问答
在人工智能方面，教师需要具备哪些能力？
本页是英文页面的机器翻译，尚未经母语者审校。
教师的能力应当远远超出提示词写作。 本知识库的人工智能素养综述归纳出四个大的维度：
教学法层面的能力
对教师而言，这些维度还需要再加上一个教学法层面。教师应当能够：
- 判断哪些认知工作必须由学生自己保留。
- 选择与学习目标相一致的人工智能用途。
- 设计在人工智能时代仍然有效的评价方式。
- 教学生核查并调节自己的人工智能使用。
- 识别幻觉、过度依赖与迎合。
- 知道何时应当用人类判断推翻自动化输出。
教师还需要足够的系统理解，能够评估由生成式人工智能支持的各种工作流如何相互衔接，而不是把人工智能当成一件孤立的工具。参见教师人工智能能力与教师发展。
自信并不等于能力
知识库中汇总的研究也提醒我们，不要把自信等同于能力：自我报告的人工智能素养可能与实际表现相差很大，因此基于表现的专业发展与真实情境中的练习要比单纯的信心调查更可取。关于教师多智能体工作流的研究进一步表明，系统思维、教学信念与自我效能在人工智能整合过程中相互影响，因此专业发展应当有所区分，而不是一场一刀切的工具工作坊。
专业发展究竟能改变什么，不能改变什么
近期的高等教育研究给出了具体数字，说明教师的能力在哪些方面较强、在哪些环节出现断裂。一项针对美国一所大型研究型大学 127 名教师的调查使用 Technological Pedagogical Content Knowledge (TPACK)-21 量表发现，教师自我感知的教学法内容知识较高（M = 4.70），内容知识接近上限（M = 5.15），但技术整合维度的得分明显更低：技术教学知识（M = 2.62）、技术内容知识（M = 2.75）以及整体 TPACK（M = 2.55，为七个维度中最低）。内容专长并不能预测 GenAI 整合知识（CK 相关系数 r = .11–.15，均不显著），因此教师发展不能假定学科专长会自动迁移，而应当培养生成式人工智能能力，方式是有意识的、学科特定的项目设计。由于三个技术整合维度之间的相关系数为 r = .81–.91，它们可能构成一种单一的 GenAI 整合能力，值得作为共同基础来教授，而不是当作彼此独立的技能。
培训能做什么、不能做什么同样很有启发。在一项包含 13 名高等教育教师的被试内研究中，给教师提供一个聊天机器人显著提升了他们学习设计的质量：达到两项或更多高阶布鲁姆任务的教师比例从 41.7% 上升到 91.7%（p = .01），并大幅降低了感知到的认知负荷（中位数从 6.33 降到 3.33，p = .004）；在此之上叠加的教学法提示训练并未进一步改善质量，反而略微提高了负荷。换言之，获得人工智能使用权很容易改变教学行为；更深层的能力需要的不仅仅是一次工作坊，而单凭质量提升也不能证明教师已经把这种做法内化。
标准、能动性与身份
能力同时也是一个制度层面的问题。一项有 114 名参与者、涵盖美国 28 所机构与 11 个国家的设计研究提出了六项覆盖完整学术角色的教师技术标准：教师、协调者、领导者、研究者、学习者与贡献者，因为既有框架（Technological Pedagogical Content Knowledge (TPACK)、SAMR）与教育者标准（ISTE、UNESCO、DigCompEdu）针对的是K-12教师，或者只涉及教学这一维度。
一项有 287 名教师、覆盖 27 个国家的调查说明了为什么采用行为难以用纯技术框架来解释：这一精炼模型解释了行为意向 79.8% 的方差，但感知到的人工能动性只通过有用性间接影响意向，而且风险规避是一个显著的负向预测因子（−.163），教师对学生过度依赖与学术诚信风险的担忧，远超过对自身使用行为的担忧。采用与否取决于情境敏感的判断，而不是自动化的吸引力。最后，对两位资深学者的访谈表明，人工智能整合会引发反复出现的身份张力：教学法与平台、教育者与促进者、关怀与服从，学者们通过扎根于教学法价值观的有原则的选择性来应对这些张力。因此，能力也包括关于何时不该使用人工智能的专业判断，而不只是使用人工智能的技能。
关于面向学生的对应内容，参见我应当如何把人工智能素养融入我的课程？与关于高等教育中的人工智能素养干预，有哪些证据？；关于面向教师的总结，参见在人工智能教育研究中，教师最应该了解的 10 项主要发现是什么？。