💻 computer science

From School AI Readiness to Student AI Literacy: A National Multilevel Mediation Analysis of Institutional Capacity and Teacher Capability

本研究基于全国大规模多源数据，通过多层中介分析证实了职业院校的机构人工智能准备度通过提升教师集体能力（而非单纯的态度接纳）显著正向影响学生人工智能素养，且该路径在不同区域发展背景下具有稳健性。

原作者： Xiu Guan, Mingmin Zheng, Dragan Gašević, Wenxin Guo, Yingqun Liu, Xibin Han, Danijela Gasevic, Ruiling Ma, Qi Wu, Lixiang Yan

发布于 2026-03-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Xiu Guan, Mingmin Zheng, Dragan Gašević, Wenxin Guo, Yingqun Liu, Xibin Han, Danijela Gasevic, Ruiling Ma, Qi Wu, Lixiang Yan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章主要研究了一个大问题：学校做好了“人工智能（AI）准备”，学生的 AI 能力就会变强吗？如果是，这中间是怎么发生的？

为了让你更容易理解，我们可以把整个教育系统想象成一家巨大的“未来技能餐厅”，而 AI 就是餐厅里新引进的高科技智能烹饪设备。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 核心故事：从“买设备”到“出好菜”

背景：现在各行各业都在用 AI，职业学校（培养厨师、技工的地方）必须让学生学会用 AI。
问题：很多学校买了很贵的 AI 设备（基础设施），也制定了政策（规章制度），但学生的 AI 水平并没有明显提高。为什么？
研究目的：作者调查了全中国 1000 多所学校、15 万多名老师和 230 多万名学生，想搞清楚：学校的“准备程度”是如何一步步转化为学生“真本事”的？

2. 三个关键角色（比喻版）

A. 学校的“准备度” = 餐厅的“装修与采购”

学校不能只有一台机器。真正的“准备”包括六个方面，就像开一家高科技餐厅需要：

战略（老板想不想做？）
环境（厨房布局合不合理？）
流程（做菜步骤顺不顺？）
技术（设备先不先进？）
数据（食材信不新鲜？）
伦理（有没有食品安全标准？）

研究发现：学校这六个方面做得越好，学生的平均 AI 水平确实越高。但这六个方面是捆绑在一起的，光有设备（技术）没有流程或老板不支持，效果就不好。

B. 老师 = “主厨”与“传菜员”

这是论文最精彩的发现！

学校买了设备（准备度），但设备不会自己教学生。
设备必须通过老师（主厨）来发挥作用。
如果学校准备得好，老师们就会觉得：“我有能力用这些新设备教学生”（感知到的 AI 能力）。
关键点：仅仅让老师“喜欢”AI 或者“觉得 AI 有用”是不够的。最重要的是老师觉得自己“能行”（有能力驾驭它）。

比喻：就像餐厅买了最好的智能烤箱（学校准备），如果主厨（老师）觉得自己不会用或者不敢用，那烤箱就是个摆设，学生（食客）也吃不到好菜。只有当主厨自信满满地操作烤箱时，学生才能学会怎么做菜。

C. 学生 = “食客/学徒”

学生的 AI 素养（能不能用 AI 解决问题）是最终的“菜品质量”。

3. 论文发现了什么？（核心结论）

结论一：学校准备度确实有用，但不是“魔法”

学校准备得越好，学生水平越高。但这就像盖房子，地基（学校准备）打好了，房子（学生能力）才能盖高。

结论二：老师的能力是“桥梁”

这是论文最重要的发现：学校的准备度 $\rightarrow$ 老师觉得自己能行 $\rightarrow$ 学生学会 AI。

学校的支持（给钱、给设备、定政策）首先让老师觉得自己更有能力去教。
这种“集体自信”直接提升了学生的水平。
注意：如果老师只是“态度好”（喜欢 AI）但“能力弱”（不会教），效果就不明显。所以，培训老师怎么教，比单纯鼓励老师喜欢 AI 更重要。

结论三：不管在哪，这个规律都管用

有人可能会问：“是不是只有在大城市（AI 发达地区）才有效？小地方没用？”

研究结果：不是的。无论是在 AI 产业发达的沿海城市，还是相对落后的内陆地区，“学校准备 $\rightarrow$ 老师变强 $\rightarrow$ 学生变强” 这个链条都是一样的。
比喻：就像做一道好菜，不管是在北京还是云南，只要“好食材 + 好厨师”的组合对了，味道就会好。虽然大城市的食材（外部环境）可能本身就好一点，但“厨师水平”这个核心逻辑在哪里都成立。

4. 给校长和政策制定者的建议（大白话版）

别只买设备：给学校买一堆 AI 电脑没用，如果老师不会用，那就是废铁。
要“打包”建设：学校的准备必须是全方位的（有政策、有流程、有设备、有伦理），不能单打独斗。
重点抓老师：投资的重点应该放在提升老师“驾驭 AI 教学”的集体能力上。要让老师觉得“我能行”，而不是仅仅让他们觉得"AI 很好”。
缩小差距：即使在 AI 产业不发达的地区，只要把学校内部的建设（特别是老师的能力）做好，也能培养出 AI 素养高的学生。

总结

这篇论文告诉我们：AI 教育不是“买机器”的游戏，而是“建生态”的工程。
学校是土壤，老师是园丁，学生是果实。只有土壤肥沃（学校准备充分），园丁自信且专业（老师能力强），果实（学生）才能长得又大又甜。单纯把机器扔进教室，是种不出果实的。

以下是基于论文《从学校 AI 准备度到学生 AI 素养：机构能力与教师能力的国家多层中介分析》（From School AI Readiness to Student AI Literacy: A National Multilevel Mediation Analysis of Institutional Capacity and Teacher Capability）的详细技术总结：

1. 研究问题 (Problem Statement)

尽管人工智能（AI）正日益融入职业教育体系，但关于**机构层面的 AI 准备度（Institutional AI Readiness）如何转化为学生层面的 AI 素养（Student AI Literacy）**的实证证据仍然有限。现有研究存在以下缺口：

分析层级割裂：现有研究多集中在学生个体能力、教师采纳意愿或机构基础设施的单一层面，缺乏将宏观机构配置、中观教学条件与微观学生能力联系起来的统一多层框架。
机制不明：不清楚机构准备度是通过何种组织机制（如教师能力、态度等）影响学生学习成果的。
情境脆弱性：缺乏在异质性区域（不同 AI 发展水平）下验证机构效应稳健性的研究，导致政策建议难以推广。

核心研究问题：

学校 AI 准备度在多大程度上与职校学生的 AI 素养相关？哪些维度具有解释力？
这种关联是通过何种聚合的教师层面机制（如感知能力、态度等）传递的？
区域 AI 发展条件是否调节了这一跨层级关联？该路径在不同区域背景下是否稳健？

2. 方法论 (Methodology)

2.1 数据来源与样本

数据类型：基于中国全国范围内的大规模横断面调查数据，采用分层比例抽样。
样本规模：
- 学校：1,007 所职业院校（覆盖全国 31 个省级行政区）。
- 教师：156,125 名教师。
- 学生：2,379,546 名学生。
数据清洗：通过完整性检查、注意力测试、响应时间异常值检测及速度者剔除，确保数据质量。

2.2 理论框架与模型设计

理论模型：基于生态系统理论（Ecological Systems Theory）和组织支持理论（Organizational Support Theory），构建了一个 2-2-1 跨层级中介模型。
- Level 2 (学校层)：自变量（AI 准备度）、中介变量（聚合的教师机制）。
- Level 1 (学生层)：因变量（AI 素养）。
变量测量：
- 学校 AI 准备度 (Level 2)：基于组织变革准备度理论，包含 6 个维度：战略与政策准备、组织环境、流程准备、技术准备、数据准备、伦理治理。
- 聚合教师机制 (Level 2)：将教师问卷数据聚合至学校层面，测量感知 AI 能力、感知教学影响、感知难度、满意度、社会支持等（基于 UTAUT 和 TAM 框架）。
- 学生 AI 素养 (Level 1)：基于生成式 AI 素养评估测试 (GLAT) 改编，包含 10 个二值计分题目，涵盖理解、应用、评估和伦理参与。
统计分析：
- 使用多层线性混合效应模型 (Multilevel Linear Mixed-Effects Models) 处理学生嵌套于学校的数据结构。
- 采用乘积系数法 (Product-of-coefficients) 结合 Delta 法和蒙特卡洛模拟 (20,000 次抽样) 检验中介效应。
- 进行稳健性检验：包括聚合层面的 2-2-2 模型、区域 AI 发展水平的调节效应分析（高/低 AI 发展区对比）及省份固定效应模型。

3. 主要结果 (Key Results)

3.1 学校 AI 准备度与学生 AI 素养的关联 (RQ1)

总体正相关：在控制机构类型、区域和政策地位后，学校整体 AI 准备度与学生 AI 素养呈显著正相关 ( $\beta = 0.016, p < 0.001$ )。
维度差异：单独分析时，所有 6 个准备度维度（战略、组织、流程、技术、数据、伦理）均与学生素养呈显著正相关。其中数据准备度的系数最大。
整体性效应：当 6 个维度同时进入模型时，系数显著衰减且不再显著，表明这些维度是相互交织的整体组织配置 (Integrated Organizational Configuration)，而非独立的正交预测因子。

3.2 跨层级中介机制 (RQ2)

部分中介效应：聚合的教师感知 AI 能力 (Aggregated Teacher-Perceived AI Capability) 在机构准备度与学生素养之间起部分中介作用。
- 路径 $a$ (准备度 $\to$ 教师能力)：显著正相关 ( $\beta = 0.165$ )。
- 路径 $b$ (教师能力 $\to$ 学生素养)：显著正相关 ( $\beta = 0.009$ )。
- 间接效应 ($ab $)：显著 ($ p = 0.034$)。
特异性发现：虽然机构准备度也影响教师的满意度、社会支持等态度指标，但只有感知能力（即教师认为自己有能力设计并实施 AI 支持的教学）能稳定地传递到学生素养结果。一般性的态度接受度（如满意度）未表现出稳定的传递效应。

3.3 稳健性与边界条件 (RQ3)

结构稳健性：在聚合层面的 2-2-2 模型中，中介路径依然显著，证明该机制不是跨层级建模的人为产物。
区域调节效应：区域 AI 发展水平（高/低）独立地影响学生素养基线（高发展区学生素养更高），但并未显著调节“准备度 - 能力 - 素养”这一路径的强度。
- 这意味着，无论是在 AI 产业发达还是欠发达地区，加强学校内部准备度和教师能力的逻辑机制是一致且稳定的。

4. 关键贡献 (Key Contributions)

理论创新：
- 将 AI 准备度从单纯的“基础设施清单”重新概念化为一种多层级组织条件。
- 验证了生态系统理论在 AI 教育整合中的应用，明确了宏观机构条件通过中观集体教师能力影响微观学生成果的传导路径。
- 修正了技术接受模型（如 UTAUT），指出在职业教育背景下，集体教学能力比个体态度接受度更能预测学生成果。
实证突破：
- 利用超大规模样本（200 万 + 学生），首次在国家层面量化了机构准备度与学生 AI 素养之间的关联。
- 提供了机制证据，证明机构投资必须通过提升教师的集体教学能力才能转化为学习成果，而非仅仅依靠工具可用性。
政策启示：
- 整体性投资：机构准备度是一个整体配置，单一维度的技术升级（如仅购买硬件）若缺乏治理、数据和伦理的协同，难以产生持久效果。
- 能力导向：教师专业发展应从“意识唤醒”转向“能力建设”，重点提升教师将 AI 融入职业任务的教学设计能力。
- 公平性策略：由于该路径在不同区域 AI 发展水平下均稳健，欠发达地区可以通过强化内部组织建设和教师能力来缩小 AI 素养差距，而不完全依赖外部产业环境。

5. 局限性与未来展望

因果推断：横断面设计限制了因果推断，未来需纵向研究或干预实验。
测量指标：教师机制主要基于感知数据，未来可结合课堂观察或平台日志数据以 triangulate（三角验证）实际教学行为。
异质性：学校间方差较小，未来需进一步探索机构准备度对不同背景学生子群（如不同数字基础）的差异化影响。

总结

该研究通过大规模多层级分析，确立了学校 AI 准备度通过聚合的教师感知能力影响学生 AI 素养的传导机制。研究强调，职业教育中的 AI 转型不仅仅是技术升级，更是一个需要战略、治理、数据、伦理与教师能力协同发展的系统性组织变革过程。这一发现为制定 equitable（公平）且 scalable（可扩展）的 AI 教育政策提供了坚实的理论依据。