随着人工智能（Artificial Intelligence, AI）在教育领域的应用日益广泛，评估学生对AI辅助教学的准备程度与焦虑水平成为一项必要任务。然而，目前文献中尚缺乏专门针对生物教育情境下测量学生AI准备度与焦虑的量表工具，这一空白构成了本研究的核心出发点。本研究旨在开发并验证一份能够测量学生在生物教学环境中对AI使用准备度与焦虑水平的量表——学生人工智能辅助生物教学准备度与焦虑量表（Student Readiness and Anxiety Scale for AI-assisted Biology Teaching, SRAS-AIBT）。该研究采用探索性顺序混合方法设计（exploratory sequential mixed-methods design），首先通过文献回顾与学生访谈收集质性数据以生成题项池，随后经专家评审筛选题项，最终通过探索性因素分析（Exploratory Factor Analysis, EFA）与验证性因素分析（Confirmatory Factor Analysis, CFA）检验量表的结构效度与信度。研究第一阶段纳入土耳其东部某省份322名18–22岁生物专业学生进行EFA，第二阶段纳入同地区300名同龄生物专业学生进行CFA。最终形成的量表包含两个因素共15个题项，采用5点李克特计分法（从"完全不同意"1分至"完全同意"5分）。EFA结果显示累计方差解释率为73.084%，Cronbach's α系数为0.95，表明量表具有优良的内部一致性。CFA结果证实双因素模型拟合良好（χ²/df = 3.7，近似误差均方根RMSEA = 0.08，比较拟合指数CFI = 0.94，非规范拟合指数NNFI/TLI = 0.93），支持了量表的结构效度。
本研究旨在应对人工智能（Artificial Intelligence, AI）技术在教育系统中日益渗透背景下，生物学教育领域缺乏特异性测量工具的问题。AI技术通过个性化教学、学业监测、作业评估及行政任务自动化等功能提升教育效率，但伴随技术快速迭代，学生群体对AI辅助教学同时存在认知准备与情绪焦虑的双重反应。生物学作为一门涉及复杂抽象概念关系的学科，其教学过程中的AI应用既可能促进内容可视化与研究技能发展，也可能因技术不确定性、伦理担忧及情感联结缺失引发学生的焦虑反应。
研究人员采用DeVellis提出的八步量表编制流程，开展SRAS-AIBT的构建工作。研究设计为探索性顺序混合方法（exploratory sequential mixed-methods design），质性阶段先于量性阶段进行。第一步明确界定"人工智能""准备度""焦虑"三个核心概念，其中准备度指学生在认知、情感、社会性及动作技能层面为开展某项活动所做的预备状态，焦虑则指由真实或潜在威胁引发的涉及生理与行为表现的心理状态。第二步通过文献回顾构建初步题项池，并对20名学生进行半结构化访谈，收集其对AI辅助生物教学的态度、知识水平、使用意愿、焦虑来源及技术担忧等质性数据，访谈持续至资料饱和。基于学生原始表述（如"无法与AI建立情感联结""担心获取错误信息""缺乏课堂纪律管控"等）结合文献现有表述，形成含45题项的初始题项池，经语义与表述筛查后缩减至34题。
第三步将34题项草案提交8位具有相关研究背景的专家进行内容效度评审，采用Lawshe技术计算内容效度比（Content Validity Ratio, CVR），以0.75为临界值，剔除13个未达标题项，剩余21题项的内容效度指数（Content Validity Index, CVI）达0.809。第四步在量表中增设验证性题项以检测作答一致性。第五步确定样本特征：EFA阶段采用方便取样选取土耳其东部某省份322名18–22岁生物课程学生（女生171人，男生151人），CFA阶段选取同地区同年龄段300名学生（女生165人，男生135人），样本量符合因子分析"良好"至"优秀"标准（Comrey与Lee标准及MacCallum建议）。数据通过Google Forms平台收集，经伦理委员会审批（批准号2025/80），遵循《赫尔辛基宣言》原则并获得参与者知情同意。
第六至八步为量性分析阶段。EFA采用主成分分析（Principal Component Analysis, PCA）法，以直接斜交旋转（oblimin rotation）处理因素间相关关系。Kaiser-Meyer-Olkin（KMO）取样适切性量数为0.939，Bartlett球形检验显著（χ² = 6448.003，p < 0.001），表明数据极适合进行因素分析。初始特征值大于1的因素共两个，累计解释总变异73.084%。经题项纯化删除跨因素负荷或共同性低于0.30的6个题项后，最终保留15个题项：因素一"准备度"包含9题（题项7–12、14、16、18），因素负荷量介于0.718至0.937之间；因素二"焦虑"包含6题（题项1–6），因素负荷量介于0.755至0.935之间。各因素题项数均不少于3个，满足稳定性要求。
CFA采用IBM AMOS软件进行模型拟合验证。初始模型拟合未达理想水平，研究人员依据修正指数对题项误差项进行合理关联调整，包括Q8-Q9、Q7-Q16、Q16-Q18、Q1-Q4、Q5-Q6、Q11-Q12、Q10-Q14及Q1-Q5等同属一个潜变量且语义重叠较高的题项配对。调整后模型拟合指标为：χ²/df = 3.7（<5可接受），RMSEA = 0.08（<0.08可接受），CFI = 0.94（>0.90理想），NNFI（TLI）= 0.93（>0.90理想），SRMR = 0.05（<0.08理想），各项拟合指标均处于可接受至理想范围，支持了双因素结构模型的结构效度。
信度分析显示，SRAS-AIBT总量表的Cronbach's α系数为0.95，"准备度"子量表α系数为0.95，"焦虑"子量表α系数为0.92，表明量表具有高水平的内部一致性。尽管极高α值有时提示题项冗余，但因素负荷量与题项-总分相关分析显示各题项对其所属构念均有实质性贡献，故全部题项予以保留。
讨论部分围绕AI教育整合的双重心理机制展开。研究人员指出，"准备度"反映学生对AI辅助生物教学的认知准备、自我效能感与参与意愿，体现技术采纳的促进因素；"焦虑"则表征因技术不确定性、隐私担忧、控制感丧失及科幻叙事强化带来的情绪障碍，反映技术采纳的抑制因素。这一双因素结构与现有文献中AI教育应用涉及认知与情感维度的研究发现相吻合，但本研究首次将其置于生物学教育特定情境中进行系统化测量。
研究结论强调，SRAS-AIBT作为首个专门针对生物教育情境下学生AI准备度与焦虑的测评工具，填补了该领域测量空白。量表具有良好的心理测量学特性，可作为教育者诊断学生AI焦虑水平与准备状态的实用工具，为针对性干预方案设计、教学策略调整及支持性工作坊开设提供实证依据。尽管样本局限于土耳其东部特定区域且仅涵盖生物专业学生，可能限制结果的可推广性，但量表框架具备跨学科调适潜力。未来研究应在不同文化语境、语言版本及学科领域（如化学、物理学）中验证并应用该量表，同时开展纵向追踪研究以监测学生AI准备度与焦虑水平的动态变化，从而深化对AI辅助科学教育整合过程的理解。
