《Computers and Education: Artificial Intelligence》：The AI literacy heptagon: A structured approach to AI literacy in higher education
編輯推薦：
本文深入剖析了高等教育中人工智能素養（AIL）的定義與實踐鴻溝，提出了一個創新的七邊形框架。該框架整合了技術（TKS）、應用（AP）、批判性思維（CTA）、倫理（EAR）、社會（SIU）、整合（IS）與法律（LRK）七個維度，并引入基于布魯姆分類法的四級能力進階模型（新手到專家）。它不僅為課程設計提供了結構化工具，更通過學科實例映射，論證了構建通用AIL基礎與領域特色化拓展并重的必要性，旨在系統化培養未來AI驅動社會的合格參與者。
人工智能素養的概念演進與缺失維度
人工智能（AI）的飛速發展已將其推向社會與職業生活的核心，使得“素養”的概念本身必須擴展。社會參與越來越依賴于與復雜AI系統進行批判性互動的能力，這種新興技能被稱為人工智能素養（AIL）。當前研究普遍認同AIL對于培養21世紀關鍵能力的重要性，例如，它被歐盟《人工智能法案》等政策文件明確呼吁推廣。然而，盡管共識廣泛，AIL在高等教育課程中的系統整合仍然顯著不足。例如，德國數據顯示，僅有31.6%的學生報告其課程明確涉及AIL。造成這種實施鴻溝的一個主要障礙，正是AIL本身的概念模糊性。大學肩負著培養學生AIL的使命，但模糊的定義和缺乏可操作的框架，導致了實踐中的碎片化。
為了應對這些挑戰，本研究通過一項綜合性文獻綜述（涵蓋2021年至2024年的出版物），旨在厘清AIL的概念，并將其與數據素養、媒體素養和計算素養等相關概念區分開來（研究問題RQ1）。在此基礎上，本研究致力于綜合各種定義，形成一個全面的工作定義（RQ2），并最終將科學見解轉化為教育實踐工具——即“人工智能素養七邊形”框架（RQ3），以支持高等教育中有結構的AIL發展。
人工智能素養的七大核心維度
通過對文獻的迭代編碼分析，研究識別出構成AIL的七個核心維度，并以一個七邊形的視覺模型進行綜合呈現。這七個維度共同構成了一個全面且相互關聯的能力圖譜：
- 1.
技術知識與技能：理解基本的AI原理，包括算法、數據處理和計算機制。它涵蓋了對AI系統如何處理輸入數據、從數據集中學習以及生成輸出的認知。這需要掌握基本的計算概念，如抽象和算法思維，以評估AI的能力、局限性和倫理影響。
- 2.
應用熟練度：在不同背景下有效利用AI技術解決實際問題和改進工作流程的能力。這包括理解各種AI工具的優勢和局限，評估AI生成的輸出，優化交互策略（如提示工程），并使AI應用適應特定領域的要求。
- 3.
批判性思維能力：分析、評估和批判性審視AI系統及其能力、局限性和對特定用例影響的能力。這需要具備關于AI的背景知識以及開放、好奇、靈活等思維傾向，而非不加批判地接受AI輸出。
- 4.
倫理意識與推理：識別、評估和處理AI技術跨多個層面的倫理影響的能力。這包括個體層面的安全、隱私、自由與自主、人類尊嚴；社會層面的公平與正義、責任與問責、透明度、監控影響、AI可控性、對民主和公民權利的影響、工作替代憂慮以及對人際關系的影響；以及環境層面的自然資源消耗、能源使用、環境污染和可持續性考量。
- 5.
社會影響理解：理解和批判性評估AI技術對社會結構及人類互動的多方面影響的能力。這包括認識AI實施在經濟、工作場所和更廣泛社會背景下的有益和有害影響，把握技術進步與社會、政治和經濟結構之間的相互作用，并特別關注AI系統對不同人群和生活領域的長期社會后果。
- 6.
整合技能：將AI技術有效納入并適應多樣化數字環境和工作流程的能力。這超越了單純的技術實現，包括識別現有系統中合適的AI工具集成點，優化工作流程以促進人機協作，以及適應快速的技術變革。
- 7.
法律與監管知識：理解AI監管這一高度動態且全球碎片化的領域。這包括兩個方面：一是了解新的、AI特定的立法（如歐盟《人工智能法案》）；二是理解已存在、技術中立但直接適用的法律框架（如數據保護GDPR、版權法、競爭法）。具備AIL的個體必須認識其所在地區的AI特定法規，理解全球監管的多樣性，以及這些監管方法之間動態的相互作用。
值得注意的是，后兩個維度——整合技能與法律監管知識——在當前文獻中出現頻率相對較低，但被認為是應對AI日益融入工作流程和快速演進的監管環境所必需的關鍵新興領域。研究特別指出，法律維度常被歸入倫理討論，但鑒于像歐盟《人工智能法案》這樣的具體法規出臺，其值得單獨考量。
與相關素養概念的區分
人工智能素養并非孤立存在，它與數據素養、媒體素養和計算素養等概念既存在層次關系，也有重疊部分。數據素養側重于數據的處理、解釋和基于數據的決策，為AIL的發展提供了基礎。計算素養強調編程邏輯和算法思維。媒體素養關注社會中所有形式溝通內容的獲取、分析、評估、創造和行動。
AIL超越了計算素養，更強調人與AI系統的互動及倫理考量。與數據素養相比，AIL涉及理解AI模型如何處理和生成輸出。同時，AIL擴展了媒體素養，關注AI驅動的算法如何塑造信息流、推薦系統和數字媒體消費。這些素養在“對數據、算法、AI系統和媒體技術的倫理、透明使用和理解”這一交匯點上相互關聯，共同應對當代數字挑戰。
人工智能素養七邊形框架：從理論到實踐
基于上述七個核心維度，研究提出了一個用于高等教育情境的AIL工作定義：“高等教育中的人工智能素養是指批判性地參與AI技術、理解其社會和倫理影響并負責任地應用它們的能力。它整合了技術、應用、批判性思維、倫理、社會、整合和法律維度的知識、技能和態度，其側重點因學科背景而異。”
為了將這一理論定義轉化為課程開發與分析的實用工具，研究者構建了“人工智能素養七邊形”框架。該框架通過七邊形形象化地表示了七個核心維度，旨在降低認知負荷的同時不過度簡化這一構念。框架內嵌了一個基于布魯姆分類法的四級能力進階模型：
- •
無意識：對AI概念、影響或應用沒有意識。
- •
新手級（對應記憶、理解）：所有高等教育學生應達到的通用AIL基線，涵蓋對AI基本知識、原理和應用的廣泛基礎性理解。
- •
進階級（對應應用、分析）：特定專業領域所需的進階AI能力，能夠應用和分析AI解決方案。
- •
專家級（對應評價、創造）：具備創新能力，能夠評估復雜場景并設計新的AI解決方案。
該框架區分了通用AIL（所有維度達到新手級）和領域特定的延伸（在特定維度達到進階或專家級），允許不同學科根據其特點強調不同維度（例如，STEM領域側重技術知識，人文學科側重倫理推理），同時保持AIL多維度的完整性。
框架的初步驗證與學科應用示例
為了評估七邊形框架的實用性，研究通過專家主導的課程映射方法，對兩個截然不同的學術課程進行了初步驗證：“人工智能工程”學士項目（代表STEM領域）和“媒體教育學”課程（代表社會教育學領域）。專家們根據課程文檔（模塊手冊、課程描述、學習成果）將現有內容映射到七個維度，并為每個維度確定其課程期望畢業生達到的目標熟練度等級。
映射結果生成了兩個課程的七邊形能力輪廓圖。分析顯示，正如預期那樣，技術性強的“人工智能工程”項目在技術知識與技能（TKS）和應用熟練度（AP）維度上表現突出；而人文社科取向的“媒體教育學”課程則在倫理意識與推理（EAR）和社會影響理解（SIU）方面更為側重。這證明了該框架能夠靈活適應不同學科的需求，同時揭示出課程可能存在的短板（例如，媒體教育學課程在其特定領域背景下可能需要加強法律與監管知識LRK）。兩個課程都為學生提供了通用的AIL基礎，同時根據各自領域進行了特色化拓展。
討論與未來方向
人工智能素養七邊形框架提供了一個全面而可管理的概念化模型。其優勢在于明確整合了當前研究中代表性不足的整合技能與法律監管知識維度，并采用了結構化的能力進階路徑。然而，該框架也存在局限，例如在專家級可視化的細節粒度上可能不足，且其視覺模型未明確體現知識、技能和態度這三方面的整合性質。
課程分析揭示了課程中普遍存在的理論知識與實踐應用之間的脫節問題。學生可能掌握了AI的概念性理解，但缺乏在真實情境中應用的機會。這反映了高等教育中AIL倡議常常是孤立干預而非系統化、全校課程整合的普遍挑戰。
未來研究應側重于跨不同學科（尤其是人文和社會科學）的實證驗證，并開展技術與非技術領域中AIL表現的比較分析。此外，AIL的評估仍是一個重大挑戰，需要開發更全面的測量工具。對于整合技能和法律監管知識等較新維度，以及專家級熟練度所關聯的能力，需要進行更深入的研究以加深理解和可操作性。
結論
本綜述綜合了當前關于高等教育中人工智能素養的研究，提出了人工智能素養七邊形框架。這一結構化方法整合了七個核心維度，為教育工作者提供了一個適應性強、可用于課程開發的模型。它的主要貢獻在于：系統地將AIL與媒體、數據和計算素養等相關概念區分開來；實施了一個基于布魯姆分類法的漸進式能力模型，區分了通用AIL和領域特定延伸；識別并整合了當前代表性不足但對應對快速發展的監管和整合挑戰至關重要的維度（整合技能、法律與監管知識）。
鑒于AI技術的快速發展，大學應采用適應性課程，將AIL跨學科整合。例如，可將AIL模塊嵌入現有的數字素養課程，并提供跨學科的AI倫理與法律研討會。人工智能素養七邊形框架為高等教育機構提供了一個系統整合AI能力的工具，使學生能夠發展多維度的知識體系，從而在其各自領域內批判性地參與、負責任地應用并合乎倫理地管理AI技術。
