摘 要：近年来，随着中小学人工智能教育的全面普及与推广，教师作为推动其发展的中坚力量，明晰人工智能教师胜任力的基本结构和要素尤为重要。鉴于此，文章综合运用文献研究法、行为事件访谈法以及德尔菲法，探索性构建了中小学人工智能教师胜任力初始模型。随后，文章通过设计评测量表，运用问卷调查法验证胜任力初始模型，根据数据分析结果修订，最终确立了包含知识特征、技能特征、教学特征、关系特征、成就特征和个人特质6大核心类属及21项胜任特征的中小学人工智能教师胜任力“金字塔”模型，并对其构成要素进行了系统性阐释，以期对我国中小学人工智能教师胜任力的评估与发展提供一定的理论支撑。
关键词：人工智能教育；胜任力模型；教师胜任力；行为事件访谈
一、研究缘起
在大数据、云计算、物联网等新兴数字技术集群驱动的智能时代背景下，全球各国正将人工智能教育纳入国家战略框架，实施系统性顶层设计与资源整合布局。2016年，美、英、日等国家率先将人工智能教育纳入国家人才培养战略。2017年，我国国务院出台《新一代人工智能发展规划》，推动中小学人工智能教育普及；2019年首批试点城市公布，标志着我国中小学人工智能教育进入全面发展阶段；2024年，《教育部办公厅关于开展中小学人工智能教育基地推荐工作的通知》确定了184个中小学人工智能教育基地，再次彰显了我国持续性推行人工智能教育的坚定信念。从国际趋势到国内实践，中小学人工智能教育已成为全球教育变革的重要方向，培育适应智能时代发展的人才，需要从基础教育阶段开始落实，而教师是推动人工智能教育发展的关键力量。目前，中小学人工智能教师尚无明确定义，故参照创客教师的概念，可将其界定为承担中小学人工智能教学或组织人工智能实践活动的教师。
胜任力（Competency）由哈佛大学的Mccleland提出，指区分工作中表现优异者与一般者的个性深层特质，这些特质可能包括动机、个性、自我认知、态度或信念、特定领域知识、认知能力或行为技巧等。目前，国内外对中小学人工智能教师胜任力研究较少，Long等提出人工智能教师应具备人工智能识别与理解、跨学科整合、伦理引导、批判性思维以及编程等能力；Touretzky等建议教师掌握AI知识，具备应用AI技术、兴趣激发、道德规范、技能培养等相关能力；Sun等基于TPACK理论，提出K-12教师的AI胜任力划分为AI知识、AI教学技能和AI教学自我效能感3个维度；柏宏权等运用文献研究法将AI课程教师胜任力划分为专业知识与能力、教学技能和态度伦理道德观3个维度，共12项胜任力要素；徐露基于胜任力模型理论，将AI课程教师教学胜任力划分为知识素养、教学能力和教师特质3个维度及35个胜任力要素；谢忠新等以胜任力冰山模型为理论，构建了包含人工智能知识、技能、道德与伦理以及教学态度、理念、自我效能等要素的中小学人工智能学科教师胜任力模型。
总体而言，现有研究存在局限：国外成果本土适用性不足，国内多依赖理论借鉴或文献研究，未遵循胜任力研究的基本方法和流程。鉴于此，本研究采用行为事件访谈法、德尔菲法等构建中小学人工智能教师胜任力模型，并通过问卷调查实证检验。人工智能教师胜任力模型的构建，有助于剖析人工智能教师胜任力的内部样态，为中小学人工智能教师胜任力的评估与发展提供理论借鉴。
二、研究设计
（一）研究对象
考虑到访谈的便利性和可行性，本研究采用方便抽样法，访谈对象由山东省内各地教育行政部门领导、学校管理者等推荐，或从“中国机器人及人工智能大赛”“山东省青少年人工智能科普与创新创意大赛”等获奖者指导教师名单中筛选。共有21名中小学人工智能教师参与正式访谈，他们来自于济南、青岛、潍坊、德州和临沂等城市。同时，根据教师指导学生的获奖情况，将其划分为绩优组和绩平组，被访谈对象不知晓自己的组别，属于单盲设计。
（二）研究工具
胜任力编码词典是一套关于胜任力特质及其行为评价标准的体系。本研究以“斯宾塞通用胜任力词典”为蓝本，对人工智能教育相关的素养框架、能力标准和课程标准等政策文件，以及27篇人工智能教师能力相关期刊文献和硕博论文进行内容分析，按不同胜任特征出现的频次，提取29项中小学人工智能教师胜任特征，并结合中小学人工智能教师的角色定义、岗位职能及实践考量等，编制“中小学人工智能教师胜任力编码词典”初稿（以下简称“初始编码词典”），其包含的胜任特征集如表1所示（表1略）。
（三）研究步骤
1.行为事件访谈的实施。本研究根据行为事件访谈法实施的基本流程和注意事项，编制了“中小学人工智能教师胜任力访谈提纲”。访谈于2024年春季启动，受地理条件限制，除济南本地的6人采取面对面访谈外，其余15名访谈对象均借助微信或腾讯会议等平台完成。访谈中，访谈者运用STAR法（背景Situation、任务Task、行为Action、结果Result），请受访教师讲述自己在开展人工智能教育过程中取得的三件最成功事件和三件最失败事件，并录制访谈内容。
2.访谈文本的转录与编码。访谈录音转录为文本后，由两位编码者组成的编码小组进行背对背编码。根据编码结果，添加“初始编码词典”未涵盖的新胜任特征，剔除未出现的胜任特征。
3.编码数据的统计分析。现有研究对行为事件访谈文本的编码分析统计指标各异，主要包括访谈时长、文本字数、出现频次、平均等级分和最高等级分等。本研究利用统计软件SPSS26.0，对两组在访谈时长、文本字数及各胜任特征的频次、平均等级分和最高等级分等方面进行差异性分析。
4.胜任特征的专家征询。为确保中小学人工智能教师胜任特征的全面性和区分度，本研究采用德尔菲法，通过电子邮件向13位来自不同机构（包括高校、教育发展研究院、教育科学研究院和电化教育机构等）的中小学人工智能教育领域专家，分发两轮“中小学人工智能教师胜任特征专家意见征询表”。
5.胜任力模型的初步建构。根据编码数据与征询表统计结果，将平均等级分和最高等级分存在显著差异的胜任特征归为“鉴别性胜任特征”，其余归为“基准性胜任特征”。然后，将标准化处理后的平均等级分和最高等级分，运用组间联接法对21项胜任特征进行聚类分析，并参考已有胜任力维度划分标准，初步构建中小学人工智能教师胜任力模型。
三、胜任力模型的构建
（一）编码信度分析
两位编码者语义编码的一致性是确保数据分析准确性和客观性的关键，其水平直接影响编码结果的稳定性和可信度。本研究使用归类一致性（Category Agreement，CA）和编码信度系数（Reliability Coefficient，RC）检验编码信度。结果显示，归类一致性系数CA普遍超过0.65，而编码信度系数R均超过0.8，表明两位编码者的编码一致性达到了较高标准，结果适用于深入数据统计分析。
（二）两组访谈长度差异分析
行为事件访谈研究中，确保数据的稳定性和代表性非常关键。本研究对21名受访教师的访谈时长和访谈文本字数进行描述性统计与独立样本t检验，发现绩优组和绩平组在访谈时长和文本字数上的差异在统计学上并不显著，如表2所示。结果显示，尽管两组绩效的水平不同，但提供的信息在量与质上无显著差异（表2略）。
（三）胜任力特征差异分析
根据斯宾塞的建议和以往研究惯例，建构胜任力模型时需统计各项胜任特征的发生频次、平均等级分和最高等级分等数据，以衡量不同绩效组的特征差异。由于平均等级分和最高等级分相较于发生频次稳定性更高，更能有效反映差异，本研究利用SPSS26.0对绩优组、绩平组各项胜任特征的平均等级分与最高等级分进行独立样本T检验，检验两组胜任特征差异的显著性，结果如表3所示。
由表3可知（表3略），绩平组和绩优组在平均等级分上，跨学科知识（t=-2.809）、问题解决（t=-3.568）、进取心（t=-2.407）、主动性（t=-3.484）、热爱AI教育（t=-4.546）、创新能力（t=-3.636）、耐搓力（t=-3.104）这7项胜任特征存在显著差异，其余无显著差异；在最高等级分上，跨学科知识（t=-2.625）、AI技术操作与应用（t=-2.942）、进取心（t=-2.451）、团队协作（t=-2.515）、AI竞赛指导（t=-2.768）、热爱AI教育（t=-2.913）这6项存在显著差异，其余无显著差异。综上，跨学科知识、问题解决、进取心、主动性、热爱AI教育、创新能力、耐搓力、AI技术操作与应用、团队协作、AI竞赛指导、热爱AI教育共11项胜任特征，被初步确定为优秀中小学人工智能教师的胜任特征。
（四）专家征询数据的统计分析
专家对各胜任特征按以下标准打分：“非常重要”5分，“重要”4分，“一般”3分，“不重要”2分，“很不重要”1分。然后，对专家的征询数据进行统计，计算各胜任特征的总分、均值、满分比、标准差以及变异系数，统计结果如表4所示（表4略）。统计显示，“自信心（均值=3.38、CV=0.25）”“问题解决（均值=3.08、CV=0.32）”两项均值均小于4，显著低于其他胜任特征均值，且CV≥0.25，表明其重要性偏低且评判一致性不足，予以删除；其余胜任特征CV＜0.25，平均值均高于4.0，予以保留。此外，专家在征询问卷备注中建议“人工智能教师胜任特征应聚焦其独特的部分”“部分特征概念缩小内涵范围”。结合意见，本研究修订了部分胜任特征以增强针对性，如将“终身学习”调整为“AI终身学习”，“跨学科整合”改为“AI跨学科整合”，“团队协作”改为“合作开展AI教育”。最终，中小学人工智能教师胜任特征确定为21项，同时完善了胜任力编码词典中各胜任特征定义和等级行为描述。
（五）胜任力模型的初步构建
1.胜任力要素的确定
根据访谈文本中各胜任特征平均等级分和最大等级分的独立样本t检验结果，结合征询表中专家打分情况，初步确定人工智能教师的12项“基准性胜任特征”和9项“鉴别性胜任特征”。其中，“基准性胜任特征”指所有人工智能教师需具备的基础素质，属于入门级要求，用于判定教师是否“合格”，适用于人工智能教师资格的认定和入职选拔；而“鉴别性胜任特征”对于预测和区分人工智能教师工作绩效具有重要作用，用于判断教师表现“优劣”，适用于优秀人工智能教师的评选与甄别。
2.胜任力维度的划分
为确保胜任力维度划分的科学性和严谨性，本研究运用“数据支撑+理论借鉴”的方法。首先，基于标准化处理后的平均等级分和最高等级分，运用组间联接法，以平方欧氏距离为个案区间测量方式，对21项胜任力进行聚类分析。然后，参考Spencer等的胜任特征分类及《人工智能教师能力标准（试行）》中对人工智能教师工作职责的要求，将教师胜任力模型中的21项特征归纳为知识特征、技能特征、管理特征、成就特征和个人特质五大核心类属，初步构建了中小学人工智能教师胜任力初始理论模型，如表5所示（表5略）。
四、胜任力模型的检验及确立
上文采用行为事件访谈法构建教师胜任力模型，鉴于该方法属于小规模样本研究，侧重回顾性分析且编码一致性影响结果，需进一步检验模型的科学性和有效性。
（一）量表编制与数据收集
1.量表编制。参考已有教师胜任力评测量表，结合“编码词典”和访谈资料，编制了包含60个题项的“中小学人工智能教师胜任力初始调查问卷”（以下简称“初始问卷”）。邀请教育学专家、信息技术教研员及一线中小学教师等对问卷进行阅读和评估后，确定了包含55个评测项目的“初始问卷”。然后，发放与回收初始调查问卷进行预调查，根据预调查的数据分析结果修改、删减不符合要求的题项，最终形成含42个题项的“中小学人工智能教师胜任力正式调查问卷”（以下简称“正式问卷”）。
2.数据收集。本研究以济南市中小学人工智能教师作为试测对象，通过纸质和线上问卷星平台共发放“初始问卷”243份，回收229份。经筛选和数据清洗，确定有效问卷207份，回收率94.2%，有效率90.4%。此外，将“正式问卷”发放至济南、青岛、淄博、潍坊和临沂等人工智能教育试点的区（县），共收集问卷622份，剔除无效问卷后，获有效问卷565份，有效率为90.8%。
（二）探索性因子分析
因子分析之前，对回收的207份“初始问卷”数据进行KMO和Bartlett球形度测试，评估因子分析适宜性。结果显示，KMO指数为0.852，Bartlett球形度检验的p值小于0.001，表明数据适合因子分析。然后运用主成分分析法萃取共同因子，采用方差极大正交旋转求出因子负荷矩阵，以特征值大于1为标准，不限制因子数量。最终，42个项目因子载荷值均超过0.3，提取6个因子，累计解释变异率为59.899%。
（三）验证性因子分析
本研究利用AMOS24.0软件构建了包含知识特征、技能特征、教学特征、关系特征、成就特征和个人特质6个潜在变量及42个观测变量的中小学人工智能教师胜任力的CFA假设模型，录入正式调查数据，并采用最大似然法检验。结果显示，各因子p值均小于0.001，达到了显著水平。此外，模型拟合度指标表现良好，卡方与自由度比值x2/df为2.387＜3；GFI=0.868，CFI=0.922，NFI=0.873，IFI=0.922，TLI=0.916，均大于0.8；RMSA=0.050，达到优秀门槛值，再次证明了模型的拟合度较高。
（四）信效度检验
在信度方面，各子量表的Cronbach’sα信度系数、分半信度系数均超过0.7，且总分表的系数均大于0.9，数据可靠性较高。在效度方面，各子量表相关系数范围为0.649～0.781，且低于与总测验分数的相关系数，这表明量表的构想效度良好；通过计算平均方差萃取量（AVE）和组合信度（CR）进一步验证模型的聚合效度，6个子量表的AVE值均大于0.5，且CR值均大于0.8，聚合效度较高。此外，各因子AVE平方根值大于与其他因子相关系数的绝对值，区分效度良好。
（五）模型的确立及要素阐释
1.胜任力模型的确定
基于因子分析和模型拟合度检验的结果，修订初始胜任力模型的构成维度和名称，最终构建了中小学人工智能教师胜任力“金字塔”模型，如图1所示（图1略）。该模型包含6大核心类属和21项胜任特征，其中成就特征和个人特质为“隐性”胜任力，知识、关系、技能和教学特征为“显性”胜任力；AI跨学科整合、AI竞赛指导等9项为“鉴别性胜任特征”（字体加粗项），其余12项为“基准性胜任特征”。
2.胜任力要素的阐释
①知识特征：教师需具备全面、系统且科学的专业知识体系，这是确保其教学工作得以顺利进行的基础。知识特征包含AI学科知识、AI道德伦理知识和跨学科知识3个二级要素。其中，AI学科知识是指教师需要了解编程、机器学习、自然语言处理和计算机视觉等AI核心技术原理的专业知识；AI道德伦理知识是指教师应通晓AI技术应用场景的伦理原则与行为规范知识体系；跨学科知识是指教师具备计算机科学、统计学和认知心理学等AI教育支撑学科的融合性知识。
②技能特征：教师除具备专业的知识体系外，还需具备相关的专业技能。技能特征包含AI跨学科整合、AI教育资源开发、AI技术操作与应用3个二级要素。其中，AI跨学科整合是指教师能够精准识别学科间融合点，运用AI工具培养学生的创造性问题解决能力；AI教育资源开发是指教师能够基于学情开发适配性AI教学资源以支撑教学增效的专业实践；AI技术操作与应用是指教师能够熟练演示AI设备工具并提供精准课堂技术指导的实操素养。
③教学特征：教学特征是关于教师规划、实施、评估AI教学活动本身所展现出的、区别于传统学科教学的、具有AI教育特殊性的核心能力和方法，包含AI社团管理、AI竞赛指导和AI教学能力3个二级要素。其中，AI社团管理是指教师组建和管理AI主题学生社团方面的相关技能；AI竞赛指导是指教师能够进行赛前规划、竞赛策略制定与指导、赛后总结等，指导和支持学生参加AI竞赛；AI教学能力是指教师在讲授AI相关课程时所展现的专业技能和素质。
④关系特征：关系特征是关于教师在构建和维持各种积极、有效的人际互动网络方面所展现出的核心能力与倾向性，具体包含关爱学生、培养他人和合作开展AI教育3个二级要素。其中，关爱学生是指教师在AI教学过程中展现出来的关注学生的需求和发展等外在表现；培养他人是指教师帮助学生或他人发展必要的AI领域的能力、技能和特质，以便他们能够有效地履行特定的角色或任务；合作开展AI教育是指教师愿意与校内外同事、学者和行业专家合作，分享自己AI教育方面的经验与见解，共同推动AI教育事业的发展。
⑤成就特征：成就特征是指教师能够显著体现其在该领域取得卓越教学效果、产生积极影响力并获得广泛认可的具体表现、成果和标志性能力，具体包含责任感、热爱AI事业、创新能力、进取心、AI终身学习5个二级要素。其中，责任感是指教师自觉担当AI教育职责并履行道德规范的态度与行为；热爱AI事业是指教师主动探索AI教学并持续精进的专业热情；创新能力是指教师以创新方法提升AI课堂效果与学生体验的实践技能；进取心是指教师在AI教育领域内，持续追求自身专业成长和发展的内在动力；AI终身学习是指教师持续更新AI知识库以保持教学前瞻性的学习能力。
⑥个人特质：个人特质是指教师能够有效促进学生学习、适应AI教育特殊需求并在此领域获得成功的核心内在品质、态度、能力和素养，具体包含反思能力、耐挫力、主动性、人际沟通能力4个二级要素。其中，反思能力是指教师对AI教学实践、学生反馈及教育决策进行深度评估的能力；耐挫力是指教师应对AI教育挑战与学生问题时展现的心理韧性及抗压能力；主动性是指教师在AI教育中自发超越职责投入额外努力的人格特质；人际沟通能力是指教师高效协调学生、同事、家长及校外多角色主体的沟通能力。
五、总结与展望
胜任力模型在管理学、社会学和教育学等领域的应用非常广泛，涵盖基于胜任力的岗位或职务分析、人才选拔、业务培训及绩效评估等。本研究构建的教师胜任力模型可为中小学人工智能教师的选拔、培训、评价和管理等提供参照，为管理者评估与发展教师胜任力提供思路和工具支持。教育管理者可借助本胜任力模型，针对拟聘及在岗教师，诊断其胜任力的水平、短板与发展需求，以决定其是否录用或开展针对性培训服务。此外，该模型能为人工智能教师明确工作要求与专业成长方向，促进其自身专业和职业发展。教师借助该模型及自评工具，可了解自身开展人工智能教育教学的胜任力水平，明确优势和不足，规划未来专业发展路径。
当前中小学人工智能教师胜任力研究多停留于理论构想，缺乏实证检验。为此，本研究综合文献研究法、行为事件访谈法和德尔菲法构建初始模型，并通过问卷调查交叉验证，最终探索性建立了包含6大核心类属、21项胜任特征的中小学人工智能教师胜任力“金字塔”模型。该模型廓清了胜任力的总体样态和内部结构，为明确教师所需能力提供了学理依据。后续将开展模型应用研究，结合理论与实践，助力中小学人工智能教师专业发展。
（本文参考文献略）
Construction of Competency Models for Artificial Intelligence Teachers in Primary and Secondary Schools——A Study Based on Behavioral Event Interviews
DingShiqiang MaXiao DongTongqiang MaChizhu
Abstract: In recent years, with the widespread popularization and promotion of artificial intelligence education in domestic primary and secondary schools, it has become imperative to clarify the basic structure and elements of the competence of artificial intelligence teachers who served as the backbone driving the development of artificial intelligence education. In view of this, this paper comprehensively used literature research method, behavioral event interview method, and Delphi method to construct a preliminary competency model for artificial intelligence teachers in primary and secondary schools. Subsequently, an evaluation scale was designed, and a questionnaire survey was conducted to validate the initial competency model. Through rigorous data analysis, the model was refined, culminating in the development of a “pyramid” model for the competency of primary and secondary school artificial intelligence teachers, which included six core categories of knowledge characteristics, skill characteristics, teaching characteristics, relationship characteristics, achievement characteristics, and personal traits, as well as 21 competency characteristics. The constituent elements were systematically explained in order to provide theoretical support for the evaluation and development of the competency of primary and secondary school artificial intelligence teachers in China.
Key words: artificial intelligence education; competency model; teacher competence; behavioral event interviews
初审：曹洪家
复审：孙振东
终审：蒋立松
