理解教师对生成式AI的采纳意愿是一个复杂课题。传统单一模型难以全面解析多维度因素的交互作用。本研究巧妙结合结构方程模型（SEM）与模糊集定性比较分析（fsQCA），为探究教师行为意愿提供了更系统、更深入的分析框架，揭示了驱动教师使用AI辅助命题的多元路径与核心机制。
智能速览
研究验证了扩展版技术接受模型（TAM）在解释地理教师AI使用行为意愿中的适用性。
技术自我效能、AI-TPACK和学校支持是影响教师感知易用性和有用性的关键。
fsQCA分析识别出驱动教师高或低使用意愿的四条不同路径。
研究发现理性驱动、情感驱动和综合驱动三种不同的驱动机制。
精华内容
要真正理解教师的行为决策，需要超越单一变量的线性思维。通过SEM与fsQCA的结合，我们不仅能看到因素间的因果链条，还能发现通往同一结果的多种路径组合，从而更精准地把握行为背后的复杂逻辑。
模型构建基础
该研究以技术接受模型（TAM）为理论框架，该模型强调感知易用性、感知有用性和态度对技术采纳行为意愿的影响。为更贴合地理教师的教学场景，研究引入了三个新的变量：技术自我效能、AI-TPACK（人工智能与教学知识整合能力）以及学校支持。
技术自我效能反映了教师对自己使用AI技术能力的信心，AI-TPACK衡量了教师将AI与学科教学知识融合的能力，而学校支持则代表了组织层面的环境因素。
这种扩展使得模型能够更全面地捕捉影响教师采纳生成式AI辅助命题的多层次因素。
SEM的因果路径
通过结构方程模型（SEM）分析，研究验证了各变量之间的因果路径关系。数据清晰地表明，技术自我效能、AI-TPACK和学校支持这三个外部变量，对地理教师的感知易用性和感知有用性均产生直接的正向影响。
换言之，教师对自身技术的信心、融合AI的教学能力以及得到的学校支持，会显著提升他们认为AI工具“好用”和“有用”的程度。
进一步地，感知易用性和感知有用性会正向影响教师对使用AI的态度，而积极的态度最终会转化为更强的行为意愿。这条路径验证了经典的TAM模型链条，并确认了新加入变量的关键作用。
fsQCA的组态路径
与SEM关注平均效应不同，模糊集定性比较分析（fsQCA）旨在揭示导致同一结果的不同因素组合。研究发现，驱动地理教师产生高行为意愿的路径并非唯一，而是存在四条不同的“组态路径”。
这些路径揭示了三种核心的驱动机制。第一种是“理性驱动型”，主要由感知有用性等功利性因素主导；第二种是“情感驱动型”，更多由态度等情感性因素驱动；第三种则是“综合驱动型”，是多种条件共同作用的结果。
这一发现说明，不同背景和特征的教师，其采纳AI的动因组合存在显著差异。
实践应用启示
该研究的发现为教育管理者和教师发展提供了具体的实践指导。首先，应着力深化教师的AI-TPACK能力，通过专项培训将AI技术与地理学科命题实践深度融合，提升教师的工具应用水平。
其次，学校需要重构支持体系，不仅提供技术设备，更要营造鼓励创新的教学氛围，提供及时的技术支持和激励机制，以增强教师的技术自我效能感。
最后，推广策略应采取双路径模式，既要用实用价值吸引理性驱动的教师，也要通过成功案例和正面引导来感染情感驱动的教师，从而实现整体采纳意愿的提升。
将SEM与fsQCA结合，为探究复杂教育问题提供了新范式。它不仅揭示了影响教师AI使用意愿的多个关键因素，更展示了这些因素如何以不同组合驱动最终行为。这为未来智能化教育推广策略的制定，提供了兼具深度与广度的科学视角。如何将这些发现转化为有效的教师发展计划，将是下一步值得探索的方向。
