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

技术教学内容知识（TPACK）

创建 2026-08-14 · 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。

技术教学法内容知识（TPACK） — Mishra 与 Koehler（2006）提出的框架，描述教师有效使用技术教学所需的整合性知识：技术知识（TK）、教学法知识（PK）与内容知识（CK）的相互作用及其交集。在 AI 时代，TPACK 已扩展为 AI-TPACK / GenAI-TPACK，刻画教师如何将生成式 AI 整合进学科教学。它是理解教师 AI 胜任力如何结构化、如何通过专业发展建构的主导理论透镜。

这种主导性部分也是检索带来的假象：在一项对 195 项技术支持教师教育研究的 PRISMA 范围综述中，数字胜任力、TPACK 与 DigCompEdu 都是显式检索词，因此 46.5% 的胜任力框架占比描述的是检索到的语料而非整个领域（Patiño Hernández 等（2026））。

值得思考的问题

  • TPACK 主张，有效的技术教学不是各项独立技能（懂学科 + 懂教学 + 懂工具）的加总，而是它们相互作用的产物。回想一节真正用技术奏效的课：在起作用的是内容、教学法和技术知识的哪些组合——而不是任何单一一项？
  • 一个常见假设是，一个"懂技术"的教师因此就准备好用 AI 教学了。这个假设在哪里会失效——比如一个技术流利的教师仍以教学法上浅薄或内容上失准的方式使用 AI？一个简单的技术技能测试会漏掉什么样的"胜任力"？
  • AI 时代把 TPACK 中的技术从被动工具重新框定为能规划、生成和辅导的主动能动体。如果教师的工作从操作工具转变为编排自主行动的 AI，这需要什么新知识——静态清单能捕捉它吗？
  • 本页建议专业发展应训练那些交集，而不仅是工具。回想你参加过或设计过的最近一次技术培训。它主要是"如何使用软件"，还是把内容和教学法同技术一起建构？你预期哪种方式更能改变课堂实践，为什么？
  • 研究发现不同的"教师原型"——优化者、创造者、被动观察者——受益于不同种类的支持。你在教学用 AI 时最像哪种原型？你认为哪种脚手架对你帮助最大？你的学生会像你一样描述你吗？
  • 一些研究者认为，有效的 AI 整合源于教师的信念和效能感，而不只是知识。你对 AI 在学习中的角色持什么信念？这种信念——比你的技术技能更能——如何塑造你是否以及如何真正整合它？

引言

  • Crompton 等 DBR 把教师技术整合标准操作化，将 TPACK 框架延伸到机构实践。

框架

TPACK 认为，有效的技术整合不是各知识域的加总，而是它们动态相互作用的产物。该框架由三个基础域和四个交集构成：

  • 内容知识（CK） — 对所要教学科内容的知识。
  • 教学法知识（PK） — 对教学方法、策略以及学生如何学习的知识。
  • 技术知识（TK） — 对如何使用工具和技术的知识，包括生成式 AI。
  • 教学法内容知识（PCK） — 如何有效教授特定内容。
  • 技术内容知识（TCK） — 技术如何塑造和表征内容。
  • 技术教学法知识（TPK） — 技术如何支持或约束教学策略。
  • TPACK — 处于中心、涌现的整合性知识，三个域在此互动，使技术增强的、面向具体内容的教学成为可能。

AI-TPACK 与 GenAI-TPACK

AI 时代把框架推向"技术内蕴智能"的读法。生成式 AI 不是被动工具，而是能规划、生成内容、辅导和自适应的主动能动体——因此整合知识日益包含编排：决定 AI 何时以及如何行动、搭脚手架，或何时让位于人类判断。

  • 超越离散知识。 AI-TPACK 研究认为，有效的 AI 整合不源于分别拥有各个域，而源于系统思维、教学法信念与**自我效能**的动态相互作用——挑战了教师 AI 胜任力的静态、清单式模型。教师原型（系统优化者、高产创造者、被动观察者）从教师如何设计多智能体教学工作流中涌现。
  • 整合框架遗漏了什么。 一种共同能动性（co-agency）批评认为，TPACK 与 SAMR 处理了教师知识和采用层级，却未触及权力、数据所有权与问责，因此整合知识需要一个显式的伦理边界，而非又一个知识域（Poudyal（2026））。
  • 教学法核心的跨层证据。 一项对 46 名教师和 2,832 名中学生的多层研究发现，仅技术性 AI 知识是不够的——它甚至轻微压低了学生对"AI 向善"的看法——而教学法性 AI 知识（TPAIK）才培养了学生对 AI 的看法和学习 AI 的行为意向。结果可提炼为一条 "教学法先行、技术其次" 的指南，与上述中介角色发现相呼应。
  • 伦理作为整合性中介而非边界。 在一项对 454 名大学教师的调查中，孤立的技术性 AI 知识与整合的 AI-TPACK 呈负直接关联（β = −0.303），而其总效应仍为正（β = 0.639），经由教学法、内容和伦理知识传导（Chen 等（2026））。伦理知识还将效应继续传导，同时预测教学法知识（β = 0.353）和内容知识（β = 0.269）。
  • 审视整个领域的透镜。 一项从 TPACK 视角出发的系统综述（Liu & Zhong，2025）分析了 71 项关于 GenAI 用于学生学习的实证研究，发现总体为正效应（Hedges' g = 0.752），并识别出学生的 GenAI 素养与面向教师的 GenAI-TPACK 专业发展为领域的两大关键优先项。
  • 仅熟练度并不能预测教学法整合。 Choi 等（2026）测量教师的 Intelligent-TPACK 以细分参与者，观察到即便是 AI 熟练的新手，在课程设计中仍被动依赖 AI 输出，而经验丰富的教师——测得的 AI-TPACK 反而更低——批判性地重新介入并按教学法情境调整 AI 建议。结果强化了上述模式：AI-TPACK 要通过经验丰富的教学法判断才能转化为稳健的课堂使用，因此教师教育支持必须针对 AI 知识的应用，而非仅其占有。
  • 教师教育情境。 TPACK 对培养教师将技术整合进课程特定教学的能力至关重要，这正是教师教育与 PD 研究（如密集 GenAI PD 项目、职前教师的 AI-TPACK 准备度）日益将其作为关注结果来测量的原因。
  • 教学法知识中介 GenAI 整合。 Mohebi 与 ElSayary（2026）调查了来自 26 个国家的 325 名在职教师并访谈了七人，使用解释性序列混合方法设计建模 TPACK-GenAI。技术知识（TK）、教学法知识（PK）和教学法内容知识（PCK）各自与总体 TPACK-GenAI 相关，但技术教学法知识（TPK）中介了这些联系——证据表明"从熟练度到教学法"的转向至关重要：把 GenAI 技能转化为稳健的课堂使用，走的是教学法—技术整合知识之路，而非仅凭对工具的熟悉。
  • 在高等教育中，内容专长不会自动转化为 GenAI 整合。 Sutedjo、Chowdhury 与 Liu（2026）改编了TPACK-21量表，调查了美国一所研究型大学的 127 名教师关于用 GenAI 教授 21 世纪技能的情况。教师报告了较强的 CK（M = 5.15）和 PCK（M = 4.70），但技术整合知识偏低——TPK（M = 2.62）、TCK（M = 2.75）以及总体 TPACK（M = 2.55，最低的域）——而 CK 与 TK 或任何技术整合域均无显著相关（r = .11–.15，ns）。三个技术整合域之间相互关联如此之强（r = .81–.91），以至于它们可能作为一个单一的 GenAI 整合因子起作用。结果强化了训练交集这一设计原则：教师发展必须通过学科特定的活动刻意建构 GenAI 整合知识，而非假定学科专长会自动迁移，并应把技术整合域当作共享的 GenAI 素养基础来对待。
  • 机构模式与培训水平相互作用。 Mnguni 等（2026）比较了一所南非校园型大学的 186 名科学专业毕业年级师范生（n = 85）和一所远程教育大学的学生（n = 97）。校园的自我报告 TPACK 更高（64.0% 对 47.4%），教学法知识是两组中报告最少的域（校园为 53%），且 AI 培训水平只在远程机构与自我报告 TPACK 相关：完成一门五学分短课程者自报的 TPACK 反而弱于完全未受训者（p = .039，而校园 p = .607）。因此准备度追踪的是机构供给情境，而不只是培训小时数；作者提醒，自我报告的准备度不能替代表现证据。

同一位作者的能力—决策模型给出了补充性测量警告：当 TPACK 为自报且把感知行为控制测量为自我效能时，二者在经验上可能无法区分，因此研究无法判断是能力还是一般信心在预测意向（Mnguni（2026））。

  • 当 AI 被支架于真实的基于项目的任务内部时，整合的 TPACK 提升最大。 Chen 与 Osman（2026）为 130 名物理教育专业三年级职前教师（物理教育）比较了为期八周、AI 支持的 CTD-PBL 模块与传统教学，采用整班准实验设计（每组 65 人），各组通过任务特定提示模板使用 DeepSeek，且每个 AI 输出在进入教学制品前都必须通过人工验证。模块组报告了更高的后测 TPACK（M = 4.04 对 3.40，p < 0.001，d = 1.02）和更高的感知协作问题解决能力（M = 3.62 对 3.05，d = 0.88），两项结果上均有显著的组别 × 时间交互。增益落在何处才是与 TPACK 相关的细节：最大的维度效应出现在整合域——TPCK（d = 1.21）、PCK（d = 1.06）和 TPK（d = 0.95）——而协作增益在共享知识建构和社会调节上最明显，即那些交集而非基础域。作者把这些呈现为与整合性教学条件相关的差异变化，而非 AI 效应：AI 从未与 PBL 任务链、结构化协作、教师脚手架、同伴反馈或反思性修订分离，且两项结果都是基于问卷的胜任力感知，而非被展示的课堂表现。
  • 干预可以先动基础域。 一项直接建于 Intelligent-TPACK 框架之上的六个月专业发展项目，技术性 AI 知识提升最多（AITK：3.92 到 4.43，t(63) = 3.856，p < .001，d = .48），技术教学法知识次之（AITPK：d = .33），整合的 AITPACK 最少（d = .26），而伦理意识相对停滞（Tan、Cheng 与 Ling，2025）。这一顺序与 Chen 和 Osman 的整合域增益恰好相反，而两者又都是自报。

AI-TPACK 作为素养与课堂整合之间的中介。 一个关于中国职前科学教师（Zou、Li、Wang 与 Du，2026）的结构方程模型把 AI-TPACK 定位为一般AI 素养转化为教学实践的传导机制，而非一项平行胜任力。AI 素养强烈预测 AI-TPACK，AI-TPACK 继而预测科学教学自我效能，而教学效能感是通过 AI 整合的探究进行教学之意向的最强单一预测因子。

完整的序列链（AI 素养 → AI-TPACK → 自我效能 → 意向）显著，经由 AI-TPACK 和经由自我效能感的独立间接路径也显著；综合来看，AI 素养与意向的大部分关联经由这些中介因子而非直接发生，且在控制性别、年级、专业和 AI 使用频率后依然成立。该模型的实践主张是一条有入口的序列：AI 素养必要但不充分，整合的工作发生在技术、教学法和内容知识被结合之处——也正是教师对学科教学的信心被建构之处。

  • 作为第四种胜任力的验证。 Orhon、Cekerol 与 Ugur（2026）扩展该模型，加入 AI 验证知识 — 在把概率性的 AI 输出当作正当决策的证据之前，先对其进行学科特定的核验——并配以一个面向过程的设计教育量规。

为何在 AI 教育中重要

TPACK 是知识库证据基础中教师侧的组织性框架。它解释了为何教师 AI 胜任力不只是工具流利度：教师必须把技术、教学法和内容知识整合起来，才能把 AI 转化为学习增益。知识库的教师AI素养页面涵盖胜任力维度；TPACK 则是支撑它们的知识结构。关于教师信心、专业发展和教师角色的转变的研究，都在这框架之内（或与之对抗）运作。该框架现正被扩展用于评估整个项目：Wu 与 Li（2026）基于 TPACK 维度为 AI 证书项目构建了 AHP-Fuzzy-AHP 评估系统，发现教师专业胜任力——而非技术基础设施——是专家优先级与当前供给之间最大的差距，表明认证应当投资于教师整合的教学法能力。

设计启示

  1. 训练交集，而不仅是工具。 PD 应把技术、教学法和内容知识一起建构，而非提供孤立的工具培训——这是 TPACK 的核心设计原则。
  2. 把 AI 当作能动体，而非器具。 AI-TPACK 把框架推向对AI 智能体的编排，要求关于 AI 何时应行动的系统思维和教学法判断。
  3. 按教师画像区分 PD。 不同的教师原型（优化者、创造者、观察者）受益于不同的脚手架——分别是进阶框架、快速反馈或显式示范。
  4. 评估整合胜任力。 面向 TPACK 的结果（如 AI-PCK 增益）应作为整合能力来测量，而非自报的工具熟悉度。

关联概念

关联文章

相关常见问题

元数据

目标读者Faculty Developers, Instructors
技术与方法生成式人工智能
教育中的人工智能基础AI 素养, 课程设计, 教育发展, 学习设计, 教学, 技术教学内容知识（TPACK）, 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。