1. 引言
随着人工智能技术的快速发展，生成式人工智能在高等教育领域的应用日益广泛。ChatGPT、DALL-E等生成式人工智能工具的出现，正在深刻改变传统的教学模式和学习方式。在这一背景下，高校教师的角色和职责面临着新的挑战和机遇。本研究旨在探讨生成式人工智能对高校教师胜任力的影响，以期为高校教师的专业发展和高等教育机构的政策制定提供理论依据和实践指导。
研究生成式人工智能对高校教师胜任力的影响具有重要的理论和实践意义。从理论角度来看，本研究有助于丰富和发展教师胜任力理论，为理解人工智能时代教师角色的转变提供新的视角。从实践角度来看，研究结果可为高校教师应对人工智能带来的挑战提供指导，同时为高等教育机构制定相关政策和培训计划提供参考。本研究将采用文献分析、问卷调查和数据分析等方法，系统探讨生成式人工智能对高校教师胜任力的影响机制，并提出相应的应对策略。
2. 文献综述和研究假设
胜任力理论最初由克里斯·阿奎斯(Chris Argyris)和唐纳德·蔡科(Donald Schön)于1974年提出。它主要适用于组织心理学、教育心理学、人力资源管理和职业发展等领域[1]。
关于胜任力概念至今没有一个准确的定义，因此，本文依照大多数研究人员的研究成果，认为胜任力是一种潜在的、持久的个人特征，包含动机、人格特征、自我形象、态度或价值观、社会角色、某领域知识、认知或行为技能——任何可以被可靠测量或计数的并且能显著区分优秀与一般绩效的个体特征。本文胜任力模型的构建主要以“冰山模型”为理论基础，基于冰山模型的理论，本研究对高校教师胜任力的影响分为两个部分，一是生成式人工智能对高校教师显性胜任力的影响；二是生成式人工智能对高校教师隐性胜任力的影响，以探究生成式人工智能是否为高校教师发展提供动力[2]。
2.1. 生成式人工智能与高校教师显性胜任力
日本学者Abe在其研究中指出，日本的教师培养模式主要聚焦于教师对学科知识的深度理解以及创造性教学方法在课程中的应用，并且强调教师的教学技能对于提升学生学业成就的重要作用[3]。Kato的研究表明，日本教师在专业发展方面的投入与教育胜任力的提升密切相关，这反映出终身学习对于日本教师职业生涯的重要性。
胡娜的研究则关注农村中小学教师的胜任力现状及其对策分析。在其研究《乡镇学校教师胜任力现状调查与对策分析》中发现，农村教师的总体胜任力虽已达标，但在专业素质、职业偏好以及信息搜集等方面仍存在不足[4]。这表明，农村教育领域需要对教师培训、信息化教育、考评体系和工作环境进行改进，以提升教育质量。
随着信息技术与教育教学的深度融合，研究者开始关注技术环境下教学胜任力的内涵与构成[5]。2004年，国际培训、绩效与教学标准委员会(IBSTPI)针对面授、在线和混合三种不同教学环境，发布了教师通用能力标准。该标准涵盖五个能力维度，分别是专业基础、计划与准备、教学方法与策略、评估与评价以及教学管理[6]。这些能力维度均指向教学的全过程，并强调教师应思考如何将技术有效整合到课程教学中，明确了与教师数字化教学特征相关的要求[7]。基于以上学者的研究，本文将生成式人工智能与高校教师显性胜任力的影响研究分为知识与技能、综合能力两方面，并提出以下两个假设：
H1：生成式人工智能对高校教师的知识与技能有显著正向影响。
H2：生成式人工智能对高校教师的综合能力有显著正向影响。
2.2. 生成式人工智能与高校教师隐性胜任力
随着慕课、混合式教学等新型教学模式的发展，研究者开始聚焦混合式教学情境下教师的能力要求。国外学者King等人构建了混合式教学的教师能力框架，主要关注教师开展混合式教学的策略，包括课程准备、课程设计、交流讨论、动机激发四个维度。卢三妹构建了一个包含14项胜任特征的体系，涵盖教学方法与手段、专业知识与技能、技能展示能力、尊重他人、公平公正、情绪健康和创新意识等方面，并将其归类为5大体育教师胜任特征模块，分别是关爱与沟通、专业素质、个人特质、专业提升和职业偏好。姚蓉的研究也通过因素分析提炼出7个影响高校教师胜任力的关键因素，分别是个性特征、发展特征、教学态度、教学技能、专业技能、对学生关注以及人际沟通能力。
基于以上学者的研究，本文将生成式人工智能与高校教师隐性胜任力的影响研究分为个性特征、动机、价值观三方面，并提出以下三个假设：
H3：生成式人工智能对高校教师的个性特征有显著正向影响。
H4：生成式人工智能对高校教师的动机有显著正向影响。
H5：生成式人工智能对高校教师的价值观有显著正向影响。
综上所述，本文研究生成式人工智能对高校教师胜任力的影响所构建的分析框架如图1所示。
Figure 1. Framework diagram of the impact of generative AI on university teachers’ competence
图1. 生成式人工智能对于高校教师胜任力影响分析框架图
3. 量表确定
3.1. 量表编制
根据研究目标和研究内容，本研究设计了《生成式人工智能对于高校教师胜任力影响研究》问卷。问卷一共分为两个部分：第一部分主要调查样本的人口学特征；第二部分高校教师胜任力影响研究。
样本的人口学特征问卷部分包括被调查者的年龄、性别、学历、任职学校类别、职称、学历、日常教学中是否使用生成式人工智能工具、经常使用哪些生成式人工智能工具等方面。
对于生成式人工智能与高校教师显性胜任力的影响方面的量表，分为知识与技能、综合能力两方面。知识与技能维度的题项包括A1：我能够熟练使用生成式人工智能工具进行教学设计和课堂互动；A2：我能够利用生成式人工智能工具进行文献检索、数据分析和论文写作；A3：我能够批判性地评估生成式人工智能生成的内容，并将其整合到我的教学中。综合能力维度的题项包括B1：我能够快速学习并掌握新的生成式人工智能工具和技术；B2：我能够与同事和学生有效沟通和协作，共同探索生成式人工智能在教学中的应用；B3：我能够解决在应用生成式人工智能过程中遇到的技术和教学问题。
生成式人工智能与高校教师隐性胜任力的影响方面的量表分为个性特征、动机、价值观三个方面。个性特征维度的题项包括C1：我对生成式人工智能在教育中的应用持开放和积极的态度；C2：我愿意尝试新的生成式人工智能工具和技术，并将其应用到我的教学和科研中；C3：我能够适应生成式人工智能 带来的教育变革，并积极调整我的教学策略。动机维度的题项包括D1：我希望通过使用生成式人工智能提升我的教学效果和学生学习成果；D2：我希望通过使用生成式人工智能提升我的科研效率和创新能力；D3：我希望通过使用生成式人工智能获得更多的职业发展机会。价值观维度的题项包括E1：我认为生成式人工智能应该用于促进学生的全面发展和个性化学习。E2：我认为生成式人工智能的应用应该维护教育的公平性和伦理性。E3：我认为生成式人工智能应该辅助教师，而不是取代教师。
量表每个题项选择设置1~5的分值，采用Likert-5评分量表。具体内容见表1。
Table 1. Setting of competency level index problem
表1. 胜任力层级指标问题设置
标志 |
一级
指标 |
二级 指标 |
题项 |
A1 |
显性 |
知识与技能 |
我能够熟练使用生成式人工智能工具进行教学设计和课堂互动 |
A2 |
我能够利用生成式人工智能工具进行文献检索、数据分析和论文写作 |
A3 |
我能够批判性地评估生成式人工智能生成的内容，并将其整合到我的教学中 |
B1 |
综合能力 |
我能够快速学习并掌握新的生成式人工智能 工具和技术 |
B2 |
我能够与同事和学生有效沟通和协作，共同探索生成式人工智能 在教学中的应用 |
B3 |
我能够解决在应用生成式人工智能 过程中遇到的技术和教学问题 |
C1 |
隐性 |
个性特征 |
我对生成式人工智能在教育中的应用持开放和积极的态度 |
C2 |
我愿意尝试新的生成式人工智能工具和技术，并将其应用到我的教学和科研中 |
C3 |
我能够适应生成式人工智能带来的教育变革，并积极调整我的教学策略 |
D1 |
动机 |
我希望通过使用生成式人工智能提升我的教学效果和学生学习成果 |
D2 |
我希望通过使用生成式人工智能提升我的科研效率和创新能力 |
D3 |
我希望通过使用生成式人工智能获得更多的职业发展机会 |
E1 |
价值观 |
我认为生成式人工智能应该用于促进学生的全面发展和个性化学习 |
E2 |
我认为生成式人工智能的应用应该维护教育的公平性和伦理性 |
E3 |
我认为生成式人工智能应该辅助教师，而不是取代教师 |
3.2. 量表测量
正式问卷发放之前，笔者在阜阳幼儿师范高等专科学校进行了小范围的预发放，预发放共回收55份问卷，有效问卷是53份，有效率是96%。问卷回收后，笔者对回收的数据进行区分度分析、独立样本检验等，以便尽早发现问卷不足的地方及时修正。
3.2.1. 信度分析
从下表2的数据可以看出，该部分问卷的总体信度很好，分层量表中的Cronbach’s α系数在0.816~0.872之间，说明该部分分层量表中信度良好，所以，所有题项保留。
Table 2. Competency level index questionnaire Cronbach’s AI pha prediction
表2. 胜任力层级指标问卷Cronbach’s人工智能pha预测量
变量 |
题项 |
Cronbach’s人工智能pha值 |
总体Cronbach’s人工智能pha值 |
知识与技能 |
A1 |
0.861 |
0.946 |
A2 |
A3 |
A4 |
综合能力 |
B1 |
0.836 |
B2 |
B3 |
个性特征 |
C1 |
0.827 |
C2 |
C3 |
动机 |
D1 |
0.832 |
D2 |
D3 |
价值观 |
E1 |
0.824 |
E2 |
E3 |
3.2.2. 效度分析
效度即有效性，主要指所测量到的结果所想要反映考察内容的程度。测量结果与要考察的内容越吻合，则效度越高；反之，则效度越低。对生成式人工智能对于高校教师胜任力影响研究进行KMO及球形检验，结果如下表所示，本研究问卷KMO值均大于0.9，说明问卷效度很好。并且，问卷的Bartlett检验为0.000小于0.05，均可以进行因子分析(表3)。
Table 3. KMO and Bartlett’s test for competency level indicator questionnaire
表3. 胜任力层级指标问卷KMO和Bartlett检验
取样足够度的K人工智能ser Meyer Olkin度量 |
0.940 |
|
近似卡方 |
5281.103 |
Bartlett的球形度检验 |
df |
406 |
Sig. |
0.000 |
3.2.3. 量表确定
最终本文以显性胜任力和隐性胜任力测量生成式人工智能对于高校教师的影响程度，涵盖5个维度，21个题项，其中样本的人口学特征问卷部分6个题项，生成式人工智能对于高校教师的影响程度有21个题项。
4. 研究设计
4.1. 样本收集
科技的迅猛发展使得生成式人工智能在高等教育领域的渗透不断加深。以ChatGPT、DeepSeek为代表的生成式人工智能工具的兴起，正对传统教育模式与学习范式产生革命性影响。在此技术变革浪潮中，高校教师的角色定位与能力要求正经历着前所未有的转型与升级。
因此，本研究在线上发放问卷，对阜阳市各个高校的多位教师进行问卷调查，并设置排除项：“您在工作过程中是否使用过生成式人工智能(包括：ChatGPT、DeepSeek、Bard、文心一言、文心一格、通义千问、通义万相、混元助手、星火、豆包等)”，以挑选出从事过与生成式人工智能工作相关的高校教师为目标群体进行分析，避免测量误差导致的内生性问题。本次共收集268份问卷，剔除无效问卷，最终有效问卷258份。样本人口特征如下表4所示。
Table 4. Sample population characteristics
表4. 样本人口特征
|
特征 |
数量 |
比例 |
性别 |
男 |
118 |
45.64% |
女 |
140 |
54.36% |
年龄 |
18~25岁 |
78 |
30.23% |
26~30岁 |
56 |
21.70% |
31~35岁 |
48 |
18.60% |
36~40岁 |
43 |
16.66% |
40岁以上 |
31 |
12.01% |
任职学校类别 |
专科 |
158 |
61.24% |
本科 |
100 |
38.75% |
职称 |
助教 |
76 |
29.45% |
讲师 |
137 |
53.10% |
教授 |
44 |
17.05% |
学历 |
本科 |
54 |
20.93% |
硕士及以上 |
204 |
79.06% |
从问卷调查的开放性回答可以发现，高校教师使用生成式人工智能时，主要涉及教学设计和课程开发、课堂教学与互动、科研与学术工作、管理与行政4个方面的工作，在各种类型的工作中，70%~90%的被调查者主观认为生成式人工智能能够提升工作效率。
4.2. 变量测量
4.2.1. 控制变量
根据独立样本Ｔ检验及单因素方差分析结果，将年龄(18~25岁 = 1，26~30岁 = 2，31~35岁 = 3，36~40岁 = 4，40岁以上 = 5)、任职学校类别(助教 = 1，讲师 = 2)职称(助教 = 1，讲师 = 2，教授 = 3)以及学历(本科 = 1，硕士及以上 = 2)设置虚拟变量，为本文控制变量。
4.2.2. 解释变量
生成式人工智能(人工智能)的使用：即高校教师是否使用生成式人工智能工具(如ChatGPT、DeepSeek等)以及使用频率和方式。
4.2.3. 机制变量
知识与技能：生成式人工智能对教师专业知识与技能的影响。
综合能力：生成式人工智能对教师综合能力(如学习能力、沟通能力等)的影响。
个性特征：生成式人工智能对教师个性特征(如开放性、创新性等)的影响。
动机：生成式人工智能对教师动机(如成就动机、职业发展动机等)的影响。
价值观：生成式人工智能对教师价值观(如教育公平、伦理等)的影响。
这些机制变量用于解释生成式人工智能如何通过影响教师的显性和隐性胜任力，进而影响其整体工作表现和职业发展。
5. 数据分析和假设检验
5.1. 描述性分析
本文对变量进行Pearson相关系数分析，主要变量的样本均值和标准偏差结果如下表5所示。由此可以看出，生成式人工智能的使用对于教师胜任力有显著的正向影响，初步验证整体假设。
Table 5. Descriptive and correlation analysis results
表5. 描述性及相关性分析结果
变量 |
均值 |
标准偏差 |
1 |
2 |
3 |
4 |
5 |
6 |
1) 年龄 |
2.74 |
1.706 |
1 |
|
|
|
|
|
2) 学校类别 |
2.26 |
1.123 |
0.200** |
1 |
|
|
|
|
3) 职称 |
1.25 |
0.668 |
0.278** |
0.254** |
1 |
|
|
|
4) 学历 |
2.78 |
1.422 |
−0.112** |
0.335** |
0.022 |
1 |
|
|
5) 显性胜任力 |
6.78 |
1.556 |
−0.089** |
0.254** |
0.072 |
0.475*** |
1 |
|
6) 隐性胜任力 |
2.08 |
0.998 |
0.165* |
0.332** |
0.134* |
−0.187** |
0.321*** |
1 |
注：N = 456，*表示P < 0.05，**表示P < 0.01，***表示P < 0.001，以下文同。
5.2. 假设检验
本研究针对教师胜任力的测量共有五个潜变量，分别是知识与技能、综合能力、个性特征、动机、价值观。根据分析，可以得到：生成式人工智能的使用对于高校教师的知识与技能、综合能力、动机、价值观都是有显著影响的。各路径系数如表6所示。
Table 6. Standardized path coefficient
表6. 标准化路径系数
编号 |
Estimate系数 |
S.E. |
C.R. |
P |
验证情况 |
H1 |
0.40 |
0.138 |
4.04 |
*** |
显著 |
H2 |
0.74 |
0.172 |
4.08 |
*** |
显著 |
H3 |
0.60 |
0.187 |
3.24 |
0.001 |
显著 |
H4 |
0.24 |
0.06 |
3.77 |
*** |
显著 |
H5 |
0.81 |
0.12 |
3.98 |
*** |
显著 |
注：P < 0.001时，显著性标注为***，P < 0.05时，路径显著。
本研究以安徽省阜阳市四所高校为调查对象，回收的数据采用SPSS24.0进行描述性分析、差异性分析、信效度分析、验证性因子分析。生成式人工智能的使用对于教师综合能力的影响P值 < 0.05，达到显著水平，假设2成立；生成式人工智能的使用对于教师个性特征的影响P值 < 0.05，达到显著水平，假设3成立；生成式人工智能的使用对于教师动机的影响P值 < 0.05，达到显著水平，假设4成立；生成式人工智能的使用对于教师价值观的影响P值 < 0.05，达到显著水平，假设5成立。
5.2.1. 生成式人工智能对于高校教师知识与技能的提升有显著影响
如上表所示，生成式人工智能的使用对于高校教师知识与技能的影响P值 < 0.05，达到显著水平，假设1成立。生成式人工智能可以快速生成海量信息，对教师的知识储备和深度提出更高要求，教师需要具备更强的信息筛选、批判性思维和知识整合能力。例如，教师需要学习如何利用生成式人工智能工具进行文献检索、数据分析和论文写作，以提升科研效率和创新能力。
5.2.2. 生成式人工智能对于高校教师综合能力的提升有显著影响
生成式人工智能的使用对于高校教师综合能力的影响P值 < 0.05，达到显著水平，假设2成立。生成式人工智能的应用要求教师具备更强的学习能力、人际交往能力和问题解决能力，以适应教育技术的变革。例如，教师需要学习如何与生成式人工智能协作，设计更具互动性和创造性的教学活动，并解决技术应用过程中遇到的问题。
5.2.3. 生成式人工智能对于高校教师个性特征的发展有显著影响
生成式人工智能的使用对于高校教师个性特征的影响P值 < 0.05，达到显著水平，假设3成立。生成式人工智能的应用可能促使教师更加开放、创新和适应变化，同时也可能带来焦虑和压力，因为未来教师需要调整心态，积极拥抱技术变革，并学会应对技术应用带来的挑战。
5.2.4. 生成式人工智能对于高校教师的动机有显著影响
生成式人工智能的使用对于高校教师个性特征的影响P值 < 0.05，达到显著水平，假设4成立。生成式人工智能的应用可能激发高校教师的成就动机和权利动机，同时也可能影响其亲和动机。未来高校教师可能更加关注如何利用生成式人工智能提升教学效果和科研水平，同时也需要关注与学生和同事的互动和合作。
5.2.5. 生成式人工智能对于高校教师的价值观有显著影响
生成式人工智能的使用对于高校教师个性特征的影响P值 < 0.05，达到显著水平，假设5成立。生成式人工智能的应用可能促使教师重新思考教育的本质和目的，以及自身在教育中的角色和责任。教师需要思考如何利用生成式人工智能促进学生的全面发展，并维护教育的公平性和伦理性。
6. 建议
基于前文的研究分析，生成式人工智能的快速发展为高校教师带来了新的机遇与挑战。教师作为教育活动的核心主体，必须积极应对技术变革，提升自身的显性和隐性胜任力，以适应新时代的教育需求。以下从显性胜任力和隐性胜任力两个维度，提出高校教师在生成式人工智能背景下的发展建议。
6.1. 高校教师显性胜任力提升建议
6.1.1. 加强生成式AI工具的学习与应用
生成式AI工具如ChatGPT、DeepSeek等在教学设计、课堂互动、科研分析等方面具有广泛的应用潜力。高校教师应主动学习这些工具的使用方法，掌握其核心功能，并将其应用于日常教学和科研工作中。例如，教师可以利用生成式AI工具进行课程设计、生成教学材料、辅助学生答疑等，提升教学效率和质量[8]。
6.1.2. 提升信息筛选与批判性思维能力
生成式AI能够快速生成大量信息，但信息的准确性和可靠性需要教师进行甄别。教师应培养批判性思维能力，学会从海量信息中筛选出有价值的内容，并将其整合到教学中。同时，教师还应引导学生培养批判性思维，避免过度依赖生成式AI生成的内容。
6.1.3. 增强技术整合与创新能力
生成式AI的应用要求教师具备较强的技术整合能力，能够将AI技术与传统教学方法有机结合，设计出更具创新性和互动性的教学活动。教师应积极探索生成式AI在教学中的创新应用，如利用AI生成个性化学习路径、设计虚拟实验等，提升学生的学习体验和效果。
6.1.4. 提升科研效率与创新能力
生成式AI在科研领域的应用潜力巨大，教师可以利用AI工具进行文献检索、数据分析、论文写作等工作，提升科研效率。同时，教师应关注生成式AI在科研创新中的应用，探索如何利用AI技术解决复杂的科研问题，推动学术研究的进步。
6.2. 高校教师隐性胜任力提升建议
6.2.1. 保持开放与积极的心态
生成式AI的广泛应用可能带来教育模式的深刻变革，教师应保持开放的心态，积极拥抱技术变革，避免因技术焦虑而产生抵触情绪。教师应认识到生成式AI是辅助教学的工具，而不是替代教师的威胁，积极调整心态，适应技术带来的变化[9]。
6.2.2. 培养终身学习的意识
生成式AI技术的快速发展要求教师具备终身学习的意识，不断更新自己的知识和技能。教师应主动关注AI技术的最新发展，参加相关的培训和研讨会，提升自身的技术素养和教学能力。同时，教师还应鼓励学生培养终身学习的习惯，适应未来社会的快速变化。
6.2.3. 增强职业发展动机
生成式AI的应用为教师的职业发展提供了新的机遇，教师应增强职业发展动机，积极利用AI技术提升自身的教学和科研水平。教师可以通过使用生成式AI工具提升教学效果、优化科研流程，从而获得更多的职业发展机会。同时，教师还应关注AI技术对职业发展的长期影响，提前规划自己的职业路径。
6.2.4. 坚守教育公平与伦理价值观
生成式AI的应用可能带来教育公平和伦理方面的问题，教师应坚守教育公平与伦理的价值观，确保AI技术的应用不会加剧教育不平等。教师应关注生成式AI在个性化学习中的应用，确保每个学生都能享受到AI技术带来的便利。同时，教师还应关注AI技术的伦理问题，避免AI生成的内容对学生产生负面影响[10]。
6.2.5. 提升适应变化与抗压能力
生成式AI的广泛应用可能带来教育环境的快速变化，教师应提升自身的适应变化与抗压能力，积极应对技术变革带来的挑战。教师可以通过参加心理辅导、压力管理培训等方式，提升自身的心理韧性，保持积极的工作状态。
6.3. 高校管理层面的建议
6.3.1. 加强教师培训与技术支持
高校应加强对教师的生成式AI技术培训，帮助教师掌握AI工具的使用方法，并将其应用于教学和科研中。高校可以组织定期的培训课程、工作坊和研讨会，邀请AI技术专家进行讲解和演示，提升教师的技术素养。
6.3.2. 建立生成式AI应用的激励机制
高校应建立生成式AI应用的激励机制，鼓励教师积极使用AI技术提升教学和科研水平。例如，高校可以设立AI应用创新奖，表彰在AI技术应用方面表现突出的教师，激发教师的创新热情。
6.3.3. 推动生成式AI与教育教学的深度融合
高校应推动生成式AI与教育教学的深度融合，探索AI技术在教学中的创新应用。高校可以设立AI教学实验室，鼓励教师开展AI教学实验，设计出更具创新性和互动性的教学活动，提升学生的学习体验和效果。
基金项目
智慧学习环境下高职课堂教学互动效果影响因素研究(编号：SK2024013)。
大数据服务十大新兴产业特色专业(编号：2023sdxx255)。
基于超支配自适应收敛性计算的超多目标进化算法研究(编号：ZK2024002)。