2023中小学阶段的人工智能课程调研报告.pdf

中小学阶段的人工智能课程对政府认可人工智能课程的调研ED-2022/FLI-ICT/K-12K-12 AI curricula A mapping of government-endorsed AI curricula1中小学阶段的人工智能课程对政府认可人工智能课程的调研中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 2 致 谢 本报告由联合国教科文组织教育信息化和教育人工智能部门制作，该部门隶属于未来学习和创新团队。该部门负责人苗逢春负责数据收集方法的构思和执行，调查的设计和管理，并领导报告的撰写。JET 教育服务的 Kelly Shiohira 协助实施数据收集，分析调查数据，进行课程调研，并起草本了本报告。特别感谢该部门的成员 Juan David Plaza Osses 和 Iaroslava Kharkova，他们负责组织对会员国提名的重点专家进行调查和访谈的管理工作，同时也在此感谢 Glen Hertelendy 和 Samuel Grimonprez 协调了本报告的编写。联合国教科文组织在此感谢各位国家的代表，他们在访谈期间努力提供有关其各自国家人工智能课程的详细信息，他们是：卡塔尔教育和高等教育部，课程和学习资源司信息与通信技术教育专家 Noha Alomari，奥地利HTBLA Leonding 信息学和媒体技术系主任 Peter Bauer，比利时瓦隆布鲁塞尔联合会教育总局中等教育督导Marie-Thrse Delhoune，葡萄牙教育部教育理事会课程发展司司长 Helder Pais、北京航空航天大学计算机学院教授熊璋。以下重点人员的采访中收集到的资料也为本报告提供了宝贵信息：IBM 的 Shalini Kapoor,Bettina Culter,Anne Forbes Joyeeta Das 和 Lucy Qu,英特尔的 Anshul Sonak 和 Shweta Khurana，韩国国立教育大学的 Ki-Sang Song，微软的 Alexa Joyce 和 Simran Jha,麻省理工学院的 Irene Lee 和 Cynthia Breazeal，来自科威特的Muna Al Ansari，来自约旦的 Laila Mohammend Al Atawy，来自沙特阿拉伯的 Mohammed Jumah F.Al-enazi，来自塞尔维亚的 Stefan Badza，来自韩国的 Kyungsuk Chang，来自印度的 Saffin Mathew,Marlia，来自葡萄牙的 Neres，来自印度的 Ashutosh Raina，来自保加利亚的 Ralitsa Voynova，来自德国的 Isabelle Sieh，来自加拿大的 Paula Thompson，来自亚美尼亚的 Artashes Torosyan，来自保加利亚共和国的 Ralitsa Voynova 和来自奥地利的 Stephan Waba。感谢 JET 教育服务的 Patrick Molokwane 提供的桌面研究支持。感谢 Jenny Webster 为本报告提供的文本编辑和校对，以及 Marie Moncet 提供的版面设计。最后，联合国教科文组织在此感谢好未来教育集团为启动“人工智能和未来学习”项目提供的资金支持，正是通过这个项目，本报告才得以落地实现。中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 3 目 录 致谢致谢.2 调研调研的目的和范围的目的和范围.6 调研的范围 6 引言引言.7 人工智能技术术语和技术简介.8 人工智能.9 人工智能底层技术.9 人工智能技术.10 合乎伦理的人工智能.10 人工智能素养.11 教学法的概念和术语.11 现有人工智能课程参考框架.12 人工智能素养：能力和设计的主要考虑因素.13 AI4K12：五个基本概念与中小学阶段人工智能课程指南.14 机器学习教育框架.16 研究方法研究方法.18 数据收集.18 政府认可的人工智能课程选择标准.18 政府认可的人工智能课程列表.19 本调查分析的局限性.20 政府认可的人工智能课程分析：主要结果政府认可的人工智能课程分析：主要结果.21 课程开发和认可.21 人工智能课程的开发和认可机制.21 人工智能课程开发的愿景和动机.22 人工智能课程的试用和评估.22 示例：卡塔尔课程开发的基础和原则.23 课程整合与管理.25 人工智能课程的课时分配.26 支持人工智能课程的必要条件.27 示例：印度中央中等教育委员会引入人工智能课程.28 人工智能课程内容.30 人工智能课程内容的主要类别.30 人工智能课程分领域的课时分配.30 人工智能课程分领域的覆盖范围.31 示例：奥地利的人工智能课程内容.36中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 4 人工智能课程学习结果.38 学习结果：分析方法.38 学习结果：分类框架.38 学习结果：调研情况（按人工智能课程领域分类）.39 示例：韩国的人工智能学习结果.45 课程实施.46 教师培训和支持.46 学习工具和环境.46 教学法建议.48 示例：中国高中信息科技课程的实施.49 主要结果和建议主要结果和建议.51 课程开发与认可.51 课程整合与管理.51 课程内容与学习结果.52 课程实施.53 结论意见结论意见.54 参考文献参考文献.55 附录附录.58 发送给会员国代表的调查.58 联合国教科文组织对政府认可人工智能课程的调研.58 基本信息.58 人工智能课程1.58 图目录图目录 图 1.按整合类型划分的人工智能课程数量(n=27，可能有多个回答).25 图 2.人工智能课程每年的课时分配情况，n=22.26 图 3.各学段的人工智能课程占比(n=27).27 图 4.为课程实施提供的支持.28 图 5.人工智能课程跨学科整合的专题方法.29 图 6.人工智能课程实施的参与者和过程.29 图 7.主要课程领域课时占比箱线图 21(n=21).31 图 8.课时分配-按专题领域划分(n=23).32 图 9.人工智能基础课程领域的课时分配(n=21).33 图 10.伦理和社交影响课程领域的课时分配(n=21).34 图 11.理解、应用和开发人工智能课程领域的课时分配(n=21).35 图 12.按专题领域划分的课时分配.37 图 13.韩国人工智能课程标准.45 图 14.教学法的平均使用情况(n=27).49 中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 5 表目录表目录 表 1.人工智能素养能力框架.13 表 2.“基本概念 1：知觉”的学习概念、概念构成要素和学习结果.15 表 3.机器学习教育框架-学习结果和定义.17 表 4.政府认可并实施的中小学阶段人工智能课程.19 表 5.政府组织开发中的中小学阶段人工智能课程.20 表 6.本研究中作为基准的非政府人工智能课程.20 表 7.支持人工智能课程的必要条件.27 表 8.人工智能课程领域.30 表 9.课程参与度-按专题领域划分.31 表 10.人工智能基础课程领域的参与度-按专题领域划分.33 表 11.伦理和社交影响课程领域的参与度-按专题领域划分.34 表 12.理解、应用和开发人工智能课程领域的参与度-按专题领域划分.36 表 13.对知识结果的调研.39 表 14.对技能结果的调研.42 表 15.对价值观和态度结果的调研.44 表 16.教学法建议及说明.48 中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 6 调研的目的和范围 人工智能技术已经成为了全球中小学的新学科领域，然而政府、学校和教师在定义人工智能能力和设计人工智能课程时依旧缺乏背景知识。本调研工作对现有的人工智能课程进行了分析，重点考察了人工智能课程的内容和学习结果，并探讨了其开发和验证机制、课程衔接，学习工具及所需环境的准备，教学法建议和教师培训。该研究分析得出了人工智能课程的重点考虑因素，以期能指导未来人工智能课程扶持性政策的规划、国家课程或机构研究项目的设计以及人工智能能力发展的实施战略。调研的范围 教科文组织从全球视角出发，调查当前中小学教育中开发和实施人工智能课程的实践。本研究中的“人工智能课程”指的是人工智能相关主题的结构化学习项目：1)由国家或地区政府批准；2)对象为接受常规学校教育的幼儿园至 12 年级的学生。本研究不涵盖为职业技术教育与培训(TVET)机构、高等教育机构或非正式学习机会而设计的人工智能课程。中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 7 引言 目前，多种多样的人工智能技术正在全球范围内使用，人们愈发认识到人工智能在劳动市场中的重要性及其对日常生活的影响。人工智能将“影响各个收入水平和教育水平的职业”(Royal Society UK,2018,cited in the Microsoft Computer Science Framework,2021)。麦肯锡公司2018年的一项分析指出，到2030年，预计70%的全球企业将至少使用一种人工智能技术。然而，人工智能的使用会导致各国之间的现有差距逐步拉大(Bughin et al.，2018a)。目前在美国，机器承担了多达30%的劳动力任务(Kelly,2020)。此外，不断发展的自动化水平和人工智能集成水平也会导致学校、职业技术教育与培训机构中所教授的技能与就业市场所需技能愈发不匹配(Bughin et al.，2018b)。新冠疫情加快了自动化的步伐，预计到2020年，会有多达1/16的工人需要接受再培训1，中、低技能工作所需的劳动力数量会进一步下降(Lund et al.,2021)。人工智能技术带来的影响并不局限于劳动力。它对文化、多样性、教育、科学知识、交流和信息都具有深远意义，特别是在涉及和平、可持续性、性别平等和非洲的具体挑战方面也影响颇深(COMEST,2019)。这些都是注重发展和政策的全球以及国家机构非常关注的领域。无论是有意为之还是潜移默化，人们与人工智能的互动在不断增加。人工智能目前已被应用于汽车驾驶、自动化客户服务、军事炸弹目标识别、国家入境口岸申请人员筛查、警务工作指导、分数评定、大学入学和奖学金选拔，以及个人财务决策(Engler,2021;Frantzman and Atherton,2019;Shiohira,2021)。国际政策指南建议，应通过不同的情景化方法来寻求共同领域的发展，例如促进教育中人工智能的开放和公平使用；利用人工智能加强教育和学习；采用人工智能促进就业和生活技能开发；保护教育数据，使其运用合乎伦理、透明且可审计(UNESCO，2019a)。然而，目前关注中小学人工智能课程的项目相对较少，这也促使政策制定者最近颁发了一项建议，即应该“为探索人工智能提供有利的政策环境和课程空间”(Miao et al.,2021,p.34)。教科文组织作为国际社会和教育信息化对话的主导力量，在教育领域的人工智能应用取得了一系列重要进展。2015年，青岛宣言(UNESCO,2015)提出了要探索大数据的潜力，提高网上学习效果，增强对学生行为和学习的理解，完善网络课程的设计和组织。该宣言敦促“各国政府必须制定政策并建立体系，确保包括学生个人身份信息等隐私和秘密的数据的使用安全、恰当、符合道德规范。”北京共识人工智能与教育(UNESCO,2019b)提出了一系列关于在教育领域应用人工智能的建议和考量。共识高度关注教育领域人工智能应用的公平和包容问题，提到要确保人工智能促进全民优质教育和学习机会，无论性别、残疾状况、社会和经济条件、民族或文化背景以及地理位置如何。作为教科文组织教育领域技术创新战略(2022-2025)的一部分，除了观察站和能力建设外，该组织还致力于制定准则性文书和开发规范性工具，包括制定框架和指导方针，以加强教师和学习者的数字化能力（认识、技能和价值观），并确保从终身学习的角度出发，以基于人权、安全、合乎伦理和 1 分析包含八个国家，即中国、法国、德国、印度、日本、西班牙、英国和美国，几乎占据全球一半的人口以及 62%的 GDP。中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 8 “有意义的方式使用技术。”(UNESCO,2021a)。横向行动领域的职能在于扩大受教育机会，尤其是针对边缘群体和个体提高教学和学习的质量。教科文组织于2021年4月发布了人工智能与教育:政策制定者指南，旨在培养对人工智能做好准备的政策制定者(Miao et al.,2021)。指南为目标读者阐释了人工智能的方向，包括机遇、风险、关键定义、人工智能的趋势、对教学的意义，以及教育如何使得学生做好准备迎接智能时代。指南在最后对地方的政策规划提出了建议。2021年10月，教科文组织启动了人工智能与未来学习项目2，该项目包含三个各自独立但互为补充的部分：(1)人工智能驱动的学习的未来相关建议报告；(2)教育领域人工智能应用的伦理原则指南；(3)在校学生人工智能能力指导框架。当前人工智能的普遍应用及其对职场的影响激发了一种紧迫感，促使人们就人工智能应用的多方面达成了国际共识，包括：人工智能在社会中的可接受程度、人工智能在开发和部署中预期的人文因素考量，以及如何培养孩子们具备所需的能力，以使他们成功地驾驭现有的而非未来的世界。北京共识人工智能与教育(UNESCO,2019b)呼吁所有会员国都要“认识到进行有效的人机协作需要具备一系列人工智能素养，同时不能忽视对识字和算术等基本技能的需求”。该共识支持以一种“人文主义的方法”，“确保所有人具备在生活、学习和工作中进行有效人机合作以及可持续发展所需的相应价值观和技能。”。为支持北京共识的落实，教科文组织于 2020 年12 月 7 日和 8 日举办了”国际人工智能与教育会议：培养新能力，迎接智能时代”。与会者认为：世界公民需了解人工智能可能产生的影响，人工智能的功能和局限，人工智能何时有用，何时应该质疑其应用，以及如何引导人工智能为公众利益服务(Miao and Holmes,2021,p.6)。会议强调了以人为本能力的中心地位，如，对人工智能伦理及其社会影响的理解，以及技术导向的能力，（比如使用、解释和开发人工智能的技能和知识）。会议建议采用特定主题和跨学科的方法将人工智能应用于教育，包括在现有信息通信技术课程的基础上，将人工智能所带来的机遇和影响纳入人文、科学和艺术课程(Miao and Holmes,2021)。本报告通过对政府认可的中小学人工智能课程及其设计、内容和实施的全球情况进行分析，进一步加深人们对人工智能在中小学教育领域应用的理解，帮助学生为在智能时代生活和工作做好准备。本报告旨在为支持性工具和框架的创建提供信息，以期能够制定人工智能能力的指导框架。本报告也是教科文组织教育领域技术创新战略(2022-2025)(UNESCO,2021a)中所列工作的一部分。人工智能技术术语和技术简介 本报告涉及来自人工智能专家和教育专业领域的一系列概念和术语。尽管人工智能在市场营销、金融乃至教育等领域无处不在，但部分决策者和从业者可能不熟悉本分析报告中使用的一些术语，也无法保证所有的人工智能从业者和决策者都了解人工智能课程教学法的应用趋势。因此，本节将简要介绍报告中讨论的一些技术、术语和教学方法，从而帮助读者建立对主要概念的总体理解。首先，本节将依次解释人工智能领域的五个术语，而后将在“教学法的概念和术语”章节介绍“基于能力的评价”、“建构主义（constructivism）”、“建构主义（constructionism）”和“设计思维”等几个概念。2 详见 https:/events.unesco.org/event?id=2883602288 中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 9 几乎所有的概念和术语都引发了一定程度的学术辩论，辩论双方既有支持者也有反对者。但本报告的目的并非深入探讨这些冲突的观点，也不应将本报告视为对这些观点的详尽探索。人工智能“人工智能”一词始创于1956年，Marvin Minsky和 John McCarthy共同主持了当年的达特茅斯 人 工 智 能 夏 季 研 究 项 目(COMEST,2019；Haenlein and Kaplan,2019)。此后，随着大数据的兴起和计算能力的指数级增长，人工智能开始逐步普及(Haenlein and Kaplan,2019)，其定义也随着时间的推移不断扩展和演变(Miao et al.,2021)。目前，人工智能特指模仿人类智慧（如感知、学习、推理、问题解决、语言互动和创造性工作）某些特征的机器(COMEST,2019)。本报告将人工智能分为两类，即“人工智能底层技术”和“人工智能技术”。前者包括构建不同类型人工智能的方法，后者指的是研究领域和由这些技术创造出的产品。人工智能底层技术 本报告分析的课程中所包含的人工智能底层技术可简要描述为:3 传统传统人工智能人工智能是基于规则的，使用条件判断命令若-则(if-then)生成输出。基于规则的推理可以用于聊天机器人等技术(例如，“若输入包含什么、价格和？的关键词，则能够返回产品价格列表”)。机器学习机器学习(ML)是指可以通过访问和处理大量数据来“学习”，而无需依赖具体编程的计算机程序。这里的“学习”是指，与传统人工智能相比，程序无需被明确“告知”应该输出什么，即可生成新的输出。接下来介绍的技术属于机器学习的子类别。有监督学习有监督学习属于机器学习的一种，它经过已知、标记的数据训练而生成输出。例如，分类器分类器是一种算 法，它使用已标记的数据将事物分类(例如“垃圾邮件”或“非垃圾邮件”)。决策树决策树是一种分类算法，其中一系列的“节点”(决策点，即问题)指向“分支”，不同的回答选项会导向不同的分支。例如，在麻省理工学院的 DAILy 课程中，学生们通过创建决策树来对不同类型的意大利面进行分类。其中一个节点可能会问，是否超过 4 英寸?，在此节点中，意大利面、意大利扁面条和其他长意大利面会被分配到同一分支上，从而指向下一节点，而通心粉、蝴蝶结面和其他短意大利面则会被分配到另一分支上。在无监督学习无监督学习中，机器学习是基于未知和未标记数据组中的相似度进行聚类而生成输出。强化学习强化学习是一种持续的机器学习，训练强化学习的目的是实现奖励最大化（例如，在投资上获得最大的货币回报）。神经网络神经网络是以动物大脑为模型的机器学习算法。它们由输入层、隐藏层和输出层组成。在隐藏层中，数据根据其值和分配的权重在节点中被处理，只有超过既定阈值的数据才得以通过。经过过滤的数据通过一个或多个隐藏层到达输出层。神经网络中的“学习”通过“反向传播”而实现，反向传播算法基于每个节点输入的正确性和影响，通过调整不同节点隐藏层中的权重来最小化误差。深度学习深度学习(DL)是指具有多个隐藏层的神经网络。机器学习通常依赖于结构化的数据（例如选择、标记和表格化数据），而深度学习可以处理非结构化的数据，例如文本和图像。神经网络和/或深度学习常被应用于图像识别和语音识别。生成生成式式对抗网络对抗网络(GANs)属于机器学习的一种，旨在生成新的内容，例如图像4。一个生成式对抗网络包含两个深度神经网络。其中一个生成内容，另一个评估内容。生成式对抗网络目前还无法很好地处理文本。3 此处的解释来自于 Miao et al.(2021)，且有本报告中包含的课程范例和定义做补充，尤其是麻省理工学院的 DAILy 课程、AI4K12 课程框架和 IBM 的青年挑战课程。4 例如，生成式对抗网络技术可以用来生成虚拟人物图像(详见 https:/)。中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 10 人工智能技术 本调研分析的课程中所包含的人工智能技术可概述为：聊天机器人聊天机器人指的是用来模拟口头和/或书面对话的计算机程序。5 计算机视觉计算机视觉属于人工智能领域，涉及从图像和视觉输入中获取和使用信息。计算机视觉驱动某些产品的制造，如自动化高光卷轴、自动驾驶汽车和质量控制工具（用于识别缺陷）。6 自然语言处理自然语言处理(NLP)基于计算机科学与计算语言学（研究人类语言的一个跨学科领域）的结合，旨在创建可被计算机使用，且基于规则的人类语音或文本模型，从而使计算机能够对人类语言加以处理并作出适当的反应。该技术驱动计算机完成不同语言间的翻译，以及卫星导航或数字助理等技术对口头命令的反应能力。传感器传感器是用于测量某些物理特性（如温度或压力），并将数据传输到其他电子设备(如计算机处理器)的设施或系统。传感器是人工智能中收集数据的一种方法，是物联网(IoT)的基本组成部分。在物联网系统中，根据不同传感器的输入，无需人工干预即可采取行动(Mahdavinejad et al.，2018)。比如物联网灌溉系统，该系统从嵌入在土壤中的传感器中收集信息，并以此来激活浇水设备。7 合乎伦理的人工智能 如前所述，人工智能应用广泛，好处良多。例如，人工智能在新冠疫情早期为人们提供了重要见解并发布预警。然而，人工智能的使用也引发了一系列伦理方面的考虑。使用的数据集和开发者的选择都可能导致人工智能引发偏见，引起歧视。由于某些类型的人工智能存在隐藏层等元素，人类无法直接看到、检查或纠正人工智能决策的过程以及其 中的各类因素，因而会引发可解释性和透明度方面的问题。人工智能带来的其他挑战还包括在个人数据使用与个人隐私权之间的平衡；数据安全和潜在的网络犯罪风险；以及基于用户兴趣的人工智能算法对先入观念的强化可能会限制人们对某些观点和信息的接收，一些人认为，这会侵犯个体的言论自由权(UNDESA et al.,2021)。人工智能伦理问题建议书(UNESCO,2020)初稿强调了人工智能面临的一些关键伦理挑战，指出了人工智能对决策、就业和劳动、社会互动、医疗保健、教育、媒体、言论自由、信息获取、隐私、民主、歧视、武器开发等方面的影响。该建议书还提出，人工智能应由第三方监测，以确保其可信任性，使其能够服务于人类、个体、社会、自然环境及其生态系统。该建议书为人工智能伦理制定了 10 条原则:1.相称性和相称性和不损害不损害建议人工智能应该有合理的目标和目的，这些目标和目的应切合具体情况，并应建立在严格的科学基础之上。2.安全安全和安保和安保建议人工智能不应造成任何损害，且必须在其整个生命周期内防范人工智能的安全风险。3.公平和非歧视公平和非歧视建议人工智能系统应摒除偏见，并应在国家、地方和国际层面共享人工智能及其惠益，平等分配，不论“生理性别、社会性别、语言、宗教、政治或其他见解、国家、民族、土著或社会出身、性取向、性别认同、财产、出生、残障情况、年龄或其他状况”如何。4.可持续性可持续性建议在目标不断变化的背景下，应持续评估人工智能技术的社会、文化、经济和环境影响。5.隐私隐私建议以保护数据主体个人能动性的方式，进行人工智能的数据收集、使用、共享、存档和删除，并落实处理个人数据的“合法的目的”和“有效的法律基础”。5 请见范例 https:/ 6 点击 https:/ 7 请见范例 https:/ 中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 11 6.人类的监督和决定人类的监督和决定建议自然人或法人实体在伦理和法律上对人工智能负责。7.透明度和可解释性透明度和可解释性建议，在根据人工智能算法作出决定时，人们有权知道。个人和社会实体可以要求获得并收到有关这些决策的解释，包括对细节因素和决策趋势的洞察。可解释性可解释性进一步要求：“结果和导致结果的子过程应以可理解和可追溯为目标，并且应切合使用环境。”8.责任和问责责任和问责强化了人类监督与决策的原则，并建议应建立影响评估、监测和尽职调查机制，以确保对人工智能系统实施问责。同时必须保证人工智能的可审计性8。9.认识认识和素养和素养指的是政府、公共部门、学术界和民间社会有责任促进开放和可获取的教育以及其他以人工智能与人权交点为重点的举措，以确保“所有社会成员都能够就使用人工智能系统作出知情决定，避免受到不当影响”。10.多利益多利益攸关攸关方方以及以及适应性治理适应性治理和协作和协作建议各国应管理在其境内生成或经过其国境的数据；广泛的民间组织、公共和私营部门的利益攸关方应参与人工智能的整个运作周期；应采取措施，便于边缘化群体、社区和个人进行有效干预。人工智能素养 在教科文组织人工智能与教育的未来国际论坛中发表的人工智能时代的能力培养综合报告(Miao and Holmes,2020)指出，世界公民需了解人工智能的潜在影响，人工智能的功能和局限，人工智能何时有用，何时应该质疑其应用，以及如何引导人工智能为公众利益服务。这需要每个人都具备一定程度的人工智能能力，包括知识、理解、技能和价值取向。综合而言，这些都可被统称为“人工智能素养”。人工智能素养包括数据素养，即了解人工智能如何对数据进行收集、清理、操作和分析的能力；以及算法素养，即理解人工智能算法如何在数据中找到可应用于人机交互的模式和联系的能力。针对该术语的解释是建构人工智能素养这一新兴领域范围、结构和主要类别的一次尝试，其使用已贯穿本报告中的研究。教学法的概念和术语“能力本位教育”(CBE)是高等教育和职业技术教育与培训(TVET)经常追求的一种模式，但该模式正被越来越多地以各种形式应用于中小学教育。能力本位教育旨在将教育从原本的固定时间和灵活学习的模式转变为灵活时间和固定学习的模式。能力本位教育模式会通过评价来展现学生的应用知识、技能和价值观，并根据需求为学生提供尽可能多的额外支持，直到他们达到要求的基准(NCLSorg,2017)。能力本位教育的核心概念是“能力”，该术语经过不断演变，现在主要用以描述对知识、技能、态度和价值观的动员，以满足日趋复杂的需求(OECD,2019,p.5)。课程的预期能力通常通过学生的学习结果或学生被期望在课程后了解、掌握的知识以及能够做到的事情来表现(Biggs and Collis,1982；Cedefop,2017；Kinta,2013)。“学习结果”是针对早期术语“学习目标”的修正，以确保强调的重点是学生而非教师的行为或成就，并使用可测量的应用进行进一步定义(Lopez et al.,2015；Sinha,2020)。课程、学习结果和能力之间的关系在实践中比较复杂，但在理论上相当直接：课程描述了一系列预期的学习结果，评价则通过评估学生在特定研究领域或学科（最好是在新的领域）运用所学的知识、技能和态度/价值观来证明学生实现了这些结果Biggs和Collis(1982)的 SOLO9 分类法将其称之为“拓展抽象”的能力。8 虽然建议中没有明确定义可审核性，但该术语指的是第三方访问、审查、监控和批评算法的能力(Jobin et al.,2019)。9 SOLO 代表“可观察的学习结果的结构（structure of observed learning outcome）”。中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 12 本报告的框架和审查的课程也参考了建构主义（constructivism）、建构主义（constructionism）、计算思维和设计思维。“建构主义（constructivism）”是学术界的系列广泛概念，它适用于描述个体通过与他人，以及与自己的生理、文化和制度或系统环境的互动来创造或构建(有时是共同构建)知识的方式(Taber,2016)。教育中应用的建构主义类别在很大程度上建立在 Piaget(1972)的成果之上，他提出的理论概述了不同发展阶段的儿童能够获得和不能获得的学习类型及形式；例如，具体的应用会先于抽象。与 之 相 关 的 概 念 是“建 构 主 义（constructionism）”，该理论认为，学生在将知识应用于个人感兴趣的项目中时获得的学习效果最好(Papert and Harel,1991)。建构主义尤其适用于数字课程，原因在于，它一方面起源于信息通信技术和数学领域，另一方面，它专注于意义产生的方式，即，意义通过参与、操纵和改变数字人工产品的过程产生(Kynigos,2015)。尽管建构主义（constructivism）者和建构主义（constructionism）者的基础相同，但是后者挑战的是 Piaget（1972）列出的知识层次结构，认为学生可以通过使用数字媒体和基于块的编程等方法，在早年有效地处理更为复杂的概念(Papert,1996)。计算思维，即为一个问题构建数字解决方案而引发的一系列心理和生理过程(确定一个问题，将其分解为多个部分，构建和吸收解决方案，而后测试并提炼它们)。计算思维在理论上适用于计算机科学之外的系列领域(Lodi and Martini,2021)。计算思维的四个“部分”可被称为分解、抽象、分析和算法(Kush，2019)。Lee et al.(2011)研究了中小学阶段学生的一系列计算思维活动，并确定其过程确实可以被不同人口统计学背景的学生所运用。他们进一步提出了一种“使用-修改-创造”的学习进程模型用于参与计算思维，并指出熟练的教师、发展考虑和适当的技术是计算思维的关键支持机制。在本报告中包含的部分课程背景介绍中，最后一个要提的工具是“设计思维”。它被定义为“一个使个体有机会进行实验、创建和制作原型模型，收集反馈，并进行再设计的分析和创造过程”(Razzouk and Shute,2012)。设计思维最初出现于考古学、市场营销和经济学等领域(Buchanan,1992)，20世纪90年代初开始在工业中应用，并发展为一种以消费者为导向来设计创新产品或商业模式的方法，特别是与技术相关的产品或模式(Hobcraft,2017)。设计思维的过程包括共情（如与消费者共情），定义问题，产生解决方案，然后在迭代设计循环中进行原型化和测试，直至实现理想化的创新(Hasso Plattner Institute of design,2010)。在学校，设计思维可以为学生提供一个清晰的程序，以应对数字化以及跨学科活动和相关能力对他们提出的要求。现有人工智能课程参考框架 最近出现了几项旨在规划或建立中小学阶段人工智能课程框架的举措。本节将详细介绍其中的三个框架：“人工智能素养：能力和设计的主要考虑因素”，“AI4K12:中小学阶段人工智能指南”10和“机器学习教育框架”。这并非一份详尽的清单，因为许多非政府组织、行业、学术组织和/或个人已经开发了用以支持自身项目和事业的人工智能课程框架。政府也在使用其中的一些框架，如微软的计算机科学框架，这些都将在稍后的学习结果调研情况中呈现。本节讲述的三个框架是为系列合作伙伴的人工智能课程开发提供信息，与特定的产品或课程无关。10 详见 https:/ai4k12.org 中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 13 人工智能素养：能力和设计的主要考虑因素 Long and Magerko(2020)基于对现有研究进行的范围研究(Scoping Study)提出了一系列有关人工智能素养的能力和设计考虑因素，旨在确定以下新兴主题：1)人工智能专家认为非技术受众应当了解的知识，2)学习者的普遍认知和误解。他们的范围研究提出了17项能力和13项设计考虑因素。描述显示，“能力”普遍处于知识分类的较低层次，主要局限在理解、描述和识别。由Long和 Magerko 提出的“能力”相关描述见表表1。表表1.人工智能素养能力框架人工智能素养能力框架 能力能力 描述描述/学习结果学习结果 1.人工智能识别 区分使用和未使用人工智能的技术产品。2.对智能的理解 对一个实体“人工智能”的特征进行批判性地分析和讨论。探讨人类智慧、动物智慧与机器智能之间的区别。3.跨学科性 认识到思考和开发“智能”机器的方式有很多。认识应用人工智能的各种技术，包括跨认知系统、机器人和机器学习技术。4.广义人工智能vs狭义人工智能 区分广义的人工智能和狭义的人工智能。5.人工智能的优缺点 确定人工智能擅长/不擅长的问题类型。明确何时适合使用人工智能，何时适合利用人类技能。6.未来人工智能畅想 畅想人工智能未来的潜在应用方式，并考虑这些应用方式对世界的影响。7.表征 理解什么是知识表征，并能描述一些知识表征的例子。8.决策 识别并举例描述计算机是如何进行推理和决策的。9.机器学习步骤 理解机器学习所涉及的步骤，以及每一步所需的实践和遇到的挑战。10.人类在人工智能中扮演的角色 认识到人类在编程、选择模型和调试人工智能系统中发挥的重要作用。11.数据素养 理解基本的数据素养概念。12.数据学习 认识到计算机经常从数据（包括自身的数据）中学习。13.批判性数据解读 理解数据需要被解读。描述在初始数据集中提供的训练示例是如何影响算法结果的。14.行动与反应 理解有些人工智能系统能够在现实世界中做出行动。这种行动可能会由更高层次的推理（如沿着计划好的路径行走）或反应性冲动（如向后跳以避开感觉到的障碍物）指导。15.传感器 理解什么是传感器，以及计算机通过使用传感器感知世界。识别各类设备上的传感器。理解有关世界不同类别的表征和推理由不同的传感器支持。16.伦理 识别并描述围绕人工智能关键伦理问题的不同视角：隐私、就业、错误信息、“奇点”、11决策、多样性、偏见、透明度和问责制。17.可编程性 了解代理是可编程的。来源:Long and Magerko,2020 Long and Magerko(2020)提出的设计考虑因素重点关注教学法和学习方法，同时也考虑了社会和人际关系因素。总体而言，他们强调体验式学习和材料的相关性，赞成认知需求和儿童发展理论，以及人工智能在学习者学习环境中的定位。两位研究者提出了 15 项具体的主要考虑因素:1.可解释性可解释性：包括图形可视化、模拟、对代理决策过程的解释，或交互式演示，以帮助学习者理解人工智能。11 描述了人工智能变得比人类更聪明时的情景，与此同时也引发了人工智能可能会有意伤害人类的担忧。中小学阶段的人工智能课程 对对政府认可人工智能课程的调研政府认可人工智能课程的调研 14 2.具身交互：具身交互：设计个体可以充当或跟随代理的干预措施，从而理解代理的推理过程。这可能涉及算法的具体模拟和/或使用人工智能技术进行实际实验。3.情景化数据：情景化数据：鼓励学习者调查谁创建了数据集，如何收集数据，以及数据集的局限性。这可能涉及到选择与学习者生活相关、低维且“混乱”的数据集（如未清洗或分类不整齐的数据集）。4.提高透明度：提高透明度：提高人工智能设计各方面的透明度（例如，消除黑箱功能，共享创建者意图、资金/数据来源等）。5.分层教学分层教学：为防止认知超负荷，用户可选择查看和了解不同的系统组件；一次只针对几个部分进行解释；或者进行支架式教学，随着用户对系统操作的了解增加，再逐渐移除支架。6.提供提供编程机会：编程机会：为个人提供编程和/或教授人工智能代理的方法。通过专注于视觉/听觉元素与/或结合类似于 Parsons problems 编程工具和代码填空等策略，将编码先决条件降至最低。7.考虑发展考虑发展关键期：关键期：考虑发展的关键期（如心理发展理论）、年龄和先前技术经验对人工智能认知的影响。8.批判性思维：批判性思维：通过质疑人工智能应用的智能性和可信度，鼓励学习者做人工智能技术的批判性消费者。9.考虑考虑身份、价值观和背景身份、价值观和背景的影响的影响：考虑学习者的身份、价值观和背景如何影响他们对人工智能的兴趣和先入之见。结合个人身份或文化价值观的学习干预可以对他们的兴趣和动机起到激励作用。10.为家长提供支持：为家长提供支持：当面向家庭进行设计人工智能时，考虑帮助家长构建孩子的人工智能学习体验。11.社会社会交互交互：设