一位教师让 ChatGPT 整理人口统计资料，并抽查部分结果是否准确。同一位教师又担心，时间紧、准备不足的学生可能更容易误用它，付出更大的代价。
这不是编造的两个人在辩论，而是 Lyu 等人调查中的同一位教师 P57，在不同问题下给出的回答。这里用中文概述两段材料，不把它们拼成一次连续发言。P57 的担忧与实践，pp. 9、11 ↗
如果只能在“支持 AI”和“反对 AI”之间选一个位置，我们就会丢掉这个人最重要的考虑：他在什么事情上愿意依赖 AI，又在什么地方保留疑虑？这篇研究让我们把两个问题分开问。
一分钟读懂
- 读者用途：把“我信不信 AI”拆成具体任务中的收益、顾虑和核查条件，理解使用与怀疑为什么可能并存。
- 研究对象：2024 年 3 月，美国一所大学的 178 份有效教师问卷，结合量表回答与开放题文本。
- 核心发现：作者的测量支持把信任与不信任作为相关但可区分的构念；开放回答呈现了边用边核查、认可用途又担心后果的实践。
- 阅读边界：这是单校、一次性、自我报告调查。四组来自分数切分，既不是四种人格，也不是培训效果或学生学习成效的证明。
01 · 从谁的经验出发
论文由 Wenhan Lyu、Shuang Zhang、Tingting (Rachel) Chung、Yifan Sun 与 Yixuan Zhang 合作完成，2025 年发表于《Computers and Education: Artificial Intelligence》。首页署名涉及美国威廉与玛丽大学计算机科学系、商学院，以及中国人民大学；脚注说明 Shuang Zhang 在威廉与玛丽大学人机交互实验室担任研究助理实习生期间完成了这项工作。这一背景让计算机技术、使用者经验与教育组织问题在同一项研究中相遇。题录、单位与脚注，p. 1 ↗
真正需要记住的时间是数据收集发生在 2024 年 3 月。研究通过一所美国中大西洋地区大学的教务长办公室向约一千名教师发送邀请，收到 219 份回答，排除不完整回答后分析 178 份。调查开放四周，期间发送两次提醒。研究地点在美国，作者单位中有中国高校，并不使它成为中国高校样本。方法，p. 3 ↗
这里的“混合方法”，是把问卷中的量化回答与开放题文本放在一起分析。研究者对 294 条有效开放回答、共 10,269 个英文词进行编码，两位研究者讨论分歧，再由作者团队迭代主题。294 是回答条数，不是另外招募了 294 人；正文没有交代一套独立的访谈程序。分析方法，p. 5 ↗
这决定了证据的质地：我们读到的是教师如何描述自己的经验、预期与顾虑，并非研究者持续进入课堂观察后得到的行为记录。约一千人的邀请范围也不等于所有人都作出了回答，不能把这组结果直接换成全国比例。
02 · 熟悉，还不等于用进教学
受访教师中，29.8% 自报“非常熟悉”生成式 AI 概念，52.8% 自报“有些熟悉”。但从了解名词到把工具用进教学，中间仍隔着具体任务。结果，p. 5 ↗
图 1 中，58.8% 表示已经在课程大纲中写入生成式 AI 的相关说明；已经用它设计课程作业的比例是 14.8%，将其一般反馈与自己的反馈结合使用的是 7.4%。课程大纲里出现 AI，可以是在说明允许范围，也可以是在规定限制，并不自动代表教师已经采用它完成教学工作。图 1，p. 6 ↗
图 2 进一步把用途分开。文本摘要和翻译两项，各有 64.0% 选择“从未”；编程与代码生成一项为 77.0%。这些百分比对应不同任务，不能相加，也不能概括成同一个“从来不用 AI”的人群。图 2，p. 6 ↗
由此可以提出一个实际的追问： 一位教师听过培训、讲过 AI 伦理、在大纲里写过使用规则，和他愿意让 AI 参与评分，是四件不同的事。看见前三件，不能跳过第四件所涉及的准确性、学生利益和教师责任。这是本栏目依据数据提出的解释。
研究时，该校尚无专门针对生成式 AI 的正式指导规则。教师的选择因此也发生在一个仍待澄清的制度情境中，而不只是个人愿意或不愿意的问题。研究情境，p. 3 ↗
03 · 信任与怀疑，可以并存
作者没有只用一句“你信任 AI 吗”来测量。他们分别设置六条信任题和六条不信任题，让教师按五级同意程度回答。信任题涉及效率、个性化学习、教学调整与学习潜力；不信任题涉及错误信息、准确性、技能、创造力等顾虑。表 2，p. 4 ↗
注意，这两组不是同一句话的正反版本。“能够帮助教师提高效率”和“担心生成内容不准确”，在逻辑上就可以同时成立。一个人认可的是某种用途，担心的可能是另一种后果。
作者报告了支持两因子区分的分析结果，两组题的内部一致性系数分别为 0.924 和 0.860。与此同时，图 4 中两组题之间的相关系数为负。因此，本篇采用的表述是 “相关但可区分”：内部一致性较好不等于两个构念在统计上完全独立，也不代表所有关于 AI 的信任都能被这十二道题涵盖。§4.2.1、表 3 与图 4，pp. 5、7 ↗
随后，作者按信任与不信任分数的中位数，将回答者概念性地划成四组：高信任与高不信任、高信任与低不信任、低信任与高不信任、低信任与低不信任。这里的高低相对于样本中的切分位置，是帮助比较的分组方式，不是自然浮现的四种固定身份。§4.2.2，p. 7 ↗
回到开头的 P57，他被归入高信任、高不信任组。他报告用 AI 整理资料并抽样核查，也担忧准备不足的学生受到不利影响。这个例子让抽象的“并存”变得具体：使用时保留判断，并不需要先把所有担忧清空。
04 · 核查是一种工作
论文的一个核心质性主题是“信任，但核查”。P140 描述，AI 生成的课程计划提供了初步骨架，帮助启动思考，但教师仍需寻找学生实际使用的学习资源。P108 则描述，学生用生成式 AI 汇总大量报告，同时对其中一部分人工处理，以比较模型的表现。这些都是受访者自述的工作安排。§5.2.2–5.2.3，p. 11 ↗
这两个例子中的核查对象并不相同。一个要补足教学材料，让计划真正可用；另一个建立人工对照，检查汇总结果。把它们都写成“最后看一眼”，会遮住专业人员做的具体工作。
P125 还谈到代码生成：学生需要理解生成代码中的函数与逻辑，才能把它纳入自己的项目。工具生成了一段代码，和学生能够解释、使用这段代码之间，仍有一道理解的门槛。§5.2.3，p. 11 ↗
本栏目的延伸是： 与其把核查当成一句态度声明，不如问清楚它的对象、标准和代价。核查事实需要可靠来源，核查代码需要理解与测试，核查教学方案还需要课程目标和学生情况。任务不同，值得保留的人工判断也不同。
这也给“效率”补了一笔账。原文中 P20 抱怨，识别作业是否由 AI 生成让批改更费时；P53 担心，节省出来的时间反而会被管理者换算成更大的班级和更多反馈要求。前者是教师报告的负担，后者是对组织安排的担忧，不是这项研究已经测出的工时变化或政策结果。§5.1.5，p. 10 ↗
05 · 别急着解释别人的抗拒
作者把部分缺乏直接经验、或未给出明确理由的拒绝归为“盲目不信任”。但精读不能停在这个标签上。论文在讨论部分也重新提醒：对教育场景中某种用途的拒绝，可能来自具体的价值冲突、权力关系或控制安排，不一定是对整项技术的全面否定。§5.1.1 与 §6.2.4，pp. 8、14 ↗
更值得细读的是 P31。正文引用其强烈拒绝整合生成式 AI 的回答，并指出该回答没有交代理由；但附录又收录了同一编号对学生过度依赖、即使接受教学仍不核查来源的担忧。因此，单段回答没有解释，不能直接升级成“这个人没有理由”。这是本栏目对正文与附录的交叉阅读，不是对受访者动机的重新诊断。P31，p. 8 与附录表 6，p. 15 ↗
熟悉程度也要这样看。作者报告信任与不信任分组之间存在熟悉程度差异，但一次横截面调查没有告诉我们先后顺序。可能是熟悉影响信任，也可能是愿意尝试的人更容易变得熟悉，或二者都受到学科、教学任务等条件影响。论文没有通过培训实验区分这些解释。§4.2.3 与局限，pp. 7、14 ↗
因此，不能从这项研究推出“多上几次培训就会信任”，也不能把谨慎自动判成素养不足。作者提出的实践平台、培训与持续反馈，是值得检验的建议。其讨论也明确呼吁未来通过实验研究考察干预。§6.2.1–6.2.3，pp. 13–14 ↗
06 · 研究启发
研究不同立场时，可以让“愿意依赖什么”与“仍然担心什么”同时进入讨论，再追问它们如何在任务中被安排。本文提供了经验材料和概念区分，没有给出一套可直接套用的人群分类。对完整立场的理解，还需要听当事人解释看似矛盾的选择，以及那些未在简短回答中展开的理由。§4.2.2、§6.2.4，pp. 7、14 ↗
07 · 延伸阅读与练习
可以按自己的问题选择入口：
- 想看真实回答如何形成分析？ 读本篇原文的表 2、§5 与附录 A，把量表题、受访者回答和研究者命名的主题分开看。原文及附录（PDF） ↗
- 想理解信任与使用的关系？ 读 Lee 与 See（2004）的《Trust in Automation: Designing for Appropriate Reliance》。它讨论自动化信任与适当依赖，可作为概念入口；研究对象与生成式 AI 教学场景仍需区分。论文 ↗
- 想把个人态度放回组织关系？ 读 Bearman 等人（2023）的高教 AI 话语综述，尤其问责与劳动议程。这两篇分别处理文献话语与教师自述，可以互相提问，不构成直接复验。论文 ↗
试着为一项任务写一张“使用与核查便笺”。 这是本栏目设计的反思练习，不是论文中的量表，也不用于判断谁更成熟。
- 我愿意交给 AI 的部分：写出一个动作，例如整理课程讨论的候选问题。
- 我仍然不放心的地方：具体到一项风险，例如引用是否真实、问题是否符合学生已有知识。
- 我准备怎样核查：写清参照材料、核查者，以及核查所需的时间。
- 什么会让我改变安排：写一个暂停、缩小使用范围或重新尝试的条件。
在教研活动或 AI 培训中，也可以先比较这四个答案，再讨论是否需要更多操作训练。有些问题需要练习解决，有些需要课程团队澄清规则，还有些需要学校提供资源。这是从论文出发的讨论方向，其培训效果仍需另行评价。
下一次有人问“你到底信不信 AI”，不妨拿出一项具体任务。你愿意交出哪一步，保留哪一步，又根据什么改变主意？一个人的判断，往往就藏在这些条件里面。
原文与版本
Lyu, W., Zhang, S., Chung, T. (R.), Sun, Y., & Zhang, Y. (2025). Understanding the practices, perceptions, and (dis)trust of generative AI among instructors: A mixed-methods study in the U.S. higher education. Computers and Education: Artificial Intelligence, 8, 100383.
本篇为独立中文精读；页码为期刊 PDF 页码。受访者材料均为中文概述，研究者分析与本栏目延伸分别标明。图 1–3 中部分数字与正文概述有出入，本篇涉及图表比例时按图中对应项目和图例读取。未复算原始数据，也未独立验证教师报告的课堂事件。
更新于 2026-09-12 · v0.1。