職前教師的生成式 AI 焦慮、科技自我效能與 TPACK：與設計生成式 AI 輔助教學之行為意圖的結構關係

論文基本資訊

精簡摘要與研究框架

本研究探討職前教師「設計生成式人工智慧（Generative Artificial Intelligence, GenAI）輔助教學」之行為意圖的前置因素。作者以科技接受與使用整合理論（Unified Theory of Acceptance and Use of Technology, UTAUT）為外部因素框架，並納入 GenAI TPACK（Technological Pedagogical Content Knowledge）、GenAI 焦慮（GenAI anxiety）與科技自我效能（technology self-efficacy）作為內部（個人）因素，共構 13 條假設路徑。研究於 2023 年 8 月至 10 月間在中國以匿名線上問卷蒐集資料，剔除 60 份離群與重複問卷後得有效樣本 606 份（女性 473 人，78.1%），量表共 41 題、採 5 點 Likert 量尺，並依 Brislin 標準完成翻譯與回譯。分析採 SPSS 26.0 描述統計、驗證性因素分析（Confirmatory Factor Analysis, CFA）與二階 CFA，再以潛在變項路徑分析檢驗假設。結果顯示 13 條假設中有 11 條獲支持：績效期望（β = 0.442）、社會影響（β = 0.346）與 GenAI 焦慮（β = −0.166）顯著預測行為意圖；但努力期望（β = 0.047, p = 0.298）與促進條件（β = 0.071, p = 0.136）皆不顯著。科技自我效能則是模型中最上游的樞紐，其對 GenAI TPACK 的路徑（β = 0.613）為全模型最強關係。

研究框架

• 最終依變項：行為意圖（Behavioral Intention, BI）——設計 GenAI 輔助教學的意願。
• UTAUT 外部／認知變項（同時是中介變項）：績效期望（Performance Expectancy, PE）、努力期望（Effort Expectancy, EE）；另有直接預測 BI 的社會影響（Social Influence, SI）與促進條件（Facilitating Conditions, FC）。
• 內部（個人）變項：科技自我效能（TSE）為最外生的前置變項，經由 GenAI 焦慮（ANX）與 GenAI TPACK 影響 PE 與 EE；ANX 亦直接預測 BI。
• 結構邏輯：TSE →（−）ANX、（＋）TPACK、（＋）EE、（＋）PE；ANX →（−）EE、PE、BI；TPACK →（＋）EE、PE；PE 與 SI →（＋）BI。等於在 UTAUT 之上疊加一層「情緒（焦慮）—信念（自我效能）—知識（TPACK）」的個人特質前置層。
• 調節變項：（原文未明示；作者於限制中自承本研究未納入年齡、性別、經驗等調節因素之檢驗。）

研究動機與研究目的

研究動機

• GenAI 已實質衝擊學校教育，但教師端的採用意願尚未被充分理解。作者指出 GenAI 正在「推進教育的邊界並引發實務革命」，可協助教師實施有效教學法、產出課程內容、改良評量方式與提升管理效率，然而導入仍面臨挑戰。
• 教師對新科技的抗拒同時來自外部與內部因素。外部包括支持不足、缺乏必要技術資源與課程限制；內部包括技術技能不足或自我效能低落。研究亦顯示部分教育者偏好熟悉的資源與教法，且常對新科技感到焦慮，因而遲疑採用。
• 既有研究的三重不足。其一，關於教師採用 GenAI 影響因素的全面研究仍然有限；其二，職前教師對 GenAI 使用態度的研究「才剛萌芽」；其三，探討職前教師 GenAI 觀點的實證研究尚顯不足（a dearth of adequate empirical investigation）。
• UTAUT 本身的理論缺口。UTAUT 的四個核心變項只涵蓋科技因素（PE、EE）與環境因素（FC、SI），卻忽略使用者的個人特質；且它是通用型科技採用模型而非情境特定模型，因此需要以 TPACK、自我效能與焦慮等內部構念加以補充。

研究目的與假設

作者於引言明示總目的：「the objective of this study is to investigate the perspectives of pre-service teachers regarding the integration of GenAI into their teaching methods and identify both internal and external factors impacting their acceptance.」——即探究職前教師對將 GenAI 融入教學的觀點，並辨識影響其接受度的內部與外部因素。具體以下列 13 條假設（保留原文編號）操作化：

1. H1：努力期望（EE）對職前教師採用 GenAI 教學的行為意圖（BI）有正向影響。
2. H2：促進條件（FC）能正向影響職前教師的行為意圖（BI）。
3. H3：社會影響（SI）能正向影響職前教師的行為意圖（BI）。
4. H4：績效期望（PE）對職前教師的行為意圖（BI）有正向影響。
5. H5：GenAI 焦慮（ANX）影響職前教師的努力期望（EE）。
6. H6：GenAI 焦慮（ANX）影響職前教師的績效期望（PE）。
7. H7：GenAI 焦慮（ANX）影響職前教師的行為意圖（BI）。
8. H8：GenAI TPACK 對職前教師的努力期望（EE）有正向影響。
9. H9：GenAI TPACK 對職前教師的績效期望（PE）有正向影響。
10. H10：科技自我效能（TSE）負向影響其 GenAI 焦慮（ANX）。
11. H11：科技自我效能（TSE）對其 GenAI TPACK 有正向影響。
12. H12：科技自我效能（TSE）對其努力期望（EE）有正向影響。
13. H13：科技自我效能（TSE）對其績效期望（PE）有正向影響。

值得注意的是，H5–H7 在措辭上僅寫「impacts（影響）」而未指定方向，這與文獻回顧中「焦慮可能具雙面效果（dual effect）」的論述一致——作者刻意保留焦慮可能促進意圖的可能性。

文獻探討大綱

• 1. Introduction（緒論）
  • AI 的擴散與 GenAI 的技術基礎：由人工神經網路（ANN）與深度學習（DL）推進，能以自然語言提示生成文字、圖像、影音等類人內容。論證角色：確立研究對象的技術定義與時代性。
  • 導入障礙的內外分野：外部（支持不足、資源缺乏、課程限制）／內部（技能不足、低自我效能、科技焦慮）。論證角色：為後續「UTAUT ＝ 外部、TPACK／TSE／ANX ＝ 內部」的變項分工鋪路。
  • 研究缺口宣告：教師採用 GenAI 的影響因素研究有限，職前教師的態度研究剛起步。論證角色：正當化本研究。
• 2.1 AI and Generative AI in Education（AI 與生成式 AI 在教育中的應用）
  • AIED 的三分類（Luckin 等）：學習者導向系統（如智慧型導師系統 ITS）、教育者導向系統（如自動評分支援）、機構支持（如辨識輟學風險學生）。論證角色：界定 AIED 的既有研究地圖。
  • GenAI 對教育實務的具體改變：生成測驗題、以「5Es 模式」（engage, explore, explain, elaborate, evaluate）發展教學單元、為困難學生提供支架。論證角色：說明 GenAI 何以與教師教學設計直接相關。
  • 教師作為關鍵利害關係人，但其觀點缺乏足夠實證。論證角色：把焦點由「工具效能」轉向「教師知覺」。
• 2.2.1 The UTAUT Model（核心理論一：UTAUT）
  • 理論來源：Venkatesh 等（2003）整合八個既有理論（含理性行為理論 TRA、動機模型、PC 使用模型），提出 PE、EE、SI、FC 四個核心元素；預測科技接受度的有效性約達 70%。論證角色：提供外部因素的理論骨架。
  • 各構念定義的情境化改寫：EE ＝ 採用 GenAI 輔助教學的易用知覺；SI ＝ 重要他人意見對採用決定的影響程度；FC ＝ 知覺到的組織／技術支持（硬體軟體、行政支持、技能訓練、技術指導）；PE ＝ 相信 GenAI 能提升教學表現。論證角色：確保量表與 GenAI 情境對齊。
  • 刻意呈現矛盾證據：EE 對 BI 的效果在 Alotumi 的 Google Classroom 研究中不成立；SI 的效果在部分教師研究中不顯著。論證角色：預先為本研究 H1、H2 未獲支持保留解釋空間。
• 2.2.2 GenAI Anxiety（核心理論二：焦慮與科技焦慮）
  • Bandura 的焦慮觀：負向情緒反應會削弱個體投入特定任務的意圖；延伸為「科技焦慮」（technology anxiety, Meuter 等）。論證角色：建立焦慮的心理學基礎。
  • 本研究定義：GenAI 焦慮 ＝ 包含對使用 GenAI 的恐懼與對其潛在威脅之擔憂的綜合情緒狀態。論證角色：明確操作性定義。
  • 雙面效果論證（本節最具張力之處）：一方面焦慮直接阻礙採用意圖，並負向影響 PE 與 EE；另一方面 Piniel 的「促進性焦慮（facilitating anxiety）」會引發趨近行為，而對 GenAI 取代職業的擔憂也可能迫使職前教師強化專業與技術能力。論證角色：把 H5–H7 設為無方向假設的理論依據。
• 2.2.3 GenAI TPACK（核心理論三：TPACK）
  • 系譜：源於 Shulman 的教學內容知識（PCK），經 Mishra 與 Koehler（2006）加入科技面向，衍生 TCK、PCK、TPK 與 TPACK 四類知識。論證角色：確立 TPACK 的理論正當性。
  • TPACK 作為 UTAUT 的「有價值補充」：部分學者主張應納入模型以更好地概念化科技融入教學實務。論證角色：說明兩理論整合的必要性。
  • 實證支撐：Yang 等（K–12 教師）、An 等（K–12 英語教師）均發現 TPACK 正向影響有用性／易用性知覺（相當於 PE 與 EE）；Mohammad-Salehi 等發現 TPACK 是 PE 與 EE 最強的影響因素。論證角色：直接導出 H8、H9。
• 2.2.4 Technology Self-Efficacy（核心理論四：自我效能）
  • Bandura 的自我效能定義：對自己能組織並執行達成特定表現水準所需行動的信心；本研究界定為職前教師對熟練運用 GenAI 技術的信心。論證角色：建立最上游變項。
  • 「信心／能力迴路（confidence/competence loop）」：能力建立在信心之上，知識與技能的獲得依賴漸進改善與成功重複；高自我效能者投入更多努力與參與，進而提升技能並改變其對科技有用性的知覺。論證角色：解釋 TSE → PE 的機制。
  • 自我效能同時具備降低焦慮、支撐 TPACK 的功能；文獻並稱科技自我效能是「科技融入的必要條件」。論證角色：導出 H10–H13。

核心理論／模型標註：UTAUT（Venkatesh et al., 2003）為主框架；TPACK（Mishra & Koehler, 2006；AI-TPACK, Celik, 2023）為知識層；Bandura 自我效能理論（Self-Efficacy Theory）為心理層；AI 焦慮量表（Wang & Wang, 2022）為情緒層；另引用 TAM、TRA、5Es 模式與 AIED 分類架構作為輔助脈絡。

研究方法介紹

研究取徑與設計

本研究採量化取徑，以橫斷式（cross-sectional）匿名線上問卷蒐集自陳資料，並以結構方程模式（SEM）檢驗一組理論導出的假設模型。作者於限制一節明確自承資料為橫斷式且依賴自陳（self-reported），屬「假設檢驗型調查研究」而非實驗或縱貫設計。

研究情境與對象

• 情境：2022 年底 ChatGPT 問世後，中國多家高科技企業加速開發 GenAI 工具。作者具體點名三項作為 GenAI 的代表工具：XIVO 智慧白板（協助教師智慧備課、提供課堂回饋與學習分析）、松鼠 AI（Squirrel AI，提供個人化學習路徑與精準教學方案），以及科大訊飛的智慧教育平台（智慧寫作評量、口語自動評測、個人化學習推薦）。選取理由為這些工具在中國 K–12 正式與非正式教育場域中影響力與知名度高。
• 施測期間：2023 年 8 月至 10 月，強調完全自願參與。
• 樣本：剔除 60 份離群值與重複問卷後，得有效樣本 N = 606。

資料蒐集工具

問卷分兩部分：第一部分為人口學背景，第二部分共 41 題，測量績效期望、努力期望、社會影響、促進條件、TPACK、科技自我效能、GenAI 焦慮與行為意圖八個構念，全部採 5 點 Likert 量尺（1 ＝ 非常不同意 至 5 ＝ 非常同意）。考量部分職前教師的語言障礙，問卷以中文施測，並依 Brislin（1970）的翻譯／回譯（translation and back-translation）標準確保精確性與忠實度。

資料分析方法

1. 以 SPSS 26.0 進行描述統計分析（平均數、標準差、偏態、峰度）。
2. 進行驗證性因素分析（CFA）與二階 CFA；二階 CFA 之目的在驗證 GenAI 焦慮之測量結構——該構念含學習、工作取代、社會技術盲視與 AI 形貌四個子維度。
3. 進行潛在變項路徑分析（latent variable path analysis），即 SEM，以檢驗 13 條假設。

SEM 軟體名稱、估計方法（如 ML／MLR）與遺漏值處理方式：（原文未明示）。作者亦未報告共同方法變異（common method variance）檢定或 BI 的解釋變異量 R²。

信效度處理

• 常態性：所有構念平均數介於 2.53 至 3.84；偏態與峰度絕對值分別在 |1| 與 |2| 的可接受門檻內，顯示資料近似常態分配。
• 內部一致性：所有構念 Cronbach's α 均高於 0.70 基準（實際範圍 0.857–0.943）。
• 組合信度：所有 CR 值均高於 0.80（門檻 0.70），範圍 0.845–0.944。
• 收斂效度：所有 AVE 均超過 0.50 建議門檻（0.525–0.807）；因素負荷量介於 0.624 至 0.936，均高於 0.50 的建議最低值。
• 測量模型適配：χ²/df = 2.15（< 5.0）、RMSEA = 0.044（< 0.08）、SRMR = 0.038（< 0.08）、CFI = 0.958（> 0.90）、TLI = 0.952（> 0.90）。
• 區別效度：依 Hair 等（2014）建議，以各構念 AVE 平方根與構念間相關係數比較，所有 AVE 平方根（TSE 0.764、ANX 0.725、TPACK 0.858、PE 0.898、EE 0.841、FC 0.857、SI 0.835、BI 0.817）均大於其與其他構念之相關，顯示良好區別效度；所有相關係數皆達 p < 0.001 顯著。
• 翻譯效度：以 Brislin 之翻譯／回譯程序處理中文版問卷。

研究流程（表格）

條列式研究流程

1. Step 1　盤點 GenAI 進入教育的內外部障礙，確認職前教師採用意願的實證研究缺口，據以界定研究目的。
2. Step 2　以 UTAUT 為外部框架，疊加 GenAI 焦慮、科技自我效能與 GenAI TPACK 三個內部構念，從文獻逐一推導出 H1–H13 與假設模型。
3. Step 3　選定中國本土三項 GenAI 教育工具為研究情境，並整合五套既有量表、改寫題幹為 GenAI 版本，形成 41 題的 5 點 Likert 問卷。
4. Step 4　依 Brislin 翻譯／回譯程序製作中文版問卷，確保語意等值。
5. Step 5　取得倫理核准與知情同意後，於 2023 年 8 月至 10 月執行匿名線上調查。
6. Step 6　剔除 60 份離群與重複問卷得 606 份有效樣本，以 SPSS 26.0 完成描述統計並確認資料近似常態分配。
7. Step 7　執行 CFA 與二階 CFA，檢核信度（α、CR）、收斂效度（AVE、負荷量）、區別效度（AVE 平方根對比相關）與測量模型適配。
8. Step 8　執行潛在變項路徑分析（SEM），取得 13 條路徑的標準化係數與顯著性，判定 11 條假設獲支持、H1 與 H2 未獲支持。
9. Step 9　分四個主題與既有文獻對話，提出理論與實務意涵，並陳述四項限制與相應的後續研究方向。

研究議題與討論重點收斂

議題一：UTAUT 四核心因子在 GenAI 情境中出現分化——只有一半有效

發現摘要：在四條指向行為意圖的路徑中，只有績效期望（H4：PE → BI，β = 0.442，SE = 0.039，p = 0.000）與社會影響（H3：SI → BI，β = 0.346，SE = 0.047，p = 0.000）顯著；努力期望（H1：EE → BI，β = 0.047，SE = 0.045，p = 0.298）與促進條件（H2：FC → BI，β = 0.071，SE = 0.048，p = 0.136）皆未達顯著，H1 與 H2 因而未獲支持。績效期望是全體因素中對意圖最具影響力的預測變項。

作者詮釋：EE 不顯著可能反映 UTAUT 對不同使用者群體的適用性差異——本研究受試多為高等教育階段的職前教師，其中 76.7% 具技術訓練經驗，作為專業人員對新科技有相對高的能力與適應力；且作為職前教師，他們「可能更重視教育效益而非操作簡便」。FC 不顯著則可能源於 GenAI 本身友善的技術特性與便利的外部支持環境，加上豐富的線上資源使職前教師能以自我尋源（self-sourced）的學習方式克服困難，因此組織支持的重要性被稀釋。SI 的顯著性則被放在文化脈絡中解讀：在高度集體主義文化中，中國教師特別容易受重要社會連結影響，同儕與教師的推薦顯著形塑其採用意圖。

與過往文獻的關係：一致——PE 與 SI 的顯著性與 Dečman、Al-Shehri、Hu 等的研究一致，PE 為最強預測因子亦與 An 等（2023）對中學英語教師的 AI 使用意圖研究相符。矛盾／分歧——作者刻意並列兩組互相衝突的前例：Hu、Laxman 與 Lee 研究中國高教教師發現 EE 不顯著而 FC 顯著；Buabeng-Andoh 與 Baah 研究職前教師的學習管理系統則發現 EE 顯著而 FC 不顯著。作者將此差異歸因於使用者群體特性、所研究之科技類型與文化脈絡的變異。

議題二：GenAI 焦慮的「雙面效果」在資料上並未成立，全數呈現負向

發現摘要：GenAI 焦慮對三條路徑皆呈顯著負向：H5（ANX → EE，β = −0.111，SE = 0.041，p = 0.007）、H6（ANX → PE，β = −0.108，SE = 0.045，p = 0.017）、H7（ANX → BI，β = −0.166，SE = 0.039，p = 0.000），三條假設均獲支持。在描述統計上，GenAI 焦慮整體平均為 2.91（SD = 0.68），是所有構念中偏低者；四子維度中以社會技術盲視（M = 3.44, SD = 0.91）與工作取代焦慮（M = 3.28, SD = 0.92）最高，學習焦慮最低（M = 2.53, SD = 0.78）。

作者詮釋：當職前教師對 GenAI 抱持疑慮時，他們傾向認為其使用「更困難且益處更少」，因而降低融入未來教學實務的意願。作者引 Holzmann 等指出科技進展常帶來複雜性與不確定性，而 GenAI 特有的挑戰——工作取代、隱私與透明性、演算法偏誤、社會經濟落差擴大、不倫理使用——正是焦慮的來源。

與過往文獻的關係：一致——與 Ni 與 Cheung、Almisad 與 Alsalim、Kamalasena 與 Sirisena 的研究相符。與自身理論預期的落差——文獻回顧中援引 Piniel 的「促進性焦慮」與「對職業被取代的焦慮可能迫使職前教師強化專業能力」的論點（因此 H5–H7 刻意寫成無方向的「impacts」），但結果全為負向，作者在討論中未再回頭處理此一理論張力，也未檢驗焦慮的非線性（倒 U 型）效果或分子維度的差異化效果。

議題三：GenAI TPACK 是經由「知覺」而非直接作用於意圖的知識槓桿

發現摘要：H8（TPACK → EE，β = 0.336，SE = 0.042，p = 0.000）與 H9（TPACK → PE，β = 0.153，SE = 0.046，p = 0.001）皆獲支持。值得注意的是模型並未設定 TPACK → BI 的直接路徑，因此 TPACK 的作用完全透過 EE 與 PE 傳遞；而由於 EE → BI 不顯著，TPACK 對意圖的實質傳導幾乎僅剩 PE 一條通路。GenAI TPACK 的平均數為 3.35（SD = 0.78）。

作者詮釋：善於將 GenAI 整合進教學法與學科教學的職前教師，傾向視 GenAI 為提升教學品質與效率的有效且易用工具。高 TPACK 者對如何運用 GenAI 開發教材、設計課程、提供個人化輔導與促進評量有更深理解；引 Joo、Park 與 Lim 的研究，紮實的 TPACK 基礎使職前教師更能理解科技如何改善教學表現，並有效培養其使用科技的信心，因而使 GenAI「被視為使用者友善的工具而非教師的負擔」。

與過往文獻的關係：一致——與 Jang 等、Ertmer 等、Joo 等關於 TPACK 影響易用性與有用性知覺的研究相互強化，亦延續 Yang 等與 An 等的發現。作者同時指出「TPACK 與 UTAUT 的整合在既有研究中受到的關注相對較少」，本文即在填補此一整合缺口。

議題四：科技自我效能是模型最上游的樞紐，且 TSE → TPACK 為全模型最強關係

發現摘要：H10–H13 全數獲支持：TSE → ANX（β = −0.466，SE = 0.043，p = 0.000）、TSE → TPACK（β = 0.613，SE = 0.030，p = 0.000）、TSE → EE（β = 0.457，SE = 0.047，p = 0.000）、TSE → PE（β = 0.520，SE = 0.050，p = 0.000）。原文明確指出：「technology self-efficacy with GenAI TPACK was the strongest relationship in the model」。TSE 平均數為 3.58（SD = 0.72）。

作者詮釋：高自我效能者更傾向將科技視為有益且易用的教學工具；引 Rahmawati，自我效能激發投入任務的傾向，使個體願意付出最大努力，因而更能接受新的 GenAI 應用並深入探索其複雜功能，導致複雜性知覺下降而實用優勢被辨識。對於焦慮的降低，作者引「無知常導致焦慮」的論點，指出缺乏對科技的可控性（controllability）與知識會提高焦慮，而可控性概念與科技自我效能高度契合——兩者皆反映個體對自己能否駕馭科技的信念，因此高 TSE 的職前教師對 GenAI 的使用與管理更有信心，這種掌握感能有效降低採用時被淹沒或焦慮的可能。

與過往文獻的關係：一致——TSE 對 EE／PE 的正向效果與 Altalhi、Kim 與 Park、Wong 等一致；TSE 對 TPACK 的效果與 Wang 與 Zhao、Putry 等、Kul 等一致；TSE 降低焦慮的效果與 Hong 等、Alnoor 等、Sánchez-Prieto 等一致。作者並援引「科技自我效能是科技融入的必要條件」與教師自我效能信念是成功科技融入的有效指標等主張，強化 TSE 的樞紐地位。

議題五：對 UTAUT 的理論修正主張——把「使用者個人特質」補回模型

發現摘要：13 條假設中 11 條獲支持，SEM 適配良好（χ²/df = 2.636、CFI = 0.937、TLI = 0.932、RMSEA = 0.052、SRMR = 0.077），假設模型整體獲得驗證。作者據此主張 UTAUT 的四個核心變項僅代表科技因素（PE、EE）與環境因素（FC、SI），忽略了使用者的個人特質；本研究的結果突顯心理因素（自我效能、焦慮）與知識因素（TPACK）在形塑 GenAI 觀點上的關鍵角色。

作者詮釋：UTAUT 本質上是廣泛的科技採用模型而非情境特定模型，因此在 GenAI 這類新興且具倫理爭議的科技上需要調整。實務上，作者建議師培機構應開設 GenAI 相關課程或建立持續專業發展方案，明確展示 GenAI 可達成的教學目標與成果、展示成功的 GenAI 輔助教學案例、邀請 GenAI 教學專家提供指導，並鼓勵職前教師形成學習社群以強化其對 GenAI 的認同；針對焦慮則需政策制定者、教育者與技術開發者的多方協作（政策監管風險、師培補上技術操作與教學實務內容以緩解不熟悉導致的焦慮、開發者持續迭代升級以因應潛在風險）。

未來研究缺口

作者明示的限制與後續研究方向（第 7 節 Limitations and Suggestions）

• 樣本文化脈絡單一：參與者僅限於中國的職前教師，而科技接受度可能因文化與教育脈絡而異。作者舉例：沙烏地阿拉伯大學生的 m-learning 研究中促進條件不影響使用意願，但印尼大學生的 m-learning 研究則發現 UTAUT 四個核心因素全部正向影響意圖。作者建議後續採「多群組比較分析（multi-group comparative analysis）」納入不同文化或教育背景的教育者，以檢驗結果的可推論性。
• 調查設計與自陳資料的固有限制：結構化問卷可能無法完整捕捉參與者經驗或行為的脈絡細節，而單純依賴自陳會引入方法學偏誤。作者建議後續納入多重資料來源以強化交叉驗證與結果效度。
• 橫斷式資料的時間局限：橫斷資料限制了對職前教師知覺隨時間演進的理解。作者建議採縱貫（longitudinal）取徑，以掌握知覺的動態轉變與 GenAI 在教育中的實施歷程。
• 未檢驗調節因素：本研究未納入年齡、性別、經驗等人口學調節變項。作者引 Bower 等指出，科技使用的行為意圖可能因教學經驗、教學層級、學科領域、地區與性別而異，建議後續探究這些人口學變項如何調節各前置因素與行為意圖之間的關係，以協助設計更具包容性與效能的教育科技與策略。

值得引用的段落句子

說明：本文為 MDPI 期刊論文（Behav. Sci. 2024, 14, 373），版面頁碼以「n of 21」形式標示於各頁頁眉，上表出處欄之頁碼即依此標示，並與 PDF 頁次一致。

值得延伸閱讀的論文

以下 9 筆全數取自本文參考文獻清單中實際存在的條目（編號對應原文 References 之序號），依 APA 7 格式重寫。

1. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
   為何值得讀：UTAUT 的原始文獻，四個核心構念（PE、EE、SI、FC）的定義與整合八個理論的過程皆在此奠定，是任何 UTAUT 研究不可省略的源頭。｜與本論文的關係：本文的理論主框架與 UTAUT 量表（經 An 等改編）皆源自此文（原文 References 編號 38）。
2. Wang, Y.-Y., & Wang, Y.-S. (2022). Development and validation of an artificial intelligence anxiety scale: An initial application in predicting motivated learning behavior. Interactive Learning Environments, 30(4), 619–634.
   為何值得讀：AI 焦慮量表（AIAS）的發展與驗證文獻，明確界定學習焦慮、工作取代焦慮、社會技術盲視與 AI 形貌焦慮四個子維度，並已用於預測動機性學習行為。｜與本論文的關係：本文 GenAI 焦慮的測量工具即改編自此量表（僅將「artificial intelligence」替換為「GenAI technology/products」），四個子維度的 α 分別為 0.886、0.886、0.887、0.924（原文 References 編號 60）。
3. Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers’ professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468.
   為何值得讀：把 TPACK 推進到 AI 時代的關鍵實證研究，提出將倫理向度納入 AI-TPACK 的專業知識架構。｜與本論文的關係：本文的 GenAI TPACK 量表（4 題，α = 0.908）即改編自此文的 AI-TPACK Scale（原文 References 編號 98）。
4. An, X., Chai, C. S., Li, Y., Zhou, Y., Shen, X., Zheng, C., & Chen, M. (2023). Modeling English teachers’ behavioral intention to use artificial intelligence in middle schools. Education and Information Technology, 28, 5187–5208.
   為何值得讀：同樣以 UTAUT ＋ TPACK 建模教師 AI 使用意圖的中國中學研究，可作為本文最直接的可比對照，亦提供改編後的量表題項。｜與本論文的關係：本文 UTAUT 五個子量表直接採用此文的改編版，且「PE 為最強預測因子」與「TPACK 正向影響 EE 與 PE」兩項發現皆與此文一致（原文 References 編號 37）。
5. Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.
   為何值得讀：TPACK 框架的奠基之作，說明如何在 Shulman 的 PCK 上加入科技向度並形成 TCK／TPK／TPACK 的知識類型。｜與本論文的關係：本文 GenAI TPACK 構念的理論根源（原文 References 編號 72）。
6. Mishra, P., Warr, M., & Islam, R. (2023). TPACK in the age of ChatGPT and Generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235–251.
   為何值得讀：由 TPACK 原作者親自重探 GenAI 時代 TPACK 的適用性與需要調整之處，是「GenAI TPACK」概念化最權威的當代討論。｜與本論文的關係：本文用以論證 TPACK 在教育科技領域的基礎地位，也是把 TPACK 移植到 GenAI 情境的正當性來源（原文 References 編號 69）。
7. Dong, Y., Xu, C., Chai, C. S., & Zhai, X. (2020). Exploring the structural relationship among teachers’ technostress, technological pedagogical content knowledge (TPACK), computer self-efficacy and school support. The Asia-Pacific Education Researcher, 29, 147–157.
   為何值得讀：以 SEM 同時處理科技壓力、TPACK、電腦自我效能與學校支持的結構關係，與本文「焦慮—自我效能—TPACK」的三角關係高度平行，可作為模型設定的參照。｜與本論文的關係：本文的科技自我效能量表（4 題，α = 0.857）出自此文（原文 References 編號 97）。
8. Joo, Y. J., Park, S., & Lim, E. (2018). Factors influencing preservice teachers’ intention to use technology: TPACK, teacher self-efficacy, and technology acceptance model. Journal of Educational Technology & Society, 21(3), 48–59.
   為何值得讀：以 TPACK、教師自我效能與 TAM 三者共構職前教師科技使用意圖，是本文模型的近親版本（差別在採 TAM 而非 UTAUT），適合用於比較模型設定與係數大小。｜與本論文的關係：本文在解釋 TPACK 如何同時提升有用性知覺與使用信心時，直接引用此文的機制論述（原文 References 編號 119）。
9. Wang, Q., & Zhao, G. (2021). ICT self-efficacy mediates most effects of university ICT support on preservice teachers’ TPACK: Evidence from three normal universities in China. British Journal of Educational Technology, 52(6), 2319–2339.
   為何值得讀：以中國三所師範大學的資料證實 ICT 自我效能中介了大學支持對職前教師 TPACK 的大部分效果，對「自我效能是 TPACK 前置條件」提供強力的中介證據。｜與本論文的關係：直接支撐本文 H11（TSE → TPACK，β = 0.613，全模型最強路徑）的理論依據（原文 References 編號 95）。