AI焦虑与教师创新意向：工作倦怠(Job Burnout)与创造性自我效能感(Creative Self-Efficacy, CSE)的有调节串行中介模型

摘要：生成式人工智能（Artificial Intelligence, AI）在教育中的普及具有双重影响：在展现变革性教学潜力的同时，也引发教育者显著的"AI焦虑（AI Anxiety）"。然而，这种特定焦虑抑制教师创新意愿的心理机制仍缺乏充分探讨。基于资源保存（Conservation of Resources, COR）理论与社会认知理论（Social Cognitive Theory, SCT），本研究构建有调节串行中介模型。采用分层随机抽样法收集528名K-12教师数据，运用结构方程模型（Structural Equation Modeling, SEM）及Bootstrap法检验假设。结果显示：（1）AI焦虑正向预测工作倦怠（Job Burnout）；（2）工作倦怠与创造性自我效能感（Creative Self-Efficacy, CSE）串行中介AI焦虑与创新意向的关系（AI焦虑→工作倦怠→创造性自我效能感降低→创新意向降低）；（3）感知组织支持（Perceived Organizational Support, POS）起调节作用，缓冲AI焦虑对工作倦怠的有害影响，并削弱其对创新意向的间接负向效应。研究表明教师抗拒AI存在可解释的"资源耗竭→认知缺损→行为退缩"过程机制：焦虑通过情绪耗竭消耗资源，进而系统性转化为自我效能感侵蚀的认知缺陷，最终导致行为回避。

论文解读：《AI焦虑与教师创新意向：工作倦怠与创造性自我效能感的有调节串行中介模型》

该研究发表于《Frontiers in Psychology》。随着生成式AI（如ChatGPT等大语言模型Large Language Models, LLMs）融入教育生态，其在提供个性化学习与行政减负机遇的同时，也对教师构成存在性威胁——担心被替代及专业身份受冲击，这种特殊的心理负担被概念化为"AI焦虑（AI Anxiety）"。既有教育技术文献多持"亲创新偏见"，常用技术接受模型（Technology Acceptance Model, TAM）假定感知有用性和易用性驱动采纳，将焦虑仅视为次要调节变量，忽视了生成式AI对教师职业自我概念的特殊威胁。此外，已有研究或止步于工作倦怠（Job Burnout，核心是情感耗竭Emotional Exhaustion维度）为结局变量，或单独考察创造性自我效能感（Creative Self-Efficacy, CSE——个体对自己产生新颖有用想法的信心）对创新的前因，鲜有将情绪耗竭与自我效能感纳入同一时序链条，K-12教师群体中AI焦虑如何通过"耗竭→认知→行为"连续过程导致创新意向（Innovative Intentions——采纳并实施新教学理念的意愿）降低尚待实证验证。为此，研究人员整合资源保存（COR）理论与社交认知理论（SCT），探究AI焦虑经工作倦怠和CSE串行中介影响教师创新意向的机制，以及感知组织支持（Perceived Organizational Support, POS——教师感知学校重视其贡献并关心福祉的程度）在第一阶段（AI焦虑→工作倦怠）的缓冲作用。

主要研究方法：

研究人员于2025年秋季学期对中国东部528名在职K-12教师（分层随机取样，按小学/初中/高中分层，有效回收率88.0％）开展横断面问卷调查。所有量表经翻译—回译及专家内容效度评审：AI焦虑采用Wang and Wang(2022)改编4题单维量表；工作倦怠采用李超平与时勘(2003)修订的中国职业倦怠量表情感耗竭分量表5题；创造性自我效能感采用Tierney and Farmer(2002)改编3题；创新意向采用Scott and Bruce(1994)改编4题；POS采用Eisenberger et al.(1986)简化版4题。控制性别、年龄、教龄及既往AI使用经验。测量模型用AMOS进行验证性因子分析（Confirmatory Factor Analysis, CFA），共同方法偏差（Common Method Bias, CMB）以Harman单因子检验及未测潜变量法（Unmeasured Latent Method Construct, ULMC）评估；假设检验采用SPSS的PROCESS宏Model 6做串行中介（Bootstrap=5000），Model 83做有调节中介，并做简单斜率分析与条件间接效应检验。

研究结果

5.1 测量模型评估与共同方法偏差（Measurement Model Assessment and Common Method Bias）： CFA显示五因子模型拟合良好（χ²/df=2.14，CFI=0.95，TLI=0.94，RMSEA=0.05，SRMR=0.04），显著优于单因子及四因子替代模型，判别效度满足Fornell-Larcker准则。Harman单因子首因子解释28.5％方差（＜50％），ULMC法潜方法因子解释14.2％（＜25％），表明CMB不严重干扰结果。

5.2 描述统计与相关（Descriptive Statistics and Correlations）： AI焦虑与工作倦怠正相关（r=0.45，p＜0.001），与CSE（r=-0.32）及创新意向（r=-0.28）负相关；工作倦怠与CSE负相关（r=-0.50）；CSE与创新意向强正相关（r=0.62），各变量关系初步支持假设方向。

5.3 假设检验：总效应、直接效应与串行中介效应（Hypothesis Testing: Total, Direct, and Serial Mediation Effects）： AI焦虑对创新意向总效应显著负向（β=-0.35，p＜0.001）。放入中介后，AI焦虑→工作倦怠路径显著正向（β=0.42，p＜0.001），支持H1；工作倦怠→CSE显著负向（β=-0.45），CSE→创新意向显著正向（β=0.55）；AI焦虑→创新意向直接效应不显著（β=-0.08，p＞0.05），为完全中介。三条间接路径均显著：仅经工作倦怠（β=-0.08）、仅经CSE（β=-0.05）、串行中介AI焦虑→工作倦怠→CSE→创新意向（β=-0.06，95％CI[-0.09,-0.03]不包含0），支持H2。总间接效应占总体效应75％。

5.4 有调节中介分析（Moderated Mediation Analysis）： AI焦虑×POS交互项显著负向预测工作倦怠（β=-0.15，p＜0.01），低POS时AI焦虑→工作倦怠斜率更大（简单斜率=0.55 vs 高POS时0.25），即POS缓冲该正向关系，支持H3。串行中介路径的有调节中介指数显著（Index=0.02，95％CI[0.005,0.040]）；低POS时间接效应-0.08，高POS时-0.03，POS削弱AI焦虑经耗竭—效能链对创新意向的负向间接影响，支持H4。

讨论与结论：

研究人员指出，本研究挑战EdTech研究中"亲创新偏见"，证实引入颠覆性AI技术首先被教师经由威胁评估加工，引发资源持续投入与耗损（COR视角），AI焦虑是工作倦怠的正向预测因子。核心理论贡献在于阐明"耗竭→认知→行为"过程机制：情绪资源枯竭（COR）为教师建构能力不足认知判断（SCT中生理/情绪状态是自我效能感信息源）提供躯体证据，耗竭不直接抑制创新行为，而是通过侵蚀CSE阻断之，区别于以往平行中介或单节点研究。POS作为"资源车队（Resource Caravan）"在压力过程初期起缓冲作用，高POS使AI挑战再评估为可管理任务，保护情绪与认知资源。

实践层面建议：专业发展应从单纯功能培训转向"心理脱敏"（如阐明AI为增强智能augmented intelligence而非替代者，以教师定义的需求先行再演示工具）；推行"资源中性"AI整合——每增一项AI新任务须同步削减等价旧有行政负担；营造心理安全"创新沙盒（Innovation Sandbox）"，允许试错、暂缓绩效问责。局限含横截面设计无法确立因果、自评问卷潜在社会期许偏差、中国高权力距离文化限制推广性，未来宜用纵向交叉滞后或经验取样法（Experience-Sampling Method, ESM）、多源数据及跨文化比较。

结论（翻译）：

本研究超越技术决定论视角，揭示教育数字化转型隐性的心理成本。通过勾勒"耗竭—怀疑—退缩（Exhaustion-Doubt-Withdrawal）"通路，凸显悖论：强制以AI创新的压强反而抑制人本创新能力。教师创新不只取决于技术技能或行政指令，深植于情绪与认知资源的保全。感知组织支持（POS）显著调节表明，"AI鸿沟"不限于技术接入差异，亦关乎心理安全感与制度后盾。真正的教育进步需朝向"可持续创新（Sustainable Innovation）"——AI应作为共情引入的合作伙伴而非诱发焦虑的竞争者，政策须同步重视资源保存（Resource Conservation）与技术加速，赋能而非耗尽智能时代的教师。