人工智能素养的概念演进与缺失维度
人工智能（AI）的飞速发展已将其推向社会与职业生活的核心，使得“素养”的概念本身必须扩展。社会参与越来越依赖于与复杂AI系统进行批判性互动的能力，这种新兴技能被称为人工智能素养（AIL）。当前研究普遍认同AIL对于培养21世纪关键能力的重要性，例如，它被欧盟《人工智能法案》等政策文件明确呼吁推广。然而，尽管共识广泛，AIL在高等教育课程中的系统整合仍然显著不足。例如，德国数据显示，仅有31.6%的学生报告其课程明确涉及AIL。造成这种实施鸿沟的一个主要障碍，正是AIL本身的概念模糊性。大学肩负着培养学生AIL的使命，但模糊的定义和缺乏可操作的框架，导致了实践中的碎片化。
为了应对这些挑战，本研究通过一项综合性文献综述（涵盖2021年至2024年的出版物），旨在厘清AIL的概念，并将其与数据素养、媒体素养和计算素养等相关概念区分开来（研究问题RQ1）。在此基础上，本研究致力于综合各种定义，形成一个全面的工作定义（RQ2），并最终将科学见解转化为教育实践工具——即“人工智能素养七边形”框架（RQ3），以支持高等教育中有结构的AIL发展。
人工智能素养的七大核心维度
通过对文献的迭代编码分析，研究识别出构成AIL的七个核心维度，并以一个七边形的视觉模型进行综合呈现。这七个维度共同构成了一个全面且相互关联的能力图谱：
- 1.
技术知识与技能：理解基本的AI原理，包括算法、数据处理和计算机制。它涵盖了对AI系统如何处理输入数据、从数据集中学习以及生成输出的认知。这需要掌握基本的计算概念，如抽象和算法思维，以评估AI的能力、局限性和伦理影响。
- 2.
应用熟练度：在不同背景下有效利用AI技术解决实际问题和改进工作流程的能力。这包括理解各种AI工具的优势和局限，评估AI生成的输出，优化交互策略（如提示工程），并使AI应用适应特定领域的要求。
- 3.
批判性思维能力：分析、评估和批判性审视AI系统及其能力、局限性和对特定用例影响的能力。这需要具备关于AI的背景知识以及开放、好奇、灵活等思维倾向，而非不加批判地接受AI输出。
- 4.
伦理意识与推理：识别、评估和处理AI技术跨多个层面的伦理影响的能力。这包括个体层面的安全、隐私、自由与自主、人类尊严；社会层面的公平与正义、责任与问责、透明度、监控影响、AI可控性、对民主和公民权利的影响、工作替代忧虑以及对人际关系的影响；以及环境层面的自然资源消耗、能源使用、环境污染和可持续性考量。
- 5.
社会影响理解：理解和批判性评估AI技术对社会结构及人类互动的多方面影响的能力。这包括认识AI实施在经济、工作场所和更广泛社会背景下的有益和有害影响，把握技术进步与社会、政治和经济结构之间的相互作用，并特别关注AI系统对不同人群和生活领域的长期社会后果。
- 6.
整合技能：将AI技术有效纳入并适应多样化数字环境和工作流程的能力。这超越了单纯的技术实现，包括识别现有系统中合适的AI工具集成点，优化工作流程以促进人机协作，以及适应快速的技术变革。
- 7.
法律与监管知识：理解AI监管这一高度动态且全球碎片化的领域。这包括两个方面：一是了解新的、AI特定的立法（如欧盟《人工智能法案》）；二是理解已存在、技术中立但直接适用的法律框架（如数据保护GDPR、版权法、竞争法）。具备AIL的个体必须认识其所在地区的AI特定法规，理解全球监管的多样性，以及这些监管方法之间动态的相互作用。
值得注意的是，后两个维度——整合技能与法律监管知识——在当前文献中出现频率相对较低，但被认为是应对AI日益融入工作流程和快速演进的监管环境所必需的关键新兴领域。研究特别指出，法律维度常被归入伦理讨论，但鉴于像欧盟《人工智能法案》这样的具体法规出台，其值得单独考量。
与相关素养概念的区分
人工智能素养并非孤立存在，它与数据素养、媒体素养和计算素养等概念既存在层次关系，也有重叠部分。数据素养侧重于数据的处理、解释和基于数据的决策，为AIL的发展提供了基础。计算素养强调编程逻辑和算法思维。媒体素养关注社会中所有形式沟通内容的获取、分析、评估、创造和行动。
AIL超越了计算素养，更强调人与AI系统的互动及伦理考量。与数据素养相比，AIL涉及理解AI模型如何处理和生成输出。同时，AIL扩展了媒体素养，关注AI驱动的算法如何塑造信息流、推荐系统和数字媒体消费。这些素养在“对数据、算法、AI系统和媒体技术的伦理、透明使用和理解”这一交汇点上相互关联，共同应对当代数字挑战。
人工智能素养七边形框架：从理论到实践
基于上述七个核心维度，研究提出了一个用于高等教育情境的AIL工作定义：“高等教育中的人工智能素养是指批判性地参与AI技术、理解其社会和伦理影响并负责任地应用它们的能力。它整合了技术、应用、批判性思维、伦理、社会、整合和法律维度的知识、技能和态度，其侧重点因学科背景而异。”
为了将这一理论定义转化为课程开发与分析的实用工具，研究者构建了“人工智能素养七边形”框架。该框架通过七边形形象化地表示了七个核心维度，旨在降低认知负荷的同时不过度简化这一构念。框架内嵌了一个基于布鲁姆分类法的四级能力进阶模型：
- •
无意识：对AI概念、影响或应用没有意识。
- •
新手级（对应记忆、理解）：所有高等教育学生应达到的通用AIL基线，涵盖对AI基本知识、原理和应用的广泛基础性理解。
- •
进阶级（对应应用、分析）：特定专业领域所需的进阶AI能力，能够应用和分析AI解决方案。
- •
专家级（对应评价、创造）：具备创新能力，能够评估复杂场景并设计新的AI解决方案。
该框架区分了通用AIL（所有维度达到新手级）和领域特定的延伸（在特定维度达到进阶或专家级），允许不同学科根据其特点强调不同维度（例如，STEM领域侧重技术知识，人文学科侧重伦理推理），同时保持AIL多维度的完整性。
框架的初步验证与学科应用示例
为了评估七边形框架的实用性，研究通过专家主导的课程映射方法，对两个截然不同的学术课程进行了初步验证：“人工智能工程”学士项目（代表STEM领域）和“媒体教育学”课程（代表社会教育学领域）。专家们根据课程文档（模块手册、课程描述、学习成果）将现有内容映射到七个维度，并为每个维度确定其课程期望毕业生达到的目标熟练度等级。
映射结果生成了两个课程的七边形能力轮廓图。分析显示，正如预期那样，技术性强的“人工智能工程”项目在技术知识与技能（TKS）和应用熟练度（AP）维度上表现突出；而人文社科取向的“媒体教育学”课程则在伦理意识与推理（EAR）和社会影响理解（SIU）方面更为侧重。这证明了该框架能够灵活适应不同学科的需求，同时揭示出课程可能存在的短板（例如，媒体教育学课程在其特定领域背景下可能需要加强法律与监管知识LRK）。两个课程都为学生提供了通用的AIL基础，同时根据各自领域进行了特色化拓展。
讨论与未来方向
人工智能素养七边形框架提供了一个全面而可管理的概念化模型。其优势在于明确整合了当前研究中代表性不足的整合技能与法律监管知识维度，并采用了结构化的能力进阶路径。然而，该框架也存在局限，例如在专家级可视化的细节粒度上可能不足，且其视觉模型未明确体现知识、技能和态度这三方面的整合性质。
课程分析揭示了课程中普遍存在的理论知识与实践应用之间的脱节问题。学生可能掌握了AI的概念性理解，但缺乏在真实情境中应用的机会。这反映了高等教育中AIL倡议常常是孤立干预而非系统化、全校课程整合的普遍挑战。
未来研究应侧重于跨不同学科（尤其是人文和社会科学）的实证验证，并开展技术与非技术领域中AIL表现的比较分析。此外，AIL的评估仍是一个重大挑战，需要开发更全面的测量工具。对于整合技能和法律监管知识等较新维度，以及专家级熟练度所关联的能力，需要进行更深入的研究以加深理解和可操作性。
结论
本综述综合了当前关于高等教育中人工智能素养的研究，提出了人工智能素养七边形框架。这一结构化方法整合了七个核心维度，为教育工作者提供了一个适应性强、可用于课程开发的模型。它的主要贡献在于：系统地将AIL与媒体、数据和计算素养等相关概念区分开来；实施了一个基于布鲁姆分类法的渐进式能力模型，区分了通用AIL和领域特定延伸；识别并整合了当前代表性不足但对应对快速发展的监管和整合挑战至关重要的维度（整合技能、法律与监管知识）。
鉴于AI技术的快速发展，大学应采用适应性课程，将AIL跨学科整合。例如，可将AIL模块嵌入现有的数字素养课程，并提供跨学科的AI伦理与法律研讨会。人工智能素养七边形框架为高等教育机构提供了一个系统整合AI能力的工具，使学生能够发展多维度的知识体系，从而在其各自领域内批判性地参与、负责任地应用并合乎伦理地管理AI技术。
