---
created: 2026-04-14
title: Intelligent-TPACK框架深度整理
tags: [深度报告, 研究]
category: 深度研究报告
---

# Intelligent-TPACK框架深度整理

> **文献信息**
> - **标题**：Co-constructing adaptive lesson plans with GenAI: Pre-service teachers' Intelligent-TPACK and prompt engineering strategies
> - **作者**：Ismail Celik, Sini Kontkanen, Jari Laru, Alanur Ahsen Dalyancic
> - **机构**：芬兰奥卢大学、东芬兰大学
> - **期刊**：Computers and Education (2026)
> - **年份**：2026

---

## 一、框架起源与理论基础

### 1.1 从TPACK到Intelligent-TPACK

Intelligent-TPACK是由Celik (2023)提出的TPACK框架扩展，旨在定义教师在教育中伦理和教学使用AI增强工具所需的专业知识。

```
TPACK (Mishra & Koehler, 2006)
    ↓
AI时代新要求
    ↓
Intelligent-TPACK (Celik, 2023)
```

### 1.2 框架提出的时代背景

| 背景因素 | 描述 |
|----------|------|
| GenAI普及 | ChatGPT、CoPilot、Gemini等工具被广泛使用 |
| 教师角色转变 | 从技术使用者到技术交互者 |
| 提示工程兴起 | prompt engineering成为关键技能 |
| 伦理挑战 | AI偏见、隐私、透明度等问题凸显 |

---

## 二、Intelligent-TPACK框架核心组件

### 2.1 五大核心组件

| 组件 | 全称 | 定义 |
|------|------|------|
| **Intelligent-TK** | AI技术知识 | 了解AI系统如何运作，以及如何有效使用AI工具 |
| **Intelligent-TCK** | AI内容知识 | 使用AI工具呈现和探索学科特定内容 |
| **Intelligent-TPK** | AI教学知识 | 将AI工具有效应用于支持以学生为中心的教学 |
| **Intelligent-TPACK** | 整合性AI教学知识 | 综合设计、实施、评估AI整合教学活动的能力 |
| **Ethics** | AI伦理知识 | 批判性AI素养，包括偏见、透明度、数据隐私、人类判断在AI支持决策中的作用 |

### 2.2 各组件详细说明

| 组件 | 关键能力 | 测量指标 |
|------|----------|----------|
| **Intelligent-TK** | AI素养、新素养识别 | 5题，α=.856 |
| **Intelligent-TPK** | 差异化教学、形成性评估 | 7题，α=.858 |
| **Intelligent-TCK** | 学科知识×AI表征 | 4题，α=.868 |
| **Intelligent-TPACK** | 技术×教学×内容整合 | 7题，α=.895 |
| **Ethics** | 偏见识别、隐私保护 | 4题，α=.864 |

### 2.3 框架核心理念

> **Human-AI Co-agency（人机协同代理）**
> - 教师保留教学控制权
> - 利用AI工具增强学习体验
> - 在伦理框架内负责任地使用AI

---

## 三、AI素养（AI Literacy）框架

### 3.1 Wang等人(2023)AI素养定义

> AI素养：识别、使用、评估、伦理地参与AI技术的能力

### 3.2 四大维度

| 维度 | 描述 | 认知水平 |
|------|------|----------|
| **Awareness (意识)** | 识别AI存在，理解AI如何运作 | 前提条件 |
| **Usage (使用)** | 实际和操作性地使用AI工具 | 工具性能力 |
| **Evaluation (评估)** | 批判性评估AI输出，识别局限 | 元认知能力 |
| **Ethics (伦理)** | 伦理地参与AI，了解公平、隐私 | 价值判断 |

### 3.3 Ng等人(2021)AI素养三层级

基于Bloom分类学的AI素养模型：

| 层级 | 描述 | 认知水平 |
|------|------|----------|
| 知识与理解 | 理解AI基本概念和运作原理 | 记忆/理解 |
| 应用 | 实际操作AI工具完成任务 | 应用 |
| 评估与发展 | 批判性评估AI输出，开发AI解决方案 | 评价/创造 |

---

## 四、提示工程与知识建构框架

### 4.1 提示工程的教育定义

> 提示工程：战略性地设计精确和有目的的输入，以引导AI工具产生相关和有价值的输出
> — Knoth et al., 2024

### 4.2 知识建构(KC)框架五阶段

| 阶段 | 描述 | 提示示例 |
|------|------|----------|
| **KCP1: 信息分享** | 介绍观点、事实或观察，不尝试调和差异 | "什么是水的三态？" |
| **KCP2: 发现矛盾** | 注意到矛盾、差距或不足 | "这个解释不适合年龄，如何简化？" |
| **KCP3: 意义协商** | 努力整合观点、阐述思想、制定解释 | "能否提供针对不同学习风格的策略？" |
| **KCP4: 修改合成** | 适应、改进或评估先前输出 | "如何根据学生反馈调整这个活动？" |
| **KCP5: 应用** | 在实际情境中实施共构知识 | (本研究中未纳入) |

### 4.3 提示作为认知行为

本研究核心观点：**提示工程是教学行为，而非技术命令**

```
提示不是：
❌ 技术命令
❌ 一次性指令
❌ 被动检索

提示是：
✅ 认知行为
✅ 教学目标的反映
✅ 与AI的对话性协作
✅ 迭代精炼过程
```

---

## 五、研究发现

### 5.1 研究设计

| 参数 | 详情 |
|------|------|
| 参与者 | 120名芬兰职前教师（成对完成任务→60份教案） |
| 任务 | 使用Copilot设计自适应科学教案（水循环，5年级） |
| 测量工具 | Intelligent-TPACK量表、AI素养量表、自适应教案评分规则 |
| 分析方法 | PLS-SEM |

### 5.2 关键发现

#### 发现1：提示阶段分布

| KC阶段 | 比例 | 说明 |
|--------|------|------|
| KCP3 (意义协商) | 48.4% | 最常用，倾向教学探究 |
| KCP1 (信息分享) | 23.4% | 早期交互，获取基础解释 |
| KCP2 (发现矛盾) | 13.1% | 识别AI生成内容的差距 |
| KCP4 (修改合成) | 15.1% | 最少，需要更深度参与 |

#### 发现2：教案自适应特征

| 维度 | 平均分 | 说明 |
|------|--------|------|
| 自适应策略/支架 | 中高 | 常包含小组合作、视觉教具 |
| 学生能动性 | 中 | 多有参与机会，但自主选择有限 |
| 灵活内容/工具 | 中 | 至少两种内容格式 |

#### 发现3：PLS-SEM核心路径系数

| 路径 | β系数 | 显著性 |
|------|-------|--------|
| Intelligent-TK → 提示数量 | 0.27 | 显著 |
| Intelligent-TPK → 提示阶段 | 0.32 | 显著 |
| AI使用 → 提示阶段 | 0.30 | 显著 |
| AI意识 → 提示阶段 | 0.28 | 显著 |
| 提示阶段 → 学生能动性 | 0.27 | 显著 |
| 提示阶段 → 自适应策略 | 0.25 | 显著 |
| 提示阶段 → 灵活工具 | 0.31 | 显著 |
| Intelligent-TPK → 自适应策略 | 0.17 (间接) | CI[0.06,0.29] |
| Intelligent-TPK → 学生能动性 | 0.20 (间接) | CI[0.09,0.33] |

---

## 六、对教师教育的启示

### 6.1 核心结论

1. **提示工程是教学行为**
   - 有效提示反映教师专业知识
   - 不是技术命令，而是认知和教学推理过程

2. **AI知识影响提示质量**
   - Intelligent-TPK强的教师产生更高阶段提示
   - 高阶段提示产生更自适应的教案

3. **Human-AI协作模式**
   - 教师调整提示而非一次性命令
   - 提示反映迭代对话和教学目标

### 6.2 教师教育建议

| 建议 | 具体措施 |
|------|----------|
| 纳入AI素养 | 将AI素养纳入教师教育课程 |
| 培养Intelligent-TPK | 实践差异化教学和形成性评估 |
| 提示工程训练 | 将提示工程作为反思性实践 |
| 伦理框架 | 培养AI伦理意识和批判思维 |

---

## 七、自适应学习三要素

本研究提出的自适应学习设计三要素：

```
┌─────────────────────────────────────────────────────────────┐
│                 自适应学习设计三要素                         │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  1. 学生能动性 (Student Agency)                              │
│     - 学生选择机会                                          │
│     - 学习路径自主权                                        │
│     - 反思和自我调节                                        │
│                                                             │
│  2. 自适应策略 (Adaptive Strategies)                         │
│     - 支架教学                                              │
│     - 差异化支持                                            │
│     - 形成性评估                                            │
│                                                             │
│  3. 灵活工具 (Flexible Tools)                                │
│     - 技术灵活整合                                          │
│     - 多模态内容呈现                                        │
│     - 适应性学习材料                                        │
│                                                             │
└─────────────────────────────────────────────────────────────┘
```

---

## 八、与项目的关联

### 8.1 框架价值

| 维度 | 价值 |
|------|------|
| 研究框架 | 提供教师AI能力评估的理论基础 |
| 实践指导 | 指导如何培训教师有效使用AI |
| 课程设计 | 为AI+教育课程提供框架 |

### 8.2 中国情境适配

| 国际框架 | 中国适配建议 |
|----------|--------------|
| Intelligent-TPACK | 结合中国教师标准和新师范要求 |
| AI素养四维度 | 融入信息技术课程标准 |
| 提示工程 | 纳入教师信息技术应用能力 |

---

## 参考文献

[^1]: Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers' professional knowledge to ethically integrate AI-based tools into education. *Computers in Human Behavior*, 138, 107468.

[^2]: Celik, I., Kontkanen, S., Laru, J., & Dalyancic, A.A. (2026). Co-constructing adaptive lesson plans with GenAI: Pre-service teachers' Intelligent-TPACK and prompt engineering strategies. *Computers and Education*.

[^3]: Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge. *Teachers College Record*, 108(6), 1017-1054.

[^4]: Wang, B., Rau, P.L.P., & Yuan, T. (2023). Measuring user competence in using artificial intelligence: Validity and reliability of artificial intelligence literacy scale. *Behaviour & Information Technology*, 42(9), 1324-1337.

[^5]: Ng, D.T.L., et al. (2021). AI literacy model and framework. *Computers and Education*.

---

**报告完成时间**：2026-04-08 15:50

**整理人**：狗剩

**版本**：v1.0

**状态**：P1任务完成