论文讲解 · 约 12 分钟 · AI 合成配音

越懂 AI，教师就越信任它吗？

Viberg et al. (2024) · What Explains Teachers’ Trust in AI in Education Across Six Countries?
International Journal of Artificial Intelligence in Education 35: 1288–1316 (2025) · DOI ↗
开场 表 1 · p. 1295
样本均值 · 五分制 · 原文表 1
能力感（自我效能）信任
越懂 AI，就越不信任？
两群人的平均分
挪威样本 vs 以色列样本：比的是群体的起点
本篇主要分析的
一位教师懂得多少，和这位教师有多信任
两个不同的问题
INT J ARTIF INTELL EDUC · 35: 1288–1316 · 在线 2024-10-15 · 卷期 2025
What Explains Teachers’ Trust in AI in Education Across Six Countries?
《什么解释了六国教师对教育中 AI 的信任？》
Olga Viberg、René F. Kizilcec（共同贡献）等 12 位作者
瑞典英国以色列日本挪威丹麦美国
作者所在大学与研究机构的国家 · pp. 1315–1316
问卷调查 · 6 国 · 508 位教师哪些因素与信任有关？
信任，是愿意承担风险 pp. 1289–1292
定义 · p. 1291（Hosmer, 1995）
信任 = 愿意接受面对另一实体时的脆弱性
采用新技术→可能不像预期运作→教师收拾问题→影响教学与师生关系
愿意承担这种风险 = 信任（p. 1289）
愿意交出
让 AI 帮忙备课
还不愿交出
让 AI 直接给学生打分
原文图 1 · 要考察的关系
教师特征
年龄 · 性别 · 学历 · 教龄
能力感 · AI 理解
个人文化价值观
国家样本
→
感知收益
预期它有什么帮助
感知顾虑
担心它带来什么问题
→
信任
关系概览 ≠ 已证明先后顺序的因果图
不指定某个 AI 工具：问的是哪些教师特征能预测信任（p. 1291）
六个国家，六条招募路径 pp. 1294–1298、1308
508 位教师 · 表 1
2022 年 11 月 – 2023 年 6 月多数在 ChatGPT 发布后、使用初期（p. 1308）
各国怎么找到教师
以色列
教师专业发展社群；在读科学教育硕士的教师
挪威
五所高中，由校长转发或提供邮箱
瑞典
专业发展社群、校长、国家教育署通讯
巴西
社交媒体、邮件列表、研究机构网络
美国
纽约州北部一个学区，面向高中科学教师
日本
初高中理科、数学、计算机教师网络
路径不同 → 谁看到问卷、谁愿意回答也不同（本片分析）
便利样本 · 不具全国代表性（p. 1308）
摘要的说法
从幼儿园到高中的教师（K-12）
各国招募描述
都是初中和高中教师
同一个框架下相遇国家排名
“有信心”和“确实懂”怎么测 pp. 1298–1299、1309
信任
9 题
α = .806
收益
7 题
α = .850
顾虑
9 题
α = .764
五点量表（1 非常不同意 – 5 非常同意），每组取平均
收益 · 例题
AI 可以协助教师管理课堂，比如识别走神的学生
顾虑 · 例题
AI 算法不理解教学中很重要的社会、情绪和动机因素
自我效能 · 只有两道自评题
1 · 你对教育中的 AI 应用有多了解？
2 · 你有多大信心和别人讨论这些应用？
各 5 级：完全不 → 极其 · α = .850 · p. 1298
主观的能力感能独立使用、检查、修正系统
AI 理解 · 只有一道多选题
基于大数据做决策的算法+1
概念、问题与解题方法之间的关系+1
人类智能的复制品+0.5
自主机器人（《终结者》式科幻）−1
自我重复的自动任务（传统软件）−1
所选相加，范围 −2 到 +2.5（p. 1299）
两项均为团队自编，依靠表面效度（p. 1309）
同一个结果，算三次 表 4 · pp. 1300、1303
回归 ≈ 同时考虑多个因素的比较表：其他因素相同时，某一项与信任关联多大
模型一 · 只放收益和顾虑49%
模型二 · 只放教师特征 + 国家样本30%
模型三 · 两组合在一起58%
比模型一多 9 个百分点调整后：49% · 26% · 56%
“解释 49%” 是
这份样本里分数的差异，有这么一部分被模型对应上
不是
每位教师的信任，有一半由这两样东西决定
国家样本（固定效应）
每个国家有自己的起点；模型看的是考虑起点之后，个人之间的差异
缺失值：多重插补 × 10，汇总公开分析脚本与去标识数据
摘要里的结论，到了表 4 有了条件 pp. 1302–1306
摘要 · p. 1288
能力感和理解更高 → 更多收益、更少顾虑、更多信任
表 3 · 能力感
收益 +0.18 · 顾虑 −0.13
表 3 · AI 理解
收益 +0.11 · 顾虑 −0.07
前两部分：得到支持第三部分：看表 4
信任模型 · 表 4（非标准化系数）
模型二
模型三
能力感
0.16***
0.05 不显著
AI 理解
0.10**
0.04 不显著
收益
未放入
0.39***
顾虑
未放入
−0.35***
作者：能力感 → 收益与顾虑 → 信任（中介，p. 1306）
一次性问卷，箭头可以有几种方向
作者的路径
懂得多 → 看到更多收益、更少顾虑 → 更信任
反过来
本来就信任 → 更愿意去了解 AI
共同原因
顺利用过某个工具 → 能力感和信任一起提高
“不再显著” ≠ 知识没用= 独立关联没有得到清楚支持
文化进入了模型 pp. 1294、1299、1303、1307–1309
常见做法
把某国的平均文化分套在每个人身上
本篇 · CVSCALE 26 题
测每位教师个人的文化价值观
不确定性规避长期导向集体主义权力距离男性气质*
* 对性别角色区分的价值取向，不是受访者的性别
作者提醒 · p. 1309
只靠国家平均分 → 刻板印象、过度简化
不确定性规避 → 信任 · 表 4
模型二 +0.14** · 模型三 +0.11**　越怕不确定，信任反而越高
说不通的读法
怕不确定 = 拒绝 AI
一种可能（本片假说）
把技术想象成让流程更清楚、更可预测的支持
作者：生成式 AI 本身难以预测（p. 1307）
模型二
模型三
长期导向
+0.12*
0.06
男性气质
−0.02
+0.06*
集体主义
0.03
+0.07*
作者：后两者的关联可能没那么稳健（p. 1308）
模型三 · 以巴西样本为基准
以色列 +0.24**挪威 −0.28**日本 · 瑞典 · 美国：不显著
不是六国两两比较，更不是“国民性”
没有发现的，和没有测到的 pp. 1303、1306、1308–1309
年龄性别学历教育技术使用年限
在信任模型里：都不显著
先假设
“年轻人更信 AI”
不如直接问
经验是什么？担心什么？
“这项研究没有发现” ≠ “永远没有差异”
翻译 · p. 1308
母语者翻译、领域专家核对，但没有正式的心理测量评估
“4 分”（语言 A）≟“4 分”（语言 B）
同一份问卷（本片分析）
知识、收益、顾虑、信任由同一批人同时报告，可能共享整体好恶
最重要的缺口：信任更高 = 判断更好？
没测：能否识别 AI 的错误没测：学生学习结果
信任分上升，可能来自
更充分的理解
也可能来自
对局限认识不足
带回今天 pp. 1306、1309–1310 · 后半为编辑延伸
作者的培训建议 · p. 1306
重点放在基础的 AI 理解，而不是深入的技术课程
把教师变成 AI 工程师
把 AI 当作工具，形成踏实、现实的理解：可能的帮助 · 有道理的顾虑 · 愿不愿意在课堂上试一试
原来的目标
提升信任
更可检验的问题
培训后，是否更能该用时用、该查时查？
Lee & See · 适当依赖
信任要和系统的实际能力相匹配，而不是越高越好
请教师说出三件事
1 · 具体用途
愿意尝试的是什么？
2 · 要排除的问题
最需要排除什么？
3 · 改变决定的证据
什么会让自己改主意？
比一个支持率多一层结构，更接近学校能提供的帮助
本集
Viberg 等 · 六国教师对教育 AI 的信任
收益与顾虑 · 能力感与理解 · 个人文化价值 · 国家样本
点播放开始，或者直接点下面的章节跳过去看
0:00

动手试试

跟着当前章节变化。点一点，看看条件一换，结果怎么变。

本章讲稿

点任意一句，从那里开始播放。