基于“知识-技能”导航的人工智能素养通识教育课程构建

李白杨; 孙榕

doi:10.13998/j.cnki.issn1002-1248.24-0670

农业图书情报学报 >

2024 , Vol. 36 >Issue 8: 34 - 42

DOI: https://doi.org/10.13998/j.cnki.issn1002-1248.24-0670

AI素养专题

基于“知识-技能”导航的人工智能素养通识教育课程构建

李白杨 ,
孙榕

展开

南京大学前沿科学学院数据管理创新研究中心，苏州 215163

李白杨，助理教授，博士生导师，研究员，研究方向为数据智能、数字素养、开源情报等

孙榕，硕士研究生，研究方向为数字素养、数字不平等

收稿日期: 2024-07-15

网络出版日期: 2024-12-13

基金资助

南京大学人工智能通识核心课程“生成式人工智能前沿应用探索”(00302740)

收起

Construction of an AI Literacy General Education Curriculum Based on "Knowledge-Skills" Navigation

Baiyang LI ,
Rong SUN

Expand

Research Institute for Data Management Innovation, Nanjing University, Suzhou 215163

Received date: 2024-07-15

Online published: 2024-12-13

Fold

摘要

[目的/意义] 随着生成式人工智能技术的迅速发展，人工智能素养教育的重要性日益凸显。人工智能通识课程需兼顾知识普及和技能培养，满足不同背景学习者的多元化需求，以弥合“认知鸿沟”和“使用鸿沟”。 [方法/过程] 以南京大学“生成式人工智能前沿应用探索”课程为例，提出“知识-技能”导航的课程框架，设计基础认知、核心理解、工具应用到创新开发4个层次，采用模块化教学方式，结合在线资源与实验设备，推动理论与实践结合。 [结果/结论] 基于“知识-技能”导航的课程框架能够系统提升学习者的人工智能素养，通过循序渐进的知识传授与技能培养，实现普适性与个性化并重，为高校开展人工智能素养通识课程提供了理论支持和实践案例。

关键词： 生成式人工智能; 人工智能素养; 通识教育; 课程设计; 数字素养教育

本文引用格式

李白杨 , 孙榕 . 基于“知识-技能”导航的人工智能素养通识教育课程构建[J]. 农业图书情报学报, 2024 , 36(8) : 34 -42 . DOI: 10.13998/j.cnki.issn1002-1248.24-0670

Abstract

[Purpose/Significance] The rapid development of generative artificial intelligence (GenAI) has led to a growing demand for AI literacy in various fields. However, current AI literacy courses often fail to adequately address the diverse needs of students with different academic backgrounds, expertise, and learning levels. This research aims to design an AI literacy curriculum that balances knowledge dissemination with skill development, ensuring that students can not only understand basic concepts but also apply them in practice. [Method/Process] This study is based on the design of Nanjing University's "Exploration of Frontier Applications of Generative Artificial Intelligence" course, which adopts the "knowledge-skills" navigation framework. The course is divided into four progressively advanced levels: foundational cognition, core understanding, tool application, and innovative development. The foundational cognition level systematically organizes the four key knowledge modules involved in generative artificial intelligence: Machine Learning, Neural Networks, Deep Learning, and Natural Language Processing, helping students to build an initial cognitive framework for GenAI. The core understanding level explores advanced topics in GenAI, covering four main modules: basic model pre-training, downstream task adaptation, human-AI value alignment, and AI agents. This aims to enhance students' comprehensive understanding of the technical principles, application methods, and ethical considerations, providing the necessary technical support and conceptual tools for real-world applications. The tool application level consists of three modules: classification of intelligent tools, tool acquisition and use, and derived applications. It gradually guides students from analyzing the characteristics of tools and their use to exploring state-of-the-art applications in multi-modal, multi-scenario, and integrated contexts. Finally, the innovative development level is the final practical stage of the GenAI learning system and includes environment configuration, basic processes, and frontier development. This includes configuration of hardware and software environments, basic steps for development tasks, and advanced practices for complex functions, forming a complete chain from basic support to high-end applications. Following the "knowledge-skills" navigation, the course will also include teaching designs such as concept cognition modules, multi-modal generation and application skill modules, advanced generative AI knowledge and skill modules, and generative AI governance modules, along with the development of corresponding online open courses, open educational resources, and experimental equipment resources. [Results/Conclusions] The "knowledge-skills" navigation framework effectively enhances students' AI literacy by successfully bridging the gap between theoretical knowledge and practical application. The modular structure of the course, combined with multi-modal learning and hands-on practice, effectively meets the diverse learning needs of students. The course allows students to gradually build a knowledge system from basic concepts to advanced skills, fostering a comprehensive understanding of AI technologies.

Key words： generative artificial intelligence; AI literacy; general education; curriculum design; digital literacy education

0 引言

近年来，基于大语言模型（Large Language Model，LLM）的生成式人工智能（Generative Artificial Intelligence，GenAI）迎来变革式发展，在科技、商业、教育等各方面产生了较大影响，越来越多的人选择使用人工智能工具提升学习和工作效率。根据世界经济与合作组织在2023年发布的报告^[1]显示，未来的劳动力市场越来越需要具备较强人工智能素养的人才。然而，现行的素养类和通识类课程对人工智能知识的普及与理想状态存在显著差距，尤其是对于不同专业、不同年级、不同背景的学习者而言，往往难以系统且循序渐进地对人工智能知识和技能进行学习。因此，尝试构建科学、可行的人工智能素养通识教育课程具有较强的必要性。

联合国一直是人工智能素养通识教育的推动者和实践者，2021年联合国教科文组织与中国政府在北京举办了“国际人工智能与教育大会”，通过并发布了《北京共识》，并在同年发布了《人工智能与教育：政策制定者指南》^[2]。该指南提出了一个面向2030年教育目标的框架，强调“采取机制提高社会各领域的人工智能素养（AI Literacy）”。2024年9月，联合国教科文组织发布《教师人工智能能力框架》^[3]，该框架将人工智能素养划分为“获取、深化、创造”3个等级，为通识教育提供了重要参考。作为本轮生成式人工智能技术发展的策源地，美国一直对人工智能领域的各类人才培养十分重视。例如，美国教育部、国防部乃至国会等都发布过关于人工智能教育的政策（列举具体政策及其与本人主题相关的那句话）。欧盟在2020年发布的《人工智能白皮书》提出“教育系统需要与产业界合作，开展人工智能技能培训，并注重包括伦理、法律等非技术性内容的培养，以确保学生能够全面理解人工智能技术的应用和影响”^[4]。中国高度重视人工智能教育和人才培养，2020年3月，教育部、国家发改委、财政部印发《关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》^[5]，提出“以理论沿革和关键领域核心技术为主干，打造人工智能核心知识课程体系”。2024年9月10日，习近平总书记在全国教育大会上强调“要深入实施国家教育数字化战略”“注重运用人工智能助力教育变革”，这为人工智能通识教育指明了发展方向^[6]。

今年以来，中国的高等院校纷纷探索人工智能通识教育课程建设，例如南京大学面向本科生探索建设“人工智能通识核心课程体系”；北京市教委统筹建设“北京市属高校人工智能通识课”；湖北省组织“智育未来·拥抱智能时代——湖北高校新生同上人工智能通识课”系列活动，这标志着中国人工智能通识教育课程建设已成为共识。本文以南京大学人工智能通识核心课程“生成式人工智能前沿应用探索”为例，介绍一个基于“知识+技能”导航的人工智能素养通识教育课程构建策略，以期为同行提供有益借鉴。

1 研究背景与问题的提出

2022年以来，生成式人工智能受到各国政府、产业界、教育界等持续关注，如何利用人工智能赋能传统业务提高生产力和生产效率已经成为焦点议题。通常，人们将人工智能三要素定义为“算力、算法、数据”，事实上当前人工智能领域的竞争中人才已经成为核心要素之一。根据日本文部科学省科学技术与学术政策研究所^[7]对人工智能领域科技成果的统计数据显示，中国和美国已成为人工智能领域拥有科创人才的两强，同时全球人工智能科创人才流动频繁，表明人工智能高层次人才已成为重要资源。

随着人工智能在各行业渗透率不断提升，许多非计算机科学、信息科学或人工智能专业背景出身的用户开始探索学习人工智能知识、掌握人工智能技能，以提升自己的工作效率。在此背景下，用户对人工智能通识教育产生强烈需求，如何提升用户的人工智能素养已成为重要的研究问题。针对这一问题，本文立足教学实践、面向用户真实需求，提出以下研究问题：①现有的国际与国内人工智能素养框架对课程设计有何启示？②人工智能素养通识教育课程应如何满足不同背景用户的学习需求？③如何构建一个面向用户需求的“知识-技能”导航课程框架？

2 相关实践进展

随着人工智能技术迅速发展，全球各国及国际组织在人工智能教育领域做出了不同程度的探索。回顾部分主要国家和地区的人工智能通识教育进展，以便从国际和国内现状对课程设计进行启示。

2.1 全球人工智能通识教育研究进展

2.1.1 联合国

联合国致力于通过政策发布和国际合作来应对生成式人工智能技术的快速发展及其对教育体系带来的挑战。2023年5月，联合国教科文组织首次就生成式人工智能教育议题召开了全球教育部长会议，为教育领域的技术变革提供了前瞻性指导^[8]。2024年10月，教科文组织发布了《学生人工智能能力框架》和《教师人工智能能力框架》，为教育政策制定者和教育工作者提供了详细的框架指导。其中，《学生人工智能能力框架》整合了包括“以人为本”的人工智能观念、人工智能伦理、人工智能技术与应用以及人工智能系统设计4个能力层面，横跨理解、应用和创造3个进阶等级的12种人工智能能力^[9]。《教师人工智能能力框架》则提出获取、深化和创造3个层次在内的15种能力，旨在培养推动传统的师生二元关系向“教师、人工智能与学生”的三元动态关系转变^[3]。

2.1.2 重要国际组织

经济合作与发展组织（Organisation for Economic Co-Operation and Development，OECD）、国际图联（International Federation of Library Associations and Institutions，IFLA）等国际组织通过政策引导、推动公平与包容、促进国际合作等推动全球范围内的教育数字化转型。自2016年，OECD启动“人工智能和未来技能”项目，并发布《数字教育展望》报告^[10]，为各国制定教育领域的AI应用指南。OECD的国际学生评估项目（Programme for International Student Assessment，PISA）2025将重点转向智能化的学习评估，强调在学习过程中对自身的元认知、行为、动机和情感过程的控制能力以及用数字工具探索系统、表达想法和使用计算思维解决问题的能力^[11]。IFLA则更强调图书馆对公众和馆员提供人工智能素养教育的责任，致力于改进图书馆的政策和标准，关注伦理使用、数据隐私、数字素养演变等关键问题^[12]，并支持成立人工智能特别兴趣小组（Artificial Intelligence Special Interest Group，AI SIG）。该小组旨在指导图书馆以负责任和有效的方式用人工智能支持图书馆的各类活动、研究和合作项目，提升图书馆行业的人工智能素养^[13]。

2.2 美国人工智能通识教育研究进展

美国政府自2016年将人工智能发展上升为国家战略，并通过政策构建、多阶段课程融入、资源支持、跨学科合作以及教育改革等，构建了一套覆盖全民、贯穿各个教育阶段的人工智能人才培养体系。在政策支持上，美国政府2019年发布的《未来20年美国人工智能研究路线图》提出了制定各学习阶段人工智能课程、为研究生和教师提供补助、鼓励少数群体和弱势群体参与人工智能培训等^[14]；从2016年到2023年，美国政府连续发布多版《国家人工智能研究和发展战略计划》，逐步完善了人工智能教育的框架和内容，2023年更新版提出针对各个学段开发人工智能学习材料，开展跨学科和多元化的人工智能知识教学^[15]。在此指导下，美国通过多渠道开展数字技术培训，致力于将人工智能教育纳入国民教育体系，提升全民数字素养。如AI4K-12项目旨在实现从幼儿园到高等教育的全学段覆盖，将中小学智能教育分为4个学段，制定了教学指南并推动教学资源开放共享，要求各州在初高中引入统计学和计算机原理必修课^[16]，强化人工智能基础教育。AI4ALL开放学习项目提供了一系列跨学科的免费课程，支持弱势群体和社区学习人工智能知识。此外，美国重视完善政府、教育机构、企业和非营利组织等在人工智能教育领域的跨界协作机制。如TeachAI项目由Code.org、ETS、国际技术教育学会、可汗学院和世界经济论坛等组织领导，通过开发AI指导工具包和课程、为教育工作者提供资金支持、发布信息简报等方式推动人工智能有效、安全地在美国中小学教育中得到整合^[17]。

2.3 英国人工智能通识教育研究进展

作为全球人工智能技术相对领先的国家，英国通过加大资金投入、推动基础教育普及、伦理教育等措施，致力于培养多元化和高素质的人工智能人才队伍。英国政府在人工智能教育领域的资金投入巨大，涵盖教师发展、学术研究、数字建设与培训等多个方面。2021年，英国政府发布的《国家人工智能战略》计划在人工智能人才培养与研究合作上投资超过10亿英镑^[18]；《英国人工智能行业概览2021》中指出，英国政府拨款4.06亿英镑建立“图灵奖学金”和STEM领域的技能资助计划，投资1亿英镑支持建立16个新的人工智能博士培训中心等^[19]。除了对高等教育的重视，英国政府也与社会组织合作推动人工智能素养在基础教育阶段的普及。比如，独立慈善组织Apps for Good、英国国家计算机教育中心等均为英国的中小学生和教师提供免费的技术课程和教学资源，提升师生的人工智能素养。此外，英国也高度重视人工智能教育的伦理面向，主张建设可信赖的人工智能教育应用^[20]；牛津大学、剑桥大学等高校也均开设了AI伦理课程。

2.4 中国人工智能通识教育研究进展

近年来，中国在人工智能通识教育领域实现了从政策引领到实践创新的全面推进。政府的高位推动、高校的课程探索以及产业界的资源注入共同形成了“政产学研”协同发展的格局。2017年，国务院印发的《新一代人工智能发展规划》鼓励中小学阶段普及人工智能教育、实施全民智能教育项目^[21]；2018年教育部发布的《高等学校人工智能创新行动计划》提出了优化高校人工智能领域科技创新体系和完善人工智能领域人才培养体系等任务^[22]；2024年，中央网信办等四部门印发《2024年提升全民数字素养与技能工作要点》，部署了17项重要任务^[23]，同年，教育部启动人工智能赋能教育行动，发布4项行动提升全民数字教育素养与技能，强调打造覆盖全学段的人工智能通识课程体系^[24]。在人工智能通识教育体系中，高校及其图书馆机构发挥了核心作用。南京大学率先提出“1+X+Y”的人工智能通识核心课程体系，通过核心课程、人工智能素养课程以及跨学科前沿课程相结合的方式系统培养学生的知识技能和实践能力；浙江大学、复旦大学等高校也通过跨学科教学，将人工智能技术应用延伸至艺术创作、社会治理等领域。在产学研合作方面，高校与产业界的紧密协作进一步推动了人工智能通识教育的发展。南京大学与阿里云、百度、华为等头部企业合作，开发了智能教学工具，升级了教学体系的智能化水平。深圳大学腾讯云人工智能学院通过“产、学、研、创”四位一体的校企合作模式，构建了从理论到实践的人工智能人才培养链条。

3 人工智能素养通识教育的“知识-技能”导航框架构建

联合国教科文组织发布的《学生人工智能能力框架》和《教师人工智能能力框架》均强调应从理解、应用和创造等多个层级，针对不同背景、年龄和数字素养水平的公民开展人工智能素养教育。基于这一理念，我们在南京大学人工智能通识核心课程“生成式人工智能前沿应用探索”中，提出了“知识-技能”导航框架（图1），从基础认知、核心理解、工具应用和创新开发4个层级，围绕“知识”和“技能”两大核心，构建了一个系统性、兼容性、扩展性兼备的课程体系。

显示原图|下载原图ZIP|生成PPT

图1 “知识-技能”导航地图

Fig.1 "Knowledge-skills" navigation

3.1 “知识-技能”导航地图设计

“知识-技能”框架旨在有效弥合用户之间的“认知鸿沟”和“使用鸿沟”，推动教育的普惠性和个性化。在生成式人工智能的学习过程中，许多学生在基础理论上存在认知障碍。难以全面理解技术概念。通过“知识”导航中的基础认知层，学生可以系统地理解人工智能的4个基础知识模块，建立起初步认知框架；核心理解层进一步深化对生成式人工智能技术原理、应用方法和伦理考量的理解，缩小“认知沟”。然而，即便具备基础知识，许多学生仍难以将其转化为实际操作技能。“技能”导航中的工具应用层通过教授生成式人工智能工具的特点与使用方法，帮助学生将理论转化为实践；创新开发层则通过介绍前沿技术的开发应用，培养高阶技能，进一步缩小“使用沟”。

3.1.1 基础认知层

基础认知层作为“知识-技能”导航地图的起点，系统梳理了生成式人工智能所涉及的4个关键知识模块：机器学习（Machine Learning）、神经网络（Neural Networks）、深度学习（Deep Learning）和自然语言处理（Natural Language Processing）。通过对4个模块的核心概念、模型和算法的讲解，该层帮助学生建立生成式人工智能的初步认知框架，是理解生成式人工智能的知识基础和概念引导，降低了掌握后续复杂理论的学习成本。

其中，机器学习模块介绍了机器学习的基本概念和不同类型的算法，如包含线性回归（Linear Regression）、逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）、K均值聚类（K-Means）等在内的有监督和无监督机器学习算法；神经网络模块则通过介绍神经元、权重、激活函数等概念，帮助学生理解神经网络通过仿生学方式模拟人脑的学习和识别过程，介绍了LeNet、AlexNet、VGGNet等神经网络架构；深度学习模块涉及到卷积神经网络（Convolutional Neural Networks，CNN）、循环神经网络（Recurrent Neural Network，RNN）、对抗生成结构（Generative Adversarial Networks，GAN）等深度学习算法和模型。自然语言处理模块侧重于帮助学生理解如何利用算法处理、分析和生成自然语言内容，包括N-gram、隐马尔可夫、最大熵等统计模型、TF-IDF等文本特征提取算法以及Seq2Seq、Transformer、BERT、GPT等基于深度学习和神经网络的生成模型。

3.1.2 核心理解层

核心理解层是“知识-技能”导航中承上启下的关键环节，旨在引导学生从基础理论深入到生成式人工智能的技术逻辑，全面提升对其技术原理、应用方法、伦理考量的综合理解，为实际应用提供必要的技术支持和思维方法。该层次主要涵盖了4个模块：基础模型预训练、下游任务适配、人智价值对齐和AI智能代理（AI Agent）。

首先，基础模型预训练模块阐释了生成式人工智能的基本概念，包括通用人工智能（Artificial General Intelligence，AGI）、生成式人工智能（Generative Artificial Intelligence，GAI）、人工智能生成内容（AI-Generated Content，AIGC）、大语言模型（Large Language Model，LLM）、词嵌入（Word Embedding）、多模态（Multimodal）等。此外，还详细介绍了基于大规模数据集的训练过程及主流大模型的性能特点与应用场景，如扩散模型（Diffusion Models）、CLIP模型等。其次，下游任务适配模块则进一步探讨基础模型在特定下游任务中的应用方法，包括微调（Fine-Tunning）、提示工程（Prompt Engineering）和外挂知识库3种路径。微调方法又包括低秩量化（Low-Rank Adaptation，LoRA）、前缀微调（Prefix-Tuning）等；提示工程聚焦于少样本学习（Few-Shot Learning，FSL）、思维链（Chain of Thought，CoT）等撰写提示词的技巧；外挂知识库中介绍了如何利用检索增强生成（Retrieval-Augmented Generation，RAG）和搜索引擎技术结合外部信息资源，使生成式人工智能在处理复杂任务时能够获取即时的、领域相关的知识。再次，人智价值对齐模块强调生成式人工智能的使用伦理和社会影响，特别是基于人类反馈的强化学习（Reinforcement Learning with Human Feedback，RLHF）方法如何通过引入人类的评价和指导来训练奖励模型，并结合奖励模型对大语言模型进行优化，使其输出结果更贴合人类的价值观和社会需求。最后，AI智能代理模块则展示了生成式人工智能在动态环境中的任务执行过程，包括感知和采集外部数据、规划决策路径以及通过行动执行具体任务。作为大模型的重要应用方向，AI Agent的原理与实践拓展了生成式人工智能在多场景、多模态中的潜力，为学生提供了深入理解与探索复杂应用的技术框架。

3.1.3 工具应用层

工具应用层旨在直接服务于学生对生成式人工智能的工具的熟练掌握和技能提升，将理论知识内化为实际能力，弥合学生在技术理解与工具应用之间的“最后一公里”，实现从理论到实践、从基础到创新、从“知识”到“技能”的全方位过渡。这一层主要由智能工具分类、工具获取与使用以及衍生应用3个模块组成，逐步引导学生从工具的特性分析、使用操作、到多模态、多场景、一体化的前沿应用探索，构建起系统性、前瞻性的学习路径。

首先，智能工具分类模块引导学生将现有的生成式人工智能工具按照多维度细化分类，其标准包括工具的开源情况、算法架构、价格、API开放情况、部署方式、模态、交互方式、通用程度、参数量和功能特性等，帮助对工具的特性、功能和使用场景形成全面认知。其次，工具获取与使用模块要求掌握国内外常见的文本生成、图像生成、音视频生成、代码生成等智能工具的开发厂商、工具特点以及使用方式等。以文本生成工具为例，课程详细介绍了文心一言、通义千问、智谱清言、豆包、ChatGPT、Gemini等国内外Chatbot工具的所属公司、版本更迭、上下文长度、参数量、获取方式、生成风格等情况，并展示了常见的人工智能搜索引擎、翻译工具、办公工具、效率工具的功能和使用方法。最后，衍生应用模块包括对端对端大模型、具身智能和多模态大模型的介绍，展示GAI技术从模块化到一体化、从虚拟交互到物理交互、从单一模态到多模态融合的前沿方向。

3.1.4 创新开发层

创新开发层是“知识-技能”导航地图中的最高层级，是生成式人工智能学习体系中的最终实践环节，旨在培养学生将理论知识和实践技能结合、推动技术边界、应对复杂应用场景、开发具有创造性和实用性的人工智能应用的能力。该层次涵盖了环境配置、基本流程、前沿开发3个模块，从硬件到软件环境配置、开发任务的基础步骤到复杂功能的前沿实践，形成了从底层支持到高端应用的完整链条。

开发环境配置模块为生成式人工智能的开发工作提供硬件和软件，包括CPU、GPU、TPU等算力单元以及TensorFlow、PyTorch等深度学习框架的部署，帮助学生熟练搭建高效的开发环境；基本流程模块通过任务分解展示了开发工作的核心步骤，包括数据获取与处理、模型和API选择、任务设计、解码策略选择、对齐调优、模型评估以及模型训练等环节，使学生理解生成式人工智能从初始设计到最终优化的全流程；前沿开发模块聚焦于生成式人工智能的最新应用领域和技术突破，例如端侧模型、具身智能、智能穿戴设备、机器人应用、影像剪辑与策划、决策支持、智能车载设备等新兴方向，为学生提供了探索最前沿应用的实践机会。通过这些模块的学习，学生能够构建起从基础配置到高阶开发的完整技能体系，实现知识、技能与创新能力的高度融合。

3.2 “知识-技能”导航教学设计

以南京大学“生成式人工智能前沿应用探索”课程为例，该课程遵循“知识-技能”导航地图，设计了模块化、渐进式教学内容，如下所示。

（1）概念认知模块。面向不同专业、年级、学历等用户设计具有通用性的概念认知教学内容，包括生成式人工智能与人工智能生成内容的概念地图，生成式人工智能技术原理及其演化等，采用概念导航的方式进行讲解和知识导入，为理解生成式人工智能起源、发展与应用打下坚实的知识基础。例如，本课程设计了包含人工智能基础、技术、分类、开发环境、基本流程、前沿产品、衍生应用等板块在内的知识地图，为学生提供知识导航及索引。

（2）多模态生成及应用技能模块。针对生成式人工智能多模态特征，以各类工具为例，分别介绍基于生成式人工智能在文本、音频、视频、3D等方面的应用，使用户掌握针对不同问题选择、使用、评估某种工具的能力。例如，课程以学生为实践主体，探索如何通过提示词迭代优化文生图工具的输出结果、如何利用智能工具现场生成歌曲等。

（3）生成式人工智能高级知识与技能模块。选择知识前沿、技术复杂的内容，全方位提升教学内容的难度和广度。主要包括了人工智能代理应用（AI Agent）、端侧大模型与具身智能应用、人智协同应用等。如基于大模型的Agent及其应用一课中介绍了Agent的诞生、工作原理、部署模式、应用场景、部署平台、部署示例等。

（4）生成式人工智能治理模块。系统性介绍当前人工智能治理中的安全风险问题、价值对齐问题、技术滥用问题、深度造假问题等，使用户更好地理解人工智能的负面影响及其治理措施，以规范自身使用人工智能的行为。

3.3 “知识-技能”导航资源建设

由于人工智能素养通识教育具有开放性、拓展性、实践性等特点，课程为“知识-技能”导航配备了相应的学习资源，具体如下。

（1）在线开放课程。包括MOOC、网络公开课、短视频等。在当前的学习环境下，在线开放课程已成为课堂外的必要补充。这部分课程既包括来国内外高校的正式版课程，也包括来自人工智能专家、科技博主等制作的各类教程、教学视频，丰富的课外在线开放课程是当前网络环境下进行补充学习的主要特点，也深受广大用户欢迎。例如，知名的人工智能专家吴恩达、李飞飞等均开放了大量免费、优质的人工智能课程供学习使用。

（2）开放教育资源。针对人工智能素养通识课程实践性强的特征，充分利用开放教育资源成为可行路径，这部分资源包括了各类开源模型、算法、数据集、交互式图书等。例如，知名的开源大模型社区Huggingface、魔搭等均提供了大量高质量模型、数据集和应用空间，也集合了大量乐于交流的人工智能学习者和开发者。

（3）实验设备资源。实验设备是用户在学习人工智能通识课程中的重要资源，包括各类软硬件设备或平台。例如，针对具身智能、端对端大模型、多模态大模型等知识点和技能点，就需要有相应的设备进行展示和知识。

4 结语

在课程建设中，通过调研国内外类似的课程发现，目前面向提升人工智能素养的通识课程仍相对较少，尚难满足广大用户的各类学习需求。但是，中国政府和教育部门持续加大力度鼓励建设人工智能素养通识课程体系，各高校积极探索人工智能素养通识课程开发，来自信息资源管理、信息科学、新闻传播等不同专业的教育者努力推进课程内容建设，可以预见此类课程将进一步丰富、完善和提升。本文以南京大学“生成式人工智能前沿应用探索”课程建设实践为案例，介绍了“知识-技能”导航模式，以期为同类课程建设提供有益借鉴。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	OECD. Emerging Trends in AI skill demand across 14 OECD countries[EB/OL]. [2024-07-13].

2	UNESCO. Beijing consensus on artificial intelligence and education[EB/OL]. [2024-07-13].

3	UNESCO. AI competency framework for teachers[EB/OL]. [2024-07-13].

4	Commission European. White paper on artificial intelligence: A European approach toexcellence and trust[EB/OL]. [2024-06-20].

5	中华人民共和国教育部. 关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见[EB/OL]. [2024-06-20].

6	中华人民共和国中央人民政府. 习近平在全国教育大会上强调: 紧紧围绕立德树人根本任务朝着建成教育强国战略目标扎实迈进[EB/OL]. [2024-06-20].

7	National Institute of Science and Technology Policy. 科学技术指标2024[EB/OL]. [2024-06-20].

8	UNESCO. AI: UNESCO mobilizes education ministers from around the world for a co-ordinated response to ChatGPT[EB/OL]. [2024-07-13].

9	UNESCO. AI competency framework for students[EB/OL]. [2024-07-13].

10	OECD. OECD digital education outlook 2023: Towards an effective education ecosystem[EB/OL]. [2024-07-13].

11	OECD. PISA 2025 learning in the digital world[EB/OL]. [2024-07-13].

12	IFLA. IFLA statement on libraries and artificial intelligence[EB/OL]. [2024-07-13].

13	IFLA. Artificial Intelligence Special Interest Group[EB/OL]. [2024-07-13].

14	Computing Community Consortium & Association for the Advancement of Articial Intelligence. A 20 -year community roadmap for artificial intelligence research in the US[EB /OL]. [2024-06-16].

15	The White House. National artificial intelligence research and development strategicplan 2023 update[EB/OL]. [2024-06-16].

16	National Security Commission on Artificial Intelligence(NSCAI). The final report[EB/OL]. [2024-06-16].

17	Teach AI[EB/OL]. [2024-06-16].

18	United Kingdom Government. National AI strategy[EB/OL]. [2024-06-16].

19	Deep Knowledge Analytics. Artificial intelligence industry in the UK: Landscape overview 2021[EB/OL]. [2024-06-16].

沈苑, 胡梦圆, 范逸洲, 等. 可信赖人工智能教育应用的建设路径与现实启示——以英国典型举措为例[J]. 现代远程教育研究, 2023, 35(4): 65-74.

SHEN

, HU

M Y

, FAN

Y Z

, et al. Path and enlightenment of trustworthy artificial intelligence in education: A case study of typical initiatives in the United Kingdom[J]. Modern distance education research, 2023, 35(4): 65-74.

21	中华人民共和国中央人民政府. 国务院关于印发新一代人工智能发展规划的通知[EB/OL]. [2024-06-16].

22	中华人民共和国教育部. 教育部关于印发《高等学校人工智能创新行动计划》的通知[EB/OL]. [2024-06-16].

23	中华人民共和国中央人民政府. 中央网信办等四部门印发《2024年提升全民数字素养与技能工作要点》[EB/OL]. [2024-06-16].

24	中华人民共和国教育部. 教育部发布4项行动助推人工智能赋能教育[EB/OL]. [2024-06-16].

Options

文章导航

模态框（Modal）标题

摘要