解码科学教师 AI 认知
SEAP-AI 量表问世，照亮科学教育 AI 融合新路径
AI 正加速融入科学课堂，可教师对 AI 的真实态度，却一直是领域内的 “未解之谜”。现有研究要么用 “接受 / 拒绝” 简单归类，要么缺乏专门针对科学教师的测量工具。发表于《Journal of Science Education and Technology》的这项实证研究，成功开发并验证SEAP-AI 量表，用 552 名科学教师的大数据，揭开了教师 AI 态度的深层逻辑，为科学教育 AI 融合提供了精准测量工具。
01
研究困境
科学教育 AI 融合的两大空白
当前 AI + 科学教育的推进，卡在两个关键问题上：一是多数研究用技术接受模型，无法捕捉教师对 AI 的机遇与风险双重认知；二是没有专门针对科学教师的态度测量工具，难以精准定位培训需求（原文引言部分）。
为此，研究团队立足保护主义 + 赋能双重视角，改编开发科学教师 AI 态度与感知量表（SEAP-AI），填补了领域工具空白。
02
研究设计
保护主义赋能六因子全新模型
研究跳出非黑即白的认知误区，构建三维双维六因子模型：
两大核心视角：保护主义（防范 AI 风险、守护学生与学科）、赋能（利用 AI 提升教学与学习）
三大应用场景：教师理解、教师教学、学生理解最终形成 6 个核心维度，全面刻画科学教师的 AI 态度（原文理论框架部分）。
03
量表验证
SEAP-AI 通过严格实证检验
研究对 552 份有效问卷开展验证性因子分析，结果显示：修正后模型CFI=0.928、RMSEA=0.078、SRMR=0.051，完全达到良好拟合标准。
这意味着：面向读写教师开发的 AI 态度框架，可直接迁移应用于科学教育领域，SEAP-AI 量表具备出色的信效度，可成为全球科学教师 AI 态度测量的标准工具（原文研究结果 RQ1 部分）。
04
核心发现
两大因素决定教师 AI 态度
研究通过方差分析，打破 “年龄、教龄、城乡影响 AI 态度” 的固有认知，得出两大关键结论：
专业发展是核心：未参与过 AI 培训的教师，赋能维度得分显著更低，少量短时培训（5-6.9 小时）即可有效提升教师赋能认知；
学段差异显著：学前 - 2 年级科学教师，在保护主义、赋能多维度得分，均显著低于 3-12 年级教师（原文研究结果 RQ2 部分）
05
实践启示
科学教师 AI 培养的精准方案
这项研究为 AI + 科学教育落地提供了清晰方向：
工具赋能：用 SEAP-AI 量表精准诊断教师 AI 态度，定制培训方案；
培训轻量化：无需长期集训，短时微认证培训即可有效提升教师 AI 认知；
学段差异化：重点关注低学段科学教师，开发适配低龄学生的 AI 教学指导（原文讨论与结论部分）。