在生成式AI赋能教育的背景下，这项研究聚焦于地理教师使用GenAI辅助命题的行为意愿。通过结合结构方程模型与模糊集定性比较分析，研究不仅厘清了单一因素如何影响教师决策，更揭示了多重因素组合的复杂路径，为制定精准的教育技术推广策略提供了实证依据。
智能速览
研究采用SEM与fsQCA混合方法探究教师GenAI使用意愿。
SEM验证了技术自我效能等因素通过态度影响行为意愿的线性路径。
fsQCA识别出影响教师高/低行为意愿的四条差异化组合路径。
研究提炼出理性、情感、综合三种教师行为驱动机制。
两种方法的互补使用，为GenAI在教育领域的应用研究提供了方法论参考。
精华内容
要深入理解地理教师采纳生成式AI的复杂动机，单一方法往往力有不逮。本研究结合SEM与fsQCA，从线性因果与组态路径双重视角，揭示了其行为意愿背后的深层驱动机制。
厘清因果逻辑
结构方程模型（SEM）作为量化研究的核心，精准解构了各变量间的因果关系。研究聚焦技术自我效能、AI-TPACK（人工智能与教学知识整合能力）与学校支持三大前置变量，通过问卷数据验证了它们对教师感知易用性和感知有用性的直接驱动作用。
研究进一步揭示，感知易用性与感知有用性通过态度这一中介变量，最终影响教师使用GenAI的行为意愿。这一发现验证了扩展版技术接受模型（TAM）在GenAI教育应用场景中的有效性，为后续相关研究奠定了理论基础。
解锁组合路径
当变量关系呈现非线性特征时，模糊集定性比较分析（fsQCA）展现出独特优势，它关注的是“条件组合如何共同导致结果”。研究将量表数据转化为模糊集数据，挖掘出影响教师行为意愿的多重并发因果。
核心发现是识别出四条差异化影响路径，并提炼出理性驱动型、情感驱动型和综合驱动型三种行为驱动机制。这突破了传统研究中仅关注单一变量影响的局限，说明不同教师可能因不同的因素组合而产生高使用意愿，为制定精准化推广策略提供了细分依据。
方法实践指引
SEM与fsQCA的结合使用为复杂的社会科学研究提供了典范。SEM的应用场景在于探究多变量间的直接或间接影响关系，它需要通过结构化数据收集，并借助AMOS、Mplus等软件进行路径系数估计，其核心是挖掘行为背后的线性驱动逻辑。
而fsQCA则更适用于解析复杂现象的多重成因，它需要完成数据的模糊化处理，通过专门的软件识别出影响结果的核心条件与边缘条件，其核心价值在于呈现“殊途同归”的因果组态。二者互补，使研究结论既有量化验证，又有定性深度。
这项研究为GenAI在教育领域的深度应用研究提供了方法论参考，也为地理教育数字化转型中的教师行为引导提供了实证依据。它不仅展示了混合研究方法的强大解释力，更重要的是，为如何提升教师的智能教育评价素养指明了具体方向。未来，如何将这些发现转化为可操作的教师培训方案，是值得持续探索的课题。
