中小學階段的人工智能課程 對政府認可人工智能課程的調研

1、K-12 AI curricula A mapping of government-endorsed AI curricula1中小學階段的人工智能課程對政府認可人工智能課程的調研 目 錄致謝 2 HYPERLINK l _TOC_250048 調研的目的和范圍 6 HYPERLINK l _TOC_250047 調研的范圍 6引言 7 HYPERLINK l _TOC_250046 人工智能技術術語和技術簡介 8 HYPERLINK l _TOC_250045 人工智能 9 HYPERLINK l _TOC_250044 人工智能底層技術 9 HYPERLINK l _TOC_250043

2、人工智能技術 10 HYPERLINK l _TOC_250042 合乎倫理的人工智能 10 HYPERLINK l _TOC_250041 人工智能素養(yǎng) 11 HYPERLINK l _TOC_250040 教學法的概念和術語 11 HYPERLINK l _TOC_250039 現(xiàn)有人工智能課程參考框架 12 HYPERLINK l _TOC_250038 人工智能素養(yǎng)：能力和設計的主要考慮因素 13 HYPERLINK l _TOC_250037 AI4K12：五個基本概念與中小學階段人工智能課程指南 14 HYPERLINK l _TOC_250036 機器學習教育框架 16 HYPE

3、RLINK l _TOC_250035 研究方法 18 HYPERLINK l _TOC_250034 數(shù)據(jù)收集 18 HYPERLINK l _TOC_250033 政府認可的人工智能課程選擇標準 18 HYPERLINK l _TOC_250032 政府認可的人工智能課程列表 19 HYPERLINK l _TOC_250031 本調查分析的局限性 20政府認可的人工智能課程分析：主要結果 21 HYPERLINK l _TOC_250030 課程開發(fā)和認可 21 HYPERLINK l _TOC_250029 人工智能課程的開發(fā)和認可機制 21 HYPERLINK l _TOC_2500

4、28 人工智能課程開發(fā)的愿景和動機 22 HYPERLINK l _TOC_250027 人工智能課程的試用和評估 22示例：卡塔爾課程開發(fā)的基礎和原則 23 HYPERLINK l _TOC_250026 課程整合與管理 25 HYPERLINK l _TOC_250025 人工智能課程的課時分配 26 HYPERLINK l _TOC_250024 支持人工智能課程的必要條件 27示例：印度中央中等教育委員會引入人工智能課程 28 HYPERLINK l _TOC_250023 人工智能課程內容 30 HYPERLINK l _TOC_250022 人工智能課程內容的主要類別 30 HYP

5、ERLINK l _TOC_250021 人工智能課程分領域的課時分配 30 HYPERLINK l _TOC_250020 人工智能課程分領域的覆蓋范圍 31 HYPERLINK l _TOC_250019 示例：奧地利的人工智能課程內容 36 HYPERLINK l _TOC_250018 人工智能課程學習結果 38 HYPERLINK l _TOC_250017 學習結果：分析方法 38 HYPERLINK l _TOC_250016 學習結果：分類框架 38 HYPERLINK l _TOC_250015 學習結果：調研情況（按人工智能課程領域分類） 39示例：韓國的人工智能學習結果

6、45 HYPERLINK l _TOC_250014 課程實施 46 HYPERLINK l _TOC_250013 教師培訓和支持 46 HYPERLINK l _TOC_250012 學習工具和環(huán)境 46 HYPERLINK l _TOC_250011 教學法建議 48 HYPERLINK l _TOC_250010 示例：中國高中信息科技課程的實施 49 HYPERLINK l _TOC_250009 主要結果和建議 51 HYPERLINK l _TOC_250008 課程開發(fā)與認可 51 HYPERLINK l _TOC_250007 課程整合與管理 51 HYPERLINK l _

7、TOC_250006 課程內容與學習結果 52 HYPERLINK l _TOC_250005 課程實施 53結論意見 54參考文獻 55 HYPERLINK l _TOC_250004 附錄 58 HYPERLINK l _TOC_250003 發(fā)送給會員國代表的調查 58 HYPERLINK l _TOC_250002 聯(lián)合國教科文組織對政府認可人工智能課程的調研 58 HYPERLINK l _TOC_250001 基本信息 58 HYPERLINK l _TOC_250000 人工智能課程1 58圖目錄圖 1. 按整合類型劃分的人工智能課程數(shù)量(n = 27，可能有多個回答) 25圖

8、2. 人工智能課程每年的課時分配情況，n = 22 26圖 3. 各學段的人工智能課程占比(n = 27) 27圖 4. 為課程實施提供的支持 28圖 5. 人工智能課程跨學科整合的專題方法 29圖 6. 人工智能課程實施的參與者和過程 29圖 7. 主要課程領域課時占比箱線圖 21 (n=21) 31圖 8. 課時分配-按專題領域劃分 (n = 23) 32圖 9. 人工智能基礎課程領域的課時分配 (n = 21) 33圖 10. 倫理和社交影響課程領域的課時分配 (n = 21) 34圖 11. 理解、應用和開發(fā)人工智能課程領域的課時分配 (n = 21) 35圖 12. 按專題領域劃分的

9、課時分配 37圖 13. 韓國人工智能課程標準 45圖 14. 教學法的平均使用情況 (n = 27) 49表目錄表 1. 人工智能素養(yǎng)能力框架 13表 2. “基本概念 1：知覺”的學習概念、概念構成要素和學習結果 15表 3. 機器學習教育框架-學習結果和定義 17表 4. 政府認可并實施的中小學階段人工智能課程 19表 5. 政府組織開發(fā)中的中小學階段人工智能課程 20表 6. 本研究中作為基準的非政府人工智能課程 20表 7. 支持人工智能課程的必要條件 27表 8. 人工智能課程領域 30表 9. 課程參與度-按專題領域劃分 31表 10. 人工智能基礎課程領域的參與度-按專題領域劃

10、分 33表 11. 倫理和社交影響課程領域的參與度-按專題領域劃分 34表 12. 理解、應用和開發(fā)人工智能課程領域的參與度-按專題領域劃分 36表 13. 對知識結果的調研 39表 14. 對技能結果的調研 42表 15. 對價值觀和態(tài)度結果的調研 44表 16. 教學法建議及說明 48 調研的目的和范圍人工智能技術已經(jīng)成為了全球中小學的新學 科領域，然而政府、學校和教師在定義人工智能 能力和設計人工智能課程時依舊缺乏背景知識。 本調研工作對現(xiàn)有的人工智能課程進行了分析， 重點考察了人工智能課程的內容和學習結果，并 探討了其開發(fā)和驗證機制、課程銜接，學習工具 及所需環(huán)境的準備，教學法建議和教

11、師培訓。該 研究分析得出了人工智能課程的重點考慮因素， 以期能指導未來人工智能課程扶持性政策的規(guī)劃、國家課程或機構研究項目的設計以及人工智能能 力發(fā)展的實施戰(zhàn)略。調研的范圍教科文組織從全球視角出發(fā)，調查當前中小學教育中開發(fā)和實施人工智能課程的實踐。本研究中的“人工智能課程”指的是人工智能相關主題的結構化學習項目：1)由國家或地區(qū)政府批準； 2)對象為接受常規(guī)學校教育的幼兒園至 12 年級的學生。本研究不涵蓋為職業(yè)技術教育與培訓(TVET)機構、高等教育機構或非正式學習機會而設計的人工智能課程。引言目前，多種多樣的人工智能技術正在全球范圍內使用，人們愈發(fā)認識到人工智能在勞動市場中的重要性及其對日

12、常生活的影響。人工智能將“影響各個收入水平和教育水平的職業(yè)” (Royal Society UK, 2018, cited in the Microsoft Comp uter Science Framework, 2021)。麥肯錫公司2018年的一項分析指出，到2030年，預計70%的全球企業(yè)將至少使用一種人工智能技術。然而，人工智能的使用會導致各國之間的現(xiàn)有差距逐步拉大 (Bughin et al. ， 2018a)。目前在美國，機器承擔了多達30%的勞動力任務 (Kelly, 2020)。此外，不斷發(fā)展的自動化水平和人工智能集成水平也會導致學校、職業(yè)技術教育與培訓機構中所教授的技能與就

13、業(yè)市場所需技能愈發(fā)不匹配 (Bughin et al.，2018b)。新冠疫情加快了自動化的步伐，預計到2020年，會有多達1 / 16的工人需要接受再培訓1，中、低技能工作所需的勞動力數(shù)量會進一步下降 (Lund et al., 2021)。人工智能技術帶來的影響并不局限于勞動力。它對文化、多樣性、教育、科學知識、交流和信息都具有深遠意義，特別是在涉及和平、可持續(xù)性、性別平等和非洲的具體挑戰(zhàn)方面也影響頗深 (COMEST, 2019)。這些都是注重發(fā)展和政策的全球以及國家機構非常關注的領域。無論是有意為之還是潛移默化，人們與人工智能的互動在不斷增加。人工智能目前已被應用于汽車駕駛、自動化客戶

14、服務、軍事炸彈目標識別、國家入境口岸申請人員篩查、警務工作指導、分數(shù)評定、大學入學和獎學金選拔，以及個人財務決策 (Engler, 2021; Frantzman and Atherton, 2019;Shiohira, 2021)。國際政策指南建議，應通過不同的情景化方法來尋求共同領域的發(fā)展，例如促進教育中人工智能的開放和公平使用；利用人工智能加強教育和學習；采用人工智能促進就業(yè)和生活技能開發(fā)；保護教育數(shù)據(jù)，使其運用合乎倫理、透明且可審計 (UNESCO， 2019a)。然而，目前關注中小學人工智能課程的項目相對較少，這也促使政策制定者最近頒發(fā)了一項建議，即應該“為探索人工智能提供有利的政策

15、環(huán)境和課程空間”(Miao et al. , 2021, p.34)。教科文組織作為國際社會和教育信息化對話的主導力量，在教育領域的人工智能應用取得了一系列重要進展。2015 年，青島宣言(UNESCO, 2015) 提出 了要探索大數(shù)據(jù)的潛力，提高網(wǎng)上學習效果，增強對 學生行為和學習的理解，完善網(wǎng)絡課程的設計和組織。該宣言敦促“各國政府必須制定政策并建立體系，確 保包括學生個人身份信息等隱私和秘密的數(shù)據(jù)的使用 安全、恰當、符合道德規(guī)范?！北本┕沧R人工智能與教育(UNESCO, 2019b)提出了一系列關于在教育領域應用人工智能的建議和考量。共識高度關注教育領域人工智能應用的公平和包容問題，提

16、到要確保人工智能促進全民優(yōu)質教育和學習機會，無論性別、殘疾狀況、社會和經(jīng)濟條件、民族或文化背景以及地理位置如何。作為教科文組織教育領域技術創(chuàng)新戰(zhàn)略 (2022- 2025)的一部分，除了觀察站和能力建設外，該組織還致力于制定準則性文書和開發(fā)規(guī)范性工具，包括制定框架和指導方針，以加強教師和學習者的數(shù)字化能力（認識、技能和價值觀），并確保從終身學習的角度出發(fā)，以基于人權、安全、合乎倫理和1 分析包含八個國家，即中國、法國、德國、印度、日本、西班牙、英國和美國，幾乎占據(jù)全球一半的人口以及 62%的 GDP。有意義的方式使用技術。”(UNESCO, 2021a)。橫向行動領域的職能在于擴大受教育機會，

17、尤其是針對邊緣群體和個體提高教學和學習的質量。教科文組織于2021年4月發(fā)布了人工智能與教育:政策制定者指南，旨在培養(yǎng)對人工智能做好準備的政策制定者 (Miao et al., 2021)。指南為目標讀者闡釋了人工智能的方向，包括機遇、風險、關鍵定義、人工智能的趨勢、對教學的意義，以及教育如何使得學生做好準備迎接智能時代。指南在最后對地方的政策規(guī)劃提出了建議。2021年10月，教科文組織啟動了人工智能與未來 學習項目2，該項目包含三個各自獨立但互為補充 的部分：(1) 人工智能驅動的學習的未來相關建議 報告；(2) 教育領域人工智能應用的倫理原則指南；(3) 在校學生人工智能能力指導框架。當前

18、人工智能的普遍應用及其對職場的影響激發(fā) 了一種緊迫感，促使人們就人工智能應用的多方面達 成了國際共識，包括：人工智能在社會中的可接受程 度、人工智能在開發(fā)和部署中預期的人文因素考量， 以及如何培養(yǎng)孩子們具備所需的能力，以使他們成功 地駕馭現(xiàn)有的而非未來的世界。北京共識人 工智能與教育(UNESCO, 2019b) 呼吁所有會員國都 要“認識到進行有效的人機協(xié)作需要具備一系列人工 智能素養(yǎng)，同時不能忽視對識字和算術等基本技能的需求”。該共識支持以一種“人文主義的方法”， “確保所有人具備在生活、學習和工作中進行有效人 機合作以及可持續(xù)發(fā)展所需的相應價值觀和技能?！?。為支持北京共識的落實，教科文組

19、織于 2020 年12 月 7 日和 8 日舉辦了”國際人工智能與教育會議：培養(yǎng)新能力，迎接智能時代”。與會者認為：世界公民需了解人工智能可能產(chǎn)生的影響， 人工智能的功能和局限，人工智能何時有用，何時應該質疑其應用，以及如何引導人工智 能為公眾利益服務 (Miao and Holmes, 2021,“p. 6)。會議強調了以人為本能力的中心地位，如，對人工智能倫理及其社會影響的理解，以及技術導向的能力，（比如使用、解釋和開發(fā)人工智能的技能和知識）。會議建議采用特定主題和跨學科的方法將人工智能應用于教育，包括在現(xiàn)有信息通信技術課程的基礎上，將人工智能所帶來的機遇和影響納入人文、科學和藝術課程 (

20、Miao and Holmes, 2021)。本報告通過對政府認可的中小學人工智能課程及其設計、內容和實施的全球情況進行分析，進一步加深人們對人工智能在中小學教育領域應用的理解，幫助學生為在智能時代生活和工作做好準備。本報告旨在為支持性工具和框架的創(chuàng)建提供信息，以期能夠制定人工智能能力的指導框架。本報告也是教科文組織教育領域技術創(chuàng)新戰(zhàn)略 (2022-2025)(UNESCO, 2021a) 中所列工作的一部分。人工智能技術術語和技術簡介本報告涉及來自人工智能專家和教育專業(yè)領域的一 系列概念和術語。盡管人工智能在市場營銷、金融乃至 教育等領域無處不在，但部分決策者和從業(yè)者可能不熟 悉本分析報告中

21、使用的一些術語，也無法保證所有的人 工智能從業(yè)者和決策者都了解人工智能課程教學法的應 用趨勢。因此，本節(jié)將簡要介紹報告中討論的一些技術、術語和教學方法，從而幫助讀者建立對主要概念的總體 理解。首先，本節(jié)將依次解釋人工智能領域的五個術語，而后將在“教學法的概念和術語”章節(jié)介紹“基于能力 的評價”、“建構主義（constructivism）”、“建構 主義（constructionism）”和“設計思維”等幾個概念。詳見 HYPERLINK /event?id=2883602288 /event?id=2883602288幾乎所有的概念和術語都引發(fā)了一定程度的學術辯論，辯論雙方既有支持者也有反對者

22、。但本報告的目的并非深入探討這些沖突的觀點，也不應將本報告視為對這些觀點的詳盡探索。人工智能“ 人工智能” 一詞始創(chuàng)于1956 年， Marvin Minsky和 John McCarthy共同主持了當年的達特茅斯人工智能夏季研究項目(COMEST, 2019 ； Haenlein and Kaplan, 2019)。此后，隨著大數(shù)據(jù)的興起和計算能力的指數(shù)級增長，人工智能開始逐步普及 (Haenlein and Kaplan, 2019)，其定義也隨著時間的推移不斷擴展和演變 (Miao et al., 2021)。目前，人工智能特指模仿人類智慧（如感知、學習、推理、問題解決、語言互動和創(chuàng)造性

23、工作）某些特征的機器 (COMEST, 2019)。本報告將人工智能分為兩類，即“人工智能底層技術”和“人工智能技術”。前者包括構建不同類型人工智能的方法，后者指的是研究領域和由這些技術創(chuàng)造出的產(chǎn)品。人工智能底層技術本報告分析的課程中所包含的人工智能底層技術可簡要描述為:3傳統(tǒng)人工智能是基于規(guī)則的，使用條件判斷命令若-則 (if-then) 生成輸出?；谝?guī)則的推理可以用于聊天機器人等技術(例如，“若輸入包含什么、 價格和？的關鍵詞，則能夠返回產(chǎn)品價格列表”)。機器學習(ML) 是指可以通過訪問和處理大量數(shù)據(jù)來 “學習”，而無需依賴具體編程的計算機程序。這里的“學習”是指，與傳統(tǒng)人工智能相比，

24、程序無需被明確“告知”應該輸出什么，即可生成新的輸出。接下來介紹的技術屬于機器學習的子類別。有監(jiān)督學習屬于機器學習的一種，它經(jīng)過已知、標記的數(shù)據(jù)訓練而生成輸出。例如，分類器是一種算法，它使用已標記的數(shù)據(jù)將事物分類(例如“垃圾郵件”或“非垃圾郵件”)。決策樹是一種分類算法，其中一系列的“節(jié)點”(決策點，即問題)指向“分支”，不同的回答選項會導向不同的分支。例如，在麻省理工學院的 DAILy 課程中，學生們通過創(chuàng)建決策樹來對不同類型的意大利面進行分類。其中一個節(jié)點可能會問，是否超過 4 英寸?，在此節(jié)點中，意大利面、意大利扁面條和其他長意大利面會被分配到同一分支上，從而指向下一節(jié)點，而通心粉、蝴蝶

25、結面和其他短意大利面則會被分配到另一分支上。在無監(jiān)督學習中，機器學習是基于未知和未標記數(shù)據(jù)組中的相似度進行聚類而生成輸出。強化學習是一種持續(xù)的機器學習，訓練強化學習的目的是實現(xiàn)獎勵最大化（例如，在投資上獲得最大的貨幣回報）。神經(jīng)網(wǎng)絡是以動物大腦為模型的機器學習算法。它們由輸入層、隱藏層和輸出層組成。在隱藏層中，數(shù)據(jù)根據(jù)其值和分配的權重在節(jié)點中被處理，只有超過既定閾值的數(shù)據(jù)才得以通過。經(jīng)過過濾的數(shù)據(jù)通過一個或多個隱藏層到達輸出層。神經(jīng)網(wǎng)絡中的 “學習”通過“反向傳播”而實現(xiàn)，反向傳播算法基于每個節(jié)點輸入的正確性和影響，通過調整不同節(jié)點隱藏層中的權重來最小化誤差。深度學習(DL) 是指具有多個隱藏

26、層的神經(jīng)網(wǎng)絡。機器學習通常依賴于結構化的數(shù)據(jù)（例如選擇、標記和表格化數(shù)據(jù)），而深度學習可以處理非結構化的數(shù)據(jù)，例如文本和圖像。神經(jīng)網(wǎng)絡和/或深度學習常被應用于圖像識別和語音識別。生成式對抗網(wǎng)絡(GANs) 屬于機器學習的一種，旨在生成新的內容，例如圖像 4。一個生成式對抗網(wǎng)絡包含兩個深度神經(jīng)網(wǎng)絡。其中一個生成內容，另一個評估內容。生成式對抗網(wǎng)絡目前還無法很好地處理文本。此處的解釋來自于 Miao et al. (2021)，且有本報告中包含的課程范例和定義做補充，尤其是麻省理工學院的 DAILy 課程、AI4K12 課程框架和 IBM 的青年挑戰(zhàn)課程。 4 例如，生成式對抗網(wǎng)絡技術可以用來生成

27、虛擬人物圖像 (詳見 HYPERLINK / )。人工智能技術本調研分析的課程中所包含的人工智能技術可概述為：聊天機器人指的是用來模擬口頭和/或書面對話的計算機程序。5計算機視覺屬于人工智能領域，涉及從圖像和視覺輸入中獲取和使用信息。計算機視覺驅動某些產(chǎn)品的制造，如自動化高光卷軸、自動駕駛汽車和質量控制工具（用于識別缺陷）。6自然語言處理(NLP) 基于計算機科學與計算語言學（研究人類語言的一個跨學科領域）的結合，旨在創(chuàng)建可被計算機使用，且基于規(guī)則的人類語音或文本模型，從而使計算機能夠對人類語言加以處理并作出適當?shù)姆磻?。該技術驅動計算機完成不同語言間的翻譯，以及衛(wèi)星導航或數(shù)字助理等技術對口頭命

28、令的反應能力。傳感器是用于測量某些物理特性（如溫度或壓 力），并將數(shù)據(jù)傳輸?shù)狡渌娮釉O備(如計算機處 理器)的設施或系統(tǒng)。傳感器是人工智能中收集數(shù) 據(jù)的一種方法，是物聯(lián)網(wǎng) (IoT) 的基本組成部分。在物聯(lián)網(wǎng)系統(tǒng)中，根據(jù)不同傳感器的輸入，無需 人工干預即可采取行動 (Mahdavinejad et al.， 2018)。比如物聯(lián)網(wǎng)灌溉系統(tǒng)，該系統(tǒng)從嵌入在 土壤中的傳感器中收集信息，并以此來激活澆水 設備。7合乎倫理的人工智能如前所述，人工智能應用廣泛，好處良多。例如，人工智能在新冠疫情早期為人們提供了重要見解并發(fā)布預警。然而，人工智能的使用也引發(fā)了一系列倫理方面的考慮。使用的數(shù)據(jù)集和開發(fā)者的選

29、擇都可能導致人工智能引發(fā)偏見，引起歧視。由于某些類型的人工智能存在隱藏層等元素，人類無法直接看到、檢查或糾正人工智能決策的過程以及其中的各類因素，因而會引發(fā)可解釋性和透明度方面的 問題。人工智能帶來的其他挑戰(zhàn)還包括在個人數(shù)據(jù)使 用與個人隱私權之間的平衡；數(shù)據(jù)安全和潛在的網(wǎng)絡 犯罪風險；以及基于用戶興趣的人工智能算法對先入 觀念的強化可能會限制人們對某些觀點和信息的接收，一些人認為，這會侵犯個體的言論自由權 (UNDESA et al., 2021)。人工智能倫理問題建議書(UNESCO, 2020) 初稿強調了人工智能面臨的一些關鍵倫理挑戰(zhàn)，指出 了人工智能對決策、就業(yè)和勞動、社會互動、醫(yī)療保

30、 健、教育、媒體、言論自由、信息獲取、隱私、民主、歧視、武器開發(fā)等方面的影響。該建議書還提出，人 工智能應由第三方監(jiān)測，以確保其可信任性，使其能 夠服務于人類、個體、社會、自然環(huán)境及其生態(tài)系統(tǒng)。該建議書為人工智能倫理制定了 10 條原則:相稱性和不損害建議人工智能應該有合理的目標和目的，這些目標和目的應切合具體情況，并應建立在嚴格的科學基礎之上。安全和安保建議人工智能不應造成任何損害，且必須在其整個生命周期內防范人工智能的安全風險。公平和非歧視建議人工智能系統(tǒng)應摒除偏見，并應在國家、地方和國際層面共享人工智能及其惠益，平等分配，不論“生理性別、社會性別、語言、宗教、政治或其他見解、 國家、民族

31、、土著或社會出身、性取向、性別認同、財產(chǎn)、出生、殘障情況、年齡或其他狀況”如何?？沙掷m(xù)性建議在目標不斷變化的背景下，應持續(xù)評估人工智能技術的社會、文化、經(jīng)濟和環(huán)境影響。隱私建議以保護數(shù)據(jù)主體個人能動性的方式，進行人工智能的數(shù)據(jù)收集、使用、共享、存檔和刪除，并落實處理個人數(shù)據(jù)的“合法的目的”和“有效的法律基礎”。請見范例 HYPERLINK /building-a-chatbot-with-rasa-3f03ecc5b324 /building-a-chatbot-with-rasa-3f03ecc5b324點擊 HYPERLINK /topics/computer-vision /topics

32、/computer-vision，了解更多信息請見范例 HYPERLINK /iot-solutions-agricultural-irrigation-system /iot-solutions-agricultural-irrigation-system人類的監(jiān)督和決定建議自然人或法人實體在倫理和法律上對人工智能負責。透明度和可解釋性建議，在根據(jù)人工智能算法作出決定時，人們有權知道。個人和社會實體可以要求獲得并收到有關這些決策的解釋，包括對細節(jié)因素和決策趨勢的洞察?？山忉屝赃M一步要求： “結果和導致結果的子過程應以可理解和可追溯為目標，并且應切合使用環(huán)境?！必熑魏蛦栘煆娀巳祟惐O(jiān)督與決策的

33、原則，并建議應建立影響評估、監(jiān)測和盡職調查機制，以確保對人工智能系統(tǒng)實施問責。同時必須保證人工智能的可審計性 8。認識和素養(yǎng)指的是政府、公共部門、學術界和民間社會有責任促進開放和可獲取的教育以及其他以人工智能與人權交點為重點的舉措，以確保“所有社會成員都能夠就使用人工智能系統(tǒng)作出知情決定，避免受到不當影響”。多利益攸關方以及適應性治理和協(xié)作建議各國應管 理在其境內生成或經(jīng)過其國境的數(shù)據(jù)；廣泛的民間 組織、公共和私營部門的利益攸關方應參與人工智 能的整個運作周期；應采取措施，便于邊緣化群體、社區(qū)和個人進行有效干預。人工智能素養(yǎng)在教科文組織人工智能與教育的未來國際論壇中發(fā) 表的人工智能時代的能力培

34、養(yǎng)綜合報告(Miao and Holmes, 2020) 指出，世界公民需了解人工智能的潛在 影響，人工智能的功能和局限，人工智能何時有用， 何時應該質疑其應用，以及如何引導人工智能為公眾 利益服務。這需要每個人都具備一定程度的人工智能 能力，包括知識、理解、技能和價值取向。綜合而言，這些都可被統(tǒng)稱為“人工智能素養(yǎng)”。人工智能素養(yǎng) 包括數(shù)據(jù)素養(yǎng)，即了解人工智能如何對數(shù)據(jù)進行收集、清理、操作和分析的能力；以及算法素養(yǎng)，即理解人 工智能算法如何在數(shù)據(jù)中找到可應用于人機交互的模 式和聯(lián)系的能力。針對該術語的解釋是建構人工智能 素養(yǎng)這一新興領域范圍、結構和主要類別的一次嘗試，其使用已貫穿本報告中的研究

35、。教學法的概念和術語“能力本位教育” (CBE) 是高等教育和職業(yè)技術教育與培訓 (TVET) 經(jīng)常追求的一種模式，但該模式正被越來越多地以各種形式應用于中小學教育。能力本位教育旨在將教育從原本的固定時間和靈活學習的模式轉變?yōu)殪`活時間和固定學習的模式。能力本位教育模式會通過評價來展現(xiàn)學生的應用知識、技能和價值觀，并根據(jù)需求為學生提供盡可能多的額外支持，直到他們達到要求的基準 (NCLSorg, 2017)。能力本位教育的核心概念是“能力”，該術語經(jīng) 過不斷演變，現(xiàn)在主要用以描述對知識、技能、態(tài)度和價值觀的動員，以滿足日趨復雜的需求(OECD, 2019, p. 5)。課程的預期能力通常通過學生

36、的學習結果 或學生被期望在課程后了解、掌握的知識以及能夠做 到的事情來表現(xiàn) (Biggs and Collis, 1982； Cedefop, 2017； Kinta, 2013)。“學習結果”是針對早期術語 “學習目標”的修正，以確保強調的重點是學生 而非教師的行為或成就，并使用可測量的應用進行進 一步定義 (Lopez et al., 2015； Sinha, 2020)。課程、 學習結果和能力之間的關系在實踐中比較復雜，但在 理論上相當直接：課程描述了一系列預期的學習結果，評價則通過評估學生在特定研究領域或學科（最好是 在新的領域）運用所學的知識、技能和態(tài)度/價值觀來 證明學生實現(xiàn)了這些

37、結果Biggs和Collis (1982) 的 SOLO9 分類法將其稱之為“拓展抽象 ”的能力。雖然建議中沒有明確定義可審核性，但該術語指的是第三方訪問、審查、監(jiān)控和批評算法的能力 (Jobin et al., 2019)。SOLO 代表“可觀察的學習結果的結構（structure of observed learning outcome）”。本報告的框架和審查的課程也參考了建構主義（constructivism）、建構主義（constructionism）、計算思維和設計思維?！敖嬛髁x（constructivism）”是學術界的系列廣泛概念，它適用于描述個體通過與他人，以及與自己的生理、

38、文化和制度或系統(tǒng)環(huán)境的互動來創(chuàng)造或構建 (有時是共同構建) 知識的方式 (Taber, 2016)。教育中應用的建構主義類別在很大程度上建立在 Piaget (1972) 的成果之上，他提出的理論概述了不同發(fā)展階段的兒童能夠獲得和不能獲得的學習類型及形式；例如，具體的應用會先于抽象。與 之 相 關 的 概 念 是 “ 建 構 主 義（constructionism）”，該理論認為，學生在將知識應 用于個人感興趣的項目中時獲得的學習效果最好 (Papert and Harel, 1991)。建構主義尤其適用于數(shù)字 課程，原因在于，它一方面起源于信息通信技術和數(shù) 學領域，另一方面，它專注于意義產(chǎn)生

39、的方式，即， 意義通過參與、操縱和改變數(shù)字人工產(chǎn)品的過程產(chǎn)生 (Kynigos, 2015)。盡管建構主義（constructivism）者 和建構主義（constructionism）者的基礎相同，但是后 者挑戰(zhàn)的是 Piaget（1972）列出的知識層次結構，認 為學生可以通過使用數(shù)字媒體和基于塊的編程等方法，在早年有效地處理更為復雜的概念 (Papert, 1996)。計算思維，即為一個問題構建數(shù)字解決方案而引 發(fā)的一系列心理和生理過程(確定一個問題，將其分解 為多個部分，構建和吸收解決方案，而后測試并提煉 它們)。計算思維在理論上適用于計算機科學之外的系 列領域(Lodi and Ma

40、rtini, 2021)。計算思維的四個“部 分”可被稱為分解、抽象、分析和算法 (Kush，2019)。 Lee et al. (2011) 研究了中小學階段學生的一系列計算 思維活動，并確定其過程確實可以被不同人口統(tǒng)計學 背景的學生所運用。他們進一步提出了一種“使用-修 改-創(chuàng)造”的學習進程模型用于參與計算思維，并指出 熟練的教師、發(fā)展考慮和適當?shù)募夹g是計算思維的關 鍵支持機制。在本報告中包含的部分課程背景介紹中，最后一 個要提的工具是“設計思維”。它被定義為“一個使 個體有機會進行實驗、創(chuàng)建和制作原型模型，收集反 饋，并進行再設計的分析和創(chuàng)造過程”(Razzouk and Shute,

41、2012)。設計思維最初出現(xiàn)于考古學、市場營銷 和經(jīng)濟學等領域 (Buchanan, 1992)，20世紀90年代初 開始在工業(yè)中應用，并發(fā)展為一種以消費者為導向來 設計創(chuàng)新產(chǎn)品或商業(yè)模式的方法，特別是與技術相關 的產(chǎn)品或模式 (Hobcraft, 2017)。設計思維的過程包括 共情（如與消費者共情），定義問題，產(chǎn)生解決方案，然后在迭代設計循環(huán)中進行原型化和測試，直至實現(xiàn)理想化的創(chuàng)新 (Hasso Plattner Institute of design, 2010)。在學校，設計思維可以為學生提供一個清晰的 程序，以應對數(shù)字化以及跨學科活動和相關能力對他 們提出的要求。現(xiàn)有人工智能課程參考

42、框架最近出現(xiàn)了幾項旨在規(guī)劃或建立中小學階段人工 智能課程框架的舉措。本節(jié)將詳細介紹其中的三個框 架：“人工智能素養(yǎng)：能力和設計的主要考慮因素”， “AI4K12: 中小學階段人工智能指南”10 和“機器學習 教育框架”。這并非一份詳盡的清單，因為許多非政 府組織、行業(yè)、學術組織和/或個人已經(jīng)開發(fā)了用以支 持自身項目和事業(yè)的人工智能課程框架。政府也在使 用其中的一些框架，如微軟的計算機科學框架，這些 都將在稍后的學習結果調研情況中呈現(xiàn)。本節(jié)講述的 三個框架是為系列合作伙伴的人工智能課程開發(fā)提供 信息，與特定的產(chǎn)品或課程無關。詳見 HYPERLINK / 人工智能

43、素養(yǎng)：能力和設計的主要考慮因素Long and Magerko (2020) 基于對現(xiàn)有研究進行的范圍研究 (Scoping Study) 提出了一系列有關人工智能素養(yǎng)的能力和設計考慮因素，旨在確定以下新興主題：1)人工智能專家認為非技術受眾應當了解的知識，2)學習者的普遍認知和誤解。他們的范圍研究提出了17項能力和13項設計考慮因素。描述顯示，“能力”普遍處于知識分類的較低層次， 主要局限在理解、描述和識別。由Long和 Magerko 提 出的“能力”相關描述見表1。表 1. 人工智能素養(yǎng)能力框架能力描述/ 學習結果1. 人工智能識別區(qū)分使用和未使用人工智能的技術產(chǎn)品。2. 對智能的理解對

44、一個實體“人工智能”的特征進行批判性地分析和討論。探討人類智慧、動物智慧與機器智能之間的區(qū)別。3. 跨學科性認識到思考和開發(fā)“智能”機器的方式有很多。認識應用人工智能的各種技術，包括跨認知系統(tǒng)、機器人和機器學習技術。4. 廣義人工智能vs狹義人工智能區(qū)分廣義的人工智能和狹義的人工智能。5.人工智能的優(yōu)缺點確定人工智能擅長/不擅長的問題類型。明確何時適合使用人工智能，何時適合利用人類技能。6.未來人工智能暢想暢想人工智能未來的潛在應用方式，并考慮這些應用方式對世界的影響。7. 表征理解什么是知識表征，并能描述一些知識表征的例子。8. 決策識別并舉例描述計算機是如何進行推理和決策的。9. 機器學習

45、步驟理解機器學習所涉及的步驟，以及每一步所需的實踐和遇到的挑戰(zhàn)。10. 人類在人工智能中扮演的角色認識到人類在編程、選擇模型和調試人工智能系統(tǒng)中發(fā)揮的重要作用。11. 數(shù)據(jù)素養(yǎng)理解基本的數(shù)據(jù)素養(yǎng)概念。12. 數(shù)據(jù)學習認識到計算機經(jīng)常從數(shù)據(jù)（包括自身的數(shù)據(jù)）中學習。13. 批判性數(shù)據(jù)解讀理解數(shù)據(jù)需要被解讀。描述在初始數(shù)據(jù)集中提供的訓練示例是如何影響算法結果的。14. 行動與反應理解有些人工智能系統(tǒng)能夠在現(xiàn)實世界中做出行動。這種行動可能會由更高層次的推理（如沿著計劃好的路徑行走）或反應性沖動（如向后跳以避開感覺到的障礙物）指導。15. 傳感器理解什么是傳感器，以及計算機通過使用傳感器感知世界。識別

46、各類設備上的傳感器。理解有關世界不同類別的表征和推理由不同的傳感器支持。16. 倫理識別并描述圍繞人工智能關鍵倫理問題的不同視角：隱私、就業(yè)、錯誤信息、“奇點”、11決策、多樣性、偏見、透明度和問責制。17. 可編程性了解代理是可編程的。來源: Long and Magerko, 2020Long and Magerko (2020) 提出的設計考慮因素重點關注教學法和學習方法，同時也考慮了社會和人際關系因素?？傮w而言，他們強調體驗式學習和材料的相關性，贊成認知需求和兒童發(fā)展理論，以及人工智能在學習者學習環(huán)境中的定位。兩位研究者提出了 15 項具體的主要考慮因素:可解釋性：包括圖形可視化、模擬

47、、對代理決策過程的解釋，或交互式演示，以幫助學習者理解人工智能。描述了人工智能變得比人類更聰明時的情景，與此同時也引發(fā)了人工智能可能會有意傷害人類的擔憂。具身交互：設計個體可以充當或跟隨代理的干預措施，從而理解代理的推理過程。這可能涉及算法的具體模擬和/或使用人工智能技術進行實際實驗。情景化數(shù)據(jù)：鼓勵學習者調查誰創(chuàng)建了數(shù)據(jù)集，如何收集數(shù)據(jù)，以及數(shù)據(jù)集的局限性。這可能涉及到選擇與學習者生活相關、低維且“混亂”的數(shù)據(jù)集（如未清洗或分類不整齊的數(shù)據(jù)集）。提高透明度：提高人工智能設計各方面的透明度（例如，消除黑箱功能，共享創(chuàng)建者意圖、資金/數(shù)據(jù)來源等）。分層教學：為防止認知超負荷，用戶可選擇查看和了解

48、不同的系統(tǒng)組件；一次只針對幾個部分進行解釋；或者進行支架式教學，隨著用戶對系統(tǒng)操作的了解增加，再逐漸移除支架。提供編程機會：為個人提供編程和/或教授人工智能代理的方法。通過專注于視覺/聽覺元素與/或結合類似于 Parsons problems 編程工具和代碼填空等策略，將編碼先決條件降至最低?？紤]發(fā)展關鍵期：考慮發(fā)展的關鍵期（如心理發(fā)展理論）、年齡和先前技術經(jīng)驗對人工智能認知的影響。批判性思維：通過質疑人工智能應用的智能性和可信度，鼓勵學習者做人工智能技術的批判性消費者?？紤]身份、價值觀和背景的影響：考慮學習者的 身份、價值觀和背景如何影響他們對人工智能的 興趣和先入之見。結合個人身份或文化價

49、值觀的 學習干預可以對他們的興趣和動機起到激勵作用。為家長提供支持：當面向家庭進行設計人工智能 時，考慮幫助家長構建孩子的人工智能學習體驗。社會交互：設計有助于社會交互和協(xié)作的人工智能學習體驗。激發(fā)學習者的興趣：在設計人工智能素養(yǎng)的干預措施時，可利用當前的問題、日常體驗或游戲、音樂等常見的消遣方式。確認先入觀念：承認學習者可能會從流行媒體中建立對人工智能的政治化或情緒化的先入觀念，并考慮如何在學習干預中尊重、處理和引申這些觀念。新視角：引入在流行媒體中被忽略的視角（如宣傳較少的人工智能子領域，針對人工智能產(chǎn)生的危險和益處展開的公平討論）。低入門門檻：考慮如何向缺乏數(shù)學或計算機科學 背景的學習者

50、傳達人工智能概念（例如，減少先 決知識/技能的傳授，將人工智能與先驗知識聯(lián)系 起來，并解決學習者對自身能力不自信的問題）。AI4K12：五個基本概念與中小學階段人工智能課程指南AI4K12 計劃由美國人工智能協(xié)會 (AAAI)、計算機科學教師協(xié)會 (CSTA) 和 AI4Al l于2018年聯(lián)合發(fā)起，旨在為中小學階段的學生教授人工智能課程制定國家級指導方針 (AAAI, 2018)。該團隊匯集學者、研究人員和教師，致力于開發(fā)以五個基本概念為基礎的綜合人工智能框架，五個基本概念為：1)計算機通過傳感器感知世界；2)代理維護世界表征，并利用它們進行推理；3)計算機可以從數(shù)據(jù)中學習；4)智能代理需要

51、多種知識才能與人類自然地互動； 5）最核心的是，人工智能既可以以積極的方式作用于社會，也可以對社會產(chǎn)生消極影響。如今，“人工智能的五個基本概念”的相關海報已被譯作15種語言12，并在一定程度上為人工智能課程在多元環(huán)境下的開發(fā)奠定了基礎，包括本研究涵蓋的多門課程。工作組召開會議將這些概念逐個分解，最終形成一個課程框架，該框架面向 2 年級、3 到 5 年級、6 到 8 年級以及 9 年級到高中 3 年級劃分為四個部分。到目前為止，前三個概念的課程綱要已經(jīng)起草完成，正在面向公眾征詢意見。13詳見 HYPERLINK /resources/big-ideas-poster /resources/bi

52、g-ideas-poster詳見 HYPERLINK /gradeband-progression-charts /gradeband-progression-charts在課程綱要中，每個“基本概念”被劃分為不同的學習概念，這些學習概念又被進一步細分為不同的概念構成要素。例如，表2總結了“基本概念1:知覺”的學習概念、概念構成要素和相關學習結果。表 2. “基本概念 1：知覺”的學習概念、概念構成要素和學習結果學習概念概念構成要素學習結果進程感覺生物2年級：識別人的感覺和感覺器官。3-5年級：比較人類和動物的感知能力。6-8年級：舉例說明人類如何組合多形式來源的信息。9年級-高中3年級：N/

53、A計算機傳感器2年級：找到并識別計算機（攝像頭、麥克風）、手機、機器人和其他設備上的傳感器。3-5年級：說明計算機傳感與人類傳感的區(qū)別。6-8年級：舉例說明智能代理如何組合來自多個傳感器的信息。9年級-高中3年級：描述各類計算機傳感器的局限和優(yōu)點。數(shù)字編碼2年級：N/A3-5年級：解釋圖像是如何在計算機中以數(shù)字形式呈現(xiàn)的。6-8年級：解釋聲音是如何在計算機中以數(shù)字形式呈現(xiàn)的。9年級-高中3年級：解釋雷達、激光雷達、GPS和加速計的數(shù)據(jù)是如何呈現(xiàn)的。處理感覺vs知覺2年級：舉出智能機器和非智能機器的例子，討論是什么讓機器變得智能。3-5年級：通過使用軟件工具，如語音轉錄或物體視覺識別的示例來展示

54、機器知覺，并解釋為什么這是知覺而不僅僅是感覺。6-8年級：舉例說明可以從傳感信號中提取意義的不同類型的計算機感知。9年級-高中3年級：解釋感知算法及其在現(xiàn)實世界中的應用。特征提取2年級：舉例說明，如果想在一幅圖像中識別某一類物體或實體(如貓)，應該尋找哪些特征。3-5年級：通過提取面部特征來演示人臉檢測的工作原理。6-8年級：通過模擬邊緣檢測器來闡述從圖像中進行特征提取的概念。9年級-高中3年級：解釋從波形和圖像中提取特征的工作原理。抽象管道：語言2年級：描述組成口語的不同聲音，針對每個元音，列舉出一個包含該音節(jié)的單詞。3-5年級：舉例說明在部分聲音并不清晰的情況下，是如何將一系列聲音識別為單

55、詞的。6-8年級：說明在部分單詞并不清楚的情況下，單詞序列是如何被識別為短語的。9年級-高中3年級：從波形到句子，說明語音理解的抽象層次。抽象管道：視覺2年級: 通過識別圖像中的前景和背景來演示前景/背景分割。3-5年級：說明圖像中部分被遮蔽（擋?。┪矬w的輪廓與其完整形狀的區(qū)別。6-8年級：描述如何將邊緣檢測器組合成更復雜的特征檢測器，例如字母或形狀。9年級-高中3年級：展示較高抽象層次的知覺推理是如何借鑒早期、更低抽象層次的推理的。領域知識領域知識種類2年級：描述智能代理必須“知道”才能理解某個問題的例子。3-5年級：展示文語轉換系統(tǒng)是如何利用上下文來解決歧義的，以及錯誤率是如何隨著不符合語

56、法的輸入而增加的。6-8年級：將給定的圖像分類，并描述計算機需要什么樣的知識才能理解該類型的場景。9年級-高中3年級：對一個或多個在線圖像數(shù)據(jù)集進行分析。描述數(shù)據(jù)集所提供的信息以及如何利用這些信息提取計算機視覺系統(tǒng)的領域知識。包容性2年級：探討為什么智能代理需要理解其他語言。3-5年級：探討如何確保領域知識的廣泛性以適用于應用服務的所有群體。6-8年級：描述當視覺系統(tǒng)對某些客體缺乏了解，而這些客體又不存在于已創(chuàng)建的文化當中，視覺系統(tǒng)會表現(xiàn)出怎樣的文化偏見。9年級-高中3年級：描述阻礙計算機感知系統(tǒng)針對不同群體正常運作的技術困難。來源: AI4K12 (2020)每個基本概念都被以類似的方式進行

57、分解，從小學早期到高中，都有一個具體的學習結果路徑。除了以上學習結果之外，課程綱要還列出了學生期望保留的“持久知識”的例子，例如:“聲音通過對離散點波形采樣（通常以每秒幾千個樣本的速度）的方式進行數(shù)字編碼，從而產(chǎn)生一系列的數(shù)字”，或“口語的層次結構為：波形 發(fā)音姿勢 聲音 語素 單詞 短語 句子”。有時，學習結果和持久知識會被進一步分解，正如第二個例子所示:“從嘈雜、模糊的信號到有意義的信號，需要在多個抽象層次上識別結構并應用領域知識?！迸e一個經(jīng)典的例子:“如何識別語音”和“如何破壞一個美麗的海灘”兩句話在波形水平上幾乎完全相同。在學習中，建議可偶爾進行一些活動。例如，若要為3-5 年級的學生

58、解釋決策樹，“ 猜動物” 游戲 (”guess the animal” game) ， 故 障 解 決 (troubleshooting problems)和Pasta Land活動值得推薦。幾大基本概念之間是相輔相成的。例如，“基本 概念3”利用傳感部件的知識，深化了針對人與計算機 學習方式差異的討論。同樣，它以部件處理的知識為 基礎，使得學習者具備標記機器學習數(shù)據(jù)集，訓練分 類器，以及使用包括決策樹、神經(jīng)網(wǎng)絡、有監(jiān)督學習、無監(jiān)督學習和強化學習等在內的人工智能概念的能力。機器學習教育框架盡管機器學習教育框架 (Lao, 2020) 從未提及能力 本位教育 (CBE)，但它遵循了著名的CBE知

59、識、技能 和態(tài)度框架（在其他背景中該框架還包含能力和/或價 值觀等要素)(Brewer and Comyn, 2015; CANTA, 2014; European Parliament and Council of the European Union, 2006)。由于缺乏對學生任務意義的關注以及對 能力持簡化主義觀點，能力本位教育在過去曾一度受 到批評。盡管這種觀點廣泛根植于績效的背景之下， 但其過于忽視個體因素，比如先前的經(jīng)驗和利用外部 資源的靈活性如團隊成員的知識 (Rutayuga, 2014)。然而，建構主義（constructivism）和經(jīng)驗學習等理論的逐漸整合 (Brunn

60、er, 1990; Kolb,2015; Piaget,1972;Williams, 2017) 促成了能力本位框架的形成，該框架注重“頭、心和手”的融合發(fā)展，其中“頭” 代表認知領域（你所了解的有關它的知識），“心” 代表情感領域（它為什么重要）以及“手”代表精神 運動領域（ 你可以用它做什么）(Gazibara, 2013 ； Williams,2015；SiposWilliams，2008)。理論的 整合同時擴展了能力的概念，增加了社交和情感兩種 技能 (European Parliament and Council of theEuropean Union, 2006; Mulder,