赵磊磊/江南大学教育学院副教授，硕士生导师；
张黎/江南大学教育学院硕士研究生；
代蕊华/华东师范大学教育学部教授，博士生导师，教育部中学校长培训中心主任；
王晓茜/华东师范大学教育学部博士研究生。
近年来，自然语言处理、机器学习、人脸识别等智能技术快速发展，促使教育信息化逐渐呈现智慧特性，人工智能赋能教育创新发展已成我国教育改革的关键抓手。传统信息技术逐步实现智能升级，技术赋能教师教育的形态也实现重大变革。2018年，《教师教育振兴行动计划（2018—2022年）》推出“互联网+教师教育”创新行动，并强调应充分利用大数据、人工智能等新技术，助力教师教育理念与模式变革，推进教师教育信息化建设与应用。2022年，《教育部教师工作司2022年工作要点》指出，“推进第二批人工智能助推教师队伍建设试点工作，开发和应用教师智能助手，探索开展教师智能研修，推广完善‘双师课堂’。”基于此，本研究尝试聚焦人工智能赋能教师教育这一议题，理顺人工智能赋能教师教育的基本逻辑，并面向中小学教师群体开展问卷调研，从而进一步挖掘人工智能支持下教师教育变革所面临的现实困境，归纳提炼人工智能赋能教师教育的实践路向，以期为新技术时代教师教育变革提供有益参照。
一、信息技术赋能教师教育的历史变革
随着信息技术的不断升级与发展，一些具有“类人功能”的智能产品逐渐应用于教育教学领域，促使教育信息化样态逐渐具有智能属性。就教师教育而言，信息技术赋能教师教育的历史进程主要经历了三个发展阶段。
（一）电化教育时代：信息技术赋能教师教育的初步探索期
（二）教育信息化时代：信息技术赋能教师教育的快速发展期
（三）“智能教育”时代：信息技术赋能教师教育的战略转型期
二、人工智能赋能教师教育的基本逻辑
在“人工智能+教师教育”生态系统中，信息技术能够对教师教育的课程设置、教育模式、评价方式、应用实践、培训和终身学习等方面产生影响，解决教师培训方式变革以及教师教育的管理问题也是推进人工智能与教师教育体系深度融合的关键。
（一）课程层面：智能资源共享赋能教师教育课程体系完善
（二）评价层面：机器学习赋能教师教育质量精准改进
（三）管理层面：智能决策助力教师教育治理机制重塑
人工智能拥有规模化数据、深度学习算法以及高度计算力，其通过科学规范的数据聚类、数据认知、决策优化等过程，挖掘数据的复杂性关联和潜在价值，使智能决策得以实现。首先，智能决策为以单向性、强制性及刚性为核心特征的传统教师教育管理模式走向科学民主式的教师教育治理模式提供了重要支撑。基于智能决策理念的教师教育治理将由经验走向循证，经由“提出问题—获取证据—评价证据—应用实践—效果评估”科学流程，自始至终指向准确和明智的最佳教育证据筛选与应用，保障教师教育决策有据可循。其次，智能决策本身体现了一种数据治理的理念，其以规模化数据和智能算法为中介，促进教师教育决策过程由单一主体决策走向基于数据智能的多主体协作，有利于教育行政部门、教师培训机构、学校等决策主体构建基于证据的教师职前职后一体化协同机制，教师教育的决策者、参与者可通过协同完成数据收集、表征、组织、分析、交流等环节，精准定位并预测教师培训的需求与供给状况，尤其是应真正关照乡村学校在职教师专业发展的个性化需求，最终生成兼具技术理性与人文关怀的教师培训与研修方案。
（四）培训层面：智能互联助力教师培训空间极速拓展
三、人工智能赋能教师教育的现实困境
遵循前文所述的人工智能赋能教师教育的基本逻辑，本研究基于教师教育体系构建的实际现状，从课程层面、评价层面、管理层面、培训层面出发，结合对10位区域教师进修学校管理人员、教师教育领域学者、中小学校长的访谈结果，编制了“人工智能支持下的教师教育改革调查问卷”。除基本信息题项、多选题“您认为人工智能支持下的教师教育可能存在哪些问题？”之外，问卷中各题项均采用李克特五点量表形式（从非常不符合到非常符合）予以呈现。首先，选择江苏省W市90位中小学教师进行预调研施测，基于预调研样本数据，对问卷进行信效度检验。数据分析结果显示，整体量表的KMO统计值为0.95，Bartlett球形检验结果的p值＜0.001，表明问卷适合进行因子分析。对整体问卷进行探索性因子分析，抽取出4个公因子，累计方差解释率达到86.26%，表明因子结构较为可靠。依据因子载荷图可知，题项A1到A4构成课程维度，题项B1到B3构成评价维度，题项C1到C4构成管理维度，题项D1到D3构成培训维度，与本研究对人工智能赋能教师教育的基本逻辑的分析框架相一致，表明问卷具有较好的结构效度，可作为正式调研问卷。
之后，基于正式调查问卷，本研究选取浙江、江苏、上海等教育与经济发达地区的中小学作为调研学校，面向中小学教师投递电子问卷，调研结束后，回收有效问卷527份。本研究利用Cronbachsalpha、CR、AVE值检验问卷信效度。整体量表的Cronbachsalpha值为0.966，各分量表的Cronbachsalpha值在0.89与0.97之间，证明问卷具有较好的内在一致性信度；验证性因子分析结果显示，各分量表的CR（组合信度）取值范围在0.79与0.86之间，表明量表的组合信度较好。各分量表的AVE值均大于0.5，表明量表的收敛效度较好。此外，验证性因子分析结果显示，模型拟合较好，RMSEA、CFI、SRMR指标均达到测量学标准（RMSEA＜0.08；CFI≥0.90；SRMR＜0.06）。综合上述分析结果，可知问卷通过了信效度检验。
人工智能支持下的教师教育现状的描述性分析结果如下。总体而言，人工智能支持下的教师教育现状的均值水平为3.85，除评价层面以外，各子维度（课程层面、管理层面、培训层面）的均值水平均在4以下，由此可见，当前教师对于融入人工智能的教师教育、职后培训的感知情况并未达到理想程度，人工智能在推进教师教育改进方面尚存较大空间，因此，仍需进一步探索如何利用人工智能优化区域教师教育体系，提升教师教育的有效性、针对性、科学性、智慧性。在此诉求背景下，精准分析人工智能赋能教师教育变革所面临的现实困境，则成为归纳和提炼人工智能赋能教师教育实践路向的关键之举。具体而言，本研究将进一步结合调查分析结果，围绕课程、评价、管理、培训四个方面剖析人工智能赋能教师教育的现实困境（见图1）。
图1人工智能赋能教师教育的现实困境
（一）教师教育课程体系难以适应智能时代教师专业发展
（二）基于证据的教师教育质量评价有待优化
在5G、人工智能、大数据等技术的支撑下，如何构建基于证据的教师教育质量评价体系是推动人工智能时代教师教育发展的一大难题。为尽可能地减少评价过程中的标准不一与价值冲突等问题，在从事教师教育评价活动之前，需要确立相应的指导标准和价值准则。对于我国教师教育评价实践而言，基于证据的教师教育质量评价亟待进行优化，教师教育质量评价体系尚待建立健全。综合来看，我国不少地区至今仍未形成循证式的教师教育质量评价标准体系，导致我国教师教育评价活动在实践中缺乏必要的规范性与科学性，48.39%的教师认为，对于教师教育效果的多维评价有待加强。此外，我国教师教育评价普遍存在着重视运用分数、成绩等量化指标评价的倾向，仍然留有“头痛医头、脚痛医脚”碎片化的评价方式，且数据分析结果显示，题项“培训专家能够利用人工智能对您的学习效果进行分析与评价”均值为3.96，这表明人工智能尚未全方位融入循证式教师教育质量评价体系，未能充分借助人工智能等新技术立体化地搜集教师教育活动的信息从而科学全面地评价教师教育效果，进而导致教师教育评价新格局尚未完全形成。
（三）大数据赋能教师教育管理存在决策偏差
（四）教师培训与智能技术的整合存在效度困境
四、人工智能赋能教师教育的实践路向
（一）加强数字化课程建设，推进教师教育资源智能化开放共享
（二）立足评价改进，构建基于证据的教师教育质量监测体系