农业图书情报学报 >

2024 , Vol. 36 >Issue 8: 20 - 33

DOI: https://doi.org/10.13998/j.cnki.issn1002-1248.24-0532

AI素养专题

知识工作者AI素养差距的AI技术弥补手段研究

  • 王树义 1 ,
  • 曾雯 1 ,
  • 张为师 2 ,
  • 李俊洁 1
展开
  • 1. 天津师范大学 管理学院，天津 300387
  • 2. 天津师范大学 地理学部，天津 300387

王树义（1982- ），男，博士，副教授，研究方向为人工智能应用、复杂知识网络管理

曾雯（2000- ），女，硕士研究生，研究方向为人工智能应用

张为师（1985- ），女，博士，副教授，研究方向为数据驱动的环境管理、地理资源管理

李俊洁（2002- ），女，硕士研究生，研究方向为人工智能应用

收稿日期: 2024-07-11

  网络出版日期: 2024-11-19

基金资助

国家自科基金“数据驱动的居民低碳行为形成机理、扩散机制与助推策略研究”(72471173)

收起

Addressing the Knowledge Worker AI Literacy Gap with AI Technology

  • Shuyi WANG 1 ,
  • Wen ZENG 1 ,
  • Weishi ZHANG 2 ,
  • Junjie LI 1
Expand
  • 1. School of Management, Tianjin Normal University, Tianjin 300387
  • 2. School of Geography, Tianjin Normal University, Tianjin 300387

Received date: 2024-07-11

  Online published: 2024-11-19

Fold

摘要

[目的/意义] 在人工智能技术日益普及的背景下，知识工作者对AI的基本理解和应用评估能力，即AI素养，显得尤为重要。针对知识工作者AI素养存在着差距的现状，探讨如何利用AI技术本身来弥补这一缺口，缩短AI素养差距。 [方法/过程] 从认知、实践和评估3个维度，探讨了AI技术如何辅助提升AI素养。认知层研究AI代理如何提供个性化知识服务；实践层分析AI工具如何简化数据分析等任务；评估层讨论AI工具在验证信息真伪和“人在环中”模式的重要性。 [结果/结论] AI技术在缩短AI素养差距方面具有明显优势，AI代理能够根据用户需求提供定制化的知识讲解，AI工具能够自动化执行专业任务，提供事实性依据。这些应用不仅弥补了传统教育手段的不足，还为教育领域的创新提供了新的方向。随着AI技术的不断发展，其在AI素养提升方面的作用将更加显著，有助于构建一个更加智能和高效的信息环境。

关键词： 知识工作者; 人工智能; AI素养

本文引用格式

王树义 , 曾雯 , 张为师 , 李俊洁 . 知识工作者AI素养差距的AI技术弥补手段研究[J]. 农业图书情报学报, 2024 , 36(8) : 20 -33 . DOI: 10.13998/j.cnki.issn1002-1248.24-0532

Abstract

[Purpose/Significance] With the proliferation of artificial intelligence (AI) technology, knowledge workers' basic understanding of AI and their ability to evaluate its application, known as AI literacy, is particularly important. This study addresses the current state of the AI literacy gap among knowledge workers and explores how AI technology itself can be used to bridge this gap, with the goal of shortening the AI literacy gap. The article analyzes the reasons for the existence of the AI gap in multiple dimensions and the need to bridge the AI gap. In today's era of proliferating AI tools, mastering the use of AI tools and improving AI literacy is the best assistant for knowledge workers. Learning to use AI tools can significantly improve the efficiency of information collection, processing, and storage, and greatly facilitate the building of information resources. [Method/Process] From the dimensions of cognition, practice, and assessment, the study explores how AI technology can assist in enhancing AI literacy. At the cognitive level, the research examines how AI agents can provide personalized knowledge services and help users build a systematic body of knowledge in a particular domain; at the practical level, it analyzes how AI tools can simplify professional tasks such as data analysis, and suggests how to improve knowledge workers' own ways and means of using AI tools through human-computer interaction and mastering effective AI problem-solving aids; at the assessment level, the application of AI tools in verifying the authenticity of information and the importance of the "human-in-the-loop" model in AI applications are discussed, emphasizing the need for human oversight. The article comprehensively draws on the excellent literature on AI, library intelligence, and learning literacy at home and abroad, and combines its own practical situation of using AI tools to achieve AI literacy, which helps knowledge workers establish basic cognition, practical operation ability, and evaluation of answer results. [Results/Conclusions] AI technology has significant advantages in closing the AI literacy gap. AI agents can provide customized knowledge explanation based on user needs, and AI tools can automate the execution of professional tasks and provide factual evidence. These applications not only compensate for the shortcomings of traditional educational methods but also offer new directions for innovation in the field of education. In presenting the arguments, the number of AI tools chosen is small, but fundamentally representative of the problem. Subsequent research will focus on improving AI literacy from other perspectives, and on ways and means to make knowledge workers more comfortable with AI tools. With the continuous development of AI technology, its role in enhancing AI literacy will become more pronounced, contributing to the construction of a more intelligent and efficient information environment.

Key words： knowledge workers; artificial intelligence; AI literacy

0 引言

近年来，全球范围内对AI素养的关注不断升温，据“中国知网”（CNKI）检索到，截至2024年2月，国内在AI素养相关领域的研究文献数量约为120篇。这些文献主要集中在教师的AI素养评价、学生的AI素养能力以及AI在教育中的应用等方面。国内研究的增长曲线表现为持续上升趋势，特别是在近年来，随着人工智能技术的快速发展，智能素养的研究热点和趋势得到了更多的关注和深入探讨[1]。据“Web of Science”检索到，国外关于AI素养的研究相对成熟，文献数量达到约160篇。这些研究涵盖了AI素养的多维度，包括学习方法、组成部分和效果等。国外学者普遍关注AI素养的定义、评估标准以及如何在教育体系中有效实施AI素养教育。国外研究的增长曲线同样表现为持续上升趋势，特别是在人工智能技术与教育结合的领域，研究者们正致力于探索如何利用人工智能技术促进教育的发展和创新[2,3]。
经过调查分析发现，现在的AI工具使用门槛正在降低，北京市在中小学开展AI教学课程，培养中小学使用AI工具的能力和基本AI素养[4]；北京某小学利用百度EasyDL平台开展AI课程教学，使学生能够体验和理解人工智能技术[5]；8岁小孩在没有任何编码经验的情况下，利用Claude AI工具，让Cursor完成所有代码工作，建立了一个网站[6]。以上示例说明，用户不需要掌握AI基础也可以使用低门槛好用的AI工具帮助提升AI素养。AI工具如火如荼地发展，变得唾手可得。但据新浪财经报道，某清华博士[7]通过销售AI课程，打着零基础入门的旗帜，一年销售额达到5 000万。课程十分火爆说明依然有很多人缺乏AI素养，在面对工作需求时，不知道如何利用好AI工具。一方面使用AI工具有低门槛性；另一方面人们缺乏AI素养，这两种现象同时存在是矛盾的。使用AI工具对AI素养要求不高，但是培养AI素养可以通过AI工具实现。
在快速发展的科技环境中，人工智能（AI）素养的提升显得尤为重要。中国人工智能素养教育框架正在不断改进完善，目的是构建更具普适性、新颖性的教育内容[8]。在这一过程中存在多种困难，可以归纳为3个类别，如表1所示。
表1 归纳现有研究中AI素养问题类型

Table 1 Summary of AI literacy issue types in existing research

归类 作者 提出的具体问题
认知类 SIREGAR K E（2024） 现有的教育课程往往未能有效整合AI相关内容，导致学生无法获得必要的知识和技能，许多教育体系的课程设计未能跟上技术发展的步伐，缺乏对AI的系统性教育[26]
认知类 SIAHAAN R（2023） 数字素养的差距，在提升AI素养的过程中，学生和教育工作者的数字素养水平参差不齐，这种差距直接影响了AI教育的效果。数字素养的提高是实现AI素养提升的前提，但当前的教育体系未能有效解决这一问题[27]
实践类 SAPUTRA I（2023） 教育机构在整合AI技术时面临的高成本是一个普遍问题，教师在AI相关领域的专业培训不足，导致他们无法有效教授AI相关的技术课程[28]
实践类 CASAL-OTERO L（2023） 许多教育体系的课程设计未能跟上技术发展的步伐，缺乏对AI的系统性教育[29]
评估类 PALADHI M M（2024） 目前尚未建立起统一的AI素养评估标准，不同机构和研究者使用的评估方法各不相同。这种缺乏标准化的情况使得评估结果难以比较和推广[30]
评估类 NG D T K（2021） 现有的评估方法往往只关注AI知识和技能的掌握情况，忽视了对AI的批判性思考和伦理意识的评估[31]
评估类 LINTNER T（2024） 评估工具的可靠性和信效度不足，目前用于评估AI素养的工具大多缺乏足够的信效度检验，无法确保评估结果的准确性和一致性[32]
针对不同层面的问题，本研究指出，原有的传统手段无法有效提升AI素养，在AI时代，AI素养的补足提升和恰恰需要知识工作者使用AI工具。人工智能（AI）的特性使其在解决AI素养的3个层次方面具有独特的优势。AI以其自主学习、自我优化、跨界融合等特性，为提升AI素养提供了有效途径。AI认知方面，AI技术可以帮助用户更直观地理解AI概念和原理；AI实践方面，通过智能教学系统和模拟实验，AI能够提供个性化的实践操作平台；而在AI评估方面，AI本身也在不断进化，以集成化和多平台的交叉检验来应对算法偏见、数据安全等问题，AI正在助力解决其自身带来的挑战，从而全面提高人们的AI素养水平。
随着人工智能技术的飞速发展，AI在教育领域的应用已经成为推动教育现代化、实现教育强国战略的关键举措[9]。启蒙小学生AI思维，初中利用AI赋能学习生活，高中强化AI应用能力，形成时代需要的AI素养，高等教育开发北京AI通识课程体系，一站式培养体系[10]。AI不仅能够提升教育质量，还能够促进教育公平，培养适应未来社会需求的创新人才[11]。在教育行业发展趋势中，AI与教育系统相互协同，通过智能化的学习管理系统，帮助教师跟踪学生的学习进度，识别学习难点，并提供针对性的教学资源和策略，实现真正的个性化教育[12]。教育部已经明确了人工智能赋能教育的行动计划，包括推出“AI学习”专栏、智能升级国家智慧教育公共服务平台、实施教育系统人工智能大模型应用示范行动，以及将人工智能融入数字教育对外开放等4项具体行动。这些行动旨在推动教与学的融合应用，提高全民数字教育素养与技能，开发教育专用人工智能大模型，同时规范人工智能使用的科学伦理[13]。据此说明，提升AI素养是当今时代必备课程。
本研究将使用AI技术以解决AI素养构成的3个层次所面临的典型问题，通过深入研究和应用AI技术，提升个体的AI素养，推动教育领域的创新和发展。为了提升AI素养，本研究为未来利用AI技术提供了实现的可能性，并可作参考。

1 文献回顾

国内外的研究重点聚焦于如何在教育层面提升用户的AI素养，例如其中有研究者利用现代辅助媒体与学科课程进行整合，借助多媒体技术的辅助功能和网络技术的资源整合效用，丰富教学内容，提升教学实效[14]。在探讨如何提升个体或群体的素养时，教育手段常被视为一种传统且有效的途径。然而，教育的实施并非一蹴而就，它需要经历一个长期且复杂的过程，在这个过程中，教育者必须考虑到学习者的认知发展阶段、教育资源的分配，以及教育内容与社会需求之间的匹配度等因素[15]。这些因素共同作用，使得教育手段在解决AI素养缺失问题时显得力不从心。教育周期的漫长性意味着从教育计划的制定到素养提升的显现，需要经历数年甚至数十年的时间。在这样一个快速变化的时代，这种缓慢的进程往往难以满足社会对于AI素养迅速提升的需求。其次，教育的实施往往受限于现有的教育体系和资源分配，这使得在短期内大规模提升AI素养变得不切实际，教育内容的更新往往滞后于技术的发展，导致学习者在完成教育过程后，所获得的知识与技能可能已经过时。
通过文献梳理，统计相关研究，本研究把3个类别的问题加以归并，形成3个层次，分别是认知层、实践层和评估层（表1）。
在认知层面，面对提出的问题进行调研，发现忽略教育手段后，研究者们使用的方法有查询重构（Query Reformulation），利用自然语言处理和深度学习技术，可以优化查询的表达方式，从而提高检索的相关性和准确性[16]。 其次，在信息检索模型的研究中，研究者们也提出了多种优化策略，如倒排索引、查询扩展和相关反馈。这些方法旨在提高搜索引擎的性能，使其能够快速且准确地检索相关信息，强调了对信息检索系统的综合审查，以识别改进的关键领域和未来的研究方向[17]。目前已有的研究方法，尚不能很好地解决该层面的问题，AI的认知素养提升依旧需要AI工具的帮助。
在实践层面，面对提出的问题，结合文献调研发现，研究者们当前使用的方法是利用开放科学与可用性工程，指明开源硬件和数据共享API在促进非专业用户数据分析中的重要性，让用户学习相应的技术以支持数据分析工作[18]。以及，培养用户的机器学习能力，提出了一种新的算法驱动框架，强调了简化系统集成和提供持续支持的重要性，以帮助非技术用户克服数据分析中的复杂性[19]。在技术支持的基础上，通过将生成式AI工具与可视化框架结合使用，能够有效提升非专业用户在数据分析项目中的表现和理解能力[20]。
但目前已有的研究方法，仅仅是基于帮助用户学习技术、掌握技术的角度进行数据分析，寻找突破口，本研究认为AI技术能帮助非专业人员进行具体实践操作，在实际应用中以提升AI素养。
在评估层面，随着人工智能系统在各个领域的广泛应用和日益重要性的提升，其质量保证（QA）问题也日益凸显，即面对如何辨别信息真伪，进行信息验证。结合文献发现，当前信息评估的方法有基于机器学习的信息真伪识别，利用机器学习技术，根据信息的内容特征、传播特征等，训练分类模型来识别信息的真伪[21]；基于知识图谱的信息验证，构建知识图谱，将信息与已有的知识进行对比，发现矛盾或不一致的地方，从而判断信息的可信度[22]；基于众包的信息真伪判断，利用众包的方式来评判信息的真伪，提出了基于众包的新闻真实性评估框架，让用户对新闻的真实性进行投票，并根据投票结果给出评估结果[23]；基于用户行为的信息可信度分析，分析用户在验证信息时的行为特征，如点击量、转发量、评论内容等，根据这些特征来判断信息的可信度[24]。目前的研究方法基本上是以定性分析为主，量化方法的上手难度高。

2 研究设计

知识工作者[25]是指在其工作中主要依赖智力、知识和信息进行创造性思考与问题解决的专业人士。工作中不仅包括执行任务，还涉及到复杂的思维过程和创新实践。知识工作者接触的信息如此之多，通过AI工具提升效率也会最为显著。一方面知识工作者对于AI工具刚需；另一方面知识工作者拥有掌握AI工作的认知和感知能力。在AI时代的背景下，知识工作者包括但不限于科学家、工程师、医生、教育工作者、软件开发人员等，他们和信息之间有着紧密的联系，同时可以利用AI工具最大化地产生价值。对于提升知识工作者的AI素养，具有迫切性，以便在快速变化的信息时代中，产生新颖的想法，推动创新改进。
人工智能技术的迅猛发展，尤其是在信息检索和长文档处理能力上的突破，为解决AI素养缺失问题提供了新的途径。AI工具虽然在长文档处理和图像检索增强生成（RAG）方面取得了显著进展，但目前尚未有充分的研究和实践表明这些工具已被直接用于弥补人们在AI素养方面的不足。这表明，教育者和研究人员需要共同努力，开发和评估AI工具在教育中的应用效果，确保它们能够有效地支持学习者的需求，并促进他们的AI素养发展。本研究将采用生成式AI来辅助AI素养的补足与提升，通过个性化学习路径、模拟实践环境以及人工核查等方式，提高学习效率和效果。（图1）。
图1 研究路线图

Fig.1 Research roadmap

认知这一层面服务的核心在于其能够理解普通用户的需求和知识背景，提供定制化的知识讲解。这种服务通常由智能代理（Intelligent Agent）实现，它们能够根据用户的反馈和互动，逐步引导用户深入理解复杂的概念。这种交互式的学习方式不仅提高了学习效率，也增强了用户的学习体验。
在实践层上，与传统方法不同，AI工具可以利用机器学习和深度学习等技术，通过算法自动从数据中学习模式和规律，处理大规模和高维数据，能够通过自动化的方式进行特征选择和数据清洗，从而提高分析效率和结果的准确性。
评估层面上，在使用原有方法基础上，本研究主张以AI工具的客观验证来辨别信息的真伪，在交互的过程中用人工检验的方式提升AI素养。与传统的方法相比，AI工具能够自动化处理重复性任务，如文献筛选、数据提取和结果总结，显著提高研究效率，对于复杂和非结构化的数据，适应性强，能够分析多种类型的数据，包括文本、图像和视频等。

3 认知层

用户在面对着浩如烟海的信息涌来的时候，不知道该从哪里入手，很多良莠不齐的信息可能会让人们误入歧途。而在面对一个新的与AI相关的复杂概念的时候，由于存在着知识鸿沟，我们会感到束手无策。在AI工具出现以前，用户往往会选择“搜索引擎”一类设施进行信息查询。近20年来，搜索引擎的使用方式都是3步：输入关键词、选择看起来靠谱的网页浏览、自己总结答案。它需要用户浏览3~5个网页找答案，效率极低且无法理解自然语言，需要用户精准提炼搜索关键词[33]。
AI工具有广泛的认知基础且能够实时地搜集整理外部信息，能够在个性化学习、智能辅导等方面为用户提供丰富的资源[34]，从而提供有效参考咨询的能力。以及AI工具可以生成多模态的数据，以不同的方式，提供服务，提高用户体验感[35]。
在这里，针对“ChatGPT的训练原理”来进行提问。首先，利用“维基百科”进行提问，查看它的回答。它检索出来的内容庞杂繁复，用户在面对海量的信息时，往往难以迅速定位到自己真正需要的内容。如图2所示，它返回了包含大量专业术语和概念的结果，这些结果对于非专业用户来说可能难以解读和应用。
图2 维基百科上查询“ChatGPT的训练原理”的结果

Fig.2 Results of searching "ChatGPT Training Principles" on Wikipedia

但AI工具的产生下，如智能代理能够根据用户的个性化需求提供定制化的知识讲解。为了使普通用户能够更容易地理解和吸收信息，AI工具可以通过用户提示词的引导，根据用户的个性化需求提供帮助。这种服务不需要用户付出高昂的成本，也不需要用户经历陡峭的认知学习曲线。通过AI的辅助，用户可以更快速地获取他们所需的信息，并以一种更加直观和易懂的方式进行学习。这些代理不仅能够识别用户的知识水平，还能够根据用户的需求，以易于理解的方式提供信息和解释。这种服务超越了传统搜索引擎的简单查询和返回结果的功能，而是通过预定义的AI代理，以一种循序渐进的方式，将用户视为初学者，根据用户现有的知识水平，逐步提供解释和指导。
AI代理，如GPTs商店中的“Universal Primer（通引万物）”，在认知层的应用主要体现在其能够根据用户的知识背景和需求，提供定制化的信息和知识。这种代理不仅仅是简单地检索信息，而是通过一系列的交互，了解用户的知识水平，然后逐步引导用户深入理解复杂的概念和主题。其中，AI代理的个性化交互和沟通是其核心优势之一。通过与用户的对话，AI代理能够评估用户对特定主题的理解程度，并据此调整其解释的深度和方式。例如，当用户表示对某个概念不熟悉时，AI代理可以选择使用更简单的语言和类比，以帮助用户更好地理解。这种交互式的学习过程不仅提高了学习效率，也增强了用户的学习体验。在教育和学习领域，AI代理的这种个性化和交互式的特点具有巨大的潜力。它们可以作为学生的私人助教，提供即时的反馈和指导，帮助学生克服学习中的难点。此外，AI代理还能够根据学生的学习进度和理解程度，动态调整教学内容和难度，实现真正的个性化教学。
对比搜索引擎，Universal Primer会迅速回应（图3），首先用一个简单的比喻进行开篇介绍，后续详细解释包括变压器模型、神经网络基础、大量数据输入、自我学习过程、优化调整以及特定任务训练的全过程。最吸引人的是，Universal Primer不仅提供答案，还会询问：“在我们继续深入之前，我想了解一下您对神经网络和自然语言处理的了解程度。您对这些领域了解多少？这将帮助我调整后续的解释，以便更好地适应您的知识水平。”这种以学习者为中心的服务理念，使学习过程变得更加亲切和个性化。否则如果只是机械地讲解，不顾接受方的知识基础，学习者可能很快就会失去兴趣。通过询问用户的知识水平提供定制化的解释，才能做到有的放矢和个性化教学。只要告诉它“请将我视为初学者。”Universal Primer就会回答：“既然你是初学者，我们就从最基础的概念开始，逐步深入。你会发现这些看似复杂的技术原理其实有很多与日常生活中的现象类似，通过这些比喻，我会尽量让你轻松理解。”它会根据用户的认知层次，以用户能够理解的方式讲解。而GPTs的Universal Primer只是众多AI工具的其中之一，面对认知概念的问题，许多先进的大模型都能够像它根据用户对特定主题的理解能力和认知水平，进行通俗易懂的讲解。AI除了在基础概念，在政治新闻[36]、学术文献[37]等其他方面也展示出了实力。
图3 Universal Primer询问“ChatGPT的训练原理”的结果

Fig.3 Results of universal primer inquiry on "ChatGPT Training Principles"

信息检索技术的发展虽然为知识工作者提供了海量的数据资源，但如何从这些数据中提取有价值的信息，理解其中的专业名词，转化为知识，仍然是一个亟待解决的问题。AI工具在这一过程中扮演着至关重要的角色。通过自然语言处理、机器学习和深度学习等技术，AI工具能够对信息进行分类、筛选和分析，帮助用户快速定位到最相关的数据，从而提高信息检索的效率和准确性。知识的获取和应用是认知提升的关键。AI技术可以通过类似Universal Primer的代理工具，根据用户的兴趣和需求，提供定制化的知识内容。这种个性化的学习路径不仅能够激发用户的学习兴趣，还能够提高学习效率，帮助用户在特定领域内建立起系统化的知识体系。

4 实践层

实践是在认知的基础之上进行的实际操作行为。知识工作者拥有一定程度的认知后，利用AI工具进行交互式问答，达到完成任务的目的。由于国内教育界接触AI较晚，对其态度谨慎，导致具体的教学实践研究少，应用于信息素养教育的研究文献稀疏，会导致知识工作者应用AI工具的实践能力不足。通过AI工具在快速提升信息素养的同时，也增强了AI工具的使用能力，进而逐步提高AI素养[38]。
在具体的实践方面，若不使用AI，用户想要亲自实践数据分析，他们必须需要掌握一系列技能，包括但不限于：数据清洗、数据转换、统计分析：运用统计学方法对数据进行分析、数据可视化、编程语言、数据库管理和机器学习等。如果用户选择使用具备代码执行和报告能力的AI工具，他们可以避免直接处理这些复杂的技能要求，而是通过AI的辅助一站式地完成数据分析任务。这种对比凸显了AI在简化专业任务处理流程中的巨大潜力。
在这里，本研究以“建模”为例。传统建模过程通常遵循以下步骤：问题定义，数据收集，数据预处理，选择建模方法，模型构建，模型评估，结果解释，以及结果呈现，具体流程如图4所示。这一过程要求用户具备深厚的统计学、数学知识和编程技能。例如，在数据预处理阶段，用户需要手动清洗和整理数据，处理缺失值和异常值。在选择建模方法时，他们必须根据问题的性质和数据的特点，选择最合适的算法，如线性回归或决策树。模型构建阶段则需要用户使用编程语言如Python或R来实现算法。模型评估阶段则通过交叉验证等方法来确保模型的准确性和可靠性。
图4 传统“机器学习分类模型”建模步骤

Fig.4 Traditional "Machine Learning Classification Model" modeling steps

相比之下，使用AI智能体——智谱清言的数据分析功能进行建模可以显著简化这一过程。它能够自动化数据处理，快速构建模型，并高效地进行模型评估。用户只需要上传数据，说明数据分析要求，智谱清言可以自动识别并处理数据中的问题，提供现成的建模算法和自动执行模型评估，以及集成了数据可视化功能，使得用户能够直观地查看数据和模型结果。更重要的是，AI工具能够结合大数据分析，提供更精准的预测和决策支持，帮助用户做出更明智的选择。除此之外，还有的AI工具甚至能够通过机器学习算法不断优化模型，使其在不同的数据集上表现更佳。
除了数据分析的任务，AI工具可以协助软件开发、自动执行重复性任务、实现流程自动化等[39]，以及进行网页开发、制作音乐[40]、生成图像等一系列的实践应用。本研究以数据分析为例，其他相关的工具，用户可以根据自己的工作经验和使用习惯相结合，找到相对应的工具。
知识工作者在面对复杂问题时，通过AI寻找解决方案，从而达到提升自己应用AI完成工作任务的目标，获得成就感。即使没有完全完成任务，也能够从中获取新的问题，新的发现。实践层是调用AI工具，通过不断改进提示词，促使AI产生提示工程带来的积极影响，让AI更高效精准地遵循指令回答问题。在面对模型可能产生的错误信息时，继续通过人机交互方式，改进自身使用AI工具的方式方法，掌握解决问题的有效的AI辅助手段（图5）。
图5 智谱清言的“机器学习分类模型”自动化结果呈现

Fig.5 Presentation of the automated results of ZhiPu QingYan's "Machine Learning Classification Model"

使用AI工具进行建模不仅提高了效率，降低了对用户技能的要求，还使得更多人能够参与到数据分析和建模的过程中。并且在数字化时代，对于AI的实践性操作是提升用户AI素养的关键步骤[39]。这种技术的发展，无疑为数据分析领域带来了革命性的变化，使得建模过程更加高效、准确，且易于操作。随着AI技术的不断进步，可以预见未来数据分析和建模将更加依赖于智能化工具，从而进一步推动数据分析领域的创新和发展，在实践层面进一步补足AI素养。

5 评估层

评估是知识工作者已经具备认知能力，掌握部分的实践基础后，对AI工具回答的结果判断。在评估层，AI起到的作用是人的辅助。AI生成、伪造或篡改文本、图片、音频和视频的现象越来越普遍，产生大量粗制滥造、真假难辨的“信息垃圾”[41]。例如，加拿大航空因聊天机器人提供的错误信息而支付赔偿金，甘内特公司的AI工具LedeAI在撰写高中体育报道时出现重复和质量问题。因为AI输出错误引发的问题屡见不鲜[42]。因此，需要用户与AI进行人机交互，寻找适合自己的AI工具，熟悉AI工具输出结果的正确与否，进行AI工具的磨合和训练，这个过程既可以帮助用户找到合适的工具，又可以快速建立评估能力，同时提升AI素养。
在探讨人工智能的应用及其潜在风险时，一个关键的议题是验证AI输出的准确性。若未经验证便接受AI提供的结果，可能会导致错误的信息传播，其后果在大型科研项目中尤为严重，可能造成不可估量的损失。在这里，针对实时性信息进行测试，挑选多款AI工具的回答结果进行对比，大致分为了3类。第一类是无法正确输出的，以“Mistral Nemo 12B Starcannon”模型为例（图6）。针对“世界杯预选赛”进行提问后，发现该模型并不能很好地输出，它的信息来源于“知乎”。
图6 足球赛问题“Mistral Nemo 12B Starcannon”模型的错误解答

Fig.6 Incorrect solution of the football match problem by the "Mistral Nemo 12B Starcannon" model

第二类是回答模棱两可的，以“通义千问”模型为例。如图7所示，它无法获取最新讯息，没有事实性材料支撑回答。
图7 足球赛问题“通义千问”模型的模糊解答

Fig.7 Vague solution to the football match problem by the "Tongyi Qianwen" model

第三类是能够正确回答的，以“文心一言”模型为例。如图8所示，其在回答问题时提供了事实材料，并明确引用原文及其来源位置和链接，这不仅增强了答案的可信度，也为后续的核查与检验提供了便利。
图8 足球赛问题“文心一言”的正确解答

Fig.8 Correct solution to the football match problem by the "Wenxin Yiyan" model

如图9所示，对于带有小数点的数字比大小的问题，也有模型回答错误，这说明在不同层次上，模型都有可能发生错误。
图9 比大小问题“ChatGpt-4o”模型的错误解答

Fig.9 Incorrect solution to the comparison problem by the "ChatGPT-4o" model

选择事实问题进行提问，目的是验证模型是否会出现基础的证据性错误，这是对模型的基本要求。AI工具会生成的内容会存在片面性，甚至是错误结论的问题，会写出看似完美，但实际荒谬的答案，需要知识工作者对此加以评估，防止陷入学术不端，安全伦理等问题[43]。示例中，显示出部分模型在低层次犯错，从而也矫正了用户认知，提升评估能力，并非AI工具就完全正确，需要人工加以验证。
AI时代的复杂任务要求知识工作者不仅要依赖AI的高效处理能力，更要重视其输出的准确性和可验证性。因此，人工智能与人类的协作模式日益受到重视。正如前文所述，AI在处理复杂任务时展现出了巨大的潜力，但人类在这一过程中的作用仍然不可或缺。人类不仅需要明确提出具体的需求，还需要对AI的最终输出结果进行检验和控制，以确保任务的准确性和可靠性。这种协作模式被称为“人在环中”（Human in the Loop），它强调了人类在AI决策过程中的中心地位。在这一模式下，AI作为辅助工具，负责执行具体的任务，而人类则负责监督、评估和指导AI的工作，确保其输出符合预期目标。这种模式不仅提高了任务完成的效率，也增强了结果的准确性和安全性。
同样，在提升AI素养的过程中，知识工作者必须牢记一个核心原则：AI应被视为我们的助手，而非替代者。我们的目标是与AI建立更有效的协作关系，使其成为解决问题和提高工作效率的有力工具。通过这种方式，充分利用AI的潜力，同时保持人类在决策过程中的主导地位。人在环中的工作模式是实现AI与人类有效协作的关键。通过这种模式，确保AI技术的发展能够更好地服务于人类社会，同时避免潜在的风险和问题。因此，在未来的AI应用中，我们应该继续探索和完善这种人机协作的模式，以实现更高效、更安全的任务完成。

6 结论

生成式人工智能的兴起对知识工作者的工作、科研和学习环境产生了显著的影响，通过调研，我们发现当前知识工作者所具备的AI相关知识素养与实际所需掌握的技能之间存在着显著的差距。在此背景下，除了强调改革后续的教育和培训方式之外，还应关注技术本身在弥补这一差距方面的潜力。知识工作者可以通过现有的生成式AI工具的正确、高效地使用，来辅助我们更好、更低成本地完成相关的任务。本研究所总结出来的层次和具体案例，来源于现有的文献研究和个人的实践，难免会有疏漏，后续我们会进行更系统化的、细致的分解，找寻更多AI素养提升的方法，用更加系统化的方式尝试不断地迭代来解决。并且随着技术的不断革新、工具的不断涌现，知识工作者利用AI工具来解决AI素养不足与提升的问题，会有更好的迭代和改进。
在未来的研究展望中，我们将持续跟踪人工智能领域的最新进展，并将这些突破性成果适时地融入研究框架之中。随着AI技术的不断演进，我们期望能够更深入地探讨和解决这一系列具体、有挑战性的难点问题，致力于用技术手段将AI的最新进展与AI素养提升的实际需求相结合，未来会针对更为具体的难点问题进行研究和汇报，为AI素养领域的发展贡献我们的智慧和力量。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
杜华, 杜楠楠. 我国智能素养研究热点及发展趋势——基于共词分析的可视化研究[J]. 教育信息技术, 2022(6): 44-47.

DU H, DU N N. Research hotspots and development trends of intelligence literacy in China - Visualization research based on co-word analysis[J]. Educational information technology, 2022(6): 44-47.

2
闫志明, 唐夏夏, 秦旋, 等. 教育人工智能(EAI)的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J]. 远程教育杂志, 2017, 35(1): 26-35.

YAN Z M, TANG X X, QIN X, et al. The connotations, key technologies and application trends of educational artificial intelligence(EAI): Interpretation and analysis of the two reports entitled "preparing for the future of artificial intelligence" and "the national artificial intelligence"[J]. Journal of distance education, 2017, 35(1): 26-35.

3
陈颖博, 张文兰. 国外教育人工智能的研究热点、趋势和启示[J]. 开放教育研究, 2019, 25(4): 43-58.

CHEN Y B, ZHANG W L. Hotspot, trend, and enlightenment of educational artificial intelligence research abroad[J]. Open education research, 2019, 25(4): 43-58.

4
北京部分中小学校开设人工智能课: 小粉丝迷上前沿新知[EB/OL]. [2024-04-23].

5
谭礼园, 涂涛, 李轩涯, 等. 基于EasyDL平台的小学AI课程教学设计与实践[J]. 计算机教育, 2022(7): 12-16.

TAN L Y, TU T, LI X Y, et al. Teaching design and practice of AI course in primary schools based on EasyDL platform[J]. Computer education, 2022(7): 12-16.

6
8岁小孩哥上手用AI制作游戏, 全程2小时, 引来50多万人围观[EB/OL]. [2024-04-23].

7
“比肩”ChatGPT之父奥特曼, 中国“AI教父”李一舟靠卖课年入 5000万[EB/OL]. [2024-04-23].

8
黄如花, 石乐怡, 吴应强, 等. 全球视野下我国人工智能素养教育内容框架的构建[J]. 图书情报知识, 2024, 41(3): 27-37.

HUANG R H, SHI L Y, WU Y Q, et al. Constructing content framework for artificial intelligence literacy instruction in China from a global perspective[J]. Documentation, information & knowledge, 2024, 41(3): 27-37.

9
全市 103所学校获评智慧校园示范校 AI进教室 课堂大变样[EB/OL]. [2024-04-23].

10
北京: 明年大中小学普遍开展人工智能应用[EB/OL]. [2024-04-23].

11
要大规模扫除青壮年人工智能盲, 提高全民人工智能素养[EB/OL]. [2024-04-23].

12
2024年中国AI教育行业研究报告[EB/OL]. [2024-04-23].

13
教育部发布 4项行动助推人工智能赋能教育[EB/OL]. [2024-04-23].

14
申小玲. 整合技术手段 提升英语素养——浅谈多媒体技术下的初中英语教学[J]. 新课程导学, 2015(10): 35.

SHEN X L. Integrating technical means to improve English literacy - On junior high school English teaching under multimedia technology[J]. New course introduction, 2015(10): 35.

15
赵艳芳. 现代教育技术在初中语文教学中的应用[J]. 家长, 2020(15): 48, 50.

ZHAO Y F. The application of modern educational technology in junior middle school Chinese teaching[J]. Parents, 2020(15): 48, 50.

16
GUPTA V, DIXIT A. Recent query reformulation approaches for information retrieval system - A survey[J]. Recent advances in computer science and communications, 2023, 16(1): 10-25.

17
SHARMA S, PANDA S P. Efficient information retrieval model: Overcoming challenges in search engines-an overview[J]. Indonesian journal of electrical engineering and computer science, 2023, 32(2): 925.

18
刘奕伶. 环境数据开放视阈下的公众参与环境治理——基于对国内三市政府环境数据开放现状的维度分析[J]. 安徽行政学院学报, 2018, 9(4): 106-112.

LIU Y L. New opportunities for public participation in environmental governance: Open government environmental data - An analysis of the dimensions of the openness of environmental data in China's 3 cities[J]. Journal of Anhui administration institute, 2018, 9(4): 106-112.

19
HONG K C, SHIBGHATULLAH A S BIN. Decoding ERP training for non-technical users: A novel algorithm-driven framework for enhanced training effectiveness[C]//2024 IEEE 9th International Conference for Convergence in Technology (I2CT). Piscataway, New Jersey: IEEE, 2024: 1-5.

20
VALVERDE-REBAZA J, GONZÁLEZ A, NAVARRO-HINOJOSA O, et al. Advanced large language models and visualization tools for data analytics learning[J]. Frontiers in education, 2024, 9: 1418006.

21
关真, 孟聿. 信息-动机-行为模式在老年起搏器植入术患者康复护理中的应用研究[J]. 中国医药指南, 2016, 14(23): 253-254.

GUAN Z, MENG Y. Application of information-motivation-behavior model in rehabilitation nursing of elderly patients with pacemaker implantation[J]. Guide of China medicine, 2016, 14(23): 253-254.

22
吴先华, 蔡正平, 郭际. 产业集群中本地知识溢出(LKS)问题的西方文献综述[J].科技管理研究, 2008, 28(1): 242-244.

WU X H, CAI Z P, GUO J. A review of western literature on local knowledge spillover (LKS) in industrial clusters[J]. Science and technology management research, 2008, 28(1): 242-244.

23
斯图亚特·霍尔, 孔智键. 马克思论方法: 读1857年《导言》[J]. 山东社会科学, 2016(7): 5-23.

STUART H, KONG Z J. Marx's theory of method: Reading introduction in 1857[J]. Shandong social sciences, 2016(7): 5-23.

24
董正信, 周博. 利率对消费、投资、股价、汇率影响的实证研究[J]. 河北大学成人教育学院学报, 2007, 9(4): 104-106.

DONG Z X, ZHOU B. The empirical research of interest rates' influences to consuming, investment, stock price and rate of exchange[J]. Journal of adult education college of Hebei university, 2007, 9(4): 104-106.

25
GENYS M, MARIJUS V. Veiksnių poveikis žinių darbuotojų polinkiui naudotis generatyviuoju dirbtiniu intelektu[D]. Vilnius: Vilniaus Universitetas, 2024.

26
SIREGAR K E. Increasing digital literacy in education: Analysis of challenges and opportunities through literature study[J]. International journal of multilingual education and applied linguistics, 2024, 1(2): 10-25.

27
SIAHAAN R D R, SIRAIT G. The importance of digital literacy in the era of society 5.0[J]. Indo-MathEdu intellectuals journal, 2023, 4(3): 1734-1742.

28
SAPUTRA I, ASTUTI M, SAYUTI M, et al. Integration of artificial intelligence in education: Opportunities, challenges, threats and obstacles. A literature review[J]. The Indonesian journal of computer science, 2023, 12(4): 10-25.

29
CASAL-OTERO L, CATALA A, FERNÁNDEZ-MORANTE C, et al. AI literacy in K-12: A systematic literature review[J]. International journal of STEM education, 2023, 10(1): 29.

30
SUBAVEERAPANDIYAN A, PALADHI M M, MARUTHAVEER AN V. Evaluating AI literacy proficiency among LIS researchers in ASEAN[J]. Library hi tech news, 2024, 41(4): 6-8.

31
NG D T K, LEUNG J K L, CHU K W S, et al. AI literacy: Definition, teaching, evaluation and ethical issues[J]. Proceedings of the association for information science and technology, 2021, 58(1): 504-509.

32
LINTNER T. A systematic review of AI literacy scales[J]. NPJ science of learning, 2024, 9: 50.

33
搜索引擎要变天了[EB/OL]. [2024-04-23].

34
人工智能如何赋能教育[EB/OL]. [2024-04-23].

35
DONG X Y, TIAN Y X, HE M M, et al. When knowledge workers meet AI? The double-edged sword effects of AI adoption on innovative work behavior[J]. Journal of knowledge management, 2024: 1-35.

36
申亚欣. 当AIGC遇上全国两会报道[J]. 青年记者, 2023(7): 1.

SHEN Y X. When AIGC meets the report of the National People’s Congress[J]. Youth journalist, 2023(7): 1.

37
朱蕊. 基于人工智能的图书馆文献自动检索机器人设计[J]. 自动化与仪器仪表, 2023(6): 192-194.

ZHU R. Design of automatic library literature retrieval robot based on artificial intelligence[J]. Automation & instrumentation, 2023(6): 192-194.

38
罗国锋, 刘清生. ChatGPT赋能高校信息素养教育应用场景与实践研究[J]. 农业图书情报学报, 2024, 36(4): 91-101.

LUO G F, LIU Q S. Application scene and practice of ChatGPT empowering information literacy education[J]. Journal of library and information science in agriculture, 2024, 36(4): 91-101.

39
周琼, 徐亚苹, 蔡迎春. 高校学生人工智能素养能力现状及影响因素多维分析[J]. 图书情报知识, 2024, 41(3): 38-48.

ZHOU Q, XU Y P, CAI Y C. An examination of AI literacy among university students: Current status and multifaceted influencing factors[J]. Documentation, information & knowledge, 2024, 41(3): 38-48.

40
索尼推出AI音乐制作服务[J]. 智能城市, 2020, 6(5): 17.

Sony launches AI music production service[J]. Intelligent city, 2020, 6(5): 17.

41
警惕“AI污染”乱象[EB/OL]. [2024-04-23].

42
引人注意的十大由AI造成的灾难案例[EB/OL]. [2024-04-23].

43
张智雄, 曾建勋, 夏翠娟, 等. 回应AIGC的信息资源管理学人思考[J]. 农业图书情报学报, 2023, 35(1): 4-28.

ZHANG Z X, ZENG J X, XIA C J, et al. Information resource management researchers' thinking about the opportunities and challenges of AIGC[J]. Journal of library and information science in agriculture, 2023, 35(1): 4-28.

Options
文章导航

/

〈 〉

《农业图书情报学报》编辑部
地址：北京中关村南大街12号　邮政编码：100081
电话：(010)82109667　传真：(010)82109667
E-mail：xuekan＠caas.cn
知识共享许可协议