AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

教育发展

创建 2026-08-09 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

教育发展（又称教师发展）——帮助教育者培养有效使用人工智能进行教学的技能、信心与专业身份认同的过程、项目与机构支持。教育发展横跨个人培训、课程重构、机构政策变革，以及使生成式人工智能对学术职业意味着什么变得可理解的文化工作。

值得思考的问题

  • 如果同一院系的教师一方面把人工智能描述为类人的“助手”，另一方面又把它仅仅当作“工具”或“搜索引擎”，在这些底层心理模型被摆到台面上之前，培训项目真的能成功吗？如果发展工作跳过这一步，可能会发生什么？
  • 教育发展常被当作弥合技能差距——教会教师使用工具，他们就会采用。但一些研究把生成式人工智能的整合框定为身份层面的变革（“在生成式人工智能的世界里，教学的意义何在？”）。你认为哪一种框定更准确，各自又意味着哪些不同的行动？
  • 像 EPIQ-AI 这样的准备度框架，把教师准备度分为认识论、教学法、机构和质量与合规几个域。如果准备度是一个社会技术对齐问题，而非个人技能差距，这对一个孤立的“人工智能工作坊”容易在哪里力不从心说明了什么？
  • 你何时感到自己对一项新技术的假设浮现出来并发生了转变——是通过讨论、隐喻或共同语言，而不是通过讲授？你认为共同语言与隐喻分析在帮助教育者理解人工智能方面扮演什么角色？
  • 设想一个低技术的“隐喻工作坊”，教师、职员与学生在此阐明人工智能像一把瑞士军刀、一个帮手、一个黑箱，还是一个竞争者。把恐惧摆到台面上（包括人工智能将取代教学岗位的恐惧），是否比更多的技术培训更有助于采用？

引言

教育发展是教师建立良好设计、教学与评价能力的专业与机构工作——在人工智能时代，它已成为任何教学变革得以生效的前提条件。这一概念横跨个人（人工智能素养、信心、能力、态度）与机构（标准、政策、质量保证，以及所宣称的人工智能期望与实际评估设计之间的一致性）。本知识库中反复出现的一个发现是，有效实践的证据远远领先于多数机构已经实施的措施，这使得发展工作——而非更多一手研究——成为约束性的瓶颈。学习科学产出这项工作所承载的发现：学习科学在实证上确立人如何学习、哪些设计能改变结果，而教育发展是机构层面把这类证据转化为教师实际如何教学与评价的实践。不过，它的工作受制于一条机构边界：发展培养的是机构内部人员的能力，而这些人员随后被要求采用的工具，通常由机构外的教育技术开发者构建，他们的设计与采购决策——默认设置、可配置性、资金撤走后什么能留下——是作为项目的约束到来，而非项目的产物。

人工智能时代的教育发展

  • 准备度框架：EPIQ-AI 框架识别出四个准备度域：认识论、教学法、机构，以及质量与合规。教师准备度是一个社会技术对齐问题，而不只是个人技能差距。

  • 技术整合标准：Crompton 等用基于设计的研究为高等教育机构中技术（含人工智能）的整合开发教师标准。

  • 采用与信心：教师人工智能采用研究把关切、支持、信心与态度识别为关键预测因子。教师发展项目必须同时应对这四项。

  • 课程整合：机构变革框架与评估改革要求教师重构课程，而不只是添加人工智能工具。

  • 培训项目：人工智能技能提升框架与基于 TPACK 的职前培训为结构化的教师人工智能教育提供了模型。

  • **人工智能中介的专业反思。**反思三角模型把人工智能定位为贯穿自我反思、协作反思与专业学习社区中共同体反思的认知中介，并在一项有六位教师的四周可行性案例中做了检验；它所划出的边界是：个人的洞见不会自动变成共享的专业知识（Nguyen（2026））。

  • 治理与政策：机构人工智能政策分析记录了机构抱负与教师支持能力之间的差距。

  • **人工智能素养在机构层面是隐形的。**一项对 32 项语言教师人工智能素养研究的系统综述发现，它在工作量模型、晋升政策与资源分配中都缺席，发展碎片化、责任被分散到各机构与部门之间——于是素养发展默认落到个人努力，而非结构性支持（Deng、Çelik 与 Duran（2026））。

教育发展中的隐喻与共同语言

教师对人工智能的心理模型是异质的，且常常深度矛盾，有效的发展必须把它们摆到台面上并与之合作。Gerhardt 等表明，工程教师通过既建构又约束理解的隐喻来框定人工智能（人工智能作为类人的“助手”对“工具”或“搜索引擎”）；由于同一院系内的教师常常持有根本不同的概念化，一套共享的、准确的关于生成式人工智能的语言，是有效教师发展与富有成效的院系采用讨论的前提。

一种把这些心理模型摆到台面的实用方法是隐喻分析工作坊。Vallis、Wilson 与 Casey（2025）设计并验证了一个低技术的协作工作坊，让教师、职员与学生阐明他们对生成式人工智能的隐喻。参与者的隐喻聚为四类——功能（类工具：“瑞士军刀”）、角色（类人：“帮手”“亦敌亦友”）、特质（不可知：“黑箱”“滑坡”）、与能动性（具威胁性：“竞争者”“邪恶机器人”）——浮现出人与机器能动性之间、已知与不可知之间的持续张力。工作坊帮助参与者摆出假设、跨角色建立联系、感到“并不孤单”，并思考生成式人工智能的伦理，且不需要技术专长。作为一种发展工具，它为项目设计者提供了一条低门槛的途径，在重构评估或推行政策之前摆出一个团队的假设，并正面回应恐惧——包括人工智能将取代教学岗位的恐惧。（Fear and Awe: Making Sense of Generative AI Through Metaphor）

生成式人工智能是身份工作，不只是技能提升

一种受门槛概念启发的观点，把生成式人工智能的整合重新框定为教师的本体论转变，而非技能差距。应用门槛概念理论（Meyer 与 Land），Laidlaw 论证生成式人工智能展现了全部五项门槛特征——变革性（重构关于评估、教学法与专业角色的假设）、棘手性（违背关于原创性、人的能动性与投入—成就的信念）、不可逆性、整合性（连接技术、教学法、认识论与身份），以及有界性（生成式人工智能的流利度成为专业通货的新标记）。（When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap）

按这一说法，追问“在生成式人工智能的世界里，教学的意义何在？”的教师并非能力不足；他们处于一个门槛跨越的临界阶段，焦虑、抗拒与困惑是转变的必要组成部分，而非要消除的障碍。那些回答教师并未提出的能力问题的技能型培训，可能相对于真正的转变变得边缘化，而善意的治理可能沦为“执行幻觉”——传达规则，而非支持变革。（When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap）

设计启示：以支持身份的实践来补充（而非取代）技能建设——以身份问题而非技术演示开场，开设持续的学科专属小组让教师探究生成式人工智能对其领域目的意味着什么，建立尊重不同转变时间线的同伴指导结构，并区分基于恐惧的犹豫（它受益于支持）与立足于正当学科价值的、出于原则的不采用（它值得尊重）。（When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap）上述隐喻工作坊模型就是这一点的一个具体实例：它不从技术技能提升出发，而是从“生成式人工智能对参与者意味着什么”这一解释性的、承载身份的问题开场。

身份工作框定的经验支持。Farazouli 等（2026）为这一说法提供了直接的质性证据：24 位瑞典大学教师把生成式人工智能的出现描述为令人震惊且难以承受，报告了一种“脆弱状态”（信心低落、不安、害怕“落在学生后面”），并在乌托邦与反乌托邦的论述之间感到“卡住”。他们有限的知识与经验，加上脆弱感，凸显了教师在驾驭、评价与采用生成式人工智能方面缺乏准备度——作者由此主张，机构必须为教师提供指定的空间与时间，让他们试验生成式人工智能、交流想法，并在机构、院系与课程层面协作发展实践与指引。这让身份工作与支持取向的路径扎根于教师自述的经验，而不只是理论。

一个直接处理身份问题的项目。Chick、Morello 与 Staffey（2026）报告了一个为期六周的暑期研修班，把十位来自教育、健康科学、商科等项目的教师，从低水平的人工智能流利度（六点量表上自评均值 1.89），带到 60% 报告在引导学生使用人工智能方面有高信心、90% 有正面感受；他们把这一转变较少归功于工具培训，而更多归功于结构化的、安全的试验，它以专业价值的生存性问题而非演示开场。他们倚重的标记是词汇的转变：早期把人工智能框定为“作弊机器”或“去人性化的力量”的用法，让位于“好奇的助手”；而他们的四个主题——从恐惧到好奇、对政策真空未能提供的伦理清晰性的渴望、包容性设计作为公平放大器，以及教师从守门人变为向导——描述了教学身份的一种部分而刻意的再定向。十份顶点重构是更硬的证据，其中八份把人工智能定位为支持而非取代思考的脚手架；作者的共生教学法把参与者所构建的东西正式化：互补的设计、透明的过程、批判性整合、嵌入的伦理推理与迭代精炼。其告诫是结构性的而非个人性的：同样这批参与者指出政策信号相互矛盾、个人自购工具订阅，以及重构工作没有获得时间豁免，因此作者得出结论，抗拒从来不是问题，而零敲碎打、不动政策与基础设施的应对，即使对一个热情的小组也会失败。

发展作为中介，以及开发者提出的第一个问题。Sithole（2026）研究学术发展——该领域更早的名称，也是刊发该文的 International Journal for Academic Development 所用的术语——于两所南非历史上处于不利地位的机构，并把开发者重构为数字中介，而非技术实施者，他们在三个层面上工作：教学法（把人工智能论述转译为可行的教学、学习与评估实践）、伦理（以学术诚信约束自动化，以关怀约束创新），以及机构（在管理要求与学术关切之间的临界空间中工作）。有两点对项目设计重要。首先，筛选性的问题是情境性的，先于它是技术性的——“这对我们这里的教学、对我们来自贫困学校的学生意味着什么？”——把采用放缓算作工作的一部分，而非对工作的抗拒。其次，情感代价是结构性的，而非个人性的：开发者被期望在其影响仍在摸索之中的工具上投射专业权威（“我觉得自己像个骗子。我在边做边学人工智能，但机构期待的是专业”），而他们的回应是旨在判断而非技能的同伴专业学习，包括刻意设法让这些工具出故障。该论文的分析贡献是把数字不平等（一个分配问题）与算法殖民性（一个在完全接入之后仍然存活的认识论问题）区分开来，并把二者放进全球南方的高等教育之中，在那里，发展工作被期待为变革性的，而非中立的后勤支持。

内疚与道德不适作为发展信号。Vassallo（2026）为身份论述提供了情感上的对应物。在一所马耳他大学的学术人员调查中（109 份回答，论文把 3.5% 的比率本身读作对伦理辩论现状的某种说明），内疚与隐瞒而非披露相关——因不安而限制人工智能使用，与人工智能内疚指数的相关性为 r = .62，回避向同事披露为 r = .50——而在学术产出中的正式披露则没有关系（r = .08）。只有 31.2% 的人看到清晰的机构指引，而这种清晰度与较低内疚之间的相关性很弱（r = −.25，p = .010），论文由此把这读作证据：自上而下的命令无法解决一个部分是情感与身份基础的问题。其建议直接指向发展：把内疚与身份关切当作正常的过渡性反应，而非要纠正的过错；用结构化的低利害试验帮助教职工穿越预期性焦虑；并倚重资深学者的指导，因为内疚在早期职业人员中最高（M = 2.71），在资深者中最低（M = 2.03）。

面向项目设计者的实用指引

对于规划人工智能专业发展的教师发展者、学术领导者与教学设计者，本知识库的证据建议：

**应对四种采用驱动因素，而不只是知识。**信心、态度、支持与关切预测教师是否真正采用人工智能——一个忽略这些的纯知识工作坊不太可能改变实践。设计发展项目，通过动手使用建立信心，提供持续的支持（而非一次性培训），并主动摆出并回应教师的关切。（AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes）

信心与素养并非可互换的目标：在一项有 502 名受访者的大学教师 SEM 研究中，人工智能素养是人工智能幸福感的主导预测因子（β = 0.713），而技术自我效能贡献甚微（β = 0.082），支持也只是间接地作用于幸福感（Liu 等（2026））。

**把指引需求与指引充分性当作两个分开的问题。**一所大学的教师强烈支持机构针对不道德人工智能使用的措施（M = 4.59），却把现有指引评得最低（M = 2.99），并把数据隐私与文化包容性指为自己最薄弱的知识——这是专业发展的一个具体目标（Bilgic 与 Sever（2026））。

把准备度当作社会技术对齐问题。EPIQ-AI 框架表明教师准备度横跨认识论、教学法、机构，以及质量与合规几个域。只培训个人的项目，会错过那些使能或阻碍变革的机构杠杆（政策、工作量、激励、质量标准）——要让这些与培训对齐。（Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity）

**不要把基础设施投入等同于变革。**在 125 项研究中，机构在生成式人工智能基础设施与教育发展上的投入，与实际的教学变革只有微弱相关（r = 0.12），而 60–70% 的教师感到自己尚未准备好整合生成式人工智能——这使得发展、而非采购，成为约束性的瓶颈。（Rathnayake（2026））

**朝向课程重构，而非工具采用。**目标是教师重构课程与评估，而不只是添加人工智能工具。把专业发展扎根于课程层面的重构工作与评估改革，并为教师提供这样做的结构化框架（如评估量表、机构变革框架）。（A Framework for Institutional Change in the Age of AI）（A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform）

**召集整个村庄，而不是个人。**在受访的 12 位学者与 17 位学生中，生成式人工智能时代的评估重构超出了任何单个学者的能力——僵化的流程、漫长的前置期与工作量负担都被点名——因此作者提议一个跨项目的团队，结合评估设计、生成式人工智能、学科内容、项目与行业专长（Nicola-Richmond 等，2025）。

用房间自身的数据来开这个系列，而不是引入的最佳实践。Perl-Nussbaum 与 Finkelstein（2026）记录了一个来自大型公立 R1 物理系的可行模型：六次双周会话，每次 60 到 75 分钟，整个系列有十九位教师参与，每次会议约十人到场；每次会话都以本地数据或院系来源的材料开场，转入小组针对真实的匿名化学生作业测试人工智能，再以集体讨论收尾。教师通过测试所发现的东西，比主持人能引入的任何材料包都更有用——人工智能解决了他们尝试的每一个问题，但除非给出明确的目标与量表，它对真实学生作业的反馈是不均衡的、依赖提示且停留在表面的；学生的提示也很浅薄，除非生产性使用被示范，否则他们对输出的修改只是表面化的。第一个具体产出是一个包含五条条目的活的知识库——教学大纲政策声明、课堂讨论材料、学生调查、融入人工智能的作业任务与评估结构——这就是为什么作者把会话结构本身视为论点，而非它所交付的任何内容。

锚定于一个能力框架。发展还应当培养教学性的提示素养——把教学意图编码进提示的能力——因为Talebzadeh（2026）发现，决定教师人工智能辅助设计工作质量的是教学专长，而非人工智能流利度。（AI-accelerated End-to-End Framework for Rapid Professional Upskilling）（AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study）（The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework）

**把理解排在自动化之前。**一项对 2022 年 11 月至 2025 年 4 月间发表的 14 篇面向实践者的灰色文献的批判话语分析（主题是面向建构性对齐的生成式人工智能）发现，能力必须先于工具接入：在建构主义框架中，参与的质量先于理解的质量，风险与熟悉程度成反比，新手最容易被那些看似合理但教学上单薄的输出“以貌取信”。McInnes 等（2026）进一步主张，发展单位应当抵制技术主义式的任务书——帮助教师在对课程设计“干重活”的工具上“获得流利度”——因为那种框定把开发者排除在一个封闭的教育者—生成式人工智能回路之外，并把以价值为导向、关系性的发展重新塑造为软件采用的中介机制。可辩护的替代方案是，让教育发展者继续充当任何机构范围内有界的检索增强对齐助手的策展者与规则制定者，这个助手提出探究性问题、标出评估不足与过度之处、生成备选方案，却从不产出成品，而把在认证与跨项目事务上向人类判断升级视为一个特性，而非例外。

**摆出并处理恐惧与心理模型。**在重构教学之前，用隐喻分析工作坊（Vallis、Wilson 与 Casey，2025）摆出一个团队关于生成式人工智能的假设与焦虑——包括它将取代教学岗位的恐惧——并构建对此做出回应、而非无视的发展工作。（Fear and Awe: Making Sense of Generative AI Through Metaphor）

**示范人工智能素养并测量真实增益。**教师发展本身应当体现它所教的做法——以教学性的方式使用人工智能、批判性地评价输出——并且应当评估所展示的能力，而非自我报告的信心，因为自我感知会可靠地高估人工智能技能。（How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures）（Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers）

不要假设学科专长会转移到生成式人工智能上。Sutedjo、Chowdhury 与 Liu（2026）用TPACK-21工具调查了 127 位美国研究型大学的教师，发现内容知识（CK）与技术知识或任何技术整合域都没有显著相关（r =.11–.15，ns）——学科专长并未预测生成式人工智能整合知识。技术整合域（TPK、TCK、TPACK）之间相关如此之强（r =.81–.91），以至于它们可能作为一个单一的“生成式人工智能整合因子”发挥作用。实践上：通过学科专属活动把生成式人工智能的给养与每位教师的学科内容连接起来，构建生成式人工智能整合能力，并把技术整合域当作一个共享的生成式人工智能素养基础，而不是当作分开的技能来训练。（Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills）

学科专属的智慧课堂模型。Zhu、Liang、Mao 与 Wang（2026）展示了一门数学教育硕士课程如何通过智能教育技术（自动评分、个性化推荐、多人工智能反馈）得到增强，并在一套三维智慧课堂框架内整合到课前、课中与课后阶段。他们的准实验发现，教学目标设计能力上有统计显著的增益，为教师教育者与教育发展者提供了一个可迁移的D-T-E 模型（Disciplinary Demand–Technological Empowerment–Evaluation Loop），以把智慧教育框架从宏观概念落到学科专属的实践。

**测量出勤，而不是参与的感觉。**在一个为 64 位大学教师开设的为期六个月的 Intelligent-TPACK 项目中，出勤率预测了人工智能能力的增益（β = .407，p = .001），而自我感知的参与则没有（β = .049，p = .692），作者把这读作具体的行为投入对抗表面层的参与（Tan、Cheng 与 Ling（2025））。该项目把在线讲座与三次面对面工作坊配对，随后要求教师在下一学期修订并实施他们的教学设计，作者建议把出勤纳入考核，并配合有意义的激励。

以教师自己报告的情况为基准。Watson 与 Rainie（2026）对 1,057 位美国教师的调查发现，机构层面之薄，其方式项目设计者可以直接测量：59% 认为自己的学校尚未准备好有效地把生成式人工智能用于为学生未来做准备，68% 认为学校未让教师准备好用它来教学与指导，而结构性的应对停留在 55% 的机构成立了一个工作组，却只有 13% 把人工智能素养设为通识教育成果。教师并未等待政策——87% 自己写了作业层面的规则，而只有 48% 能指出一条机构层面的规则；他们把同僚的抗拒（82%）与不熟悉（83%）而非命令，指认为院系采用的障碍。对发展项目而言，这主张把同侪规范、共享的作业层面政策语言，以及对机构准备度的显式测量当作干预的一部分，而不是留给政策文件。

**教师的回应反映权力中心，而非态度。**在一项对 33 位写作教师的工具性案例研究中，四个多中心的权力中心——全球生成式人工智能趋势、大学／院系、同僚与学生——塑造了实践，而言语权力有限的兼职教师，从检测转向教授可接受的使用（Zuo 等（2026））。

关联概念

关联文章

相关常见问题

相关资源

  • Education Agent Skills
    一个包含 165 个基于证据的 agent skill 的库，覆盖教学法、学习科学、课程与评估，已为 Claude、Codex 与 Hermes 打包。
  • FPDS Apps and Resources
    希尔斯伯勒学院（Hillsborough College）教师专业发展服务（Faculty Professional Development Services）的公开资源页，将其中的人工智能、教学与无障碍资源集中在一处。

元数据

层次Higher Ed, K 12
目标读者Faculty Developers, Instructors
机构与政策教育人工智能政策
教育中的人工智能基础AI 素养, 课程设计, 学习设计, 教学, 教师AI素养
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。