【AI量表】教师人工智能能力自评效能量表
量表名称：教师人工智能能力自我效能量表（Teacher AI Competence Self-Efficacy Scale，TAICS）
作者提出：Thomas K. F. Chiu；Zubair Ahmad；Murat Çoban
发表年份：2024年（Online First）/ 2025年（正式刊发）
发表期刊：Education and Information Technologies
适用对象：K-12学段教师（从幼儿园到高中）
量表类别：多维结构量表（六因子模型）
量表组成：6个维度，共24道题目
维度包括：
AI知识（AI Knowledge）
AI教学法（AI Pedagogy）
AI评估（AI Assessment）
AI伦理（AI Ethics）
以人为中心的教育（Human-centered Education）
专业参与（Professional Engagement）
在生成式人工智能迅速进入教育领域的背景下，教师除了要掌握AI工具的基本使用方式，还应具备在课堂中安全、合理且高效整合AI的能力。本研究旨在编制并验证一套用于测量K-12教师人工智能能力自我效能感的量表（TAICS），以回应当前研究中缺少标准化测量工具的不足。
本研究采用两阶段设计。第一阶段运用德尔菲法，邀请30位拥有丰富AI教学经验的K-12教师，对量表维度与题项进行多轮讨论、评估与修订。第二阶段对香港9所学校的434名教师实施问卷调查，并通过验证性因素分析（CFA）检验量表结构。
研究结果显示，该量表具备良好的信度和效度：各维度Cronbach’s α均高于0.87，模型拟合指标表现理想（χ²/df = 2.24，RMSEA = 0.054，CFI = 0.96）。同时，该量表在不同性别及不同学科教师群体中均显示出测量不变性。
TAICS量表可为研究人员、教育管理者以及一线教师提供可靠的测量工具，用于评估教师AI能力的发展状况、检验培训成效，并为AI教育政策制定和教学实践优化提供参考依据。
现实需求
生成式人工智能正不断重构教育生态，也对教师能力提出了更高标准。教师不仅要能够使用AI工具，还要能在教学中科学整合，并妥善应对由此引发的伦理、隐私和安全问题。尤其是在K-12阶段，学生正处于成长关键期，更需要教师的有效引导。因此，迫切需要一套工具帮助教师判断自身AI能力水平，进而营造安全、健康且高效的学习环境。
现有数字能力框架（如TPACK、DigCompEdu）虽然涵盖技术整合能力，但难以充分呈现AI带来的新问题，例如算法偏差、数据伦理与智能评估等。同时，目前关于AI能力的研究仍以理论分析和质性研究为主，缺少经过严格验证的量化测量工具。本研究以Bandura自我效能理论为基础，结合Falloon数字能力框架与UNESCO AI能力框架，借助德尔菲法和CFA方法，构建并验证了一个系统化测量模型，为AI教育研究提供了重要支撑。
该量表设置6个维度，共24道题项：
指教师区分人工智能工具与传统工具、理解AI基本原理及其应用，并依据任务需要选择合适AI工具的能力自我效能感。
指教师选用并整合人工智能工具，以支持教学内容、教学方式和学习过程的能力自我效能感。
指教师借助人工智能工具开展促学评估（assessment for learning）、设计AI环境下的评估方案，并指导学生进行自我评估的能力自我效能感。
指教师在人工智能情境下实施伦理教育、保护敏感数据，并指导学生安全、负责地使用AI的能力自我效能感。
指教师评估人工智能工具的收益与风险，理解人类在算法偏见中的责任，并认识人工智能社会影响的能力自我效能感。
指教师积极参与人工智能相关专业发展活动，并与同行分享经验、合作开展教学实践的能力自我效能感。
量表题项
Item 1 我能够判断一个工具是否属于人工智能工具。 I can distinguish whether a tool is AI-based or not.
Item 2 我能够借助人工智能生成内容。 I can create content with AI.
Item 3 我能够说明什么是人工智能。 I can explain what AI is.
Item 4 我知道如何选择恰当的人工智能工具，以高效完成任务。 I know how to choose the right AI tools to effectively complete a task.
Item 5 我能选择适合课堂使用的人工智能工具，以增强教学内容、教学方式和学生学习。 I can choose an AI tool to use in my classroom that enhances what I teach, how I teach, and what students learn.
Item 6 我能为某节课选择能够强化学科内容的人工智能工具。 I can choose an AI tool that enhances my teaching subject content for a lesson.
Item 7 我能开展恰当融合学科内容、人工智能工具与教学方法的课堂教学。 I can teach lessons that appropriately combine my teaching subject, AI tools, and teaching approaches.
Item 8 我能帮助他人协调学科内容、人工智能工具和教学方法的应用。 I can help others coordinate the use of subject content, AI tools, and teaching approaches.
Item 9 我能利用人工智能工具促进促学评估。 I can use AI tool to foster assessment for learning.
Item 10 我能设计评估方案，以改进学生在人工智能环境（如使用ChatGPT学习）中的学习效果。 I can design an assessment approach to improve student learning in an AI-based environment (e.g., learning with ChatGPT).
Item 11 我能评价学生在人工智能支持环境中的学习表现。 I can assess student learning in an AI-based environment.
Item 12 我能选择合适的人工智能工具来支持学生自我评估。 I can choose an AI tool to foster student self-assessment.
Item 13 我能向学生讲授人工智能伦理相关内容。 I can teach students ethics.
Item 14 我能保护敏感内容（如考试、学生成绩和个人数据）免受人工智能工具带来的风险。 I can protect sensitive content from AI tools (e.g., exams, students’ grades and personal data).
Item 15 我能在使用人工智能工具时维护自身健康与福祉。 I can ensure my health and well-being while using AI tools.
Item 16 我能教会学生在利用人工智能学习时做到安全且负责任。 I teach students how to behave safely and responsibly when learning with AI tools.
Item 17 我能评估人工智能工具所带来的收益。 I can assess the benefits of an AI tool.
Item 18 我能评估人工智能工具可能带来的风险。 I can assess the risks of an AI tool.
Item 19 我认识到人工智能中的偏见应由人类承担责任。 I recognise human is responsible for AI bias.
Item 20 我能解释人工智能对社会产生的影响。 I can explain how AI impact our society.
Item 21 我能通过不同网站和搜索策略查找并筛选多种人工智能工具。 I can use different websites and search strategies to find and select a range of different AI tools.
Item 22 我会主动寻找教育机构之外的持续专业发展活动。 I actively look for continuous professional development activities outside my educational organization.
Item 23 我会主动与机构内外同事分享我的人工智能教学经验。 I actively share my AI teaching experience with other colleagues within and outside my educational organization.
Item 24 我乐于帮助同事设计融入人工智能的学习活动。 I love to help my colleagues design learning activities with AI.
信度与效度
信度（Reliability）
内部一致性信度（Cronbach’s α） 该量表展现出较高的内部一致性。六个维度的 Cronbach’s α 值均高于0.87，具体如下：
上述结果说明各维度具有较好的测量一致性。
多组验证性因素分析结果显示，该量表在以下群体中均具有测量不变性：
这表明该量表在不同群体之间具有较强的结构稳定性和跨群体可比性。
内容效度（Content Validity）
量表开发过程具备较强的理论和方法支撑。初始题项基于以下理论框架构建：
随后，研究采用德尔菲法（Delphi method），邀请30位具有人工智能教学经验的K-12教师组成专家组，经过三轮评审与修订，将最初的27个题项优化为24个题项，从而保证量表内容的代表性和合理性。
通过验证性因素分析（CFA）对量表结构进行检验，结果显示六因子模型具有较好的拟合度：
此外，所有题项的标准化因子载荷介于0.72至0.93之间，说明量表具备良好的结构效度。
各维度之间呈显著中等相关（r > 0.50，p < 0.01），支持该量表的聚合效度，表明各维度能够共同反映教师人工智能能力自我效能感这一核心构念。
使用方法
计分方式
本量表采用5点李克特量表进行评分：
1 = 强烈不同意 5 = 强烈同意
量表共含24个题项，分为6个维度，每个维度包含4个题项。
得分越高，代表教师在相应人工智能能力维度上的自我效能感（能力信念）越强，也就是其对自己能够在教学中有效且安全地运用人工智能更有信心。
该量表主要适用于K-12阶段教师（幼儿园至高中），可用于以下情境：
end