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

教师教育

创建 2026-08-16 · 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。

专业发展（Professional development） — 教师的培养与持续专业发展，涵盖职前教师培训（初始认证项目）与在职专业发展。在 AI 教育研究中，教师教育已成为一个核心关切，因为教师的 AI 素养、技术–教学法知识、伦理流畅度，以及把 AI 整合进教学准备的意愿，决定了 AI 在课堂中的采用能否成功。本概念组织了本知识库中相当可观的内容，即 AI 如何重塑未来教师与在职教师的培养、知识、信念与实践。

值得思考的问题

  • 这里的教师教育横跨职前培养（认证项目中的未来教师）与在职专业发展（实践中的教师）。你认为二者中哪一个在为 AI 课堂做准备上面临更大挑战，为什么？
  • 本页主张，教师教育必须让教师不仅会用 AI 工具，而且能理解、评价并合乎伦理地整合它们 —— 这一转变“重新定义了何为教师”。你认为这一定义应如何改变一个认证项目的教学内容？
  • AI-TPACK 等框架通过增加 AI 与伦理维度来扩展经典 TPACK 模型。你认为技术–教学法–内容知识的“AI 维度”在操作聊天机器人之外，实际还应包含什么？
  • 本页引用的一项对 55 项研究的范围综述发现，AI 增强了职前教师的教学设计、反思与批判性思维。但如果 AI 能替他们做其中一部分，那么它在教师培训中的使用何时是在建构技能、何时又在替代他们未来所需的判断本身？
  • 如果你要为 AI 时代重新设计一个教师教育项目，你会要求每位未来教师经历什么 —— 又会刻意不让他们把什么外包给 AI？

引言

教师教育位于本知识库多条脉络的交叉处：它既是一门学科/领域（如医学教育与人文教育），也借助教师角色、TPACK、教师 AI 胜任力与AI 素养等一般概念。在 AI 时代，教师教育必须让教师不仅会用 AI 工具，而且能理解、评价并合乎伦理地整合它们 —— 这一转变重新定义了何为教师。学习科学提供了这种养成所必须承载的知识：那个领域研究人如何学习、学习环境应如何设计，而教师教育正是使此类证据落地为教师自身设计、教学与评价能力的专业养成过程。

跨层面的证据使设计优先级更为清晰：一项对 46 名教师与 2,832 名中学生的多层次研究发现，是教学法的 AI 知识（TPAIK）—— 而非技术的 AI 知识 —— 驱动了学生对“AI 向善”的感知及其学习 AI 的意愿。因此教师教育应把如何用 AI 和关于 AI 教学置于工具熟练度之上，与“教学法优先、技术其次”的指引一致。

职前教师教育

职前（初始）教师教育在认证项目中培养未来教师。这一脉络中的 AI 研究包括：

  • **AI-TPACK 与智能 TPACK 准备度。**工具与框架测量并建构职前教师整合 AI 的准备度，把TPACK框架扩展出一个 AI/伦理维度。(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)

  • **接纳画像，以及易用性/意愿悖论。****Chen 等（2026）**把 128 名职前教师划分为四个 ChatGPT 接纳组：抵抗的怀疑者（14.06%）报告了较高的感知易用性，但行为意愿极低，因此单靠操作技能培训并不能转化他们。

  • **应用与益处。**一项对 55 项研究的范围综述表明，AI 增强了职前教师的教学设计、学科教学、实践教学技能、评价、反思实践、批判性思维、技术整合与教学法创新。(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)

  • **无脚手架的 GenAI 使用得分低于不用 GenAI。**在一项有 52 名职前教师、为期 11 周的准实验中，无脚手架的 GenAI 班产出量表评分低于无 GenAI 班的教案（调整后 86.54 对 81.87，F = 8.348，p = 0.006，η² = 0.146），而两组在自我调节学习或批判性思维上均无差异（Zhang 等（2026））。

  • **教育机器人与机器学习。**初始教师培训内嵌编程、机器人与机器学习活动（例如 micro:bit），以在未来教师中培养计算思维。(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)

  • **真实性评价与元认知。**AI 中介的评价模型（例如 AAIWA）在职前项目中整合了真实性量表式评价、响应条件化的AI 反馈与元认知反思。(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)

  • **科学教育中 AI 支持的探究。**在土耳其进行的一项有 48 名职前科学教师的准实验（Aydın）把问题式与设计式学习整合进一个为期 8 周的、关于光合作用与呼吸作用的 AI 支持引导探究项目。它在两个生物学过程的概念理解上产生了显著增益，但对 AI 素养或自感的计算思维则无显著效应 —— 这提醒我们，AI-IBL 可以在教师候选者中深化学科理解，而不会自动建构其 AI/CT 胜任力，后者需要明确、有针对性的设计。

  • 面向建构主义教学设计的生成式 AI。SAHAB 模型是一个准实验性的专业发展干预，其中生成式 AI 赋能教师设计建构主义教学，增益较大（d = 1.18）。它表明 GenAI 既能为教师候选者也能为在职教师的教学设计搭脚手架 —— 不只是传递内容，而是支持学生中心学习活动的设计。

  • **面向研究生数学教育硕士的智慧课堂培训。****Zhu、Liang、Mao 与 Wang（2026）**展示了如何用智能教育技术（自动评分、个性化推荐、多 AI 反馈）在课前、课中与课后各阶段增强一门数学教育硕士课程，使教学设计目标的熟练度获得统计显著的提升。可迁移的 D-T-E 模型（学科需求–技术赋能–评价闭环）为教师教育者提供了一个把智慧教育整合进研究生教师培养的学科特定框架。

  • 宽容政策下的采纳比调查所显示的更薄，且评价素养并未迁移。Zou 等（2026）**调查了香港三门明确允许在评价中使用生成式 AI 的教师教育课程中的 85 名师范生：62.4%（53 人）选择完全不用，而采纳者的使用是浅层的、纠错式的（校对 43.8%、清晰度检查 34.4%、文本生成 18.8%、头脑风暴 12.5%）。担心被误指抄袭（占不采纳者的 41.5%）与偏好独自工作（77.4%）压过了技能缺失（13.2%），十一名受访者中有九人把宽容政策读作可能的“陷阱” —— 证据表明，职前教师把诚信焦虑（而不只是工具准备度）带进了允许使用 AI 的课业。

  • 课堂 AI 政策写作作为观察职前思维的一面透镜。Nash 与 Burriss（2026）**请一所中学英语培养项目中毕业学年的 27 名职前中学英语教师，写下他们在自己 6–12 年级课堂中会使用的AI 政策，而该州没有任何州级 AI 指引。27 人中有 26 人允许某种 AI 使用，几乎总是限于教师指定的任务、时间与地点，只有一人基于与劳动实践和版权相关的伦理理由彻底禁止；22 人允许用 AI 生成想法，而 22 人不允许或未明确允许用 AI 撰写句子、段落或论文；附带的反思读起来是教学承诺与一种 一种 felt 的整合AI的义务的义务之间的谈判。请职前教师撰写一项政策 —— 而非抽象辩论 AI —— 揭示了他们的哲学、信念与课程假设，使政策写作成为方法课程中一项高价值活动。

  • **政策并不支配实践。**来自一个美国教师教育项目四个学期的调查数据显示，用于备考的 GenAI 使用从 57% 升至 83%，用于学习的从 44% 升至 76%，即使机构正在考虑 AI 检测软件，而伦理不确定性在各波次间上升（Parker 等（2026））。

在职专业发展

在职专业发展支持实践中的教师整合 AI。这里的 AI 研究包括：

  • **基于智能 TPACK 的专业发展框架。**一个以研究为据的框架把五个 i-TPACK 知识域与四条循证的专业发展路径（主动学习、示范/范例、教练、反馈/反思）对齐。(Designing effective AI professional development: A framework grounded in intelligent-TPACK)

  • **GenAI 专属的技术教学法知识（TPK）。**教师教育者自身需要 GenAI-TPK —— 教学法推理、伦理意识与 AI 增强的教学设计 —— 来培养教师。(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)

  • 以人为本与批判性的 AI 素养。设计型研究产出了通过以人为本的 AI 活动（含教育者在回路中的任务）把批判性 AI 素养操作化的专业学习课程。(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)

  • **能力是做出来的，不是学出来的。**一项基于 TPACK、覆盖 122 名在职教师的结构模型发现，实际在科学与绿色能源任务上使用 AI、以及参与开发与 ESD 对齐的材料，预测了 AI 整合能力，而抽象的 AI 知识与对 AI 的态度则不能（Riandi 等（2026））。

  • **协作评价 AI生成内容作为专业发展。****Gat、Usher 与 Barak（2026）**报告了一场工作坊：60 名初中科学教师通过他们的学科、教学法与课程判断来评定 ChatGPT 生成的评价题。协作评价本身发挥了专业发展的作用，帮助教师把概念精确性标准应用于 AI 输出，并浮现出 AI 内容强化迷思概念的风险 —— 把教师定位为GenAI材料的批判性评价者，而非被动消费者。

  • **面向语言教育者的结构化专业发展罕见却有效。**一项对 23 项研究的系统综述（Li 等，2026）发现，只有三项纳入研究报告了结构化的专业发展 —— 一门嵌入式的语法课程模块、一个政府 EMI 项目，以及嵌入式的聊天机器人探究 —— 但三者都收敛于知识、信心与身份重构上的增益，把教育者对 GenAI 的看法从“替代风险”转向助手/增强者。该综述主张，专业发展应把技术技能建设与实践智慧配对，从意识提升与伦理经动手的工具掌握走向 AI 增强课程的共同设计，并推荐一个“先后台、后课堂”的两阶段实施策略。

本知识库中面向数学的框架驱动型 GenAI 专业发展最清晰的实例，是对来自乡村与资源不足学区、完成了基于 Rhodes 4P 框架的十个互动模块的八名在职教师的一项研究（How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge）。它提供了在职专业发展设计在此处所缺的两个设计机制：有意淡出的脚手架（早期明确指导，随后要求论证、归纳与设计任务）与横跨模块 6-10 的模拟学生推理，同时发现 MC、CK 与 PCK 一同变动 —— 而只测量了参与度，未测量教师知识或学生学习。

  • **资格后项目。**在职科学教育者的 AI 素养与使用为 AI 相关资格后项目的设计提供依据。(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)

  • **教师设计工作中的 AI 支持与指导。****Pishtari、Gnadlinger 与 Ley（2026）**让 13 名高校教师在为期半天的项目中，分别于无 AI、AI 聊天机器人与 AI 加培训三种条件下设计活动。AI 接触提高了高阶（布鲁姆）任务的达成度、降低了感知认知努力，而随后的交互培训环节使质量趋平、却使努力略升（相关负荷与外在负荷之分未解）。它把面向 AI 时代教学的专业发展框定为既需要以教学法为基础的设计框架（布鲁姆、ICAP），也需要结构化的聊天机器人交互策略，同时告诫质量增益可能掩盖了把教学决策外包给 AI。

知识、信念与实践

贯穿教师教育研究的一个关键发现，是教师所言与所行之间的差距：教师常声称具备操作性的 AI 技能，却难以在实践中运用具有教学法意义的知识。(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) 当经验与 AI 熟练度交叉时，这一区分更深：**Choi 等（2026）发现，技术上流畅的新手在教案设计中仍被动接受 AI 输出，而资深教师 —— 即便其测量的 AI 熟练度较低 —— 会批判性地重新提示，并把 AI 建议调适于他们的学生与情境。其意涵是，在职专业发展不能把“建构 AI 技能”视为充分；它必须按教师的经验与熟练度画像加以区分 —— 为新手提供回应评价与批判性调适的脚手架，为 AI 熟练度较弱的资深教师提供动手的 AI 技能建设。对 AI 生成教案的专家判断，把这种批判性调适立场标记为常态而非例外：Karaismailoglu、Surmeli 与 Yildirim（2026）**发现，十一名土耳其科学教育专家把 ChatGPT-4 与 Teacher's Buddy 为六年级一个单元所作的教案评为可用的草稿 —— 11 人中 7 人判定它们“经修改后可用”，只有 3 人直接评为“可用” —— 而他们的偏好偏离了原始分数，更看重情感与情境层面的品质而非结构保真。因此教师教育应把评价、调适与本地化 AI 生成教学材料的能力建构为一项核心专业胜任力，在职前与在职项目中皆是。心理因素也重要 —— 自我效能正向预测 AI-TPACK，而强烈的传统教学信念可能构成认知障碍。(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) 对 AI 的信任同时由技术知识与伦理感知（透明度、公平、问责、包容性）塑造。(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) 测量教师的 AI 素养本身是一个活跃的前沿：由于多数 AI 素养测评面向学生或一般用户，教师 AI 素养量表（TAILS）—— 基于六维 ED-AI 框架 —— 专为职前语言教师开发并通过探索性与验证性因子分析加以检验，填补了教师教育内部的测量缺口。一个同样被忽视的问题是，培养的模式是否改变 AI 准备度。Mnguni 等（2026）调查了南非 186 名毕业学年的科学师范生，发现自陈的面向 AI 整合教学的 TPACK 在一所校园型大学（64.0%）高于一所远程教育大学（47.4%），且教学法知识在两者中都是最弱的；AI 培训只在远程院校与自陈 TPACK 相关，而在那里一门五学分的短期课程所预测的自陈 TPACK 低于未受训者。因此远程培养需要自身的证据基础，而不能假定为校园项目设计的培训可以直接迁移。

模拟教学实践

除内容与信念之外，教师培养日益使用模拟课堂来提供可规模化的动手实践。EducaSim使用生成式学生智能体（带有人设、以课程为依据的记忆，以及一个大语言模型作评判的言语 oracle）为一门支持约 20,000 名学生的 CS1 课程中受训教师模拟一个小班。作为一个可选的准备工具，在 254 个会话中部署（平均约 16 分钟），它提供低成本（$0.05–$0.10/会话）的角色扮演练习，附带结构化的会后反馈（发言时长统计、LLM 识别的教学行为）与自我反思提示。它补充了模拟学生范式：模拟学习者不只服务于评价，也服务于体验式的、高频的教师准备，尤其在直播教练无法规模化的超大规模在线课程中。一个学科特定实例是Student GPT（Zhuang 与 Zhang，2025），一个扮演持有常见比例推理迷思的初中生的定制 ChatGPT 聊天机器人；职前中学数学教师在方法课程内、在低风险且个性化的交互中练习诊断与补救这些迷思，展示了轻量级的GenAI角色扮演如何支持实践取向的教学。

对教师教育者的意涵

  • **同时建构 AI 素养与批判性的 AI-TPACK。**职前与在职教师都需要整合 AI 的准备度 —— 工具把 TPACK 扩展出 AI/伦理维度（AI-TPACK、i-TPACK 专业发展）；把伦理推理、透明度与公平与工具使用一并教授。

  • **弥合“所言对所行”的差距。**教师常声称具备操作性的 AI 技能，却难以加以教学法运用；设计从知识走向被实施之实践的专业发展（教案设计）。

  • 用模拟实践来规模化培养。EducaSim式的模拟课堂为受训教师提供低成本、高频、带反馈的练习 —— 对有限的直播教练是一种补充。

  • 处理信念与信任。自我效能预测 AI-TPACK，而强烈的传统教学信念可能构成障碍，信任则由透明度/公平所塑造 —— 要关注这些心理因素，而不只是技能。

  • 从课堂困境倒推。****Kohnke 等（2026）访谈了香港一所大学的17 名职前教师，从预期的课堂困境倒推教师教育的设计需求。职前教师提出了对**学术诚信、隐私与保全基本人类技能的关切，指向把伦理、隐私与 AI 素养**（含批判性思维技能）贯穿整个教师培养的课程意涵，而非把负责任的使用当作附加项。

  • AI 作为教师反思中的认知中介（2026）： 一个基于实践的反思三角模型用 AI 在个体教师反思与学习共同体中的共享专业知识之间作中介，针对反思常常无法转化为集体专业学习这一常见失败（The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development）。

  • 把 GenAI评价设计纳入专业课程工作。Zou 等（2026）**中的师范生几乎没有重新设计自己未来学校评价以回应生成式 AI 的意愿，而幼儿园与中学参与者大多认为该技术与自己教学情境无关 —— 这是评价素养的一个欠发达维度，而非知识缺口。因此教师教育项目应把合乎伦理的 GenAI 使用嵌入评价设计，作为专业课程的一部分，把项目层面的政策一致性与可接受与不可接受使用的具体范例、以及对学生实际 AI 使用的及时反馈相配对。

  • **区分可委派与不可委派的工作。****O'Byrne（2026）**发现，23 名本科生（多为职前教师）无论坚持还是早早移交边界工作，都产出了相当的成果，而对作者身份的“作弊张力”在做最多边界工作的那些人中最强 —— 因此教学目标在于判断哪些解释性工作不可移交。

  • 把课堂政策写作作为核心的教师教育活动，并把模糊性视为政策缺陷。Nash 与 Burriss（2026）**发现，请职前教师写下自己的课堂 AI 政策，起着关于“写作为何而存在”的修辞世界建构的作用 —— 一扇抽象讨论无法开启的、通向新兴信念的窗口。由于 AI 把作为产品的写作与作为过程的写作分离开来，项目应帮助教师弄清思考、学习与价值在头脑风暴、起草、修改与编辑中究竟栖于何处，而非只把思考定位于最终文本；并应支持他们把信念转化为可操作、无歧义的规则，并配以AI 素养教学：诸如禁止 AI 生成文本、却仍要学生对所提交的 AI 生成内容负责之类的自相矛盾，使学生无法合规。

关联概念

关联文章

相关常见问题

元数据

层次Teacher Education, K 12, Adult Learning
目标读者Instructors
教育中的人工智能基础AI 素养, 教学, 技术教学内容知识（TPACK）
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。