夜雨聆风工具即福祉？人工智能教学应用与教师工作压力——来自 2024 年教与学国际调查的证据
1
作者
Huayu Shena, Tong Zhoub
a：Research Institute for International and Comparative Education, Shanghai Normal University, Shanghai, 200233, China
b：School of Education, Nanjing University, Nanjing, 210023, China
2
译者
王承祚
中国海洋大学
3
来源
Huayu Shen, Tong Zhou,
Tools as well-being? AI teaching applications and teacher work stress: Evidence from TALIS 2024,
Teaching and Teacher Education,
Volume 181,
2026,
105735,
ISSN 0742-051X,
https://doi.org/10.1016/j.tate.2026.105735.
(https://www.sciencedirect.com/science/article/pii/S0742051X26003598)
长按识别二维码查看原文
摘要
在人工智能重塑教学实践的背景下，其对教师工作压力的影响尚存争议。本研究依托 2024 年教与学国际调查（TALIS 2024）数据，考察了不同个体特征与国家情境下，人工智能教学应用与教师工作压力的关联。研究发现：整体而言，人工智能使用与教师压力降低显著相关，但该效应主要集中于非研究生学历教师与发展中国家教师群体。至关重要的是，在发达国家情境中，人工智能使用与教师压力上升相关，这种情境依赖性反转效应直接挑战了 “人工智能整合具有统一收益” 的假设。统计中介分析表明，二者的关联通过两条路径实现：提升教学愉悦感、降低专业发展障碍，其中情感路径的作用更为突出。本研究以工作要求 - 资源模型与资源保存理论为基础，提出人工智能的角色取决于制度情境 —— 它既可能成为工作资源，也可能构成新的工作要求，为制定契合本土情境的教育人工智能整合政策提供了循证依据。
关键词：2024 年教与学国际调查；人工智能；人工智能教学应用；教师工作压力；工作要求—资源模型；资源保存理论
1.引言
教师工作压力已成为全球教育系统面临的日益紧迫的挑战。《2024 年全球教师状况报告》指出，工作压力是全球教育工作者最核心的职业困扰（Arnold & Rahimi, 2024）。大量元分析研究证实，教师群体的焦虑、抑郁与职业倦怠水平持续上升，而工作压力是核心诱因之一（Kyriacou, 2001; Montgomery & Rupp, 2005）。基于 2018 年 TALIS 数据的跨国研究进一步表明，在世界各国，更高水平的工作压力始终与教师福祉下降相关（Jerrim & Sims, 2021）。经合组织（OECD）的教师福祉框架也强调，工作压力升高与教师离职率上升、教学质量下降以及教育系统韧性长期受损密切相关（Viac & Fraser, 2020）。
因此，缓解教师工作压力成为重要的研究议题。在更广泛的教师福祉研究中，工作压力被公认为职业倦怠的首要前因，与工作满意度呈持续负相关，且与工作负荷共同构成教师职业核心的工作要求（Zang et al., 2022）。现有研究已从个体与组织层面探索了多种压力缓解策略，包括正念干预项目（Hidajat et al., 2023）、认知行为疗法（Ghasemi, 2023）、教学自主权提升（Wang, Yang, et al., 2024）、同事支持（Wolgast & Fischer, 2017）以及支持型学校领导（Lambert et al., 2023）。此前基于 TALIS 的研究也在国际层面深化了对上述机制的理解（Jerrim & Sims, 2022; Zhang et al., 2021）。
......
本研究旨在利用 TALIS 2024 数据填补这一空白 —— 该数据集是首个系统测量教师教学中人工智能应用情况的大规模国际调查。依托这一前所未有的数据集，本研究考察了人工智能教学应用与教师工作压力的整体关联，检验了二者的关联是否因教师学历与国家发展水平存在异质性，并探索了教学愉悦感与专业发展障碍在其中的统计中介作用。本研究的贡献在于：首次提供了人工智能使用与教师压力关联的大规模跨国证据，记录了该效应在不同国家发展情境下的反转特征，深化了人工智能使用与教师福祉关联机制的理论认知，为制定情境适配的教育人工智能整合政策提供参考。
2.文献综述与研究假设
2.1 教学中的人工智能：赋能还是负担？
关于人工智能教学应用缓解还是加剧教师压力的实证研究结论尚不统一。定量研究表明，人工智能教学应用可通过自动化备课、资源生成、作业批改与学习数据分析减轻工作负荷、提升效率，使教师能将更多精力投入师生互动与个性化支持（Gallup & Walton Family Foundation, 2025; Zheng, Shi, et al., 2025）。除减负外，人工智能教学应用也被证实能促进教师专业发展，进一步缓解职业负担（Du et al., 2025）。
与定量研究形成互补，访谈类研究发现，将人工智能融入教学可降低教师的时间负荷、身体负荷、情绪负荷与认知负荷，其中时间负荷的下降最为显著（Wang & Chen, 2026; Yang et al., 2024）。
然而，越来越多的文献也警示，人工智能辅助教学可能成为新型压力源。“技术压力”“数字压力”“技术焦虑” 等术语，被用来描述教育工作者在适配快速发展的智能技术时产生的紧张、疲惫与无助感（Zheng, Liu, et al., 2025）。研究指出，教育人工智能的应用远不止是工具替代，它往往要求教学方法重构、评价方式革新，同时还需应对数据伦理、隐私保护、算法偏见等新问题，这些挑战共同加剧了教师的心理负担与职业不安全感（Wang & Li, 2022）。
一项针对 1192 名使用过教育人工智能应用的中小学教师的调查显示，教师群体中普遍存在 “人工智能焦虑” 现象（Zhao et al., 2022）；尽管人工智能工具最初被寄予减轻教师工作负荷的期望，但许多教育工作者表示，这些系统不仅未能解决现有困难，反而带来了新的问题（Alwaqdani, 2025）。
尽管相关证据不断积累，但人工智能教学应用影响教师工作压力的机制仍未得到充分阐释（Celik et al., 2022），技术应用初期的学习曲线与适应成本也可能进一步提升任务复杂度。人工智能辅助教学最终是为教师赋能还是增加负担，仍是亟待系统实证检验的开放性问题。
2.2 人工智能教学应用对教师工作压力的异质性影响
人工智能教学应用对教师压力的影响不太可能具有群体同质性。在工作要求 - 资源框架下，同一项技术对部分教师而言是工作资源，可通过效率提升缓解压力；但对另一部分教师而言，却可能构成额外的工作要求。
现有研究已考察了性别、年龄、教龄等因素的调节作用（Zhang & Xiong, 2025），但学历与国家发展水平这两个至关重要的调节变量尚未得到充分关注。学历的影响远不止于文凭本身，它还关联着认知发展、知识建构与复杂问题解决能力（Heckman & Kautz, 2012），这些特质都会塑造教师对人工智能相关要求与资源的感知和应对方式。
......
在资源普遍匮乏的中低收入国家，教师常面临薪酬不足、班级规模过大、专业支持短缺等结构性约束，这些因素大幅提升了职业压力（Benevene et al., 2020; Evans & Yuan, 2018）。在此背景下，人工智能教学应用或许是智能时代最具变革性的教育资源，但其缓冲压力或放大压力的效果，会因教师所处的整体资源环境产生巨大差异。
2.3 教学愉悦感与专业发展障碍的中介作用
人工智能教学应用影响教师工作压力的机制尚不清晰，因此有必要深入考察潜在的中介路径。在影响教师工作压力的诸多维度中，情绪体验与专业发展的作用尤为突出（Sandilos et al., 2018; Tong, 2025）。
教学愉悦感指教师从教学实践中获得的积极情绪体验，包含愉悦感、满足感与成就感，被公认为教师心理健康的重要保护因素，也是提升教学表现的重要动因（Zhang, 2023）。积极心理学视角下，教学愉悦感能够缓冲职业倦怠、维持工作动机（Liu et al., 2025）。
新兴研究证据显示，人工智能教学应用可通过减轻行政负担、增强教学成就感来强化这一保护资源（Bergdahl & Sjoberg, 2026; Duan & Zhao, 2024）。鉴于教学愉悦感与工作压力呈显著负相关 —— 即越丰富的积极教学体验对应越低的职业压力（Shoshani, 2025），它可能成为人工智能使用缓解压力的关键中介变量。
专业发展障碍指教师在吸纳新知识、改进教学实践过程中遇到的系统性阻碍，既包括资源、设备、时间、经费、政策支持等一阶障碍，也包括教师信念、知识技能、教学理念等二阶障碍（Amemasor et al., 2025）。
多项实证研究表明，人工智能教学应用可大幅减少教师在批改作业、生成素材、行政事务上花费的时间，从而缓解时间稀缺这一一阶障碍（Tan et al., 2025）。除节省时间外，人工智能辅助系统还能提供学生分层建议、即时反馈与学习困难预警，帮助教师更高效地明确教学重点、回应学生需求，这可能降低与教学效能不确定性相关的二阶障碍，进而缓解感知工作压力（Melo-López et al., 2025）。
2.4 理论框架与研究假设
本研究以资源保存理论（Conservation of Resources, COR）与工作要求 - 资源模型（Job Demands-Resources, JD-R）为核心理论框架。这两个视角相结合，既能解释人工智能教学应用作为工作资源缓解压力的机制，也能解释其作为新的工作要求加剧压力的条件。
资源保存理论认为，个体具有获取、保留与保护自身珍视资源的内在动机（Hobfoll et al., 2018）。资源增益会触发 “获取螺旋”，提升福祉水平；资源损失则会触发 “损失螺旋”，加剧压力水平。
工作要求 - 资源模型则将工作特征划分为两大类：工作要求与工作资源。工作要求指工作中需要持续付出精力、会消耗个体能量的要素；工作资源则指能够缓冲工作要求的冲击、助力工作目标达成的结构性与社会性支持（Bakker & Demerouti, 2017）。
二者结合为分析提供了连贯的理论视角：人工智能教学应用的角色并非固定，它既可能成为工作资源、触发资源获取螺旋，也可能成为额外的工作要求、启动资源损失螺旋，最终结果取决于使用的个体条件与情境条件。
应用于本研究，人工智能教学应用在理论上具备成为工作资源的潜力：当它能降低工作负荷、支持专业发展时，便可能触发资源获取螺旋，缓解工作压力。反之，若它引入了新的技术要求或适应成本，则可能启动资源损失螺旋，加剧压力。现有研究的分歧也印证了这一模糊性。
基于此，本研究提出两组竞争性假设：
H1a：人工智能教学应用的使用与教师工作压力呈负相关。
H1b：人工智能教学应用的使用与教师工作压力呈正相关。
在此基础上，人工智能教学应用对教师压力的影响会因个体与情境差异而不同。依据拉扎勒斯与福克曼（Lazarus & Folkman, 1984）的压力认知评价理论，资源禀赋不同的个体，对同一技术要求的评价与应对能力存在差异。
就学历而言，高学历教师可能具备更强的技术适应能力与认知资源，使人工智能成为工作资源、触发获取螺旋、缓解压力。但另一方面，对低学历教师而言，人工智能的自动化功能可能带来 “后发优势”，通过弥补资源缺口产生更显著的减压效果（Tarafdar et al., 2011; Özyurt et al., 2013）。
基于此，本研究提出假设：
H2：人工智能教学应用与教师工作压力的关联因学历水平存在差异；与研究生学历教师相比，非研究生学历教师群体中人工智能的减压效应更显著。
就国家发展情境而言，工作资源的压力缓冲功能在不同经济发展水平的国家间差异显著（Ning et al., 2022）。在发展中国家，结构性资源稀缺是普遍特征，人工智能教学应用可作为替代性资源，大幅减轻教师工作负荷与压力。而在教育基础设施成熟的发达国家，人工智能可能通过算法问责与技术压力引入新的工作要求，反而可能放大而非减轻压力。
基于此，本研究提出假设：
H3：人工智能教学应用与教师工作压力的关联因国家发展水平存在差异；发展中国家中人工智能呈现减压效应，发达国家中则可能呈现增压效应。
根据工作要求 - 资源模型，教学愉悦感是关键的工作资源，可通过提升积极情绪体验缓冲工作要求的冲击、降低职业压力（Zhang, 2023）。而专业发展障碍则属于工作要求，获取新知识技能的阻碍会增加教师感知的工作负荷与压力（Melo-López et al., 2025）。
因此，人工智能教学应用可能通过两条互补的路径影响教师工作压力：一是减轻行政负担、增强教学参与感，从而提升教学愉悦感；二是提供智能支持与个性化反馈，从而降低专业发展障碍。
基于此，本研究提出以下假设：
H4：教学愉悦感在人工智能教学应用与教师工作压力的关联中发挥中介作用。
H5：专业发展障碍在人工智能教学应用与教师工作压力的关联中发挥中介作用。
3.研究方法
3.1数据来源
本研究采用经合组织发布的第四轮教与学国际调查（TALIS 2024）数据，覆盖全球 55 个国家与地区。该调查首次增设 “教师与人工智能” 模块，用于评估教师对人工智能的使用情况与教学整合准备度，同时涵盖教学方法、职业认知、专业发展等维度的内容。
由于各国问卷版本存在差异，部分变量存在大量数据缺失。本研究通过四步筛选流程确定最终分析样本，最终得到覆盖 18 个国家与地区的 31573 份有效观测值，约占原始样本总量的 11%，覆盖参与国家总数的 33%。样本构建的详细流程见附录 1。
3.2变量测量
自变量：人工智能教学应用
通过题项 “过去 12 个月中，您是否在教学中或为促进学生学习使用过人工智能？” 进行测量，回答为二分变量（是 / 否），设置为虚拟变量纳入模型。调查样本中，共有 17720 名教师（56.12%）报告在教学中使用过人工智能。
此外，本研究通过加总教师在多个具体人工智能应用场景的作答，构建了 “人工智能教学应用频率” 变量，作为稳健性检验中的替代自变量。
因变量：工作压力
工作压力包含职场压力、工作负荷压力与学生行为压力三个维度。职场压力指教师角色对职业生活与个人生活的更广泛要求，例如 “跟上课程或项目的变化”“回应家长或监护人的关切”；工作负荷压力指与备课、授课、批改、行政职责相关的时间密集型要求，例如 “授课课时过多”；学生行为压力指与学生学业成绩、课堂纪律、学生行为相关的挑战，例如 “维持课堂秩序”。
本研究采用探索性因子分析（主成分法）对上述三个维度进行降维，生成综合工作压力变量。检验结果显示，该变量具有良好的信度与结构效度（克朗巴赫 α 系数 = 0.751，方差解释率 = 66.72%），可用于后续分析。因子载荷与心理测量统计量的详细信息见附录 2。
中介变量
中介变量包括教学愉悦感与专业发展障碍。
教学愉悦感：测量教师从教学中获得的积极情绪体验，题项包括 “我在教学时经常感到快乐”“我通常满怀热情地教学” 等。
专业发展障碍：测量教师寻求专业成长过程中遇到的系统性与实践性阻碍，题项包括 “没有相关的专业学习资源”“因其他事务或职责没有时间参与” 等。
控制变量
遵循已有研究惯例，本研究纳入性别、年龄组、教龄、学历、雇佣类型、其他机构兼职情况作为控制变量（Liang, 2023; Xu, 2025）。班级规模、教学科目等变量因与人工智能测量题项存在重叠，未纳入控制变量。所有模型均控制学校固定效应，以排除学校层面未观测异质性的干扰。
国家发展水平分组
本研究依据 OECD 成员国身份与世界银行高收入国家判定标准，将国家与地区分为三类：
发达国家：爱沙尼亚、匈牙利、以色列、波兰、斯洛伐克共和国、瑞典；
发展中国家：其余参与国家；
上海地区：鉴于中国上海的行政特殊性及其教育体系与治理情境的独特性，将其单独列为一组。
3.3 分析策略
第一，采用普通最小二乘（OLS）回归检验人工智能教学应用与教师工作压力的基准关联，并通过多种方式进行稳健性检验：替换因变量与自变量、纳入教师层面抽样权重与重复权重的平衡重复复制（BRR）加权估计、多层线性模型（HLM）估计、倾向得分匹配（PSM）估计。
第二，采用分样本回归检验人工智能教学应用与工作压力的关联是否因教师学历、国家发展情境存在异质性，并辅以交互效应分析验证组间差异。
第三，采用三步法进行中介效应分析，考察教学愉悦感与专业发展障碍的统计中介作用。本研究的分析框架见图 1。
考虑到 TALIS 数据的嵌套结构（教师嵌套于学校），所有模型均采用学校层面聚类标准误，并控制学校固定效应以处理非独立观测问题。此外，稳健性检验部分采用教师层面抽样权重与 BRR 重复权重，以兼顾 TALIS 复杂的抽样设计。由于学校固定效应与总体加权推断在概念上存在冲突，加权估计结果单独作为稳健性检验呈现。
4.研究结果
4.1 基准回归与稳健性检验
本研究构建回归模型检验人工智能教学应用与教师工作压力的关联，以工作压力为因变量，人工智能教学应用为核心自变量。通过逐步加入控制变量与学校固定效应，得到估计结果如表 2 所示。
列（1）与列（2）的结果显示，人工智能教学应用与教师工作压力呈显著负相关（β=−0.074，95% CI [−0.101, −0.047]）。这意味着，使用人工智能教学应用的教师，其工作压力水平比未使用者低约 0.074 个标准差。
加入协变量前，科恩 d 值为 0.082，低于常规的小效应阈值（d=0.2）；加入协变量后的回归估计值略小。尽管效应量幅度有限，但基于大规模国际样本，该效应仍具有实质意义。上述结果支持研究假设 H1a。
当以工作压力的三个子维度分别作为因变量时，列（3）至列（5）的结果表明，人工智能教学应用与职场压力、工作负荷压力、学生行为压力均呈显著负相关。
为验证基准回归结果的可靠性，本研究开展了多项稳健性检验，结果如表 3 所示。
1.替换因变量：将自我报告题项 “我在工作中感受到压力” 作为替代因变量；
2.替换自变量：以人工智能教学应用场景频率作为替代自变量；
3.BRR 加权估计：纳入教师层面抽样权重与重复权重进行加权估计；
4.多层线性模型：采用两层 HLM 模型进行估计。
在所有设定下，人工智能教学应用均与教师工作压力呈显著负相关，进一步支持研究假设 H1a。
此外，本研究采用倾向得分匹配进行稳健性检验，估计人工智能教学应用对教师工作压力的平均处理效应（ATT）。匹配协变量依据匹配前标准化偏差超过 5% 的变量筛选，采用卡尺匹配、核匹配、近邻匹配（1:1）三种方法。
结果显示，三种匹配方式下的 ATT 介于−0.078 至−0.097 之间，且均在统计上显著（p<0.001），结果如表 4 所示。卡尺匹配的平衡诊断与核密度图详见附录 3 与附录 4，证实匹配质量良好。
上述结果进一步支持研究假设 H1a。但需要说明的是，PSM 仅能处理可观测混淆因素，无法排除不可观测因素带来的偏差。
4.2 异质性分析
4.2.1 学历异质性
为检验人工智能教学应用与工作压力的关联是否因教师学历存在差异，本研究将教师最高学历划分为研究生与非研究生两组，分别进行 OLS 回归，并辅以交互效应分析，结果如表 5 所示。
数据显示，对非研究生学历教师而言，人工智能教学应用与工作压力呈显著负相关（β=−0.094，95% CI [−0.129, −0.059]）；而对研究生学历教师，二者的关联不具有统计显著性（β=−0.030，95% CI [−0.069, 0.009]）。交互效应结果显示，两组的关联强度存在显著差异。上述发现支持研究假设 H2。
4.2.2 国家发展情境异质性
同理，为检验国家发展情境的异质性，本研究将样本分为发展中国家、发达国家与上海地区三组，分别进行 OLS 回归，并辅以交互效应分析，结果如表 6 所示。
数据显示，对发展中国家教师而言，人工智能教学应用与工作压力呈显著负相关（β=−0.097，95% CI [−0.129, −0.065]）；对发达国家教师而言，人工智能教学应用与工作压力呈显著正相关（β=0.066，95% CI [0.016, 0.116]）。
值得注意的是，两组的置信区间无重叠，为效应的情境依赖性反转提供了强有力的统计支持。上海地区教师群体的效应不具有统计显著性。交互效应结果显示，发展中国家与发达国家教师群体中，人工智能教学应用与工作压力的关联存在显著差异；而发展中国家与上海地区的差异不显著。
图 2 可视化了上述差异模式：在人工智能使用组，发展中国家与发达国家的置信区间无重叠，进一步证实了效应的情境依赖性反转。上述发现支持研究假设 H3。
4.3 中介效应分析
本研究采用三步法检验人工智能教学应用与教师工作压力之间的统计中介路径。首先，分别以教学愉悦感、专业发展障碍为因变量，人工智能教学应用为自变量进行回归；随后，将教学愉悦感、专业发展障碍分别纳入基准回归模型；最后，将两个中介变量同时纳入基准回归模型，结果如表 7 所示。
列（1）与列（2）的结果显示，人工智能教学应用与更高的教学愉悦感、更低的专业发展障碍显著相关。列（3）与列（4）的结果显示，纳入中介变量后，人工智能教学应用的系数大幅下降，而教学愉悦感与专业发展障碍的系数仍保持显著，提示二者在人工智能与工作压力的关联中发挥中介作用。
列（5）进一步显示，同时纳入两个中介变量后，人工智能教学应用的系数趋近于 0 且不再显著，而两个中介变量的系数仍保持显著，符合平行中介的模式。
对比间接效应的大小可知，教学愉悦感的中介作用强于专业发展障碍，表明人工智能使用与工作压力的负向关联主要通过提升教学愉悦感实现。
鉴于研究采用横截面数据，上述结果应解读为统计间接关联，而非因果路径。上述发现支持研究假设 H4 与 H5。
5.讨论
5.1人工智能教学应用显著降低教师工作压力，覆盖职场、负荷与学生行为三重维度
本研究发现，人工智能教学应用与教师工作压力降低显著相关，且该效应体现在职场压力、工作负荷压力、学生行为压力三个子维度上。这一发现与工作要求 - 资源模型的资源缓冲逻辑大体一致，同时明确了人工智能作为工作资源发挥作用的具体路径。
职场压力的降低，与 “技术胜任力关联更低情绪耗竭、更好身心健康” 的研究证据相符（Li et al., 2025）。当人工智能有效融入日常教学实践时，它可能减少累积的工作负荷，避免工作向个人时间溢出。2025 年盖洛普的一项调查发现，规律使用人工智能的教师每年相当于节省了六周的工作时间，其中很多时间被用于个人休整与家庭生活（Gallup & Walton Family Foundation, 2025）。这提示人工智能可能有助于修复被结构性过载侵蚀的工作 - 生活边界。
工作负荷压力的降低符合理论预期 —— 备课、批改、行政事务是当前人工智能工具最能有效替代的核心工作需求。实验证据已证实，生成式人工智能能够压缩文档类任务的耗时（Noy & Zhang, 2023）；系统综述也表明，人工智能工具可大幅减少教师在批改作业、生成教学素材、行政管理上的时间投入（Tan et al., 2025）。
学生行为相关压力的降低尤其值得关注，这是现有人工智能研究中相对薄弱的维度。人工智能辅助的学习分析与预警系统，可帮助教师主动识别学习困难的学生，降低问责带来的心理负担（Wang, Wang, et al., 2024）；而人工智能赋能的课堂管理工具，也与更少的纪律问题、更低的情绪耗竭相关（Topali et al., 2025）。三条路径共同表明，人工智能的减压潜力具有广泛性与结构性意义。
5.2 人工智能教学应用与教师工作压力的关联存在显著群体异质性
异质性分析揭示了人工智能教学应用与教师工作压力关联的显著情境差异：人工智能使用与非研究生学历教师、发展中国家教师的压力降低相关，却与发达国家教师的压力升高相关。上海地区教师群体的效应方向为负，但未达到统计显著性。
关键在于，发展中国家与发达国家组的置信区间无重叠，为效应的情境依赖性反转提供了强统计证据，直接挑战了 “人工智能整合具有统一收益” 的假设。这一反转是本研究的核心实证贡献，可从学历与国家发展情境两个维度进行系统理论解释。
......
5.3 人工智能与工作压力的负向关联通过两条路径并行中介，教学愉悦感为核心机制
本研究发现，人工智能教学应用与教师工作压力的关联通过两条统计路径实现：提升教学愉悦感、降低专业发展障碍，且前者的中介作用更强。这一发现与工作要求 - 资源模型的核心原理一致，也揭示了技术资源转化为教师心理资源的具体路径。
第一条路径是教学愉悦感的中介作用。人工智能教学应用可通过减少重复性工作、增强教学自主性，降低数字疲劳与压力（Duan & Zhao, 2024）；而教学愉悦感是工作满意度的重要情感成分，与工作压力呈负相关（Zhang et al., 2023）。当人工智能在保留教师自主权的前提下融入教学流程时，便可能通过提升教学愉悦感降低压力。
研究进一步表明，人工智能驱动的课堂管理技术，可推动教师角色从机械教学转向创造性参与，这种角色转变可能提升职业成就感、降低工作压力（Bennani et al., 2022）。
第二条路径是专业发展障碍的中介作用。这一发现与资源保存理论相符，说明人工智能技术可通过支持资源积累、触发获取螺旋来支持教师发展。人工智能提供的专业辅助，可降低技能获取门槛、减少试错成本，缓解胜任焦虑，提升教师在复杂教育情境中的适应力与自我效能感（Acosta-Enriquez et al., 2025; Duan & Zhao, 2024）。
这与虚拟教练、自适应专业发展的研究结论一致：人工智能可通过即时反馈与个性化学习支持，帮助教师以更低认知负荷掌握新的教学方法，在专业发展中培育赋能感而非疲惫感（Israel et al., 2013; Zimmer & Matthews, 2022）。此外，人工智能教学应用还能提升教师教学规划与实施的效率，为专业发展活动腾出更多时间与机会（Tan, 2025）。
更重要的是，教学愉悦感占据主导中介地位的发现，凸显了人工智能整合的情感维度。教学愉悦感并非工作负荷降低的副产品，它反映了教师职业体验的深层转变：人工智能使教师得以将注意力从行政负担转向教学本身的内在奖赏 —— 师生互动、创造性教学设计、个性化支持等。
这种转变可能产生正向反馈循环：更高的教学愉悦感强化职业动机，进一步缓冲工作压力（Shoshani, 2025）。这也提示，评估人工智能整合的成效，不应仅局限于效率增益，还应关注其丰富教师职业情感体验的能力。
6.实践启示
6.1 构建人工智能减负的赋能环境
只有当人工智能作为可及、易用、可控的资源融入教师日常工作，而非强加额外技术负担时，才更可能发挥减压作用。
在系统层面，各国应加快数字教育战略布局，推动教育终端、网络环境、数据平台、应用场景的一体化建设，将分散的工具整合成统一的教学生态。数字治理框架应将 “减负” 作为核心原则，确保制度设计与技术应用同向发力，消除碎片化管理带来的行政 overhead。
在产品层面，课堂管理、作业反馈、资源生成类智能应用，必须以替代常规任务、释放教师精力为核心目标；对那些会新增报表、文档要求的应用，应严格限制推广。地方教育部门可进一步开发分层、分科的人工智能应用清单，将技术优势转化为教师实实在在的时间收益与心理收益（教育部，2025）。
6.2 面向不同群体与情境定制人工智能干预方案
本研究发现，人工智能的减压效应在不同学历、不同发展水平的情境中差异显著，因此政策应从 “普惠供给” 转向 “精准干预”。
在个体层面，对非研究生学历教师，可通过标准化、模块化的策略（如县域统一备课模板、集中培训）快速实现减负，且不会带来过高的学习成本。对研究生学历教师，则需警惕将其简单视为 “技术先锋” 的做法；应明确角色边界，建立工作量补偿机制，避免人工智能相关的协调责任转化为隐性过载。
在学校层面，可通过教师画像与需求评估，制定差异化的人工智能支持方案，确保技术真正服务于不同群体的专业需求。
在国家层面，资源有限的国家应优先建设人工智能基础设施与教师支持体系；数字化程度较高的国家则应重点缓解数字疲劳与算法治理焦虑，通过完善技术治理规则、扩大教师在人工智能系统设计中的参与度，降低技术带来的压力。
6.3 将教学愉悦感作为人工智能教学设计的核心目标
中介分析显示，人工智能的减压效应主要通过提升教学愉悦感实现，这说明单纯效率导向的人工智能整合是不足的。
在课堂层面，应鼓励教师将人工智能作为协作伙伴，用于生成情境化案例、支持探究式学习、提供实时反馈，而非仅将其作为脱离教学的批改工具。
在组织层面，学校管理者应避免将人工智能整合简化为绩效考核指标，而应构建更多元的认可体系，将教学愉悦感、创造性技术应用纳入教师专业发展的评价叙事。
在系统层面，可将人工智能工具嵌入教师福祉项目，支持情绪反思、时间管理与压力自评，从而提升教师留存率，为高质量教师队伍建设奠定情感基础（Jerrim, 2024）。
6.4 依托人工智能支持教师专业发展、形成持续减压循环
人工智能教学应用可降低专业发展障碍，在时间、知识、能力多个维度注入新资源，有望形成持续的资源获取螺旋，实现长期减压。因此，应将人工智能定位为教师专业发展转型的催化剂。
在政策层面，应将人工智能素养与教学能力提升纳入终身学习框架，针对职前教师、入职初期教师、资深骨干教师设计分层培训路径。已有研究表明，系统持续的人工智能专项专业发展，可提升教师自我效能感、降低技术焦虑（Tan et al., 2025）。
在平台层面，应构建覆盖国家、省、校多级的智能专业发展平台，提供多样化学习形态，并将学习成果与职称评审、专业认证正式挂钩。
在制度层面，应以骨干教师为核心组建教学研究共同体，借助人工智能工具协同开展备课与课堂研究，将个体准备负担转化为集体专业探究。通过上述路径，人工智能可从即时减负工具，真正成长为教师持续专业成长的长期伙伴。
7.结论
综上，本研究提供了大规模国际证据，证明人工智能教学应用与教师工作压力的关联具有高度情境依赖性。基于 TALIS 2024 数据的分析显示：整体而言，人工智能使用与非研究生学历教师、发展中国家教师的工作压力降低显著相关；但至关重要的是，在发达国家情境中，人工智能使用与教师压力升高相关。
这种情境依赖性的效应反转，直接挑战了 “人工智能整合具有统一收益” 的默认假设，也是本研究的核心贡献。统计中介分析进一步揭示了两条并行的作用路径：人工智能使用通过提升教学愉悦感、降低专业发展障碍与压力降低相关联，其中情感路径的中介作用更为突出。
上述发现丰富了工作要求 - 资源模型与资源保存理论的应用场景，表明人工智能同时具备成为工作资源与新型工作要求的双重属性，最终呈现何种属性取决于其嵌入的制度与政策环境。研究同时也凸显了差异化、情境敏感的教育人工智能策略的必要性 —— 只有以减负为导向、以情感福祉为核心、以可持续专业成长为目标，人工智能才能真正成为支持教师的有效工具。
8.局限与未来展望
本研究存在以下局限：
第一，横截面研究设计无法确立变量间的时间先后顺序，也不能完全排除反向因果 —— 可能并非人工智能使用降低了压力，而是压力水平更低的教师更愿意采纳人工智能教学应用。尽管本研究纳入了丰富的个体层面控制变量、学校固定效应，并采用倾向得分匹配处理可观测混淆因素，但这些方法仅能平衡可观测特征，无法消除不可观测个体差异（如教师对技术的内在热情、学校的创新文化）对估计结果的影响。中介效应发现也应解读为统计间接关联，而非严格因果路径。
第二，所有变量均来自教师自我报告问卷，可能存在社会期望偏差与共同方法偏差。教师对人工智能使用与工作压力的自我评估可能受主观感知影响，进而放大观测到的关联。此外，核心自变量人工智能使用为二分测量，仅区分使用与未使用，无法捕捉使用频率、应用场景、熟练程度等差异，可能掩盖了人工智能使用内部的异质性。
第三，最终分析样本仅覆盖 18 个国家与地区，未纳入东亚其他地区、南亚、撒哈拉以南非洲等主要教育体系。性别变量的系统缺失是样本缩减的主要原因，导致 30 个国家与地区被排除。由于样本流失集中于特定国家而非随机发生，保留国家与排除国家在调查实施方式、数字基础设施等方面可能存在系统性差异。因此，研究结论应视为对 18 个国家子样本的刻画，而非对全部 TALIS 2024 总体的推论，向其他教育情境推广时需谨慎。此外，国家发展水平的三分法是一种简化分类，可能无法充分捕捉组内的制度异质性。
上述局限也指明了未来研究方向：采用纵向数据有助于厘清人工智能使用与教师工作压力的时序关系；扩大样本覆盖、纳入更多元的教育体系可提升研究结论的外部效度；采用更精细的人工智能使用测量（区分频率、场景、熟练度），可深化对人工智能教学应用与教师工作压力关联机制的理解。
本文为公益分享，注释从略，服务于科研教学，不代表本公众号观点。学术引用请以原文为准。版权归原作者及原出处所有，内容为作者观点，不代表本公众号赞同其观点和对其真实性负责。如有疏漏，欢迎指正。
推荐阅读
【教育变革】教师变革性专业能动性：数字化背景下推动教育变革的动力与路径
【顶刊动态】故事压缩、权威建构：平台影视二次解说中的复述实践与阐释控制权