高职院校教师人工智能素养评价指标构建及应用

人工智能(
AI) 技术的迅猛发展正深刻重塑教
育领域，赋能教学模式与方法的创新变革。 "AI+" 教育转型进程中，教师居于核心地位，其人工智能素
养的提升成为关键驱动力。《教育强国建设规划纲要(2024—2035年)》明确要求“深化人工智能助推
教师队伍建设”,联合国教科文组织(UNESCO,2024a) 发布的《教师人工智能能力框架》亦将AI素养列为
教师必备素养，强调教师需掌握AI相关知识和技能"。

现有研究为理解教师AI素养提供了多维视角。
例如，李艳等剖析人工智能素养内涵，认为人工智
能素养具体体现在育人理念、智能教育知识、人机协
同教学、数字赋能科研创新、坚持科技向善和人本价
值五个维度。郭亚军等结合布鲁姆分类法剖析人工
智能素养内涵，提出了人工智能素养包含感知和理解AI、应用和分析AI以及评估和创造AI的能力。黄如花等参考全球具有影响力的人工智能素养框架，构
建我国人工智能素养教育内容框架，包括人工智能认知、人工智能技能、人工智能应用、人工智能伦理四大部分。陈珊珊等采用网络调研法收集相关政策和
活动信息，构建英国高校人工智能素养框架包含AI 认知、AI应用、AI思维、AI伦理四个方面的教育内容。
余维杰等⑤综合运用网络调研法与内容分析法，对比中外人工智能素养权威机构及学术期刊的人工智能素养框架研究，指出框架核心内容包括“认知—技能— 应用—创新一伦理”五大维度。乔雪峰等基于生成
式人工智能本质属性，研究数智时代中小学人工智能素养框架，构建了“智能认知—融合应用一智能创新”
的三维理论框架。段玉山等7通过对华北师范大学地理教育专业的样本分析，界定了师范生人工智能素养的内涵，提出了包括人工智能知识、应用技能与价值观、思维方式和伦理道德等五个维度的师范生人工智
能素养结构体系。兰国帅等8借鉴美国数字承诺组织制定的《人工智能素养：理解、评估和使用新兴技术框架》,为构建我国本土化教育者人工智能素养框架、
提升教育者人工智能素养提供参考。然而，现有研究中，针对职业院校教师人工智能素养框架研究的甚少，
本研究聚焦职业院校教师这一群体，尝试构建其人工智能素养框架。

本文选择权威机构颁布的人工智能素养政策和
前沿学术动态为研究对象，深入挖掘其中质性数据，
使用扎根理论提炼职业院校教师人工智能素养的初
选指标框架，然后使用AHP层次对各指标进行赋权
值，得到量化评价指标模型，在此模型上，利用模
糊综合评价法对XX某高职院校教师人工智能素养
进行评价，验证所构建评价指标体系的科学性和实
用性。

构建评价指标

扎根理论

扎根理论是质性研究中的经典方法论，其核心在
于通过系统性归纳与迭代分析，实现理论的自下而上
建构。该方法在研究过程中采用开放式、主轴式、选
择性编码的三级编码对原始资料进行逐级提炼，逐步
抽象出核心范畴及其关联，最终形成植根于实证数据
的实质性理论。运用Nvivol2质性分析软件，对收
集到的文本数据进行系统化整理和编码分析，构建高
职院校教师人工智能素养的评价指标体系。

数据来源

本研究第一轮通过网络调研收集了国内外核心
学术文献、政府政策等关于人工智能素养教育的74份原始资料，第二轮对资料人工智能内容进行筛选，
除去低关联性文献和政策报告，最终得到聚焦教师人
工智能素养相关的82份规范资料，包含人工智能素
养教育学术文献43篇，与人工智能素养教育相关的
国内外政策25篇，同时预留17份作为理论饱和度检
验样本，见表1。

表1数据来源资料统计

资料类型

来源文献主题

数量

文献类

教师人工智能素养能力提升研究

教师人工智能素养核心要素研究

教师人工智能素养评估标准研究

人工智能素养教育内容研究

政策类

国内外人工智能素养框架研究

国内外人工智能素养能力提升研究

编码过程

扎根理论遵循的三阶段编码，其原理是首先对原
材料中的语句进行系统分析，通过开放编码获取原始
材料的初步编码；其次通过主轴编码对上一阶段的编
码进行分类，得出“主范畴”编码；最后使用选择性
编码进一步提取“主范畴”中的“核心范畴”。具体
编码通过NVivol2软件进行实现，使用NVivol2对68份原文本资料进行规范化处理和编码，最终获得432个有效节点，提炼出83个初始范畴，归纳形成了38个子范畴，5个主范畴。在理论饱和度检验阶段，
本文邀请5名相关领域专家，使用剩余的17份文本
资料进行再次编码，发现所有的初始范畴未发现新的
概念和类别，说明扎根理论编码已达理论饱和度。表2列出各主范畴所对应的开放式编码字范畴及概念内
涵，教师人工智能素养框架基本构建完成。

基于 AHP层次分析法确定指标权重

AHP 层次分析法

层次分析法是将要分析的要素进行层次化、步骤
化的过程，将复杂的感性目标问题表示为一个有序的
递阶层次，通过建立层次结构图、判断矩阵、对各指
标因素赋值，对判断指标进行一致性检验最终获得最
优方案1。本文基于层次分析法，借助Python编程
可计算各指标的权重，进而构建量化的评价指标。层
次分析法分为目标层(最高层)、准则层(中间层)和指标层(最底层)。表2高职院校教师人工智能
素养定性评价指标包含高职院校教师人工智能素养评
价、4个一级指标、14个二级指标，分别对应层次分
析法的目标层、准则层和指标层。

构建判断矩阵与一致性检验

本研究邀请从事职业教育研究或从事人工智能研
究的10名专家学者组成专家组，根据层次分析法提
出的9度指标法对一级指标和二级指标通过两两对比
形成判断矩阵，针对上述指标体系一共有5个判断矩
阵，如表3、表4、表5、表6、表7所示。

一致性检验在于验证决策者对各因素相对重要性
的判断是否具有逻辑一致性。根据专家给出的判断矩
阵，进行一致性检验，一致性检验指标是通过一致性
比率CR, 一致性比率小于0.10时，说明判断矩阵的
一致性是可以通过的¹。 CR的计算公式如(1):

(1)

式(1中
，CI是一致性指标，RI为随机一致性指标，
具体指标和矩阵阶数相关，可查出相应的平均随机一
致性指标RI。CI 计算公式如(2):

表2高职院校教师人工智能素养评价指标构建

主范畴

子范畴

范畴内涵

AI认知

基础认知

对人工智能技术原理、应用场景、发展态势及教育融合潜力的基本理解与掌握程度

价值认知

对人工智能在教育革新、教学提效、学生发展及产业对接等方面所蕴含价值的理解与认同程度

AI技能

技术理解能力

掌握、剖析并运用AI相关原理与功能以适应教育场景需求的认知与运用水平

工具应用能力

熟练运用AI工具开展教学活动、优化教学流程及提升教育成效的实践素养

问题解决能力

针对教育场景中AI相关难题(如技术故障、应用偏差等)进行精准诊断、有效应对并推动问题妥善解决的能力

创新创造能力

在教学、实践及产教融合中运用AI技术开展新方法探索、新模式构建及新成果产出的能力

AI应用

AI协同教学设计

借助AI技术整合多方资源、协同多方力量，共同规划并优化教学设计以提升教学质量

AI辅助课堂教学

借助AI技术工具优化教学内容、精准分析学情、动态调整策略以提升课堂互动与教学效果的实践

AI赋能教学评价

借助AI技术实现评价数据智能采集、分析反馈精准化，以优化教学策略与促进学生学习成效提升的过程

AI驱动科研创新

运用AI技术挖掘科研数据价值、探索新研究方向并推动科研成果转化，以提升科研效能与突破创新瓶颈的能力与实践

AI推动产教融合

借助AI技术搭建校企协同平台、优化人才培养模式、促进产业需求与教育供给精准对接，以实现教育与产业深度融合发展的能力与实践

AI伦理

诚信要素

运用AI技术开展教学、科研及管理等活动中，秉持真实、公正、负责态度，确保数据准确、过程透明、结果可信的道德品质与行为规范

伦理安全

使用AI技术开展教学、科研等活动时，遵循伦理道德准则，保障技术应用合法合规、数据隐私安全、避免算法偏见，确保教育过程公正公平及师生权益不受侵害的状态

责任管理

在AI技术融入教学与科研等场景中，明确自身责任边界，规范AI应用流程，保障数据安全与学生权益，并对AI使用效果及影响负责的管理机制与行为准则

表3目标层判断矩阵及各因素权重

高职院校教师人工智能素养评价

AI认知

AI技能

AI应用

AI伦理

权重(W)

AI认知

1/6

1/7

0.06990

AI技能

1/2

0.33121

AI应用

0.51474

AI伦理

1/4

1/5

0.08414

一致性检验结果

λmax=4.0495,CI=0.0165,CR=0.0185<0.1

表4“AI认知”矩阵及各因素权重

AI认知

基础认知

价值认知

AI产生潜在影响

权重(W)

基础认知

1/4

0.225535

价值认知

1/3

1/5

0.100654

AI产生潜在影响

0.673810

一致性检验结果

λmax=3.0858,CI=0.04288,CR=0.07394<0.1

表5“AI技能”矩阵及各因素权重

AI技能

技术理解能力

工具应用能力

问题解决能力

创新创造能力

权重(W)

技术理解能力

1/3

1/5

0.067076

工具应用能力

1/3

0.19739

问题解决能力

0.51125

创新创造能力

1/3

0.22428

一致性检验结果

λmax=4.11546,CI=0.03849,CR=0.043245<0.1

表6“Al应用”矩阵及各因素权重

AI应用

AI协同教学设计

AI辅助课堂教学

AI赋能教学评价

AI驱动科研创新

AI推动产教融合

权重(W)

AI协同教学设计

1/4

1/2

1/5

0.076253

AI辅助课堂教学

1/3

1/2

1/4

0.08446

AI赋能教学评价

1/3

0.241705

AI驱动科研创新

1/2

1/3

0.147047

AI推动产教融合

0.4505347

一致性检验结果

λmax=5.09444,CI=0.0236104,CR=0.0210805<0.1

表7“AI伦理”矩阵及各因素权重

AI伦理

诚信要素

伦理安全

责任管理

权重(W)

诚信要素

1/3

0.13965

伦理安全

0.5278361

责任管理

1/2

0.332516

一致性检验结果

λmax=3.05362,CI=0.0268107,CR=0.046225<0.1

式(
2 ) 中
，n为判断矩阵的阶数；入max为判断矩阵的最大特征值， λmax的计算公式如式(3):

评价指标权重建立

根据已构建的判断矩阵使用Python编程进行数据处理，计算得到最大特征值和最大特征值

对应的特征向量，求得最终权重，如表8所示。

表8高职院校人工智能素养权重计算结果

准则层要素

权重

指标层要素

权重

最终权重

AI认知

0.06990

基础认知

0.225535

0.015764897

价值认知

0.100654

0.007035715

AI产生潜在影响

0.673810

0.047099319

A I技能

0.33121

技术理解能力

0.067076

0.022216242

工具应用能力

0.19739

0.065377542

问题解决能力

0.51125

0.169331113

创新创造能力

0.22428

0.074283779

AI应用

0.51474

AI协同教学设计

0.076253

0.039250469

AI辅助课堂教学

0.08446

0.04347494

AI赋能教学评价

0.241705

0.124415232

AI驱动科研创新

0.147047

0.075690973

AI推动产教融合

0.4505347

0.231908231

AI伦理

0.08414

诚信要素

0.13965

0.011750151

伦理安全

0.5278361

0.044412129

责任管理

0.332516

0.027977896

评价实证研究

模糊综合评价

本研究为了验证构建评价模型的科学性和有效
性，借助模糊综合评价法，邀请10位高职教育和人
工智能领域专家，根据评价集对各因素进行打分，确
定模糊评价矩阵，借助构建的量化评价指标权重对四
川某高职院校的教师人工智能素养进行应用验证，得
到该学校教师人工智能素养的综合评价得分。

评价集是评价者对评价对象可能做出的各种结
果的元素的集和，即V={优秀，良好，合格，较差，
差}。对应数值：优秀：90,良好：80,合格：60,较差：45,差：30。本研究通过问卷的方式对评价
模型中的14个指标进行模糊评价打分，得到模糊评
价矩阵 R, 模糊评价中的元素表示对应指标相对评
价集元素的重要程度¹²。对问卷打分结果进行整理，
如表9所示。

表9专家评价统计表

二级指标

评价统计

优秀

良好

合格

差

较差

基础认知

价值认知

AI产生潜在影响

技术理解能力

工具应用能力

问题解决能力

创新创造能力

AI协同教学设计

AI辅助课堂教学

AI赋能教学评价

AI驱动科研创新

AI推动产教融合

诚信要素

伦理安全

责任管理

本研究通过权重向量W和评价矩阵R进行模糊

变换(式(4)),然后再进行模糊综合评分S(式(5)),
T 为评价集对应数值向量，得到XX省某高职院校一
级指标隶属度数据及综合评价得分如表10所示。

B=W.R

S=B.T

表10某高职院校人工智能素养综合评价得分

一级指标

AI认知

AI技能

AI应用

AI伦理

综合评价

得分

83.8200

78.8111

75.3709

84.8912

78.5021

结果分析

从构建的高职院校教师人工智能素养指标体系权
重来看，一级指标中AI应用最大，AI 技能次之，接
着是AI伦理，最后是AI认知，结合高职院校教师特
点，AI应用和AI技能排在前两位，符合职业院校以
技能和应用为主线进行人才培养的特征，直接影响着
人工智能时代高职院校人才培养的方向。

具体到二级指标，AI推动产教融合权重最高，占
比达到23.19%。契合高职教育核心目标产教融合高质
量发展，教师需从单纯授课者转变为产教协同的“纽带”,利用AI分析行业数据、开发校企合作项目，权重最高反映其对教师复合能力的要求；权重次高的是 AI问题解决能力权重次之，占比16.93%,体现高职教师实践导向，高职教学注重解决实际技术问题，AI工具可辅助教师设计虚拟仿真场景任务。AI赋能教学评价权重次之，占比达到12.44%,是高职教育数字化转型、提升人才培养精准性的重要抓手，基于学习行为数据，AI预测学生潜在挂科风险，帮助教师早期干预。

此外，对XX某高职院校教师人工智能素养评估结果为“合格”到“良好”之间，其中AI认知和AI伦理综合评价均达80分以上，表明该高职院校教师的
人工智能认知和伦理方面取得处于良好状态，反映教
师普遍掌握AI基础概念、教师对数据隐私、算法偏见
有基本警惕。AI技能和AI应用均低于80分，高于70分，处于“合格”以上，说明该高职院校教师在AI技
能和 AI应用方面表现较弱，这一现象反映了当前职业
教育数字化转型中的关键瓶颈，可能原因为高职教师
多来自传统学科背景，AI技术和应用并非其专业必修
内容，学习难度大，教师还处于转型过程中。

高职院校教师人工智能素养优化路径

本研究构建的高职教师人工智能素养评价指标为
教师人工智能素养评价提供了一种评价标准和方法。
下面根据构建的指标体系就高职院校教师人工智能素
养提升进行展望。

注重通识素养：提升教师人工智能技术方法

加强教师培训：学校和教育机构应组织系统性的人工智能技术培训，涵盖基础理论、工具使用(如用好国家智慧教育公共服务平台、数据分析工具)和案例实践。
培训形式可以多样化，包括线上课程、工作坊、校企合作项目。学校应积极推动跨学科协作：鼓励其他专业教
师与计算机应用技术专业教师合作，共同设计智能化教学方案。开发基于人工智能的个性化学习系统，或利用
大数据分析学生的学习行为。学校构建实践平台：为教师提供人工智能技术应用的实验环境，如虚拟课堂、智
能评测系统等，帮助他们在真实场景中积累经验。

加强产教融合：提升教师人工智能创新应用

要真正推动AI与教育的深度融合，必须加强产教
融合，即产业与教育的协同合作，通过校企联动、资
源共享等方式，提升教师的AI创新应用能力，从而推
动教育高质量发展。教师可以深入企业学习AI在行业
中的实际应用，如智能客服、数据分析、自动化教学
系统等，从而更好地将AI技术融入课堂。加强产教融
合是提升教师AI创新应用能力的关键路径。只有通过
校企深度合作，教师才能真正掌握AI技术，并将其转
化为教育生产力，推动教育智能化升级。未来，随着AI与教育的进一步融合，教师将成为技术赋能教育的
核心推动者，为培养未来人才奠定坚实基础。

加强伦理教育：注重教师人工智能的价值性

教师作为AI技术的主要使用者和学生的引导者，
必须强化伦理意识，确保AI的应用符合教育本质和人
文价值。因此，学校管理部门需加强伦理教育，注重
教师人工智能的价值性。人工智能为教育带来便利的同时，也要求教师具备伦理判断力和价值引领能力。只有加强伦理教育，教师才能在使用AI时兼顾效率与
公平、技术与人性，确保教育始终服务于人的全面发展。
未来，随着AI技术不断迭代，伦理素养将成为教师的
“必修课”,也是教育智能化健康发展的关键保障。

结束语

高职院校教师人工智能素养发展是教育智能化动态变革的核心引擎，对推动职业教育培养具备人工智能素养及职业能力的高技能人才具有意义。本研究基于扎根理论深入挖掘人工智能素养的政策和相关文献，形成了评价指标框架，借助AHP层次分析法构
建了高职院校教师人工智能素养量化评价指标，并结合模糊综合评价对XX某高校的人工智能素养水平进行评估应用和分析，最后给出高职教师人工智能素养研究的优化路径，为教师人工智能素养提升提供参考。