人工智能賦能教師專業發展的效果如何？

【中圖分類號】G40-057【文獻標識碼】A【論文編號】1009—8097（2025）05—0014—09【DOI】10.3969/j.iss.1009-8097.2025.05.002

人工智能技術的縱深發展和廣泛應用推動著教育系統發生深刻變革，教師在人工智能與教育教學的融合中發揮了重要作用。《中共中央 國務院關于全面深化新時代教師隊伍建設改革的意見》指出，教師應主動適應信息化、人工智能等新技術變革，積極有效開展教育教學。人工智能賦能教師專業發展既是培養智能時代高質量教師隊伍的重要突破口，也是實現教育強國戰略和教育現代化的重要支撐。從實踐層面來看，教育部自2018年起分批次開展了人工智能助推教師隊伍建設行動試點工作，通過教師智能助手應用、教師智能研修、智能教育素養提升等試點行動，探索了人工智能賦能教師專業發展的新路徑和新模式[1]。但從研究層面來看，當前國內關于“人工智能賦能教師專業發展”議題的探討聚焦邏輯架構[2]、理論模型[3]、價值定位與制度建設[4等應然層面，盡管國外已開展了一些實證研究，但人工智能賦能教師專業發展的實際效果如何仍沒有確定的答案，亟需從科學實證主義的角度明確回應這一問題。因此，本研究嘗試對人工智能應用于教師專業發展的實驗或準實驗研究進行元分析，探析人工智能賦能教師專業發展的實際效果并有針對性地提出建議，以期在研究與實踐層面為教師專業發展領域中的人工智能應用提供參考。

一問題提出

教師專業發展即教師專業實踐的改善5，表現為思想、素質、知識、能力、情意等多個方面。本研究選擇從知識維度考察教師專業發展效果，將教師知識作為元分析的效應量指標。梳理相關文獻可以發現：Koehler 等[7]提出了整合技術的學科教學知識（Technological Pedagogical Content Knowledge，TPACK）框架，強調技術知識、教學法知識、學科內容知識三者之間的相互作用和整合，但這三者之間的重合地帶使此框架不適合用于對教師知識進行明確分類；而Elbaz提出了理論性知識-實踐性知識分類框架，其中理論性知識是指學科內容、學科教學法、課程、教育學、心理學和一般文化等原理類知識，實踐性知識包括教師在教育教學實踐中實際使用和表現出來的知識——此框架強調理論性知識與實踐性知識之間的明顯分界，這使其適用于在元分析研究中從知識維度對教師專業發展的效果進行分類考量[9]。基于此，本研究從理論性知識和實踐性知識兩個維度，來探析教師專業發展效果。

人工智能是研究用人工的方法和技術模擬、延伸、擴展人類智能，以最終達到人類智能水平的機器智能[10]。人工智能在教師專業發展領域中的應用場景主要包括： ① 智能輔助教學，如基于自然語言處理的自動化反饋工具幫助教師提高對學生想法的采納率[11]； ② 智能輔助學習，如在線協作話語自動可視化分析工具促進職前教師的協作探究和知識建構[12]； ③ 智能輔助管理，如課堂模擬系統提升教師管理課堂不當行為的能力[13]； ④ 智能輔助評價，如虛擬學習環境促進培養職前教師的數學評價能力[14]。

根據人工智能對教師決策的干預程度，可將教師專業發展領域中的人工智能分為三種類型： ① 模擬型AI，主要用于創建虛擬教學環境和虛擬學生，但不直接介入教師的教學決策和行為[15]； ② 輔助型AI，強調通過人機協作提高教師的決策效率，但教師仍最終掌握決策權[1； ③ 決策型AI，具有更強的自主性，主要通過機器學習等技術進行判斷、分析、預測，進而直接進行教學決策，如動態調整教師專業學習的路徑[17]。

此外，人工智能賦能教師專業發展的相關實驗或準實驗研究還涵蓋多個變量，如教學情境涉及線上、線下、混合式等形式，任教學科涉及理科、文科和其他學科，任教學段涉及從職前教育到大學的多個學段，實驗周期涉及一天以內到一年以上不等——這些變量也會對人工智能賦能教師專業發展的效果產生影響。

通過上述文獻分析，本研究將知識維度的教師專業發展效果作為結果變量，將人工智能應用場景、人工智能類型、教學情境、任教學科、任教學段、實驗周期作為調節變量，聚焦于探究以下問題： ① 人工智能賦能教師專業發展的整體效果如何？ ② 從不同知識維度的教師專業發展來看，人工智能的賦能效果分別如何？ ③ 人工智能應用場景、人工智能類型、教學情境、任教學科、任教學段、實驗周期等特征變量對人工智能賦能教師專業發展的效果具有怎樣的調節效應？

二研究設計

1文獻檢索

本研究在國內外文獻數據庫中檢索“人工智能賦能教師專業發展\"的相關文章，論文發表時間設為 2000年1月 ～2024 年12月。本研究在中國知網以“ KY= （人工智能 ^，+^? 人機協同 ^，+^? 機器人 ^，+^° 智能教學 ?+? 智能輔導 ^，+^? 教育智能體 ?+? 智能導師 ^，+^° 教學代理 ^，+^? 大模型 ^，+^? 大語言模型ANDTKA （教師專業發展 ?+? 教師發展 ^°+^° 教師學習 ^，+^° 教師改進 ?+^? 教師改變 ?+? 教學改進 ^，+^° 教師研修 ?+? 教研'）”為檢索式，共檢索到436篇中文文獻；同時，本研究在Web of Science、ERIC、ProQuest 和 Google Scholar 數據庫以 artificial intelligence、human-machine co-teaching、human-computer co-teaching、robot、intelligenttor、intelligent teaching、artificialtutor、pedagogical agent、large language model、teacher professonal development、teacher development、teacherlearn、teacher change、teacher improvement、teacher training、teaching research 為關鍵詞進行組合檢索，共檢索到1777篇英文文獻，刪除45篇重復文獻后，得到1732篇文獻。最終，本研究共得到2168篇中英文文獻。

2文獻篩選

元分析是一種系統的定量統計方法，用于整合多個相互獨立的實證研究結果，從而得出更具普遍性和可靠性的科學結論。由于元分析方法對研究樣本有嚴格的要求，故本研究團隊按以下標準對 2168篇中英文文獻進行了篩選：

① 研究內容涉及人工智能對教師專業發展的影響，剔除偏離研究主題的文獻1149 篇；

② 研究方法必須為實驗或準實驗研究，剔除文獻綜述、理論探討等類型的文獻793篇；

③ 實驗對象必須為職前教師或職后教師，剔除研究對象為學生或其他成人學習者的文獻147篇；

④ 研究必須包含實驗組和對照組，剔除僅有前測或后測結果以及缺少對照實驗的文獻13篇；

⑤ 論文應包括研究樣本量、實驗組和對照組平均值、標準差等測量數據，剔除數據不完整的文獻3篇;

⑥ 剔除未找到全文的文獻47篇。

經篩選，本研究團隊獲得文獻16篇。之后，本研究團隊閱讀這16篇文獻的全文，采用滾雪球抽樣法，獲得符合文獻篩選標準的文獻13篇。最終，本研究得到了29篇樣本文獻，其中有4篇文獻存在兩個實驗組，因此共得到33項相互獨立的實驗或準實驗研究。

3文獻特征變量編碼

為分析特征變量對效應值的影響，本研究首先對納入樣本文獻的各項特征變量進行編碼，如表1所示。接著，兩位編碼員按照表1對33項實驗或準實驗研究進行背對背編碼。之后，本研究通過計算得到編碼一致性系數為0.979[18]，符合有效性標準。最后，兩位編碼員對不一致的編碼進行協商，達成一致意見，得到最終編碼結果。

4數據分析

（1）效應值計算

本研究采用Hedges'sg作為效應值指標[19]。由于各項研究的效應值需遵循獨立性原則，故當一項研究存在多個效應值時，本研究先通過刪除無關效應值、同類效應值取均值、反向效應值取反等操作，篩選得到每項研究的唯一有效效應值，再采用Comprehensive Meta-Analysis 3.0 軟件進行合并效應值的計算。

（2）發表偏倚檢驗

納入的樣本文獻只能部分代表實驗研究結果，可能存在發表偏倚，故本研究采用漏斗圖和 Egger's 檢驗對納入的樣本文獻進行發表偏倚檢驗。漏斗圖檢驗結果如圖1所示，可以看出：絕大多數樣本文獻落在漏斗圖的上部有效區域內，且相對均勻地分布在漏斗圖的平均效應值兩側，整體呈漏斗狀。而 Egger's 檢驗結果顯示，效應值與其標準誤之間不存在線性關系！ （1=1.092lt;1.96） ， p=0.283gt;0.05 ）。上述兩種檢驗結果均表明：樣本文獻存在發表偏倚的可能性較小。

（3）異質性檢驗

根據元分析的統計原理，本研究采用Q檢驗和 I² 檢驗對各項研究結果進行異質性檢驗，并根據檢驗結果選擇適當的效應模型。其中，Q檢驗以 p 值形式呈現，若 plt;0.05 ，表明各項研究具有顯著異質性；I檢驗以I值的形式呈現，并將 I²=25% ！ 1²=50% 一 1²=75% 分別作為異質性低、中、高三種程度的分界值[20]。當異質性程度較高時，通常采用隨機效應模型；當異質性程度較低時，普遍采用固定效應模型消除異質性[21]。

三研究分析

1人工智能賦能教師專業發展的整體效果

納入樣本文獻的合并效應值及異質性檢驗結果如表2所示，可以看出：Q值為510.143且統計結果達到顯著水平（ _?plt;0.001） ， I²=93.727%gt;75% ，說明樣本文獻之間的異質性程度較高，因此本研究采用隨機效應模型進行分析。根據Cohen[22]提出的效應值標準，當效應量達到 0.2、0.5、0.8 時，分別代表具有較小、中等、較大的影響。經計算，人工智能賦能教師專業發展的合并效應值為0.779（ ?Δplt;0.001 ），說明人工智能對教師專業發展具有中等偏上程度的賦能效果。

2人工智能對不同知識維度教師專業發展的賦能效果

理論性知識與實踐性知識是教師專業發展的兩個知識維度，可作為組間效應分析的效應量來比較人工智能對不同知識維度教師專業發展的賦能效果，結果如表3所示，可以看出：理論性知識、實踐性知識的合并效應值分別為0.961（ ?lt;0.05. ）、0.749（ ?plt;0.001） ，說明人工智能對教師理論性知識、實踐性知識的專業發展分別具有高等程度、中等偏上程度的賦能效果，且兩者不存在顯著性差異（ g=0.782 pgt;0.05 ）。

3調節效應檢驗與分析

（1）人工智能應用場景對賦能效果的調節效應

將人工智能應用場景作為調節變量，比較不同應用場景下人工智能賦能教師專業發展效果的差異，結果如表4所示，可以看出：智能輔助教學、智能輔助學習的合并效應值分別為1.402（ ?lt;0.001 ）、0.742（plt;0.001 ），說明兩者對教師專業發展分別具有高等程度、中等偏上程度的賦能效果；而智能輔助管理、智能輔助評價的合并效應值分別為-0.027、0.082，說明這兩個場景中人工智能對教師專業發展不存在顯著的賦能效果（ .pgt;0.05 ）。整體來看，不同應用場景下人工智能賦能教師專業發展的效果存在顯著性差異C g=0.646 ， plt;0.05 ）。

將人工智能類型作為調節變量，比較不同類型的人工智能賦能教師專業發展效果的差異，結果如表5所示，可以看出：模擬型AI、輔助型AI的合并效應值分別為0.470（ ?lt;0.05 ）、0.859 plt;0.001 ），說明兩者對教師專業發展分別具有中等偏下程度、高等程度的賦能效果；而決策型AI的合并效應值雖為最高（ ?g=2.279 ），但由于樣本量較少，其對教師專業發展的賦能效果有待進一步驗證。整體來看，不同類型人工智能賦能教師專業發展的效果存在顯著性差異（ g=1.017 ， plt;0.01 ）。

將教學情境作為調節變量，比較不同教學情境下人工智能賦能教師專業發展效果的差異，結果如表6所示，可以看出：混合式教學的合并效應值最高（ g=2.522 ， plt;0.001. ），線下教學居中（ g=0.799 ， plt;0.05） ，線上教學最低（ g=0.642 ， plt;0.01 ），且三者之間存在顯著性差異（ g=1.098 ， plt;0.05 ）。其中，混合式教學的合并效應值雖為最高，但由于樣本量較少，此情境中人工智能對教師專業發展的賦能效果有待進一步驗證。整體來看，線下教學、線上教學情境下人工智能對教師專業發展分別具有高等程度、中等程度的賦能效果。

（4）任教學科對賦能效果的調節效應

將任教學科作為調節變量，比較人工智能賦能不同學科教師專業發展效果的差異，結果如表7所示，可以看出：其他學科的合并效應值最高（ Φ_?g=1.240 ， plt;0.01 ），文科的合并效應值居中 （g=0.840，plt;0.01） ，理科的合并效應值最低（ g=0.573 ， plt;0.05 ），說明人工智能對其他學科和文科教師專業發展具有高等程度的賦能效果，而對理科教師專業發展具有中等程度的賦能效果，三者不存在顯著性差異 ?g=0.817，pgt;0.05） °

將任教學段作為調節變量，比較人工智能賦能不同學段教師專業發展效果的差異，結果如表8所示，可以看出：職前教育（ g=0.571 ， plt;0.001 ）的合并效應值中等，說明人工智能對職前教師專業發展具有中等程度的賦能效果。而學前教育、小學、中學、大學、其他學段的樣本量較少，故人工智能對職后教師專業發展的賦能效果有待進一步驗證。

所示，可以看出：當實驗周期為一月至一學期時，人工智能對教師專業發展具有高等程度的賦能效果（ g=1.540 ， plt;0.001 ）；當實驗周期為一天以內時，人工智能對教師專業發展不存在顯著的賦能效果C ?g=0.361 ， pgt;0.05 ）。而一天至一周、一周至一月、一學期至一年、一年以上的樣本量較小，故這些實驗周期下人工智能對教師專業發展的賦能效果有待進一步驗證。整體來看，不同實驗周期下人工智能對教師專業發展的賦能效果存在顯著性差異（ g=0.797 ， plt;0.05 ）。

四結論與建議

1結論

本研究對33項實驗或準實驗研究進行了元分析，結果發現： ① 人工智能對教師專業發展具有中等偏上程度的賦能效果。 ② 人工智能對教師理論性知識、實踐性知識的專業發展分別具有高等程度、中等偏上程度的賦能效果。 ③ 人工智能應用場景、人工智能類型、教學情境、任教學科、任教學段、實驗周期對賦能效果具有不同程度的調節效應——從人工智能應用場景來看，智能輔助教學、智能輔助學習對教師專業發展分別具有高等程度、中等偏上程度的賦能效果，而智能輔助管理、智能輔助評價場景中人工智能對教師專業發展不存在顯著的賦能效果；從人工智能類型來看，輔助型AI、模擬型AI分別對教師專業發展具有高等程度、中等偏下程度的賦能效果，而決策型AI對教師專業發展的賦能效果有待驗證；從教學情境來看，線下教學、線上教學情境下人工智能對教師專業發展分別具有高等程度、中等程度的賦能效果，而混合式教學情境下人工智能對教師專業發展的賦能效果有待驗證；從任教學科來看，人工智能對其他學科和文科教師專業發展具有高等程度的賦能效果，而對理科教師專業發展具有中等程度的賦能效果；從任教學段來看，人工智能對職前教師專業發展具有中等程度的賦能效果，而對職后教師專業發展的賦能效果有待驗證；從實驗周期來看，只有當實驗周期為一月至一學期時，人工智能對教師專業發展具有高等程度的賦能效果。

2建議

基于上述研究結論，本研究針對人工智能賦能教師專業發展的效果提升提出以下建議：

① 針對智能輔助管理、智能輔助評價場景中人工智能對教師專業發展不存在顯著賦能效果的問題，教育行政部門應引導各級各類學校深化場景創新，加強人工智能在學生個性化管理、課堂行為管理、教師知識管理等教學管理場景和學生過程性評價、德智體美勞多維度評價等教學評價場景中的應用。

② 針對決策型AI對教師專業發展的賦能效果有待驗證的問題，研究者應深入探究決策型AI尤其是智能作業批改、智能導師系統、教師虛擬助手等高自主性的決策型AI對教師專業發展的賦能效果，此問題的研究結果將直接回應“人工智能能否替代教師”這一智能時代的重要教育倫理性問題。

③ 針對混合式教學情境下人工智能對教師專業發展的賦能效果有待驗證的問題，建議通過行政支持、學校變革與研究介入的多維聯動，提升混合式教學情境下人工智能對教師專業發展的賦能效果，以有效破解當前混合式教學實踐存在的實施范圍有限、開展次不足、技術融合深度欠缺等現實困境。

④ 針對人工智能對職后教師專業發展的賦能效果有待驗證的問題，高等教育與基礎教育應加強合作，如基礎教育機構為人工智能在教師專業發展領域的應用提供實踐場域，而高校、科研機構的研究者要深入一線場景，在不同學段開展較長周期的實證研究，從而為人工智能賦能職后教師專業發展提供循證依據。

參考文獻

[1]教育部辦公廳.教育部辦公廳關于開展人工智能助推教師隊伍建設行動試點工作的通知[OL].

[2]彭靜，吳南中.人工智能賦能教師一體化發展：邏輯架構與生成路徑[J].現代教育技術，2024，（10）：23-31.

[3]黃濤，黃文娟，張振梅.人工智能何以賦能教師專業發展：理論模型與實踐路向[J].現代遠程教育研究，2025，（1）：35-44.

[4]楊帆，陳昊璇，朱永新.人工智能助力教師專業發展：價值定位、現實制約與制度建設[J].中國遠程教育，2024，（4）：58-68.

[5]崔允，王少非.教師專業發展即專業實踐的改善[J].教育研究，2014，（9）：77-82.

[6][9]陳向明.實踐性知識：教師專業發展的知識基礎[J].北京大學教育評論，2003，（1）：104-112.

[7]KoehlerMJ，MishraP.Whatis technological pedagogicalcontent knowledge？[J]. ContemporaryIssues iTechnologyand Teacher Education，2009，（1）：60-70.

[8]Elbaz F.The teacher's \"practical knowledge\"： Report of a case study[J]. Curriculum Inquiry，1981，（1）：43-71.

[10]李艷燕.人工智能教育應用[M].北京：北京師范大學出版社，2022：5.

[1]DemszkyD，LiuJ，HillHC，etal. Can automated feedback improve teachers’uptakeof student ideas？Evidence froma randomizedcontroledtrial inalarge-scaleonlinecourse[J].Educational EvaluationandPolicyAnalysis，223，（3）：483-505.

[12]YangY，ZuG，SnDeal.Colboratiealytics-uprtedefltiveassssmentfosaoding pr-sictacs collaborativeiquiryand knowledgebuilding[J].International Journalof Computer-Supported CollaborativeLearning， 2022，（2）：249-292.

[13]YeX，LiuP，LeeX，etal.Classroomisbehaviourmaagement： AnSVV-basedtraiingsstemforpreseviceteaces[J]. Interactive Learning Environments， 2021，（1）：112-129.

[14]Schons C，ObersteinerA，ReinholdF，etal.Developingasimulationtofosterprospective mathematics teachers'diagostic competencies： The effects of scaffolding[J]. Journal fur Mathematik-Didaktik，2023，（1）：59-82.

[15]KeF，Dai Z，Pachman M，Yuan X.Exploring multiuser virtual teaching simulationas analtermative learing environment for student instructors[J]. Instructional Science，2021，（6）：831-854.

[16]Rakap S. Chating with GPT：Enhancing individualized education programgoal development for novice special education teachers[J]. Journal of Special Education Technology， 2024，（3）：339-348.

[17]Elmaadaway M A N， Abouelenein Y A M. In-service teachers’TPACK development through an adaptive e-leaming environment （ALE）[J]. Education and Information Technologies，2023，（7）：8273-8298.

[18]Perreault WD，LeighLE.Reliabilityofnominal data basedonqualitative judgments[J].JournalofMarketingResearch， 1989，（2）：135-148.

[19]HedgesL V.Distributiontheoryforglassestimatorof efect sizeandrelatedestimators[J].JournalofEducational Statistics， 1981，（2）：107-128.

[20]HiggnsJPT，TompsonSG，DeeksJJ，etal.Measuring inconsistencyinmeta-analyses[J].TheBritishMedicalJoural， 2003，（7414）：557-560.

[21]李彤彤，龐麗，王志軍.翻轉課堂教學對學生學習效果的影響研究——基于37 個實驗和準實驗的元分析[J].電化教育 研究，2018，（5）：99-107.

[22]Cohen J.Statistical power analysis for thebehavioralsciences （2ndEdition）[M].New York： Routledge，1988：25-27.

HowEffective is the Empowerment of Teachers' Professional Development by Artificial Intelligence？

Based on the Meta-analysis of 33 Experimental or Quasi-experimental Studies

WANG Meng-Qian1，2 WANGFan1 LI Jing-Zhao1 SHIYi-Ran1

（1.CollegeofEducation，Capital Normal University，Beijing， China 100048;2.InstituteofArtificial IntellgenceEducation，CapitalNormal University，Beijing，China00048）

Abstract： Teachershave playedanimportant roleinthe integration ofartificial intelligence（AI）andeducationand teaching， yetthe actualefectivenessofAIinempowering teachersprofesional development remainsunclear.Inthisregard，through literature retrieval andscreening，the paper conducted a meta-analysisof 33 experimental orquasi-experimental studies， including thecalculationof thecombinedeffctvalue，heterogeneitytesting，intergroupefectanalysis，and moderatoreffect testingof the includedsample literature.Theresultsshowed that，overall，AIdemonstratedamoderatelyhigh empowerment effct on teachers’professionaldevelopment；inmoredetail，AIhadahigh-levelempowermenteffectonprofessional developmentof teachers’theoretical knowledgeandamoderately high efectontheir professional developmentof practical knowledge.Inaddition，theapplicationsenariosofAI，typesofAI， teachingcontexts，teachingsubjects，eaching stages，nd experimental period exhibited varying degres of moderating efects on the empowerment outcomes. Based onthese findings， this paper proposed suggestions forimproving theefectofAIempowering teachers’ professional development，withtheaim of promoting constructing high-quality teacher teams in theAIeraand further advancing the in-depthapplicationofAI in the field of education.

Keywords：artifcalitelligece;tachrprofessoaldevelomet;meta-aalsis;mpowemntefft;teachrteacosuction