而构建包容性治理框架，将教师视为AI整合的共创者而非被动执行者。此外，管理教育应增设AI素养模块，培养学生批判性评估AI输出的能力，以应对未来职场需求。最终，GenAI的成功整合关键在于技术潜力与教育价值的对齐，而非对效率的单一追求。
